Supervised Learning (pembelajaran terarah) adalah salah satu metode pembelajaran mesin dimana hasil yang diharapkan pengguna, sudah diketahui atau dimiliki informasinya oleh sistem. Hal ini berarti bahwa metode pembelajaran ini bekerja dengan memanfaatkan kembali data-data dan hasil output yang pernah dimasukkan oleh pengguna atau dikerjakan oleh sistem sebelumnya. Pada metode ini, pola input dan pola output dibutuhkan untuk mengenali suatu informasi dalam bank memori. Ketika suatu pola input dibentuk, sistem akan meneruskan rangsangan data hingga ke bank memori dan sistem output. Sistem output yang menerima rangsangan data akan menampilkan pola output dan menyocokkan polanya dengan pola input. Jika pola cocok, data akan ditampilkan dari bank memori dalam bentuk output. Apabila pola input dan pola output tidak ada yang cocok, maka outpun akan error. Dan jika nilai error cukup besar, pembelajaran lebih lanjut perlu dilakukan.

 

Beberapa contoh sistem algoritma yang menerapkan metode Supervised Learning adalah algoritma Hebbian (Hebb Rule), algoritma Perceptron, algoritma Adaline, algoritma Boltzman, algoritma Hapfield, dan algoritma Backpropagation.

 

Baca juga : Data Mining

 

Contoh Studi Kasus pemecahan masalah dengan metode Supervised Learning adalah misalnya kita ingin memilah email mana yang termasuk spam dan mana yang bukan. Saat pertama kali kita memutuskan suatu email dari pengirim tertentu adalah spam, sistem tidak memiliki data pemilahan sehingga semua email diterima sebagaimana mestinya. Namun setelah kita menandai email dari suatu pengirim adalah spam, sistem akan secara otomatis terus memasukkan email tersebut ke folder spam sampai kita membatalkan stempel atau pilihan spam pada si pengirim email tersebut.

Unsupervised Learning (pembelajaran tidak terarah) adalah metode lain dalam materi pembelajaran mesin. Konsep yang metode ini gunakan jauh berbeda dengan metode Supervised Learning dimana pada metode ini hasil yang diharapkan tidak dapat diketahui oleh siapapun. Dengan kata lain, hasil yang akan ditampilkan hanya bergantung kepada nilai bobot yang disusun pada awal pembangunan sistem dan tentu masih dalam ruang lingkup tertentu. Tujuan utama dari metode pembelajaran ini adalah agar para penggunanya dapat mengelompokkan objek-objek yang dinilai sejenis dalam ruang atau area tertentu. Metode pembelajaran ini sangat cocok digunakan untuk mencari atau mengklasifikasi suatu pola dari banyak objek sejenis yang tidak sepenuhnya sama.

 

Beberapa contoh sistem algoritma yang menggunakan metode Unsupervised Learning adalah algoritma kompetitif, alogritma Hebbian, algoritma Kohonen, algoritma Neocognitron.

 

Contoh Studi Kasus pemecahan masalah dengan metode Unsupervised Learning adalah misal suatu pusat perbelanjaan ingin melakukan bongkar muat terhadap satu truk berisi sepatu campur. Agar dapat dijual sepatu-sepatu tersebut perlu dikelompokkan brand dan ukurannya. Dalam hal ini, pihak pusat perbelanjaan tidak perlu memasukkan datanya terlebih dahulu karena data yang ada dilapangan saat itulah yang langsung diproses untuk mengelompokkan sepatu-sepatu tersebut sesuai brand dan ukurannya.