Algoritma Supervised Learning

---

1. 📌 Pengertian Supervised Learning

8

🔎 Definisi

Supervised Learning adalah metode Machine Learning di mana model dilatih menggunakan data berlabel (labeled data), yaitu data yang sudah memiliki jawaban (target/output).

📖 Narasi

Supervised Learning bekerja seperti proses belajar dengan guru:

• Model diberikan contoh soal (data)
• Model juga diberikan jawaban (label)
• Model belajar hubungan antara input dan output

Contoh:

• Email → spam / tidak spam
• Gambar → kucing / anjing

---

2. 🧠 Konsep Dasar Supervised Learning

📊 Struktur Data

Komponen	Penjelasan
Input (X)	Fitur/variabel
Output (Y)	Label/target
Dataset	Kumpulan data X dan Y

---

📖 Narasi

Model mencoba mempelajari fungsi:

$y = f(x)$y=f(x)

Dimana:

• x = input
• y = output
• f(x) = model

---

3. 🔄 Jenis Supervised Learning

7

📊 Klasifikasi

Jenis	Deskripsi
Classification	Output berupa kategori
Regression	Output berupa nilai numerik

---

📖 Contoh

• Classification: spam atau tidak
• Regression: prediksi harga

---

4. ⚙️ Algoritma Supervised Learning

---

🔹 4.1 Linear Regression

6

📌 Konsep

Digunakan untuk memprediksi nilai kontinu.

📊 Persamaan

$y = ax + b$y=ax+b

$a$a

$b$b

📖 Narasi

Model mencari garis terbaik untuk mendekati data.

---

🔹 4.2 K-Nearest Neighbor (KNN)

7

📌 Konsep

Menentukan kelas berdasarkan tetangga terdekat.

📖 Narasi

• Hitung jarak antar data
• Ambil K tetangga terdekat
• Tentukan mayoritas

---

🔹 4.3 Decision Tree

6

📌 Konsep

Model berbentuk pohon keputusan.

📖 Narasi

• Setiap node = keputusan
• Cabang = kemungkinan
• Daun = hasil

---

🔹 4.4 Logistic Regression

5

📌 Konsep

Digunakan untuk klasifikasi biner.

📊 Fungsi Sigmoid

$\sigma(x) = \frac{1}{1 + e^{-x}}$σ(x)=1+e−x1​

---

5. 📏 Evaluasi Model

📊 Confusion Matrix

Aktual / Prediksi	Positif	Negatif
Positif	TP	FN
Negatif	FP	TN

---

📊 Metrik Evaluasi

Metrik	Rumus
Accuracy	(TP+TN)/(Total)
Precision	TP/(TP+FP)
Recall	TP/(TP+FN)

---

📖 Narasi

Evaluasi penting untuk mengetahui performa model.

---

6. ⚠️ Overfitting dan Underfitting

6

📖 Penjelasan

• Overfitting → terlalu cocok dengan training
• Underfitting → terlalu sederhana

---

7. 💡 Studi Kasus

6

📖 Contoh

• Prediksi harga rumah (regression)
• Deteksi spam (classification)

---

8. ⚙️ Tools untuk Supervised Learning

📊 Tools Populer

Tools	Fungsi
Python	Bahasa utama
Scikit-learn	ML library
Pandas	Pengolahan data

---

9. ⚠️ Tantangan Supervised Learning

🔍 Permasalahan

• Data tidak seimbang (imbalanced)
• Overfitting
• Noise data
• Feature selection

---

10. 🎯 Kesimpulan

• Supervised Learning menggunakan data berlabel
• Terdiri dari klasifikasi dan regresi
• Algoritma populer: Linear Regression, KNN, Decision Tree
• Evaluasi model sangat penting
• Data berkualitas menentukan hasil

---

📚 Aktivitas Pembelajaran

• Latihan: Klasifikasi sederhana
• Diskusi: “Algoritma mana paling efektif?”
• Praktikum: Implementasi ML di Python