<![CDATA[Artikel ini menyajikan tinjauan sistematis mengenai dua paradigma utama dalam Machine Learning yaitu Supervised Learning dan Unsupervised Learning, dengan tujuan memberikan pemahaman mendalam tentang perbedaan, serta kelebihan dan kekurangan masing-masing metode. Penelitian ini menerapkan metode Literature Review (SLR) berdasarkan pedoman PRISMA untuk menganalisis studi-studi relevan yang dipublikasikan dalam lima tahun terakhir. Dari total 540 artikel yang diperoleh, 10 artikel dipilih untuk ditelaah lebih lanjut, terdiri dari lima mengenai Supervised Learning dan lima mengenai Unsupervised Learning. Hasil analisis menunjukkan bahwa Supervised Learning menggunakan data berlabel Systematic untuk prediksi dan klasifikasi dengan algoritma seperti K-Nearest Neighbor (KNN), Naïve Bayes, Decision Tree, dan Support Vector Machine (SVM), yang umumnya menghasilkan akurasi tinggi. Di sisi lain, Unsupervised Learning yang tidak membutuhkan data berlabel, fokus pada eksplorasi data dan pengelompokan menggunakan algoritma seperti K-Means, Artificial Neural Network (ANN), dan Gaussian Mixture Model(GMM), menawarkan fleksibilitas yang lebih besar meski dengan akurasi yang biasanya lebih rendah. Kedua pendekatan ini memiliki kelebihan dan keterbatasan masing-masing, dan pemilihan metode yang tepat harus mempertimbangkan tujuan aplikasi, ketersediaan data, dan karakteristik data.]]>
Copyrights © 2024
