Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review

Penulis

  • Ria Suci Nurhalizah Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Harapan Bangsa, Indonesia
  • Rian Ardianto Informatika, Fakultas Sains dan Teknologi, Universitas Harapan Bangsa, Indonesia
  • Purwono Purwono Informatika, Fakultas Sains dan Teknologi, Universitas Harapan Bangsa, Indonesia

DOI:

https://doi.org/10.54082/jiki.168

Kata Kunci:

Machine Learning, Supervised Learning, Unsupervised Learning

Abstrak

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.

Referensi

J. Homepage, A. Roihan, P. Abas Sunarya, and A. S. Rafika, “IJCIT (Indonesian Journal on Computer and Information Technology) Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” 2019.

C. Chazar and B. E. Widhiaputra, “Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 12, pp. 67–80, 2020.

Rizki Rino Pratama, “Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,” Jurnal MATRIK, vol. 19, pp. 302–311, May 2020.

B. Mahesh, “Machine Learning Algorithms-A Review,” International Journal of Science and Research, 2018, doi: 10.21275/ART20203995.

Mutammimul Ula, Ananda Faridhatul Ulva, and Mauliza, “Implementasi Machine Learning dengan Model Case Based Reasoning dalam Mendagnosa Gizi Buruk pada Anak,” Jurnal Informatika Kaputama (JIK), vol. 5, pp. 333–339, Jul. 2021.

B. G. Pijls, “Machine Learning assisted systematic reviewing in orthopaedics,” J Orthop, vol. 48, pp. 103–106, Feb. 2024, doi: 10.1016/j.jor.2023.11.051.

S. Jahandideh, G. Ozavci, B. W. Sahle, A. Z. Kouzani, F. Magrabi, and T. Bucknall, “Evaluation of machine learning-based models for prediction of clinical deterioration: A systematic literature review,” International Journal of Medical Informatics, vol. 175. Elsevier Ireland Ltd, Jul. 01, 2023. doi: 10.1016/j.ijmedinf.2023.105084.

O. Alshaikh, S. Parkinson, and S. Khan, “Exploring Perceptions of Decision-Makers and Specialists in Defensive Machine Learning Cybersecurity Applications: The Need for a Standardised Approach,” Comput Secur, p. 103694, Dec. 2023, doi: 10.1016/j.cose.2023.103694.

A. X. Wang, S. S. Chukova, and B. P. Nguyen, “Synthetic minority oversampling using edited displacement-based k-nearest neighbors,” Appl Soft Comput, vol. 148, Nov. 2023, doi: 10.1016/j.asoc.2023.110895.

J. C. Mestika, M. O. Selan, and M. I. Qadafi, “Menjelajahi Teknik-Teknik Supervised Learning untuk Pemodelan Prediktif Menggunakan Python,” Buletin Ilmiah Ilmu Komputer dan Multimedia, pp. 216–219, 2022.

G. Montavon, J. Kauffmann, W. Samek, and K. R. Müller, “Explaining the Predictions of Unsupervised Learning Models,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Science and Business Media Deutschland GmbH, 2022, pp. 117–138. doi: 10.1007/978-3-031-04083-2_7.

M. Riziq sirfatullah Alfarizi, M. Zidan Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “PENGGUNAAN PYTHON SEBAGAI BAHASA PEMROGRAMAN UNTUK MACHINE LEARNING DAN DEEP LEARNING,” 2023.

B. Aryo Dharmawan, “Analisis dan implementasi Sistem Trading Otomatis Bitcoin dengan Menggunakan Recurrent Reinforcement Learning.”

Triase, Sriani, and Khairuna, “Usability Algoritma Supervised Learning Untuk Prediksi Kelulusan Mahasiswa pada Sistem Bimbingan Akademik,” Indonesian Journal of Computer Science, vol. 11, pp. 1005–1022, 2022.

E. Mardiani et al., “Penerapan Algoritma Supervised Learning untuk Klasifikasi Data Music Listening,” donesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 115–124, 2023.

M. S. Hartawan, Moh. Erkamim, S. R. Yahya, N. C. Santi, Legito, and Sepriano, “Penerapan Algoritma Supervised Learning untuk Klasifikasi Program Keluarga Harapan,” ndonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 83–91, 2023.

E. Tasia, R. Z. I. Z. Ismail, S. K. P. Loka, Y. Ikhsani, and R. Ocviani, “Metode Klasifikasi Supervised Learning pada Penyakit Gagal Jantung,” Seminar Nasional Penelitian dan Pengabdian Masyarakat, pp. 1–7, 2023.

P. R. Maulidiah, A. A. Arifiyanti, and D. S. Y. Kartika, “Analisis Sentimen Ulasan Pengunjung Terhadap Tempat Wisata Religi Walisongo Menggunakan Metode Supervised Learning,” Jurnal Ilmiah Teknik Informatika dan Komunikasi , vol. 3, pp. 57–64, 2023.

Y. Du, S. Li, Y. Sharma, J. B. Tenenbaum, I. Mordatch, and G. Brain, “Unsupervised Learning of Compositional Energy Concepts,” 2021. [Online]. Available: https://energy-based-model.github.io/comet/

Zaenal Muttaqi, Donny Fernando, and Selvia Sulastriani, “Implementasi Unsupervised Learning pada Nilai Jasmani Kesamaptaan Sekolah Polisi Negara dengan Metode Clustering Analysis,” Jurnal PROSISKO, vol. 10, pp. 18–23, Mar. 2023.

Desta Yolanda, Mohammad Hafiz Hersyah, and Eno Marozi, “Implementasi Metode Unsupervised Learning Pada Sistem Keamanan Dengan Optimalisasi Penyimpanan Kamera IP,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1099–1105, Dec. 2021, doi: 10.29207/resti.v5i6.3552.

A. A. Harahap, M. Raihan, N. Amani, and R. Andini, “SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat Comparison of Unsupervised Learning Techniques for Clustering Data on the Number of Villages in Indonesia Perbandingan Teknik Unsupervised Learning untuk Pengelompokan Data Jumlah Desa Di Indonesia.” [Online]. Available: https://journal.irpi.or.id/index.php/sentimas

P. O. Pinheiro, A. Almahairi, R. Y. Benmalek, F. Golemo, and A. Courville, “Unsupervised Learning of Dense Visual Representations.”

G. Kantayeva, J. Lima, and A. I. Pereira, “Application of machine learning in dementia diagnosis: A systematic literature review,” Heliyon, vol. 9, no. 11, Nov. 2023, doi: 10.1016/j.heliyon.2023.e21626.

T. Suhendra and M. Cs, “MAKALAH PEMBELAJARAN MESIN (MACHINE LEARNING),” 2021.

S. H. Shetty, S. Shetty, C. Singh, and A. Rao, “Supervised Machine Learning: Algorithms and Applications,” 2022.

N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, pp. 47–58, Apr. 2021.

T. Jiang, J. L. Gradus, and A. J. Rosellini, “Supervised Machine Learning: A Brief Primer,” Behav Ther, vol. 51, no. 5, pp. 675–687, Sep. 2020, doi: 10.1016/j.beth.2020.05.002.

J. A. Nurcahyo and T. B. Sasongko, “Hyperparameter Tuning Algoritma Supervised Learning untuk Klasifikasi Keluarga Penerima Bantuan Pangan Beras,” Indonesian Journal of Computer Science, vol. 12, pp. 1351–1365, 2023.

A. Gading Pertiwi and U. Pujianto, “Metode-metode data mining untuk penyelesaian masalah kehamilan dan persalinan,” Sains, Aplikasi, Komputasi dan Teknologi Informasi, vol. 2, no. 1, p. 11, Apr. 2020.

P. Putra, A. M. H Pardede, and S. Syahputra, “ANALISIS METODE K-NEAREST NEIGHBOUR (KNN) DALAM KLASIFIKASI DATA IRIS BUNGA,” Jurnal Teknik Informatika Kaputama (JTIK), vol. 6, no. 1, 2022.

S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 4, pp. 639–648, Mar. 2022, doi: 10.47065/bits.v3i4.1408.

Y. I. Kurniawan and T. I. Barokah, “Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor,” Jurnal Ilmiah MATRIK, vol. 22, no. 1, 2020.

B. B. Suherman, “SISTEM PAKAR DIAGNOSA PENYAKIT DAN HAMA PADA TANAMAN JAGUNG MENGGUNAKAN METODE NAIVE BAYES,” Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), vol. 2, no. 3, pp. 390–398, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/informatika

M. Ridho Handoko, “SISTEM PAKAR DIAGNOSA PENYAKIT SELAMA KEHAMILAN MENGGUNAKAN METODE NAIVE BAYES BERBASIS WEB,” Jurnal Teknologi dan Sistem Informasi (JTSI), vol. 2, no. 1, pp. 50–58, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI

D. Alita, I. Sari, and A. Rahman Isnain, “PENERAPAN NAÏVE BAYES CLASSIFIER UNTUK PENDUKUNG KEPUTUSAN PENERIMA BEASISWA,” JDMSI, vol. 2, no. 1, p. 702022, 2021.

A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,” JURIKOM (Jurnal Riset Komputer), vol. 8, no. 6, p. 219, Dec. 2021, doi: 10.30865/jurikom.v8i6.3655.

F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5,” 2020.

F. Yulian Pamuji, V. Puspaning Ramadhan, and R. Artikel, “Komparasi Algoritma Random Forest Dan Decision Tree Untuk Memprediksi Keberhasilan Immunotheraphy,” vol. 7, pp. 46–50, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi

C. Cahyaningtyas, Y. Nataliani, and I. R. Widiasari, “Analisis sentimen pada rating aplikasi Shopee menggunakan metode Decision Tree berbasis SMOTE,” AITI: Jurnal Teknologi Informasi, vol. 18, no. Agustus, pp. 173–184, 2021.

S. Bahri and A. Lubis, “METODE KLASIFIKASI DECISION TREE UNTUK MEMPREDIKSI JUARA ENGLISH PREMIER LEAGUE,” vol. 2, no. 1, 2020.

D. Atika, A. Ari Aldino, S. Informasi, J. Pagar Alam No, L. Ratu, and K. Kedaton, “TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP TEKANAN MENTAL PADA MEDIA SOSIAL TWITTER,” 2022. [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI

P. Arsi and R. Waluyo, “ANALISIS SENTIMEN WACANA PEMINDAHAN IBU KOTA INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 8, no. 1, pp. 147–156, 2021, doi: 10.25126/jtiik.202183944.

R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 3, p. 650, Jul. 2020, doi: 10.30865/mib.v4i3.2181.

N. G. Ramadhan and A. Khoirunnisa, “Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 4, p. 1580, Oct. 2021, doi: 10.30865/mib.v5i4.3347.

A. Glielmo, B. E. Husic, A. Rodriguez, C. Clementi, F. Noé, and A. Laio, “Unsupervised Learning Methods for Molecular Simulation Data,” Chemical Reviews, vol. 121, no. 16. American Chemical Society, pp. 9722–9758, Aug. 25, 2021. doi: 10.1021/acs.chemrev.0c01195.

H. Sibyan, W. Suharso, E. Suharto, M. A. Manuhutu, and A. P. Windarto, “Optimization of Unsupervised Learning in Machine Learning,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Feb. 2021. doi: 10.1088/1742-6596/1783/1/012034.

K. Tyagi, C. Rane, R. Sriram, and M. Manry, “Unsupervised learning,” in Artificial Intelligence and Machine Learning for EDGE Computing, Elsevier, 2022, pp. 33–52. doi: 10.1016/B978-0-12-824054-0.00012-5.

D. S. Watson, “On the Philosophy of Unsupervised Learning,” Philos Technol, vol. 36, no. 2, Jun. 2023, doi: 10.1007/s13347-023-00635-6.

N. Li, M. Shepperd, and Y. Guo, “A Systematic Review of Unsupervised Learning Techniques for Software Defect Prediction,” Inf Softw Technol, pp. 1–18, Jul. 2020, [Online]. Available: http://arxiv.org/abs/1907.12027

G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning, vol. 103. in Springer Texts in Statistics, vol. 103. New York, NY: Springer New York, 2013. doi: 10.1007/978-1-4614-7138-7.

R. Gustrianda and D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, p. 27, Jan. 2022, doi: 10.30865/mib.v6i1.3294.

S. Mutrofin, T. Wicaksono, and A. Murtadho, “Perbandingan Kinerja Algoritma Kmeans dengan Kmeans Median pada Deteksi Kanker Payudara,” Jurnal Informasi dan Teknologi, vol. 5, pp. 88–91, Feb. 2023.

M. N. Zain, “Algoritma Artificial Neural Network dalam Klasifikasi Chest X-Rays Pasien COVID-19,” Jurnal Riset Statistika, pp. 137–144, Dec. 2022, doi: 10.29313/jrs.v2i2.1426.

M. Mega Santoni, N. Chamidah, and N. Matondang, “Prediction of Hypertension using Decision Tree, Naïve Bayes and Artificial Neural Networks in KNIME Analytics Platform,” 2020.

D. Galih Pradana, M. L. Alghifari, M. Farhan Juna, and S. Dwisiwi Palaguna, “Klasifikasi Penyakit Jantung Menggunakan Metode Artificial Neural Network,” Indonesian Journal of Data and Science (IJODAS), vol. 3, no. 2, pp. 55–60, 2022.

N. Agustina Purwitasari, M. Soleh, J. Raya Puspiptek, and K. Tangerang Selatan, “Implementasi Algoritma Artificial Neural Network Dalam Pembuatan Chatbot Menggunakan Pendekatan Natural Language Processing (Implementation Of Artificial Neural Network Algorithm In Chatbot Development Using Natural Language Processing Approach),” Feb. 2022.

C. Nurina Prabiantissa and G. Eka Yuliastuti, “Prediksi Pergerakan Ikan Di Pesisir Pulau Madura Menggunakan Metode Gaussian Mixture Model Dan K-Means Clustering,” 2021. [Online]. Available: https://doi.org/10/25047/jtit.v8i2.244

A. Syahfaridzah, A. K. Panggabean, and N. A. Ardiningsih, “MENDETEKSI SECARA OTOMATIS OBJEK GERAKAN BERDASARKAN GAUSSIAN MIXTURE MODEL MENGGUNAKAN APLIKASI MATLAB,” Jurnal METHODIKA, vol. 6, no. 2, 2020.

F. Novkaniza and dan Rahmat Al Kafi, “PEMODELAN JUMLAH KASUS BARU HARIAN COVID-19 DI INDONESIA MENGGUNAKAN GAUSSIAN MIXTURE MODEL,” J. Ris. & Ap. Mat, vol. 07, no. 02, pp. 116–127, 2023.

R. Sharma, “Study of Supervised Learning and Unsupervised Learning,” Int J Res Appl Sci Eng Technol, vol. 8, no. 6, pp. 588–593, Jun. 2020, doi: 10.22214/ijraset.2020.6095.

Diterbitkan

18-08-2024

Cara Mengutip

Nurhalizah, R. S., Ardianto, R., & Purwono, P. (2024). Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review. Jurnal Ilmu Komputer Dan Informatika, 4(1), 61–72. https://doi.org/10.54082/jiki.168