Tinjauan Literatur Sistematis: Analisis Pembelajaran Terarah Dan Tidak Terarah Pada Machine Learning

Abstract

Artikel ini membahas secara komprehensif dua pendekatan utama dalam pembelajaran mesin, yaitu Pembelajaran Terarah (Supervised learning) dan Pembelajaran Tidak Terarah (Unsupervised learning). Kajian ini bertujuan untuk memberikan wawasan mendalam tentang perbedaan antara kedua metode tersebut, termasuk kelebihan dan kekurangannya. Penelitian menggunakan pendekatan Systematic Literature Review (SLR) dengan mengikuti pedoman PRISMA, meninjau publikasi yang relevan dalam kurun waktu lima tahun terakhir. Dari total 540 artikel yang dianalisis, sebanyak 10 artikel dipilih untuk ditelaah lebih rinci, terdiri dari lima yang berfokus pada Supervised learning dan lima lainnya mengenai Unsupervised learning. Hasilnya menunjukkan bahwa Supervised learning memanfaatkan data berlabel untuk tugas prediksi dan klasifikasi, menggunakan algoritma seperti K-Nearest Neighbor (KNN), Naïve Bayes, Decision Tree, dan Support Vector Machine (SVM), yang secara umum memberikan tingkat akurasi tinggi. Sebaliknya, Unsupervised learning bekerja tanpa data berlabel, lebih diarahkan pada eksplorasi pola dan pengelompokan data melalui algoritma seperti K-Means, Artificial Neural Network (ANN), dan Gaussian Mixture Model (GMM), menawarkan fleksibilitas yang lebih tinggi meskipun dengan akurasi yang cenderung lebih rendah. Kedua pendekatan memiliki karakteristik unik yang perlu dipertimbangkan berdasarkan tujuan aplikasi, ketersediaan data, dan kebutuhan analisis.