Module Question 3
- What is the key difference between supervised and unsupervised learning? Provide an example for each.
- What is “overfitting” in a machine learning model, and why is it a problem?
- Describe the three main components of reinforcement learning: agent, environment, and reward.
- How does a training dataset differ from a testing dataset, and why is this separation important?
Jawaban dibuat sesuai dengan 4 Standarisasi iDu yang terdiri dari Pertanyaan, Status, Keterangan, Bukti (berupa link iMe BisDi).
JAWABAN
- Perbedaan supervised learning dan unsupervised learning ?
-
Supervised Learning: Model dilatih menggunakan data yang sudah ada label atau jawabannya (ada kunci jawaban).
-
Contoh: Klasifikasi email (menentukan apakah email itu “Spam” atau “Bukan Spam”).
-
-
Unsupervised Learning: Model dilatih menggunakan data tanpa label atau tanpa ada jawaban benar sebelumnya. Model bertugas mencari sendiri pola atau kelompok tersembunyi.
-
Contoh: Segmentasi pelanggan berdasarkan kebiasaan belanja untuk keperluan marketing.
-
2. Apa itu “Overfitting” dan kenapa menjadi masalah ?
-
Overfitting: Kondisi ketika model machine learning terlalu “hafal” dengan data latihnya (training data), saking hafalnya sampai gagal saat dihadapkan dengan data baru yang belum pernah dilihat.
-
Kenapa jadi masalah? Karena tujuan utama AI bukan sekadar pintar di data lama, tapi harus bisa akurat saat menebak data baru di dunia nyata (generalisasi).
3. Tiga komponen utama dalam reinforcement learning
-
Agent: Pelaku atau program AI yang membuat keputusan (contoh: karakter game atau mobil otonom).
-
Environment: Dunia atau lingkungan tempat si agent berada dan berinteraksi.
-
Reward: Hadiah (poin positif) jika agent melakukan tindakan yang benar, atau hukuman (penalti negatif) jika salah, supaya agent belajar memilih tindakan terbaik.
4. Perbedaan training dataset dan testing dataset, serta pentingnya pemisahan
-
Training Dataset: Data yang digunakan untuk melatih model agar bisa belajar mengenali pola.
-
Testing Dataset: Data baru yang sengaja disembunyikan untuk menguji seberapa pintar model setelah selesai dilatih.
-
Kenapa penting dipisah? Supaya kita bisa mengukur kemampuan asli model secara objektif. Kalau pakai data yang sama untuk latihan dan ujian, hasilnya tidak akan valid