17 Bab II Tinjauan Pustaka II.1 Machine Learning Dasar utama dalam machine learning adalah membangun program komputer yang mampu meningkatkan kinerjanya pada tugas tertentu melalui pembelajaran dari pengalaman. Seperti yang dijelaskan oleh(Mitchell, 1997), kemampuan ini mencakup berbagai bidang, termasuk prediksi hasil medis, optimisasi kinerja sistem, dan pengembangan teknologi adaptif. Konsep pembelajaran melalui pemanfaatan data ini menjadi landasan utama pembagian machine learning ke dalam tiga paradigma utama: supervised learning, unsupervised learning, dan reinforcement learning. Setiap paradigma dirancang untuk menangani berbagai skenario permasalahan dengan metode unik untuk menghasilkan wawasan dan prediksi dari data. II.1.1 Supervised Learning Supervised learning adalah metode pembelajaran mesin yang menggunakan dataset berlabel untuk melatih model agar dapat memprediksi keluaran dari data baru. Dataset yang digunakan dalam supervised learning memiliki input (fitur) yang sesuai dengan label (output), sehingga memungkinkan model untuk mempelajari hubungan antara keduanya (Thupae, 2018) Berbagai algoritma populer yang digunakan dalam supervised learning antara lain Random Forest, Support Vector Machines (SVM), Logistic Regression, Neural Networks, dan Decision Trees. Penerapannya mencakup berbagai bidang, termasuk pengenalan pola pada teks(Darujati and Bimo Gumelar, 2012). II.1.2 Unsupervised Learning Berbeda dengan supervised learning, unsupervised learning tidak memerlukan data berlabel. Teknik ini digunakan untuk menemukan struktur tersembunyi atau pola dalam dataset tanpa informasi keluaran yang jelas. Pendekatan ini sering digunakan dalam masalah clustering dan asosiasi(Somvanshi and Chavan, n.d.). Clustering, seperti algoritma k-means dan DBSCAN, mengelompokkan data berdasarkan Koleksi digital milik UPT Perpustakaan ITB untuk keperluan pendidikan dan penelitian 18 kesamaan fitur. Sementara itu, asosiasi digunakan untuk menemukan hubungan dalam data, misalnya aturan "orang yang membeli produk A cenderung membeli produk B" (Brownlee, 2016). Berbeda dengan Supervised Learning, Unsupervised Learning tidak melibatkan label data keluaran. Teknik ini lebih berfokus pada analisis struktur tersembunyi atau pola yang ada dalam data yang tidak dilabeli. Algoritma Unsupervised Learning berusaha untuk mengorganisir data ke dalam kelompok atau mengekstraksi fitur yang memfasilitasi pemahaman yang lebih baik tentang data. Teknik pengelompokan (clustering) dan pengurangan dimensi adalah dua pendekatan umum dalam Unsupervised Learning. Melalui pengelompokan, model dapat mengidentifikasi subset data yang memiliki karakteristik serupa, yang berguna dalam berbagai aplikasi praktis seperti segmentasi pasar dan analisis genetika. Pengurangan dimensi, di sisi lain, membantu dalam menyederhanakan data tanpa kehilangan informasi yang signifikan, memudahkan analisis lebih lanjut dan visualisasi data(Santoso et al., 2021). II.1.3 Reinforcement Learning Reinforcement learning adalah metode pembelajaran mesin yang memungkinkan agen untuk belajar melalui interaksi dengan lingkungan. Teknik ini beroperasi pada prinsip trial-and-error, di mana agen mengambil tindakan, menerima umpan balik berupa penghargaan atau penalti, dan menyesuaikan strategi berdasarkan pengalaman tersebut(Mahmud et al., 2018).