Kelompok 3

Semi-Supervised Learning
1.Olgraciella Elizabeth Manitik (22210020)
2.Grayzer Schwartz Langkay (22210119)
3.Glenn Tyovanny Jeremy Karu (22210127)⁠
4.Dea Karlina Pali (22210098)
5.Sydney Tesalonika Natalia Minggu (22210029)
6.Josua Lengkong (22210154)
1.Pengertian Semi-Supervised Learning
Semi-Supervised Learning adalah jenis Machine Learning yang melibatkan sejumlah kecil
contoh-contoh data yang memiliki label dan sejumlah besar contoh-contoh data tanpa label.
Salah satu parameter algoritma Semi-Supervised Learning berjalan dengan baik adalah algoritma
tersebut dapat memprediksi dengan baik data-data tanpa label yang akan diolah oleh algoritma
tersebut, dengan kata lain data-data tanpa label tersebut akan diberi label secara mandiri oleh
algoritma Semi-Supervised Learning.
Tujuan utama dari Semi-Supervised Learning untuk menggunakan informasi yang terkandung
dalam data yang tidak berlabel untuk meningkatkan kinerja model dalam memprediksi label pada
data yang berlabel.

2.Contoh Semi-Supervised Learning

Deteksi anomaly misalnya proses identifikasi wajah seseorang dalam webcam atau
kamera smartphone,dan juga Google Photos,kita bisa memberi tag atau label untuk setiap orang yang ada
dalam sebuah foto. Alhasil, ketika kita mengunggah foto baru dengan wajah orang yang sebelumnya
sudah kita beri label, Google Photos akan secara otomatis mengenali orang tersebut.
Regresi dalam self training dengan memanfaatkan data yang sudah terlabel maupun yang tidak,kitab isa
menggunakan Long Short Term Memory (LSTM).Dengan memakai LSTM dapat menentukan data teks
mana yang akan diproses dengan mudah tanpa memakan banyak waktu, termasuk dalam memproses
sejumlah data yang besar sekalipun.
Adapun juga Speech recognition,data ini berbentuk suara ini membantu dalam proses klasifikasi menjadi
lebih mudah,ini di terapkan pada Facebook memulai proses dengan memilah data dalam bentuk audio
100 jam. Kemudian, menambahkan data audio 500 jam yang tidak terlabel menggunakan self-training.
Alhasil, data yang dimasukkan hanya mengalami tingkat error sekitar 33.9% saja dengan pengembangan
yang sangat signifikan.

3.Kesimpulan
Dalam praktiknya, semi-supervised learning sering digunakan ketika memperoleh label data menjadi sulit
atau mahal, sementara data tidak berlabel lebih mudah didapat atau melimpah.jadi keberadaan semi-
supervised learning sangatlah penting untuk pemrograman data, terlebih untuk data dalam jumlah sangat
besar, tentunya tanpa harus memakan waktu yang lama. Dengan begitu, semi-supervised learning dapat
mempercepat pemrosesan data serta meminimalisir kesalahan.