Supervised Learning adalah jenis Machine Learning di mana model dilatih menggunakan data berlabel—setiap contoh input memiliki "jawaban" atau label yang benar yang diketahui. Tujuan model adalah mempelajari pemetaan dari input ke output sehingga dapat memprediksi label untuk data baru yang tidak pernah dilihat sebelumnya.
Proses supervised learning bekerja seperti ini: model diberi pasangan (input, label) yang disebut data pelatihan. Model membuat prediksi berdasarkan input, menghitung kesalahan antara prediksi dan label yang benar, dan menyesuaikan parameter internalnya untuk mengurangi kesalahan. Proses ini diulang hingga model cukup akurat.
Supervised learning terbagi menjadi dua kategori utama: klasifikasi (output adalah kategori diskrit, seperti "spam" atau "bukan spam") dan regresi (output adalah nilai kontinu, seperti memprediksi harga rumah berdasarkan fitur-fiturnya).
Contoh aplikasi supervised learning sangat luas: deteksi spam email, pengenalan tulisan tangan, diagnosis medis berdasarkan gejala, prediksi harga saham, sistem rekomendasi (memprediksi apakah pengguna akan menyukai suatu produk), dan analisis sentimen (apakah ulasan positif atau negatif).
Keunggulan supervised learning adalah akurasi yang tinggi jika data pelatihan berkualitas dan representatif. Namun, supervised learning memiliki keterbatasan: membutuhkan data berlabel dalam jumlah besar, yang mahal dan memakan waktu untuk dibuat. Kualitas label juga sangat penting—label yang salah akan menghasilkan model yang salah.
Supervised learning adalah jenis ML yang paling umum digunakan dalam industri karena relatif mudah dipahami dan diimplementasikan, serta memiliki metrik evaluasi yang jelas (seperti akurasi, presisi, dan recall).