Unsupervised Learning adalah jenis Machine Learning di mana model dilatih menggunakan data tanpa label—tidak ada "jawaban" yang diberikan. Tujuan model adalah menemukan pola, struktur, atau hubungan tersembunyi dalam data secara mandiri.
Tanpa label untuk memandu pembelajaran, model unsupervised learning harus mencari tahu sendiri apa yang menarik atau bermakna dalam data. Ini seperti memberikan seseorang tumpukan foto tanpa keterangan dan memintanya mengelompokkan foto-foto tersebut berdasarkan kesamaan—tanpa memberi tahu kriteria pengelompokan apa yang harus digunakan.
Unsupervised learning mencakup beberapa tugas utama: clustering (mengelompokkan data ke dalam kelompok berdasarkan kemiripan), dimensionality reduction (mereduksi jumlah fitur sambil mempertahankan informasi penting), anomaly detection (menemukan titik data yang tidak biasa atau menyimpang), dan association rule learning (menemukan hubungan antar variabel).
Aplikasi unsupervised learning meliputi: segmentasi pelanggan dalam pemasaran (mengelompokkan pelanggan berdasarkan perilaku pembelian), analisis data eksploratif (menemukan pola dalam data besar), deteksi penipuan (menemukan transaksi yang tidak biasa), rekomendasi produk (menemukan produk yang sering dibeli bersama), dan prapemrosesan data untuk supervised learning.
Keunggulan unsupervised learning adalah tidak memerlukan data berlabel, yang sering mahal dan sulit didapat. Ini memungkinkan eksplorasi data dalam skala besar tanpa intervensi manusia. Namun, hasil unsupervised learning bisa sulit diinterpretasikan—tanpa label, sulit untuk memverifikasi apakah pola yang ditemukan memang bermakna atau hanya artefak.
Unsupervised learning sering digunakan sebagai langkah awal sebelum supervised learning—misalnya, menggunakan clustering untuk memberi label data secara otomatis, atau menggunakan dimensionality reduction untuk mengurangi kompleksitas data.