Machine learning tidak hanya berbicara tentang algoritma yang canggih. Sebelum model dapat belajar dan menghasilkan prediksi, data perlu dipahami terlebih dahulu. Dua istilah yang sangat sering muncul dalam proses tersebut adalah fitur (feature) dan label. Keduanya memiliki fungsi berbeda, tetapi saling berkaitan dalam proses pembelajaran model.
Memahami fitur dan label menjadi langkah dasar yang penting, terutama bagi pemula yang baru mengenal machine learning. Lalu, sebenarnya apa yang dimaksud dengan fitur dan label, dan mengapa keduanya begitu penting?
Mengenal Fitur: Informasi yang Digunakan Model untuk Belajar
Fitur adalah data atau karakteristik yang digunakan machine learning untuk mengenali pola dan membuat prediksi. Sederhananya, fitur dapat dianggap sebagai informasi yang menjadi bahan pertimbangan model ketika mempelajari suatu kasus.
Misalnya, terdapat data rumah yang ingin digunakan untuk memprediksi harga. Beberapa informasi yang dapat menjadi fitur antara lain:
- Luas bangunan
- Jumlah kamar
- Lokasi
- Jumlah lantai
- Usia bangunan
Dari data tersebut, model akan mempelajari hubungan antara berbagai fitur dengan hasil yang ingin diprediksi. Semakin relevan fitur yang digunakan, semakin besar peluang data tersebut membantu model menemukan pola yang berguna.
Lalu, Apa Itu Label?
Jika fitur merupakan informasi yang digunakan untuk belajar, label adalah hasil atau target yang ingin diprediksi oleh model. Label biasanya ditemukan pada dataset yang digunakan dalam supervised learning.
Contohnya, jika ingin membuat model untuk memprediksi harga rumah, maka harga rumah dapat menjadi label. Sementara luas bangunan, lokasi, dan jumlah kamar berperan sebagai fitur.
Gambaran sederhananya seperti ini:
Fitur → Informasi yang dipelajari model → Label sebagai target
Dalam kasus klasifikasi, label juga dapat berbentuk kategori. Misalnya, model diminta menentukan apakah sebuah email termasuk “spam” atau “bukan spam”. Informasi seperti jumlah kata, pengirim, atau kata tertentu dalam email dapat menjadi fitur, sedangkan “spam” dan “bukan spam” menjadi label.
Kenapa Fitur dan Label Harus Dibedakan?
Kesalahan dalam membedakan fitur dan label dapat membuat proses pembelajaran model menjadi tidak tepat. Model harus mengetahui informasi mana yang digunakan sebagai bahan pertimbangan dan mana yang menjadi jawaban atau target.
Bayangkan seseorang sedang belajar mengerjakan soal. Data soal merupakan informasi yang digunakan untuk mencari jawaban, sedangkan jawaban menjadi sesuatu yang perlu dipelajari. Jika keduanya tercampur tanpa aturan yang jelas, proses belajar akan menjadi tidak efektif. Dalam dataset, pemisahan tersebut juga membantu proses pengolahan data. Biasanya, data akan dibagi menjadi bagian input dan target sebelum dimasukkan ke dalam algoritma machine learning.
Masalah yang Sering Dialami Pemula Saat Menentukan Fitur dan Label
Bagi pemula, menentukan fitur dan label terkadang tidak semudah melihat nama kolom pada dataset. Ada beberapa kondisi yang dapat membingungkan, terutama ketika sebuah dataset memiliki banyak kolom.
Contohnya, seseorang memiliki data pelanggan yang terdiri dari usia, jenis kelamin, jumlah transaksi, frekuensi pembelian, dan status pelanggan. Jika tujuannya memprediksi apakah pelanggan akan berhenti menggunakan layanan, maka status berhenti atau tidak berhenti dapat menjadi label.
Masalah yang sering muncul antara lain:
- Menganggap semua kolom sebagai fitur.
- Salah menentukan kolom target.
- Memasukkan data yang sebenarnya tidak relevan.
- Tidak memahami tujuan prediksi sejak awal.
Karena itu, menentukan tujuan machine learning terlebih dahulu dapat membantu proses pemilihan fitur dan label menjadi lebih jelas.
Memilih Fitur yang Tepat agar Model Tidak Belajar Secara Sembarangan
Fitur yang banyak belum tentu membuat model menjadi lebih baik. Yang lebih penting adalah relevansi dan kualitas informasi di dalamnya.
Misalnya, ketika ingin memprediksi kelulusan mahasiswa, data seperti nilai tugas, nilai ujian, dan jumlah kehadiran mungkin lebih relevan dibandingkan warna tas mahasiswa. Fitur yang tidak berhubungan dengan target justru dapat membuat model mempelajari pola yang tidak diperlukan.
Pada tahap ini, proses analisis data menjadi penting. Data perlu diperiksa, dibersihkan, dan dipahami sebelum digunakan untuk melatih model.
Ingin Memahami Machine Learning dari Dasarnya? Mulai dari Lingkungan Belajar yang Tepat
Memahami istilah seperti fitur dan label merupakan bagian kecil dari proses belajar machine learning. Setelah menguasainya, pembelajaran dapat dilanjutkan ke materi seperti dataset, preprocessing, algoritma, training, testing, hingga evaluasi model.
Bagi mahasiswa yang ingin mempelajari teknologi informasi secara lebih terarah, Ma’soem University menyediakan program studi S1 Sistem Informasi yang dapat menjadi salah satu pilihan untuk mempelajari berbagai konsep terkait sistem, data, dan teknologi. Lingkungan perkuliahan dapat membantu mahasiswa memahami teori sekaligus mengembangkan keterampilan yang relevan dengan kebutuhan teknologi saat ini.
Untuk mendapatkan informasi lebih lanjut mengenai perkuliahan dan program studi, calon mahasiswa juga dapat menghubungi Admin Univ Ma’soem di +62 851 8563 4253.
Dari Dataset Sederhana Menuju Pemahaman Machine Learning yang Lebih Luas
Setelah memahami perbedaan fitur dan label, langkah berikutnya adalah mencoba menerapkannya pada dataset sederhana. Jangan langsung terpaku pada algoritma yang rumit. Justru dengan memahami struktur data terlebih dahulu, proses belajar machine learning akan terasa lebih masuk akal.
Coba mulai dengan satu dataset sederhana dan tanyakan tiga hal:
- Apa yang ingin diprediksi?
- Informasi apa yang dapat membantu membuat prediksi?
- Kolom mana yang menjadi target?
Jika tiga pertanyaan tersebut sudah dapat dijawab, berarti dasar pemahaman mengenai fitur dan label mulai terbentuk. Dari sinilah perjalanan belajar machine learning dapat dilanjutkan ke tahap yang lebih kompleks, seperti preprocessing, pemilihan algoritma, pelatihan model, dan evaluasi hasil prediksi.
