Machine Learning dibagi menjadi dua pendekatan utama, yaitu Supervised Learning dan Unsupervised Learning.
Supervised Learning adalah metode pembelajaran yang menggunakan data berlabel, artinya setiap data memiliki target atau jawaban yang benar. Model belajar dari hubungan antara input dan output untuk melakukan prediksi pada data baru. Pendekatan ini digunakan pada masalah klasifikasi dan regresi. Contoh algoritma yang sering digunakan adalah k-NN, Decision Tree, SVM, dan Naive Bayes. Supervised Learning banyak diterapkan pada kasus nyata seperti deteksi spam email, prediksi penyakit, dan prediksi nilai akademik. Kelebihannya adalah hasil prediksi lebih akurat dan mudah dievaluasi, namun kekurangannya membutuhkan data berlabel yang mahal dan memakan waktu.
Unsupervised Learning adalah metode pembelajaran tanpa label, di mana sistem mencoba menemukan pola atau struktur tersembunyi dalam data secara mandiri. Pendekatan ini sering digunakan untuk clustering, segmentasi data, dan eksplorasi pola. Contoh algoritmanya adalah K-Means, Hierarchical Clustering, DBSCAN, dan PCA. Unsupervised Learning banyak digunakan untuk segmentasi pelanggan, pengelompokan dokumen, dan analisis data awal. Kelebihannya tidak memerlukan data berlabel, tetapi hasilnya lebih sulit dievaluasi dan diinterpretasikan.
