Supervised Learning:
◦ Data berlabel (input-output).
◦ Tujuan: Prediksi (klasifikasi, regresi).
◦ Contoh: k-NN, Decision Tree, SVM.
• Unsupervised Learning:
◦ Data tanpa label.
◦ Tujuan: Menemukan pola (clustering, asosiasi).
◦ Contoh: K-Means, PCA, DBSCAN.
• Algoritma Populer:
◦ k-NN: Klasifikasi berdasarkan tetangga terdekat.
◦ Decision Tree: Pohon keputusan untuk klasifikasi/regresi.
◦ SVM: Pemisahan kelas dengan hyperplane.
◦ K-Means: Pengelompokan data berdasarkan jarak ke centroid.
• Evaluasi Model:
◦ Akurasi: Seberapa banyak prediksi yang benar.
◦ Precision: Ketepatan prediksi positif.
◦ Recall: Kelengkapan prediksi positif.
◦ F1-Score: Menyeimbangkan Precision dan Recall.
