Apa Itu Pelabelan Data (Data Labeling)? Penjelasan Pemula
Pelabelan data (data labeling atau anotasi data) adalah proses memberi label atau tag yang bermakna pada data mentah seperti gambar, teks, audio, atau video, sehingga model supervised learning punya konteks untuk belajar mengenali pola dan membuat prediksi.
Versi sederhananya
Data mentah hanyalah angka, piksel, atau tulisan yang belum punya arti bagi komputer. Pelabelan menempelkan keterangan, seperti menandai gambar berisi kucing atau teks bernada positif, sehingga model tahu jawaban yang benar.
Contoh label
| Jenis data | Contoh label |
|---|---|
| Gambar | Ada mobil atau tidak |
| Teks | Sentimen positif atau negatif |
| Audio | Kata yang diucapkan |
| Video | Objek atau aksi tertentu |
Peran dalam supervised learning
- Kumpulkan data mentah.
- Tempelkan label yang benar.
- Latih model membandingkan tebakan dengan label.
- Gunakan label sebagai acuan, atau ground truth.
Istilah inti
- Ground truth: jawaban benar yang dijadikan acuan.
- Anotasi: nama lain dari pemberian label.
- Annotator: orang yang memberi label.
Mengapa penting
Kualitas label berkaitan erat dengan kualitas prediksi. Label yang keliru atau tidak konsisten dapat membuat model belajar pola yang salah.
Keterbatasan
Pelabelan manual sering memakan waktu dan biaya, terutama pada data besar. Sebagian proses kini dibantu alat atau model, namun tetap perlu pengecekan manusia.
FAQ
Apa itu ground truth?
Jawaban benar yang sudah diketahui dan dipakai sebagai acuan pelatihan.
Apa bedanya pelabelan dan anotasi?
Keduanya merujuk proses yang sama, yaitu memberi keterangan pada data mentah.
Apakah pelabelan hanya untuk gambar?
Bukan, label juga diberikan pada teks, audio, dan video.
Mengapa label yang salah menjadi masalah?
Model meniru label, sehingga label keliru dapat menghasilkan prediksi yang keliru juga.
Poin utama
- Pelabelan data memberi arti pada data mentah.
- Label menjadi acuan belajar model supervised.
- Kualitas label memengaruhi kualitas prediksi.
- Pelabelan manual adalah pekerjaan yang menuntut ketelitian.
Lanjutkan membaca apa itu supervised learning dan apa itu machine learning.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free