Support Vector Machine Algorithm
Klasifikasi adalah teknik utama yang dioperasikan dalam penambangan data. Teknik ini sering diterapkan pada sejumlah besar kumpulan data untuk memecahkan suatu masalah dalam suatu penelitian. Klasifikasi ini sendiri merupakan metode pemisahan dan pengelompokan data yang melibatkan data latih dengan menggunakan algoritma klasifikasi.
Support Vector Machine atau SVM adalah algoritme pembelajaran mesin yang diawasi yang dapat digunakan untuk klasifikasi dan regresi. Cara kerja SVM didasarkan pada SRM atau Structural Risk Minimization yang dirancang untuk mengolah data menjadi Hyperplane yang mengklasifikasikan ruang input menjadi dua kelas. Teori SVM diawali dengan pengelompokan kasus-kasus linier yang dapat dipisahkan dengan hyperplane dan dibagi menurut kelasnya.
Konsep SVM diawali dengan masalah klasifikasi dua kelas sehingga membutuhkan set pelatihan positif dan negatif. SVM akan berusaha mendapatkan hyperplane (pemisah) sebaik mungkin untuk memisahkan kedua kelas dan memaksimalkan margin kedua kelas tersebut. Berikut adalah visualisasi klasifikasi SVM dengan mencari hyperplane yang membedakan kedua kelas tersebut:
Ada 2 metode dalam support vector machine:
- Metode Linier
Model linier memiliki sifat penting baik dari aspek komputasi dan analitis. Penggunaan model linier dengan pendekatan parametrik dalam metode klasik memiliki aplikasi praktis yang terbatas karena kutukan dimensionalitas.
Terdapat 2 pendekatan dalam metode linier: pendekatan alternatif adalah membuat fungsi basis adaptif terhadap data latih dengan sejumlah fungsi basis yang telah ditentukan, pendekatan nonparametrik yaitu mendefinisikan data latih sebagai basis pusat.
- Metode kernel
Fungsi kernel adalah fungsi k yang untuk semua vektor masukan x, z akan memenuhi syarat k (x,
- = φ (x) Tφ (z) dimana φ (.) Merupakan fungsi pemetaan dari ruang masukan ke ruang fitur.
Fungsi kernel adalah untuk mengimplementasikan model dalam ruang dimensi yang lebih tinggi tanpa harus menentukan fungsi pemetaan dari ruang masukan ke ruang fitur. Salah satu contoh fungsi kernel yang banyak digunakan adalah Gaussian radial basis function (RBF), yaitu: k (x, x ‘) = φ (|| xx’ ||) = exp (- || xx ‘|| 2 / 2s2) di mana x ‘adalah “inti” yang dipilih dari data pelatihan.
Ada 2 cara penggunaan metode kernel dalam pembelajaran mesin yaitu: Penggunaan langsung yaitu fungsi kernel yang digunakan sebagai fungsi dasar model SVM, contoh: fungsi jaringan basis radial, penggunaan tidak langsung merepresentasikan model menjadi beberapa representasi yang berisi produk dalam fungsi pemetaan, misalnya: kernel regresi linier, kernel Perceptron, mesin vektor dukungan, dll.
Berikut adalah contoh aplikasi pemograman matlab untuk pengklasifikasian bentuk suatu objek pada suatu citra. Dalam contoh ini, bentuk yang diklasifikasikan adalah bentuk lingkaran dan bentuk hati. Setiap bentuk kemudian dikarakterisasi oleh parameter metrik dan eksentrisitasnya.
Metrik adalah perbandingan antara luas dan keliling suatu benda. Sedangkan eksentrisitas adalah nilai perbandingan jarak antara fokus minor dan fokus utama suatu objek.
Referensi
https://www.researchgate.net/publication/323409685_Implementasi_Algoritme_Support_Vector _Machine_SVM_untuk_Prediksi_Ketepatan_Waktu_Kelulusan_Mahasiswa
https://www.analyticsvidhya.com/blog/2017/09/understaing-support-vector-machine-example-code/
https://garudacyber.co.id/artikel/1325-contoh-kasus-svm-dan-algoritma-perhitungannya
https://ocw.ui.ac.id/pluginfile.php/266/mod_resource/content/0/7.1%20Support%20Vector%20 Machine.pdf