Ilustrasi :
Pengantar Support Vector Machine
Contoh Kasus :
• Perhatikan data biaya iklan yang digunakan (X) dan
hubungannya dengan tingkat penjualan (Y) diberikan
dalam dataset berikut :
Penjualan (Y) 64 61 84 70 88 92 72 77
Promosi (X) 20 16 34 23 27 32 18 22
Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
608 192 15032 4902 47094
Pengantar Support Vector Machine
n( XY ) − ( X )( Y )
b=
n( X 2 ) − ( X ) 2
8(15032) − (192)(609)
b= = 1,497
8(4902) − (192) 2
a=
Y − b( X )
n
(608) − 1,497(192)
a= = 40,082
8
Pengantar Support Vector Machine
Nilai Prediksi :
• Berapa besarnya penjualan jika promosi sebesar 20?
40,082 + (1,497*20)= 70,022
• Berapa besarnya penjualan jika promosi sebesar 16?
40,082 + (1,497*16)=64,034
• Berapa besarnya penjualan jika promosi sebesar 34?
40,082 + (1,497*34)= 90,98
• Berapa besarnya penjualan jika promosi sebesar 23?
40,082 + (1,497*23)= 74,513
• Berapa besarnya penjualan jika promosi sebesar 27?
40,082 + (1,497*27)=80,501
• Berapa besarnya penjualan jika promosi sebesar 32?
40,082 + (1,497*32)= 87,986
Dan seterusnya…………………….!!!
Pengantar Support Vector Machine
R = 1−
2 (Y − Yˆ ) 2
R = 1−
2 (227,497)
= 0,743
(Y − Y ) 2
(886)
P (1 − R 2
) 1(1 − 0,743)
Radj = R2 − Radj = 0,743 − = 0,70
N − P −1 8 −1−1
Pengantar Support Vector Machine
Kesalahan Baku Estimasi
Digunakan untuk mengukur tingkat kesalahan dari
model regresi yang dibentuk.
Se =
(Y − Yˆ ) 2
Se =
(227,467)
= 6,1576
n−k 8−2
Pengantar Support Vector Machine
Standar Error Koefesien Regresi
Digunakan untuk mengukur besarnya tingkat kesalahan dari
koefesien regresi:
Se 6,1576
Sb = Sb1 = = 0,359
( X ) 2
(192) 2
X −
2
(4902) −
n 8
Pengantar Support Vector
Machine
• Diperkenalkan oleh Vapnik (1992)
• Support Vector Machine memenuhi 3 syarat utama sebuah
metode PR
• Robustness
• Theoretically Analysis
• Feasibility
• Pada prinsipnya bekerja sebagai binary classifier. Saat ini
tengah dikembangkan untuk multiclass problem
• Structural-Risk Minimization
Pengantar Support Vector
Machine
Binary Classification
Discrimination boundaries
Class −1 Class +1
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
Margin
d
Class −1 Class +1
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
• Margin (d) = minimum distance antara hyperplane and training samples
• Hyperplane yang paling baik diperoleh dengan memaksimalkan nilai
margin
• Hyperplane yang paling baik itu akan melewati pertengahan antara
kedua class
• Sample yang paling dekat lokasinya terhadap hyperplane disebut
support vector
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
d1
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
d2
d2 > d 1
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
bukan d3
d3
d3>d2 > d1
Pengantar Support Vector
Machine
Optimal Hyperplane by SVM
d4
d4
d4>d3>d2 > d1
Konsep SVM
•s
Konsep SVM : Karakteristik
SVM MULTICLASS
•c
ALGORITMA SVM : Contoh
ALGORITMA SVM : Contoh
ALGORITMA SVM : Contoh
ALGORITMA SVM : Contoh
ALGORITMA SVM : Contoh Kasus 2
•c
ALGORITMA SVM : Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
ALGORITMA SVM : Contoh Kasus 2
Contoh Kasus 2
Tugas