PRESENTED BY
• DR. YESSI JUSMAN, S.T,. M.SC
Pokok Pembahasan 1. Support Vector Machine (SVM)
✓ Pengertian SVM
✓ Model SVM
✓ Visualisasi SVM
✓ Karakteristik SVM
2. Case Study
Support ■ Konsep Klasifikasi dengan Support Vector Machine (SVM) adalah
mencari hyperplane terbaik yang berfungsi sebagai pemisah dua kelas
data.
Vector ■ Ide sederhana dari SVM adalah memaksimalkan margin, yang
Machine ■
merupakan jarak pemisah antara kelas data.
i =1 i =1 j =1
y
i =1
i i =0
• Hitung nilai w dan b :
N
w = i yi xi b=−
1
2
(
w.x + + w.x − )
i =1
• Fungsi keputusan klasifikasi sign(f(x)) :
m
f ( x) = w.x + b atau f ( x) = i yi K ( x, xi ) + b
i =1
Keterangan :
N (banyaknya data), n (dimensi data atau banyaknya fitur), Ld (Dualitas
Lagrange Multipier), αi (nilai bobot setiap titik data), C (nilai konstanta), m
(jumlah support vector/titik data yang memiliki αi > 0), K(x,xi) (fungsi kernel).
Support Vector Machine
■ Konsep klasifikasi dengan Support Vector Machine (SVM) adalah mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua kelas data.
■ Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak
pemisah antara kelas data.
REPRESENTASI
SUPPORT VECTOR
MACHINE (SVM)
Contoh Studi Kasus
• Contoh SVM Linier pada dataset berikut :
Tentukan Hyperplanenya !
x1 x2 Kelas (y) Support Vector (SV)
1 1 1 1
1 -1 -1 1
-1 1 -1 1
-1 -1 -1 0
– Karena ada dua fitur (x1 dan x2), maka w juga akan memiliki 2 fitur (w1 dan w2).
– Formulasi yang digunakan adalah sebagai berikut :
• Meminimalkan nilai :
• Syarat :
Contoh Studi Kasus 1 (Cont.)
– Karena ada dua fitur (x1 dan x2), maka w juga akan memiliki 2 fitur (w1 dan w2).
– Formulasi yang digunakan adalah sebagai berikut :
• Meminimalkan nilai margin :
• Syarat :
x2
x1 x2 = 1 – x1
1
-2 3
0.5
-1 2 x1
Kelas -1
0
-1.5 -1 -0.5 0 0.5 1 1.5
0 1 Kelas +1
-0.5
1 0
-1
2 -1
-1.5
Training
■ Sebelum melakukan pengujian
SVM membutuhkan training
terlebih dahulu.
Masukkan nilai pixel distance
■ Training yaitu proses pelatihan dan level kuantisasi
yang bertujuan agar system
mengetahui jenis-jenis citra
yang akan diuji
■ Data yang diperlukan dalam
pelatihan (training) yaitu satu
folder yang berisikan beberapa
citra dari 2 jenis citra yang
akan diuji.
■ Pixel distance dan level
kuantisasi yang digunakan
pada saat pelatihan harus
sama dengan saat pengujian
Beri Label
Perlabelan
■ Setelah melakukan training maka system
secara otomatis akan membuat sebuah
excel yang berisikan data dari folder citra
yang di training
■ Perlabelan bertujuan untuk membedakan
jenis citra pada training
■ Perlabelan dilakukan pada kolom Q pada
excel.
Klasifikasi
■ Pengujian system dilakukan
dengan memilih citra yang
akan diuji pada tombol “Pilih
Data Test”
■ Sehingga citra yang dipilih
akan tampil pada axes
■ Input pixel distance dan level
kuantisasi yang sama
dengan saat proses training
■ Pilih tombol “klasifikasi”
sehingga akan muncul hasil
Ekstraksi dan hasil
klasifikasi dari citra yang
diuji.
Akurasi
■ Suatu system dapat dikatakan berfungsi dengan baik apabila akurasi sebuah
system pada saat pengujian mendekati nilai 100%.
■ untuk mengetahui nilai akurasi dapat dihitung bedasarkan rumus dibawah ini pada
setiap pengujian.
𝐽𝑢𝑚𝑙𝑎ℎ 𝐶𝑖𝑡𝑟𝑎 𝐷𝑎𝑡𝑎 𝑈𝑗𝑖 𝐵𝑒𝑛𝑎𝑟
■ 𝐻𝑎𝑠𝑖𝑙 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝐶𝑖𝑡𝑟𝑎 𝐷𝑎𝑡𝑎 𝑈𝑗𝑖
MATLAB