TUGAS CBR-CJR TENTANG MACHINE LEARNING IN BIOINFORMATICS

KELOMPOK …

Identitas Kelompok
Nama - : Nurazimah - 4195050001
NIM
Trivena Sari Sihaloho - 4193550038
Mhd. Husairi - 4193550016
Muhammad Ihsan HSB. 4193550028

Identitas Artikel/ Buku

Judul :
Artikel/ Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine
Buku
Tahun : 26 Oktober 2021
Artikel/
Buku
Nama : Nur Ghaniaviyanto Ramadhan.
Penerbit
Artikel/
Buku
Sumber : http://ejurnal.stmik-budidarma.ac.id/index.php/mib/article/view/3347
Artikel/
Buku
(Link)

Isi Artikel/ Buku

Algoritma : Support Vector Machine.
yang
digunakan
Penjelasan : Apa itu svm?
atau Teori Support Vector Machine (SVM) merupakan salah satu algoritma machine
dari learning dengan pendekatan supervised learning yang paling populer dan
Algoritma sering digunakan.
yang Support Vector Machine (SVM) adalah salah satu algoritma machine
digunakan learning dengan pendekatan supervised learning yang bekerja dengan
(Minimal mencari hyperplane atau fungsi pemisah terbaik untuk memisahkan kelas.
500 kata, Algoritma SVM memiliki konsep dan dasar matematis yang mapan sehingga
silahkan menjadi algoritma yang populer. Algoritma ini dapat digunakan untuk
gunakan klasifikasi (SVM classification) dan regresi (SVM regression).
rumus,
gambar, Algoritma SVM bekerja dengan berdasarkan langkah-langkah sebagai
table, dll berikut:
untuk Langkah-1: Tentukan batas kelas (hyperplane) yang mungkin dari dataset.
memudah Langkah-2: Pilih hyperplane berdasarkan margin maksimum
kan
penjelasan
)
Untuk lebih memudahkan pemahaman, simak visualisasi di bawah ini berikut
penjelasan di bawahnya.

Ada beberapa hal penting yang harus kita pahami saat mempelajari dan
menggunakan algoritma SVM, yaitu hyperplanes dan support vector.

Apa itu hyperplanes?

Hyperplanes dalam SVM adalah sebuah fungsi yang berperan sebagai batas
yang membantu kita mengklasifikasikan titik data. Titik data yang terletak di
kedua sisi hyperplane dapat dimaknai sebagai kelas yang berbeda.
Dimensi hyperplane tergantung pada jumlah fitur.
Jika jumlah fitur input adalah 1, maka hyperplane hanyalah sebuah titik.
Jika jumlah fitur input adalah 2, maka hyperplane hanyalah sebuah garis.
Jika jumlah fitur input adalah 3, maka hyperplane menjadi bidang dua
dimensi.
Apa itu support vector?
Support vector adalah titik data yang paling dekat dengan hyperplane dan
mempengaruhi posisi dan orientasi hyperplane.
Dengan menggunakan vektor pendukung ini, kita memaksimalkan margin
pengklasifikasi. Menghapus support vector akan mengubah posisi
hyperplane.
Jarak antara hyperplane dan support vector dikenal sebagai margin.
Tujuannya algoritmanya adalah untuk memilih hyperplane dengan margin
terbesar yang mungkin antara hyperplane dan titik mana pun dalam data
training.
Dengan seperti ini, model akan memberikan peluang lebih besar untuk data
baru diklasifikasikan dengan akurat.

Keunikan SVM
Algoritma lain kebanyakan melakukan pemisahan berdasarkan pola rata-rata
data yang ada. Sedangkan SVM melakukan klasifikasi berdasarkan titik data
yang mirip tetapi berbeda kelas.
Misal, dalam task klasifikasi jeruk vs apel.
Kebanyakan algoritma akan menghitung dan membedakan berdasarkan titik-
titik data “apel yang sangat apel” vs “jeruk yang sangat jeruk”.
Sedangkan SVM akan menghitung dan membedakan berdasarkan titik-titik
data “apel yang paling mirip jeruk” vs “jeruk yang paling mirip apel”.
Jenis-jenis SVM

Algoritma SVM setidaknya dapat dibagi menjadi dua jenis:

Simple SVM
Kernel SVM

Simple SVM atau biasa juga disebut SVM (saja) biasanya digunakan untuk
melakukan regresi linier dan masalah dengan tujuan klasifikasi.
Kernel SVM memiliki logika yang sama dengan SVM. Perbedaannya adalah
bahwa pada kernel SVM, algoritma melakukan pemetaan data berdasarkan
fungsi kernel tertentu.

SVM untuk regresi (Support Vector Regression)

Algoritma SVM juga dapat digunakan untuk regresi.

Lebih tepatnya, algoritma ini sering disebut sebagai Support Vector
Regression (SVR).

Algoritma SVR dibagi menjadi dua:

Linear SVR
Non linear SVR

Linear SVR
Untuk lebih memahami linear SVR, kita bandingkan dengan metode regresi
linear sederhana.
Lihat ilustrasi di bawah ini.
Berikut penjelasannya:
Pada linear SVR, pengukuran regresi tidak menggunakan garis, melainkan
menggunakan “tube”, yang disebut dengan Epsilon Insensitive Tube.
Tube ini merupakan margin of error yang dizinkan oleh model.
Di sini error dihitung dengan menghitung jarak titik-titik yang berada di luar
tube ke batas tube.
Sedangkan titik-titik yang berada di dalam tube errornya diabaikan.
Ini berbeda dengan regresi linear, di mana error dihitung pada setiap titik data
dengan menghitung jarak kuadratnya ke garis regresi.

Non linear SVR

Pada prinsipnya, non linear SVR menggunakan pendekatan kernel seperti
pada proses Kernel SVM pada tugas-tugas klasifikasi.
Kernel digunakan untuk memetakan data pada dimensi yang lebih tinggi
(higher dimension) sehingga diperoleh hyperplane/ tube untuk regresi yang
lebih representatif.
Berikut ilustrasinya.
Hasil :
implement
asi .
algoritma Support Vector Machine (SVM) adalah salah satu algoritma machine
yang learning dengan pendekatan supervised learning yang bekerja dengan
digunakan mencari hyperplane atau fungsi pemisah terbaik untuk memisahkan kelas.
(kesimpul
an)

Rekayasa Ide
Judul :
Artikel
Permasala :
han yang
akan
diselesaika
n