TUGAS DATA SAINS

NAMA KELOMPOK 3:
161098 ISDAR PATANDUK
181081 KEVIN WAIGAN LISONG
201001 BEATRIX JOSEFIN GULTOM
201101 ABD.RAHMAN
211145 KOMANG INTAN SUSANTI
211182 DEWI FITRIAH MAWARDI
211193 DENNY YUDHISTIRA
1. Support vector machine

Support Vector Machine (SVM) merupakan salah satu metode

dalam supervised learning yang biasanya digunakan untuk klasifikasi

(seperti Support Vector Classification) dan regresi (Support Vector Regression).

Dalam pemodelan klasifikasi, SVM memiliki konsep yang lebih matang dan lebih
jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi lainnya.

SVM juga dapat mengatasi masalah klasifikasi dan regresi

dengan linear maupun non linear.

SVM digunakan untuk mencari hyperplane terbaik dengan memaksimalkan jarak

antar kelas. Hyperplane adalah sebuah fungsi yang dapat digunakan untuk pemisah
antar kelas. Dalam 2-D fungsi yang digunakan untuk klasifikasi antar kelas disebut

sebagai line whereas, fungsi yang digunakan untuk klasifikasi antas kelas dalam 3-

D disebut plane similarly, sedangan fungsi yang digunakan untuk klasifikasi di

dalam ruang kelas dimensi yang lebih tinggi di sebut hyperplane

2. .KARAKTERISTIK SVM
SVM sebagaimana telah dijelaskan pada bagian sebelumnya, dirangkumkan
sebagai berikut:
1. Secara prinsip SVM adalah linear classifier
 2. Pattern recognition dilakukan dengan mentransformasikan data pada input
space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada
ruang vector yang baru tersebut. Hal ini membedakan SVM dari solusi pattern
recognition pada umumnya, yang melakukan optimisasi parameter pada ruang
hasil transformasi yang berdimensi lebih rendah daripada dimensi input space.
3. Menerapkan strategi Structural Risk Minimization (SRM)
4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua
class.

3. Jenis-jenis Algoritma SVM

SVM dapat dibagi menjadi 2 jenis yakni:

1. SVM Linear
SVM linear digunakan untuk data yang dapat dipisahkan secara
linear, yang berarti jika sebuah dataset dapat diklasifikasi menjadi dua
kelas dengan menggunakan sebuah garis lurus tunggal, maka data tersebut
disebut sebagai data yang dapat dipisahkan secara linear, dan classifier
yang digunakan disebut sebagai Linear SVM classifier.
2. SVM Non-linear

SVM non-linear digunakan untuk data yang dapat dipisahkan secara non-linear,
yang berarti jika sebuah dataset tidak dapat diklasifikasi menggunkan garis lurus,
maka data tersebut disebut data non-linear dan classifier yang digunakan disebut
sebagai Non-linear SVM classifier.
4. Studi kasus SVM
Hyperplane yang ditemukan SVM diilustrasikan seperti Gambar 1 posisinya
berada ditengah-tengah antara dua kelas, artinya jarak antara hyperplane
dengan objek-objek data berbeda dengan kelas yang berdekatan (terluar) yang
diberi tanda bulat kosong dan positif. Dalam SVM objek data terluar yang
paling dekat dengan hyperplane disebut support vector. Objek yang
disebut support vector paling sulit diklasifikasikan dikarenakan posisi yang
hampir tumpang tindih (overlap) dengan kelas lain. Mengingat sifatnya yang
kritis, hanya support vector inilah yang diperhitungkan untuk
menemukan hyperplane yang paling optimal oleh SVM.
 Dari contoh diatas, didapatkan plot contoh data yang
dijelaskan pada Gambar 2.

Pada Gambar 2 menjelaskan bahwa terdapat 2 kelas yang terdiri dari -1

ditunjukkan dengan warna biru dan 1 ditunjukkan dengan warna orange. Pada
masing-masing titik tersebut digunakan untuk mencari pemisah antara data positif
dan data negatif. Penyelesaian sebagai berikut :
Dengan syarat :

yi(xi . w +b) -1 ≥ 0, i = 1,2,3,….,n

yi(x1.w1 + x2.w2 + b) ≥ 1

sehingga ditemukan persamaan sebagai berikut:

1. (𝑤1 + 𝑤2 + 𝑏 ) ≥ 1 untuk y1 = 1, x1=1, x2=1

2. (−𝑤1 + 𝑤2 − 𝑏 ) ≥ 1 untuk y2 = -1, x1=1, x2=-1

3. (𝑤1 − 𝑤2 − 𝑏 ) ≥ 1 untuk y3 = -1, x1=-1, x2=1

4. (𝑤1 + 𝑤2 − 𝑏 ) ≥ 1 untuk y1 = -1, x1=-1, x2=-1

Berdasarkan persamaan diatas, maka didapatkan nilai dari setiap variabel. Dari

persamaan 1 dan 2 didapatkan:

Persamaan 1 dan 3 didapatkan :

Menjumlahkan persamaan 2 dan 3:

Berdasarkan hasil di atas didapatkan persamaan:

Berdasarkan asumsi diatas berdasarkan asumsi bahwa kedua belah kelas terpisah
secara sempurna oleh hyperplane. Dua buah kelas tidak selalu terpisah secara
sempurna. Hal tersebut menyebabkan constraint pada persamaan 1 tidak terpenuhi,
sehingga optimasi tidak terpenuhi dilakukan. Untuk mengatasi masalah ini, SVM
dirumuskan ulang dengan menggunakan teknik soft margin. Soft margin dijelaskan
dalam bentuk gambar pada Gambar 4.
Persamaan 3.5 dimodifikasi menggunakan soft margin dengan memasukkan

variabel slack ξi (ξi > 0) sebagai berikut:

Parameter C dipilih untuk mengontrol trade off antara margin dan error klasifikasi

ξ atau nilai kesalahan pada klasifikasi. Parameter C ditentukan dengan mencoba

beberapa nilai dan dievaluasi efeknya terhadap akurasi yang dicapai oleh SVM

misalnya dengan cara Cross Validation. Nilai C yang besar berarti akan

memberikan penalti yang lebih besar terhadap error klasifikasi tersebut.

Pada umumnya permasalahan data tidak dapat dipisahkan secara Linear dalam

ruang input, soft margin SVM tidak dapat menemukan pemisah

dalam hyperplane sehingga tidak dapat memiliki akurasi yang besar dan tidak

menggeneralisasi dengan baik. Oleh karena itu, dibutuhkan kernel untuk

mentransformasikan data ke ruang dimensi yang lebih tinggi yang disebut ruang

kernel yang berguna untuk memisahkan data secara Linear. Secara umum, fungsi

kernel yang sering digunakan adalah kernel Linear, Polynomial dan Radial Basis

Function (RBF).
 Referensi

https://www.trivusi.web.id

https://medium.com