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
Dalam pemodelan klasifikasi, SVM memiliki konsep yang lebih matang dan lebih
jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi lainnya.
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-
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.
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.
yi(x1.w1 + x2.w2 + b) ≥ 1
Berdasarkan persamaan diatas, maka didapatkan nilai dari setiap variabel. Dari
Parameter C dipilih untuk mengontrol trade off antara margin dan error klasifikasi
beberapa nilai dan dievaluasi efeknya terhadap akurasi yang dicapai oleh SVM
misalnya dengan cara Cross Validation. Nilai C yang besar berarti akan
Pada umumnya permasalahan data tidak dapat dipisahkan secara Linear dalam
dalam hyperplane sehingga tidak dapat memiliki akurasi yang besar dan tidak
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