30
30
K=
[ x1⋅ x1 x1⋅ x2
x2⋅ x1 x2⋅ x2 ]
Sekarang, mari kita hitung matriks kernelnya:
x 1 ⋅ x 1=[2,3 ]⋅[2,3]=2 ×2+3 × 3=4+9=13
x 1 ⋅ x 2=[2,3 ]⋅ [5,6]=2 ×5+ 3× 6=10+18=28
x 2 ⋅ x 1=[5,6 ]⋅ [2,3]=5 × 2+ 6 ×3=10+18=28
x 2 ⋅ x 2=[5,6 ]⋅ [5,6]=5× 5+6 ×6=25+36=61
[
K= 13 28
28 61 ]
Tahap 3: Mencari Koefisien Lagrange ( α i )
Dalam tahap ini, kita mencari nilai α 1 dan α 2 yang meminimalkan fungsi objektif
berikut:
Minimalkan
1
¿ α 22 y 22 K ( x 2 , x 2 ) )−( α 1 +α 2)
2
Dengan memasukkan nilai-nilai yang telah kita hitung:
Minimalkan
1 2 2
2
( 2
α 1 ⋅1 ⋅ 13+α 1 α 2 ⋅ 1 ⋅(−1) ⋅28+α 2 α 1 ⋅(−1)⋅1 ⋅28+α 2 . ¿
1 1
¿
2
( 13 α 21−28 α 1 α 2−28 α 1 α 2+ 61 α 22 )− ( α 1 + α 2 )¿ ( 13 α 21+ 61α 22−56 α 1 α 2 ) −( α 1+ α 2 )
2
¿ 1−( α 1 y 1 K ( x 1 , x 1 ) +α 2 y 2 K ( x 1 , x 2 ) )
¿ 1− ( 261
61
×1 ×13+
56
261
×(−1)×28 )
¿ 1−( ×28 )
61 56
×13−
261 261
¿ 1−(
261 261 )
793 1568
−
¿ 1−(
261 )
−775
775
¿1+
261
1036
b= ≈ 3.97
261
( )
n
f ( x baru )=sign ∑ ❑α i y i K ( x baru , x i ) +b
i=1
¿ sign ( 261
61
×1×(10 × 2)+
56
261
×(−1)×(5 ×10+6 × 2)+
261 )
1036
¿ sign (
261 )
61 56 1036
×20− × 58+
261 261
¿ sign (
261 261 )
1220 3208 1036
− +
261
¿ sign (
261 )
−1952
Karena hasilnya negatif, maka prediksi sentimen pada data baru adalah kelas negatif
(−1).
Hasil Akhir:
Dengan parameter yang telah dihitung, model SVM telah dilatih dan dapat digunakan
untuk melakukan prediksi sentimen pada data baru. Kombinasi dari nilai α 1 , α 2, dan b
akan menentukan posisi hyperplane yang dapat memisahkan dua kelas data dengan
margin maksimum. Dalam kasus ini, prediksi sentimen pada data baru dengan fitur [10,
2] adalah kelas negatif (−1).