Baik, mari saya jelaskan tahap perhitungan lebih detail dalam implementasi SVM dan

tampilkan perhitungannya hingga menjadi hasil akhir berupa parameter yang

digunakan.
Data Pelatihan:
Misalkan kita memiliki data pelatihan dengan dua contoh yang termasuk ke dalam dua
kelas berbeda:
1 x 1=[2,3], y 1=+1 (kelas positif)
2 x 2=[5,6], y 2=−1 (kelas negatif)

Kernel Linier: K ( x i , x j ) =xi ⋅ x j

C=1
Tahap 1: Mempersiapkan Data Pelatihan
Komentar 1: Fitur ¿ [2,3] , Bobot ¿+1 (Positif)
Komentar 2: Fitur ¿ [5,6] , Bobot ¿−1 (Negatif ¿
Tahap 2: Matriks Kernel
Matriks kernel adalah hasil dari perkalian antara vektor fitur:

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

Matriks kernelnya adalah:

[
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

Tahap 4: Mencari Minimum

Untuk menemukan nilai minimum dari fungsi objektif tersebut, kita perlu mencari
turunan parsial terhadap α 1 dan α 2 dan mengaturnya menjadi nol. Setelahnya, kita perlu
memverifikasi apakah ini adalah minimum lokal atau global.
∂ 1
∂ α1 2 ( )
(13 α 21+ 61α 22−56 α 1 α 2 )− ( α1 + α2 ) =13 α 1−56 α 2−1=0 →
Persamaan (1)
∂ 1
∂ α2 2 ( )
(13 α 21+ 61α 22−56 α 1 α 2 )−( α 1+ α2 ) =61 α 2−56 α 1 −1=0 →
Persamaan (2)
Dari Persamaan (1) dan (2), kita dapat memecahkan sistem persamaan linear ini untuk
mendapatkan nilai α 1 dan α 2 :
13 α 1−56 α 2 =1→ Persamaan (3)
61 α 2 −56 α 1 =1→ Persamaan (4)
Dengan memecahkan Persamaan (3) dan (4), kita dapatkan:
61
α 1= ≈ 0.2337
261
56
α 2= ≈ 0.2146
261
Tahap 5: Mencari Konstanta Bias (b)
Kita dapat menghitung konstanta bias (b) menggunakan salah satu nilai α yang tidak
sama dengan nol, dan kemudian menggunakan persamaan:
n
b= y i−∑ ❑α j y j K ( x i , x j )
j=1
Misalkan kita menggunakan α 1 :
n
b= y 1−∑ ❑ α j y j K ( x 1 , x j)
j=1

¿ 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

Tahap 6: Prediksi Sentimen pada Data Baru

Dengan α 1 dan b yang telah kita hitung, kita dapat memprediksi sentimen pada data

baru ( x baru  =[10,2] ) menggunakan rumus:

( )
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).