i 1 i 1 j 1
y
i 1
i i 0
1
Hitung nilai
N w dan b :
w i yi xi b w.x w.x
i 1
2
Fungsi keputusan klasifikasi sign(f(x)) : m
f ( x) w.x b atau f ( x) i yi K ( x, xi ) b
i 1
Keterangan :
N (banyaknya data), n (dimensi data atau banyaknya fitur), Ld (Dualitas
Lagrange Multipier), αi (nilai bobot setiap titik data), C (nilai konstanta), m
(jumlah support vector/titik data yang memiliki αi > 0), K(x,xi) (fungsi kernel).
Model SVM (Cont.)
Beberapa Macam Fungsi Kernel Support Vector Machine (SVM) :
No Nama Kernel Definisi Fungsi
1 Linier K(x,y) = x.y
2 Polinomial of degree d K(x,y) = (x.y)d
3 Polinomial of degree up to d K(x,y) = (x.y + c)d
4 Gaussian RBF
7 Additive
Kernel Linier digunakan ketika data yang akan diklasifikasi dapat terpisah dengan
sebuah garis/hyperplane.
Kernel non-Linier digunakan ketika data hanya dapat dipisahkan dengan garis lengkung
atau sebuah bidang pada ruang dimensi tinggi (Kernel Trik, No.2 sampai 6).
Visualisasi SVM
Linier Kernel :
2 2
mar
gin (w.x) + b = +1 Margin
w 2
w1 w2
2
Hyp
(w.x) + b = -1
erp
la
y = +1 Support Vector kelas -1
ne
Support Vector kelas +1
y = -1 w
Jarak titik (xi) ke Hyperplane :
y i xi w b 1
d w, b , xi
w w
(w.x) + b = 0
y i f xi 1
d w, b , xi
w w
Non-Linier Kernel :
Karakteristik SVM
Karakteristik SVM :
SVM memerlukan proses pelatihan dengan menyimpan hasil
support vektor yang didapatkan untuk digunakan kembali pada
saat proses prediksi/testing.
SVM selalu memberikan model yang sama dan solusi yang sama
dengan margin maksimal.
SVM dapat memisahkan data yang distribusi kelasnya bersifat
linier maupun non linier.
SVM tidak dipengaruhi oleh dimensi data yang tinggi, sehingga
tidak ada proses reduksi dimensi didalamnya.
Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya
data, bukan besarnya dimensi data.
Contoh Studi Kasus
Contoh SVM Linier pada dataset berikut :
Tentukan Hyperplanenya !
x1 x2 Kelas (y)
1 1 1
1 -1 -1
-1 1 -1
-1 -1 -1
Bentuk Visualisasi data :
1.5
1
0.5
0
-1.5 -1 -0.5 0 0.5 1 1.5
-0.5
-1
-1.5
Contoh Studi Kasus 1 (Cont.)
Contoh SVM Linier :
1.5
x1 x2 Kelas (y) 1
1 1 1 0.5
1 -1 -1 0
-1.5 -1 -0.5-0.50 0.5 1 1.5
-1 1 -1 -1
-1 -1 -1 -1.5
Karena ada dua fitur (x1 dan x2), maka w juga akan memiliki 2 fitur (w1 dan w2).
Formulasi yang digunakan adalah sebagai berikut :
Meminimalkan nilai :
Syarat :
Contoh Studi Kasus 1 (Cont.)
Karena ada dua fitur (x1 dan x2), maka w juga akan memiliki 2 fitur (w1 dan w2).
Formulasi yang digunakan adalah sebagai berikut :
Meminimalkan nilai margin :
Syarat :
x2
x1 x2 = 1 – x1 1
-2 3 0.5
-1 2 0
x1
Kelas -1
-1.5 -1 -0.5 0 0.5 1 1.5 Linear
0 1 -0.5 (Kelas -1)
1 0 -1
2 -1 -1.5
Contoh Studi Kasus 1 (Cont.)
Misalkan diketahui data uji/ data testing berikut :
Diketahui : f(x) = x1 + x2 – 1
x2 = 1 - x 1
Kelas = sign(f(x))
1.5
x2
Data Uji Hasil Klasifikasi
1
No
x1 x2 Kelas = sign(x1 + x2 - 1) 0.5
0 x1 Kelas -1
1 1 5 sign (1 + 5 - 1) = +1 -1.5 -1 -0.5 0 0.5 1 1.5 Linear
(Kelas -1)
-0.5
2 -1 4 sign (-1 + 4 - 1) = +1
-1
3 0 7 sign (0 + 7 - 1) = +1
-1.5
4 -9 0 sign (-9 + 0 - 1) = -1
5 2 -2 sign (2 - 2 - 1) = -1
Contoh Studi Kasus 2
Contoh SVM Non Linier pada dataset berikut :
x1 x2 Kelas (y)
1 1 -1
1 -1 1
-1 1 1
-1 -1 -1
0.5
0
-1.5 -1 -0.5 0 0.5 1 1.5
-0.5
-1
-1.5
Contoh Studi Kasus 2 (Cont.)
Contoh SVM Non Linier :
1.5
x1 x2 Kelas (y)
1
1 1 -1 0.5
1 -1 1 -1.5 -1 -0.5
0
0 0.5 1 1.5
-1 1 1 -0.5
-1
-1 -1 -1
-1.5
Karena ada dua fitur (x1 dan x2), dan kelompok datanya tidak linear, maka digunakan
fungsi kernel. Misal menggunakan fungsi kernel polynomial ordo 2, yaitu :
K(x,y) = (x.y + c)d dengan c = 1 dan d = 2.
w
Fungsi kernel dituliskan kembali menjadi i yi:xi
berikut
i 1.. N
K(x,xi) = (xT.xi + 1)2 dengan
Menghitung matrik kernel K :
K(x,xi) = ᶲ(x).ᶲ(xi)
Contoh Studi Kasus 2 (Cont.)
Fungsi kernel dituliskan kembali menjadi berikut :
K(x,xi) = (xT.xi + 1)2 dengan w i yi xi
i 1.. N
u1
2
z1
2
12 12 1 1
2 u 1u 2 2 z1 z 2 2 .1.1 2 .1.(-1) 2 2
1 1
2 2 2 2
u2 z2 1 (-1)
. . . 1 2 1 2 2 1 1
2u1 2z1 2 .1 2 .1
2
2
2u 2 2z 2 2 .1 2 .(-1) 2 2
1 1
1 1 1 1
Contoh Studi Kasus 2 (Cont.)
Menghitung matrik kernel K(x,xi) = ᶲ(x).ᶲ(xi)
9 1 1 1
1 9 1 1
1 1 9 1
1 1 1 9
Contoh Studi Kasus 2 (Cont.)
N
Syarat : 0 i C dan y
i 1
i i 0
x1i
X i i , jika X 1 adalah data ke 1,
x
2
1
1
X 1 , X i x i1
2
i i
2x 1 x 2 x 2 i 2 i
2x 1 i
2x 2 1
T
dimana x1i adalah nilai pada dimensi ke-1 pada data ke-i.
Contoh Studi Kasus 2 (Cont.)
x1i
- Hitung nilai w dan b : X i i , jika X 1 adalah data ke 1,
x2
1
1
X 1 , X i x i1
2
2 x i1 x i2 x i2
2
2 x i1 2 x i2 1
T
dimana x1i adalah nilai pada dimensi ke-1 pada data ke-i.
N
w y X
i 1
i i i
N 4
w y X y X y X
i 1
i i i
i 1
i i i 1 1 1 2 y2 X 2 3 y3 X 3 4 y4 X 4
x 12
12
1 1 1 1 0
1
2 x1 x1 2 11 2 2 2 2 - 0.71
1 2
2 1 1 1 0
x12 12 1
w 0.125 0.125 0.125 0.125
2 x 1 2 1 2
1 2 2 2 0
2 2 2 0
2 x12 2 1 2
1 1 1 0
1
Contoh Studi Kasus 2 (Cont.)
Misalkan didapatkan nilai Max Ld dengan α1 = α2 = α3 = α4 = 0.125.
Sehingga nilai Ld = 0.25. 0
Hitung nilai w dan b : - 0.71
N 0
w i yi X i
i 1 0
0
0
Pilih salah satu Support Vector dari Kelas “+1” dan “-1” untuk menghitung nilai b.
0 1 0 1
- 0.71 2 - 0.71 2
0 1 0 1
1
2
1
b w.x w.x .
2 0 2 0
.
2
2 0
0 2
0 1 0 1
Contoh Studi Kasus 2 (Cont.)
Misalkan didapatkan nilai Max Ld dengan α1 = α2 = α3 = α4 = 0.125.
Sehingga nilai Ld = 0.25.
Hitung nilai w dan b :
Pilih salah satu Support Vector dari Kelas “+1” dan “-1” untuk menghitung nilai
b. 0 1 0 1
- 0.71 2 - 0.71 2
0 1 0 1
b
1
2
1
w.x w.x .
2 0 2 0 2
.
2 0 2
0
0 1 0 1
b
1
2
1
0.71 2 0.71 2 0.71 2 0.71 2 0
2
Contoh Studi Kasus 2 (Cont.)
Setelah didapatkan nilai w dan b :
0
- 0.71
w. xt b w. xt 0
0
w
0
b0 N 4
i yi xi . xt i yi K xi , xt
0
i 1 i 1
0
Maka model SVM siap digunakan untuk proses klasifikasi.
N
f x signw. x b sign i yi xi . x b
i 1
Misalkan data uji/ data test xt = (1,5) maka K(xi,xt) = ᶲ(xi).ᶲ(xt)
x1 K(1,t) = (x1.xt + 1)2 = (1.1 + 5.1 +1)2 = 72 = 49 (-0.125)(49)
x2 K(2,t) = (x2.xt + 1)2 = (1.1 + 5.(-1) +1)2 = 32 = 9 (0.125)(9)
xt=(1,5)
x3 K(3,t) = (x3.xt + 1)2 = (1.(-1) + 5.1 +1)2 = 52 = 25 (0.125)(25)
K(4,t) = (x4.xt + 1)2 = (1.(-1) + 5.(-1) +1)2 = (-5)2 =
x4
25
(-0.125)(25)
-5
+
f xt signw. 1,5 b sign 6.125 1.125 3.125 3.125 0 sign 5 1
Jadi data xt = (1,5) tersebut masuk ke kelas negatif.
Latihan Individu
1. Perhatikan dataset SVM Linier berikut :
x1 x2 Kelas (y) Support Vector (SV) x1 x2 Kelas (y) SV1 SV2
1 1 +1 1 2 3 -1 1 0
1 -1 -1 1 3 4 -1 1 1
0 2 -1 1 5 2 +1 1 1
-1 -1 -1 0 6 3 +1 0 0
dataset 1 dataset 2