Algoritma Support Vector Machine

 

Pengertian

Support Vector Machine atau SVM adalah algoritme pembelajaran mesin yang diawasi yang dapat digunakan untuk klasifikasi dan regresi. Cara kerja SVM didasarkan pada SRM atau Structural Risk Minimization yang dirancang untuk mengolah data menjadi Hyperplane yang mengklasifikasikan ruang input menjadi dua kelas. Teori SVM diawali dengan pengelompokan kasus-kasus linier yang dapat dipisahkan dengan hyperplane dan dibagi menurut kelasnya.

Konsep SVM diawali dengan dua buah masalah dengan mengklasifikasikan dua masalah dengan setnya itu adalah positif dan negatif. dengan harus ada pemisahnya atau yang biasa kita hyperplane pada kelasnya tersebut dengan kita memaksimalkan margin dari kedua kelas tersebut.

 

Ada 2 metode dalam support vector machine:

 

•             Metode Linier

Model linier memiliki sifat penting baik dari aspek komputasi dan analitis. Penggunaan model linier dengan pendekatan parametrik dalam metode klasik memiliki aplikasi praktis yang terbatas karena kutukan dimensionalitas.

Terdapat 2 pendekatan dalam metode linier: pendekatan alternatif adalah membuat fungsi basis adaptif terhadap data latih dengan sejumlah fungsi basis yang telah ditentukan, pendekatan nonparametrik yaitu mendefinisikan data latih sebagai basis pusat.

 

•             Metode kernel

Fungsi kernel adalah fungsi k yang untuk semua vektor masukan x, z akan memenuhi syarat k (x,= φ (x) Tφ (z) dimana φ (.)

Merupakan fungsi pemetaan dari ruang masukan ke ruang fitur.

Fungsi kernel adalah untuk mengimplementasikan model dalam ruang dimensi yang lebih tinggi tanpa harus menentukan fungsi pemetaan dari ruang masukan ke ruang fitur. Salah satu contoh fungsi kernel yang banyak digunakan adalah Gaussian radial basis function (RBF), yaitu: k (x, x ‘) = φ (|| xx’ ||) = exp (- || xx ‘|| 2 / 2s2) di mana x ‘adalah “inti” yang dipilih dari data pelatihan.

Ada 2 cara penggunaan metode kernel dalam pembelajaran mesin yaitu: Penggunaan langsung yaitu fungsi kernel yang digunakan sebagai fungsi dasar model SVM, contoh: fungsi jaringan basis radial, penggunaan tidak langsung merepresentasikan model menjadi beberapa representasi yang berisi produk dalam fungsi pemetaan, misalnya: kernel regresi linier, kernel Perceptron, mesin vektor dukungan, dll.

 
Kelebihan dan Kekurangan Algoritma SVM

Kelebihan :

Dimana dia mampu menghasilkan model klasifikasinya itu yang menghasilkan baik meskipun datanya itu sedikit dan kurang informasinya, lalu akurasinya yang tinggi dengan ruang dimensinya itu yang tinggi.

 

Kekurangan :

 

Memiliki waktu penjelasannya itu yang lama sehingga apabila menggunakan data yang banyak yang padat itu kurang cocok dengan instansi atau organisasi yang harus mengolah data yang besar, lalu SVM ini hanya cocok untuk data dua kelas saja dan kurang cocok untuk mengolah data yang lebih dari dua kelas.

 

Algoritma SVM  Pada Phyton