Metode SVM
Support Vector Machine (SVM) pertama kali
diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis
konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu
metode pattern recognition, usia SVM terbilang masih relatif muda. Walaupun
demikian, evaluasi kemampuannya dalam berbagai aplikasinya menempatkannya
sebagai state of the art dalam pattern recognition, dan dewasa ini
merupakan salah satu tema yang berkembang dengan pesat. SVM adalah metode
learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM)
dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada
input space.
Vector Machine (SVM) juga dikenal sebagai teknik pembelajaran mesin (machine
learning) paling mutakhir setelah pembelajaran mesin sebelumnya yang dikenal
sebagai Neural Network (NN). Baik SVM maupun NN tersebut telah berhasil
digunakan dalam pengenalan pola. Pembelajaran dilakukan dengan menggunakan
pasangan data input dan data output berupa sasaran yang diinginkan.
Pembelajaran dengan cara ini disebut dengan pembelajaran terarah (supervised
learning). Dengan pembelajaran terarah ini akan diperoleh fungsi yang
menggambarkan bentuk ketergantungan input dan outputnya. Selanjutnya,
diharapkan fungsi yang diperoleh mempunyai kemampuan generalisasi yang baik,
dalam arti bahwa fungsi tersebut dapat digunakan untuk data input di luar data
pembelajaran.
Karakteristik SVM ada
4 yaitu :
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.
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
class
Berikut langkah-langkah
klasifikasi data dengan mengunakan metode SVM:
Ø Masukkan data yang akan diklasifikasi
Ø Bagi data menjadi data training dan data target
Ø Bagi data menjadi data training dan data target
Ø Lakukan training (mencari model yang tepat)
Ø Lakukan prediksi/testing
