Konsep Support Vector Machine (SVM)
Hai Inovator,
Konsep Support Vector Machine (SVM)
Support Vector Machine yang selanjutnya disebut sebagai SVM adalah suatu teknik yang digunakan untuk menemukan fungsi pemisah atau untuk mengklasifikasi beberapa data dari kelas yang berbeda-beda. SVM sendiri dikenalkan pertama kali oleh Vapnik pada tahun 1992. SVM bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class (Yunus, Purwanto, & Mardiyanto, 2016).
Gambar 2.1 Hyperplane Pemisah antar Kelas pada SVM (Nugroho, 2007)
Pada Gambar 2.1, hyperplane digunakan sebagai pemisah data antara kelas positif yang disimbolkan sebagai +1 (simbol lingkaran) dan kelas negatif yang disimbolkan sebagai -1 (simbol kotak merah). Sementara yang disebut dengan margin ialah jarak yang terdapat antara masing masing kelas data yang terdekat dengan hyperplane. Garis lurus hitam yang terdapat pada Gambar 2.1 sebelah kanan merupakan hyperplane terbaik yang diperoleh karena berada tepat di tengah-tengah persebaran kelas data. Sedangkan simbol lingkaran dan kotak yang dilewati oleh garis putus-putus merupakan support vector.
Masalah dasar dari SVM adalah menentukan suatu hyperplane 𝑤. 𝑥𝑖 + 𝑏 = 0 untuk memisahkan data ke i atau xi yang terdiri dari dua kelas, yaitu 𝑦𝑖 ={+1, −1} (Fiska, 2017). Selanjutnya hyperplane ini akan digunakan untuk melakukan klasifikasi dengan menggunakan Persamaan 1.1
𝑆𝑖𝑔𝑛(𝑤. 𝑥𝑖 + 𝑏) (1.1)
Dimana :
𝑤 = weight
𝑥𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑖𝑛𝑝𝑢𝑡
𝑏 = 𝑏𝑖𝑎𝑠
Dari hasil Persamaan 1.1, data yang tergolong kelas +1 adalah data yang memiliki notasi positif (+1). Sedangkan data yang memiliki notasi negatif (−1) tergolong kedalam kelas simbol −1. Jarak antara titik ke i atau 𝑥𝑖 ke hyperplane dapat dihitung menggunakan Persamaan 1.2.
𝑦𝑖(𝑥𝑖. 𝑤 + 𝑏) 1 (1.2)
‖𝑤‖ ≥ ‖𝑤‖
Pada perkembangannya SVM dapat digunakan untuk memcahkan permasalahan persebaran data non-linier dengan dimensi yang cukup tinggi dengan menggunakan bantuan kernel. Beberapa kernel yang dapat digunakan dalam SVM antara lain Polynomial, Gaussian, dan Sigmoid. Pada PROYEK ini, tipe SVM yang digunakan adalah SVM dengan tipe linier classification.
Sekian dulu penjelasan kita kali ini jika inovator butuh bantuan untuk implementasi hebatnya di bidang Teknologi Otomasi yang meliputi Internet Of Things (IoT), Elektronika (Ardunio, STM32, Raspberry, dll) , Instrumentasi dan informatika (Pengolahan Citra, Kecerdasan Buatan (AI), Software Aplikasi) langsung saja kontak akun sosial media kami dengan link WA berikut ini.
Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.