Metode Support Vector Machines (SVM)

Support Vector Machines (SVM) adalah seperangkat metode pembelajaran terbimbing yang menganalisis data dan mengenali pola, digunakan untuk klasifikasi dan analisis regresi. Algoritma SVM asli diciptakan oleh Vladimir Vapnik dan turunan standar saat ini Soft Margin (Cortes & Vapnik, 1995). SVM standar mengambil himpunan data input, dan memprediksi, untuk setiap masukan yang diberikan, kemungkinan masukan adalah anggota dari salah satu kelas dari dua kelas yang ada, yang membuat sebuah SVM sebagai penggolong nonprobabilistik linier biner. Karena SVM adalah sebuah pengklasifikasi, kemudian diberi suatu himpunan pelatihan, masing-masing ditandai sebagai milik salah satu dari dua kategori, suatu algoritma pelatihan SVM membangun sebuah model yang memprediksi apakah data yang baru jatuh ke dalam suatu kategori atau yang lain.

Klasifikasi suatu proses dalam mencari dan menentukan model atau fungsi yang dapat menjelaskan serta membedakan kelas data dengan tujuan dapat menggunakan data tersebut untuk memperkirakan kelas suatu objek yang statusnya tidak diketahui. Selama proses pembelajaran dalam pembuatan model, diperlukan suatu algoritma pembelajaran, antara lain yaitu SVM, Naïve Bayes, KNN, Decission Tree, ANN, dan lainnya (Utari, et al., 2018).

SVM merupakan salah satu metode klasifikasi dalam data missing. SVM juga dapat melakukan prediksi baik pada klasifikasi maupun regresi. Pada dasarnya SVM memiliki prinsip linier, akan tetapi SVM telah berkembang sehingga dapat bekerja pada masalah non-linier. Cara kerja SVM pada masalah non-linier adalah dengan memasukkan konsep kernel pada ruang berdimensi tinggi. Pada ruang yang berdimensi tinggi ini, nantinya akan dicari pemisah atau yang sering disebut hyperplane. Hyperplane dapat memaksimalkan jarak atau margin antara kelas data. Hyperplane terbaik antara kedua kelas dapat ditemukan dengan mengukur margin dan kemudian mencari titik maksimalnya. Usaha dalam mencari hyperplane yang terbaik sebagai pemisah kelas-kelas adalah inti dari proses pada metode SVM (Utari, et al., 2018)

·      Kelebihan SVM adalah sebagai berikut

1.     Mampu mengklasifikasikan pattern-pattern yang tidak masuk dalam kelas atau kategori metode yang menjadi pembelajaran. Kemampuan ini dinamai sebagai Generalisasi. Karena memiliki strategi SRM, Support vector machine bisa meminimalkan error pada training set dan juga error yang dipengaruhi oleh faktor VC.

2.     Masalah dalam menghadapi suatu pattern disebut sebagai Curse of dimensionality. Masalah ini bisa terjadi dikarenakan jumlah data yang ada lebih sedikit dibandingkan dengan dimesional ruang vector data tersebut. Karena prinsipnya adalah semakin tinggi dimesional makan diperlukan pula data yang lebih dalam proses pembelajaran.

3.     SVM memiliki Landasan teori yang jelas.

4.     SVM juga mampu diimplementasikan dengan mudah karena proses dalam menentukan SVM bisa dapat dirumuskan dengan QP problem. Kelebihan ini disebut dengan Feasibility.

·      Kekurangan SVM adalah sebagai berikut

1.     Bila dipakai dalam skala yang besar, maka SVM akan sangat sulit digunakan.

2.   SVM sedang di olah agar mampu menyelasaikan masalah dengan class lebih dari dua.

Untuk data yang digunakan silahkan download disini.