2 of 10

Tujuan Perkuliahan

Mampu menjelaskan konsep Decision Three dan SVM

Mampu mengidentifikasi, memodelkan, menganalisis, dan mengimplementasikan Decission Three dan SVM untuk menyelesaikan masalah klasifikasi

3 of 10

Materi Pembelajaran

Decission Three
SVM

4 of 10

Support Vector Machine–selanjutnya disebut SVM–adalah metode pada machine learning yang dapat digunakan untuk menganalisis data dan mengurutkannya ke dalam salah satu dari dua kategori.

SVM

5 of 10

SVM Linear

SVM linear digunakan untuk data yang dapat dipisahkan secara linear, yang berarti jika sebuah dataset dapat diklasifikasi menjadi dua kelas dengan menggunakan sebuah garis lurus tunggal, maka data tersebut disebut sebagai data yang dapat dipisahkan secara linear, dan classifier yang digunakan disebut sebagai Linear SVM classifier.

SVM Non-Linear

SVM non-linear digunakan untuk data yang dapat dipisahkan secara non-linear, yang berarti jika sebuah dataset tidak dapat diklasifikasi menggunkan garis lurus, maka data tersebut disebut data non-linear dan classifier yang digunakan disebut sebagai Non-linear SVM classifier.

Jenis-jenis SVM

6 of 10

Cocok untuk ruang dimensi tinggi
Efektif untuk kasus dimana jumlah dimensi lebih besar dari jumlah sampel
Hemat memori, karena menggunakan training point dari fungsi keputusan (support vector)
Bekerja relatif baik ketika ada margin pemisahan yang jelas antar kelas.

Kelebihan SVM

7 of 10

Algoritma SVM tidak cocok untuk dataset dalam jumlah yang besar karena membutuhkan waktu training yang lama.
SVM tidak bekerja dengan baik ketika dataset memiliki lebih banyak noise misalnya kelas target terjadi tumpang tindih.
Jika jumlah fitur untuk setiap titik data melebihi jumlah sampel data training, SVM akan memiliki performa yang kurang baik
Karena support vector classifier bekerja dengan meletakkan titik data di atas dan di bawah hyperplane, tidak ada kejelasan probabilistik untuk klasifikasi tersebut. Hal ini dapat menyebabkan beban komputasi yang tinggi.

Kekurangan SVM

8 of 10

Algoritma SVM bekerja dengan cara memetakan data ke ruang fitur berdimensi tinggi sehingga titik data dapat dikategorikan, bahkan ketika data tersebut tidak dapat dipisahkan secara linier.

Apabila pemisah antar kategori berhasil ditemukan, data dapat ditransformasikan sedemikian rupa sehingga pemisah tersebut dapat digambarkan sebagai hyperplane. Kemudian, karakteristik data baru dapat digunakan untuk memprediksi pada kelompok mana record baru seharusnya berada.

Cara Kerja SVM

1 of 10