Support Vector Machine (SVM)

Pengertian

• SVM merupakan metode Supervised Machine Learning.
• Digunakan untuk mengklasifikasi dan memisahkan dua kelas data.
• Prinsip dasar: Linear Classifier.
• Bisa mengklasifikasi lebih dari dua kelas.

Konsep Dasar

• Linear Classifier: Memisahkan data dengan garis lurus di ruang dua dimensi.
• Non-linear Problem: Menggunakan konsep Kernel Trick untuk bekerja di ruang berdimensi tinggi.

Hyperplane

• Definisi: Garis dalam dua dimensi yang memisahkan data.
• Mencari Hyperplane yang memaksimalkan margin antara dua kelas.
• Margin Maksimum: Jarak terbesar antara data dari kedua kelas ke hyperplane.

Support Vector

• Support Vector: Titik data terluar yang paling dekat dengan hyperplane.
• Paling sulit diklasifikasi karena dekat dengan kelas lain.
• Kritikal dalam menentukan hyperplane yang optimal.

Penerapan Hyperplane

• Gambar 1: Hyperplane dengan margin kecil.
• Gambar 2: Hyperplane dengan margin besar, memaksimalkan jarak.

Data Non-Linear

• Menambah dimensi ketiga untuk memisahkan data yang tidak linear.
• Menggunakan persamaan Z = X² + Y² untuk memetakan data dalam dimensi tambahan.

Persamaan Dasar SVM

• Dua kelas: Kelas -1 (kotak) dan kelas +1 (lingkaran).
• Persamaan Hyperplane: WXI + B = 0.
• Support Vector Garis Bantu: WXI + B = -1 (untuk kelas kotak), WXI + B = +1 (untuk kelas lingkaran).
• Margin: 1/W.

Kesimpulan

• SVM mengklasifikasi dengan mencari margin maksimal.
• Bekerja baik pada data linear dan non-linear dengan menambah dimensi.
• Memilih support vector yang kritis penting untuk hasil klasifikasi yang baik.

Catatan: Untuk penjelasan lebih lanjut, lihat video lanjutan di description box.