Algoritma SVM (Support Vector Machine) #1

Pernahkah terlintas di benak sobat Exsight, bagaimana cara komputer bisa membedakan antara gambar kucing dan anjing, mengklasifikasikan email sebagai spam atau bukan, atau bahkan mendeteksi penyakit pada gambar medis? Hal-hal tersebut erat kaitannya dengan salah satu algoritma machine learning, yaitu Support Vector Machine (SVM). Artikel ini akan membahas terkait SVM, yuk simak dengan seksama!

Definisi

Support Vector Machine (SVM) merupakan sebuah algoritma dalam machine learning yang digunakan untuk melakukan tugas klasifikasi dan regresi. Tujuan utama dari SVM dalam konteks klasifikasi adalah membangun sebuah model yang dapat memisahkan dua kelas data dengan menggunakan hyperplane (bidang pemisah) yang memiliki margin (ruang kosong) yang maksimal di antara kelas-kelas tersebut.

Pada dasarnya, SVM mencari hyperplane yang memiliki jarak terjauh antara titik-titik data terdekat dari kedua kelas. Titik-titik data ini disebut “support vectors“. Margin adalah jarak antara hyperplane dan support vectors. Dalam kasus klasifikasi biner, SVM berusaha untuk menemukan hyperplane yang memaksimalkan margin ini.

Selain digunakan dalam klasifikasi, SVM juga dapat diadaptasi untuk analisis regresi dengan mengembangkan Support Vector Regression (SVR) dengan cara menemukan hyperplane yang dapat menampung sebagian besar titik data dalam margin.

Konsep Dasar SVM

Konsep dasar dari algoritma Support Vector Machine (SVM) memisahkan dua kelas data dengan margin maksimal menggunakan hyperplane. Beberapa komponen dasar dari algoritma SVM adalah sebagai berikut.

1. Hyperplane
Hyperplane adalah sebuah bidang yang memisahkan dua kelas data. Dalam kasus klasifikasi biner, SVM mencari hyperplane yang memiliki jarak (margin) maksimal antara titik-titik data dari kedua kelas. Tujuannya adalah untuk menciptakan batas keputusan yang optimal di antara kelas-kelas tersebut.

2. Margin
Margin adalah jarak antara hyperplane dan titik-titik data terdekat dari masing-masing kelas. Margin ini dapat digambarkan sebagai area kosong di antara kelas-kelas data. SVM berusaha untuk memaksimalkan margin untuk memastikan bahwa model memiliki toleransi yang lebih tinggi terhadap ketidakpastian dalam data.

3. Support Vectors
Support vectors adalah titik-titik data yang berada tepat di sekitar batas margin, yakni titik-titik yang paling dekat dengan hyperplane. Dalam proses pelatihan, SVM memberikan perhatian khusus pada support vectors karena mereka memiliki peran penting dalam menentukan hyperplane yang optimal.

4. Kernel
Fungsi kernel pada SVM digunakan untuk memproyeksikan data ke dalam ruang dimensi yang lebih tinggi. Kernel berperan penting untuk mengatasi kasus pemisahan data yang tidak linear di dalam ruang dimensi rendah. Data yang semula tidak terpisahkan secara linear dapat dipisahkan dengan garis linear di dalam dimensi yang lebih tinggi.

Konsep dasar SVM memfokuskan pada pencarian hyperplane yang paling baik dalam memisahkan kelas-kelas data dan memaksimalkan margin di antara mereka. Pemisahan data pada SVM sangat tergantung pada pemilihan parameter yang tepat dan pemahaman yang baik tentang karakteristik data.

Kelebihan dan Keterbatasan

Support Vector Machine (SVM) sebagai suatu algoritma machine learning, memiliki beberapa kelebihan dan keterbatasan.

Kelebihan

1. Efektif dalam Dimensi Tinggi
   Algoritma SVM efektif apabila digunakan untuk mengatasi data dengan dimensi yang tinggi, bahkan ketika jumlah sampel relatif sedikit. Sehingga SVM cocok diterapkan dalam berbagai jenis data seperti teks atau citra.
2. Maksimalisasi Margin
   SVM berusaha untuk memaksimalkan margin antara kelas-kelas data. Hal ini menyebabkan SVM cenderung menghasilkan model yang lebih umum dan memiliki performa yang baik pada data baru.
3. Penanganan Data Pencilan (Outlier)
   SVM lebih tahan terhadap pengaruh data pencilan (outlier) yang mungkin memengaruhi model secara signifikan.
4. Penanganan Masalah Linear dan Non-Linear
   Dengan menggunakan fungsi kernel, SVM dapat menangani kasus-kasus data yang tidak linear dengan memproyeksikan data ke dalam ruang fitur yang lebih tinggi.

Keterbatasan

1. Sensitivitas terhadap Skala Data
   SVM cenderung sensitif terhadap skala data. Oleh karena itu, sebaiknya data diubah skala secara konsisten sebelum digunakan dalam SVM.
2. Kompleksitas Komputasi
   Implementasi SVM bisa menjadi kompleks, terutama ketika jumlah sampel sangat besar.
3. Interpretabilitas Model
   Model SVM cenderung sulit diinterpretasi, terutama ketika menggunakan jenis kernel yang kompleks.

Penerapan SVM

Support Vector Machine (SVM) dapat diterapkan dalam berbagai bidang diantaranya adalah sebagai berikut.

1.Klasifikasi Teks
SVM dapat digunakan untuk mengklasifikasikan teks, seperti klasifikasi email sebagai spam atau non-spam maupun kategorisasi dokumen berita.

2. Pengenalan Gambar
SVM digunakan untuk klasifikasi objek seperti identifikasi wajah pada foto, atau klasifikasi jenis penyakit pada citra medis.

3. Prediksi Keuangan
SVM dapat digunakan dalam prediksi pergerakan harga saham, nilai tukar mata uang, atau penilaian kredit nasabah berdasarkan data historis.

Penerapan SVM sangat luas dan dapat diadaptasi untuk berbagai jenis data dan studi kasus. Keberhasilan penerapan SVM tergantung pada pemilihan jenis kernel yang tepat, parameter-parameter yang sesuai, serta pemahaman mendalam tentang karakteristik data yang digunakan.

Referensi

Hastie, T., Tibshirani, R., & Friedman, J. (2009). “The Elements of Statistical Learning: Data Mining, Inference, and Prediction.” Springer.

Novianti, F.A dan Purnami, S.W. (2012). “Analisis Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support Vector Machine (SVM) Berdasarkan Hasil Mamografi”. Jurnal Sains dan Seni ITS, Vol. 1,No. 1.

Sampai disini dulu penjelasan terkait Algoritma Support Vector Machine (SVM). Jika masih ada yang dibingungkan bisa langsung saja ramaikan kolom komentar atau hubungi admin melalui tombol bantuan di kanan bawah. Stay tuned di website https://exsight.id/blog/ agar tidak ketinggalan artikel-artikel menarik lainnya.