Support vector machine merupakan salah satu algoritma dari machine learning untuk mengatasi masalah klasifikasi dan juga regresi. Pendekatan yang digunakan pada algoritma support vector machine sendiri adalah supervised learning dan pemisahannya menggunakan dasar hyperplane. Berikut penjelasan mengenai SVM ini mulai dari definisi, metode dan juga bagaimana cara kerjanya.
Definisi SVM
Support Vector Machine adalah metode klasifikasi data dengan menggunakan metode machine learning dalam analisis data dan mengurutkannya. SVM ini adalah metode machine learning yang paling populer digunakan untuk mengelompokkan data dengan menggunakan hyperplane sebagai pemisah. Hyperplane sebagai pemisah data ini bisa berupa garis pada dua dimensi dan bisa berupa flat plane pada multiple plane.
SVM ini merupakan memiliki tingkat akurasi yang cukup tinggi dengan daya komputasi yang bisa dibilang jauh lebih sedikit. Jadi wajar ada banyak sekali orang yang menyukai metode ini dalam urusan klasifikasi data pada satu ruang input.
Cara Kerja
Cara kerja support vector machine ini sendiri yakni memetakan data ke dalam ruang fitur dengan dimensi tinggi. Pemetaan ini nantinya akan bisa membuat titik data bisa dikategorikan meskipun data mungkin tidak bisa dipisahkan secara linear. Setelah pemisah data sudah bisa ditemukan, maka data bisa ditransformasikan sehingga pemisah data nantinya bisa digambarkan sebagai hyperplane.
Setelah proses di atas karakteristik data akan didapatkan dan bisa digunakan untuk memprediksi pada kelompok mana record data yang baru. Pada support vector machine jarak antara titik data yang terdekat dengan hyperplane pada setiap kelompok itu disebut margin. Semakin besar marginnya akan bisa menghasilkan performa klasifikasi yang jauh lebih baik pada data pada satu ruang input.
Komponen pada SVM
Bila kita melihat dari cara kerja SVM di atas, maka kita bisa lihat ada beberapa komponen yang terdapat di dalamnya. Berikut ini kami akan berikan penjelasan mengenai komponen tersebut.
1. Hyperplane
Hyperplane adalah batas keputusan untuk membedakan dua kelas data pada SVM, di mana batas terbaik akan membantu klasifikasi titik data. Dalam memisahkan data dalam ruang n-dimensi bisa jadi terdapat 2 garis batas keputusan meskipun kita perlu mencari batas terbaik. Dimensi dari hyperplane ini sendiri bergantung pada fitur yang ada pada data set, di mana bila ada 2 fitur maka bentuknya garis lurus.
2. Support Vector
Support vector merupakan titik data yang posisinya paling dekat dengan hyperplane yang sudah ditentukan dan akan mempengaruhi posisi hyperplane. Alasan diberi nama support adalah karena vector atau titik data ini mendukung dan mempengaruhi posisi dari hyperplane.
3. Margin
Margin sendiri adalah jarak antara support vector yang berada di masing-masing kelas yang sudah dipisahkan sebelumnya. Nilai margin terbesar atau max margin bisa didapatkan dengan memaksimalkan jarak antara hyperplane dengan titik terdekatnya. Pada support vector machine nilai margin yang besar akan meningkatkan performa dalam proses klasifikasi data yang dilakukan.
Metode SVM
Metode support vector machine (SVM) sendiri dipisahkan berdasarkan jenis dari data yang akan dipisahkan dengan SVM ini. Setiap metode biasanya menggunakan fungsi kernel dengan penggunaan yang berbeda-beda, berikut ini kami akan jelaskan beberapa metodenya.
1. Linear
Metode linear ini digunakan pada saat digunakan pada data yang bisa dipisahkan secara linear dengan cukup mudah. Jadi data set bisa dipisahkan menjadi 2 kelas hanya dengan menggunakan satu garis lurus saja. Bila mendapatkan data set yang demikian maka metode support vector machine linear ini bisa digunakan secara langsung.
Fungsi kernel linear sangat direkomendasikan ketika ingin memisahkan atau klasifikasi data linear, karena mudah dilakukan.
2. Non Linear
Metode non linear ini bisa digunakan untuk memisahkan data non linear yang berarti tidak bisa dipisahkan dengan satu garis lurus. Bila kondisinya demikian maka metode non linear ini yang harus digunakan dan mungkin harus mempergunakan beberapa fungsi kernel. Perlu untuk mencoba beberapa fungsi yang berbeda untuk bisa mendapatkan model terbaik pada setiap kasus yang ada.
Fungsi kernel yang bisa didukung oleh support vector machine sendiri ada beberapa, berikut beberapa di antaranya.
1. Fungsi Kernel Linear
2. Polinominal
3. Fungsi Basis Radial
4. Sigmoid
Penggunaan fungsi kernel ini sendiri sangat ditentukan dari kasus data set yang ditemukan untuk bisa mendapatkan pola klasifikasi yang terbaik.
Kelebihan dan Kekurangan
SVM ini tentunya memiliki beberapa kelebihan yang menjadi alasan banyak orang mempergunakan metode machine learning ini. Berikut ini kami akan jelaskan beberapa kelebihannya.
1. Metode ini sangat efektif untuk ruang dimensi yang tinggi
2. Menggunakan sistem sub set titik pelatihan dalam fungsi pengambilan keputusan yang disebut vector dukungan, hal ini sangat menghemat memori
3. Metode ini masih cukup efektif untuk kasus jumlah dimensi jauh lebih besar dibandingkan jumlah sampel
4. Mampu bekerja relatif lebih baik dengan adanya margin pemisah yang sangat jelas antar kelas yang satu dengan yang lainnya
5. Support vector machine Python bisa dibilang serba guna dengan beberapa fungsi kernel yang berbeda dalam fungsi keputusan. Disediakan fungsi kernel yang umum dan memungkinkan menggunakan fungsi kernel buatan
Selain memiliki beberapa kelebihan juga ada beberapa kekurangan yang dimiliki oleh SVM ini, berikut ini beberapa di antaranya.
1. Algoritma pada support vector machine ini tidak cocok digunakan pada data set dalam jumlah besar, karena membutuhkan waktu training yang lama
2. Bila jumlah fitur lebih banyak dibandingkan dengan jumlah sampel maka metode SVM ini akan memiliki performa yang kurang baik
3. SVM tidak bisa bekerja secara maksimal pada data set yang memiliki noise lebih banyak, seperti misalnya kelas target yang tumpang tindih
4. SVM tidak memiliki kejelasan probabilitas pada klasifikasi data karena bekerja dengan meletakkan titik data di atas dan di bawah hyperplane. Kondisi ini akan menyebabkan beban komputasi yang tinggi.
Kesimpulan
Setelah melihat penjelasan apa itu support vector machine, maka untuk bisa mengimplementasikannya perlu memahami pola perhitungan fungsi kernel yang digunakan. Kalian mungkin perlu mencari beberapa contoh perhitungan support vector machine untuk benar-benar memperhitungkan klasifikasi data. Perlu adanya beberapa percobaan fungsi untuk mendapatkan fungsi terbaik yang menghasilkan max margin yang cukup besar untuk kinerja lebih optimal.
Bila ingin bisa menguasai SVM tentunya perlu mempelajari basic bahasa pemrograman dan juga fungsi kernel yang dipakai untuk perhitungan SVM. Kalian bisa mencoba mengikuti kursus IT dari CourseNet yang materinya sangat lengkap termasuk perihal support vector machine ini. Mentor yang tersedia pun berpengalaman dan mampu menjelaskan dengan sangat baik dan mudah untuk dipahami.
Jadi tunggu apalagi segera daftarkan diri kalian di CourseNet untuk mengikuti kursus IT dan mempelajari SVM.
