Contoh Kasus SVM Dan Algoritma Perhitungannya

SVM atau Support Vector Machine adalah pembahasan pokok kita pada artikel kali ini. SVM (Support Vector Machine) sendiri merupakan sebuah teknik atau metode yang dipelajari dalam pembelajaran tentang Learning Machine. SVM dikembangkan oleh Guyon, Boser dan Vapink serta pertama kali diperkenalkan pada tahun 1992 pada saat presentasi di Annual Workshop on Computational Learning Theory.

Prinsip kerja SVM didasarkan atas prinsip Structural Risk Minimization (SRM) yang bertujuan untuk menghasilkan Hyperplane terbaik yang memisahkan input space pada dua buah class, dan secara sederhana prinsip dasar metode ini adalah linier classifier atau pengelompokan secara berarah yang kemudian dikembangkan sehingga mampu bekerja secara problemon linier. Prinsip ini sendiri merupakan gabungan atau kombinasi yang baik antara teori komputasi yang telah berkembang jauh sebelum adanya SVM.

Meski terbilang SVM merupakan teknik yang relatif baru, SVM sendiri dianggap metode yang lebih baik, akurat dan mutakhir dari metode sejenis yaitu ANN (Artificial Neural Network) yang berada dalam kelas pengklasifikasian yang sama yaitu supervised learning.

Menurut Santoso (2007) Support Vector Machine (SVM) merupakan sebuah metode untuk melakukan perhitungan ataupun prediksi dalam hal klasifikasi ataupun regresi. Klasifikasi sendiri merupakan pembagian akan suatu hal atau masalah berdasarkan kelas-kelas hal itu sendiri, sedangkan regresi adalah metode penentuan hubungan antara sebab akibat antar satu variabel dengan variabel yang lain.

Teori SVM diawali dengan mengelompokkan kasus linier yang mampu untuk dipisahkan (dikelompokan) dan dibagi sesuai dengan kelas ataupun hubungan sebab akibatnya. Dalam teori ini, fungsi yang digunakan adalah fungsi linier yang dapat didefinisikan sebagai berikut:

g(x) := sgn(f(x))              (2.1)

dengan              (2,2)

atau      (2.3)

dimana x, w ∈
and b ∈

Permasalahan dalam klasifikasi ini dapat dirumuskan dalam satu set parameter (w, b) sehingga f(xi) =< w, x > +b = y_i untuk semua i. Teknik ini berfungsi untuk menemukan fungi pemisah ( clasifier / hyperplane ) yang terbaik diantara banyak fungsi yang tidak terbatas jumlahnya yang memungkinkan untuk memisahkan dua buah objek. Hyperplan yang paling baik adalah klasifier yang terdapat di tengah atau diantara dua set objek dar dua kelas klasifikasi, yang didasarkan atas pemaksimalan ekuivalen dari margin atau jarak diantara kedua set yang berbeda kelasnya.

Pembahasan tentang SVM sebenarnya sangat panjang, namun agar mempermudah dalam memahaminya, kami akan jelaskan dari contoh kasus yang menggunakan metode SVM sehingga Greader sekalian mampu memahami SVM beserta algoritma perhitungannya lebih dalam. Salah satu penerapan dari Algoritma Support Machine adalah untuk kasus prediksi harga emas di pasaran.

Emas (gold) merupakan salah satu perhiasan dan aset yang sangat penting dan banyak analisa yang menyimpulkan bahwa dalam dunia usaha, investasi yang memiliki risiko paling kecil adalah investasi emas. Tinggi rendahnya harga jual ataupun beli emas dipengaruhi oleh banyak faktor, diantaranya lambat lajunya inflasi, kondisi perekonomian masyarakat, permintaan dan penawaran akan emas, indeks pertukaran mata uang rupiah, dan lainnya. Kondisi inilah yang menjadikan kenapa diperlukannya sebuah sistem atau metode untuk memprediksi harga emas di pasaran, sehingga mampu memberikan manfaat bagi investor karena mereka dapat melihat bagaimana peluang ataupun prospek ketika mereka hendak melakukan investasi emas dikemudian hari. Dalam kasus ini akan diprediksikan penutupan harga jual emas menggunakan algoritma SVM guna membandingkan variabel X yang terdiri dari (open, high, low dan close) dengan variabel Y yang terdiri dari (open, high, low, dan close serta factory news) dengan meningkatkan kinerja dan memaksimalkan parameter pada masing-masing variabel tersebut.

Sebelum masuk kepada algoritma yang cukup panjang dan rumit, kita akan gambarkan algoritmanya dalam kerangka pemikiran seperti urutan berikut:

1. Problem

Yang menjadi masalah atau contoh kasus dalam artikel ini adalah “Prediksi harga emas dengan berbagai metode belum mencapai level akurasi yang baik”

2. Approach

Metode yang digunakan adalah SVM dengan membandingkan dua variabel X dan Y, dan menggunakan parameter open, high, low, close dan factory news.

3. Development

Perancangan dan pembangunan dalam implementasi sistem dan SVM ini menggunakan Framework RapidMiner

4. Implementasi

Hasil dari penelitian dan analisa ini adalah untuk memprediksi harga emas dengan metode SVM

5. Evaluasi & Validation

Agar hasil yang didapat adalah hasil yang valid, baik serta maksimal maka yang dijadikan acuan untuk evaluasi dan validasi dari hasil yang didapat, menggunakan perhitungan Root Mean Square Erroe (RMSE)

6. Result

Yang akan menjadi hasil akhir dari proses ini adalah variabel dengan akurasi prediksi harga emas terbaik.

Demikianlah pembahasan tentang VSM dan algoritma perhitungannya, semoga menambah wawasan Greader sekalian.

Penulis : Catur