Belajar Mengenal Metode Klasifikasi SVM

            Salah satu tugas dan keahlian serta kelebihan Support Vector Machine adalah untuk melakukan prediksi. Mampu mengklasifikasikan dan mengregresi dalam suatu kasus adalah kemampuan yang dimiliki oleh SVM.

            Pada penerapannya, SVM memiliki suatu prinsip dasar linier clasifier, yang penjelasannya adalah suatu kasus yang secara linier dapat dipisahkan, namun saat ini SVM juga sudah dikembangkan supaya dapat pula bekerja pada problem non-linier dengan menambahkan konsep kernel pada ruang kerja yang berdimensi tinggi. perlu diketahui, pada ruang berdimensi tinggi, akan dicari sesuatu yang disebut hyperplane yang bisa memaksimalkan jarak antar beberapa kelas data.

            SVM linier merupakan pemisahan data menurut linier-nya. Pemisah terbaik tidak hanya dapat memisahkan data, tetapi juga margin. Selanjutnya agar SVM dapat memisahkan data yang tidak hanya secara linier makan SVM akan dimodifikasi.

            Untuk mengenal SVM lebih dalam, kita akan mencari tahu terlebih dahulu seajarah dari SVM. Tahun 1992 merupakan tahun dimana metode klasifikasi ini ditemukan dan dipresentasikan oleh Vapnik, Guyon,  dan Boser. Pada tahun pertamanya, ia dikenal sebagai salah satu pattern recognition. Pattern recognition adalah salah satu dari bidang komputer dan sains, tugasnya adlah memetakan suatu data tertentu kedalam konsep yang sudah didefinisikan sebelumnya, konsep tersebut dipanggil class atau category. SVM ini masihlah berumur muda. Namun, kemampuannya di mengolah aplikasi berhasil memproleh tempat sebagai state of the art dalam pattern recognition.

            Metode yang digunakan oleh SVM adalah metode learning machine yaitu bekerja pada dengan prinsip Structural Risk Minimizationyang bertujuan menemukan hyperplane terbaik yang memasihkan 2 buah class pada ruang input.

            SVM diduga bekerja lebih baik dari pada Neural Network. Keduanya sudah berhasil digunakan dalam pengenalam pola.       

            Dari orang-orang biasa hingga para ilmuwa telah menerapkan metode ini dalam menyelesaikan masalah-masalah di kehidupan sehari hari. Sudah terbukti bahwa SVM memberikan hasil kerja yang sangat baik dalam banyak implementasi.

            SVM sangat mudah dijelaskan secara sederhana untuk usaha mencari hyperplane-hyperplane terbaik yang berguna untuk mengklasifikasikan dua buah class pada ruang input. Problem klasifikasi dapat diselesaikan dengan menemukan garis atau hyperplane yang memisahkan antara kedua buah kelompok tersebut

Oleh karena itu, untuk menemukan problem klasifikasi, kita harus menemukan garis atau hyperplane yang memisahkan 2 buah kelompok yang memiliki problem tadi.

.           SVM sama seperti yang lainnya, memiliki kelebihan beserta kekurangan. Kelebihan SVM adalah sebagai berikut

1. mampu mengklasifikasikan pattern-pattern yang tidak masuk dalam kelas atau kategori metode yang menjadi pembelajaran. Kemampuan ini dinamai sebagai Generalisasi. Karena memiliki strategi SRM, Suppor vector machine bisa meminimalkan error pada training set dan juga error yang dipengaruhi oleh faktor VC.
2. Masalah dalam menghadapi suatu pattern disebut sebagai Curse of dimensionality. Masalah ini bisa terjadi dikarenakan jumlah data yang ada lebih sedikit dibandingkan dengan dimesional ruang vector data tersebut. Karena prinsipnya adalah semakin tinggi dimesional makan diperlukan pula data yang lebih dalam proses pembelajaran.
3. SVM memiliki Landasan teori yang jelas.
4. Dengan kelebihannya, SVM juga mampu diimplementasikan dengan mudah. Mengapa bisa begitu? Karena proses dalam menentukan SVM bisa dapat dirumuskan dengan QP problem. Jadi caranya cukup mudah yaitu dengan memiliki library untuk menyelesaikan Qp problem, maka selanjutnya SVM akan berimplimentasi secara mudah dengan sendirinya. Kelebihan ini disebut dengan Feasibility.

Selanjutnya kekurangan dari SVM adalah :

1. Bila dipakai dalam skala yang besar, maka SVM akan sangat sulit digunakan.
2. SVM sedang di olah agar mampu menyelasaikan masalah dengan class lebih dari dua.

Penulis : Apaf Nur Fauzia