Metode SVM Support Vector Machine – Support Vector Machine (SVM) merupakan salah satu metode yang banyak mendapat perhatian dalam Pattern Recognition sebagai state of the art. Di mana pattern recognition, adalah metode pemetaan suatu data ke dalam konsep tertentu yang disebut juga Category atau Class.
Dikembangkan oleh Boser, Guyin, dan Vapnik. Metode ini pertama kali dipresentasikan pada “Annual Workshop on Computational Learning Theory” di tahun 1992. Di mana konsep dasarnya merupakan kombinasi dari berbagai teori komputasi contohnya seperti margin hyperplane, kernel, dan masih banyak lagi, yang memang telah dikenal sejak puluhan tahun lalu.
Dalam pemodelan klasifikasi, Metode SVM Support Vector Machine ini, memiliki konsep yang lebih matang. Kemudian secara matematis, juga jauh lebih jelas dibandingkan dengan teknik klasifikasi lainnya. Selain itu, metode ini juga mampu mengatasi masalah klasifikasi dan regresi dengan linear maupun non-linear.
Adapun prinsip dasar SVM menggunakan linear classifier. Kemudian agar bisa bekerja pada problem non-linear di ruang kerja berdimensi tinggi, maka harus dikembangkan dengan menggunakan konsep kernel trick. Hingga saat ini, metode tersebut juga telah berhasil diaplikasikan ke dalam problem dunia nyata, bahkan bisa memberikan solusi yang lebih baik, dibandingkan dengan metode konvensional.
Bisa dikatakan bahwa metode SVM ini merupakan metode learning machine yang bekerja atas prinsip SRM atau Structural Risk Minimization. Dimana tujuannya adalah menemukan hyperplane terbaik yang bisa memisahkan dua buah class pada input space dan memaksimalkan jarak antar class.
Di dalam dua dimensi (2D), untuk klasifikasi antar kelas, fungsi yang digunakan disebut dengan line whereas. Sementara fungsi yang digunakan untuk klasifikasi antar kelas dalam tiga dimensi (3D), disebut juga dengan plane similarly. Berikutnya hyperplane yang digunakan untuk klasifikasi di dalam ruang kelas dimensi yang lebih tinggi,
Gambar di bawah ini mengilustrasikan hyperplane yang ditemukan dalam Metode SVM Support Vector Machine, yang posisinya berada di bagian tengah antara dua class. Ini artinya jarak antara hyperplane dengan objek data, berbeda dengan class yang berdekatan. (Keterangan pada gambar adalah yang diberi tanda bulat kosong dan positif).

Selanjutnya objek data terluar yang paling dekat dengan hyperplane disebut juga dengan support vector yang memang paling sulit untuk diklasifikasikan. Hal ini dikarenakan posisinya yang hampir tumpang tindih atau overlap dengan class lain. Karena sifatnya yang kritis, support vector inilah yang paling optimal untuk diperhitungkan hingga bisa menemukan hyperplane.
Demikianlah penjelasan singkat mengenai Metode SVM Support Vector Machine yang merupakan pendekatan kecerdasan buatan atau AI (Artificial Intelligence), yang perlu Anda ketahui. Dimana metode-metode seperti ini, banyak memengaruhi dunia industri. Dimana sebagian besar dunia industri juga telah mengakui nilai teknologi atas penggunaan metode tersebut.
sumber:
https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-149fec72bd02 http://learningbox.coffeecup.com/SVM.html