Apa yang membuat SVM istimewa?
SVM adalah teknik yang sangat terkenal, karena ia tidak biasa. Ia spesial. Saya akan menjelaskannya melalui contoh berikut.
Anggap kita memiliki sebuah permasalahan sederhana. Bagaimana caranya agar kita bisa membedakan antara buah apel dan buah jeruk? Sebagai manusia, tentu saja mudah, cukup lihat saja bukan?
Saya yakin pembaca akan menjawab, bahwa yang sebelah kiri pada gambar di atas adalah buah apel, sedangkan yang kanan adalah jeruk. Kita menilainya berdasarkan warna, bentuk, dan teksturnya barangkali. Kita sudah cerdas.
Pertanyaannya, bagaimana mesin bisa membedakannya?
Mari kita lihat kembali ilustrasi berikut dari halaman 1.
Merujuk pada teknik-teknik lainnya di ML, maka biasanya untuk membedakan mana apel dan mana jeruk adalah dengan mecari dahulu karakteristik apel seperti apa, dan jeruk seperti apa. Jadi kita cari definisi apa itu apel (karakteristik yang ada pada buah, dengan sangat detail, sehingga bisa kita sebut itu adalah apel). Begitu juga dengan karakteristik jeruk. Jika diilustrasikan kembali, tampak sebagai berikut:
Jika algoritma lain (termasuk kita barangkali) cara membedakannya adalah dengan mengetahui mana yang apel banget dan mana yang jeruk banget, maka SVM justru sebaliknya. Dia bukan mengidentifikasinya berdasarkan pada titik-titik yang dilingkari (yang dilingkari adalah yang apel banget dan jeruk banget), namun ia justru membedakan apel dan jeruk dari 2 titik saja, di mana 2 titik ini adalah kondisi di mana apel dan jeruknya mirip sekali. kurang lebih seperti ini bentuk buah yang mirip antara apel dan jeruk.
SVM bekerja bukan dengan mencari mana yang apel banget dan mana yang jeruk banget, tapi cukup mencari mana apel yang mirip jeruk, dan mana jeruk yang mirip apel. Kemudian, SVM membuat garis batas antara 2 buah yang saling mirip ini. Semua buah yang berada di belakang garis pembatas ini dan di belakang apel kuning akan digolongkan sebagai apel. Begitu pula semua garis yang berada di belakang garis ini dan di belakang jeruk hijau akan dikategorikan sebagai jeruk.
Mudah bukan konsepnya.
Sekarang kita akan mulai latihan memecahkan persoalan yang sama di pembahasan logistic regression dan K-nearest neighbors, dan di mana pengusaha showroom mobil kebingungan membagi kelompok pelanggannya.
Untuk melanjutkan membaca, klik tombol di bawah ini.
Bisa dikasih contoh perhitungan manualnya sampai titi temu bahwa kelas tersebut masuk ke kelas -1 atau +1
terimakasih
Silakan baca referensinya (cari di bagian download) dan berlatih sendiri ya, sekalian belajar menerjemahkan rumus matematika.
Semoga menjawab
permisi pak, apakah boleh minta data setnya sebagai bahan latihan agar lebih mudah dipahami pak
Datasetnya ada di bagian download, dan dicantumkan link nya di artikel. Silakan dicek lagi.
Permisi, Pak.
Saya mau bertanya.
Apakah Support Vector Machine bisa digunakan untuk clustering?
Secara umum SVM dipakai untuk classification (klasifikasi) dan bukan clustering.
Tapi ada paper yang mencoba menggunakan SVM untuk clustering.
Saya belum pernah baca, tapi silakan dicoba metode di paper tersebut.
Semoga menjawab.
kak untuk mendowload data latih terdapat bagian mana ya?
Bisa dibaca di halaman 4, link ya ada di sana.
Permisi pak mau tanya,,,
apa metode SVM bisa mengklasifikasi objek yg bergerak atau objek dalam video??
Belum pernah coba, mungkin bisa dibaca penelitiannya di jurnal internasional.
Kenapa binary class nya digunakan bilangan +1 dan -1? Tidak menggunakan 0 dan 1 saja. Terima kasih?
Di SVM, penggunaan -1,1 lebih umum daripada 0,1
misalnya di library sklearn, svm bisa menambahkan parameter C, dan juga parameter C ini (yang adalah selain kernel) jika digunakan dapat digunakan untuk mencari metode terbaik dengan grid search sebagai caranya yaitu kombinasi antara C dan juga kernel., di pembahasan ini, kenapa seperti tidak menambahkan pembahasan tentang parameter C maupun perhitungan manual seperti SVM dengan tulis tangan?
Di artikel ini yang dibahas adalah dasarnya SVM jadi belum sampai ke hyperparameter tuning seperti menggunakan grid search.