13 Dari gambar 2.6 dapat dilihat dampak dari ulat api, daun yang disernag hama ulat
api akan berubah menjadi kering dan berwarna kecoklatan, seperti terbakar. Apabila dibiarkan maka efek jangka panjangnya daun akan habis terbakar dan tanaman akan
mati.
2.4.2 Ulat Kantong
Ulat kantong termasuk dalam famili Psychidae. Jenis ulat kantong yang paling merugikan di perkebunan kelapa sawit adalah Metisa plana dan Mahasena corbetti.
Contoh citra daun yang terkena efek ulat kantong dapat dilihat pada gambar 2.7
Gambar 2.7 Citra Daun dari Efek Hama Ulat Kantong
Dari gambar 2.7 dapat dilihat efek dari daun yang diserang hama ulat kantong. Daun menjadi berlubang, apabila dibiarkan maka efek jangka panjang yang terjadi
daun akan habis dimakan ulat dan hanya tersisa tangkainya saja dan dapat mengakibatkan produksi buah menjadi berkurang.
2.5 Support Vector Machine
SVM juga dikenal sebagai teknik pembelajaran mesin machine learning paling mutakhir setelah pembelajaran mesin sebelumnya yang dikenal sebagai Neural
Network NN. Baik SVM maupun NN tersebut telah berhasil digunakan dalam pengenalan pola. Pembelajaran dilakukan dengan menggunakan pasangan data input
dan data output berupasasaran yang diinginkan. Pembelajaran dengan cara ini disebut dengan pembelajaran terarah supervised learning. Dengan pembelajaran terarah
14 iniakan diperoleh fungsi yang menggambarkan bentuk ketergantungan input dan
outputnya. Selanjutnya, diharapkan fungsi yang diperoleh mempunyai kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut dapat digunakan untuk data
input di luar data pembelajaran Nugroho, A.S et,al 2003. Support Vector Machine SVM dikembangkan oleh Boser, Guyon, Vapnik.
Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on. Computational Learning Theory. Berbeda dengan strategi jaringan syaraf tiruan yang berusaha
mencari hyperplane pemisah antar kelas, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah pengklasifikasi linier, dan
selanjutnya dikembangkan agar dapat bekerja pada permasalahan nonlinier. dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Perkembangan
ini memberikan rangsangan minat penelitian di bidang pengenalan pola untuk investigasi potensi kemampuan SVM secara teoritis maupun dari segi aplikasi. Dewasa
ini SVM telah berhasil diaplikasikan dalam problem dunia nyata dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional. Proses cara
kerja SVM dapat dilihat pada gambar 2.8.
a b
Gambar 2.8 SVM Berusaha Menemukan Hyperplane Terbaik yang Memisahkan
Antara Class -1 dan +1
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Gambar 2.7a
memperlihatkan beberapa pattern yang merupakan anggota dari dua buah class : +1 Discrimination
Class - 1 Class + 1
Class - 1 Class + 1
Margin
15 dan
–1. Pattern yang tergabung pada class –1 disimbolkan dengan bentuk kotak, sedangkan pattern pada class +1, disimbolkan dengan bentuk lingkaran. Problem
klasifikasi dapat diterjemahkan dengan usaha menemukan garis hyperplane yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah
discrimination boundaries ditunjukkan pada gambar 2.7 a. Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur
margin dari hyperplane tsb. dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern
yang paling dekat ini disebut sebagai support vector. Garis solid pada gambar 2.7 b menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah
kedua class, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam adalah support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari
proses pembelajaran pada SVM.
Berikut adalah bentuk algoritma SVM beserta variabel dan parameternya :
x = {x0, x1, x2, .., xm}: merupakan sampel training y = {y1, .., ym}
⊂ {• }1}: merupakan label data training kernel = jenis fungsi kernel
par = parameter kernel C = konstanta cost
α = [α1, .., αm]: Lagrange multiplier dan bias b
Langkah-langkah proses dalam metode SVM ini dijalaskan sebagai berikut :
1. Hitung matriks kernel H. 2. Tentukan pembatas untuk programa kuadratik, termasuk Aeq, beq,A
dan b. 3. Tentukan fungsi tujuan programa kuadratik 1
2xHx + f_x. 4. Selesaikan masalah QP dan temukan solusi
α dan b.
16 Support vector machine juga memiliki ringkasan matriks, data-data dari matriks inilah
yang akan dikumpulkan untuk dijadikan informasi dalam menentukan nilai error pada citra yang akan diproses. Ringkasan matriks pada SVM adalah sebagai berikut :
Subject to 2.4
i = 1,...,ℓ dimana :
Z= Y=
2.5 Keterangan :
x = training input y = training target
ker = fungsi kernel par = parameter kernel
c = batas atas nsv = nomor-nomor dari support vector
alpha = lagrange multipliers b0 = bias term
Kelebihan dan kekurangan SVM adalah sebagai berikut : Kelebihan
Dalam memilih metode untuk menyelesaikan sebuah masalah pasti terdapat kelebihan dan kekurangan, berikut adalah kelebihan dan kekurangan pada Support
Vector Machine SVM :
17 1.
Generalisasi Generalisasi
didefinisikan sebagai kemampuan
suatu metode
SVM, neural network, dsb. untuk mengklasifikasikan suatu pattern, yang tidak termasuk
data yang dipakai dalam fase pembelajaran metode itu.. Strategi ini disebut Empirical Risk Minimization ERM. SVM digunakan untuk meminimalisir error faktor kedua.
Strategi ini disebut Structural Risk Minimization SRM, dan dalam SVM diwujudkan dengan memilih hyperplane dengan margin terbesar.
2. Curse of Dimensionality
sering terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis.
Dalam hal tersebut, jika metode itu terpaksa harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya,sehingga membuat proses estimasi
parameter metode menjadi sangat sulit.
3. Landasan Teori
Sebagai metode yang berbasis statistik, SVM memiliki landasan teori yang dapat dianalisa dengan jelas, dan tidak bersifat black box.
Kekurangan Dari kelebihan SVM juga terdapat kekurangannya, diantaranya :
1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini
dimaksudkan dengan jumlah sample yang diolah. 2.
SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Sekarang ini SVM telah dimodifikasi agar dapat menyelesaikan masalah
dengan class lebih dari dua.
18
2.6 Penelitian Terdahulu