=
∑
∈ =
n SV
X i
i i
i
y
, 1
α b
x x
K
i
+ ,
15
SV pada persamaan di atas dimaksudkan dengan subset dari training set yang terpilih sebagai support vector, dengan kata lain data
i
x yang berkorespondensi pada ≥
i
α .
Penelitian ini menggunakan package e1071 dari perangkat lunak R open source versi 2.13.1 Dimitriadou, 2007
II.2.3. Karakteristik Support Vector Machine SVM
Menurut Nugroho,2003, karakteristik SVM secara umum dirangkumkan sebagai berikut:
1. Secara prinsip SVM adalah linear classifier.
2. Pattern recognition dilakukan dengan mentransformasikan data pada input
space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vector yang baru tersebut. Hal ini membedakan SVM dari solusi pattern
recognition pada umumnya, yang melakukan optimisasi parameter pada ruang hasil transformasi yang berdimensi lebih rendah daripada dimensi input space.
3. Menerapkan strategi Structural Risk Minimization SRM.
4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua
kelas.
II.2.4 Multiclass Support Vector Machine SVM
Ada dua pilihan untuk mengimplementasikan multiclass SVM yaitu dengan menggabungkan beberapa SVM biner atau menggabungkan semua data yang terdiri
dari beberapa kelas ke dalam sebuah bentuk permasalahn optimal. Namun pada pendekatan yang kedua permasalahn optimasi yang harus diselesaikan jauh lebih
rumit. Berikut ini adalah metode yang umum digunakan untuk mengimplementasikan multiclass SVM dengan pendekatan yang pertama:
1. Metode one-against-all satu lawan semua
Dengan menggunakan metode ini, dibagun k buah model SVM biner k adalah jumlah kelas
Universitas Sumatera Utara
2. Metode one-against-one satu lawan satu
Dengan menggunakan metode ini, dibagun kk-12 buah model klasifikasi biner k adalah jumlah kelas. Terdapat beberapa metode untuk melakukan
pengujian setelah keseluruhan kk-12 model klasifikasi selesai dibagun. Salah satunya adalah metode voting Santosa, 2007.
II.2.5 Kelebihan Support Vector Machine SVM Adapun beberapa keuntungan dari metode SVM adalah sebagai berikut:
1. Generalisasi
Generalisasi didefinisikan sebagai kemampuan suatu metode untuk mengklasifikasikan suatu pattern, yang tidak termasuk data yang dipakai
dalam fase pembelajaran metode itu. 2.
Curse of dimensionality Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu
metode pettern recognition dalam mengestimasikan parameter dikarenakan jumlah sampael data yang relative lebih sedikit dibandingkan dengan
dimensional ruang vektor data tersebut. 3.
Feasibility SVM dapat diimplementasikan relative mudah, karena proses penentuan
support vector dapat dirumuskan dalam QP problem Nugroho, 2003
II.2.6 Kekurangan Support Vector Machine SVM
Adapun beberapa kerugian dari metode SVM adalah sebagai berikut : 1.
Sulit dipakai problem berskala besar. Dalam hal ini dimaksudkan dengan jumlah sampel yang diolah.
2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua
kelas. Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan lebih dari dua kelas Nugroho, 2003.
II.3 Metode Kernel
