2. Support Vector Machine
● Dikembangkan oleh B. E. Boser, I. M. Guyon, dan V. N. Vapnik
pada 1992 dan dipresentasikan di Fifth Annual Workshop of
Computational Learning Theory
● Digunakan untuk pengenalan tulisan tangan
3. Decision Boundary
● Pemisah antara dua kelas
● Banyak decision boundary
yang dapat dibuat antara
dua kelas
● Dapat dicari menggunakan
algoritma perceptron, e.g.
neural network
● SVM Mencari hyperplane
yang paling optimal
4. Support Vector Machine
● Decision boundary harus
sejauh mungkin dari kedua
kelas
● Harus memaksimalkan
margin
13. Non-linear SVM
● Memisahkan dua kelas secara non-linier
● Ide:
○ Petakan data ke ruang yang berdimensi lebih tinggi
○ Klasifikasi secara linier
● Fungsi yang memetakan: kernel function Ф
○ Input space: ruang asal data
○ Feature space: ruang data setelah transformasi
● Contoh:
Input Space Feature Space
(1D) (2D)
xi Ф Ф(xi2)
17. Support Vector Machine
● Kelebihan:
○ Tidak terjebak pada local optima
○ Dapat mengklasifikasi data berdimensi tinggi
● Kekurangan:
○ Harus memilih kernel function yang cocok
18. Conclusion
● SVM adalah alternatif yang baik dari neural network
● Konsep penting dalam SVM:
○ Memaksimalkan margin
○ Penggunaan kernel function