Besok UAS ROP materinya banyak sekali. Biar gak
lupa ditulis aja di blog gan, wkwk. Metode yang selanjutnya adalah Support
Vector Machine (SVM).. Apa itu?? langsung liat dibawah aja gan
Pengertian
Support Vector Machine (SVM) pertama kali
diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis
konsep-konsep unggulan dalam bidang pattern recogn ition. Sebagai salah satu
metode pattern recognition, usia SVM terbilang masih relatif muda.
Walaupun demikian , evaluasi kemampuannya dalam berbagai aplikasinya menempatkannya
sebagai state of the art dalam pattern recognition, dan dewasa ini
merupakan salah satu tema yang berkembang dengan pesat. SVM adalah metode
learning machine yang bekerja atas prinsip Structural Risk Minimization
(SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class
pada input space. Tulisan ini membahas teori dasar SVM dan aplikasinya
dalam bioinf ormatika, khususnya pada analisa ekspresi gen yang diperoleh
dari analisa microarray Pengertian yang lainya adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang
fitur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran
yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias
yang berasal dari teori pembelajaran statistik.
Kelebihan
Dalam memilih solusi untuk
menyelesaikan suatu masalah, kelebihan dan kelemahan masing-masing
metode harus diperhatikan. Selanjutnya metode yang tepat dipilih dengan
memperhatikan karakteristik data yang diolah. Dalam hal SVM, walaupun
berbagai studi telah menunjukkan kelebihan metode SVM dibandingkan
metode kon vensional lain, SVM juga memiliki berbagai kelemahan.
Kelebihan SVM antara lain sbb.
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. Vapnik menjelaskan
bahwa generalization error dipengaruhi oleh dua faktor: error terhadap
training set, dan satu faktor lagi yang dipengaruhi oleh dimensi
VC (Vapnik-Chervokinensis). Strategi pembelajaran pada neural network
dan umumnya metode learning machine difokuskan pada usaha
untuk meminimimalkan error pada training-set. Strategi ini disebut
Empirical Risk Minimization (ERM). Adapun SVM
selain meminimalkan error pada training-set, juga meminimalkan faktor
kedua. Strategi ini disebut Structural Risk Minimization
(SRM), dan dalam SVM diwujudkan dengan memilih hyperplane
dengan margin terbesar. Berbagai studi empiris menunjukkan
bahwa pendekatan SRM pada SVM memberikan error generalisasi yang
lebih kecil daripada yang diperoleh dari strategi ERM pada neural
network maupun metode yang lain.
2. Curse of dimensionality Curse
of dimensionality didefinisikan sebagai masalah yang dihadapi
suatu metode pattern recognition dalam mengestimasikan parameter
(misalnya jumlah hidden neuron pada neural network, stopping criteria
dalam proses pembelajaran dsb.) dikarenakan jumlah sampel data
yang relatif sedikit dibandingkan dimensional ruang vektor data te
rsebut. Semakin tinggi dimensi dari ruang vektor informasi
yang diolah, membawa konsekuensi dibutuhkannya jumlah data dalam
proses pembelajaran. Pada kenyataannya seringkali terjadi, data yang
diolah berjumlah terbatas, dan untuk mengumpulkan data yang
lebih banyak tidak mungkin dilakukan karena kendala biaya dan
kesulitan teknis. Dalam kondisi tersebut, jika metode itu
“terpaksa” harus bekerja pada data yang berjumlah relatif sedikit
dibandingkan dimensinya, akan 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.
4. Feasibility SVM dapat diimplementasikan
relatif mudah, karena proses penentuan support vector dapat
dirumuskan dalam QP problem. Dengan demikian jika kita memiliki
library untuk menyelesaikan QP problem, dengan sendirinya SVM dapat
diimplementasikan dengan mudah. Selain itu dapat diselesaikan dengan
metode sekuensial sebagaimana penjelasan sebelumnya Kekurangan
Dari banyaknya kelebihan diatas SVM juga
mempunyai banyak kekurangan anrata lain
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. Dewasa ini SVM telah
dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari
dua, antara lain strategi One versus rest dan strategi Tree Structure.
Ok gan sudah paham kan mengenai svm??
Semoga
bermanfaat..
No comments:
Post a Comment