26
Support
Vector
Machines
(SVM)
telah
terbukti
sukses
diaplikasikan dalam
menyelesaikan
masalah
klasifikasi
dan
estimasi
fungsi
setelah
pengenalan
yang
dilakukan oleh
Vapnik
dalam
konteks
teori
statistical
learning
dan
structure
risk
minimization.
Vapnik
mengkonstruksikan SVM
standar
untuk
memisahkan
data-data
pelatihan menjadi dua kelas.
2.2.6.1 Karakteristik SVM
Karakteristik SVM yaitu:
•
Secara prinsip SVM adalah linear classifier
•
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.
•
Menerapkan strategi Structural Risk Minimization (SRM)
•
Prinsip
kerja
SVM
pada
dasarnya
hanya
mampu
menangani
klasifikasi
dua class.
 |