27
2.2.6.2 Kelebihan dan kekurangan SVM
Kelebihan SVM:
1. Generalisasi
Generalisasi
didefinisikan sebagai
kemampuan
suatu
metode
untuk
mengklasifikasikan
suatu
pattern,
yang
tidak
termasuk
data
yang
dipakai
dalam
fase
pembelajaran metode
tersebut.
Generalization error dipengaruhi oleh dua
faktor: error terhadap training set dan
dimensi
VC
(Vapnik–Chervonenkis
dimension).
Jadi,
SVM
dapat
meminimalkan
error
pada training-set, juga meminimalkan dimensi VC.
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
tersebut.
Semakin
tinggi
dimensi
dari
ruang
vector
informasi yang
diolah,
membawa
konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran.
3. Feasibility
SVM
dapat
diimplementasikan
relatif
mudah,
karena
proses
penentuan
support
vector
dapat
dirumuskan dalam
QP
problem
(Quadratic programming). Dengan demikian, jika
kita
memiliki
library
untuk
menyelesaikan QP
problem,
dengan sendirinya
SVM
dapat
diimplementasikan dengan mudah.
 |