28
Kekurangan SVM:
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
atau
lebih.
Namun
demikian,
masing-masing strategi
ini
memiliki
kelemahan,
sehingga
dapat
dikatakan
penelitian
dan
pengembangan
SVM
pada
multiclass-
problem masih merupakan tema penelitian yang masih terbuka.
2.2.6.3 Tujuan SVM
Tujuan
dari
pelatihan
pada
SVM
adalah
untuk
menemukan fungsi
pemisah
(classifier) f
(x) = ? . x + b sehingga
kita
dapat
menggunakan classifier tersebut
untuk
mengklasifikasi data. Training set yang digunakan :
, di mana
berperan
sebagai
input
dan
menjadi
output,
mengindikasikan kelas.
Formulasi SVM
dimulai
dari
asumsi
bahwa
kasus
yang
dapat
dipisahkan secara
linear
adalah:
Untuk kasus yang tidak dapat dipisahkan
Dimana
menunjukkan
sebuah pemetaan dari
input
menjadi sesuatu
yang
disebut ruang
fitur berdimensi
tinggi. Dalam
metode kernel suatu data
x
di input space
dipetakan ke kernel feature space yang lebih tinggi melalui map ? sebagai berikut :
 |