25
2.2.6 Support Vector Machines (SVM)
Support
Vector
Machine
(SVM)
pertama
kali
diperkenalkan
oleh
Vapnik
pada
tahun
1992
sebagai
rangkaian harmonis
konsep-konsep
unggulan
dalam
bidang
pattern
recognition
(pengenalan
pola).
Sebagai
salah
satu
metode
pengenalan
pola,
usia
SVM
terbilang
masih
relatif
muda.
Walaupun
demikian,
evaluasi
kemampuannya dalam
berbagai aplikasi
menempatkannya sebagai sebuah karya terbaik dalam pengenalan pola.
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.
Konsep
dasar
SVM
sebenarnya
merupakan
kombinasi
harmonis
dari
teori-teori
komputasi
yang telah ada
puluhan
tahun sebelumnya, seperti margin
hyperplane,
kernel
diperkenalkan oleh
Aronszajn
tahun
1950
dan
demikian
juga
dengan
konsep-konsep
pendukung yang
lain.
Akan
tetapi
hingga
tahun
1992,
belum
pernah
ada
upaya
merangkaikan komponen-komponen tersebut.
Berbeda
dengan
strategi
neural
network
yang
berusaha mencari hyperplane
pemisah
antar
kelas,
SVM
berusaha
menemukan hyperplane
yang
terbaik
pada
input
space.
Prinsip
dasar
SVM
adalah
linear
classifier,
dan
selanjutnya
dikembangkan agar
dapat
bekerja
pada
problem non-linear,
dengan
memasukkan
konsep
kernel
trick
pada
ruang
kerja
berdimensi
tinggi.
Perkembangan ini
memberikan
rangsangan
minat
penelitian di
bidang pengenalan pola
untuk
investigasi potensi kemampuan SVM
secara
teoritis
maupun
dari
segi
aplikasi.
Dewasa
ini
SVM
telah
berhasil
diaplikasikan dalam
aplikasi
di
dunia
nyata
dan
secara
umum
memberikan solusi
yang
lebih
baik
dibandingkan dengan metode konvensional seperti misalnya artificial neural network.
 |