Apa Itu Support Vector Machine (SVM)? Penjelasan untuk Pemula
Support vector machine (SVM), atau mesin vektor pendukung, adalah algoritma pembelajaran terawasi yang dipakai untuk klasifikasi dan regresi dengan mencari hyperplane (hiperbidang) yang memisahkan kelas sebaik mungkin sambil memaksimalkan jarak margin di antara titik data terdekat dari masing-masing kelas.
Intuisi sederhana
Bayangkan dua kelompok data yang perlu dipisahkan. Banyak garis bisa memisahkannya, tetapi SVM memilih batas yang berada sejauh mungkin dari kedua kelompok, sehingga ruang di antara keduanya selebar mungkin. Tujuannya bukan sekadar memisahkan data latih, melainkan menjaga jarak aman agar model tetap bekerja saat bertemu data baru.
Hyperplane, margin, dan support vector
| Istilah | Arti dalam konteks ini |
|---|---|
| Hyperplane (hiperbidang) | Batas keputusan; berupa garis pada dua dimensi dan bidang pada dimensi lebih tinggi |
| Margin | Jarak antara hyperplane dengan titik data terdekat dari tiap kelas |
| Support vector (vektor pendukung) | Titik data yang paling dekat dengan hyperplane dan menentukan posisi batas |
Menurut Wikipedia bahasa Indonesia, sampel yang berada pada margin disebut support vectors. Karena hanya titik-titik ini yang menentukan batas, menambah atau mengubah titik lain yang jauh dari margin biasanya tidak mengubah hasil.
Langkah kerja SVM
- SVM memeriksa ruang fitur dan mencari hyperplane yang memisahkan kelas.
- Ia mengukur margin, yaitu jarak dari hyperplane ke support vector pada tiap sisi.
- Algoritma memilih hyperplane dengan margin yang lebar.
- Untuk data baru, ia melihat berada di sisi mana titik tersebut lalu memberi label.
Data linear dan non-linear
Jika kedua kelas dapat dipisahkan dengan garis lurus, SVM linear sudah cukup. Pada kenyataannya banyak data tidak dapat dipisahkan secara linear. Untuk kasus ini SVM memakai pemetaan non-linear yang mengubah data awal ke ruang berdimensi lebih tinggi, sehingga sebuah hyperplane dapat memisahkannya. Jurnal STMIK Banjarbaru menjelaskan bahwa hampir semua data dunia nyata bersifat non-linear, sehingga pendekatan kernel sering dipakai.
Peran fungsi kernel dan kernel trick
Kernel trick memungkinkan pemisahan non-linear tanpa harus menghitung koordinat dimensi tinggi secara eksplisit; algoritma cukup memakai hasil fungsi kernel yang membandingkan pasangan titik. Beberapa fungsi kernel yang umum dipakai:
| Kernel | Ciri khas | Biasanya dipakai saat |
|---|---|---|
| Linear | Batas berupa garis/ bidang lurus | Data sudah dapat dipisahkan |
| Polinomial | Membuat batas melengkung berderajat tertentu | Pola non-linear sederhana |
| RBF (radial basis function) | Membuat batas kompleks berbasis jarak | Pola non-linear yang rumit |
Penelitian di Garuda memakai kernel RBF untuk mengenali gambar tangan bahasa isyarat, karena kernel ini dapat menangani data yang tidak linear.
Margin lunak dan parameter C
Saat ada titik yang sulit dipisahkan atau kemungkinan merupakan derau, margin lunak (soft margin) mengizinkan sejumlah pelanggaran agar batas tetap umum. Parameter yang sering ditulis C mengatur keseimbangan antara memperlebar margin dan menghindari kesalahan pada data latih. Nilai C perlu disesuaikan, misalnya lewat pencarian hyperparameter dan validasi silang.
Kelebihan dan keterbatasan
SVM efektif pada ruang fitur berdimensi tinggi dan himpunan data yang tidak terlalu besar, serta memberi pilihan kernel yang luwes. Di sisi lain, biaya pelatihan dapat meningkat pada data sangat besar, dan pemilihan kernel serta parameter perlu diuji. Sejumlah penelitian Indonesia memakainya untuk klasifikasi kemiskinan, prediksi kelulusan, dan pengenalan bahasa isyarat, sering kali dibandingkan dengan random forest.
FAQ
Apa itu support vector machine secara singkat?
Algoritma terawasi yang mencari hyperplane pembatas kelas dengan margin lebar, dan memakai fungsi kernel untuk data non-linear.
Apa bedanya hyperplane dan margin?
Hyperplane adalah batas keputusan, sedangkan margin adalah jarak dari batas itu ke titik data terdekat.
Kapan kernel RBF dipakai?
Saat data tidak dapat dipisahkan secara linear dan membutuhkan batas keputusan yang kompleks.
Apakah SVM hanya untuk klasifikasi?
Tidak. SVM juga dapat dipakai untuk regresi, meskipun penerapan klasifikasi lebih sering dibahas.
Poin utama
- SVM mencari hyperplane dengan margin lebar untuk memisahkan kelas.
- Support vector adalah titik terdekat yang menentukan batas.
- Fungsi kernel membantu menangani data non-linear.
- Margin lunak mengizinkan sedikit pelanggaran agar model tetap umum.
Baca lanjutan apa itu machine learning dan apa itu supervised learning.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free