⌚JS11 - Klasifikasi 2

Support Vector Machine

Pendahuluan

Support Vector Machine (SVM) merupakan salah satu algoritma pembelajaran mesin yang paling berpengaruh dalam bidang klasifikasi. Diperkenalkan pada awal tahun 1990-an, SVM dengan cepat menjadi metode standar dalam berbagai aplikasi seperti pengenalan wajah, deteksi spam, analisis teks, dan bioinformatika. Keunggulannya terletak pada kemampuannya menemukan garis pemisah terbaik (optimal hyperplane) yang tidak hanya memisahkan dua kelas data, tetapi juga memberikan margin terbesar di antara keduanya.

Konsep utama SVM sederhana namun kuat: data yang berbeda kelas sebaiknya dipisahkan sejauh mungkin, agar model tidak mudah terpengaruh oleh gangguan kecil (noise). Dengan pendekatan ini, SVM menghasilkan model yang stabil dan memiliki kemampuan generalisasi tinggi. Ketika data tidak dapat dipisahkan secara linear, SVM tetap mampu menangani permasalahan tersebut melalui kernel trick, yaitu metode matematis untuk mentransformasikan data ke ruang berdimensi lebih tinggi sehingga menjadi terpisahkan.

Modul ini akan mengantarkan mahasiswa untuk memahami secara menyeluruh prinsip kerja SVM, baik dari sisi matematis maupun implementatif. Pembahasan dilakukan secara bertahap, dimulai dari ide dasar tentang margin dan support vector, dilanjutkan dengan konsep soft margin, kernel, serta penerapan praktis menggunakan Scikit-Learn.

Tujuan

• Menjelaskan konsep dasar klasifikasi menggunakan Support Vector Machine (SVM).

• Membedakan antara hard margin dan soft margin serta memahami peran parameter C dalam pengendalian trade-off antara kesalahan dan margin.

• Menjelaskan prinsip kernel trick dan mengenali berbagai jenis kernel (linear, polynomial, RBF).

• Mengimplementasikan model SVM untuk klasifikasi data menggunakan pustaka Scikit-Learn.

• Mengevaluasi performa model SVM serta menjelaskan kelebihan dan keterbatasannya pada berbagai jenis dataset.