Laporan Ujian Tengah Semester

Mata Kuliah Decision Support System

Studi Kasus Penyakit Hepatitis

Dengan Menggunakan Algoritma Support Vector Machine (SVM)

Disusun Oleh:
Michael Pebie Ali
00000015940

Fakultas ICT
Program Studi Sistem Informasi
Universitas Multimedia Nusantara
 Daftar Halaman

Laporan Ujian Tengah Semester............................................................................................................1

Daftar Halaman.....................................................................................................................................2
Daftar Tabel...........................................................................................................................................4
Daftar Gambar.......................................................................................................................................5
Daftar Rumus........................................................................................................................................6
Bab I Pengertian Algoritma SVM.........................................................................................................7
1.1 Algoritma Support Vector Machine (SVM).............................................................................7
1.2 Kegunaan SVM.............................................................................................................................7
1.3 Kelebihan SVM.............................................................................................................................8
1.4 Kekurangan SVM.........................................................................................................................9
1.5 History SVM.................................................................................................................................9
1.6 Karakteristik SVM......................................................................................................................10
1.7 Daftar Pustaka Bab I...................................................................................................................11
Bab II Cara Kerja Algoritma Support Vector Machine........................................................................12
2.1 Step By Step Cara Kerja Algoritma SVM.....................................................................................12
Step 1: Identifikasi Hyper-plane yang tepat (tahap 1).....................................................................12
Step 2: Identifikasi Hyper-plane yang tepat (tahap 2).....................................................................13
Step 3: Mengklasifikasi dua kelas....................................................................................................14
2.2 Daftar Pustaka Bab II..................................................................................................................15
Bab III Studi Kasus Penggunaan Algoritma SVM...............................................................................16
3.1 Penyakit Hepatitis......................................................................................................................16
3.2 Problem Deteksi Penyakit Hepatitis...........................................................................................16
3.3 Data Collection Penyakit Hepatitis Tahun 2016.........................................................................16
3.4 Analisis Data Penyakit Hepatitis Tahun 2016.............................................................................17
3.5 Step By Step Solusi.....................................................................................................................17
3.5.1 Memasukkan data uji.............................................................................................................17
3.5.2 Menentukan dot product dengan memasukkan fungsi kernel...............................................18
3.5.3 Menghitung matriks dengan rumus........................................................................................19
3.5.4 Mencari nilai error dengan rumus..........................................................................................19
3.5.5 Menghitung nilai delta alpha..................................................................................................19
3.5.6 Menghitung nilai α baru dengan menggunakan rumus..........................................................20
3.5.7 Mencari nilai bias....................................................................................................................20
3.5.8 Pengujian dengan contoh data uji..........................................................................................20
3.6 Kesimpulan................................................................................................................................21
3.7. Daftar Pustaka Bab III................................................................................................................21
Daftar Tabel
 Daftar Gambar
Gambar 1. 1 Grafik Hyper-lane.......................................................................................................11
Gambar 1. 2 Hyper-plane yang ingin diidentifikasi........................................................................12
Gambar 1. 3 Grafik Hyper-plane awal............................................................................................12
Gambar 1. 4 Grafik Hyper-plane setelah ditentukan.....................................................................13
Gambar 1. 5 Grafik yang ingin diklasifikasi...................................................................................13
 Daftar Rumus
1. Mencari nilai error dengan rumus
l
Ei =∑ a j Dij
j =1

2. Menghitung nilai delta alpha

∂ ai =min ⁡{max [ y ( 1−Ei ) ,−a i ] ,C−a i }

3. Menghitung nilai α baru d

a i=ai +∂ ai
4. Mencari nilai bias
−1
b= ¿
2
 Bab I
Pengertian Algoritma SVM

1.1Algoritma Support Vector Machine (SVM)

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik
pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam
bidang pattern recogn ition. Sebagai salah satu metode pattern recognition. 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. Pengertian yang lainya adalah sistem
pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam
sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritma
pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan
learning bias yang berasal dari teori pembelajaran statistik.

1.2 Kegunaan SVM

SVM dikenal sebagai teknik pembelajaran mesin (machine learning) paling
mutakhir setelah pembelajaran mesin sebelumnya yang dikenal sebagai Neural
Network (NN). Baik SVM maupun NN tersebut telah berhasil digunakan dalam
pengenalan pola. Pembelajaran dilakukan dengan menggunakan pasangan data
input dan data output berupasasaran yang diinginkan. Pembelajaran dengan cara ini
disebut dengan pembelajaran terarah (supervised learning). Dengan pembelajaran
terarah iniakan diperoleh fungsi yang menggambarkan bentuk ketergantungan
input dan outputnya. Selanjutnya, diharapkan fungsi yang diperoleh mempunyai
kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut dapat
digunakan untuk data input di luar data pembelajaran.

Secara umum Konsep SVM dapat dijelaskan secara sederhana sebagai usaha
mencarihyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada
input [Link] 1a memperlihatkan beberapa pattern yang merupakan anggota
dari dua buahclass : positif (dinotasikan dengan +1) dan negatif (dinotasikan
dengan –1). Patternyang tergabung pada class negatif disimbolkan dengan kotak,
sedangkan pattern padaclass positif, disimbolkan dengan lingkaran. Proses
pembelajaran dalam problemklasifikasi diterjemahkan sebagai upaya menemukan
garis (hyperplane) yangmemisahkan antara kedua kelompok tersebut. Berbagai
alternatif garis pemisah (discrimination boundaries) ditunjukkan pada Gambar
[Link] pemisah terbaik antara kedua class dapat ditemukan dengan
mengukurmargin hyperplane tsb. Dan mencari titik maksimalnya.

1.3 Kelebihan SVM

Setiap algoritma pasti memiliki kelebihan dan kekurangan. Berikut adala kelebihan
dari algoritma SVM:

1. Generalisasi didefinisikan sebagai kemampuan suatu metode (SVM, neural

network, dsb.) untuk mengklasifikasikan suatu pattern, yang tidak termasuk data
yang dipakai dalam fase pembelajaran metode itu. Vapnik menjelaskan bahwa
generalization error dipengaruhi oleh dua faktor: error terhadap training set, dan
satu faktor lagi yang dipengaruhi oleh dimensi VC (Vapnik-Chervokinensis).
Strategi pembelajaran pada neural network dan umumnya metode learning machine
difokuskan pada usaha untuk meminimimalkan error pada training-set. Strategi ini
disebut Empirical Risk Minimization (ERM). Adapun SVM selain meminimalkan
error pada training-set, juga meminimalkan faktor kedua. Strategi ini disebut
Structural Risk Minimization (SRM), dan dalam SVM diwujudkan dengan
memilih hyperplane dengan margin terbesar. Berbagai studi empiris menunjukkan
bahwa pendekatan SRM pada SVM memberikan error generalisasi yang lebih kecil
daripada yang diperoleh dari strategi ERM pada neural network maupun metode
yang lain.

2. Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu

metode pattern recognition dalam mengestimasikan parameter dikarenakan jumlah
sampel data yang relatif sedikit dibandingkan dimensional ruang vektor data te
rsebut. Semakin tinggi dimensi dari ruang vektor informasi yang diolah, membawa
konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran. Pada
kenyataannya seringkali terjadi, data yang diolah berjumlah terbatas, dan untuk
mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala
biaya dan kesulitan teknis. Dalam kondisi tersebut, jika metode itu “terpaksa”
harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya,
membuat proses estimasi parameter metode menjadi sangat sulit.

3. Landasan teori sebagai metode yang berbasis statistik, SVM memiliki landasan
teori yang dapat dianalisa dengan jelas, dan tidak bersifat black box.
4. Feasibility SVM dapat diimplementasikan relatif mudah, karena proses
penentuan support vector dapat dirumuskan dalam QP (Quadratic Programing)
problem. Dengan demikian jika kita memiliki library untuk menyelesaikan QP
(Quadratic Programing) problem, dengan sendirinya SVM dapat
diimplementasikan dengan mudah. Selain itu dapat diselesaikan dengan metode
sekuensial.

1.4 Kekurangan SVM

Dari banyaknya kelebihan diatas SVM juga mempunyai banyak kekurangan
anrata lain

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.
Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan
class lebih dari dua, antara lain strategi One versus rest dan strategi Tree Structure.

1.5 History SVM

Penemuan Support Vector Machine (SVM) menggunakan trik kernel pada
tahun 1991 adalah kontribusi Isabelle Guyon yang paling penting.

Saya mendapat kesempatan bekerja di tahun 1990-an dalam kelompok Larry

Jackel di Bell Labs dengan orang-orang hebat, beberapa di antaranya menjadi
terkenal ( Vladimir Vapnik , Yann LeCun , Leon Bottou, Yoshua Bengio , dan
Corinna Cortes). Ini adalah lingkungan yang sangat sensitif dan kompetitif.

Cerita dimulai di Paris pada tahun 1989, ketika saya membandingkan jaringan
syaraf dengan metode kernel (jendela Parzen, fungsi potensial, dan regresi kernel
terkecil-persegi dari karya Tommy Poggio) dengan penasehat PhD saya Gerard
Dreyfus dan Leon Personnaz. Pada tahun yang sama, dua fisikawan yang bekerja
dekat (Marc Mezard dan Werner Krauth) menerbitkan sebuah makalah tentang
algoritma margin optimal yang disebut 'minover,' yang menarik perhatian saya.
Tapi tidak sampai saya bergabung dengan Bell Labs, saya mengumpulkan
semuanya.
 Pada saat itu, semua orang bekerja pada Multi-layer Perceptrons, dan
pekerjaan pertama saya pada algoritma margin optimal hanyalah beberapa metode
set aktif untuk memperbesar margin mereka, terinspirasi oleh 'minover.' Bernhard
Boser, suami saya, bahkan membuat perangkat keras khusus untuk MLP! Saya
telah melakukan diskusi hangat dengan Vladimir Vapnik, yang berbagi kantor saya
dan mendorong algoritme margin optimal lain yang ia temukan pada tahun 1960-
an.

Penemuan SVM terjadi ketika Bernhard memutuskan untuk

mengimplementasikan algoritma Vladimir dalam tiga bulan yang kami tinggalkan
sebelum kami pindah ke Berkeley. Setelah beberapa keberhasilan awal algoritma
linear, Vladimir menyarankan memperkenalkan produk fitur. Saya mengusulkan
untuk lebih menggunakan trik kernel dari algoritma 'fungsi potensial'. Vladimir
awalnya menolak gagasan itu karena penemu algoritma 'fungsi potensial'
(Aizerman, Braverman, dan Rozonoer) berasal dari tim yang bersaing di institutnya
pada 1960-an di Rusia!

Setelah bertahun-tahun bekerja sebagai konsultan di Machine Learning,

Isabelle Guyon bergabung dengan Paris-Saclay University sebagai profesor penuh
sambil terus melayani sebagai Presiden ChaLearn, sebuah organisasi nirlaba
California yang didedikasikan untuk mengatur tantangan dalam Machine Learning.
Dia dilahirkan di Paris dan saat ini bepergian antara Paris dan California.

1.6 Karakteristik SVM

Karakteristik SVM sebagai berikut:

1. Secara prinsip SVM adalah linear classifier

2. Pattern recognition dilakukan dengan mentransformasikan data pada input space ke
ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vector yang
baru tersebut.
3. Menerapkan strategi Structural Risk Minimization (SRM). SVM bekerja berdasarkan
prinsip SRM, Untuk menjamin generalisasi.
4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua class.
 5. SVM memerlukan proses pelatihan dengan menyimpan hasil support vektor yang
didapatkan untuk digunakan kembali pada saat proses prediksi/testing. 
6. SVM selalu memberikan model yang sama dan solusi yang sama dengan margin
maksimal. 
7. SVM dapat memisahkan data yang distribusi kelasnya bersifat linier maupun non
linier. 
8. Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya data, bukan
besarnya dimensi data.

1.7 Daftar Pustaka Bab I

Boedy. (2012, Maret Rabu). Blogspot. Retrieved from Blogspot Website:

[Link]

Brine, A. (2016). Handbook of Library Training Practice and Development: Volume Three. New York:
Ashgate Publishing.

Guyon, I. (2016). kdnugget. Retrieved from kdnugget website:

[Link]
[Link]

Martin, L. L., & Clore, G. L. (2012). Theories of Mood and Cognition: A User's Guidebook. New Jersey:
Lawrence Erlbaum Associate.

Ray, S. (2017, September). analyticsvidhya. Retrieved from analyticsvidhya website:

[Link]
example-code/

Astawo, I. W. (2011, October Minggu). Blogspot. Retrieved from Blogspot Website:

[Link]
contohnya_23.html

[Link]
[Link]
 Bab II
Cara Kerja Algoritma Support Vector Machine

2.1 Step By Step Cara Kerja Algoritma SVM

Support Vector Machine (SVM) adalah algoritma pembelajaran mesin yang diawasi
yang dapat digunakan untuk kedua klasifikasi atau regresi tantangan. Namun, sebagian
besar digunakan dalam masalah [Link] algoritma ini, kami memplot setiap item
data sebagai titik dalam ruang n-dimensi (di mana n adalah jumlah fitur yang Anda miliki)
dengan nilai setiap fitur menjadi nilai koordinat tertentu. Kemudian, kami melakukan
klasifikasi dengan mencari hyper-plane yang membedakan kedua kelas dengan sangat
baik.

Gambar 1. 1 Grafik Hyper-lane

Dukungan Vektor hanyalah koordinat pengamatan individu. Support Vector Machine
adalah sebuah garis batas yang paling memisahkan dua kelas (hyper-plane / line).

Step 1: Identifikasi Hyper-plane yang tepat (tahap 1)

Dan di sini, kita memiliki tiga hyper-planes (A, B dan C). Sekarang, kita dapat
mengenali hyper-plane yang tepat untuk mengklasifikasikan bintang dan lingkaran.
Anda perlu mengingat aturan jempol untuk mengidentifikasi Hyper-plane yang
tepat: "Pilih hyper-plane yang dipisahkan dua kelas lebih baik". Dalam skenario
ini, hyper-plane "B" telah melakukan pekerjaan dengan sangat baik.

Gambar 1. 2 Hyper-plane yang ingin diidentifikasi

Step 2: Identifikasi Hyper-plane yang tepat (tahap 2)

Sekarang, Bagaimana cara kita bisa mengidentifikasi hyper-plane yang tepat?

Gambar 1. 3 Grafik Hyper-plane awal

Untuk memaksimalkan jarak antara titik data terdekat dan hyper-plane akan
membantu kita untuk memutuskan hyper-plane yang tepat. Jarak ini disebut
sebagai Margin.

Gambar 1. 4 Grafik Hyper-plane setelah ditentukan

Anda dapat melihat bahwa margin untuk hyper-plane C tinggi dibandingkan

dengan A dan B. Oleh karena itu, kami memberi nama hyper-plane yang tepat
sebagai C. Alasan lain untuk memilih hyper-plane dengan margin yang lebih tinggi
adalah kekokohan. Jika kita memilih hyper-plane yang memiliki marjin rendah
maka ada kemungkinan besar miss-classification.
 Step 3: Mengklasifikasi dua kelas
 Saya tidak dapat memisahkan dua kelas menggunakan garis lurus, karena
salah satu bintang terletak di wilayah kelas lingkaran lainnya sebagai outlier. 

Gambar 1. 5 Grafik yang ingin diklasifikasi

Seperti yang sudah saya sebutkan, satu bintang di ujung lain seperti pencilan untuk kelas
bintang. SVM memiliki fitur untuk mengabaikan pencilan dan menemukan hyper-plane yang
memiliki margin maksimum.

2.2 Daftar Pustaka Bab II

Ray, S. (2017, September). analyticsvidhya. Retrieved from analyticsvidhya website:
[Link]
example-code/
 Bab III
Studi Kasus
Penggunaan Algoritma SVM

3.1 Penyakit Hepatitis

Penyakit hepatitis adalah penyakit yang disebabkan oleh virus hepatitis akibat
dari adanya peradangan pada hati. Seperti yang kita tahu ada beberapa bagian,
yakni hepatitis A, B, C, D, dan E. Dari lima golongan tersebut, yang sering lebih
menyerang atau menginfeksi manusia adalah tipe A, B, dan C.

Penyakit hepatitis ini dapat diakibatkan oleh berbagai faktor yang merusak
hati, seperti minum-minuman beralkohol, penyakit autoimun, serta zat racun atau
obat-obatan bahan kimia tertentu yang merusak hati. Dengan terganggunnya fungsi
organ hati tersebut, yang dapat membuat organ organ lain juga akan terserang.
Sehingga membuat kesehatan seseorang akan mengalami kehancuran secara
keseluruhan.

Penyakit hepatitis ini dapat menyerang siapapun, kapanpun, dan juga

dimanapun. Penyakit yang satu ini merupakan salah satu ancaman dari sekian
banyak ancaman kesehatan utama di dunia.

3.2 Problem Deteksi Penyakit Hepatitis

Machine learning telah banyak digunakan dalam bidang medis untuk
menganalisa dataset medis. Salah satu metode machine learning adalah SVM. Ciri
dari metode ini adalah menemukan fungsi klasifier yang optimal yang bisa
memisahkan dua set data dari dua kelas yang berbeda.
Dengan konsep SVM ini saya akan mendiagnosa dengan tes fungsi hati. Hasil
tes fungsi hati inilah yang menjadi bahan penelitian dengan menggunakan metode
machine learning, yaitu metode Support Vector Machine

3.3 Data Collection Penyakit Hepatitis Tahun 2016

Hasil yang didapatkan dari perhitungan dengan menggunakan metode ini
adalah sebuah persamaan bidang pemisah yang akan memisahkan dataset menjadi
dua kelas berbeda, yaitu positif dan negatif. Adapun contoh hasil dari uji coba
adalah sebagai berikut: Contoh dibawah adalah hasil tes fungsi hati seorang
pasien:

1 : Total Bilirubin : 2.7 mg/dl

2 : Direct Bilirubin : 1.3 mg/dl

3 : Alkaline Phosphotase : 275 U/L

4 : Sgpt Alamine : 123 U/L

5 : Sgot Aspartate : 73 U/L

6 : Total Proteins : 6.2 g/L

7 : Albumin : 3.3 g/L

8 : Ratio A/G : 1.1

Setelah dilakukan proses maka didapatkan hasil bahwa pasien tersebut positif
mengidap hepatitis.

Tabel 1. 1 Tabel Hasil Klasifikasi

3.4 Analisis Data Penyakit Hepatitis Tahun 2016

Pada penelitian ini, data yang berjumlah 579 data dibagi dua untuk data
training dan data testing. Untuk data training digunakan 100 data kelas label positif
dan 100 data negatif. Dan sisa data digunakan untuk testing. Untuk testing, sistem
akan mengambil sejumlah data secara random dari dataset sesuai dengan jumlah
input data testing yang diinputkan di form oleh user. Data training dihitung
dengan menggunakan salah metode penyelesaian training data SVM yaitu metode
sekuantial. Hasil training adalah sebuah pembelajaran yang tersimpan didalam
sistem yang akan menjadi acuan bagi sistem untuk menentukan sebuah inputan
data tes fungsi hati baru mengidap penyakit hepatitis atau tidak. Penyelesaian dari
langkah-langkah diatas dilakukan satu persatu seperti dibawah ini : 1.
Menginisiasi awal untuk nilai α, C, epsilon, gamma, dan lamda α=0, C = 1, epsilon
= 0.001, gamma = 0.5, lamda=0.5 2. Memasukkan data uji Dimana 1 adalah label
positif dan -1 adalah label negatif.
 3.5 Step By Step Solusi

3.5.1 Memasukkan data uji

Gambar 1. 39-73-1-SM%20(1).pdf

Dimana 1 adalah label positif dan -1 adalah label negatif.

3.5.2 Menentukan dot product dengan memasukkan fungsi kernel

Menentukan dot product setiap data dengan memasukkan fungsi kernel (K). Rumus
fungsi kernel yang umum seperti pada persamaan (16) sampai dengan persamaan
(19). Fungsi kernel digunakan adalah fungsi kernel linier. Sebelumnya data di
transpose karena menggunakan perkalian matriks A x AT.

Gambar 2.39-73-1-SM%20(1).pdf

Pada metode kernel, data tidak direpresentasikan secara individual, melainkan lewat
perbandingan antara sepasang data. Setiap data akan dibandingkan dengan dirinya dan data
lainnya. Kita misalkan untuk data uji berjumlah 5 data maka perbandingan datanya seperti
terlihat pada gambar :

Gambar 3.39-73-1-SM%20(1).pdf
Berikut contoh perhitungan dengan data A1 dan A1 : K (A1, A1) =
((0.9*0.9)+(0.3*0.3)+(202*202)+(22*22)+(19*19)+ (7.4*7.4)+ (4.1*4.1)+(1.2*1.2)) =
41722.91 Semua data dihitung dengan cara sama, baris x kolom sehingga menghasilkan nilai
dot product seperti ditunjukkan oleh tabel dibawah : Karena ada 5 data uji, maka didapatkan
matriks 5x5.

Gambar 4. 39-73-1-SM%20(1).pdf

3.5.3 Menghitung matriks dengan rumus

Dimana : Dij = elemen matriks hessian ke-ij

yi = kelas data ke-i
yj = kelas data ke-j
λ = batas teoritis yang akan diturunkan
Contoh perhitungan untuk pasangan data A1 dan A1:
Dij = (-1)(-1)( 41722.91) + 0.5^2 = 41723.16
Maka didapatkan hasil untuk semua data:

Gambar 5.39-73-1-SM%20(1).pdf

3.5.4 Mencari nilai error dengan rumus

l
Ei =∑ a j Dij
j =1
Dimana: Ei = nilai error data ke-i
Maka didapatkan nilai error setiap data adalah
 3.5.5 Menghitung nilai delta alpha
∂ ai =min ⁡{max [ y ( 1−Ei ) ,−a i ] ,C−a i }
Untuk data pertama :
Min (max (0.5(1-(-88965.4),-0.5),1-0.5)
Min(max(44483.2,-0.5),0.5
Min(44483.2 , 0.5) = 0.5
Maka didapatkan delta alpha sebagai berikut :

Karena nilai maksimum δα adalah 0.5 dan lebih dari epsilon (0.001) maka iterasi berlanjut.

3.5.6 Menghitung nilai α baru dengan menggunakan rumus

a i=ai +∂ ai
Maka didapatkan α sebagai berikut :

3.5.7 Mencari nilai bias

−1
b= ¿
2
Terlebih dahulu dihitung nilai w : Wi+ adalah bobot dot product data dengan alpha
terbesar di kelas positif Wi- adalah bobot dot product data dengan alpha terbesar di kelas
negatif w x+ (kelas positif ) = (1 x (-1) x 38533.59)+(0 x 1 x 35607.44)+(0 x 1 x
133607.4)+(0 x 1 x 93878.81)+(1 x (-1) x 60050.29) = -98583.9 w x-- (kelas negatif) = (1 x (-
1) x 41722.91)+(0 x 1 x 38533.59)+(0 x 1 x 144587)+(0 x 1 x 101666.2)+(0 x 1 x 65131.72)
= -106855 maka nilai b = -1/2 (w x+ + w x--) = 102719.3
Sebenarnya perhitungan diatas belum bisa digunakan untuk fungsi keputusan karena
iterasi masih harus diteruskan. Perhitungan dibawah ini hanya untuk contoh perhitungan
dengan fungsi keputusan saja

3.5.8 Pengujian dengan contoh data uji

 Langkah pertama untuk menguji adalah menghitung dot product antara data uji
dengan semua data latih dengan fungsi kernel.

K(x,y) = x.y Dimana x adalah data uji dan y adalah semua data latih. Data ke 1 : K
(xi, x) = (2.7x0.7 )+(1.3x0.1)+(275x187)+(123x16)+ (73x18)+(6.2x6.8)+(3.3x3.3)+(1.1x0.9)
=59706.55 Data ke 2 : (0.9x0.7 )+(0.2x0.1)+(194x187)+(52x16)+
(45x18)+(6x6.8)+(3.9x3.3)+(1.85x0.9) =59706.55

Begitu seterusnya untuk semua data latih maka didapatkan dot product data uji
sebagai berikut :

3.6 Kesimpulan
Jadi Support Vector Machine (SVM) dapat dijelaskan secara sederhana sebagai usaha
mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input
space. Dan dari beberapa metode klasifikasi yang ada, SVM terlihat mempunyai tingkat
akurasi lebih tinggi dalam metode klasifikasi

3.7. Daftar Pustaka Bab III

Faisal, M. R. (2016, April). researchgate. Retrieved from researchgate website:

[Link]
Metode_Support_Vector_Machine_Pada_Diagnosa_Hepatitis/links/57206dc208aeaced788a
da1f/[Link]?
origin=publication_

[Link]