Implementasi Support Vector Machine pada Klasifikasi Tanaman Mangga

• SVM atau dikenal dengan Support Vector Machine merupakan salah satu metode klasifikasi yang ditemukan oleh Vapnik tahun 1979. 
• Support vector machine (SVM) mulai populer ditahun 1995 untuk melakukan prediksi, baik dalam kasus klasifikasi maupun regresi, yang sangat populer belakangan ini. SVM berada dalam satu kelas dengan ANN dalam hal fungsi dan kondisi permasalahan yang bisa diselesaikan. Keduanya masuk dalam kelas supervised learning. 
• Baik para ilmuwan maupun praktisi telah banyak menerapkan teknik ini dalam menyelesaikan masalah-masalah nyata dalam kehidupan sehari-hari. Baik dalam masalah gene ex-pression analysis, finansial, cuaca hingga di bidang kedokteran. Terbuktidalam banyak implementasi, SVM memberi hasil yang lebih baik dari ANN,terutama dalam hal solusi yang dicapai. ANN menemukan solusi berupa local optimal sedangkan SVM menemukan solusi yang global optimal. 
• Tidakheran bila kita menjalankan ANN solusi dari setiap training selalu berbeda. Hal ini disebabkan solusi local optimal yang dicapai tidak selalu sama. SVM selalu mencapi solusi yang sama untuk setiap running. Dalam teknik ini, kita berusaha untuk menemukan fungsi pemisah (klasifier) yang optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda. Teknik ini menarik orang dalam bidang data mining maupun machine learning karena performansinya yang meyakinkan dalam memprediksi kelas suatu data baru. Kita akan memulai pembahasan dengan kasus klasifikasi yang secara linier bisa dipisahkan.
• SVM (Support Vector Machine) sendiri merupakan 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 Klasifikasi dengan Support Vector Machine (SVM) adalah mencari hyperplane terbaik yang berfungsi sebagai pemisah dua kelas data. 
• Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data. 
• SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik. 
• SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi. 

• Macam-Macam Training untuk SVM : 

• Chunking (Quadratic Programming). 
• Osuna (Dekomposisi). 
• Sequential Minimum Optimation (SMO). 
• Least Square (LS) dan lainnya.

• Beberapa Macam Fungsi Kernel Support Vector Machine (SVM) :

• Linier Kernel :

• Non-Linier Kernel :

• Berikut contoh perhitungan SVM :

Karakteristik SVM

• SVM memerlukan proses pelatihan dengan menyimpan hasil support vektor yang didapatkan untuk digunakan kembali pada saat proses prediksi/testing. 
• SVM selalu memberikan model yang sama dan solusi yang sama dengan margin maksimal. 
• SVM dapat memisahkan data yang distribusi kelasnya bersifat linier maupun non linier. 
• SVM tidak dipengaruhi oleh dimensi data yang tinggi, sehingga tidak ada proses reduksi dimensi didalamnya. 
• Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya data, bukan besarnya dimensi data.

Contoh implementasi metode Support Vector Machine:

• Adaptive Ant Colony Optimization On Mango Classification Using K- Nearest Neighbor And Support Vector Machine
• http://e-journal.unair.ac.id/index.php/JISEBI/article/view/5600
• Metode SVM digunakan untuk klasifikasi mangga gadung dan mangga manalagi seperti dijelaskan dalam abstrak penelitian berikut ini:

Abstrak: 

Pengenalan daun dapat dilakukan dengan memanfaatkan metode deteksi tepi citra. Pada penelitian ini dilakukan klasifikasi mangga gadung dan manalagi. Pada tahap praposes metode deteksi tepi dengan menggunakan metode adaptive ant colony optimization. Penggunaan metode adpative ant colony optimization bertujuan untuk mengoptimalkan proses deteksi tepi citra tulang daun mangga. Penerapan metode ant colony optimization pada klasifikasi daun mangga telah berhasil mengoptimalkan hasil deteksi tepi struktur tulang daun mangga. Dari hasil uji coba menunjukkan deteksi tepi menggunakan metode adaptive ant colony optimization lebih baik dari pada metode robert dan sobel. Hasil uji coba klasifikasi daun mangga dengan metode k-nearest neighbor memperoleh nilai akurasi sebesar 66,25%, sedangkan dengan metode support vector machine diperoleh nilai akurasi sebesar 68,75%.