Support Vector Machine

Metode Support Vector Machine digunakan untuk melakukan
prediksi atau klasifikasi terhadap suatu kelas berdasarkan pola yang ada.
Support Vector Machine bekerja dengan prinsip mencari garis pembatas
(hyperplane) yang optimal untuk memaksimalkan pemisahan antara kelas
positif dan negatif (Fitriyah, dkk., 2020).
Keunggulan Support Vector Machine mencakup kemampuannya
dalam bekerja dengan baik pada berbagai jenis data, mendapatkan solusi
optimal, memiliki rasio konvergensi yang rendah, serta mampu mengatasi
kesulitan dalam masalah. Namun, Support Vector Machine juga memiliki
kelemahan terkait pemilihan parameter yang tepat yang dapat memengaruhi
akurasi hasil algoritmanya. Secara umum, Support Vector Machine
memiliki tingkat akurasi yang lebih baik daripada metode Naïve Bayes
(Kristiyanti, dkk., 2020).
Dalam algoritma Support Vector Machine, objek data yang berada
paling dekat dengan hyperplane disebut sebagai vektor pendukung (support
vector). Vektor pendukung ini menjadi fokus utama dalam penentuan
hyperplane optimal, sedangkan objek data lainnya tidak begitu
diperhatikan.
Support Vector Machine adalah salah satu dari kelas supervised
learning. Metode ini mampu melakukan prediksi baik dalam klasifikasi
maupun regresi. SVM bertujuan untuk menemukan fungsi pemisah optimal
yang dapat memisahkan dua kelas yang berbeda. SVM dapat diterapkan
pada berbagai jenis dataset, baik yang dapat dipisahkan secara linier
maupun non-linier. SVM linier digunakan ketika data dapat dipisahkan
secara linier, sedangkan untuk data yang tidak dapat dipisahkan secara
linier, diperlukan pendekatan non-linier