Pemetaan Hyperplane Pada Support Vector Machine

Abstract

Abstrak. Penelitian ini difokuskan pada klasifikasi biner dengan data linear, dengan tujuan untuk memahami penggunaan pemetaan hyperplane dalam klasifikasi data menggunakan SVM dan bagaimana contoh penerapannya dalam dunia nyata. Metode penelitian yang digunakan meliputi studi literatur terhadap contoh-contoh penerapan SVM dengan pemetaan hyperplane. Hasil penelitian menunjukkan bahwa pemetaan hyperplane penting dalam klasifikasi data dengan SVM. Pemetaan ini memungkinkan SVM untuk memisahkan dua kelas dengan optimal dalam ruang fitur yang lebih tinggi, sehingga meningkatkan performa klasifikasi. Contoh-contoh penerapan pemetaan hyperplane pada SVM dalam dunia nyata juga berhasil diidentifikasi, yang menggambarkan bagaimana SVM dengan pemetaan hyperplane dapat digunakan dalam berbagai masalah klasifikasi dalam kehidupan sehari-hari dalam bentuk numerik sebagai studi kasus pada penelitian ini. SVM dapat digunakan untuk klasifikasi dalam berbagai konteks, termasuk multikelas dan nonlinear, penelitian ini hanya memfokuskan pada klasifikasi biner dengan data linear. Selain itu, penelitian ini tidak secara mendalam membahas penanganan data yang tidak seimbang atau fitur tidak langsung dalam konteks klasifikasi dengan SVM. Abstract. This research was made on binary classification with linear data, with the aim of understanding the use of hyperplane regularity in data classification using SVM and how it is applied in the real world. The research method used includes a literature study of examples of SVM implementation with hyperplane recession. The results of this research show that the hyperplane is important in classifying data with SVM. This mapping allows the SVM to optimally unify the two classes in a higher feature space, thereby increasing classification performance. Examples of the application of hyperplane earthquakes to SVM in the real world were also identified, which illustrates how SVM with hyperplane earthquakes can be used in various classification problems in everyday life in numerical form as a case study in this study. SVM can be used for classification in various contexts, including multiclass and nonlinear, this study only focuses on binary classification with linear data. In addition, this research does not deeply discuss unbalanced handling data or indirect features in the context of classification with SVM.