Okay..saya mau tanya, sudah punya dataset belum? *assume that you already have the dataset* :D
Dari dataset itu, yang perlu anda ketahui adalah:
- N = Jumlah Instance, biasanya jumlah instance sama dengan jumlah row/baris yang ada di dalam dataset. (Ingat! Header atau nama/keterangan data tidak termasuk dalam hitungan)
- M = Jumlah Atribut atau Fitur, biasanya jumlah atribut sama dengan jumlah column/kolom yang ada dalam dataset. (Ingat! ID, no urut dan sejenisnya bukan termasuk fitur/atribut.
Berikut langkah-langkah klasifikasi data dengan mengunakan metode SVM pada Matlab:
- Load data yang akan diklasifikasi, simpan dalam suatu variabel, misal: temp.
- Bagi data menjadi data training dan data testing.
- Lakukan training (mencari model yang tepat)
- Lakukan prediksi/testing
- Ukur performa SVM terhadap dataset.
Gambar 1. Contoh dataset.
Gambar 2. Contoh code implementasi SVM pada Matlab.
makasih banget, sangat membantu
ReplyDeletewaaahhh mba hebat!!! makasiiiihhhhhhhhhhhhhh banget!!!!!!!! :D
ReplyDeletetapi mba ini gimana yo caranya ke code matlab nya? itu kan cuma di awal..data2 ku tentang listrik..tolong banget bantuannya..saya awam banget sama matlab..:( swear mba mentok ini d algoritma + matlabnya..ga ngerti2..mohon banget keikhlasan dan bantuannya..makasih ya mba sbelumnya..:)
ReplyDeleteclass-nya itu ada berapa???
ReplyDeletebagaimana jika multi class?
load class itu mksdnya bgmn? dan menampilkan variabel editor di matlab bgmn? saya hanya load filenya dimana terdiri dari 7 kolom dan mungkin ada 10 kelas dalam file.apakah yg dimaksud kelas seperti itu?
ReplyDeletebro jawab pertanyaan dari Azminuddin Azis aih
ReplyDeleteklo dari pengolahan citra d masukkan menjadi dataset, apakah tau caranya ? trima kasih
ReplyDeleteSelamat malam bu, saya Riris dari UNDIP mau menanyakan tentang rumus SVM boleh tidak kak? Soalnya saya sendiri masih bingung cara penggunaan rumus SVM
ReplyDeleteTerima kasih sebelumnya
kalau rumus SVM sudah automatis di matlab.. rumus nya itu ---> model = svmtrain(training,train_class),'kernel_function','rbf','rbf_sigma',0.15)
Delete