Perbandingan Beberapa Pendekatan Multiclass SVM Klasifikasi Artikel Berbahasa Indonesia

Support Vector Machine (SVM) 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]. SVM memiliki kelebihan yaitu mampu menemukan fungsi pemisah (klasifier) yang optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda. Tetapi SVM pada saat pertama kali diperkenalkan oleh Vapnik hanya dapat mengklasifikasikan data ke dalam dua kelas (klasifikasi biner). Sementara masalah di dunia nyata umumnya mempunyai banyak kelas. Salah satu cara untuk mengimplementasikan Multiclass SVM yaitu dengan menggabungkan beberapa SVM biner [2]. Berdasarkan hasil impelentasi dan pengujian pendekatan Multiclass SVM pada artikel berita dapat ditarik kesimpulan bahwa Klasifikasi artikel berita dengan metode Support Vector Machine dengan Kernel RBF menggunakan 1500 artikel untuk data training dan 200 data testing untuk data uji pada multiclass. Dalam proses pengklasifikasian artikel metode One vs One dan Eror Correcting Output Code memproses dengan waktu yang cukup lama dibandingkan dengan One vs All . Metode One vs All dan One vs One memiliki tingkat akurasi yang cukup besar yaitu 93.15% dibandingkan dengan Eror Correcting Output Code 84.02%.

Support Vector Machine (SVM) is a learning system that uses space hypothetical form of functions linear in a feature space (feature space) high dimension, trained with the learning algorithm is based on the theory of optimization by implementing learning bias derived from the theory of statistical learning [1 ]. SVM has the advantage of being able to find the function of separator (klasifier) is optimal which could separate the two sets of data from two different classes. But SVM when first introduced by Vapnik can only classify data into two classes (binary classification). While the problems in the real world generally has a lot of class. One way to implement multiclass SVM is to combine several binary SVM [2]. Based on the results of testing impelentasi and multiclass SVM approach in news articles can be concluded that the classification of news articles by using Support Vector Machine with RBF kernel using the 1500 article for the training data and testing the data 200 to test data on multiclass. In the process of classifying articles methods One vs One and Error Correcting Code Output processing with longer periods of time compared to One vs. All. Method One vs. All and One vs One has a large enough degree of accuracy is 93.15% compared with Error Correcting Code Output 84.02%.