Metode Support Vector Machines Pada Klasterisasi K-Means Data Nonlinear Separable

Abstract

Data dalam dunia nyata jarang memiliki struktur linear sehingga dapat dengan sulit dipisahkan secara linear (linearly separable). Data yang tak terpisahkan secara linear (non-linearly separable) pada klasterisasi K-Means dapat dianalisis menggunakan pendekatan Support Vector Machines (SVM), dimana ruang input (input space) untuk data awal yang kompleks dalam ruang berdimensi rendah dipetakan ke ruang fitur (feature space) yang berdimensi tinggi melalui sebuah transformasi Kernel, dalam 2 tahap. Tahap pertama, data  pada ruang data   diekstrak melalui pemetaan menggunakan fungsi kernel   ke ruang fitur  yang berdimensi lebih tinggi, , sehingga linearly separable. Selanjutnya dicari optimal hyperplane secara linear oleh SVM.