Pengertian Pola,dan Pengertian SVM Serta Contoh Aplikasinya

1.                  Pengertian pola

Pola adalah suatu entitas yang dapat didefinisikan (mungkin secara samar) dan dapat diberi suatu identifikasi atau nama.  Contoh: gelombang suara, sidik jari, raut wajah, penutup lahan dll.

2.                  Konsep SVM

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space .Gambar 1a memperlihatkan beberapa pattern yang merupakan anggota dari dua buahclass : positif (dinotasikan dengan +1) dan negatif (dinotasikan dengan –1). Pattern yang tergabung pada class negatif disimbolkan dengan kotak, sedangkan pattern pada class positif, disimbolkan dengan lingkaran. Proses pembelajaran dalam problemklasifikasi diterjemahkan sebagai upaya menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah(discrimination boundaries) di tunjukan pada gambar 1

Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin hyperplane tsb. dan mencari titik maksimalnya. Margin adalah jarak antarahyperplane tersebut dengan data terdekat dari masing-masing class. Subset datatraining set yang paling dekat ini disebut sebagai support vector 

Garis solid padaGambar 1b menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat padatengah-tengah kedua class, sedangkan titik kotak dan lingkaran yang berada dalamlingkaran hitam adalah support vector. Upaya mencari lokasi hyperplane optimal ini merupakan inti dari proses pembelajaran pada SVM Data yang tersedia dinotasikan sebagai sedangkan label masing-masingdinotasikan untuk i= 1,2…,l yang mana adalah banyaknya data.Diasumsikan kedua class – 1 dan +1 dapat terpisah secara sempurna oleh hyperplaneberdimensi  d , yang didefinisikan:Sebuah pattern yang termasuk class – 1 (sampel negatif) dapat dirumuskansebagai pattern yang memenuhi pertidaksamaan:sedangkan pattern yang termasuk class +1 (sampel positif):

3.                  Contoh aplikasi SVM

Aplikasi SVM di Bidang Medis: Prediksi Efektifitas Terapi Interferon bagi Pasien Hepatitis C Kronis Salah satu aplikasi SVM yang kami kerjakan adalah pengembangan metode cerdas untuk memprediksi efektifitas terapi  interferon bagi pasien Hepatitis C kronis. Riset ini juga  merupakan kolaborasi lintas bidang, antara tim komputasi Nagoya Inst. Of Technology, laboratorium softcomputing di Chukyo University dengan tim medis pada fakultas kedokteran, Nagoya University, Japan.  Kasus Hepatitis C diawali dari laporan yang dimuat di Journal terkemuka “Science”, pada 1989, tentang ditemukannya virus oleh Chiron Co. yang deret genomenya berlainan dengan virus hepatitis A dan hepatitis B. Virus itu kemudian disebut Hepatitis C. Hepatitis C dewasa ini merupakan satu penyakit penting di dunia, yang menyerang sekitar 170 juta orang (tahun 2005). Hepatitis C kronis disebabkan oleh terkontaminasinya peredaran darah dengan virus, sehingga terjadi inflamasi pada lever selama lebih dari 6 bulan.Akibatnya terjadi kerusakan sel, yang menyebabkan fungsi lever menjadi  tidak normal. Diperkirakan penderita penyakit ini di Indonesia berkisar 7 juta oran. Hal ini merupakan masalah yang serius, sedangkan sebaran penularan dan jumlahnya belum diketahui. Karena itulah, Depkes dan PT.Roche Indonesia mengembangkan sistem surveilans untuk mengamati perkembangan penyebaran penyakit ini.

Salah satu metode pengobatan Hepatitis C adalah memakai terapi Interferon (IFN). Interferon dikenal cukup efektif  dalam menghambat  pertumbuhan virus hepatitis C. Tetapi, di sisi lain, pemakaian interferon ini diikuti oleh efek samping yang memberatkan pasien. Efek samping itu antara lain: Flu-like syndrome, menurunnya sel darah putih (leucocyte), rambut rontok, dan albuminuria. Terlebih lagi, berhasil tidaknya terapi interferon ini baru diketahui 6 bulan kemudian, dengan cara melakukan pemeriksaan HCV-RNA pasien. Bila hasilnya menunjukkan terjadi penurunan kadar HCV-RNA, berarti terapi itu efektif. Sebaliknya, jika kadar HCV-RNA pasien tidak turun, berarti interferon itu tidak efektif. Terapi Interferon cukup mahal, dan mengingat beratnya resiko efek samping yang ditimbulkan, terapi ini umumnya tidak dilakukan kepada pasien yang hasil terapinya diprediksi tidak berhasil. Kepada mereka lebih baik diberikan terapi selain interferon, yang memiliki potensi keberhasilan lebih tinggi. Prediksi keberhasilan terapi interferon ini umumnya dilakukan secara manual oleh dokter yang menangani sang pasien berdasarkan data klinis seperti hepatobiopsy, gene-type virus, dan sebagainya. Salah satu kelemahan cara ini adalah akurasinya tergantung dari pengalaman dan jam terbang sang dokter. Sistem cerdas yang kami kembangkan mampu memperkirakan efektif tidaknya terapi interferon, sebelum diterapkan pada pasien.