UAS Machine Learning

  

 PENGENDALIAN ROBOT MOBIL MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Referensi : Analisa Perbandingan kinerja metode klasifikasi support vector machine untuk mengenali kedipan mata berdasarkan signal EOG oleh Ahmad Yunus

1. Tujuan
Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.

   2. Alat dan Bahan

Alat yang digunakan yaitu Matlab.

   3. Dasar Teori

MATLAB

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi,  dan  pemrograman.

SUPPORT VECTOR MACHINE (SVM)

Support vector machine (SVM) merupakan suatu teknik yang digunakan untuk prediksi, baik dalam kasus klasifikasi maupun regresi. Secara sederhana konsep SVM yaitu usaha untuk mencari hyperplane terbaik yang digunakan sebagai pemisah dua buah kelas pada input space. Hyperplane terbaik merupakan suatu garis yang memisahkan kelas data yang memiliki margin terbesar. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support vector.

hyperplane klasifikasi linear SVM dinotasikan dengan :

Untuk menghitung nilai margin antara bidang pembatas menggunakan rumus jarak garis ke titik pusat dinotasikan sebagai berikut:

Untuk menyelesaikan kasus non linear, SVM dimodifikasi dengan cara memasukkan fungsi kernel. Konsep dasar dari fungsi kernel ini adalah dengan memetakan x ke ruang vektor yang berdimensi tinggi pada ruang vektor yang baru. 

1.      Kernel Gausian Radial Basic Function (RBF)

Fungsi ini biasanya digunakan untuk data yang sudah valid (available) dan merupakan default tools dalam SVM. Persamaan fungsi kernel RGF dapat dinotasikan dengan:

2.      Kernel Polynomial

Biasanya digunakan untuk klasifikasi gambar. Persamaan kernel polynomial seperti berikut:

3.      Kernel Tangen Hyperbolic (Sigmoid)

Fungsi ini sering digunakan untuk neural networks. Berikut persamaannya.

4.     Kernel Linear

Merupakan fungsi kernel yang paling sederhana. Biasanya digunakan untuk klasifikasi teks. Persamaan fungsinya yaitu:

Multiclass Support Vector Machine (SVM)

1. Metode One-against-all (satu lawan semua)

2.1.1.     2.  Metode One-against-one (satu lawan satu)

Support Vector Machine (SVM) digunakan pada kasus pengendalian robot mobil menggunakan sinyal gerakan jari. Data yang diperoleh akan di kelompokkan menjadi 5, yaitu.

1.      Tunjuk depan untuk memulai pergerakan robot mobil

2.      Tunjuk Atas untuk maju

3.      Tunjuk Bawah untuk mundur

4.      Tunjuk Kanan untuk membuat mobil berbelok ke kanan

5.       Tunjuk Kiri untuk membuat mobil berbelok ke kiri

Pengelompokkan data ditentukan berdasarkan beberapa variable (Feature) diantaranya,

1.      Perioda sinyal Ch1

2.      Periode sinyal Ch2

3.      Luas sinyal Ch1

4.      Luas sinyal Ch2

5.      Nilai Max Ch1

6.      Nilai Max Ch2

7.      Nilai Min Ch1

8.      Nilai Min Ch2

Dataset yang digunakan

Data 60 responden sehingga didapatkan data sebanyak 3000 dimana 2000 data digunakan sebagai data latih dan 1000 data digunakan sebagai data uji

Outcomes

Outcomes ini terdiri dari 5 bagian yaitu.

a.        Tunjuk depan diwakilkan oleh angka 1

b.       Tunjuk Atas sadar diwakilkan oleh angka 2

c.        Tunjuk Bawah diwakilkan oleh angka 3

d.       Tunjuk Kanan diwakilkan oleh angka 4

e.      Tunjuk Kiri diwakilkan oleh angka 5

 4. Percobaan

Langkah 1. Masukkan Dataset dan Target Pada Program

 

Langkah 2. Gunakan Program SVM untuk klasifikasi data

Langkah 3. Jalankan Program dan lihat hasil klasifikasi SVM pada bagian Workspace

 

Langkah 4. Import data excel ke workspace

 

Langkah 5. Untuk melihat respon hasil klasifikasi SVM, gunakan toolbox Classification Learner.

Pilih menu SVM Linear. Kemudian inputkan data hasil klasifikasi sebelumnya.

Kemudian lakukan Train terhadap data yang di inputkan.

Hasilnya

 

 

Gambar Scatter Plot

Gambar Current Model

.

Gambar Confusion Matrix

5. Video

Link Download

Video Disini

Coding Disini

Data set  Disini