Penelitian yang berjudul Formulasi Alternatif Masalah Optimasi untuk Model Support Vector Machine Classifier ini dilakukan oleh Dr. Deni Saepudin.
Abstraksi Penelitian
Support Vector Machine (SVM) adalah metode yang umum digunakan untuk mengklasifikasikan data, diterapkan pada banyak permasalah nyata seperti pada data mining, machine learning dan pengenalan pola. Prinsip kerja dari metoda SVM adalah menentukan model classifier (berupa hyperplane) yang memisahkan data dari dua kelas yang berbeda. Koefisien-koefisien dari hyperplane classifier dipilih sehingga jarak hyperplane ke titik-titik terdekat dari kedua kelas dapat dibuat sejauh mungkin. Dari kajian literature yang dilakukan, penentuan hyperplne classifier pada SVM akan membawa kita pada masalah optimasi berkendala dengan fungsi tujuan berupa fungsi kuadrat. Solusi masalah optimasi berkendala selanjutnya dicari dari masalah dual melalui pendekatan metode pengali Lagrange. Selanjutnya solusi dari masalah dual dicari dengan beberapa cara, di antaranya dengan metode sequential minimal optimization atau SMO (Platt, 1999) perbaikan SMO (Keerthi, 2001), gradient projection (Serafini dkk, 2005), cross entropy (Santosa, 2009) dan lain-lain. Penyelesaian masalah optimasi berkendala yang dijumpai pada model SVM dengan pendekatan transformasi dual problem seringkali dirasakan sulit dipahami, terutama oleh mereka yang tidak mendalami analisis matematis secara mendalam. Akibatnya, keterkaitan antara masalah optimasi asal (primal problem) dengan dual problem menjadi sulit dijelaskan.
Sejauh ini dari kajian literatur yang telah dilakukan, penulis belum menjumpai pendekatan penyelesaian masalah penentuan model SVM classifier melalui penyelesaian masalah primal. Hal ini mungkin disebabkan karena metode-metode penyelesaian masalah optimasi yang biasa, seperti metode gradient atau metode nonlinear programming sulit diterapkan untuk menangani kendala pada masalah primal. Pada penelitian ini, penulis mencoba mengajukan pendekatan baru penyelesaian masalah optimasi pada SVM langsung dari masalah primal. Dengan melakukan sedikit formulasi sederhana, masalah opimasi berkendala primal dapat dibawa menjadi sebuah masalah optimasi tanpa kendala. Selanjutnya solusi dari masalah optimasi dicari dengan menggunakan algoritma genetika. Metode metode alternatif penyelesaian masalah optimasi yang lebih fleksible, kokoh (robust) dan mempunyai kinerja yang cukup baik untuk menyelesaikan masalah optimasi yang kompleks, sudah banyak dikembangkan. Umumnya metode-metode tersebut diadopsi dari proses-proses yang terjadi di alam. Salah satu metode yang sudah cukup dikenal adalah algoritma genetika (Goldberg, 1989). Cukup banyak penelitian yang mendukung kehandalan algoritma genetika untuk penyelesaian masalah optimasi yang cukup kompleks, seperti pada 4masalah optimasi dalam proses produksi minyak bumi dengan teknik gas lift (Saepudin dkk, 2007), (Sukarno dkk, 2009) dan (Saepudin dkk, 2010), di mana fungsi tujuan hanya dinyatakan secara implisit melalui persamaan-persamaan aliran fluida pada sumur minyak bumi.

Oleh karena itu, penerapan algoritma genetika untuk penyelesaian (16) untuk masalah SVM classifier cukup menjanjikan.