Di bawah ini adalah contoh implementasi SVR menggunakan library Scikit-Learn di Python:
# Impor library yang diperlukan
import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVR
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# Buat data dummy untuk demonstrasi
np.random.seed(0)
X = np.sort(5 * np.random.rand(200, 1), axis=0)
y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])
# Bagi data menjadi training dan testing set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
# Buat model SVR
svr = SVR(kernel='rbf', C=100, gamma=0.1, epsilon=0.1)
# Latih model
svr.fit(X_train, y_train)
# Lakukan prediksi
y_pred = svr.predict(X_test)
# Hitung mean squared error
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)
# Visualisasikan hasil
plt.scatter(X_test, y_test, color='black', label='Data')
plt.plot(X_test, y_pred, color='red', label='SVR')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Support Vector Regression')
plt.legend()
plt.show()
Dalam contoh di atas, kita membuat data dummy yang mengikuti fungsi sinusoidal, lalu membaginya menjadi training dan testing set. Kemudian, kita membuat dan melatih model SVR dengan parameter yang telah ditentukan, dan mengukur kinerjanya dengan mean squared error. Akhirnya, kita visualisasikan hasil prediksi model SVR tersebut.
Dengan menggunakan teknik seperti SVR, kita dapat melakukan forecasting atau prediksi dengan akurasi yang tinggi tergantung pada pemilihan parameter yang tepat dan kualitas data yang digunakan. Dengan memahami konsep dan parameter-parameter yang terlibat dalam SVR, kita dapat mengoptimalkan model untuk kasus penggunaan tertentu.
