<![CDATA[Konsep SVM dapat dengan mudah dijelaskan sebagai upaya untuk menemukan hyperplane optimal yang bertindak sebagai pembatas untuk dua kelas di ruang input. Penggunaan SVM sangat cocok untuk masalah klasifikasi biner. Metode SVM melakukan proses awal yaitu dengan menginputkan data yang telah ditentukan, kemudian data tersebut diolah dengan melakukan proses klasifikasi menggunakan metode SVM untuk mendapatkan hasil akurasi menggunakan metode tersebut. Langkah awal yang dilakukan adalah menentukan atribut-atribut data yang dijadikan parameter dalam mengklasifikasikan dan mendapatkan hasil akurasi data. Set pelatihan dan tes (set pelatihan dan set tes) adalah Iris. Penelitian ini menemukan bahwa tingkat akurasi tertinggi baik dari pengujian data yang dilakukan dengan menggunakan kumpulan data yang telah diuji dengan 150 data dan 3 kelas data dapat mengarah pada perolehan analisis. Ekualisasi adalah teknik pengambilan keputusan dalam proses meringkas elemen yang berbeda dengan pembobotannya. Pembobotan dapat bersifat obyektif dengan menggunakan perhitungan statistik atau secara subyektif dengan memberikan menurut pertimbangan tertentu. Studi ini menunjukkan bahwa SVM memiliki hasil yang baik untuk memecahkan masalah bahkan pada dataset kecil. Hasil analisis menggunakan metode support vector machine menunjukkan tingkat jawaban benar sebesar 95,00%. Hasil ini menunjukkan bahwa SVM berhasil dan berpengaruh pada penerapan atribut ke nilai numerik. Semakin banyak atribut yang kita gunakan, semakin lambat waktu dan kecepatannya, dan semakin tidak akurat dan kompleks jadinya.]]>
