TEKNIK KLASIFIKASI DAN PENGENALAN POLA Kuliah 1 Dosen

TEKNIK KLASIFIKASI DAN PENGENALAN POLA Kuliah 1 Dosen: DR. ABDUL FADLIL

GARIS-GARIS BESAR PROGRAM PENGAJARAN (GBPP) n n n JUDUL MATA KULIAH : TEKNIK KLASIFIKASI DAN PENGENALAN POLA NOMOR KODE/SKS : TH 22083 / 3 sks MATA KULIAH PRASYARAT: Probabilitas, Statistik dan Stokastik Bahasa Pemrograman DESKRIPSI SINGKAT : Mata kuliah ini berisi tentang pengantar teknik klasifikasi dan pengenalan pola, teknik klasifikasi dan pengenalan pola dengan pendekatan statistik, sintaktis (struktural) dan jaringan syaraf tiruan KOMPETENSI DASAR : Setelah menyelesaikan mata kuliah ini, mahasiswa mendapatkan konsep yang mendasar tentang teknik klasifikasi dan pengenalan pola dengan ketiga pendekatan, yaitu pendekatan statistik, sintaktis dan jaringan syaraf tiruan (jaringan neural)

Pendahuluan n n n Pengertian teknik klasifikasi dan pengenalan pola Pola dan Ciri Klasifikasi dan Deskripsi Teknik pendekatan pengenalan pola Komponen-komponen sistem pengenalan pola Perancangan sistem pengenalan pola Aplikasi pengenalan pola

Pengertian teknik klasifikasi dan pengenalan pola n n Teknik Klasifikasi dan Pengenalan Pola (TKPP) adalah suatu alat untuk menyelesaikan masalah dalam mesin cerdas, yang digunakan pada tahap pra-pemrosesan data dan pembuat keputusan. TKPP adalah suatu ilmu pendeskripsi atau pengklasifikasi/pengenalan dari pengukuran.

Pola n n Pola adalah apa saja yang ingin diklasifikasikan berupa himpunan pengukuran atau pengamatan yang dapat disajikan dalam notasi vektor atau matriks. Dalam tugas-tugas klasifikasi sebuah pola adalah merupakan pasangan variabel (x, ω), dimana x : vector ciri ω : label klas

Contoh: Pola-Pola Tekstur Tulisan tangan

Contoh-contoh pengenalan pola biometrik

Ciri-ciri n n Ciri adalah data apa saja dari pengukuran yang dapat di-ekstrak (level rendah atau tinggi). Contoh: warna, berat, tinggi, . . (level rendah) rasio, rata-rata, … (level tinggi) Seleksi ciri adalah proses pemilihan input ke sistem pengenalan pola yang melibatkan pertimbangan.

n n n Vektor ciri adalah kombinasi dari sejumlah d ciri yang dinyatakan kedalam bentuk vektor kolom d-dimensi. Ruang ciri adalah ruang d-dimensi yang terdefinisikan oleh vektor ciri. Plot berpencar adalah penyajian vektor ciri kedalam ruang ciri.

Representasi Pola n Klasifikasi berdasar pada representasi Pola a). warna b). bentuk

Klasifikasi dan Diskripsi n n n Klasifikasi adalah penetapan masukan kedalam satu klas berdasarkan pada ciri. Pengenalan adalah kemampuan untuk mengklasifikasi Diskripsi adalah cara lain untuk klasifikasi dimana satu diskripsi struktural masukan diinginkan. Contoh: pelabelan sinyal ECG ke dalam bentuk P, QRS dan T.

Teknik Pendekatan Pengenalan Pola n Statistik • Pola-pola diklasifikasi berdasar model statistik • Fungsi kerapatan Pr(x|Ci) mendasarkan Probabilitas vektor ciri x yang memberikan klas Ci. n Jaringan Saraf Tiruan • Meniru sistem saraf manusia • Strategi black-box • Melakukan pelatihan pola-pola data dan mengenali pola data baru yang belum diketahui klasnya n Struktural atau sintaktis • menganggap hubungan timbal balik adalah lebih penting tetapi tidak mudah untuk mencari hubungannya

Contoh: Neural, Statistical and Structural OCR

Komponen-komponen sistem pengenalan pola 1. 2. 3. 4. 5. Sensor Segmentasi Ekstraksi ciri Pengklasifikasi Pemrosesan akhir

n n n Sensor • Menggunakan transduser (kamera, microphone, dll. ) • Sistem tergantung pada bandwidth, resolusi, dan sensitivitas transduser. Segmentasi • Pola akan dipisahkan dengan baik dan tidak akan terjadi tumpang-tindih. Ekstraksi ciri • Penajaman perbedaan ciri • Ciri tidak berubah karena pengaruh translasi, rotasi, dan penskalaan.

n n Pengklasifikasi • Menggunakan vektor ciri yang diberikan oleh pengekstraksi ciri untuk kemudian ditetapkannya ke dalam satu kategori/klas. Pemrosesan akhir • Memanfaatkan hasil penetapan kategori dan menghubungkan antara masukan dengan pola target untuk menentukan keputusan. 3

Contoh Aplikasi Sistem Pengenalan Pola Mesin otomatis untuk menyortir ikan menurut spesies (salmon dan sea bass)

n Analisis Masalah Atur kamera dan ambil beberapa sampel citra untuk ektraksi ciri-ciri n panjang n pencahayaan n lebar n Jumlah dan bentuk sirip n Posisi mulut, dll…

n n n Gunakan operasi segmentasi untuk memisahkan ikan satu dengan lainnya dan dari latar belakang. Informasi dari citra ikan kirimkan ke pengekstraksi ciri. Ciri-ciri selanjutnya dilewatkan ke pengklasifikasi untuk kemudian dibuat keputusan.

n Klasifikasi Pilih panjang ikan sebagai satu kemungkinan ciri untuk membuat pembedaan spesies (salmon/sea bass) Ambil pencahayaan dan lebar ikan sebagai kemungkinan ciri yang lain ikan x = [x 1, x 2] pencahayaan lebar

(a) (b) n (c) Idealnya bahwa batas keputusan terbaik sebagaimana ditunjukkan pada gb. (b) yang mana akan memberikan unjuk kerja yang optimum, namun lebih rumit.

Perancangan sistem pengenalan pola n n n Koleksi data Pemilihan ciri Pemilihan model Pelatihan (training) Evaluasi (testing)

Aplikasi Pengenalan Pola n n n n n Image segmentation Computer vision Seismic analysis Radar signal classification Face detection/recognition License plate recognition Speech recognition/understanding Fingerprint identification Character recognition Medical diagnosis

Referensi n n Tou, Julius T and Gonzalez, Rafael C. , Pattern Recogniton Principles, Addison-Wesley Publishing Company, London Schalkoff, R. J. , 1992, Pattern Recognition: Statistical, Structural and Neural Approaches, John Wiley & Sons, Inc. , Singapore Fausett, L. , 1994, Fundamentals of Neural Networks: architecture, algoritma, and applications, Prentice Hall, New Jersey. Duda R. O. , Hart P. E. , Stork D. G. , 2000, Pattern classification, 2 ed. , Wiley, ISBN 0471056693