Pengenalan Pola Pertemuan 1 PDF
Pengenalan Pola Pertemuan 1 PDF
Pengenalan Pola Pertemuan 1 PDF
Pertemuan ke-1
1
Pola
What is a Pattern?
A pattern is an entity, vaguely defined, that could be given a name, e.g. fingerprint image,
handwritten word, human face, speech signal, DNA sequence.
Sebuah objek, atau benda, atau langkah-langkah, atau apapun yang dapat diberi nama. Misalnya,
gambar sidik jari, tulisan tangan, wajah manusia, sinyal suara, DNA sequence, dan lain lain.
2
Pengenalan Pola
● Apa yang dimaksud dengan Pengenalan Pola?
● Pengenalan pola adalah tindakan mengambil data mentah, kemudian mengelompokan data tersebut
menjadi beberapa kategori atau klasifikasi, dan mengambil tindakan berdasarkan "kategori" dari pola
tersebut.
● Klasifikasi pola adalah untuk mengambil data mentah, menghilangkan noise, dan memprosesnya
untuk memilih model yang paling mungkin diwakilinya.
● Bidang pengenalan pola berkaitan dengan identifikasi otomatis keteraturan dalam data melalui
penggunaan algoritma komputer dan dengan penggunaan keteraturan ini untuk mengambil tindakan
seperti mengklasifikasikan data ke dalam kategori yang berbeda (sumber).
3
Pengaplikasian
1. Machine vision
2. Character (letter or number) recognition
3. Computer-aided diagnosis
4. Speech recognition
5. Data mining and knowledge discovery
6. Dan lain-lain
Berkaitan dengan bidang lain seperti linguistics, computer graphics, machine vision, and database design.
4
Pengenalan Pola
5
Pengenalan Pola
Pola Grafik
6
Pengenalan Pola
Bioinformatika dan Gen
7
Pengenalan Pola
Biometrik
8
FEATURES, FEATURE VECTORS, AND CLASSIFIERS
- Features
Fitur ini didefinisikan sebagai fungsi dari satu atau lebih pengukuran, yang masing-masingnya
menentukan beberapa properti yang dapat diukur dari suatu objek, dan dihitung sedemikian rupa
sehingga ia menghitung beberapa karakteristik signifikan dari objek tersebut.
- Feature Vectors
Kumpulan fitur
- Classifiers
Mesin atau sistem yang mampu melaksanakan proses klasifikasi
9
Langkah-langkah dalam pembuatan sistem Pengenalan Pola
10
Feature
Fitur ini didefinisikan sebagai fungsi dari satu atau lebih pengukuran, yang masing-masingnya
menentukan beberapa properti yang dapat diukur dari suatu objek, dan dihitung sedemikian rupa
sehingga ia menghitung beberapa karakteristik signifikan dari objek tersebut.
1. General features: Aplikasi fitur independen seperti warna, tekstur, dan bentuk
- Pixel-level features, Local features, Global features
2. Domain-specific features: seperti wajah manusia, sidik jari, dan fitur konseptual.
Medjahed, S. A., & . (2015). A Comparative Study of Feature Extraction Methods in Images Classification. International
Journal of Image, Graphics and Signal Processing, 7(3), 16–23. doi: 10.5815/ijigsp.2015.03.03
11
Feature
Semua fitur diklasifikasikan menjadi low-level features dan high-level features.
Low-level features dapat diekstrak secara langsung dari gambar, sedangkan ekstraksi high-level
feature harus bergantung pada low-level features.
Medjahed, S. A., & . (2015). A Comparative Study of Feature Extraction Methods in Images Classification. International
Journal of Image, Graphics and Signal Processing, 7(3), 16–23. doi: 10.5815/ijigsp.2015.03.03
12
general features
1. Color Features
In image classification and image retrieval, the color is the most important feature. The color
histogram represents the most common method to extract color feature. It is regarded as the
distribution of the color in the image. The efficacy of the color feature resides in the fact that is
independent and insensitive to size, rotation and the zoom of the image
2. Texture Features
3. Shape Features
Medjahed, S. A., & . (2015). A Comparative Study of Feature Extraction Methods in Images Classification. International
Journal of Image, Graphics and Signal Processing, 7(3), 16–23. doi: 10.5815/ijigsp.2015.03.03
13
general features
1. Color Features
2. Texture Features
Texture feature extraction is very robust technique for a large image which contains a repetitive
region. The texture is a group of pixel that has certain characterize. The texture feature methods
are classified into two categories: spatial texture feature extraction and spectral texture feature
extraction.
3. Shape Features
Medjahed, S. A., & . (2015). A Comparative Study of Feature Extraction Methods in Images Classification. International
Journal of Image, Graphics and Signal Processing, 7(3), 16–23. doi: 10.5815/ijigsp.2015.03.03
14
general features
1. Color Features
2. Texture Features
3. Shape Features
Shape features are very used in the literature (in object recognition and shape description). The
shape features extraction techniques are classified as: region based and contour based. The
contour methods calculate the feature from the boundary and ignore its interior, while the region
methods calculate the feature from the entire region.
Medjahed, S. A., & . (2015). A Comparative Study of Feature Extraction Methods in Images Classification. International
Journal of Image, Graphics and Signal Processing, 7(3), 16–23. doi: 10.5815/ijigsp.2015.03.03
15
Feature Extraction and Classification
Ekstraksi Fitur - menggambarkan objek agar bisa dikenali melalui pengukuran dimana nilai yang
sangat mirip pada objek dalam kategori yang sama, dan nilai yang sangat berbeda pada kategori
berbeda.
Klasifikasi - menentukan kategori suatu objek berdasarkan vektor fitur yang ada pada ekstraksi
fitur.
Extractor fitur yang sempurna akan menghasilkan representasi yang mudah untuk
diklasifikasikan.
Pengklasifikasi sempurna akan menghasilkan model yang sempurna dari serangkaian fitur yang
berubah-ubah.
16
Supervised, Unsupervised, dan Semi-supervised Learning
Supervised methods: Memiliki training data dan terdapat informasi (class) terdahulu yang
dimanfaatkan oleh classifier, e.g., linear discriminant analysis (LDA).
Unsupervised methods: Data training tidak ada dan informasi terdahulu tidak jelas diketahui,
sehingga diperlukan proses clustering terlebih dahulu, e.g., principal component analysis (PCA).
Semi-supervised methods: Memiliki training data namun masih terdapat data yang tidak
diketahui informasinya (class).
17
Contoh Pengenalan Pola
Contoh:
Salmon
Sea Bass
18
Memilih fitur untuk klasifikasi ikan
Misalkan seorang ahli di pabrik pengemasan ikan
memberitahu bahwa panjang adalah fitur terbaik.
Pernyataan ahli sangat dipercayai. Kumpulkan
beberapa contoh dari instalasi untuk menganalisis fitur
‘lebar’.
● Data merupakan materi untuk perlengkapan
latihan.
● Pastikan terkumpul representasi dari populasi.
● Analisis fitur dengan membangun histogram:
distribusi marjinal.
19
Memilih fitur untuk klasifikasi ikan
Terlihat fitur ‘lebar’ tidak membantu, dikarenakan
variasi data dari jenis ikan tidak selalu signifikan
terhadap satu sama lain.
20
Memilih fitur untuk klasifikasi ikan
Terlihat fitur ‘berat’ menunjukan pola yang lebih jelas.
Sea bass memiliki ‘berat’ yang lebih ringan daripada
salmon.
21
Kombinasi Fitur
Jarang ada satu fitur yang cukup dalam praktek.
22
Pattern Recognition model
1. Template matching
2. Statistical Pattern Recognition:
based on underlying statistical model of patterns and pattern classes.
3. Structural (or syntactic) Pattern Recognition :
pattern classes represented by means of formal structures as grammars, automata, strings, etc.
4. Neural networks:
classifier is represented as a network of cells modeling neurons of the human brain (connectionist
approach).
23
Terima Kasih
Referensi
https://cse.buffalo.edu/~jcorso/t/CSE555/files/lecture_introduction.pdf
https://darmanto.akakom.ac.id/pengenalanpola/Pattern%20Recognition%204th%20Ed.%20(2009).pdf
24