Pendahuluan

Pengenalan Pola
Materi 1

Eko Prasetyo
Teknik Informatika
UPN “Veteran” Jawa Timur
2012
Pola
Pengenalan pola merupakan disiplin ilmu yang
bertujuan untuk klasifikasi obyek kedalam
sejumlah kategori atau kelas.
Obyek: citra, gelombang sinyal, database, atau
segala jenis ukuran yang lain yang perlu
diklasifikasikan.
Perkembangan komputer membawa kebutuhan
aplikasi praktis untuk pengenalan pola.
◦ Mendorong ilmu pengenalan pola menjadi
berkembang, dan mejadi bagian penting mesin
cerdas.

2
Aplikasi Pengenalan Pola
Machine Vision
◦ Citra sebagai obyek yang diproses
◦ Pemeriksaan rakitan barang elektronik, deteksi obyek
dalam ruangan.
Character recognition
◦ Aplikasi OCR banyak dijual dipasaran.
◦ Bagian front-end: sumber cahaya, lensa scan, document
transport, dan detektor.
Computer-aided diagnosis
◦ Aplikasi sistem pembantu dokter dalam mengambil
keputusan.
◦ Banyak digunakan pada data medis: X-rays, citra
tomografi, CT-Scan, dsb.

3
Aplikasi Pengenalan Pola
Speech recognition
◦ Memetakan suara yang diterima mesin menjadi perintah
(secara remote) pada perangkat elektronik.
◦ Menerjemahkan suara menjadi tulisan.
Data mining
◦ Kebutuhan untuk menggali informasi baru dari data set:
rekam medis, keuangan, penjualan retail, eksplorasi
pengetahuan, image and music retrieval.
Aplikasi yang lain
◦ fingerprint identification, signature authentication, text
retrieval, and face and gesture recognition.
Cabang ilmu terkait: linguistik, grafika komputer,
machine vision, database, data mining.
4
 Fitur, Classifier
Citra medis: benign lesion (kelas A), dan malignant one
(kelas B).
◦ Tidak hanya memproses pola, tapi juga harus membaca
database citra. Garis keputusan

Fitur
Kelas A

intensitas
Data baru Kelas B

Mean
Standar deviasi
Fitur
Set fitur: Data baru terprediksi masuk ke kelas A

5
Fitur, Classifier
Fitur:Setiap vektor fitur secara unik adalah pola
(obyek) tunggal.
Hasil pengukuran dari pola berbeda yang
menampakkan variasi acak.
Classifier: Garis keputusan yang berperan untuk
membagi fitur space menjadi daerah yang
berkoresponden dengan dengan kelas A atau B.
Pola (vektor fitur) yang sudah diketahui label kelas
yang sebenarnya, disebut pola latih (training
pattern)
Pola baru yang belum diketahui label kelasnya
(akan diprediksi) disebut pola uji (test pattern).
6
Pertanyaan mendasar

Bagaimana fitur dibangkitkan ?

7
Supervised, unsupervised learning
Set data training yang tersedia, dan classifier
didesain dengan memanfaatkan informasi
awal (kelas) yang diketahui  supervised
pattern recognition (supervised learning).
Set data training yang label kelasnya belum
diketahui, kemudian diukur kemiripan antar
data agar data yang mirip bergabung dalam
satu kelompok, sedangkan yang berbeda
akan terpisah dalam kelompok yang lain 
unsupervised pattern recognition (clustering).

8
 Contoh supervised
Nama hewan Penutup kulit Melahirkan Berat Kelas
Ular Sisik Ya 10 Reptil
Tikus Bulu Ya 0.8 Mamalia
Kambing Rambut Ya 21 Mamalia
Sapi Rambut Ya 120 Mamalia
Kadal Sisik Tidak 0.4 Reptil
Kucing Rambut Ya 1.5 Mamalia
Bekicot Cangkang Tidak 0.2 Reptil
Harimau Rambut Ya 43 Mamalia
Rusa Rambut Ya 45 Mamalia
Kura-kura Cangkang Tidak 7 Reptil
Musang Rambut Ya 15 Mamalia

Hewan
Kuda baru Rambut Ya 110 ????? Mamalia

9
Contoh unsupervised
Pada setiap titik dalam peta, diekstrak fiturnya sebanyak l-
dimensi.
Titik yang yang mirip dalam peta akan diminta untuk
meng-cluster bersama dan membentuk kelompok.
Bagaimana mengetahui kelompok itu adalah air, tanah,
hutan, tumbuh-tumbuhan ?
◦ Analisis asosiasi data, mengunjungi lokasi.

10
Character recognition

JNeeScG5 JMeeToGs
JMeeTcG5

? ? ?
11
Face Recognition

12
Object recognition
Mencari obyek lain yang mirip dengan obyek yang di-
query-kan.

13
 Segmentasi citra
Mengisolasiobyek dalam citra,
memisahkan region-region dalam citra.

Gambar asli 5 cluster 10 cluster

14
 Pengelompokan dokumen
Pengelompokan dokumen blog berdasarkan kriteria:
judul, tanggal publikasi, link, kode bahasa, dan
deskripsi

Jumlah cluster = 3 Jumlah cluster = 5

15
Penggolongan mahasiswa
Berdasarkan kriteria BMI (Body Mass Index)
dan Ukuran Kerangka (Lingkar Lengan Bawah).
Cluster 1 (12 mhs)
BMI normal dan
kerangka besar

Cluster 2 (7 mhs)
BMI obesitas sedang dan
kerangka sedang

Cluster 3 (1 mhs)
BMI obesitas berat dan
kerangka kecil

16
To Be Continued … Materi 2

ANY QUESTION ?

17