TEKNIK KLASIFIKASI DAN PENGENALAN POLA Oleh : Rahmat Robi Waliyansyah, M.Kom.

Pendahuluan 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 Teknik Klasifikasi dan Pengenalan Pola (TKPP) adalah suatu alat untuk menyelesaikan masalah- 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 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 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.

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

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

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

Contoh: Neural, Statistical and Structural OCR

Pendekatan Statistik

Pendekatan Statistik

Tahapan Teknik Pengenalan Pola Dua Tahap Learning–proses untuk mengambil pengetahuan Detection Waktu Learning lebih besar Sulit untuk belajar, tetapi sekali terpelajar sistem akan menjadi “natural” Dapat menggunakan metode AI : Neural Network Machine Learning

Learning Bagaimana mesin dapat belajar aturan (rule) dari data. Supervised learning : User menyediakan label kategori atau value/bobot untuk masing-masing pola dalam data training. Unsupervised learning : Sistem membentuk cluster atau pengelompokan secara alami dari pola yang dimasukan.

Classification Vs Clustering Classification (Kategori/Label kelasnya diketahui). Clustering (Kategori/Label kelompoknya tidak diketahui dan biasanya dinamai dengan kelas pertama, kedua dst).

Komponen-komponen sistem pengenalan pola Sensor Segmentasi Ekstraksi ciri Pengklasifikasi Pemrosesan akhir

Sensor Segmentasi Ekstraksi ciri 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.

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)

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

Gunakan operasi segmentasi untuk memisahkan ikan-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.

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 x = [x1, x2] ikan lebar pencahayaan

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

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

Aplikasi Pengenalan Pola 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 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, 2ed., Wiley, ISBN 0471056693