Model Sistem Pengenalan Pola


Terdapat banyak jenis pola:
 Pola visual
 Pola temporal
 Pola logikal


Tidak ada tepat satu teori untuk menyelesaikan
problem pengenalan pola
Terdapat model standar yang dapat dijadikan teori
acuan
 Statistik atau Fuzzy
 Syntatic atau Struktur
 Berbasis pengetahuan
Statistical
Pattern
Recognition

Problem pengenalan pola didefinisikan
sebagai problem klasifikasi

Daftar kata kunci :
 Klasifikasi
 Fitur
 Vektor fitur
 Model klasifikasi standar

Diperlukan suatu sistem untuk melakukan
pengenalan
 Sistem mengenali data kemudian mengklasifikasi data
tersebut berdasarkan pola tertentu ke suatu klas

Contoh aplikasi yang melakukan …
 Pengenalan suara
 Identifikasi sidik jari
 Pengenal karakter secara optik (OCR)
 Identifikasi urutan DNA



Terdapat data dengan pola visual
Data merepresentasikan karakter 26 huruf alfabet
Definisi problem:
 Pengenalan pola data yang diklasifikasikan ke 26 kelas
 Data kelas 1 adalah huruf A dengan segala variasi penulisannya, dst
5
standar
pola
kelas 1
standar
pola
kelas 2
standar
pola
kelas 4
Data dengan pola visual
DITERIMA
DITERIMA
DITOLAK
Array nilai tingkat
terang pixel
Data merepresentasikan karakter 26 huruf alfabet
 Definisi tujuan sistem  mengklasifikasikan data ke 26 kelas
yang ada berdasarkan standar polanya
 Problem yang muncul

 Q1: Apa yang akan dibandingkan? FITUR
 Q2: Bagaimana mengukur tingkat kesamaan pola?


Fitur adalah suatu nilai yang dapat membantu sebagai
pembeda
Contoh dalam klasifikasi huruf cetak
◦ Dalam penentuan fitur untuk pembandingan perlu …
 tahu luas area huruf
 tahu daerah perbatasan luar huruf
◦ Dalam pengukuran tingkat kesamaan huruf dilakukan …
 Berdasarkan rasio kepadatan luas area penulisan huruf dengan area batas
luar huruf (disebut perimeter) : Huruf B lebih padat daripada huruf O
 Berdasarkan tingkat simetri area huruf bagian atas dengan bawah. Huruf B
lebih simetri daripada huruf P

Beberapa fitur dapat sensitif akan perubahan nilai
◦ Fitur tingkat kelurusan sisi kiri huruf
 Pola untuk membedakan huruf D atau O
7


Set nilai sejumlah d fitur dihasilkan dari pengukuran
setiap data yang akan diklasifikasikan
◦ x1 = area
◦ x2 = perimeter, …,
◦ xd = panjang garis melengkung / jarak garis lurus
Nilai sejumlah d fitur dari suatu data disimpan sebagai
sebuah matrik baris x  Vektor Fitur
◦ Vektor x memiliki d baris = suatu data memiliki d dimensi
◦ Vektor x digambarkan sebagai suatu titik pada ruang fitur
dimensi d


Pola suatu data hasil dari pengukuran direpresentasikan dalam
sebuah vektor
Pada pengenalan pola terjadi pengurangan jumlah informasi,
pemetaan atau pelabelan informasi
9



Sekumpulan ikan diletakkan pada ban berjalan
Berdasarkan sensor optik, mesin dapat mengelompokkan ikanikan tersebut sebagai SeaBass dan Salmon
Analisa problem
 Set posisi kamera untuk mengambil gambar ikan-ikan
 Dari gambar akan diekstrak informasi fitur:
▪ Panjang ikan
▪ Tingkat kecerahan warna sisik ikan
▪ Lebar badan ikan
▪ Jumlah dan bentuk sirip ikan
▪ Posisi mulut ikan, dll.
kumpulan ikan
pada ban
berjalan
sensor optik
gambar
ikan-ikan
pra
pemrosesan
operasi
segmentasi
gambar untuk
membedakan
setiap ikan
ekstraksi
fitur
• lebar badan ikan
• tingkat
kecerahan warna
sisik ikan
pengklasifikasi
salmon
seabass
hasil
pengelompokkan ikan
NILAI AMBANG BATAS
ERROR SALMON
NILAI AMBANG BATAS
ERROR
SALMON
fitur lightness lebih baik dibanding fitur length


Penentuan nilai ambang batas (threshold decision boundary) menentukan
nilai biaya (cost function)
Solusi
 Menambah atau mengurangi nilai ambang batas
Jika nilai ambang batas
dikurangi:
•  seabass masuk klas
salmon berkurang
•  salmon masuk klas
seabass bertambah
ERROR
SEABASS
TEORI KEPUTUSAN
14

Digunakan fitur lebar ikan dan tingkat kecerahan sisik ikan
xT = [x1, x2]
LIGHTNESS
WIDTH

Batas pemisah
(decision
boundary)
terbaik
memberikan
hasil klasifikasi
yang optimal
GENERALISASI

Sistem pengenalan tidak memiliki sifat generalisasi jika
◦ Sistem hanya dapat mengklasifikasi data pelatihan
◦ Sistem tidak dapat mengklasifikasi dengan baik data baru
POST PROCESSING :
• melakukan evaluasi tingkat kesalahan
(error rate)
• mempertimbangkan mengganti jenis
salmon
fitur untuk pengenalan
seabass
xT = [x1, x2]
SEGMENTASI :
• pola – pola yang ada harus terpisah,
tidak bertumpuk
SENSING :
• menggunakan alat optik untuk
menangkap pola visual (mis: kamera)
• sistem pengenalan pola sensitif akan
resolusi alat optik untuk mengurangi data
terdistorsi





Collect data: mengumpulkan data untuk
pelatihan dan uji coba
Feature choice: memilih fitur yang akan
digunakan berdasarkan data dan menentukan
informasi prior
Model choice: memilih model klasifikasi.
(catatan: telah ditetapkan model pengenalan pola
berdasarkan teori statistik)
Train classifier: dengan data pelatihan,
informasi prioir akan berubah sampai performa
fungsi klasifikasi optimal
Evaluate classifier: melakukan evaluasi tingkat
kesalahan kemudian mempertimbangkan untuk
mengganti fitur
Trade-off antara
kemudahan komputasi
dengan performa
KOMPLEKSITAS
KOMPUTASI

Pembelajaran Supervised
 Terdapat kategori/klas/label sebagai hasil klasifikasi
 Terdapat fungsi biaya untuk setiap pola pada data
pelatihan

Pembelajaran Unsupervised
 Sistem akan membentuk cluster/kelompok/gugus
data berdasarkan pola yang ada




Melakukan ekstraksi fitur data asal untuk mendapat set fitur d; x1, x2, …, xd
Desain ekstraktor fitur tergantung pada problem
Keinginan
◦ Ekstraktor fitur menghasilkan vektor fitur yang sama untuk setiap data pada suatu klas
Kenyataan
◦ Ekstraktor fitur menghasilkan vektor fitur yang relatif sama untuk setiap data pada
suatu klas
◦ Variasi vektor fitur data pada satu kelas lebih kecil dibanding data pada lain kelas
21


Membuat solusi hipotesa awal, kemudian
diadaptasi modelnya sampai optimal
 CARA INTUITIF
Menurunkan fungsi pengklasifikasi optimal dari
model matematisnya
 Membahas teori:
▪ Pencocokan template (template matching)
▪ Pengklasifikasian mencari jarak terdekat (minimum-distance
classifiers)
▪ Pengukuran (metrics)
▪ Perkalian inner product
▪ Diskriminan linear
▪ Decision boundaries



Contoh huruf alfabet D dan O dengan variasi penulisannya
Gambar D dan O kiri dijadikan acuan/template karena bebas
distorsi
Data-data gambar sebelah kanan akan dicocokkan dengan
template yang ada dan dihitung tingkat kecocokannya

Ada beberapa pendekatan yaitu:
 Maximum Correlation = jumlah kesamaan
▪ Menghitung jumlah pixel hitam atau putih yang sama antar data dengan
template
▪ Pilih kelas dengan nilai kesamaan terbesar
 Minimum Error = jumlah ketidaksamaan
▪ Menghitung jumlah pixel yang tidak sama (pixel hitam pada data dengan pixel
putih pada template atau sebaliknya)
▪ Pilih kelas dengan nilai ketidaksamaan terkecil

Digunakan jika variasi pada setiap kelas tergantung pada ada
tidaknya tambahan noise
 Pada pengenalan huruf tidak terdapat distorsi akibat translation, rotation,
shearing, warping, expansion, contraction, atau occlusion




Ekspresi Matematika dari Template Matching sebagai berikut:
◦ Terdapat vektor fitur x untuk data input
◦ Ditentukan sejumlah c klas
◦ Ditentukan template untuk setiap klas, m1, m2, …, mc
Error template matching antara x dan template ke k, mk dihitung
dari norm vektor (x - mk) = || x - mk || dan k = {1…c}
Penghitungan || x - mk || = menghitung jarak antara vektor x dan
vektor mk
Pengklasifikasi akan mencari error terkecil = mencari jarak
terdekat
◦ Pengklasifikasi dengan Template Matching = Minimum-Distance Classifier

Ada banyak cara untuk mendefinisikan Norm
||u||. Contoh sebagai berikut :
 Manhattan (taxicab) metric
▪ || u || = |u1| + |u2|+ |u3| + ... + |ud|
▪ Contoh: digunakan pada template matching pengenalan
huruf dengan menghitung jumlah ketidaksamaan
 Euclidean metric
▪ || u || = sqrt( u12 + u22 + ... + ud2 )
▪ Untuk selanjutnya akan digunakan model ini
 Mahalanobis metric
▪ si = standar deviasi sampel yi terhadap xi
Contour dari jarak konstan Euclidean berbentuk circles/spheres
Contour dari jarak konstan Manhattan berbentuk squares/boxes
 Contour dari jarak konstan Mahalanobis berbentuk ellipses/ellipsoids



Untuk selanjutnya pengukuran jarak akan menggunakan metric Euclidean
atau Mahalanobis