170 likes | 437 Views
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 .
E N D
Pendahuluan PengenalanPola Materi 1 Eko Prasetyo TeknikInformatika UPN “Veteran” JawaTimur 2012
Pola • Pengenalanpolamerupakandisiplinilmu yang bertujuanuntukklasifikasiobyekkedalamsejumlahkategoriataukelas. • Obyek: citra, gelombangsinyal, database, atausegalajenisukuran yang lain yang perludiklasifikasikan. • Perkembangankomputermembawakebutuhanaplikasipraktisuntukpengenalanpola. • Mendorongilmupengenalanpolamenjadiberkembang, danmejadibagianpentingmesincerdas.
AplikasiPengenalanPola • Machine Vision • Citra sebagaiobyek yang diproses • Pemeriksaanrakitanbarangelektronik, deteksiobyekdalamruangan. • Character recognition • Aplikasi OCR banyakdijualdipasaran. • Bagian front-end: sumbercahaya, lensa scan, document transport, dandetektor. • Computer-aided diagnosis • Aplikasisistempembantudokterdalammengambilkeputusan. • Banyakdigunakanpada data medis: X-rays, citratomografi, CT-Scan, dsb.
AplikasiPengenalanPola • Speech recognition • Memetakansuara yang diterimamesinmenjadiperintah (secara remote) padaperangkatelektronik. • Menerjemahkansuaramenjaditulisan. • Data mining • Kebutuhanuntukmenggaliinformasibarudari data set: rekammedis, keuangan, penjualan retail, eksplorasipengetahuan, image and music retrieval. • Aplikasi yang lain • fingerprint identification, signature authentication, text retrieval, and face and gesture recognition. • Cabangilmuterkait: linguistik, grafikakomputer, machine vision, database, data mining.
Fitur, Classifier • Citra medis: benign lesion (kelas A), dan malignant one (kelas B). • Tidakhanyamemprosespola, tapijugaharusmembaca database citra. Gariskeputusan Fitur Kelas A intensitas Kelas B Data baru Mean Standardeviasi Fitur Set fitur: Data baruterprediksimasukkekelas A
Fitur, Classifier • Fitur: Setiapvektorfitursecaraunikadalahpola (obyek) tunggal. • Hasilpengukurandaripolaberbeda yang menampakkanvariasiacak. • Classifier: Gariskeputusan yang berperanuntukmembagifitur space menjadidaerah yang berkorespondendengandengankelas A atau B. • Pola (vektorfitur) yang sudahdiketahui label kelas yang sebenarnya, disebutpolalatih (training pattern) • Polabaru yang belumdiketahui label kelasnya (akandiprediksi) disebutpolauji (test pattern).
Pertanyaanmendasar • Bagaimanafiturdibangkitkan ? • Pengekstrakan (mis, hitung mean dan std), normalisali, reduksi. • Berapajumlahfiturterbaik yang dipakai ? • Pekerjaanpentingsaatsesifeature selection. • Dari sejumlahfitur yang dibangkitkan, hanya yang “terbaik” yang diambil. • Bagaimanadesain classifier ? • Data l-dimensisulitdiamati • Harusmemenuhioptimality criterion. • Bagaimanamenilaikinerja classifier ? • Berapaakurasidanlaju error ? • Pekerjaandisesisystem evaluation.
Supervised, unsupervised learning • Set data training yang tersedia, dan classifier didesaindenganmemanfaatkaninformasiawal (kelas) yang diketahui supervised pattern recognition (supervised learning). • Set data training yang label kelasnyabelumdiketahui, kemudiandiukurkemiripanantar data agar data yang miripbergabungdalamsatukelompok, sedangkan yang berbedaakanterpisahdalamkelompok yang lain unsupervised pattern recognition (clustering).
Contoh supervised HewanbaruRambutYa 110 ????? Kuda Mamalia
Contoh unsupervised • Padasetiaptitikdalampeta, diekstrakfiturnyasebanyak l-dimensi. • Titik yang yangmiripdalampetaakandimintauntukmeng-cluster bersamadanmembentukkelompok. • Bagaimanamengetahuikelompokituadalah air, tanah, hutan, tumbuh-tumbuhan ? • Analisisasosiasi data, mengunjungilokasi.
Character recognition JNeeScG5 JMeeToGs JMeeTcG5 ? ? ?
Object recognition • Mencariobyek lain yang miripdenganobyek yang di-query-kan.
Segmentasicitra • Mengisolasiobyekdalamcitra, memisahkan region-region dalamcitra. Gambarasli 5 cluster 10 cluster
Pengelompokandokumen • Pengelompokandokumen blog berdasarkankriteria: judul, tanggalpublikasi, link, kodebahasa, dandeskripsi Jumlah cluster = 3 Jumlah cluster = 5
Penggolonganmahasiswa • Berdasarkankriteria BMI (Body Mass Index) danUkuranKerangka (LingkarLenganBawah). Cluster 1 (12 mhs) BMI normal dankerangkabesar Cluster 2 (7 mhs) BMI obesitassedangdan kerangkasedang Cluster 3 (1 mhs) BMI obesitasberatdan kerangkakecil
To Be Continued … Materi 2 ANY QUESTION ?