PENGENALAN POLA (PATTERN RECOGNITION)


  • Pengenalan pola adalah disiplin ilmu yang mengklasifikasikan object berdasarkan image, berat atau parameter-parameter yang telah ditentukan kedalam sejumlah kategori atau kelas.
  • Contoh aplikasi yang menerapkan pengenalan pola adalah sebagai berikut:
    • Machine Vision
      Pengenalan pola menjadi dasar dari sistem mesin ini. Mesin ini menangkap sebuah atau sekelompok object dengan kamera dan selanjutnya dianalisa untuk di deskripsikan object atau benda tersebut
    • Character recognition (OCR)
      Salah satu area pengenalan pola yang secara umum menangani permasalahan otomatisasi dan informasi. Sistem OCR mempunyai front end device yang terdiri dari pembangkit cahaya, lensa scan, document transport dan sebuah detektor.
    • Computer aided diagnosis
      Sistem ini membantu dokter dalam mengambil keputusan suatu diagnosa
    • Speech recognition
      Pengenalan pola suara salah satu aplikasi yang berkembang saat ini. Sistem ini mengijinkan kita untuk berkomunikasi antara manusia dengan memasukkan data ke computer. Meningkatakan efisiensi industri manufaktur, mengontrol mesin dengan berbicara pada mesin itu.
    • Face recognition
      Pengenalan wajah adalah sebuah system yang mengenali image wajah manusia yang digunakan dalam otomatisasi dan security sebuah industri
    • Biometrics
      Biometric beguna untuk mengenali suatu pola mahluk hidup yang d?ihubungkan dengan parameter ? parameter psikologi maupun tingkah laku
    • Image Data Base retrieval
      Adalah sebuah system untuk pengembalian imagi data base
    • Data mining
      Adalah pengelompokan pola objek sejumlah data yang terurut dengan harapan dapat memberikan informasi yang berguna dan diinginkan.
    • Bioinformatics
      Bioinformatik berhubungan erat dengan disiplin kedokteran, pengenalan pola atau image dari suatu image penyakit atau pola dalam sebuah analisa diagnosa penyakit atau pengenalan pola pola yang berhubungan dengan dunia biologi secara umum
  • Fitur adalah object yang kuantitas dapat diukur dari sebuah pola, Pengklasifikasian berdasar dari masing masing nilai dari fitur-fitur tersebut.
  • Vektor fitur adalah sejumlah atau sekumpulan dari fitur, misalakan sebuah fitur adalah x maka kumpulan fitur dapat direpresentasikan berikut:X1,…,Xl, memberikan vector fitur sebagai berikut:X1,…X
    • Formula statistic untuk vektor fitur sebagai berikut:
    • Tandai pola / pattern yang telah kita dapat dengan merepresentasikannya dengan vector x ke dalam kelas kelas yang tersedia sejumlah M. Yang ditandai dengan notasi :
    • Dimana probabilitas dari x atau sejumlah x yaitu M adalah dimana dalam klasifikasi ini kita menghitung nilai maksimum dari probabilitas tersebut
  • Perhitungan dari sebuah Posteriori Probabilitas. Yang dimaksud dengan Posteriori Probabilitas dari pattern M adalah : semua Pattern dapat secara korespondensi di klasifikasikan kepada kelas kelas yang ada.
  • Dalam system pattern recognition terdapat tahapan tahapan:
    • Pattern pertama kali ditangkap oleh sensor untuk dianalisa dan didapat berbagai fiturnya.
    • Setelah mendapat informasi dari fitur fitur yang ada maka selanjutnya adalah meng-generate fitur.
    • Tidak semua fitur yang didapat dari sensor digunakan untuk pengenalan pattern tersebut. Maka langkah selanjutnya adalah dengan memilih fitur yang tepat untuk pengklasifiksian object tersebut.
    • Selanjutnya mendesain pengklasifikasian, tipe nonlinearity yang bagaimana yang diadopsi, dan bagaimana mendapatkan criteria fitur yang optimal.
    • Ketika terjadi error dalam pengklasifikasian maka terjadi ketidak beresana dalam system maka system perlu diadakan evaluasi
  • Algoritma klasifikasi digolongkan menjadi 2, yang pemilihnya tergantung pada kesediaan data awal, yaitu
    • Supervised : Pattern yang mempunyai kelas yang telah diketahui dan digunakan untuk training (aster klasifikasi yang sudah fix). Melakukan identifikasi suatu pola yang diamati sebagai anggota dari suatu kelas pola yang sudah diketahui.
    • Unsepervised : Sejumlah kelas tidak diketahui dan tidak terdapat traning pattern. Memasukkan suatu pola yang diamati ke suatu kelas pola yang belum diketahui
  • Pengklasifikasian berdasar pada teori bayes
  • Estimasi Fungsi Densitas dari Probabilitas yang Belum Diketahui
    • Banyak permasalahan yang sering mengestimasi proses dengan data data yang telah tersedia. Terkadang kita tahu metode yang cocok yang akan kita gunakan untuk menyelesaikan permasalahan tersebut(metode Gaussian atau Rayleigh), tetapi kita tidak mengetahui parameter yang sesui untuk metode yang kita gunakan. Berdarkan ketersediaan informasi, pendekatan yang berbeda dapat di implimentasika, seperti
      • Parameter Estimasi Maximum Likelihood
      • Maximum Aposteriori Probability Estimation
      • Bayesian Interference Maximum Entropy
      • The Expectation Maximisation (EM) algorithm
      • Application to the mixture modeling problem
      • Nonparametric Estimation
      • Curse of Dimensionality
      • Naive ? Bayes Classifier
      • K Nearest Neightbor Density Estimation
      • The Nearest-Neighbor Rule
      • Vronoi tessellation
    • Bayesian network adalah directed graph nonsiklis (DAG) dimana nodes berkorespondensi dengan random variable. Tiap node diasosiasikan dengan set of conditional probabilities (densities), p(xi|Ai), dimana xi adalah variable yang diasosiasikan dengan node dan Ai adalah set dari parent dalam graph.
    • Bayesian network dispesifikasikan oleh :
      • probability marginal dari node root
      • probabilities conditional dari node non-root yang diberikan oleh parent untuk semua kemungkinan kombinasi yang mungkin.

Sumber : http://agusza.its-sby.edu/pola/bab1.html

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: