1 / 17

Pendahuluan

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 .

gefen
Download Presentation

Pendahuluan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Pendahuluan PengenalanPola Materi 1 Eko Prasetyo TeknikInformatika UPN “Veteran” JawaTimur 2012

  2. Pola • Pengenalanpolamerupakandisiplinilmu yang bertujuanuntukklasifikasiobyekkedalamsejumlahkategoriataukelas. • Obyek: citra, gelombangsinyal, database, atausegalajenisukuran yang lain yang perludiklasifikasikan. • Perkembangankomputermembawakebutuhanaplikasipraktisuntukpengenalanpola. • Mendorongilmupengenalanpolamenjadiberkembang, danmejadibagianpentingmesincerdas.

  3. 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.

  4. 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.

  5. 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

  6. 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).

  7. 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.

  8. 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).

  9. Contoh supervised HewanbaruRambutYa 110 ????? Kuda Mamalia

  10. Contoh unsupervised • Padasetiaptitikdalampeta, diekstrakfiturnyasebanyak l-dimensi. • Titik yang yangmiripdalampetaakandimintauntukmeng-cluster bersamadanmembentukkelompok. • Bagaimanamengetahuikelompokituadalah air, tanah, hutan, tumbuh-tumbuhan ? • Analisisasosiasi data, mengunjungilokasi.

  11. Character recognition JNeeScG5 JMeeToGs JMeeTcG5 ? ? ?

  12. Face Recognition

  13. Object recognition • Mencariobyek lain yang miripdenganobyek yang di-query-kan.

  14. Segmentasicitra • Mengisolasiobyekdalamcitra, memisahkan region-region dalamcitra. Gambarasli 5 cluster 10 cluster

  15. Pengelompokandokumen • Pengelompokandokumen blog berdasarkankriteria: judul, tanggalpublikasi, link, kodebahasa, dandeskripsi Jumlah cluster = 3 Jumlah cluster = 5

  16. 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

  17. To Be Continued … Materi 2 ANY QUESTION ?

More Related