PENGENALAN POLA PADA CITRA DIGITAL
1. Defini Definisi si Pengo Pengolah lahan an Citra Citra
Pengenalan pola merupakan bidang bidang dalam pembelajaran mesin dan mesin dan dapat diartikan sebagai
"tinda "tindakan kan mengam mengambil bil data data mentah mentah dan bertin bertindak dak berdasa berdasarka rkan n klasifi klasifikas kasii data". data". Dengan Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia ( supervised ( supervised learning ). ). Ada beberapa definisi lain tentang pengenalan pola, di antaranya:
•
Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori.
•
Ilmu pengetahua pengetahuan n yang menitikberatkan menitikberatkan pada deskripsi deskripsi dan klasifikasi klasifikasi (pengenalan (pengenalan)) dari suatu pengukuran.
•
uatu pengenalan se!ara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia se!ara aktif dalam proses pemutusan. #$
%erdas %erdasar ar beberap beberapaa defini definisi si di atas, atas, pengen pengenalan alan pola pola bisa bisa didefi didefinisi nisikan kan sebaga sebagaii !abang !abang ke!erdasan yang menitik&beratkan pada metode pengklasifikasian objek ke dalam klas & klas tertentu untuk menyelesaikan masalah tertentu.
Ada ' teori dalam pengenalan pola !itra: eori eori template eori eori *eature eori eori truktural
&
Teori template
+. anusia membandingkan dua pola dari seberapa jauh kedua pola tersebut saling -oerlap/ 0. idak bisa diterapkan untuk semua proses pengenalan pola '. Pola&pola diuraikan ke dalam -fitur&fitur/
&
Teori Feature
&
Pola&pola diuraikan ke dalam -fitur&fitur/
&
eori yang paling umum, dapat digunakan untuk setiap proses perseptual yang kabur
&
Teori Struktural
&
enjelaskan se!ara jelas bagaimana fitur&fitur itu disatukan.
&
Deskripsi lebih kompleks
2. Aplikasi – Aplikasi Pengenalan Pola
&
Machine Vision
Pengenalan pola menjadi dasar dari sistem mesin ini. esin ini menangkap sebuah atau sekelompok object dengan kamera dan selanjutnya dianalisa untuk di deskripsikan obje!t atau benda tersebut
&
Character recognition (OCR)
alah satu area pengenalan pola yang se!ara umum menangani permasalahan otomatisasi dan informasi. istem 123 mempunyai front end device yang terdiri dari pembangkit !ahaya, lensa s!an, document transport dan sebuah detektor.
&
Computer aided diagnosis
istem ini membantu dokter dalam mengambil keputusan suatu diagnosis.
&
Speech recognition
Pengenalan pola suara salah satu aplikasi yang berkembang saat ini. istem ini mengijinkan kita untuk berkomunikasi antara manusia dengan memasukkan data ke !omputer. eningkatakan efisiensi industri manufaktur, mengontrol mesin dengan berbi!ara pada mesin itu.
3. Fitur Dan Pola
*itur adalah segala jenis aspek pembeber4ujud simbolik (mis. 4arna) atau numerik (mis. tinggi). Ada beberapadefinisi terkait dengan fitur sebagai berikut: a. 5ombinasi dari d buah ftur dinyatakan sebagai ektor kolom dimensi&d dan disebut e!tor fitur. b. 3uang dimensi&d yang dibentuk oleh e!tor fitur desebut ruang fitur !. 1bjek dinyatakan sebagai sebuah titik di dlm ruang fitur. Penggambarandemikian disebut sebagai diagram hambur (scatter plot).
Kualitas dari suatu vector ftur dilihat dari kemampuannya membedakan objek yang berasal dari kelas yang berbeda – beda. Objek dalam kelas yang sama
haruspunya nilai vektor ftur yang sama dan objek yang berada dalam kelas yangberbeda harus punya nilai vektor ftur yang berlainan pula. Siatsiat dari ftur!linear"nonlinear
separability!
korelasi
dan
modalitas
sangat
penting
untukmenentukan sistem pengenal yang cocok. #erbagai siat ftur yang penting
dapat digambarkan dalam diagram hambur berikut ini.
4. Pemilah Bayes (Classifier
ugas dari pemilah adalah untuk menyekat ruang fitur kedalam daerah&daerahas (6b.77). 6aris batas antar daerah keputusan disebut6ambar #.8 Daerah kelas dan # yang dilabeli dengan kelsebagai perbatasan keputusan. Pemilahan ektor fitur 9 meliputi penentuandaerah keputusan yang sesuai dan pengelompokan 9 kedalam kelas ini Pemilahdapat di4ujudkan sebagai sekumpulan fungsi diskriminan Dalam !ontoh diatas, pemilah menentukan ektor fitur 9 ke dalam kelas i jika g i ( 9 ) ;g j (9 ),$i < j
!. "eto#e Clustering
2lustering
adalah
suatu
metode
pengelompokan
berdasarkan
ukuran
kedekatan(kemiripan).2lustering beda dengan group, kalau group berarti kelompok yang sama,kondisinya kalau tidak ya pasti bukan kelompoknya.etapi kalau !luster tidak harus sama akan tetapi pengelompokannya berdasarkan pada kedekatan dari suatu karakteristik sample yang ada, salah satunya dengan menggunakan rumus jarak e!luidean.Aplikasinya !luster ini sangat banyak, karena hamper dalam mengidentifikasi permasalahan atau pengambilan keputusan selalu tidak sama persis akan tetapi !enderung memiliki kemiripan saja. &
etode 2lustering
pada dasarnya mengoptimumkan pusat !luster(!entroid) atau
mengoptimalkan lebar antar !luster. a!am&ma!am metode !lustering :
•
%erbasis etode tatistikk a. =irar!hi!al !lustering method
: pada kasus untuk jumlah kelompok belum
ditentukan terlebih dulu, !ontoh data&data hasil surey kuisioner a!am&metode jenis ini: ingle >ingkage,2omplete >inkage,Aerage >inkage dll.
b. ?on =irar!hi!al !lustering method: @umlah kelompok telah ditentukan terlebih dulu.etode yang digunakan : 5&eans.
•
%erbasis *uy : *uy 2&eans
•
%erbasis ?eural ?et4ork : 5ohonen 1, >BC
•
etode lain untuk optimasi !entroid atau lebar !luster : 6enetik Algoritma (6A)
&
"$%&D$ C')%$*+,- +*A*/+.
Dalam makalah ini dibahas beberapa teknik !lustering hirarki agglomerative yaitu metode single linkage (jarak terke!il atau tetangga terdekat), complete linkage (jarak terjauh) dan average linkage (jarak rata&rata). eknik !lustering hirarki agglomerative bekerja dengan sederetan dari penggabungan yang berurutan atau sederetan dari pembagian yang berurutan dan bera4al dari objek&objek indiidual. @adi pada a4alnya banyaknya !luster sama dengan banyaknya objek. 1bjek&objek yang paling mirip dikelompokkan, dan kelompok&kelompok a4al ini digabungkan sesuai dengan kemiripannya. e4aktu kemiripan berkurang, semua
subkelompok digabungkan menjadi satu !luster tunggal. =asil&hasil dari !lustering dapat disajikan se!ara grafik dalam bentuk dendrogram atau diagram pohon. 2abang&!abang dalam pohon menyajikan !luster dan bergabung pada node yang posisinya sepanjang sumbu jarak (similaritas) menyatakan tingkat di mana penggabungan terjadi. Dalam makalah ini diberikan juga
langkah&langkah
dalam
algoritma
!lustering
hirarki
agglomeratie
untuk
mengelompokkan N objek (itemariabel). Input untuk algoritma metode linkage bisa berujud jarak atau similarities antara pasangan&pasangan dari objek&objek. 5elompok&kelompok dibentuk dari entities indiidu dengan menggabungkan jarak paling pendek atau similaritas (kemiripan) yang paling besar.
&
"$%&D$0"$%&D$ A,- D+ -,A/A, C')%$* +*A*/+
&
"eto#e )ingle 'inkage
Input untuk algoritma single linkage bisa berujud jarak atau similarities antara pasangan& pasangan dari objek&objek. 5elompok&kelompok dibentuk dari entities indiidu dengan menggabungkan jarak paling pendek atau similarities (kemiripan) yang paling besar. Pada a4alnya, kita harus menemukan jarak terpendek dalam D E Fdik G dan menggabungkan objek& objek yang bersesuaian misalnya, U dan V , untuk mendapatkan !luster (UV ). Hntuk langkah (') dari algoritma di atas jarak&jarak antara (UV ) dan !luster W yang lain dihitung dengan !ara d min{ d d } (UV W UW! VW E (+) Di sini besaran&besaran dUW dan dVW berturut&turut adalah jarak terpendek antara !luster&!luster U dan W dan juga !luster&!luster V dan W .
&
"eto#e Complete 'inkage
2omplete linkage memberikan kepastian bah4a semua item&item dalam satu !luster berada dalam jarak paling jauh ( simila ritas terke!il) satu sama lain. Algoritma aglomeratie pada umumnya dimulai dengan menentukan entri (elemen matriks) dalam D E Fdik G dan
menggabungkan objek&objek yang bersesuaian misalnya U dan V untuk mendapatkan !luster (UV ). Hntuk langkah (') dari algoritma di atas jarak&jarak antara !luster (UV ) dan !luster W yang lain dihitung dengan d maks{ d d }
&
"eto#e Aerage 'inkage
Aerage linkage memperlakukan jarak antara dua !luster sebagai jarak rata&rata antara semua pasangan item&item di mana satu anggota dari pasangan tersebut kepunyaan tiap !luster. ulai dengan men!ari matriks jarak D E Fdik G untuk memperoleh objek&objek paling dekat ( paling mirip) misalnya U dan V . 1bjek objek ini digabungkan untuk membentuk !luster (UV ). Hntuk langkah (') dari algoritma di atas jarak&jarak antara(UV ) dan !luster yang lain ditentukan oleh (UV E (') di mana dik adalah jarak antara objek i dalam !luster (UV ) dan objek k dalam !luster W , dan Nuv dan N" berturut&turut adalah banyaknya item&item dalam !luster (UV ) dan W .
&
Clustering Dengan Pen#ekatan Automati "apping
#elf$%rganising Map (#%M elf&1rganising ap (1) merupakan suatu tipe Artifi!ial ?eural ?et4orks yang di& training se!ara unsuperised. 1 menghasilkan map yang terdiri dari output dalam dimensi yang rendah (0 atau ' dimensi). ap ini berusaha men!ari property dari input data. 5omposisi input dan output dalam 1 mirip dengan komposisi dari proses feature s!aling (multidimensional s!aling). alaupun proses learning yang dilakukan mirip dengan Artifi!ial ?eural ?et4orks, tetapi proses untuk meng&assign input data ke map, lebih mirip dengan 5&eans dan k?? Algorithm. Adapun prosedur yang ditempuh dalam melakukan !lustering dengan 1 adalah sebagai berikut:
•
entukan 4eight dari input data se!ara random
•
Pilih salah satu input data
•
=itung tingkat kesamaan (dengan Ju!ledian) antara input data dan 4eight dari input data tersebut dan pilih input data yang memiliki kesamaan dengan 4eight yang ada (data ini disebut dengan %est at!hing Hnit (%H))
•
Perbaharui 4eight dari input data dengan mendekatkan 4eight tersebut ke %H dengan rumus: Wv(t&' Wv(t & )heta(v! t * +lpha(t * (D(t , Wv(t Dimana:
o
Wv(t: eight pada saat ke&t
o
)heta (v! t: *ungsi neighbourhood yang tergantung pada >atti!e distan!e antara %H dengan neuron . Hmumnya bernilai + untuk neuron yang !ukup dekat dengan %H, dan K untuk yang sebaliknya. Penggunaan fungsi 6aussian juga memungkinkan.
o
+lpha (t: >earning 2oeffi!ient yang berkurang se!ara monotoni!
o
D(t: Input data
•
ambah nilai t, sampai t L -ambda, dimana -ambda adalah jumlah iterasi
&
ariasi "eto#e Clustering
•
.ualit/ )hreshold 0lustering Method
•
-ocalit/ #ensitive 1ashing
•
Algoritma 3o!k
•
=ierar!hi!al *reMuent erm&%ase 2lustering
•
uffi9 ree 2lustering
•
ingle Pass 2lustering
•
?eighborhood 2lustering
•
eMuen!e 2lustering
•
pe!tral 2lustering
•
2lustering on *reMuent ree
•
>atent 2lass 2luster Analysis a.k.a. >atent Profile Analysis a.k.a. i9ture odel for 2ontinuous Bariabel
•
>atent 2lass Analysis a.k.a. i9ture odel for 2ategori!al Bariable
al0hal %erkait Dengan Clustering •
Analisa *aktor
•
ingular Balue De!omposition
•
Jigen Balue and Jigen Be!tor
•
imilarity easure
•
*eature Dis!retisation
•
*eature ele!tion
•
*eature !aling
•
Inde9ing ethod *or ear!hing
&
Pembahasan Metode Cluster
Pertama akan kita bahas dulu metode cluster secara statistic untuk non hirachical method yaitu: K-Means Clustering
Algoritma: 1. Partisi item menjadi K initial cluster 2. Lakukan roses erhitungan dari da!tar item" tandai item untuk kelomok yang mana berdasarkan usat#mean$ yang terdekat #dengan menggunakan distance daat digunakan %uclidean distance$.&itung kembali usat centroid untuk item baru yang diterima ada cluster tersebut dari cluster yang kehilangan item. '. (langi ste 2 hingga tidak ada lagi temat yang akan ditandai sebagai cluster baru.
Contoh : )ikethui data sebagai berikut: *tem
+bser,asi 1
2
A
'
/
-1
1
C
1
-2
)
-'
-2
)itanya: Lakukan cluster menjadi 2 kelomok #K02$.
•
Langkah ertama: Cluster
Koordinate dari Centroid −
−
2 +
2 0
#A/$
# + (−+)
=
0 #C)$
+ + (−')
' ++
0
0 −
+
= −
0
=
0
0 + (−0) 0
0
= −
Langkah kedua :
•
Lakukan erhitungan jarak dengan eclidean dari masing-masing item dari centroid#usat$ cluster dan tandai kembali setia item berdasarkan kedekatan grou.ika item bergerak dari initial con!iguration" Centroid#usatmeans$ cluster harus diudate sebelum diroses.Kita hitung k3adrat jarak#s4uared distance$ sbb:
d
0
d
0
( +, ( +3 )) ( +, (0D ))
= =
(# − 0) 0 (# + +)
0
(' − 0) 0
+
(' + 0)
+
0
=
+K
=
N+
5ejak A dekat ada cluster #A/$ dibandingkan ada cluster #C)$" maka tidak erlu ditandai.Lanjutkab erhitungan :
d
0
d
0
( 3 , ( +3 )) ( 3 , (0D ))
= =
( − + + 0) 0 ( −+ + +)
0
+ +
(++0 ) 0 (+ + 0)
0
=
+K
=
O
5ehingga / akan ditandi kembali menjadi anggota baru ada cluster #C)$" sehingga membentuk cluster baru #/C)$ maka koordinat dari usat cluster terudate sebagai berikut :
Cluster
Koordinate dari Centroid −
−
2 +
2 0
A
'
#/C)$
-1
-1
5elanjutnya lakukn chek untuk setia item untuk ditandai kembali. Perhitungan k3adrat jarak#s4uared distances$ dibarikan sbb:
Cluster
Koordinate dari Centroid A
/
C
)
A
6
76
71
89
#/C)$
2
7
Kita lihat setia item yang baru telah ditandai untuk cluster berdasarkan centroid#usat$ terdekat maka roses telah dihentikan.5ehingga dengan K02 cluster maka terbentuk cluster sebagai berikut : A dan #/C)$.
5. PengenalanPola%er6im6ingersus%ak%er6im6ing
Pengenalan pola terbimbing(superised)dan tak terbimbing(unsuperised)berkaitan dengan bagaimana klasifikasi dilakukan atau bagaimana pemilah diran!ang. %ila e!tor fitur pelatihan tersedia dan telah diketahui kelas kelasnya ,kemudian e!tor fitur pelatih anter sebut dimanfaatkan untuk meran!ang pemilah maka pengenalan pola ini disebut terbimbing. Akan tetapi, tidak selamanya e!tor fitur pelatihan tersedia sebelumnya sehingga untuk proses
klasifikasi,
sekumpulan
e!tor
fitur
dikelompokkan
kedalam
beberapa
kluster(group)berdasarkan tingkat kemiripannya. Pengenalan pola seperti itu disebut pengenalan takter bombing atau !lustering.
&
Distane(7arak
@arak digunakan
untuk
menentukan
tingkat
kesamaan(similaritydegree)atau ketidak
samaan(disimililaritydegree)dua e!tor fitur. ingkat kesamaan berupa uatu nilai(s!one)dan berdasarkan skor tersebut dua e!tor fitur akan dikatakan mirip atau tidak. eknik 2lustering(Hnsuperised>earning)eknik !lustering merupakan seni atau teknik mengelompokkan data(objek)kedalam beberapa kluster(kelompok)yang belum diketahui. %erbeda dengan teknik klasifikasi, pada !lustering, jumlah dan karakteristik dari kelompok akan diperoleh dari data dan biasanya kelompok&kelompok tersebut belum diketahui sebelumnya.
8. Pengelompokkan Ber6asis irarki (ierahialClustering
Algoritma hirarki menghasilkan pengelompokkan seperti tree atau den dogram. Pada leel pun!ak tree setiap objek dinyatakan sebagaik luster terpisah. Pada leel tengah jumlah kluster berkurang dan pada leel terba4ah semua objek dikelompokkan menjadi +kluster. alah satu metode yang tergolong kedalam metode hirarki dan paling sering digunakan adalah agglomeratie hierar!hi!al.
&
Algoritma Agglomeratie =iera!hi!al
etode
ini
dimulai
dengan
setiap
objek
dinyatakan
sebagai
kluster
tersendiri.
5edekatan(jarak) antar kluster dihitung dan kluster yang paling dekat digabung. 5edekatan pada kluster baru dihitung ulang dan kluster paling dekat digabung lagi. Proses tersebut dilakukan
se!ara
berulang
Ada
berbagai
metode
digunakan
untuk
menghitung
kedekatan(jarak) antara duakluster, diantaranya sebagai berikut. a. etode tetangga terdekat (nearestneighbor) single&linkage. b. etode tetangga terjauh (farthest neighbor) atau !omplete&linkage. etode rata&rata atau aerage linkage.
9. PengelompokkanBer6asisPartisi(PartisionClustering
%erbeda dengan metode hirarki yang mengelompokkan objek dengan konsep tree, metode partisi mengelompokkan objek dengan men!ari pusat kluster (!lusterseeking). eluruh objek akan dipartisi kedalam beberapa kluster dengan setiap kluster memiliki pusat kluster. alah satu metode !ukup terkenal yang masuk kedalam kategori ini adalah metode 5&means. eknik yang lainnya adalah algoritma a9imum&distan!e dan algoritma Isodata.
:. Algoritma/0means
5&means mengelompokkan objek menjadi 5 kluster. etode akan men!ari pusat kluster dan batas&batas kluster melalui proses perulangan (iteratie). 5edekatan atau kemiripan (similarity) suatu objek dengan objek yang lain atau dengan pusat kluster dihitung dengan menggunakan jarak.
Daftar Pustaka
3i!hard 1. Duda, Peter J. =art, Daid 6. tork (0KK+) 4attern classification (0nd
edition), iley, ?e4 ork, I%? K&QR+&K#NNO&'.
; @. !huermann: 4attern 0lassification5 + Unified Vie" of #tatistical and Neural
+pproaches, ileySons, +OON, I%? K&QR+&+'#'Q&8
; I@2?, 0KKN, I? +R'8&ROKN)
; I@2?, 0KKN, I? +R'8&ROKN
; !6ra4&=ill Di!tionary of !ientifi! and e!hni!al erms (0KK')
PENGOLAHAN CITRA DIGITAL
TENTANG PENGENALAN POLA
DISUSUN OLEH :
KELOMPOK 6 ARI AZHAR EDY SAPUTRA ELMI FITRIANI M.FAHRY SAHRUDIN
KELAS A PRODI SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS ISLAM INDRAGIRI TEMBILAHAN 2011 / 2012
