TUGAS PENGENALAN POLA

K-Means Clustering

Oleh :

Wibby Aditya (06/196265/PA/11187)

PROGRAM STUDI ELEKTRONIKA DAN INSTRUMENTASI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2009
Pengertian Pengenalan pola

 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:
o 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
o 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.
o Computer aided diagnosis
Sistem ini membantu dokter dalam mengambil keputusan suatu
diagnosa
o 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.
o Face recognition
Pengenalan wajah adalah sebuah system yang mengenali image wajah
manusia yang digunakan dalam otomatisasi dan security sebuah
industri
o Biometrics
Biometric beguna untuk mengenali suatu pola mahluk hidup yang d?
ihubungkan dengan parameter ? parameter psikologi maupun tingkah
laku
o Image Data Base retrieval
Adalah sebuah system untuk pengembalian imagi data base
o Data mining
Adalah pengelompokan pola objek sejumlah data yang terurut dengan
harapan dapat memberikan informasi yang berguna dan diinginkan.
o 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
o Formula statistic untuk vektor fitur sebagai berikut:
o Tandai pola / pattern yang telah kita dapat dengan
merepresentasikannya dengan vector x ke dalam kelas kelas yang
tersedia sejumlah M. Yang ditandai dengan notasi :
o 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:
o Pattern pertama kali ditangkap oleh sensor untuk dianalisa dan didapat
berbagai fiturnya.
o Setelah mendapat informasi dari fitur fitur yang ada maka selanjutnya
adalah meng-generate fitur.
o 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.
o Selanjutnya mendesain pengklasifikasian, tipe nonlinearity yang
bagaimana yang diadopsi, dan bagaimana mendapatkan criteria fitur
yang optimal.
o 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
o 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.
o 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
o 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
o 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.
o 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.

Pengenalan Pola dapat dikatakan sebagai kemampuan manusia mengenali objek-

objek berdasarkan ciri-ciri dan pengetahuan yang pernah diamatinya dari objek-objek
tersebut. Tujuan dari pengenalan Pola ini adalah mengklasifikasi dan
mendeskripsikan pola tau objek kompleks melalui pengetahuan sifat-sifat atau ciri-
ciri objek tersebut. Apakah pola itu, pola dapat dikatakan sebagai identitas yang
terdefinis dan dapat diberi suatu identifikasi atau nama.
Pendekatan pengenalan pola ada 3 yaitu secara sintaks, statistik serta melalui jaringan
saraf tiruan. Pendekatan secara sintaks ada lah pendekatan dengan menggunakan
aturan aturan tertentu, misalnya baju si mamat mempunyai rule sebagai berikut, selalu
berwarna Biru, bahannya kaos, bermerek adidas, lengannya lengan panjang dan
memiliki berkerah. Jika ada sebuah baju dengan ciri-ciri 90% lebih dari ciri-ciri
tersebut dapat dikatakan bajunya mamat dengan toleransi sekitar 10%. Pendekatan
metoda statistik adalah pendektan dengan menggunakan data-data yang berasal dari
statisik misalnya dalam sebuah pasar saham terlihat kurva pebjualan tertinggi adalah
saham A, kemudian disusul saham B dan saham C, apabila seseorang datang kepasar
saham tersebut maka orang tersebut dapat dikatakan sekitar 95% orang tersebut
membeli saham A, karena berdasarkan kurva saham A memiliki harga tertinggi.
Pendekatan dengan pola jaringan saraf tiruan adalah pendekatan dengan
menggabungkan pendekatan sintaks dan statistik. Pendekatan melalui pola-pola ini
meniru cara kerja otak manusia, Pada pola ini sistem membuat rule-rule tertentu
disertai dengan menggunakan data statistik sebagai dasar untuk pengambilan
keputusan.

Untuk pengenalan pola dengan pendekatan Jaringan Saraf Tiruan kita seolah – olah
membikin sebuah sistem yang kinerjanya sama dengan otak kita. Agar siten tersebut
bisa menjadi cerdas, kita harus memberikan pelatihan terhadap sistem tersebut selama
rentang waktu yang kita tentukan. Karena dengan melatih sistem tersebut maka akan
menambah rule-rule serta data statistik yang di gunakan oleh sistem untuk mengambil
keputusan.

citra asal
citra hasil
Daftra Pustaka :

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

http://novhard.wordpress.com/2007/09/07/pattern-recognition-atau-pengenalan-pola/

http://pebbie.wordpress.com/2008/11/13/algoritma-k-means-clustering/

http://pengolahancitra.com/index.php?
option=com_content&task=view&id=36&Itemid=26

http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/AppletKM.html