1.

Pengenalan pola
Dari Wikipedia bahasa Indonesia, ensiklopedia bebas
Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat
diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan
klasifikasi data" [1] [2]. Dengan demikian, ia merupakan himpunan kaidah bagi
pembelajaran diselia (supervised learning). Ada beberapa definisi lain tentang
pengenalan pola, di antaranya:

Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau
beberapa kategori. [3]

Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi

(pengenalan) dari suatu pengukuran. [4]

Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi,

susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.
[5]

Berdasar beberapa definisi di atas, pengenalan pola bisa didefinisikan sebagai

cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian objek ke
dalam klas - klas tertentu untuk menyelesaikan masalah tertentu.
Salah satu aplikasinya adalah pengenalan suara, klasifikasi teks dokumen dalam
kategori (contoh. surat-E spam/bukan-spam), pengenalan tulisan tangan,
pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan
wajah manusia. Aplikasi ini kebanyakan menggunakan analisis citra bagi
pengenalan pola yang berkenaan dengan citra digital sebagai input ke dalam
sistem pengenalan pola
1.1.

Aplikasi Pengenalan Pola antara Lain.

komputer visi
o pengenalan karakter medis (Medical image analysis)]]
o Pengenalan karakter optis

Pengenalan suara (speech recognition)

Pengenalan tulisan tangan (handwritten recognition)

Identifikasi biometrik

klasifikasi dokuman

Internet

Credit scoring

1.2.

Teknik Pengenalan Pola

Sumber : WikiPedia
Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih
lanjut. Langkah ini biasanya merupakan dapatan data (gambar, bunyi, teks, dll.)
untuk dikelaskan, pre-pemrosesan untuk menghilangkan gangguan atau
menormalkan gambar dalam satu cara (pemrosesan gambar (image processing),
teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post-pemrosesan
berdasarkan kelas pengenalan dan aras keyakinan.
Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan.
Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural networks),
pemilihan ciri-ciri dan pengambilan juga boleh dilaksanakan secara semi
otomatis atau otomatis sepenuhnya.
Sementara terdapat banyak kaidah untuk pengkelasan, ia menyelesaikan satu dari
tiga masalah matematis berkaitan.
Pertama adalah mencari peta ruang ciri (feature space) (biasanya pelbagai dimensi
ruang vektor (vector space)) bagi set label. Secara bersamaan ia membagi ruang
ciri menjadi kawasan-kawasan, kemudian meletakkan label kepada setiap
kawasan. Algoritma yang demikian ini (contohnya the nearest neighbour
algorithm) biasanya belumlah menghasilkan kepercayaan atau class probabilities,
sebelum diterapkannya post-processing.
Masalah kedua adalah untuk menganggap masalah sebagai anggaran, dimana
matlamat adalah untuk menganggar fungsi bagi bentuk

dimana input vektor ciri adalah

sebagian parameter

, dan fungsi f biasanya diparameter oleh

. Dalam pendekatan statistik Bayesian bagi masalah ini,

berlainan dengan memilih satu vektor parameter , hasil dibentuk bagi kesemua
thetas yang mungkin, dengan turutan berat bagi ketepatan berdasarkan data latihan
D:

Masalah ketiga terkait dengan masalah kedua, tetapi masalahnya adalah untuk
menganggar kebangkalian bersyarat (conditional probability)
dan
kemudian menggunakan aturan Bayes untuk menghasilkan kemungkinan kelas
sebagaimana dalam masalah kedua.
Pengenalan Pola
Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi
nama melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk
membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang
memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan
ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.
Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah
objek (Al Fatta, Hanif : 2009).
Beberapa contoh pola :
1. Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan
garis.
2. Suara, memiliki ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi.
3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan.
4. Sidik jari, memiliki ciri-ciri seperti lengkungan, dan jumlah garis.
Ciri-ciri pada suatu pola diperoleh dari hasil pengukuran pada titik objek uji.
Khusus pada pola yang terdapat didalam citra, ciri-ciri yang dapat diperoleh
berasal dari informasi.
1. Spasial, seperti intensitas piksel dan histogram.
2. Tepi, seperti arah dan kekuatan.
3. Kontur, seperti garis, ellips dan lingkaran.

4. Wilayah/bentuk, seperti keliling, luas dan pusat massa.

5. Hasil transformasi Fourier, seperti frekuensi.
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan
ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola
membedakan suatu objek dengan objek yang lain.
Pengenalan pola sendiri merupakan cabang dari kecerdasan buatan (Artificial
Inteligence). Beberapa definisi tentang pengenalan pola, di antaranya:
1. Suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu
berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
obyek. (Putra, Darma : 2010).
2. Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau
beberapa kategori. (Duda dan Hart dalam Al Fatta, Hanif, 2009).
Berdasarkan definisi di atas, pengenalan pola dapat didefinisikan sebagai cabang
kecerdasan buatan yang menitikberatkan pada metode pengklasifikasian objek
ke dalam kelas-kelas tertentu untuk menyelesaikan masalah tertentu.
Pengenalan pola merupakan cabang dari kecerdasan buatan yang saat ini
berkembang pesat untuk mendukung aspek keamanan suatu sistem. Saat ini,
aplikasi-aplikasi pengenalan pola juga sudah sangat beragam, di antaranya:
1. Voice recognition yang menggunakan pengenalan suara sebagai kunci bagi
pengguna sistem.
2. Fingerprint identification yang menggunakan pengenalan sidik jari sebagai
kunci telah dipakai secara luas sebagai pengganti password atau pin untuk
mengakses sistem tertentu.
3. Face identification yang menggunakan pengenalan wajah sebagai kunci
bagi pengguna sistem, bahkan saat ini badan penegak hukum sedang
mengembangkan sistem untuk mengidenfikasi para buronan dengan
melakukan scanning pada wajah para pelaku kejahatan yang sudah didatabase-kan berdasarkan foto pelaku kejahatan tersebut.
4. Handwriting identification yang menggunakan pengenalan tulisan yang
telah secara luas digunakan oleh sistem perbankan untuk membuktikan
pelaku transaksi adalah orang yang benar-benar berhak.

5. Optical Character Recognition (OCR) yang secara luas digunakan pada

counter pengecekan barang.
6. Robot vision yang digunakan oleh aplikasi robotik dalam mengenali objek
tertentu pada lingkungan yang unik.

2. Statistika
Sumber : Wikipedia
Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah 'statistika'
(bahasa Inggris: statistics) berbeda dengan 'statistik' (statistic). Statistika
merupakan ilmu yang berkenaan dengan data, sedang statistik adalah data,
informasi, atau hasil penerapan algoritma statistika pada suatu data. Dari
kumpulan data, statistika dapat digunakan untuk menyimpulkan atau
mendeskripsikan data; ini dinamakan statistika deskriptif. Sebagian besar konsep
dasar statistika mengasumsikan teori probabilitas. Beberapa istilah statistika
antara lain: populasi, sampel, unit sampel, dan probabilitas.
Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu-ilmu
alam (misalnya astronomi dan biologi maupun ilmu-ilmu sosial (termasuk
sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan industri.
Statistika juga digunakan dalam pemerintahan untuk berbagai macam tujuan;
sensus penduduk merupakan salah satu prosedur yang paling dikenal. Aplikasi
statistika lainnya yang sekarang popular adalah prosedur jajak pendapat atau
polling (misalnya dilakukan sebelum pemilihan umum), serta hitung cepat
(perhitungan cepat hasil pemilu) atau quick count. Di bidang komputasi, statistika
dapat pula diterapkan dalam pengenalan pola maupun kecerdasan buatan.
2.1.

Konsep Dasar

Terdapat bermacam-macam teknik statistik yang digunakan dalam penelitian

khususnya dlam pengujian hipotesis.[1] Dalam mengaplikasikan statistika terhadap
permasalahan sains, industri, atau sosial, pertama-tama dimulai dari mempelajari
populasi. Makna populasi dalam statistika dapat berarti populasi benda hidup,
benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran
sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan istilah deret
waktu.

Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus.

Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam
statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian
kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari
sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.
Jika sampel yang diambil cukup representatif, inferensial (pengambilan
keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk
menggambarkan populasi secara keseluruhan. Metode statistika tentang
bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.
Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal
terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran
peluang. Sedangkan matematika statistika merupakan cabang dari matematika
terapan yang menggunakan teori probabilitas dan analisis matematika untuk
mendapatkan dasar-dasar teori statistika.
Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial.
Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung
rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-tabel
atau grafik sehingga data mentah lebih mudah dibaca dan lebih bermakna.
Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian
hipotesis, melakukan prediksi observasi masa depan, atau membuat model regresi.

Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan

dideskripsikan) atau disimpulkan, baik secara numerik (misalnya
menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk
tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai data
tersebut, sehingga lebih mudah dibaca dan bermakna.

Statistika inferensial berkenaan dengan permodelan data dan melakukan

pengambilan keputusan berdasarkan analisis data, misalnya melakukan
pengujian hipotesis, melakukan estimasi pengamatan masa mendatang
(estimasi atau prediksi), membuat permodelan hubungan (korelasi, regresi,
ANOVA, deret waktu), dan sebagainya.

2.2.
Teknik-teknik statistika
Beberapa pengujian dan prosedur yang banyak digunakan dalam penelitian antara
lain:

Analisis regresi dan korelasi

Analisis varians (ANOVA)

khi-kuadrat

Uji t-Student

Analisis regresi dalam statistika adalah salah satu metode untuk

menentukan hubungan sebab-akibat antara satu variabel dengan variabel(variabel) yang lain. Variabel "penyebab" disebut dengan bermacammacam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan
dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat,
atau variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan
prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan
bidang pembelajaran mesin. Analisis ini juga digunakan untuk memahami
variabel bebas mana saja yang berhubungan dengan variabel terikat, dan
untuk mengetahui bentuk-bentuk hubungan tersebut.