MODUL 7 PENGANTAR PENGENALAN POLA

Aditya Pratama (18315006), Aisyah Fitriannisa P. (18315025), Navila Akhsanil F. (18315012)

Dosen: Tati R. Mengko, Astri Handayani
Tanggal Percobaan: 31/10/2018
EB4106-Pengolahan Citra Biomedika
Sekolah Teknik Elektro dan Informatika ITB

Abstrak 2. STUDI PUSTAKA

Pada praktikum modul 7 ini dilakukan percobaan berupa
penerapan beberapa metode pengenalan pola untuk
melakukan klasifikasi. Studi kasus yang digunakan adalah
memilah antara ikan salmon dengan ikan sea bass dengan
parameter panjang tubuh. Metode yang digunakan untuk
melakukan klasifikasi diantaranya menggunakan kriteria
Bayes, MAP, ML, dan Jaringan Saraf Tiruan. Pada akhir
percobaan dianalisis mengenai metode yang paling sesuai
untuk melakukan klasifikasi terhadap kasus pemilahan
ikan ini.
Kata kunci: klasifikasi, pengenalan pola, statistik,
jaringan saraf tiruan.
1. PENDAHULUAN
Di era modern seperti sekarang ini, semakin
berkembang teknologi automasi yang
memudahkan pekerjaan manusia. Salah satu hal
yang sedang marak diimplementasikan adalah
pemilahan berbagai macam objek secara otomatis
sehingga tidak menguras tenaga manusia untuk
untuk pemilahan objek yang sangat banyak.
Pemilahan otomatis ini dapat dilakukan dengan
dasar pengenalan pola dari objek yang akan
dipisahkan. Pengenalan pola yang dilakukan
berarti mengenali fitur dari objek yang
membedakannya dengan objek lain sehingga
dapat dipilah sesuai dengan kelasnya.
Proses pemilahan dapat dilakukan menggunakan
metode statistik, sintaktik, maupun jaringan saraf
buatan atau yang biasa disebut neural network
sehingga dapat memungkinkan sebuah sistem
belajar untuk memilah data yang dimasukkan
padanya.
Pada praktikum kali ini akan dilakukan percobaan
pemilahan ikan salmon dan ikan sea bass
menggunakan beberapa metode, dan akan
ditentukan metode mana yang paling bagus untuk
diterapkan pada kasus pemilahan ikan tersebut.
2.1 PENGENALAN POLA SECARA
STATISTIK
Perbincangan mengenai metoda statistik dalam
persoalan pengenalan pola tidak dapat dilepaskan
dari teorema Bayes. Secara matematis, teorema ini
didefinisikan menurut relasi berikut:
...(1)
Secara prinsip, proses pemilahan dalam suatu
aplikasi pengenalan pola adalah dengan memilih
kelas ωi yang paling mungkin apabila diketahui
suatu vektor fitur x. Atau dengan kata lain, dalam
persoalan pemilahan vektor ciri satu dimensi x ke
dalam dua kelas ω1 dan ω2 berlaku:
“Apabila P(ω1|x) > P(ω2|x), pilih kelas ω1, selain itu
pilih kelas ω2”
yang dapat dinyatakan secara matematis sebagai:
...(2)
Atau:
...(3)
Suku Λ(x) disebut nisbah likelihood, dan
aturan keputusan (3) disebut uji nisbah
likelihood (UNL).
Persamaan (3) tersebut dapat diperluas dengan
memasukkan parameter fungsi biaya Cij, yaitu
penalti atas kesalahan memilih kelas ωi
padahal kelas sesungguhnya adalah ωj.
Modifikasi ini menyebabkan UNL yang
dihasilkan menjadi:

1
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB

...(4)
Substusi (1) dalam (4) menghasilkan:
...(5)
Persamaan (5) ini dikenal sebagai Kriteria
Bayes, yaitu aturan keputusan UNL yang
meminimumkan Resiko Bayes secara umum.
Dua macam bentuk khusus dari persamaan ini
adalah Kriteria A-Posteriori Maksimum (MAP)
dan Kriteria Likelihood Maksimum (ML).
a. Kriteria MAP
Penerapan kriteria MAP dilakukan pada
proses klasifikasi di mana kedua kelas yang
diamati (diasumsikan) memiliki fungsi biaya
yang satu-nol.
...(6)
Sehingga aturan UNL yang berlaku adalah:
...(7)
b. Kriteria ML
Kriteria ini merupakan penyederhanaan lebih
jauh dari kriteria MAP, yaitu dengan menarik
asumsi bahwa peluang prior dari kedua kelas
sama besar:
...(8)
Sehingga
...(9)
2.2 JARINGAN SYARAF TIRUAN
Jaringan syaraf tiruan (JST) merupakan mesin
yang didesain untuk memodelkan cara yang
digunakan otak untuk mengerjakan suatu fungsi
tertentu. Suatu JST berwujud sebagai jaringan
yang terdiri oleh satu atau beberapa neuron yang
terhubung satu sama lain dalam bobot yang
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB
berbeda-beda. Jaringan ini memiliki kemampuan
untuk memperoleh pengetahuan dari suatu proses
belajar, dan kemudian menyimpannya untuk
kebutuhan penggunaan berikutnya.
Pengembangan JST dipicu oleh adanya pemikiran
bahwa otak manusia melakukan komputasi dalam
cara yang sama sekali berbeda dengan pada
komputer digital. Oleh karena itu, JST didesain
untuk memiliki beberapa persamaan sifat dengan
otak, yaitu dalam hal:
• Pengetahuan yang dimiliki diperoleh dari suatu
proses belajar.
• Pengetahuan disimpan dalam bentuk bobot
koneksi antar neuron.
Suatu JST dikatakan memiliki arsitektur
feedforward apabila setiap output dari setiap
neuron diteruskan dari sisi input ke sisi outputnya.
Dalam sebuah arsitektur feedforward tersebut,
neuron dapat dikelompokkan dalam satu atau
lebih layer, di mana setiap layer tidak memiliki
hubungan feedback dengan layer lainnya. Ilustrasi
mengenai suatu arsitektur feedforward-network
yang tersusun oleh 2 buah layer diberikan pada
Gambar 4.
Algoritma belajar yang amat populer bagi
arsitektur feedforward-network adalah algoritma
backpropagation. Pada algoritma ini, proses
pelatihan terhadap jaringan berjalan melalui dua
proses propagasi, yaitu propagasi maju dan
propagasi balik.
Propagasi maju dikerjakan pada vektor input
setahap demi setahap, hingga dihasilkan nilai D(k)
pada layer output. Pada iterasi ke n, nilai dari
masing-masing variabel jaringan adalah:
2

...(10)
Respon aktual dari jaringan tersebut diberikan
oleh Dk. Apabila diinginkan vektor target (label
numerik dari masing-masing kelas) adalah Tk,
maka besar error yang terjadi pada iterasi ke-n
tersebut adalah:
...(11)
Sum of squared error jaringan untuk iterasi ke-n
adalah jumlah dari squared error untuk seluruh
neuron pada layer 2:
...(12)
Dengan N vektor target, diperoleh nilai MSE
sebagai squared error rata-rata jaringan, yaitu:
...(13)
Propagasi balik bekerja dengan menggunakan
faktor koreksi Δwkj(n) untuk bobot wkj(n), yang
nilainya sebanding dengan gradien δE(n)/δwkj(n).
Nilai δE(n)/δwkj(n) ini selanjutnya akan diamati
untuk menentukan arah pencarian dalam ruang
bobot bagi wkj(n).
Apabila nilai MSE yang diperoleh hingga iterasi
tertentu belum memenuhi kriteria error yang
diharapkan, maka proses training dapat diulangi
kembali dengan menggunakan data yang sama.
3. HASIL DAN ANALISIS
3.1 MEAN DAN STANDAR DEVIASI
Rata-rata dan standar deviasi data ikan salmon
dan ikan seabass dihitung menggunakan fungsi
mean dan std pada Matlab. Hasilnya dapat dilihat
dalam tabel berikut.
Ikan salmon Ikan seabass
Rata-rata 20 25
Standar deviasi 1.633 2.7538
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB
3.2 PERSAMAAN KLASIFIKASI
Diasumsikan kerapatan peluang dari masing-
masing jenis ikan terdistribusi secara normal
dengan persamaan :
Dan memiliki peluang prior dari masing-masing
kelas sebagai berikut :
Untuk menjaga kepuasan pelanggan, digunakan
parameter biaya salah klasifikasi dengan rincian
sebagai berikut :
 Pesan sea bass namun mendapat salmon :
CSeabass-Salmon = 1
 Pesan salmon namun mendapat sea bass :
CSalmon-Seabass = 2.5
 Klasifikasi benar :
CSeabass-Seabass = CSalmon-Salmon = 0
Berdasarkan deskripsi parameter peluang prior
dan parameter biaya atas kesalahan pilah tersebut,
didapatkan threshold yang dihitung berdasarkan
persamaan klasifikasi menggunakan script pada
MATLAB sebagai berikut :
d1=ikanstat([pw1,pw2],[u1,u2],[o1,o2],[c11,c21,
c12,c22],'Kriteria Bayes');
d2=ikanstat([pw1,pw2],[u1,u2],[o1,o2],[ 0, 1,
1, 0],'Kriteria MAP' );
d3=ikanstat([0.5,0.5],[u1,u2],[o1,o2],[ 0, 1,
1, 0],'Kriteria ML' );
d4=ikanjst (salmon,seabass);
########fungsi ikanstat###############
function Disk=ikanstat(p,u,o,c,t)
figure,title(t),hold on,syms x;
xlabel('Panjang (cm)');ylabel('Rapat peluang');
pxw1=((o(1)^2*2*pi).^-0.5)*exp(-0.5*(x-
u(1)).^2/o(1)^2);
pxw2=((o(2)^2*2*pi).^-0.5)*exp(-0.5*(x-
u(2)).^2/o(2)^2);
Disk=double(solve(p(1)*(c(2)-c(1))*pxw1-
p(2)*(c(3)-c(4))*pxw2));
JumlahDisk=size(Disk);
x=min(u(1)-4*o(1),u(2)-
4*o(2)):0.01:max(u(1)+3*o(1),u(2)+3*o(2));
pxw1=(o(1)^2*2*pi).^-0.5*exp(-0.5*(x-
u(1)).^2/o(1)^2);
pxw2=(o(2)^2*2*pi).^-0.5*exp(-0.5*(x-
u(2)).^2/o(2)^2);
Gauss1 =
line(x,pxw1,'LineWidth',3,'Color','b');
Gauss2 =
line(x,pxw2,'LineWidth',3,'Color','r');
text(floor(u(1)-o(1)-1),pxw1(floor(100*(u(1)-
o(1)-u(1)+4*o(1)))),...
'Salmon','horizontalalignment','right');
text(floor(u(2)+o(2)+1),pxw2(floor(100*(u(2)+o(
2)-u(2)+4*o(2)))),...
3
 'Sea Bass','horizontalalignment','left');
set(gca,'userdata',[Gauss1 Gauss2]);
t=0:0.001:1.0*max(max(pxw1),max(pxw2));
plot(Disk(1),t,':k');
if JumlahDisk(1)>1
plot(Disk(2),t,':k');
end

########fungsi ikanstat###############
unction c=ikanjst(salmon,seabass)
Input= [salmon,seabass];
Target=ones(1,50);Target(1:25)=0;
figure,net=init(newff([min(Input)
max(Input)],[1 1],{'logsig','logsig'}));
net.trainParam.show = 10;
net.trainParam.epochs = 100;
net.trainParam.lr = 0.05;
net=train(net,Input,Target);
figure,hold on,axis([min(Input) max(Input) -0.1
1.1]);
RangeInput=[floor(min(Input)):0.001:ceil(max(In
put))];
Output=sim(net,RangeInput); b. Kriteria MAP (d2) : 12.8026 dan 21.7727.
RoundOutput=round(Output);
[a b]=min(abs(Output-0.5)); Karena ukuran ikan di dalam populasi
c=0.001*b+floor(min(Input));
plot(RangeInput,Output,'LineWidth',3,'Color','b tidak ada yang kurang dari 17 cm maka
'); threshold yang valid untuk digunakan
plot(RangeInput,RoundOutput,'--
','LineWidth',3,'Color','r'); adalah 21.7727 cm.
t=-0.1:0.01:1.1; plot(c,t);
t=min(Input):0.1:max(Input); plot(t,0.5);
text(round(c+min(Input))/2,0.55,...
'Salmon' ,'horizontalalignment','center');
text(round(c+max(Input))/2,0.55,...
'Sea Bass','horizontalalignment','center');

Dengan menjalankan kode program tersebut

didapatkan nilai threshold pada variabel d1, d2,
d3, dan d4 sebagai berikut :

c. Kriteria ML (d3) : 12.2670 dan 22.3093.

Gambar Nilai variabel dari running matlab
Karena ukuran ikan di dalam populasi
a. Kriteria Bayes (d1) : 13.7410 dan 20.8353. tidak ada yang kurang dari 17 cm maka
threshold yang valid untuk digunakan
Di dalam populasi ikan tidak terdapat
adalah 22.3093 cm.
ukuran ikan di sekitar 13 cm, oleh karena
itu dipilih threshold 20.8353.

4
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB
 d. Jaringan Saraf Tiruan (d4) : didapatkan Threshold : 21,77
nilai threshold 22.5960 cm.

Peluang ikan salmon diklasifikasi benar 23/33

= 69,6 %
Peluang ikan sea bass diklasifikasi benar 13/67
= 80,5 %
Peluang benarnya keputusan klasifikasi ikan
salmon 23/36 = 63,8 %
3.3 PENERAPAN KLASIFIKASI Peluang benarnya keputusan klasifikasi ikan sea
Setelah mendapatkan data threshold dari bass 54/64 = 84,3 %
percobaan 2 maka kita dapat menguji metode B. Kriteria ML
yang telah digunakan menggunakan sampel uji
dari data yang sudah ada, berikut adalah 100 Threshold : 21,30
sampel uji:

Gambar 4.3.1 sampel uji Peluang ikan salmon diklasifikasi benar 27/33 =
Hasil pengujian terhadap empat metode yang 81,8 %
digunakan : Peluang ikan sea bass diklasifikasi benar 50/67
A. Kriteria Bayes = 74,6 %

Threshold : 20.8353 Peluang benarnya keputusan klasifikasi ikan

salmon 27/44 = 61,3 %
Peluang benarnya keputusan klasifikasi ikan sea
bass 50/56 = 89,2 %
D. Kriteria Jaringan Saraf tiruan
Threshold : 22,59

Peluang ikan salmon diklasifikasi benar 17/33

= 51,51 %
Peluang ikan sea bass diklasifikasi benar 59/67
= 88 %
Peluang benarnya keputusan klasifikasi ikan
17/25 salmon = 68 % Peluang ikan salmon diklasifikasi benar 27/33 =
Peluang benarnya keputusan klasifikasi ikan sea 81,8 %
bass 59/75 = 78,6 % Peluang ikan sea bass diklasifikasi benar 50/67
B. Kriteria MAP = 74,6 %
5
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB
Peluang benarnya keputusan klasifikasi ikan
salmon 27/44 = 61,3 %
Peluang benarnya keputusan klasifikasi ikan sea
bass 50/56 = 89,2 %
Dapat dilihat dari semua hasil peluang yang ada
bahwa hasil terbaik adalah dengan menggunakan
metode keiteria ML dan metode kriteria jaringan
syaraf tiruan memiliki akurasi paling tinggi
sementara metode kriteria bayes. Semakin sedikit
kesalahan akan mengakibatkan kerugian yang
sedikit dan pula sebaliknya.

4. KESIMPULAN
Dari percobaan yang telah dilakukan pada modul
7 dapat ditarik kesimpulan sebagai berikut:
1. Rata-rata data untuk ikan salmon dan ikan
seabass berturut-turut adalah 20 dan 25
cm. Sedangkan standar deviasi untuk ikan
salmon dan ikan seabass berturut-turut
adalah 1.633 dan 2.7538.
2. Dari seluruh pengenalan pola, komputer
dapat mengenali bahwa ikan seabass lebih
besar ukurannya daripada ikan salmon.
Selain itu secara umum, rapat peluang
ditemukannya ikan salmon juga lebih
tinggi meskipun angka pastinya berbeda-
beda.
3. Setiap metode kriteria memiliki hasil
akurasi yang berbeda-beda sehingga
diperlukan analisis data yang berguna
untuk memilih metode kriteria yang mana
yang paling baik.

DAFTAR PUSTAKA
[1] Modul 7 Praktikum Pengolahan Citra
Biomedika
[2] Gonzalez, Rafael C. 2002. Digital Image
Processing. New Jersey: Prentice-Hall.
[3] http://www.csd.uwo.ca/~olga/Courses/CS4
34a_541a/Lecture3.pdf, 31 Oktober 2018,
15.46.

6
Laporan Praktikum - Laboratorium Dasar Teknik Elektro – STEI ITB