Pengenalan pola

Pengenalan pola (bahasa Inggris: pattern

recognition) 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

Teknik Pengenalan Pola

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 saraf (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.
Algoritme 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 , dan
fungsi f biasanya diparameter oleh
sebagian parameter . 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.

Contoh algoritme klasifikasi termasuk:

Klasifikasi linear
Diskriminan linier Fisher
Regresi Logistik
Naive Bayes classifier
Perceptron
Metode Nearest neighbor
Boosting
Decision tree
Jaringan Saraf Tiruan
Jaringan Bayesian
 Mesin sokongan vektor (Support vector
machine)
Model Markov Tersembunyi (Hidden
Markov model)

Domain Aplikasi
komputer visi
pengenalan karakter medis
(Medical image analysis)]]
Pengenalan karakter optis
Pengenalan suara (speech recognition)
Pengenalan tulisan tangan (handwritten
recognition)
Identifikasi biometrik
klasifikasi dokuman
 Internet
Credit scoring

Lihat pula
Pembelajaran mesin
Statistika
Kecerdasan buatan (Artificial
intelligence)
Sistem Temu Balik Informasi
(Information Retrieval Systems)
Algoritme Viterbi

Rujukan
1. ^ Richard O. Duda, Peter E. Hart, David G.
Stork (2001) Pattern classification (2nd
edition), Wiley, New York, ISBN 0-471-
05669-3.
2. ^ J. Schuermann: Pattern Classification:
A Unified View of Statistical and Neural
Approaches, Wiley&Sons, 1996, ISBN 0-471-
13534-8
3. ^ IJCSNS, 2006, ISSN 1738-7906)
4. ^ IJCSNS, 2006, ISSN 1738-7906
5. ^ McGraw-Hill Dictionary of Scientific and
Technical Terms (2003)

Diperoleh dari
"https://id.wikipedia.org/w/index.php?
title=Pengenalan_pola&oldid=13775552"
Terakhir disunting 2 bulan yang lalu…

Konten tersedia di bawah CC BY-SA 3.0 kecuali

dinyatakan lain.