PENGENALAN POLA

Maura Widyaningsih
 KONTRAK KULIAH
Tugas : individu, Kelompok : 20%
UTS : 30%
UAS : 50%

Sistem Penilaian
80 – 100  80 -86 = A-, 87-93 = A , 94 – 100 = A+
70 – 79  70 -73 = B- , 74 – 76= B, 77 - 79= B+
60 – 69  60 -63 = C-, 64 – 76 = C, 67 – 69 = C+
<59  D-, D, D+
<49 E
 Kompetensi Dasar

Mahasiswa memahami konsep dan

penerapan pengenalan pola

Indikator Pencapaian
Mahasiswa dapat menyelesaikan masalah klasifikasi, deteksi,
dan clustering

Mahasiswa dapat mencari dan menyelesaikan permasalahan yang

dapat diselesaikan dengan klasiikasi, deteksi, dan clustering.
 Definisi
Pengenalan Pola merupakan klasifikasi data yang
didasarkan pada pengetahuan yang telah
dibangkitkan sebelumnya atau informasi statistik
yang diekstrak dari pola dan atau representasinya.
Bentuk Pengenalan Pola
Deteksi

Identifikasi
 Deteksi

 Deteksi adalah proses identifikasi obyek secara

keseluruhan yang akan dikenali.
 Contoh deteksi wajah, objek, dan deteksi makhluk
hidup.
• Metode dalam klasifikasi, antara lain:
–
 Classification

 Klasifikasi adalah suatu proses pengelompokan

data dengan didasarkan pada ciri‐ciri tertentu ke
dalam kelas‐kelas yang telah ditentukan.
• Metode dalam klasifikasi, antara lain:
– TabelKeputusan Tabel Keputusan
– Pohon Keputusan
– Naive Bayes
– K Nearest Neighbours (kNN)
– K Mean, dll
 Clustering
 Clustering adalah proses pengelompokan objek yang
didasarkan pada kesamaan antar objek. p j
 Tidak seperti proses klasifikasi yang bersifat
supervised learning, pada clustering proses
pengelompokan dilakukan atas dasar unsupervised
learning.
 Pada proses klasifikasi, akan ditentukan lokasi dari
suatu kejadian pada klas tertentu dari beberapa klas
yang telah teridentifikasi sebelumnya.
 Sedangkan pada proses clustering, proses
pengelompokan kejadian dalam klas akan dilakukan
secara alami tanpa mengidentifikasi klas‐klas
sebelumnya
 Clustering
 Suatu metode clustering dikatakan baik apabila
metode tersebut dapat menghasilkan cluster‐cluster
dengan kualitas yang sangat baik.
 Metode tersebut akan menghasilkan cluster‐cluster
dengan objek‐objek yang memiliki tingkat kesamaan
yang cukup tinggi dalam suatu cluster, dan memiliki
tingkat ketidaksamaan yang cukup tinggi juga apabila
objek‐objek tersebut terletak pada cluster yang
berbeda.
 Untuk mendapatkan kualitas yang baik, metode
clustering sangat tergantung pada ukuran kesamaan
yang akan digunakan dan kemampuannya untuk
menemukan beberapa pola yang tersembunyi
 METODE-METODE CLUSTERING

 K-Means
Pengenalan / Recognition
 Identifikasi dari suatu data yang akan dikenali polanya
 Deteksi
Proses identifikasi obyek secara
keseluruhan yang akan dikenali.
Contoh deteksi wajah, objek, dan deteksi
makhluk hidup
Dalam permasalahan deteksi diperlukan
adanya ambang batas diterima atau
tidaknya suatu objek
 Empat syarat ciri yang baik :
• Dapat membedakan satu dengan yang lain
• Uncorrelated, tidak ada kesamaan ciri antar
yang satu dengan yang lain namun memiliki
keterkaitan
• Jumlah cirinya sedikit, namun relatif terhadap
kebutuhan yang diusulkan
• Reliable, data dapat dipengaruhi oleh
perubahan lingkungan dan dapat dilakukan
proses perhitungan dengan metode tertentu
misal optimasi
 Collect Data
Mengambil nilai data dari objek, Tipe data berdasarkan penskalaan datanya :

1. Data Kualitatif : Data yang bukan berupa angka,. Terbagi dua :

• Nominal : Data yang paling rendah dalam level pengukuran data.

– Contoh : Jenis kelamin, Merk mobil, Nama tempat

• Ordinal : Ada tingkatan data. Contoh : Sangat setuju, Setuju, kurang setuju,
tidak setuju.
2. Data Kuantitatif : Data berupa angka dalam arti sebenarnya.

Terbagi dua :

• Data Interval, Contoh : Interval temperatur ruang adalah sbb : Cukup panas jika
antara 500C-800C, Panas jika antara 800C -1100C,Sangat panas jika antara 1100C
-1400C.
• Data Rasio, Tingkat pengukuran paling ‘tinggi’ ; bersifat angka dalam arti
sesungguhnya. Contoh : Tinggi badan, Berat badan, Usia.
 Object to Dataset

Keterangan :

 M menyatakan banyak data, N menyatakan banyak fitur.

 Ektraksi fitur dilakukan jika data yang diamati masih berupa data mentah (masih
berupa kumpulan citra).
Fitur yang diambil adalah yang merupakan ciri khas yang membedakan satu objek
dengan objek lainnya.
 Seleksi Fitur
 Problem : kompleksitas komputasi terhadap pengenalan pola pada ruang
dimensi yang tinggi.
 Solusi : mapping data ke dalam ruang dimensi yang lebih rendah.

Pengurangan dimensi data dapat dilakukan dengan :

 Mengkombinasikan Fitur (secara linear maupun nonlinear)

 Memilih himpunan bagian dari fitur-fitur yang tersedia
 Kombinasi Linier merupakan pendekatan yang menarik karena metode
tersebut dilakukan dengan perhitungan yang sederhana dan terlacak secara
analitis.
Sekian dan Terimakasih