TUGAS II PENGENALAN POLA

DISUSUN OLEH:

Nama: Muh.Syarif Hidayat.R

Kelas: B
Stambuk: 152433

UNIVERSITAS DIPA MAKASSAR

2020
 IMAGE PROCESSING & COMPUTER VISION

A. OBJEK YANG MENJADI MASUKAN SENSOR

Teori computer vision berasal dari teori kecerdasan buatan, yaitu
mengambil informasi dan data dari citra yang diambil dengan
menggunakan suatu algoritma. Data citra itu sendiri dapat berupa
berbagai bentuk, tidak hanya berasal dari video kamera atau citra
fotografi mentah, tetapi juga dari sensor panas atau pemindai
medis. Tujuan dari bidang studi computer vision adalah
memprogram komputer agar "memahami" sebuah gambaran atau
ciri dari suatu citra. Secara lebih spesifik, tujuan dari penelitian
computer vision termasuk pendeteksian dari suatu objek tertentu
dari suatu citra, evaluasi dari hasil pengambilan citra, melacak
objek dari suatu urutan citra, memetakan sebuah gambaran dalam
citra menjadi model tiga dimensi, dan Iain-lain. Tujuan-tujuan ini
dapat dicapai dengan metode pattern recognition, pembelajaran
stastitikal, projective geometry, pengolahan citra, dan teori-teori
lain dalam computer vision.Tujuan lain dari computer vision
adalah menghasilkan suatu keputusan dari objek yang nyata secara
fisik dan suatu gambaran pengindraan dari suatu citra.

B. SENSOR YANG DIGUNAKAN

Sensor gambar,contohnya penerapan Computer Vision pada medan
perang Pesawat RQ-170, merupakan pesawat tanpa awak buatan
Amerika Serikat, sistem kendali pada pesawat ini dikendalikan
oleh komputer yang berada pangkalan pusat militer.
Program rudal pengunci otomatis, sistem lebih canggih untuk
panduan mengirim rudal-rudal ke daerah daripada target yang
spesifik dan pemilihan target yang dibuat ketika rudal mencapai
daerah berdasarkan data citra diperoleh secara lokal.
Kesadaran “medan perang”, menunjukkan bahwa berbagai sensor,
termasuk sensor gambar, menyediakan kaya set informasi tentang
adegan tempur yang dapat digunakan untuk mendukung keputusan
strategis. Dalam hal ini, pengolahan otomatis data yang digunakan
untuk mengurangi kompleksitas dan informasi sekering dari
sensor ganda untuk meningkatkan keandalan.
Contoh jelas adalah deteksi tentara musuh atau kendaraan dan
bimbingan rudal. Lebihsistem canggih untuk panduan mengirim
rudal rudal ke daerah daripada target yang spesifik,dan pemilihan
target yang dibuat ketika rudal mencapai daerah berdasarkan data
citradiperoleh secara lokal. konsep modern militer, seperti
“kesadaran medan perang”,menunjukkan bahwa berbagai sensor,
termasuk sensor gambar, menyediakan kaya setinformasi tentang
adegan tempur yang dapat digunakan untuk mendukung
keputusanstrategis. Dalam hal ini, pengolahan otomatis data yang
 digunakan untuk mengurangikompleksitas dan informasi sekering
dari sensor ganda untuk meningkatkan keandalan.

C. METODE EKSTRAKSI BESERTA ALGORITMANYA

 Image Acqusition pada manusia dimulai dengan mata,
kemudian informasi visual diterjemahkan ke dalam suatu
format yang kemudian dapat dimanipulasi oleh otak.
 Senada dengan proses di atas, computer vision membutuhkan
sebuah mata untuk menangkap sebuah sinyal visual.
 Kamera menerjemahkan sebuah scene atau image.

D. METODE KLASIFIKASI DAN ALGORITMA

Algoritma klasifi kasi dua objek dengan
analisisdiskriminan.Untukmenerapkan analisis diskriminan untuk
klasifikasi dua macam objek diambil variabel deskriptor
duamacam,
misalnya X1 dan X2 dicatat sebagai multivariat

Klasifi kasi dengan Fungsi Diskriminan Fisher Dua Populasi

Dengan fungsi diskriminan Fisher,selanjutnya langkah
klasifi kasi ditentukan dengan prosedur :
Penentuan Fungsi atau nilai Klasifi kasi:
1. Tentukan nilai µ1
: mean dari multivariate variabel
yang berasal dari klas pertama.
2. Tentukan nilai µ2
: mean dari multivariate variabel
yang berasal dari klas kedua.
3. Tentuka nilai matrik varian kovarian gabungan
Σ dari multivariate yang daisumsikan normal
multivariat.
4. Tentukan invers matrik varian kovarian Σ-1
5. Tentukan nilai m =(1/2) (µ1
- µ2
)’Σ-1(µ1
+µ2
) , seperti
pada persamaan (9), sebagai nilai diskriminan
Fisher.
Langkah Klasifi kasi :
1. Ukur nilai observasi deskriptor dari objek yang
akan diklasifikasi: misalnya suatu variabel
multiovariat X0
= [X10,X20]
 2. Hitung fungsi diskriminan Fisher : y0
=(µ1
- µ2
)’Σ1
x0
3. Kriteria klasifi kasi : klasifi kasikan X0
merupakan
observasi dari klas objek π1 jika nilai y0
> m dan
klasifi kasikan ke klas objek π2
jika nilai y0
< m

E. HASIL YANG DIDAPATKAN

Misalkan dimiliki sampel hasil scan objek skrup dan baut
seperti gambar 5(a). sebagai citra asli ideal tanpa noise dan
gambar 5(b) sampai Gambar 5.(f).
Untuk klasifi kasi dengan pohon biner keputusan hanya
diambil satu deskriptor. Untuk deskriptor yang independent
terhadap efek rotasi dan translasi dapat diambil salah satu
dari :
- diamater terpanjang : banyak pixel yang menyusun
diameter terpanjang
- diameter terpendek : banyak pixel
- luas bidang citra : banyak pixel 1 dalam matrik
- luas lubang dalam citra : banyak pixel 0 yang dikelilingi
pixel 1
Misalnya diambil deskriptor diameter terpendek, didapat
data (dalam satuan pixel) sebagai dalam Tabel 2.

F. HASIL PENELITIAN
Kembali dapat ditunjukkan disini bahwa klasifi kasi
dengan analisis deskriminan lebih aman terhadap
noise pada citra objek. Hal ini dapat dijelaskan
bahwa pada prinsipnya klasifikasi dengan pohon
keputusan biner pertimbangan keputusan berdasarkan
variabel univariat yang diterapkan secara berturutan,
sedangkan paa analisis deskriminan selalu melibatkan
informasi dari semua deskriptor yang digunakan untuk
mencirikan objek.
 DAFTAR PUSTAKA

https://media.neliti.com/media/publications/146732-ID-
klasifikasi-objek-dalam-visi-komputer-de.pdf

https://www.google.com/search?
q=metode+klasifikasi+pada+computer+vision&oq=metode+klasifi
kasi+pada+computer+vision+&aqs=chrome..69i57j69i59.5973j0j7
&sourceid=chrome&ie=UTF-8

https://openlibrary.telkomuniversity.ac.id/pustaka/92388/klasifika
si-jenis-mobil-menggunakan-metode-backpropagation-dan-
deteksi-tepi-canny.html

https://pemrogramanmatlab.com/pengenalan-pola-citra-digital-
menggunakan-matlab/