CPMK : Mahasiswa mampu menjelaskan algoritma ekstraksi dan seleksi fitur data

Tahapan Pengenalan Pola

1. Collect Data
Apa sensor yang harus kita gunakan?
Bagaimana mengumpulkan data?

Mengambil nilai data dari objek,

Tipe data berdasarkan penskalaan datanya :

a. 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.
b. Data Kuantitatif : Data berupa angka dalam arti sebenarnya.
Terbagi dua :
• Data Interval, Contoh : Interval temperatur ruang adalah sbb : Cukup panas jika
antara 50°C-80 °C, Panas jika antara 80 °C-110 °C, Sangat panas jika antara 110 °C-
140 °C.
• Data Rasio, Tingkat pengukuran paling ‘tinggi’ ; bersifat angka dalam arti
sesungguhnya. Contoh : Tinggi badan, Berat badan, Usia.

Bagaimana cara menterjemahkan warna benda?masuk kategori apa?

 Data mentar warna objek misal hijau, merah harus di ubah ke dalam sebuah nilai
RGB, sehingga data tersebut mempunyai nilai angka

Ada yang ditanyakan?

Apa kaitan collect data dengan sensor?

Contoh pengambilan data pengenalan pola senyum...ini pasti menggunakan kamera,

kamera akan bekerja otomatis ketika dia mendeteksi ada pola senyum, deteksi
otomatis ini menggunakan sensor....setelah data senyum masuk..kemudian di
ekstrak ke dalam angka angka dengan metode tertentu...(metode dijelaskan di tahap
berikutnya)

Sampai disini ada yg ditanyakan?

2. Choose Features
Bagaimana mengetahui fitur apa yang dipilih,
dan bagaimana kita memilihnya ...?
(Misal transformasi data fitur dengan PCA)

Pemilihan fitur - feature extraction - disesuaikan dengan kasusnya

Ilustrasi transformasi data dari objek yang diamati :

Jadi objeknya ada text ada citra ada audio ada video...kemudian setiap
objek bisa memiliki lebih dari 1 fitur, lihat tabel...
Keterangan :
– M menyatakan banyak data, N menyatakan banyak fitur.
– Ektraksi fitur (ekstraksi fitur artinya misal data mentah warna, kan
tahunya hijau merah, harus di ektrak dulu jd nilai RGB) dilakukan jika
data yang diamati masih berupa data mentah (misalnya masih berupa
kumpulan data awal).
– Fitur yang diambil adalah yang merupakan ciri khas yang
membedakan satu objek dengan objek lainnya.

Ada yang ditanyakan bagaimana memilih fitur?

Contoh objek daun (seperti minggu kmren) fitur ada

panjang,lebar,luas,ada warna, ada teksture dll
Objek deteksi senyum, bisa panjang bibir, lua tampak gigiketika
senyum...dll..

Paham?

kalau dalam contoh daun, berarti datanya berupa sekumpulan foto

daun ya bu?

Iya misal kita mau mendeteksi daun asli apa bukan atas daun
gelombang cinta...maka daun daun yg lain yg mungkin memiliki
kemiripan akan dimasukkan datanya...apakah ini sesuai pola daun
gelombang cinta yg asli

Skr kan tanaman mahal...hehehe

misal, data= warna merah, fiturnya banyak? ini contohnya fitur

bagaimana bu?

Warna termasuk fiturnya

Misalnya objek nya daun...fitur panjang, lebar, warna..warna ini
dipastikan RGB nya..kan warna hijau banyak, hijau gelombang cinta itu
yg mana..mata melihat warna bisa saja tertipu..tp klo sudah ada nilai
RGB nya, tidak akan salah..

Paham?
3. Choose model (memilih metode)
Apa algoritme yang akan digunakan?
Apakah ada algoritme yang terbaik ...?

• Template Matching : berdasarkan template

teknik dalam pengolahan citra digital untuk menemukan bagian-bagian
kecil dari gambar yang cocok dengan template gambar (kyk puzle ada
bagian kecil yg cocok ndak) . Template matching merupakan salah satu
ide yang digunakan untuk menjelaskan bagaimana otak kita mengenali
kembali bentuk-bentuk atau pola-pola.(ketika kita menemukan satu
puzle yg terlepas, kita tahu bahwa itu bagian dr gambar wajah bu otik.
Dari mana kalian tahu puzle itu milik bu otik?krn kalian memiliki data
base atau ingatan bahwa itu yg mencirikan bagian wajah bu otik, misal
pipi yang cuby)
• Statistical : berdasarkan model statistik dari pola dan kelas pola yang
diberikan
 membandingkan huruf A inputan dengan A database hasilnya adalah
jumlah grid yang tidak sesuai ada 3

Membandingkan huruf A input dengan B database

Jadi hasil input huruf A itu dikenali sebagai pola huruf A sesuai data yang
ada dalam database
Paham?

• Structural (or syntactic) : kelas pola direpresentasikan oleh struktur

formal seperti grammar, string, automata, dll.
• Neural networks : mesin klasifikasi yang direpresentasikan oleh model
sel neuron dari otak manusia

Ini choose metode akan saya jelaskan minggu depan melaui contoh
jurnal

4. Train System
 Memberikan pengetahuan kepada sistem
Bagaimana kita melakukan proses Training?
• Dua Tahap
– Learning – proses untuk mengambil pengetahuan
– Detection-mendeteksi sesuai pengetahuan
• Waktu Learning lebih besar (jadi uji coba terhadap sistem membutuhkan waktu yg
lebih lama dr pada proses yg lain)
• Sulit untuk belajar, tetapi sekali terpelajar sistem akan menjadi “natural”
• Dapat menggunakan metode AI :
– Neural Network
– Machine Learning
• Bagaimana mesin dapat belajar aturan (rule) dari data.
– Supervised learning (ada user yng menyediakan):
User menyediakan label kategori atau value/ bobot untuk masing-masing pola dalam
data training.
– Unsupervised learning(tanpa user) :
Sistem membentuk cluster atau pengelompokan secara alami dari pola yang
dimasukan. Contohnya:mbah google itu bisa mencari semua hal dari apa yang kita
masukkan (mesin pencarian). nah kemudian sesuatu yg sering kita cari biasanya akan
ada di berandakita ( misal youtube) tiba tiba meng kategorikan kamu mungkin
suka...ada beberapa aplikasi yang seperti itu..
Training system ada yng ditanyakan?
5. Evaluate System ( adalah tahap terakhir dari pengenalan pola)
Pengukuran, penilaian, perbaikan sistem apakah bekerja dengan baik
sesuai dengan goal...
Jadi klo inputan objek A apakah sistem mengenal ini objek A...dievaluasi
dimana letak eror nya sehingga dapat dilakukan perbaikan

OK sampai disini ada yang ditanyakan?

Klo tidak..materi hari ini saya cukupkan sekian
Minggu depan adalah pertemuan ke4 pertemuan terakhir dimana
pertemuan 5 akan diadakan evaluasi dari pertemuan 1-4
Mungkin pertemuan 5 tidak ada tatap muka..tapi penugasan, seperti apa
evaluasinya....minggu depan kita bahas..agar kalian dapat mengerjakan
tugas dengan hasil maksimal...

OK?