Pengenalan Pola

(Pattern Recognition)

SEKOLAH TINGGI TEKNOLOGI MUHAMMADIYAH CILEUNGSI (STTMC)

Dibuat : Iskandar, S.T, M. Kom.

Materi Kuliah Pengolahan Citra Digital

 A. Definisi Pengenalan Pola
 Pengenalan pola adalah disiplin ilmu yang mengklasifikasikan object berdasarkan image, berat
atau parameter-parameter yang telah ditentukan kedalam sejumlah kategori atau kelas.
 Fitur adalah object yang kuantitas dapat diukur dari sebuah pola, Pengklasifikasian berdasar dari
masing masing nilai dari fitur-fitur tersebut.
 Vektor fitur adalah sejumlah atau sekumpulan dari fitur, misalakan sebuah fitur adalah x maka
kumpulan fitur dapat direpresentasikan berikut:X1,…,Xl, memberikan vector fitur sebagai
berikut:X1,…X
 Formula statistic untuk vektor fitur sebagai berikut:
 Tandai pola / pattern yang telah kita dapat dengan merepresentasikannya dengan vector x
ke dalam kelas kelas yang tersedia sejumlah M. Yang ditandai dengan notasi :
 Dimana probabilitas dari x atau sejumlah x yaitu M
 Dimana dalam klasifikasi ini kita menghitung nilai maksimum dari probabilitas tersebut.

Materi Kuliah Pengolahan Citra Digital

 Contoh Pengenalan Pola
Pola adalah Objek, Proses, atau Kejadian yang dapat diberi nama.
Pola adalah himpunan pengukuran yang menggambarkan sebuah objek

Gambar 1. Contoh Pola

Materi Kuliah Pengolahan Citra Digital

 Perhitungan dari sebuah Posteriori Probabilitas. Yang dimaksud dengan Posteriori Probabilitas dari pattern
M adalah : semua Pattern dapat secara korespondensi di klasifikasikan kepada kelas kelas yang ada.

B. Tahapan System Pattern Recognition :

1. Pattern pertama kali ditangkap oleh sensor untuk dianalisa dan didapat berbagai fiturnya.
2. Setelah mendapat informasi dari fitur fitur yang ada maka selanjutnya adalah meng-generate
fitur.
Tidak semua fitur yang didapat dari sensor digunakan untuk pengenalan pattern tersebut.
Maka langkah selanjutnya adalah dengan memilih fitur yang tepat untuk pengklasifiksian
object tersebut.
3. Selanjutnya mendesain pengklasifikasian, tipe nonlinearity yang bagaimana yang diadopsi, dan
bagaimana mendapatkan criteria fitur yang optimal.
4. Ketika terjadi error dalam pengklasifikasian maka terjadi ketidak beresana dalam system maka
system perlu diadakan evaluasi

Materi Kuliah Pengolahan Citra Digital

C. ALGORITMA YANG DIGUNAKAN
Algoritma klasifikasi digolongkan menjadi 2, yang pemilihnya tergantung pada kesediaan
data awal, yaitu
1. Supervised : Pattern yang mempunyai kelas yang telah diketahui dan digunakan untuk
training (aster klasifikasi yang sudah fix). Melakukan identifikasi suatu pola yang
diamati sebagai anggota dari suatu kelas pola yang sudah diketahui.
2. Unsepervised : Sejumlah kelas tidak diketahui dan tidak terdapat traning pattern.
Memasukkan suatu pola yang diamati ke suatu kelas pola yang belum diketahui

 Pengklasifikasian berdasar pada teori bayes

 Estimasi Fungsi Densitas dari Probabilitas yang Belum Diketahui

Materi Kuliah Pengolahan Citra Digital

Estimasi Permasalahan berdasarkan Metode (Gaussian atau Rayleigh), parameter yang sesui untuk metode
yang kita gunakan. Bentuk Pendekatan yang cocok seperti :
1. Parameter Estimasi Maximum Likelihood
2. Maximum Aposteriori Probability Estimation
3. Bayesian Interference Maximum Entropy
4. The Expectation Maximisation (EM) algorithm
5. Application to the mixture modeling problem
6. Nonparametric Estimation
7. Curse of Dimensionality
8. Naive ? Bayes Classifier
9. K Nearest Neightbor Density Estimation
10.The Nearest-Neighbor Rule
11.Vronoi tessellation

Materi Kuliah Pengolahan Citra Digital

D. Bayesian Network
Bayes Network adalah directed graph nonsiklis (DAG) dimana nodes
berkorespondensi dengan random variable.
 Tiap node diasosiasikan dengan set of conditional probabilities (densities),
p(xi|Ai), dimana xi adalah variable yang diasosiasikan dengan node dan Ai
adalah set dari parent dalam graph.
 Bayesian network dispesifikasikan oleh :
 probability marginal dari node root
 probabilities conditional dari node non-root yang diberikan oleh parent
untuk semua kemungkinan kombinasi yang mungkin.

Materi Kuliah Pengolahan Citra Digital

Contoh aplikasi yang menerapkan pengenalan pola adalah sebagai berikut:
1. Machine Vision
Pengenalan pola menjadi dasar dari sistem mesin ini. Mesin ini menangkap sebuah atau sekelompok object
dengan kamera dan selanjutnya dianalisa untuk di deskripsikan object atau benda tersebut
2. Character recognition (OCR)
Salah satu area pengenalan pola yang secara umum menangani permasalahan otomatisasi dan informasi.
Sistem OCR mempunyai front end device yang terdiri dari pembangkit cahaya, lensa scan, document
transport dan sebuah detektor.
3. Computer aided diagnosis
Sistem ini membantu dokter dalam mengambil keputusan suatu diagnosa
4. Speech recognition
Pengenalan pola suara salah satu aplikasi yang berkembang saat ini. Sistem ini mengijinkan kita untuk
berkomunikasi antara manusia dengan memasukkan data ke computer. Meningkatakan efisiensi industri
manufaktur, mengontrol mesin dengan berbicara pada mesin itu.

Materi Kuliah Pengolahan Citra Digital

5. Biometrics
Biometric beguna untuk mengenali suatu pola mahluk hidup yang d?ihubungkan dengan parameter ?
parameter psikologi maupun tingkah laku
6. Image Data Base retrieval
Adalah sebuah system untuk pengembalian imagi data base
7. Data mining
Adalah pengelompokan pola objek sejumlah data yang terurut dengan harapan dapat memberikan
informasi yang berguna dan diinginkan.
8. Bioinformatics
Bioinformatik berhubungan erat dengan disiplin kedokteran, pengenalan pola atau image dari suatu image
penyakit atau pola dalam sebuah analisa diagnosa penyakit atau pengenalan pola pola yang berhubungan
dengan dunia biologi secara umum

Materi Kuliah Pengolahan Citra Digital

Langkah-Langkah  Penginderaan adalah tahap dimana komputer menggunakan berbagai
Pengenalan Pola jenis sensor untuk merekam data yang ada di lingkungan sekitar.
Contoh umum sensor yang digunakan oleh komputer untuk keperluan
1. Pengindraan ini yaitu sensor citra dan video (kamera), sensor suara (mikrofon),
sensor gerakan dll.

 Segmentasi merupakan tahap untuk menentukan keberadaan dari

2. Segmentasi target tertentu yang akan menjadi objek dari pengenalan dalam
rekaman data. Sebagai contoh, hasil tangkapan kamera bisa
diolah pada tahap segmentasi untuk mementukan lokasi atau
keberadaan wajah manusia/ benda .

3. Ektraksi Ciri
 Ekstrasi ciri adalah tahap pengenalan pola, dimana komputer akan
mengambil atribut-atribut (deskriptor) dari target yang sudah
tersegmentasi.
 Sebagai contoh, untuk wajah manusia deskriptor-deskriptor bisa
berupa panjang atau lebar wajah, warna kulit wajah, dan panjang
atau lebar bagian wajah.

Materi Kuliah Pengolahan Citra Digital

 Langkah-Langkah
Pengenalan Pola
 Selanjutnya deskriptor-deskriptor yang
4. Inferensi/Klasifikasi sudah diambil digunakan komputer untuk
inferensi/ klasifikasi. Contohnya untuk
identifikasi wajah. Deskriptor yang baik
adalah deskriptor yang diskrimatif yang
mendukung dilakukannya inferensi atau
klasifikasi yang secara lebih simpel.

Materi Kuliah Pengolahan Citra Digital

Contoh Step-step pengenalan Pola :

1. Bagaimana media input sontoh

sensor yang digunakan

2. Bagaimana memilih fitur

misalnya transform fitur PCA
3. Bagaimana memilih algortima
yang baik

4. Bagaimana melakukan proses training

data
5. Bagaimana melakukan evaluasi hasil
kinerja

Materi Kuliah Pengolahan Citra Digital

Contoh : Pengenalan Pola dari uang Koin

Materi Kuliah Pengolahan Citra Digital

  Terdapat dua pendekatan yang dilakukan dalam pengenalan pola:
1) Pendekatan secara statistic
2) Pendekatan secara structural.

 Sistem pengenalan pola dengan pendekatan statistic ditunjukkan oleh gambar:

1. Ada dua fase dalam sistem pengenalan pola, yaitu fase pelatihan dan fase pengenalan.
2. Pada fase pelatihan dipelajari untuk menentukan ciri yang akan digunakan dalam proses pengenalan
serta prosedur klasifikasinya.
3. Pada fase pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya.

Materi Kuliah Pengolahan Citra Digital

Gambar 5 . Sistem Pendekatan Statistik

Materi Kuliah Pengolahan Citra Digital

Ada dua fase dalam sistem pengenalan pola, yaitu:
1) fase pelatihan
2) fase pengenalan.

 Pada fase pelatihan dipelajari untuk menentukan ciri yang akan digunakan dalam proses pengenalan
serta prosedur klasifikasinya.
 Pada fase pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya

1) Preprocessing
 Proses awal yang dilakukan untuk memperbaiki kualitas image dengan menggunakan teknik pengolahan
citra berdasarkan ciri dari pola tersebut. Operasi umumnya :
a) Perbaikan kualitas citra (image enhancement).
 perbaikan kontras gelap/terang
 perbaikan tepian objek (edge enhancement)
 penajaman (sharpening)
 pembrian warna semu (pseudocoloring)
 penapisan derau (noise filtering)
b) Pemugaran citra (image restoration).

Materi Kuliah Pengolahan Citra Digital

b) Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra
Contoh-contoh operasi pemugaran citra:
a) Penghilangan kesamaran (deblurring).
b) Penghilangan derau (noise)

c) Pemampatan citra (image compression).

d) Segmentasi citra (image segmentation)
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu
kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.
e) Pengorakan citra (image analysis)
Contoh-contoh operasi pengorakan citra:
 Pendeteksian tepi objek (edge detection)
 Ekstraksi batas (boundary)
 Representasi daerah (region

Materi Kuliah Pengolahan Citra Digital

2) Feature Extraction.
Proses pengambilan ciri-ciri yang terdapat pada obyek di
dalam image. Pada proses ini obyek di dalam image
mungkin perlu dideteksi seluruh tepinya, lalu menghitung
property-properti obyek yang berkaitan sebagai ciri.
Beberapa proses ekstraksi ciri mungkin perlu mengubah
image masukan sebagai citra biner, melakukan penapisan
pola, dan sebagainya.

3) Clasification.
Proses mengelompokkan obyek ke dalam kelas yang
sesuai. Proses Pengelompokkan dapat menggunakan
berbagai algoritma clustering.

Materi Kuliah Pengolahan Citra Digital

1) Pada fase pelatihan dilakukan proses berikut:

a. Feature Selection.
Proses memilih ciri pada suatu obyek agar diperoleh ciri yang
optimum, yaitu ciri yang dapat digunakan untuk membedakan
suatu obyek dengan obyek lainnya.

b. Learning.
Proses belajar membuat aturan klasifikasi sehingga jumlah
kelas yang tumpang tindih dibuat sekecil mungkin

Materi Kuliah Pengolahan Citra Digital

Adapun algoritma yang digunakan untuk mendeteksi adalah sebagai berikut:
1) Load file citra yang akan di proses.
2) Baca file citra tersebut untuk memperoleh matrik RGB
3) Dapatkan ciri warna:
a) Untuk mendapatkan koin putih, maka diambil matrik kolom B saja.
b) Kemudian matrik B akan diubah ke bentuk biner (selanjutnya disebut matrik B), dengan nilai
thresholding sebesar 0,5. Threshold ini bertujuan untuk menghilangkan noise yang ada.
c) Dari hasil percobaan, nilai thresholding sebesar 0,5 dapat dianggap baik untuk menghilangkan
noise yang ada.
d) Untuk mendapatkan koin emas, maka diambil rata-rata dari matrik R dan matrik G.
e) Kemudian matrik hasil rata-rata diubah ke bentuk biner, dengan thresholding sebesar 0,3.
Dilanjutkan dengan proses XOR antara matrik hasil rata-rata dengan matrik B (selanjutnya disebut
matrik K)
4) Dapatkan Luas Area pada masing-masing kelompok koin emas dan koin putih. Jika luas area kurang dari
50, maka luas area ini diabaikan
5) Lakukan proses clustering dengan menggunakan algoritma K-Means clustering untuk mendapatkan nilai
koin pada tiap kelompok koin.
6) Jumlahkan semua nilai koin yang didapat.

Materi Kuliah Pengolahan Citra Digital

 Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data
ke dalam sejumlah cluster dan algoritma ini bekerja hanya pada atribut numerik.
Secara sederhana algoritma K-Means dapat diuraikan sebagai berikut :

a) Tentukan k sebagai jumlah cluster yang ingin dibentuk.

b) Bangkitkan k centroids (titik pusat cluster) awal secara random.
c) Hitung masing-masing jarak setiap data ke masing-masing centroids.
d) Setiap data memilih centroids yang terdekat.
e) Tentukan posisi centroids baru dengan cara menghitung nilai rata-rata dari data-data yang
memilih pada centroids yang sama.
f) Kembali ke langkah 3 jika posisi centroids baru dengan centroids lama tidak sama.

Materi Kuliah Pengolahan Citra Digital

Hasil :
a) Membedakan antara kelompok uang koin emas dengan
kelompok uang koin putih.
b) Menentukan nilai uang koin dari masing-masing kelompok.
c) Menghitung total nilai uang koin yang ada dengan tepat

Materi Kuliah Pengolahan Citra Digital

Referensi :

1. Putra, Darma, Pengolahan Citra Digital, Andi Publisher,

Yogyakarta, 2005
2. Prijono, Agus, Pengolahan Citra Digital Menggunakan
MATLAB, Informatika, Bandung, 2007
3. Nesi Syafitri, Pengenalan Pola Untuk Deteksi Uang Koin
,2011

Materi Kuliah Pengolahan Citra Digital