PPT Oleh Ismail Ragi Alfarugi

ANNs And
PR
Artificial Neural Networks And Pattern
Recognition
ANNs And PR
Pola dapat disebut sebagai sekumpulan item, objek, gambar, peristiwa, kasus,
situasi, fitur, atau abstraksi di mana aspek-aspek dari sekumpulan tersebut
memiliki kesamaan dalam arti yang jelas.

PR meruapakan paradigma komputasi yang digunakan untuk klasifikasi data

mentah.

PR merangkul sejumlah besar pendekatan yang menyediakan pengembangan

aplikasi yang berbeda di berbagai bidang usaha.

Fungsi ANN dalam PR sangat unik, fleksibel, dan efektif dalam mengatasi masalah
PR yang kompleks.
TUGAS PENGENALAN POLA ANN

Dalam aplikasi ANN untuk PR, prosesnya melibatkan preprocessing

hingga post-processing. Preprocessing berarti menghilangkan
gangguan seperti noise pada data dan pemisahan pola dari suatu
objek. Kemudian dilanjutkan dengan ekstraksi fitur (FE), yang
merupakan tindakan menemukan representasi baru dari item
tersebut.

Dalam ANN klasifikasi adalah cara menerapkan fitur untuk

menetapkan pola.

Post-processing terjadi yaitu pengambilan keputusan mengenai PR.

Stratifikasi dapat membantu dalam mengetahui kelompok data baru
dalam mempelajari prosedur analisis data.
TUGAS PENGENALAN POLA ANN
ANN cocok secara eksplisit untuk interpretasi pola. Dalam
fungsinya, ANN menyediakan paradigma untuk PR yang
membutuhkan jaringan besar yang terkait dengan unit-unit
non-linier dan langsung.

Tugas PR dicapai dengan menerapakan FeedForward Neural

Network (FFNN) yang dilatih dengan tepat. Model ini dilatih
menghubungkan input ke desain output.

Selama operasi, jari sebagai gambar diakuisisi lalu dikonversi menjadi

array angka yang dapat dikontrol oleh komputer. Pengenalan tepi dan
penipisan adalah bagian dari langkah-langkah preprocessing dalam
menghilangkan noise, meningkatkan gambar, bila perlu, memecah
gambar menjadi beberapa bagian.

Model ANN yang umum digunakan untuk tugas PR adalah penggunaan

convolutional neural network (CNN) atau ConvNet. CNN adalah
sekelompok jaringan saraf tiruan deep feedforward (DFFANN), yang
biasanya digunakan untuk menganalisis citra visual. CNN memiliki
tiga pemahaman struktural yang membawa pergeseran, invarian dan
distorsi; replikasi bobot, dan subsampling temporal.
 MASALAH MODEL ANN PENGENALAN POLA
Meskipun ANN telah lama ada, penerapannya pada PR masih memiliki beberapa masalah yang belum
terselesaikan. Ada dua masalah yang terkait dengan penggunaan ANN dalam PR. Pertama, masalah yang
berkaitan dengan teknik ANN dan kedua, masalah aplikasi yang spesifik.

Masalah Berkaitan Teknik ANN: Masalah Aplikasi Spesifik:

• Data Behavior Analysis Problem
• Sepervised Classification Problem
• Scaling Problem
• Neurons Behavior Analysis In Hidden Layers Problem
• Handling of Large Data Problem
• Local Minima Problem
• Long Training Time Issues
• High Computational Cost Challenge
• Weight Adjusment Problem
• Decoding The Patterns of The Human Brain Problem
• Arbitrary Orietation Complexity
• Object Classification Challenges
• Object Location Difficulty
• Rule and Template Matching
• Speech Recognition Accuracy Challenges
• Image Restoration Problems
• Identical Image Recognition Challenge
• Surface Material Recognition Issue
• Recognizing Planned Attacks
 APLIKASI MODEL ANN BARU DAN TERKINI
UNTUK PR
Saat ini, NN feedforward seperti Single-layer perceptron (SLP), Multilayer perceptron (MLP),
Radial basis function network (RBFN), generative adversarial network (GAN), sparse auto-
encoder (SAE), deep belief network (DBN), komputasi reservoir, model transformer memiliki
kinerja yang baik dalam PR. Demikian juga, penggunaan beberapa kelas feed backward neural
network (FBNN) seperti jaringan RBM, SOM, dan Hopfield, jaringan kompetitif, deep neural
network (DNN), dan model hibrida sangat efektif dalam PR. Selain itu, hot spot saat ini dalam
PR yang menggunakan ANN adalah; penggunaan convolutional neural network (CNN),
recurrent neural network (RNN). Area baru lainnya termasuk jaringan saraf probabilistik (PNN),
jaringan saraf waktu tunda (TDNN), dan NN pengorganisasian diri Kohonen atau peta
pengorganisasian diri (SOM).
 Thanks!
CREDITS: This presentation template was created by Slidesgo, and includes icons by
Flaticon, and infographics & images by Freepik