 TUGAS : 20%

 UTS : 30%
 UAS : 50%

 Metode: ceramah, presentasi, diskusi

 Konsep dasar pengenalan pola
 Pemilihan dan pembangkitan fitur
 Klasifikasi
 Clustering
 Pengenalan pola bertujuan menentukan kelompok atau
kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola
tersebut. Dengan kata lain, pengenalan pola
membedakan suatu objek dengan objek yang lain.
 Pengenalan pola sendiri merupakan cabang dari
kecerdasan buatan (Artificial Inteligence). Beberapa
definisi tentang pengenalan pola, di antaranya:
 Suatu ilmu untuk mengklasifikasikan atau menggambarkan
sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat
utama dari suatu obyek. (Putra, 2010).
 Penentuan suatu objek fisik atau kejadian ke dalam salah satu
atau beberapa kategori. (Duda dan Hart dalam Al Fatta, 2009).
 Pola adalah entitas yang terdefinisi dan dapat
diidentifikasi melalui ciri-cirinya (features).
 Ciri-ciri tersebut digunakan untuk
membedakan suatu pola dengan pola
lainnya.
 Ciri yang bagus adalah ciri yang memiliki
daya pembeda yang tinggi, sehingga
pengelompokan pola berdasarkan ciri yang
dimiliki dapat dilakukan dengan keakuratan
yang tinggi.
 Voice recognition yang menggunakan pengenalan
suara sebagai kunci bagi pengguna sistem.
 Fingerprint identification yang menggunakan
pengenalan sidik jari sebagai kunci telah dipakai
secara luas sebagai pengganti password atau pin
untuk mengakses sistem tertentu.
 Face identification yang menggunakan pengenalan
wajah sebagai kunci bagi pengguna sistem, bahkan
saat ini badan penegak hukum sedang
mengembangkan sistem untuk mengidenfikasi para
buronan dengan melakukan scanning pada wajah
para pelaku kejahatan yang sudah di-database-kan
berdasarkan foto pelaku kejahatan tersebut.
 Handwriting identification yang menggunakan
pengenalan tulisan yang telah secara luas digunakan
oleh sistem perbankan untuk membuktikan pelaku
transaksi adalah orang yang benar-benar berhak.
 Optical Character Recognition (OCR) yang secara luas
digunakan pada counter pengecekan barang.
 Robot vision yang digunakan oleh aplikasi robotik
dalam mengenali objek tertentu pada lingkungan
yang unik.
 Speech recognition
 Database image retrieval
 Data mining
Pola Ciri
huruf tinggi, tebal, titik sudut,
lengkungan garis, dll
suara amplitudo, frekuensi, nada,
intonasi, warna, dll
tanda tangan panjang, kerumitan, tekanan,
dll sidik jari lengkungan,
jumlah garis, dll
 Ciri pada suatu pola diperoleh dari hasil
pengukuran terhadap objek uji. Khusus pada
pola yang terdapat di dalam citra, ciri-ciri
yang dapat diperoleh berasal dari informasi:
 Spasial: intensitas pixel, histogram, …
 Tepi: arah, kekuatan, …
 Kontur: garis, elips, lingkaran, …
 Wilayah/bentuk: keliling, luas, pusat massa, …
 Hasil transformasi Fourier: frekuensi, …
 Dua fase: (i) fase pelatihan dan (ii) fase pengenalan.
 Fase pelatihan, beberapa contoh citra dipelajari untuk
menentukan ciri yang digunakan dalam proses
pengenalan serta prosedur klasifikasinya.
 Fase pengenalan, citra diambil cirinya kemudian
ditentukan kelas kelompoknya.
 Preprocessing
 Proses awal yang dilakukan untuk memperbaiki kualitas citra (edge
enhancement) dengan menggunakan teknik-teknik pengolahan citra.
 Feature Extraction
 Proses mengambil ciri-ciri yang terdapat pada objek di dalam citra. Pada
proses ini objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu
menghitung properti-properti objek yang berkaitan sebagai ciri. Beberapa
proses ekstraksi ciri mungkin perlu mengubah citra masukan sebagai citra
biner, melakukan penipisan pola, dan sebagainya.
 Classification
 Proses mengelompokkan objek ke dalam kelas yang sesuai.
 Feature Selection
 Proses memilih ciri pada suatu objek agar diperoleh ciri yang optimum, yaitu
ciri yang dapat digunakan untuk membedakan suatu objek dengan objek
lainnya.
 Learning
 Proses belajar membuat aturan klasifikasi sehingga jumlah kelas yang
tumpang tindih dibuat sekecil mungkin.
 Teknik-teknik pada Pengenalan Pola akan terkait
dengan bidang keilmuan lainnya yaitu
 Sistem dan Pengolahan Sinyal
 Kecerdasan Buatan
 Pemodelan Neural
 Teori Estimasi dan Optimasi
 Teori Automata
 Himpunan Fuzzy
 Pemodelan Struktural
 Bahasa Formal

14
Data Input LANDSAT-TM Band 5

Derajat Keanggotaan
vs Brightness Value
Partisi Fuzzy 1D

Hasil Pengklasifikasian
dengan Metode Explicit
Fuzzy

15
 Pra Pemrosesan

Ekstraksi
Pola
Tangan

Nilai
Ambang
 Alat optik untuk mengambil gambar sidik jari
 Komputer untuk pemrosesan gambar
 Perangkat lunak
 Penyimpanan data multimedia (gambar sidik jari)
 Jaringan komputer
 Integrasi sistem

Alat optik untuk Server Utama

DIKENALI
mengambil gambar
sidik jari
 The University of Bern (UB) face database memuat 30 orang
yang masing-masing memiliki 10 citra wajah frontal.
 Basisdata UB memiliki karakteristik adanya perubahan yang
relatif kecil pada facial expression serta perubahan posisi
kepala kearah kiri, kanan, atas dan bawah sebesar  30 derajat
 Deteksi muka tampak depan dan bagian
vertikalnya:
 Data muka tersedia dengan semua ukuran dan
skala tertentu
 Data muka setiap orang tersedia dengan beberapa
ekspresi berbeda
Pencarian  Kondisi pencahayaan mempengaruhi pengenalan
Wajah  Ciri khusus pada gambar wajah (tua/muda, laki-
laki/perempuan, memakai kacamata)

Tujuan desain sistem deteksi wajah:

 Membuat algoritma yang cepat
 Membuat algoritma dengan keakurasian tinggi
 Alat optik untuk mengambil gambar wajah
 Komputer untuk pemrosesan gambar
 Perangkat lunak
 Penyimpanan data multimedia (gambar wajah)
 Jaringan komputer
 Integrasi sistem

Server Utama
DITOLAK