KLASIFIKASI & PENGENALAN POLA. Tatap Muka 2

Ukuran: px

Mulai penontonan dengan halaman:

Download "KLASIFIKASI & PENGENALAN POLA. Tatap Muka 2"

Fanny Hartanto
7 tahun lalu
Tontonan:

1 KLASIFIKASI & PENGENALAN POLA Tatap Muka 2 1

2 Pendahuluan Bagaimana manusia mengenali Wajah Kata yang didengar Huruf yang ditulis tangan/mesin Bentuk benda Buah yang sudah masak (masih mentah?) Pengenalan pola mengambil data lalu membuat tindakan berdasar kategori pola 2

Persepsi Mesin Harus didesain dan dibangun mesin/algoritma yang dapat mengenali pola -- otomasi Speech recognition Fingerprint identification Character recognition DNA sequence identification Face

3 Persepsi Mesin Harus didesain dan dibangun mesin/algoritma yang dapat mengenali pola -- otomasi Speech recognition Fingerprint identification Character recognition DNA sequence identification Face recognition (Face detection? Smile detection? Big smile detection? Blink eye detection?) dan lain-lain Aplikasi Keamanan/security (intelijen?) Bioinformatik CAD (Computer Aided Diagnosis) Industri, proses produksi dan lain-lain 3

Ilustrasi 1 Pemilahan ikan salmon & sea-bass Sortir dua jenis ikan, salmon dan sea-bass Ambil gambar dengan kamera Preprocessing supaya operasi selanjutnya menjadi lebih sederhana

4 Ilustrasi 1 Pemilahan ikan salmon & sea-bass Sortir dua jenis ikan, salmon dan sea-bass Ambil gambar dengan kamera Preprocessing supaya operasi selanjutnya menjadi lebih sederhana (misal dengan segmentasi) Ekstraksi ciri (yang membedakan kedua jenis ikan) Panjang ikan Warna sisik Lebar badan ikan Klasifikasikan (tentukan ikan termasuk salmon atau sea-bass) 4

5 Memilih Ciri (Feature) Biasanya satu ciri tidak cukup memadai Kasus salmon & sea-bass Histogram ciri panjang ikan Histogram ciri warna sisik ikan Menggunakan ciri panjang error tinggi Menggunakan ciri warna sisik error cukup rendah Minimalisasi error dengan menambah jumlah ciri yang digunakan, misal ditambah dengan lebar badan ikan Vektor ciri = x T = (x 1, x 2 ) = (warna-sisik, lebar badan-ikan) 5

Ilustrasi 2 Klasifikasi leukosit normal & ALL leukosit normal leukosit ALL Klasifikasi leukosit normal & ALL Akuisisi citra leukosit mikroskopis Preprocessing supaya operasi selanjutnya menjadi lebih

6 Ilustrasi 2 Klasifikasi leukosit normal & ALL leukosit normal leukosit ALL Klasifikasi leukosit normal & ALL Akuisisi citra leukosit mikroskopis Preprocessing supaya operasi selanjutnya menjadi lebih sederhana (misal dengan segmentasi) mengambil sel leukositnya saja Ekstraksi ciri (yang membedakan kedua jenis sel leukosit), misal: warna bentuk tekstur Klasifikasikan (tentukan leukositnya normal atau ALL) 6

Contoh hasil segmentasi leukosit citra asli hasil pengambangan citra asli hasil contrast-strecthing hasil segmentasi hasil contrast-strecthing

7 Contoh hasil segmentasi leukosit citra asli hasil pengambangan citra asli hasil contrast-strecthing hasil segmentasi hasil contrast-strecthing hasil pengambangan citra asli hasil pengambangan hasil segmentasi hasil contrast-strecthing hasil segmentasi hasil pengambangan hasil segmentasi 7

8 Decision Boundary Permasalahan: bagaimana menentukan batas yang akan memisahkan wilayah salmon dan sea-bass? sederhana kompleks Trade off kompleksitas sistem, error, biaya, waktu komputasi 8

Sistem Pengenalan Pola Sensing -- kamera, mikrofon Segmentation -- memisahkan obyek dari latar belakang Feature extraction (ekstraksi ciri) Ciri yang menyederhanakan proses klasifikasi Ciri yang

9 Sistem Pengenalan Pola Sensing -- kamera, mikrofon Segmentation -- memisahkan obyek dari latar belakang Feature extraction (ekstraksi ciri) Ciri yang menyederhanakan proses klasifikasi Ciri yang invarian Kasus ikan : invarian terhadap translasi, rotasi, skala) Dalam speech recognition: invarian terhadap translasi waktu, perubahan amplitude, durasi kata Dalam character recognition? Classification Menggu ciri untuk mengelompokkan obyek/data Klasifikasi sempurna hampir tak mungkin Post-processing Tindakan rekomendasi berdasar hasil klasifikasi 9

10 Siklus Desain Koleksi data Memilih ciri Prior knowledge sangat penting Temukan ciri yang invarian terhadap translasi dan rotasi, insensitif terhadap derau, dan mampu membedakan kelompok-kelompok yang ada Memilih model Model 1 berdasar warna sisik dan lebar badan ikan Model 2 berdasar warna mata dan posisi sirip dst, mana yang lebih baik? Pelatihan (training the classifier) dan pengujian Menggunakan data/ciri (training data dan testing data) Evaluasi Klasifikasi menggunakan 1 ciri apakah error besar? Klasifikasi menggunakan 2 ciri apakah selalu lebih baik? Kompleksitas komputasi Keterbatasan dalam dunia praktis vs skala laboratorium 10

11 Pembelajaran & Adaptasi Klasifikasi selalu melibatkan pembelajaran (learning) seringkali sangat time-consuming Jenis pembelajaran: Terawasi / supervised learning Tak-terawasi / unsupervised learning / clustering Reinforcement learning 11

12 Pengantar Tentang Data Data yang akan digunakan untuk latihan dalam perkuliahan terdiri atas dua set yaitu: Set data untuk pelatihan Set data untuk pengujian Dalam latihan mungkin juga akan digunakan set data yang sama untuk pelatihan dan pengujian Set data untuk kepentingan kuliah akan disediakan dan diunggah ke web FTI Berikut akan diberikan contoh set data yang bisa digunakan untuk klasifikasi Contoh data pelatihan dan pengujian.pdf 12

dokumen-dokumen yang mirip

Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan

Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik