Jan 02

Principal Component Analysis (PCA)/Proyeksi Eigen

Sejarah PCA

PCA adalah teknik statistik yang sudah digunakan secara luas baik dalam hal pengenalan wajah maupun pengenalan pola dari sebuah gambar. Metode Principal Component Analysis (PCA) dibuat pertama kali oleh para ahli statistik dan ditemukan oleh Karl Pearson pada tahun l90l yang memakainya pada bidang biologi.  Kemudian tidak ada perkembangan baru pada teknik ini, dan. perkembangannya baru mulai pesat pada akhir tahun l930 dan awal 1940. Setelah  itu perkembangannya berkurang sebentar sampai komputer telah berhasil didesain sehingga dapat mengaplikasikan teknik ini pada masalah-masalah yang masuk akal. Pada tahun 1947 teori ini muncul lagi dan cukup independen sebagai teori probabilitas yang ditemukan oleh Karhunen, dan kemudian dikembangkan oleh Loeve pada tahun l963, sehingga teori ini juga dinamakan Karhunen-Loeve transform pada bidang ilmu telekomunikasi.

Teknik PCA

PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra. PCA juga merupakan teknik yang umum digunakan untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. Dengan cara mentransformasikan citra ke dalam eigenfaces secara linier, proyeksikan citra ke dalam bentuk skala  berdimensi n, yang menampakkan properti dari sampel yang paling jelas sepanjang koordinat. PCA memproyeksikan citra ke dalam subspace, dan menghitung variasi dari citra tersebut. Dengan kata lain, PCA adalah transformasi linear untuk menentukan sistem koordinat yang baru dari dataset. Teknik PCA dapat mengurangi dimensi dari dataset tanpa tidak menghilangkan informasi penting dari dataset.

Jan 02

Teori Pengenalan Wajah (Face Recognition)

Langkah-langkah dalam proses pembuatan sistem pengenalan wajah berbeda satu dengan yang lain. Hal ini disebabkan karena adanya faktor-faktor seperti ukuran database atau training set dari citra wajah, jenis input yang digunakan (citra foto atau video), derau (noise) pada citra dan lain-lain.

Proses Pengenalan Wajah

Pada dasarnya proses dalam pengenalan wajah terbagi menjadi beberapa bagian seperti pada blok diagram dibawah ini:

Setiap bagian dalam diagram di atas dapat dilakukan melalui metode yang berbeda-beda. Sebagai contoh, untuk mendeteksi wajah, kita dapat menggunakan metode berbasis fitur (feature-based methods) untuk mendeteksi fitur pada wajah (mata, hidung, mulut), atau dapat juga menggunakan deteksi warna kulit. Continue reading

Jan 02

Pendekatan Pengenalan Pola

Aplikasi pengenalan pola dapat dibuat dengan beberapa pendekatan. Ada pendekatan yang menggunakan basis statistikal untuk menghasilkan pola. Pendekatan lainnya menggunakan struktur dari pola yang menyediakan informasi fundamental untuk pengenalan pola. Pendekatan lain lagi adalah dengan membangun dan melatih suatu arsitektur yang secara akurat mengasosiasikan input pola tertentu dengan respon yang diharapkan.

Pendekatan Pengenalan Pola Statistikal

Pengenalan pola stastistikal memiliki asumsi suatu basis statistik untuk algoritma klasifikasi. Sekelompok karakteristik pengukuran yang menunujukkan ciri diekstraksi dari data input dan digunakan untuk menentukan setiap vektor fitur ke dalam suatu kelas. Ciri (feature) diasumsikan dihasilkan secara natural, sehingga model yang bersangkutan merupakan kelas-kelas probabilitas atau fungsi kepadatan probabilitas (Probability Density Function) yang telah dikondisikan.

  1. Pola dipilah berdasarkan model statistik dari ciri.
  2. Model statistik didefinisikan sebagai sebuah fungsi kerapatan ruang bersyarat kelas.

Pr ( x | ci)   dengan i = 1, 2, 3, … ,N

Pendekatan Pengenalan Pola Sintaktik

Suatu pendekatan terhadap suatu pola citra dilakukan dengan menganalisis struktur pola dari citra

  1. Pola dipilah berdasarkan keserupaan ukuran struktural.
  2. “Pengetahuan” direpresentasikan secara formal grammar atau deskripsi relasional yang menghasilkan deskripsi hierarki dari pola kompleks yang tersusun dari pola bagian yang lebih sederhana.

 Pendekatan Pengenalan Pola Neural

Pendekatan yang ketiga yaitu pengenalan pola neural, metode ini merupakan gabungan dari kedua cara sebelumnya yaitu secara statistik dan sintaktik, itu artinya pendekatan dengan cara ini akan menyimpan semua fakta dari objek. Sehingga semakin sering sistem dilatih maka semakin cerdas pula sistem yang dihasilkan. Pendekatan ini merupakan bagian dari jaringan saraf tiruan untuk mengidentifikasi pola.

  1. Pemilahan dilakukan berdasarkan tanggapan suatu jaringan pengolah sinyal (neuron) terhadap stimulus masukan (pola).
  2. “Pengetahuan” disimpan dalam sambungan antarneuron dan pembobot sinaptik.
Jan 02

Komponen Sistem Pengenalan Pola

Struktur Sistem pengenalan pola dasar terdiri dari (Darma Putra : 2010):

Sensor

Sensor berfungsi untuk menangkap objek dari dunia nyata dan selanjutnya diubah menjadi sinyal digital (sinyal yang terdiri atas sekumpulan bilangan) melalui proses digitalisasi.

Mekanisme Pra-Pengolahan

Mekanisme Pra-Pengolahan berfungsi mempersiapkan citra atau sinyal agar dapat menghasilkan cirri yang lebih baik pada tahap berikutnya. Pada tahap ini sinyal informasi ditonjolkan dan dinyal pengganggu (derau) diminimalisasi.

Mekanisme Pencari dan seleksi Feature

Bagian ini berfungsi menemukan karakteristik pembeda yang mewakili sifat Utama sinyal dan sekaligus mengurangi dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi representative.

Algoritma Klasifikasi

Pada tahapan ini klasifikasi dilakukan dengan menggunakan algoritma klasifikasi tertentu. Hasil dari tahapan ini adalah klasifikasi dari objek yang ditangkap ke dalam kriteria-kriteria yang telah ditentukan.

Algoritma Deskripsi

Pada tahapan ini berfungsi untuk memberikan deskripsi pada sinyal.

Dec 29

Pengenalan Pola

Pola

Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi nama melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.

Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah objek (Al Fatta, Hanif : 2009).

Beberapa contoh pola :

  1. Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis.
  2. Suara, memiliki ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi.
  3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan.
  4. Sidik jari, memiliki ciri-ciri seperti lengkungan, dan jumlah garis.

Ciri-ciri pada suatu pola diperoleh dari hasil pengukuran pada titik objek uji. Khusus pada pola yang terdapat didalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi.

  1. Spasial, seperti intensitas piksel dan histogram.
  2. Tepi, seperti arah dan kekuatan.
  3. Kontur, seperti garis, ellips dan lingkaran.
  4. Wilayah/bentuk, seperti keliling, luas dan pusat massa.
  5. Hasil transformasi Fourier, seperti frekuensi. Continue reading