KECERDASAN

KOMPUTASIONAL
I

Handayani Tjandrasa

Pengenalan Pola

(dari Pattern Classification oleh R.O.Duda,

P.E. Hart, D.G. Stock)

Persepsi Mesin : Contoh Penyeleksian

ikan laut Salmon dan Sea Bass yang
masuk ke konveyor melalui sensor
optik.
Dari sampel citra yang diambil melalui
kamera diektraksi fitur sbb:
Panjang, lebar, sinar, jumlah&bentuk
sirip, dll

Contoh Mesin Persepsi Ikan

Fitur: Panjang Ikan

Fitur: sinar (pemilihan fitur

yang lebih baik)

Gunakan fitur sinar dan lebar ikan:

xT = [x1, x2]

Ideal

generalisasi

Sistem Pengenalan Pola

Siklus Desain

Contoh Mesin Persepsi Ikan

Contoh sea bass & salmon
Kondisi alami acak
Kemungkinan penangkapan sama
P(1) = P(2) (uniform priors)
P(1) + P( 2) = 1 (exclusivity and exhaustivity)

 Aturan Keputusan dengan hanya informasi awal

Putuskan 1 if P(1) > P(2) kalau tidak
putuskan 2
Menggunakan informasi kelas kondisional
P(x | 1) and P(x | 2) menunjukkan perbedaan
sinar antara sea bass dan salmon

KK

Bentuk alternatif untuk menentukan

keputusan menggunakan teorema
Bayes:
P(j | x) = P(x | j) . P (j) / P(x)
j 2

DimanaPuntuk
( x) 2Pvariabel,
( x | j ) P( j )
j 1

15

 Keputusan diberikan kemungkinan posterior

x adalah observasi yang mana:
Bila P(1 | x) > P(2 | x)
benar = 1
Bila P(1 | x) < P(2 | x)
2

, maka kondisi(state) yang

, maka kondisi yang benar =

Kemungkinan kesalahan
P(error | x) = P(1 | x) bila diputuskan 2
P(error | x) = P(2 | x) bila diputuskan 1 16

Minimisasi kemungkinan kesalahan

Putuskan 1 if P(1 | x) > P(2 | x);
kalau tidak putuskan 2
Jadi:
P(error | x) = min [P(1 | x),

P(2 | x)]

(Keputusan Bayes )
17

KLASIFIKASI 0/1
Input: x = [x1,x2]T ,Output: C {0,1}
Prediksi:
C 1 bila P(C 1 | x1,x2 ) 0.5
pilih
C 0 lainnya
atau
C 1 bila P(C 1 | x1,x2 ) P(C 0 | x1,x2 )
pilih
C 0 lainnya

Aturan Bayes (Bayes rule)

untuk klasifikasi 0/1
P C p x | C
P C | x
p x
P C 0 P C 1 1
p x p x | C 1 P C 1 p x | C 0 P C 0
p C 0 | x P C 1 | x 1
19

Teori Keputusan Bayesian

Misalkan {1, 2,, c} menyatakan himpunan
dari c kategori dan {1, 2,, a} menyatakan
himpunan dari aksi2 yang dimungkinkan
Misalkan (i | j) adalah kerugian yang terjadi
untuk mengambil aksi i bila kondisi yang
seharusnya adalah j , maka resiko keseluruhan:
R = Sum of all R(i | x) , i = 1,,a
dengan

j c

R( i | x) ( i | j ) P( j | x)
j 1

Pilih aksi i yang menghasilkan R(i | x) minimum

20

Untuk klasifikasi 2 kategori:

1 untuk memutuskan1, 2 untuk 2
dan

ij = (i | j)

Kerugian yang terjadi bila memutuskan i kalau

kondisi sebenarnya adalah j disebut resiko
kondisional:
R(1 | x) = 11P(1 | x) + 12P(2 | x)
R(2 | x) = 21P(1 | x) + 22P(2 | x)

21

Bila R(1 | x) < R(2 | x) keputusan 1 diambil

Hal ini ekuivalen dengan putuskan 1 bila:
(21- 11) P(x | 1) P(1) > (12- 22) P(x | 2) P(2)
dan putuskan 2 bila sebaliknya
Likelihood ratio:
bila,

P ( x | 1 ) 12 22 P (2 )

.
P ( x | 2 ) 21 11 P (1 )
Ambil aksi 1 atau putuskan 1 ,kalau
tidak ambil aksi 2 atau putuskan 2

22

Klasifikasi minimum error rate

Fungsi kerugian zero-one:

0 i j
( i , j )
1 i j

i, j 1,..., c

Sehingga kerugian kondisional menjadi

j c

R ( i | x) ( i | j ) P ( j | x)
j 1

P ( j | x) 1 P (i | x)
j 1

23

Fungsi Diskriminan
untuk kasus multi kategori
Untuk fungsi diskriminan gi(x), i = 1,, c ;
klasifier menentukan vektor fitur x ke kelas I
bila:
gi(x) > gj(x) j i

24

25

gi(x) dapat didefinisikan sebagai:

gi(x) = - R(i | x)
atau
gi(x) = P( i | x)

gi(x) P(x | i) P( i)
atau
gi(x) = ln P(x | i) + ln P( i)
26

Ruang fitur dibagi dalam c daerah keputusan

bila gi(x) > gj(x) j i maka x dalam Ri
Untuk kasus dengan 2 fungsi diskriminan g1 and
g2
dan: g(x) g1(x) g2(x)
Maka putuskan 1 bila g(x) > 0 ; kalau tidak
putuskan 2
27

TERIMA
KASIH