bab6.pdf - Fitri Arnia Khairul Munadi Teknik Pengolahan...

Info icon This preview shows pages 1–4. Sign up to view the full content.

View Full Document Right Arrow Icon
Fitri Arnia & Khairul Munadi/ Teknik Pengolahan Citra / 133 Tujuan Instruksional Bab 6 1. Pengguna buku mengetahui beberapa metode yang digunakan untuk klasifikasi (objek) citra. 2. Pengguna buku dapat menghitung Euclidian distance antara dua fitur. 3. Pengguna buku dapat menghitung minimal distance dari dua kelompok objek. 4. Pengguna buku dapat menentukan cluster dari dua kelompok objek menggunakan metode k-means clutering . 5. Pengguna buku memahami konsep Support Vector Machine (SVM).
Image of page 1

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Fitri Arnia & Khairul Munadi/ Teknik Pengolahan Citra / 134 6 Klasifikasi Klasifikasi adalah pekerjaan yang selalu dilakukan dan dijumpai pada kehidupan sehari-hari. Petani jeruk ingin meng-klasifikasikan hasil panennya berdasarkan warna kulit jeruk dan ukurannya, dokter melakukan diagnosa penyakit berdasarkan gejala-gejala pasiennya, sistem keamanan komputer menglasifikasi email yang masuk berdasarkan “spam” atau bukan “spam, dan seterusnya. Secara umum, klasifikasi adalah pekerjaan/masalah pengidentifikasian suatu observasi baru (dalam hal ini adalah citra baru) ke suatu kelas dari beberapa kelas yang ada. Klasifikasi biasanya dilakukan dalam dua tahap, yaitu training dan testing . Pada tahap training, sifat-sifat unik dari fitur-fitur citra diisolasi, dan berdasarkan ini deskripsi unik untuk setiap kategori klasifikasi (yaitu kelas training ), diciptakan. Pada tahap testing , fitur-fitur citra testing dikelompokkan berdasarkan kelas yang ada. Deskripsi dari kelas training adalah komponen penting dari proses klasifikasi. Pada klasifikasi terawasi, proses statistik (yaitu berdasarkan pengetahuan awal dari fungsi distribusi probabilitas), atau proses non-statistik (tanpa distribusi) dapat digunakan untuk menentukan kelas training. Klasifikasi tanpa terawasi menggunakan algoritma clustering untuk menyegmen citra training secara otomatis. Gambar 1 menunjukkan proses training dan testing pada klasifikasi terawasi.
Image of page 2
Fitri Arnia & Khairul Munadi/ Teknik Pengolahan Citra / 135 Berdasarkan diketahui atau tidaknya jumlah dan informasi kelas klasifikasi sebelum proses training dilakukan, klasifikasi dikelompokkan menjadi dua: (1) klasifikasi terawasi ( supervised classification ) jika kelas klasifikasi sudah diketahui sebelumnya, dan (2) klasifikasi tidak terawasi ( unsupervised classification ), jika kelas klasifikasi ditentukan selama proses training . Selanjutnya, klasifikasi terawasi dapat dikelompokkan menjadi dua berdasarkan digunakan atau tidaknya parameter statistik. Klasifikasi yang menggunakan ukuran-ukuran statistik secara eksplisit dikelompokkan sebagai pengklasifikasi parametrik, dan yang tidak menggunakan ukuran statistik dikelompokkan sebagai pengklasifikasi non-parametrik. Pada pengklasifikasi parametrik, terdapat metode Bayes , Maximum Likelihood Classifier , Support Vector Machine (SVM), minimal distance dan seterusnya [Kumar]. Sedangkan pada pengklasifikasi non-parametrik terdapat metode Euclidian Distance dan k-nearest neighbor . Pada klasifikasi tanpa terawasi, terdapat metode k-means clustering . Pengelompokan ini dapat dilihat pada Gambar 2. Pada bab ini akan dibahas metode klasifikasi
Image of page 3

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Image of page 4
This is the end of the preview. Sign up to access the rest of the document.

{[ snackBarMessage ]}

What students are saying

  • Left Quote Icon

    As a current student on this bumpy collegiate pathway, I stumbled upon Course Hero, where I can find study resources for nearly all my courses, get online help from tutors 24/7, and even share my old projects, papers, and lecture notes with other students.

    Student Picture

    Kiran Temple University Fox School of Business ‘17, Course Hero Intern

  • Left Quote Icon

    I cannot even describe how much Course Hero helped me this summer. It’s truly become something I can always rely on and help me. In the end, I was not only able to survive summer classes, but I was able to thrive thanks to Course Hero.

    Student Picture

    Dana University of Pennsylvania ‘17, Course Hero Intern

  • Left Quote Icon

    The ability to access any university’s resources through Course Hero proved invaluable in my case. I was behind on Tulane coursework and actually used UCLA’s materials to help me move forward and get everything together on time.

    Student Picture

    Jill Tulane University ‘16, Course Hero Intern