Tuliskan 3 contoh pengenalan pola dalam kehidupan sehari-hari

Pengenalan pola adalah disiplin ilmu yang mengklasifikasikan object berdasarkan image, berat atau parameter-parameter yang telah ditentukan kedalam sejumlah kategori atau kelas.
Contoh aplikasi yang menerapkan pengenalan pola adalah sebagai berikut:
- Machine Vision
  Pengenalan pola menjadi dasar dari sistem mesin ini. Mesin ini menangkap sebuah atau sekelompok object dengan kamera dan selanjutnya dianalisa untuk di deskripsikan object atau benda tersebut
- Character recognition (OCR)
  Salah satu area pengenalan pola yang secara umum menangani permasalahan otomatisasi dan informasi. Sistem OCR mempunyai front end device yang terdiri dari pembangkit cahaya, lensa scan, document transport dan sebuah detektor.
- Computer aided diagnosis
  Sistem ini membantu dokter dalam mengambil keputusan suatu diagnosa
- Speech recognition
  Pengenalan pola suara salah satu aplikasi yang berkembang saat ini. Sistem ini mengijinkan kita untuk berkomunikasi antara manusia dengan memasukkan data ke computer. Meningkatakan efisiensi industri manufaktur, mengontrol mesin dengan berbicara pada mesin itu.
- Face recognition
  Pengenalan wajah adalah sebuah system yang mengenali image wajah manusia yang digunakan dalam otomatisasi dan security sebuah industri
- Biometrics
  Biometric beguna untuk mengenali suatu pola mahluk hidup yang d?ihubungkan dengan parameter ? parameter psikologi maupun tingkah laku
- Image Data Base retrieval
  Adalah sebuah system untuk pengembalian imagi data base
- Data mining
  Adalah pengelompokan pola objek sejumlah data yang terurut dengan harapan dapat memberikan informasi yang berguna dan diinginkan.
- Bioinformatics
  Bioinformatik berhubungan erat dengan disiplin kedokteran, pengenalan pola atau image dari suatu image penyakit atau pola dalam sebuah analisa diagnosa penyakit atau pengenalan pola pola yang berhubungan dengan dunia biologi secara umum
Fitur adalah object yang kuantitas dapat diukur dari sebuah pola, Pengklasifikasian berdasar dari masing masing nilai dari fitur-fitur tersebut.
Vektor fitur adalah sejumlah atau sekumpulan dari fitur, misalakan sebuah fitur adalah x maka kumpulan fitur dapat direpresentasikan berikut:X1,…,Xl, memberikan vector fitur sebagai berikut:X1,…X
- Formula statistic untuk vektor fitur sebagai berikut:
- Tandai pola / pattern yang telah kita dapat dengan merepresentasikannya dengan vector x ke dalam kelas kelas yang tersedia sejumlah M. Yang ditandai dengan notasi :
- Dimana probabilitas dari x atau sejumlah x yaitu M adalah dimana dalam klasifikasi ini kita menghitung nilai maksimum dari probabilitas tersebut
Perhitungan dari sebuah Posteriori Probabilitas. Yang dimaksud dengan Posteriori Probabilitas dari pattern M adalah : semua Pattern dapat secara korespondensi di klasifikasikan kepada kelas kelas yang ada.
Dalam system pattern recognition terdapat tahapan tahapan:
- Pattern pertama kali ditangkap oleh sensor untuk dianalisa dan didapat berbagai fiturnya.
- Setelah mendapat informasi dari fitur fitur yang ada maka selanjutnya adalah meng-generate fitur.
- Tidak semua fitur yang didapat dari sensor digunakan untuk pengenalan pattern tersebut. Maka langkah selanjutnya adalah dengan memilih fitur yang tepat untuk pengklasifiksian object tersebut.
- Selanjutnya mendesain pengklasifikasian, tipe nonlinearity yang bagaimana yang diadopsi, dan bagaimana mendapatkan criteria fitur yang optimal.
- Ketika terjadi error dalam pengklasifikasian maka terjadi ketidak beresana dalam system maka system perlu diadakan evaluasi

Algoritma klasifikasi digolongkan menjadi 2, yang pemilihnya tergantung pada kesediaan data awal, yaitu
- Supervised : Pattern yang mempunyai kelas yang telah diketahui dan digunakan untuk training (aster klasifikasi yang sudah fix). Melakukan identifikasi suatu pola yang diamati sebagai anggota dari suatu kelas pola yang sudah diketahui.
- Unsepervised : Sejumlah kelas tidak diketahui dan tidak terdapat traning pattern. Memasukkan suatu pola yang diamati ke suatu kelas pola yang belum diketahui
Pengklasifikasian berdasar pada teori bayes
Estimasi Fungsi Densitas dari Probabilitas yang Belum Diketahui
- Banyak permasalahan yang sering mengestimasi proses dengan data data yang telah tersedia. Terkadang kita tahu metode yang cocok yang akan kita gunakan untuk menyelesaikan permasalahan tersebut(metode Gaussian atau Rayleigh), tetapi kita tidak mengetahui parameter yang sesui untuk metode yang kita gunakan. Berdarkan ketersediaan informasi, pendekatan yang berbeda dapat di implimentasika, seperti
  - Parameter Estimasi Maximum Likelihood
  - Maximum Aposteriori Probability Estimation
  - Bayesian Interference Maximum Entropy
  - The Expectation Maximisation (EM) algorithm
  - Application to the mixture modeling problem
  - Nonparametric Estimation
  - Curse of Dimensionality
  - Naive ? Bayes Classifier
  - K Nearest Neightbor Density Estimation
  - The Nearest-Neighbor Rule
  - Vronoi tessellation
- Bayesian network adalah directed graph nonsiklis (DAG) dimana nodes berkorespondensi dengan random variable. Tiap node diasosiasikan dengan set of conditional probabilities (densities), p(xi|Ai), dimana xi adalah variable yang diasosiasikan dengan node dan Ai adalah set dari parent dalam graph.
- Bayesian network dispesifikasikan oleh :
  - probability marginal dari node root
  - probabilities conditional dari node non-root yang diberikan oleh parent untuk semua kemungkinan kombinasi yang mungkin.

Sumber : http://agusza.its-sby.edu/pola/bab1.html

Pengenalan pola (bahasa Inggris: pattern recognition) merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data".[1][2] Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning).
Ada beberapa definisi lain tentang pengenalan pola, di antaranya:

Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori.[3]
Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi (pengenalan) dari suatu pengukuran.[4]
Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.[5]

Berdasar beberapa definisi di atas, pengenalan pola bisa didefinisikan sebagai cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian objek ke dalam klas - klas tertentu untuk menyelesaikan masalah tertentu.

Salah satu aplikasinya adalah pengenalan suara, klasifikasi teks dokumen dalam kategori (contoh. surat-E spam/bukan-spam), pengenalan tulisan tangan, pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan wajah manusia. Aplikasi ini kebanyakan menggunakan analisis citra bagi pengenalan pola yang berkenaan dengan citra digital sebagai input ke dalam sistem pengenalan pola

Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih lanjut. Langkah ini biasanya merupakan dapatan data (gambar, bunyi, teks, dll.) untuk dikelaskan, pre-pemrosesan untuk menghilangkan gangguan atau menormalkan gambar dalam satu cara (pemrosesan gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post-pemrosesan berdasarkan kelas pengenalan dan aras keyakinan.

Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan saraf (neural networks), pemilihan ciri-ciri dan pengambilan juga boleh dilaksanakan secara semi otomatis atau otomatis sepenuhnya.

Sementara terdapat banyak kaidah untuk pengkelasan, ia menyelesaikan satu dari tiga masalah matematis berkaitan.

Pertama adalah mencari peta ruang ciri (feature space) (biasanya pelbagai dimensi ruang vektor (vector space)) bagi set label. Secara bersamaan ia membagi ruang ciri menjadi kawasan-kawasan, kemudian meletakkan label kepada setiap kawasan. Algoritme yang demikian ini (contohnya the nearest neighbour algorithm) biasanya belumlah menghasilkan kepercayaan atau class probabilities, sebelum diterapkannya post-processing.

Masalah kedua adalah untuk menganggap masalah sebagai anggaran, dimana matlamat adalah untuk menganggar fungsi bagi bentuk

P ( c l a s s | x → ) = f ( x → ; θ → ) {\displaystyle P({\rm {class}}|{\vec {x}})=f\left({\vec {x}};{\vec {\theta }}\right)}

dimana input vektor ciri adalah $x → {\displaystyle {\vec {x}}}$ , dan fungsi f biasanya diparameter oleh sebagian parameter $θ → {\displaystyle {\vec {\theta }}}$ . Dalam pendekatan statistik Bayesian bagi masalah ini, berlainan dengan memilih satu vektor parameter $θ → {\displaystyle {\vec {\theta }}}$ , hasil dibentuk bagi kesemua thetas yang mungkin, dengan turutan berat bagi ketepatan berdasarkan data latihan D:

P ( c l a s s | x → ) = ∫ f ( x → ; θ → ) P ( θ → | D ) d θ → {\displaystyle P({\rm {class}}|{\vec {x}})=\int f\left({\vec {x}};{\vec {\theta }}\right)P({\vec {\theta }}|D)d{\vec {\theta }}}

Masalah ketiga terkait dengan masalah kedua, tetapi masalahnya adalah untuk menganggar kebangkalian bersyarat (conditional probability) $P ( x → | c l a s s ) {\displaystyle P({\vec {x}}|{\rm {class}})}$ dan kemudian menggunakan aturan Bayes untuk menghasilkan kemungkinan kelas sebagaimana dalam masalah kedua.

Contoh algoritme klasifikasi termasuk:

Klasifikasi linear
- Diskriminan linier Fisher
- Regresi Logistik
- Naive Bayes classifier
- Perceptron
Metode Nearest neighbor
Boosting
Decision tree
Jaringan Saraf Tiruan
Jaringan Bayesian
Mesin sokongan vektor (Support vector machine)
Model Markov Tersembunyi (Hidden Markov model)

komputer visi
- pengenalan karakter medis (Medical image analysis)]]
- Pengenalan karakter optis
Pengenalan suara (speech recognition)
Pengenalan tulisan tangan (handwritten recognition)
Identifikasi biometrik
klasifikasi dokuman
Internet
Credit scoring

Pembelajaran mesin
Statistika
Kecerdasan buatan (Artificial intelligence)
Sistem Temu Balik Informasi (Information Retrieval Systems)
Algoritme Viterbi

^ Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0-471-05669-3.
^ J. Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0-471-13534-8
^ IJCSNS, 2006, ISSN 1738-7906)
^ IJCSNS, 2006, ISSN 1738-7906
^ McGraw-Hill Dictionary of Scientific and Technical Terms (2003)