Application of Pattern Recognition Disusun Untuk Melengkapi Tugas Mata Kuliah Pengenalan Pola

Disususun Oleh: Kusumaning Hati P Nanda Yustina 0810680007 0810680046

TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 2011

APLIKASI PENGENALAN POLA (APPLICATION OF PATTERN RECOGNITION)

Pattern recognition adalah memetakan atau memasangkan sebuah nilai keluaran (atau label) kepada sebuah nilai inputan (atau instance), berdasarkan algoritma tertentu. Tujuan dari pattern recognition adalah untuk mendapatkan hasil yang bisa dipertanggungjawabkan dari setiap nilai masukan dan untuk memasangkan masukan dengan keluaran secara kasar. Hal ini berkebalikan dengan pattern matching, yang mencari pola yang benar-benar sama dengan pola pengetes yang sudah ada sebelumnya di masukan. Pengenalan pola adalah disiplin ilmu yang mengklasifikasikan object berdasar parameterparameter yang telah ditentukan kedalam sejumlah kategori atau kelas. Pengenalan Pola meliputi berbagai aplikasi dan implementasi dalam kasus kasus real world. Contoh aplikasi yang menerapkan pengenalan pola adalah sebagai berikut :

1. Bioinformatika
Aplikasi: Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopathy 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. Diabetic retinopathy adalah kelainan retina (retinopathy) yang ditemukan pada penderita diabetes mellitus. Retinopathy akibat diabetes mellitus lama berupa aneurismata, melebarnya vena, pendarahan dan eksudat lemak. Diabetic Retinopathy merupakan penyulitan diabetes yang paling penting. Hal ini disebabkan karena insidennya uang cukup tinggi yaitu mencapai 40-50% penderita diabetes dan prognosisnya yang kurang baik terutam bagi penglihatan. Aplikasi Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopathy bertujuan agar dapat meningkatkan kewaspadaan masyarakat terhadap penyakit mata dengan penempatan lebih baik/tepat dengan sistem berbasis cerdas dalam mengontrol penyakit serta memberikan data informasi yang lebih lengkap dengan model visualisasi akan memberikan kemudahan bagi antarmuka pemakai dalam melakukan operasional

program. Aplikasi ini sangat bermanfaat bagi pengelola data-data pasien dengan kriteria jenis penyakit yang berbeda. Apilkasi ini merubah bentuk dari image diabetic retinopathy menjadi sebuah karakter. Pada awalnya pengguna memasukkan input data berupa citra. Citra masukan adalah citra dengan format bitmap karena sistem hanya dibatasi untuk memproses citra bitmap. Kemudian pengguna diminta untuk melakukan preprocessing yaitu proses awal agar citra tersebut dapat diproses selanjutnya. Jika semua operasi pada preprocessing telah dikerjakan, maka sistem siap melakukan proses pengkodean yang selanjutnya akan dicocokkan dengan data dalam database. Metode pengenalan yang digunakan adalah Template matching, yaitu proses pengenalan karakter dengan cara membandingkan karakter yang ada pada dokumen dengan karakter pada template, untuk mencari karakter yang memiliki nilai kemiripan terbesar dengan template. Implementasi metode pengenalan pola gambar mata dasar ini terdiri dari 3 tahap utama untuk memisahkan gambar mata normal dengan mata yang terkenai diabetic retinopathy yaitu proses awal (preprocessing), pengkodean (feature extraction), dan pengenalan (recognition). Pada tahap awal, citra masukan dilakukan proses peningkatan kontras, penajaman citra, pemisahan/pembagian menjadi perkarakter (segmentation), dan penskalaan (scalling). Selanjutnya pada tahap pengkodean, citra akan dikodekan menurut pikselnya. Kode tersebut ditampilkan dan diproses kembali yaitu dicocokkan dengan data pada database sehingga menghasilkan gamabr mata dasar yang sesuai. Pada uji coba yang akan dilakukan, digunakan data yang berasal dari kamera dokter yang telah di print dan selanjutnya di scan menggunakan alat scanner dan betipe .bmp. Data gambar mata normal dan mata diabetic yang dimasukkan berupa gambar mata yang terkenai diabetic. Setelah dilakukan proses awal, maka proses selanjutnya adalah membandingkan input gambar mata dengan karakter yang telah tersimpan dalam database. Setiap kode gambar yang berukuran 15x15 dibandingkan dengan data yang tersimpan dalam database dengan tujuan untuk mencari beda dari kedua gambar tersebut. Metode template matching terletak pada proses pengenalan ini, dimana 2 tabel yaitu tbl_pengenalan dan ID_Sampel dikorelasikan. Relasi yang digunakan adalah one to many, yang berarti bahwa satu tabel dihubungkan dengan banyak tabel. Masing-masing field pada ID_Sampel hanya berisi 1 data tidak boleh ada yang sama mulai ID, Nama_gambar, sampai

dengan gambar. Misalnya: ID 1 memiliki nama tingkat dan gambar mata yang terkenai deabetic retinopathy, tidak diperkenankan adanya ID 1 dengan nama gambar mata dan gambar yang lain selain gambar yang terkena penyakit deabetic retinopathy. Tabel tersebut, akan dihubungkan dengan tbl_pengenalan yang berisi ID yang sama dengan kode yang bermacam-macam tergantung dari hasil integral proyeksi karakter gambar mata tersebut. Setelah kode ditemukan, kode tersebut mencari ID yang cocok/sama dalam tbl_pengenalan. Jika ID tersebut ditemukan maka tbl_pengenalan akan mencocokkan dengan ID yang sama pada ID_Sampel dan selanjutnya mencari tingkat keparahan_penyakit mata dan gambar yang sesuai dengan ID pada ID_Sampel. Adapun flowchartnya dapat dilihat seperti di bawah ini:

Gambar di bawah menunjukkan hasil pengenalan gambar mata normal dan diabetic dari salah satu gambar mata yang bisa dikenalidengan tipe gambar *.bmp

Ketika database masih kosong, disimpan kode sebanyak 1 kali setelah itu baru dilakukan proses uji coba. Gambar mata di awal dapat dikenali setelah dilakukan uji coba yang ke-4. Sampai selesai percobaan ke-5 gambar mata tersebut dikenali sebanyak gambar yang diinputkan. Jadi,perbandingan antara gambar mata yang dikenal dengan jumlah percobaan 5. Pada uji coba gambar mata yang di akhir, sebanyak 10 kali uji coba program. Setelah uji coba ke-2 program baru bisa mengenali gambar mata. Presentase kebenarannya hampir sama atau mendekati mata yang terkenai diabetic yang posisinya di awal. Jadi, dapat dikatakan bahwa gambar mata juga mempengaruhi hasil tergantung sama tingkat kecerahan gambar. Disamping itu, hal yang sangat mempengaruhi tingkat keberhasilan yaitu cara cropping dan mouse yang digunakan. Setiap orang memiliki cara yang berbeda-beda dalam meng-crop sebuah gambar mata normal dan diabetic, untuk mendapatkan hasil yang maksimal diusahakan meng-crop dengan hati-hati dan lebih mendekati eksodat.

Hasil proses pemisahan gambar mata diabetic yang menghasilkan pola Eksudat

Hasil Program Mata yang terkenai diabetic retinopathy nonproliferatif ditandai dengan terdapat eksudat dan hemogrit Mata yang terkenai penyakit diabetic Retinopathy proliferatif terdapat eksudat, pelebaran pembuluh darah, terdapat bintik-bintik merah, pembuluh darah baru Retinopathy proliferatif sebagian tidak dapat dibaca oleh program ini dikarenakan gambar mata warna mendekati obyek

Diagnosa dokter Muncul eksudat dan hemogrit

Muncul pembuluh darah baru, pelebaran pembuluh darah, bintik-bintik merah, eksudat

Pembuluh mata pecah, aliran darah terganggu

2. Speech Recognition
Aplikasi: Aplikasi Speech Recognition Dengan Metode Hidden Markov Model (HMM) Pengenalan pola suara merupakan 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. Proses dalam dunia nyata secara umum menghasilkan output yang dapat dikarakterisasikan sebagai signal. Dengan melakukan pemodelan terhadap signal secara benar, dapat dilakukan simulasi terhadap sumber dan pelatihan sebanyak mungkin melalui proses simulasi tersebut. Sehingga model dapat diterapkan dalam sistem prediksi, sistem pengenalan, maupun sistem identifikasi. Secara garis besar model signal dapat dikategorikan menjadi 2 golongan yaitu: model deterministik dan model statistikal. Model deterministik menggunakan nilai-nilai properti dari sebuah signal seperti: amplitudo, frekuensi, fase dari gelombang sinus. Sedangkan model statistikal menggunakan nilai-nilai statistik dari sebuah signal seperti: proses Gaussian, proses Poisson, proses Markov, dan proses Hidden Markov. Metode Hidden Markov banyak dipakai terutama dalam bidang recognition (speech, face, handwriting). Model HMM secara umum memiliki unsur-unsur sebagai berikut: 1. N, yaitu jumlah state dalam model. Secara umum state saling terhubung satu dengan yang lain, dan suatu state bisa mencapai semua state yang lain dan sebaliknya (disebut model ergodic). Namun hal tersebut tidak mutlak, terdapat kondisi lain dimana suatu state hanya bisa berputar ke diri sendiri dan berpindah ke satu state berikutnya, hal ini bergantung pada implementasi dari model. 2. M, yaitu jumlah observation symbol secara unik pada tiap statenya, misalnya: karakter dalam alfabet, dimana state adalah huruf dalam kata. 3. State Transition Probability { } -> ij A a 4. Observation Symbol Probability pada state j, { } () -> j Bb k 5. Initial State Distribution -> i p p

Dengan memberikan nilai pada N, M, A, B, dan p , HMM dapat digunakan sebagai generator untuk menghasilkan urutan observasi. dimana tiap observasi t o adalah salah satu simbol dari V, dan T adalah jumlah observasi dalam suatu sequence. Skema Utama Speech Recognition Terdapat 4 langkah utama dalam sistem pengenalan suara : 1. Penerimaan data input 2. Ekstraksi, yaitu penyimpanaan data masukaan sekaligus pembuatan database untuk template. 3. Pembandingan / pencocokan, yaitu tahap pencocokan data baru dengan data suara (pencocokan tata bahasa) pada template. 4. Validasi identitas pengguna. Tahap Blok Speech Recognition dengan HMM 1. Tahap feature extraction: Pemfilteran sinyal suara dan mengubah sinyal suara analog ke digital 2. Tahap tugas pemodelan: Untuk pemodelan dibuatkan suatu model HMM dari data-data yang berupa sample ucapan dari sebuah kata (berupa data digital). 3. Tahap sistem pengenalan HMM: Mendapatkan parameter-parameter yang dapat merepresentasikan sinyal suara tersebut dilakukan analisis. Proses Pencocokan Pola Suara Secara umum, speech recognizer memproses sinyal suara yang masuk dan menyimpannya dalam bentuk digital. Hasil proses digitalisasi tersebut kemudian dikonversi dalam bentuk spektrum suara yang akan dianalisa dengan membandingkannya dengan template suara pada database sistem. Sebelumnya, data suara masukan dipilah-pilah dan diproses satu per satu berdasarkan urutannya. Pemilihan ini dilakukan agar proses analisis dapat dilakukan secara paralel.

Proses yang pertama kali dilakukan ialah memproses gelombang kontinu spektrum suara ke dalam bentuk diskrit. Langkah berikutnya ialah proses kalkulasi yang dibagi menjadi dua bagian: 1. Transformasi gelombang diskrit menjadi array data. 2. Untuk masing-masing elemen pada array data, hitung ketinggian gelombang (frekuensi). Objek permasalahan yang akan dibagi adalah masukan berukuran n, berupa data diskrit gelombang suara. Ketika mengkonversi gelombang diperlebar dengan cara memperinci berdasarkan waktu. Hal ini dilakukan agar proses algoritma selanjutnya lebih mudah dilakukan. Namun, efek buruknya ialah array of array data yang terbentuk akan lebih banyak. Aplikasi pengenalan Suara Terdapat beberapa pilihan yang dapat dilakukan selanjutnya, sesuai dengan aplikasi yang diimplementasikan, diantaranya ialah voice command. Komputer akan melakukan perintah sesuai dengan masukan pengguna. Contohnya pada aplikasi Microsoft Voice, ketika pengguna mengatakan Start Notepad dengan intonasi dan tata bahasa yang sesuai, komputer akan segera melakukan proses seperti yang telah dijelaskan pada bab sebelumnya. Jika sesuai dengan daftar perintah yang tersedia, aplikasi akan memastikan kata dengan menampilkan tulisan Do you asked me to Start Notepad ? . Untuk memverifikasinya, pengguna cukup mengatakan Do it. Dan lagi-lagi proses penerimaan suara dilakukan seperti yang telah dibahas pada bab sebelumnya. Aplikasi lainnya adalah Microsoft Dictation yang merupakan aplikasi speech-to-text, yakni menuliskan apa yang diucapkan oleh pengguna. Jika dikembangkan lebih lanjut, software ini akan sangat berguna bagi orang-orang yang mempunyai keterbatasan fisik atau gerak.

Microsoft Dictation

Microsoft Voice

3. Biometric Recognition
Aplikasi: Pengujian klasifikasi pola telapak tangan dengan menggunakan rangkaian matriks sensor cahaya Istilah "biometrik" berasal dari bahasa Yunani kata bio (hidup) dan metrik (untuk mengukur). Biometrik mengacu pada teknologi untuk mengukur dan menganalisa karakteristik fisiologis seseorang atau perilaku. Karakteristik ini unik untuk setiap individu maka dapat digunakan untuk memverifikasi atau mengidentifikasi seseorang.

Proses pengenalan atas seseorang dapat dilakukan dengan cara mengamati serta mengukur berbagai ciri fisik serta perilaku yang selalu melekat di dalam dirinya. Dengan dukungan kemajuan teknologi, metode yang dikenal dengan nama biometrik ini telah berhasil meningkatkan kualitas baca serta akurasi pengenalan atas seorang individu. Beberapa hasil penelitian membuktikan bahwa telapak tangan bisa dipakai sebagai sumber data pada sistem biometric. Pakar biometrik, Arun Ross dan Anil Jain pernah menyatakan bahwa bentuk geometrik tangan bisa digunakan sebagai pelengkap sistem autentikasi atas identitas seseorang, sehingga diperoleh sistem verifikasi yang lebih handal. Tidak sebagaimana sidik jari, bentuk telapak tangan manusia tidak unique, namun bias digunakan untuk proses verifikasi. Keunggulan yang bisa diraih data bentuk telapak tangan mudah diperoleh sehingga nyaman bagi pengguna. Selain itu identifikasi telapak tangan cocok untuk penggunaan dengan frekuensi transaksi identifikasi yang cukup tinggi. Proses identifikasi telapak tangan seseorang pada aplikasi ini menggunakan rangkaian sistem, yang terdiri atas matriks sensor cahaya LDR (Light Dependant Resistor), modul akuisisi data berbasis mikrokontroler, serta aplikasi pengenalan pola pada PC. Variasi intensitas cahaya pada sensor LDR mampu direkam dan dikirim ke PC dalam bentuk digital. Hasil rekam tiap individu disimpan sebagai database pola telapak tangan. Algoritma klasifikasi yang diterapkan adalah algoritma fungsi jarak (distance function). Pada aplikasi ini variasi intensitas mampu merepresentasikan ciri telapak tangan seseorang. Peralatan yang dibutuhkan, terdiri atas peralatan kerja elektronika, mekanik dan perangkat lunak. Peralatan perangkat-lunak untuk membuat aplikasi yang ditanam pada komponen elektronika serta aplikasi yang bertugas mengumpulkan serta mengolah data di dalam komputer PC dengan menggunakan aplikasi Matlab 7 dilengkapi fungsi pembaca port serial dan fasilitas pembangun GUI. Landasan sensor yang akan membaca pola telapak tangan secara analog untuk kemudian diberikan kepada modul ADC. Sebanyak 32 LDR akan disebarkan pada beberapa titik sampel LDR. Setiap LDR terhubung secara paralel (untuk LDR sejumlah-N). Matriks LDR ditempatkan pada bagian bawah landasan kaca dengan permukaan kaca rata. Setiap sensor dibungkus bahan plastik berbentuk tabung warna hitam, dengan tujuan cahaya lingkungan tidak mempengaruhi cahaya yang mengenai sensor.

(a) Skema rangkaian paralel matriksLDR. (b) Landasan matriks LDR berbahan kaca.

Integrasi sistem dilakukan dengan menghubungkan antara perangkat sensor berupa matriks LDR dengan komputer yang telah dilengkapi perangkat lunak, melalui antar-muka modul akusisi data . Pengujian yang dilakukan adalah menilai apakah data-data yang berasal dari sensor bisa atau tidak, terbaca dan terkirim hingga tersimpan sebagai sebagai variabel larik. Nilai-nilai resistansi potensiometer pembagi tegangan diatur sedemikian rupa sehingga mengeluarkan tegangan output pada mendekati seragam. Intensitas cahaya lampu sorot dipilih maksimum. Pengaturan nilai resistansi perlu dilakukan karena kondisi resistansi LDR yang tidak seragam. Nilai skala yang dipilih untuk kondisi cahaya terang maksimum adalah 240 sampai dengan 255 (kode data 8-bit). Hal yang perlu dipertimbangkan juga bahwa pengaruh perubahan intensitas cahaya terhadap tegangan ternyata tidak linear. Sifat ini tergantung pada karakteristik masing-masing LDR, terutama nilai resistansinya pada kondisi pencahayaan yang sama.

Pengenalan Pola Untuk pengujian sistem maka data pola yang telah diperoleh untuk setiap individu disimpan di dalam basis data komputer PC. Kemampuan pengenalan pola diuji dengan cara membandingkan antara data input dan data yang tersimpan di basis data. Setiap orang diwakili oleh matriks pola [321], demikian pula matriks pola yang tersimpan di dalam basis data. Sesuai dengan persamaan jarak Euclidean, . Maka untuk setiap

pola yang masuk (dibaca oleh sensor) harus diuji tingkat kemiripannya dengan data pola yang telah tersimpan pada basis data. Pola dianggap mirip dengan suatu pola yang lain jika nilai hitung jarak ini mencapai nilai minimum. Namun boleh jadi suatu pola dianggap tidak termasuk dengan pola yang tersimpan di basis data jika jarak Euclidean melebihi nilai ambang maksimum tingkat kemiripan pola. Pada penelitian ini hanya diuji pada orang-orang yang teleh didaftarkan sebelumnya pada basis data sehingga tidak perlu menetapkan nilai ambang.

Aplikasi pada komputer PC yang menerima data dan mengolahnya dengan algoritma klasifikasi pola dikembangkan dengan GUI pada Matlab, sebagaimana yang terlihat pada Gambar di atas. Komponen yang digunakan antara lain push button, edit text, static text, listbox, dan axes. Alur penggunaan antar-muka tersebut dapat dijelaskan pada rangkaian kerja berikut ini. 1. Aktifkan modul akusisi data, dan kemudian letakkan telapak tangan kanan pada sensor yang diterangi oleh lampu berintensitas maksimum. 2. Klik push button Read Data (2), maka aplikasi akan mengirim perintah kepada mikrokontroler untuk membaca data pola telapak tangan. Data kemudian dikirim kembali ke aplikasi.

3. Data digital hasil baca setiap sensor (32 sensor) ditampilkan pada komponen edit text (1). Nilai real diperoleh dari hasil rata-rata 5 kali baca. 4. Kalimat pemberitahuan akan tampak pada static text di pojok kiri bawah (9), jika proses baca semua sensor telah selesai. 5. Data-data sensor yang telah diperoleh bias digunakan sebagai tambahan data individu pada basis data atau pun sebagai data yang akan diidentifikasi. Misal data tersebut akan disimpan sebagai bagian basis data maka isi nama individu pada komponen edit text (3). Selanjutnya dengan klik push button Save Data (4) maka akan tersimpan di file workspace person.mat. 6. Tambahan individu yang tersimpan pada file workspace bisa dilihat pada komponen list box Name List (5). 7. Untuk melakukan pengujian sistem, maka dilakukan proses pembacaan data yang baru. Telapak tangan yang dibaca boleh dari individu yang sama (yang datanya baru saja disimpan) atau individu yang lain. Klik Read Data (2), tunggu sejenak hingga mucul kalimat pemberitahuan di pojok kiri bawah (9). 8. Data baru yang telah selesai dibaca kemudian diidentifikasi melalui klik pada push button Identify (6). Nilai jarak antara data yang diberikan dan data pada basis data dihitung. Nilai jarak terdekat menjadi tanda bahwa data yang diberikan mempunyai kemiripan dengan data pada basis data. Pada Gambar di atas, nilai jarak terdekat adalah 141,2579 (ditampilkan pada static text (7) termasuk nama individu) dan nilai ini diperoleh ketika dilakukan penghitungan terhadap data pola telapak tangan yang dipunyai Esa. Dengan demikian dapat disimpulkan bahwa telapak tangan yang diberikan adalah telapak tangan Esa.

4. Remote Sensing
Aplikasi: Remote Sensing untuk Melacak Lokasi Minyak dan Gas Bumi Remote sensing atau disebut juga penginderaan jauh merupakan teknologi baru yang digunakan secara luas dengan pembaruan yang semaikn canggih sehingga kita tidak hanya mampu melihat luas suatu wilayah akan tetapi objek kecil yang ada di permukaan bumi juga. Penginderaan jauh (remote sensing), yaitu penggunaan sensor radiasi elektromagnetik untuk

merekam gambar lingkungan bumi yang dapat diinterpretasikan sehingga menghasilkan informasi yang berguna (Curran, 1985 dalam Setiawan,2010). Bumi memiliki permukaan dan variabel yang sangat kompleks. Relief topografi bumi dan komposisi materialnya menggambarkan bebatuan pada mantel bumi dan material lain pada permukaan dan juga menggambarkan faktor-faktor yang mempengaruhi perubahan. Masingmasing tipe bebatuan, patahan di muka bumi atau pengaruh-pengaruh gerakan kerak bumi serta erosi dan pergeseran-pergeseran muka bumi menunjukkan perjalanan proses hingga membangun muka bumi seperti saat ini. Proses ini dapat difahami melalui disiplin ilmu geo-morfologi. Eksplorasi sumber daya mineral merupakan salah satu aktifitas pemetaan geologi yang penting. Pemetaan geologi sendiri mencakup identifikasi pembentukan lahan (landform), tipe bebatuan, struktur bebatuan (lipatan dan patahannya) dan gambaran unit geologi. Saat ini hampir seluruh deposit mineral di permukaan dan dekat permukaan bumi telah ditemukan. Karenanya pencarian sekarang dilakukan pada lokasi deposit jauh di bawah permukaan bumi atau pada daerah-daerah yang sulit dijangkau. Metode geo-fisika dengan kemampuan penetrasi ke dalam permukaan bumi secara umum diperlukan dalam memastikan keberadaan deposit ini inyak bumi dan gas dalam pembicaraan kita-. Akan tetapi informasi awal tentang kawasan berpotensi untuk eksplorasi mineral lebih banyak dapat diperoleh melalui interpretasi ciri-ciri khusus permukaan bumi pada foto udara atau citra satelit. Belakangan analisa menggunakan citra satelit lebih banyak dilakukan daripada foto udara, karena citra satelit memiliki beberapa nilai lebih, seperti: 1. mencakup area yang lebih luas, sehingga memungkinkan dilakukan analisa dalam skala regional, yang seringkali menguntungkan untuk memperoleh gambaran geologis area tersebut; 2. memiliki kemungkinan penerapan sensor pendeteksi multi-spektral dan bahkan hiperspektral yang nilainya dituangkan secara kuantitatif (disebut derajat keabuan atau Digital Number dalam remote sensing), sehingga memungkinan aplikasi otomatis pada komputer untuk memahami dan mengurai karakteristik material yang diamati;

3. memungkinkan pemanfaatkan berbagai jenis data, seperti data sensor optik dan sensor radar, serta juga kombinasi data lain seperti data elevasi permukaan bumi, data geologi, jenis tanah dan lain-lain, sehingga dapat ditentukan solusi baru dalam menentukan antarhubungan berbagai sifat dan fenomena pada permukaan bumi. Untuk menjelaskan potensi teknik remote sensing dalam menemukan lokasi tersebut, akan dijelaskan tentang fungsi pemetaan geologi dan hubungannya dengan pendugaan struktur bebatuan di bawah permukaan bumi, tempat yang memungkinkan ditemukannya minyak dan gas bumi. Proses Eksplorasi: Pemetaan Lineaments, Lithologic dan Geo-botanic Eksplorasi sumber minyak dimulai dengan pencarian karakteristik pada permukaan bumi yang menggambarkan lokasi deposit. Pemetaan kondisi permukaan bumi diawali dengan pemetaan umum (reconnaissance), dan apabila ada indikasi tersimpannya mineral, dimulailah pemetaan detil. Kedua pemetaan ini membutuhkan kerja validasi lapangan, akan tetapi kerja pemetaan ini sering lebih mudah jika dibantu foto udara atau citra satelit. Setelah proses pemetaan, kerja eksplorasi lebih intensif pada metoda-metoda geo-fisika, terutama seismik, yang dapat memetakan konstruksi bawah permukaan bumi secara 3-dimensi untuk menemukan lokasi deposit secara tepat. Kemudian dilakukan uji pengeboran. Teknik remote sensing terutama diberikan pada proses pemetaan, yaitu pemetaan lineaments, jenis bebatuan di permukaan bumi dan jenis tetumbuhan. Eksplorasi minyak dan gas bumi selalu bergantung pada peta permukaan bumi dan peta jenis-jenis bebatuan serta struktur-struktur yang memberi petunjuk akan kondisi di bawah permukaan bumi dengan yang cocok untuk terjadinya akumulasi minyak dan gas. Remote sensing berpotensi dalam penentuan lokasi deposit mineral ini melalui pemetaan lineaments. Lineaments adalah penampakan garis dalam skala regional sebagai akibat sifat geo-morfologis seperti alur air, lereng, garis pegunungan, dan sifat menonjol lain yang menampak dalam bentuk zona-zona patahan. Dengan menggunakan citra satelit gambaran keruangan alur air misalnya dapat dilihat dalam skala luas, sehingga kemungkinan mencari relasi keruangan untuk lokasi deposit mineral lebih besar.

Pemetaan lineament walaupun dapat dilakukan secara monoskopik (menggunakan satu citra), tetapi akan lebih produktif jika digabungkan dengan pemetaan lithologic atau pemetaan unit-unit bebatuan yang dilakukan secara stereoskopik (yang dapat mendeteksi ketinggian, karena dilakukan pada dua buah citra stereo). Kalangan ahli geologi meyakini bahwa refleksi gelombang elektromagnetik pada kisaran 1,6 sampai 2,2 mikrometer (=10-6 meter) atau pada spektrum pertengahan infra-merah (1,3 3,0 mikrometer) sangat cocok untuk eksplorasi mineral dan pemetaan lithologic. Keberhasilan pemetaan ini bergantung pada bentuk topografi dan karakteristik spektral sebagaimana diamati citra satelit. Untuk kawasan yang dipenuhi tumbuhan, mesti dilakukan pendekatan geo-botanic, yaitu pengetahuan tentang hubungan antara jenis tetumbuhan dengan kebutuhan nutrisi serta air pada tanah tempat tumbuhan ini tumbuh. Dengan demikian distribusi tetumbuhan pun dapat menjadi indikator dalam mendeteksi komposisi tanah dan material bebatuan di bawahnya. Interpretasi citra dalam menemukan garis-garis patahan geologis memang membutuhkan keahlian tersendiri. Jika hanya mengandalkan lineaments, maka beberapa riset menunjukkan cukup banyak perbedaan interpretasi. Karenannya data garis ini dikorelasikan dengan karakteristik lain yang tertangkap sensor remote sensing, yaitu jenis bebatuan, yang merupakan cerminan mineralisasi permukaan bumi. Studi tentang jenis bebatuan dan respon spektral sangat membantu pencarian permukaan di mana deposit mineral tersimpan. Demikian sepintas potensi remote sensing dalam menemukan lokasi deposit minyak bumi dan gas. Potensi ini memuat proses pemetaan lineaments, pemetaan lithologic dan pemetaan sebaran jenis tumbuhan dan hubungannya dengan jenis tanah dan bebatuan di dasarnya (geobotanic).

5.

Data Mining
Analisa Pola Data Hasil Tangkapan Ikan Data mining adalah salah satu cabang sains komputer dan intelegensia buatan yang

Aplikasi : Penerapan Metode Association Rule Menggunakan Algoritma Apriori untuk

merupakan sebuah proses pengambilan pattern (pola) data untuk kemudian diolah menjadi informasi yang bisa diambil dan digunakan oleh pengguna. Data mining banyak digunakan di

bidang marketing untuk mengolah data yang ada menjadi informasi statistik untuk digunakan sebagai bagian dalam penentua keputusan. Dalam mengubah data menjadi informasi yang dapat digunakan secara bebas, dilakukanlah sebuah proses yang bernama pattern recognition. Proses ini akan kemudian mengelompokkan data-data yang ada berdasarkan keunikan pola masing-masing data. Setelah itu, data yang sudah dikelompokkan tadi akan disajikan dalam bentuk informasi statistik. Data mining sering digunakan untuk membantu dalam menganalisis sekelompok pengamatan tingkah laku. Dalam hal ini, data mining berguna untuk menemukan pola tersembunyi dalam serangkaian aksi. Hal ini biasanya diterapkan pada pembuatan intelegensia buatan untuk permainan seperti catur, tic tac toe, igo, dll. Selain itu, data mining biasanya digunakan juga dalam dunia bisnis, terutama bidang marketing untuk menentukan calon konsumen yang prospeknya lebih bagus. Salah satu aplikasi yang akan dibahas disini adalah Penerapan Metode Association Rule Menggunakan Algoritma Apriori untuk Analisa Pola Data Hasil Tangkapan Ikan. Aplikasi ini digunakan untuk mengatasi masalah dalam pemasaran produk perikanan. Aplikasi ini menganalisa pola data hasil tangkapan ikan di setiap daerah penangkapan ikan, sehingga dapat diketahui pada bulan tertentu ikan apa yang banyak dihasilkan oleh nelayan di masing-masing daerah penangkapan ikan. Dengan demikian, kita dapat menentukan daerah mana yang akan dijadikan sebagai tujuan distribusi dan pemasaran ikan yang dihasilkan. Dalam aplikasi ini digunakan metode association rule (aturan asosiatif) yang merupakan salah satu teknik utama dalam data mining dan merupakan bentuk yang paling umum dipakai dalam menemukan pattern atau pola dari suatu kumpulan data. Sedangkan algoritma yang digunakan adalah algoritma Apriori. Dalam aplikasi ini dilakukan pengujian pada data tangkapan ikan dengan atribut nama daerah, jenis ikan, jumlah ikan, dan waktu penangkapan. Data jumlah ikan pada setiap waktu penangkapan yang digunakan dalam aplikasi ini adalah data simulasi yang berupa data random. Berikut ini adalah tampilan user interface untuk menggenerate data random tersebut.

Pada antarmuka untuk pembuatan data penangkapan ini terdapat beberapa tombol dan pilihan menu. 1. Untuk menentukan range kwartal, pengguna menentukan angka pada kolom kwartal start dan kwartal finish, secara otomatis pada kolom jumlah data akan ditampilkan banyaknya data yang akan dihasilkan. Kwartal adalah satuan untuk waktu penangkapan, dalam 1 tahun terdapat 4 kwartal. 2. Setelah itu, jika pengguna menekan tombol generate, proses pembuatan data akan dimulai. 3. Tombol delete all berfungsi untuk menghapus semua data yang ada dalam database. Jika tombol ini ditekan sistem akan memberikan konfirmasi apakah pengguna benar-benar ingin menghapus data. 4. Tombol exit berfungsi untuk keluar atau menutup aplikasi. Setelah data transaksi selesai dibuat, maka langkah selanjutnya adalah mencari association rule untuk mengetahui hubungan keterkaitan antara data yang ada dalam database. Berikut ini adalah tampilan dari antarmuka untuk proses pencarian association rule.

Pada gambar diatas terlihat bahwa terdapat tiga pilihan dataset yang akan digunakan dalam proses perhitungan association rule, yaitu dataset berdasarkan daerah, kwartal, dan gabungan daerah dan kwartal. Jika dipilih dataset berdasarkan daerah maka akan ditampilkan pilihan nama daerah, jika dipilih dataset berdasarkan kwartal maka akan ditampilkan pilihan kwartal ke berapa yang akan diproses. Begitu juga jika dipilih dataset berdasarkan daerah dan kwartal, maka akan ditampilkan pilihan nama daerah dan kwartal. Berikut ini adalah tabel hasil pengujian pada daerah Lamongan.

Support dari suatu itemset merupakan prosentase dari seluruh data yang terdapat dalam database yang mengandung itemset tersebut. Nilai support 20%, artinya prosentase kemunculan suatu itemset adalah 20% dari seluruh data yang terdapat dalam database. Sedangkan nilai minimum support 20% artinya prosentase kemunculan itemset yang membentuk rule adalah kurang dari atau sama dengan 20%. Berdasarkan hasil pengujian diketahui bahwa dengan menggunakan nilai minimum support yang berbeda dihasilkan rule yang berbeda pula. Confidence merupakan tingkat kepercayaan atau tingkat kebenaran dari rule yang terbentuk. Rule yang dicari adalah yang mempunyai kemungkinan benar yang besar, yaitu rule yang membuat prediksi yang benar (atau sangat sering benar). Rule bawal-hitam=>bawal-putih (dibaca jika ada bawal hitam maka ada bawal putih) dengan nilai minimum support 20% memiliki nilai confidence 100%, artinya prosentase kemunculan dari bawal hitam dan bawal putih adalah 20% dari seluruh data dalam database. Sedangkan tingkat kebenaran atau kemungkinan bahwa prediksi rule ini benar adalah 100%. Semakin tinggi nilai support dan confidence, maka semakin tinggi tingkat keakuratan dari rule atau pola yang dihasilkan. Rule bawal-hitam=>bawal-putih memiliki nilai confidence yang berbeda dengan bawal-putih=>bawalhitam, artinya jika ada bawal hitam maka ada bawal putih, akan tetapi belum tentu jika ada bawal putih maka akan ada juga bawal hitam. Hal ini dikarenakan nilai confidence tergantung dari nilai support atau kemunculan suatu itemset. Support dari bawal hitam berbeda dengan support bawal putih, berbeda pula dengan support bawal hitam dan bawal putih yang muncul secara bersamaanatau biasanya dinyatakan dengan support(bawal hitam, bawal putih). Dari data hasil pengujian yang telah diperoleh, dapat diketahui ikan apa saja yang sering muncul di suatu daerah pada kwartal tertentu. Dengan demikian informasi ini dapat memudahkan para nelayan dan pedagang ikan dalam mendistribusikan hasil tangkapannya. Sehingga permasalahan dalam distribusi tangkapan ikan dapat teratasi.

Sumber: Ariwibowo,Trilaksono. 2010. Aplikasi Inferensi Bayes pada Data Mining terutama Pattern Recognition.http://www.informatika.org/~rinaldi/Probstat/20102011/Makalah2010/MakalahProb stat2010-027.pdf. (diakses 3 Oktober 2011) Hastiana, Rummy. 2010.Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopathy. http://lib.uinmalang.ac.id/files/thesis/fullchapter/05550121.pdf (diakses 4 Oktober2011) http://fahru.blog.uns.ac.id/2009/09/29/aplikasi-speech-recognition-dengan-metode-hiddenmarkov-model-hmm/ http://www.energi.lipi.go.id/utama.cgi?cetakartikel&1097335417 Wahyu,Eko.2008. Penerapan Metode Association Rule Menggunakan Algoritma Apriori untuk Analisa Pola Data Hasil Tangkapan Ikan. http://www.iatt.kemenperin.go.id/.../fullpaper137_Eko_W_Tyas_D_univ_brawijaya.pdf. (diakses 3 Oktober 2011 )