The Classification of Primitive-Shaped Patterns by Using Principal Component Analysis Method

Abstract

Abstrak -Pengenalan atau klasifikasi pola merupakan masalah utama dalam sistem penginderaan komputer (computer vision). Banyak metode telah diaplikasikan seperti: invarian momen, Jaringan Syaraf Tiruan (JST), K-mean, Support Vector Machine (SVM) dan lain-lain. Metode-metode ini memiliki beberapa kelemahan. Metode invarian momen sangat rentan terhadap noise. Metode JST memerlukan waktu komputasi yang lama (terutama JST banyak lapis) selama proses pelatihan. Disamping itu, dimensi ciri (feature) yang dihasilkan dari metode tersebut relatif tinggi sehingga memerlukan ruang penyimpanan (memori) yang besar. Selain itu, hal ini berpengaruh pada waktu komputasi yang lama ketika proses pengujian dilaksanakan. Berdasarkan pada fakta tersebut, dalam penelitian ini dipergunakan metode yang bisa mengurangi dimensi ciri yaitu metode Principal Component Analysis (PCA). Dalam metode PCA ini dimensi citra sampel dikonversi menjadi principal component (facespace), yang dimensinya jauh lebih kecil dari dimensi citra sampel itu sendiri. Hasil penelitian yang kami lakukan menunjukkan bahwa metode PCA sangat efektif dalam melakukan proses klasifikasi pola. Hal ini bisa terindikasi dari nilai Predictive Accuracy, Precision dan Recall yang relatif tinggi (mendekati 1) sedangkan FP Rate yang rendah (mendekati 0). Selain itu, lokasi koordinat titik (FP Rate, TP Rate) pada ROC graphs terletak pada wilayah kiri atas (mendekati wilayah classifier sempurna). (ANN), K-mean, Support Vector Machine (SVM) and others. These methods have a few limitations. The moment invariant fashion is highly vulnerable to noise. ANN methods require a long computing time (especially multilayer ANN) during the training process. On the other hand, the dimensions of the features generated from the methods are relatively high, which requires large storage space (memory). In addition, this leads to the long computing time when the testing process is carried out. Based on these facts, this research makes use of methods that being able to reduce the feature dimensions, namely the Principal Component Analysis (PCA). In the PCA method the dimensions of the sample image are converted to principal components (face space), whose dimensions are much smaller than the dimensions of the sample image itself. Our works exhibit that the PCA method is highly effective in carrying out the pattern classification process. This can be indicated by the relatively high values of Predictive Accuracy, Precision and Recall (close to 1) while the FP Rate is low (close to 0). Moreover, the location of the point coordinates (FP Rate, TP Rate) in ROC graphs is fallen in the upper left region (approaching the perfect classifier region). Abstract -The recognition or classification of patterns is a major problem in computer vision. Many methods have been applied such as: moment invariant, Artificial Neural Networks