Pattern Recognition Adalah: Pengertian, Cara Kerja, Contoh

Sebagian besar dari kita pernah menerima SMS seperti ini: "Ma, ini nomor baru aku. Tolong kirim pulsa 50 ribu dulu, nanti aku ganti." Belum selesai membaca, Anda mungkin sudah tahu bahwa pesan itu penipuan. Anda tidak memeriksa nomornya ke operator, tetapi otak Anda mengenali susunan yang sudah sering terlihat: nomor asing, mengaku keluarga, minta uang, dan mendesak.

Kemampuan mengenali susunan berulang seperti itulah yang disebut pengenalan pola. Pattern recognition adalah proses menemukan keteraturan pada data, lalu memakai keteraturan itu untuk mengelompokkan atau menebak data baru. Istilah ini muncul di dua tempat yang sering dianggap terpisah: pelajaran Informatika dan kecerdasan buatan (AI). Artikel ini membahas keduanya dengan satu contoh yang sama, karena logika di baliknya sebenarnya satu.

Apa Itu Pattern Recognition?

Pattern recognition adalah cabang ilmu komputer yang mempelajari cara menemukan pola pada data, lalu memakainya untuk mengenali data baru. Christopher Bishop dalam buku Pattern Recognition and Machine Learning (2006) menyebutnya sebagai penemuan keteraturan pada data secara otomatis. Secara harfiah, pattern recognition artinya pengenalan pola, dan di buku pelajaran Indonesia istilah ini memang disebut juga dengan pengenalan pola.

Untuk memahami pengertian pengenalan pola, ada dua istilah yang perlu dipegang. Pertama, pola (pattern), yaitu sesuatu yang bisa dikenali lewat sifat-sifatnya, misalnya huruf, suara, wajah, atau jenis pesan. Kedua, ciri (feature), yaitu sifat terukur yang membedakan satu pola dari pola lain. Huruf punya ciri tinggi, ketebalan, dan lengkungan garis. Suara punya ciri frekuensi dan nada.

Ciri yang baik punya daya pembeda tinggi. Pada contoh SMS tadi, "dikirim dari nomor tidak dikenal" adalah ciri yang lemah, karena banyak pesan sah juga datang dari nomor baru. Sebaliknya, "meminta uang atau kode OTP sambil mendesak" adalah ciri yang kuat, karena hampir tidak pernah muncul pada pesan yang jujur. Sebagian besar pekerjaan pengenalan pola, oleh manusia maupun mesin, adalah mencari ciri yang tepat.

Pattern Recognition Bukan Sekadar Mencocokkan Pola

Pengenalan pola sering disamakan dengan pattern matching (pencocokan pola), padahal keduanya berbeda. Pattern matching mencari sesuatu yang persis sama dengan aturan yang sudah ditentukan. Fitur "Cari" di aplikasi pengolah kata dan regular expression (pola teks yang dipakai programmer untuk mencari string tertentu) adalah contohnya. Kalau Anda mencari kata "pulsa", kata "pul5a" tidak akan ditemukan.

Pattern recognition bekerja sebaliknya. Ia mencari kecocokan yang paling mungkin, walaupun bentuknya bervariasi. Anda tetap mengenali tulisan tangan teman meskipun setiap hurufnya tidak pernah sama persis. Anda juga tetap mengenali wajahnya ketika ia memakai kacamata.

Itulah sebabnya pengenalan pola tidak cukup dibangun dengan daftar aturan. Penipu bisa mengganti "pulsa" menjadi "pul5a", dan aturan kaku langsung kebobolan. Sistem pengenalan pola belajar dari banyak contoh, sehingga tetap menangkap pesan yang susunannya mirip meski kata-katanya berbeda.

Pengenalan Pola dalam Berpikir Komputasional

Di mata pelajaran Informatika, pengenalan pola adalah satu dari empat pilar berpikir komputasional, bersama dekomposisi, abstraksi, dan algoritma. Biasanya pilar ini dipakai setelah dekomposisi memecah masalah menjadi bagian kecil. Tugasnya adalah mencari kesamaan di antara bagian-bagian tadi atau di antara masalah yang pernah diselesaikan.

Jadi, pengenalan pola dalam informatika adalah kemampuan melihat kemiripan agar solusi yang sudah ada bisa dipakai ulang. Kalau dua masalah ternyata punya pola yang sama, Anda tidak perlu menyelesaikan masalah kedua dari nol. Berikut cara melatihnya secara manual memakai contoh SMS penipuan, yang sekaligus menjadi contoh pengenalan pola dalam berpikir komputasional.

Langkah #1: Kumpulkan Beberapa Contoh

Pola tidak bisa disimpulkan dari satu kasus. Kumpulkan minimal 5 contoh untuk setiap kelompok, misalnya 5 SMS penipuan dan 5 SMS asli dari bank atau keluarga. Semakin beragam contohnya, semakin kecil peluang menyimpulkan pola yang keliru.

Langkah #2: Cari Kesamaan yang Berulang

Baca semua contoh dalam satu kelompok, lalu catat hal yang muncul berkali-kali. Dari SMS penipuan, Anda mungkin menemukan kesamaan berikut: meminta transfer atau kode OTP, memakai kata "segera" atau "hari ini", dan menyertakan tautan pendek. Tandai hal yang muncul di sebagian besar contoh, bukan hanya di satu atau dua.

Langkah #3: Catat Pembeda Antarkelompok

Kesamaan saja belum cukup. Periksa apakah ciri tadi juga muncul di kelompok SMS asli. Bank juga mengirim SMS berisi angka, jadi "ada angka" bukan pembeda. Namun bank tidak pernah meminta Anda mengirim balik kode OTP, sehingga ciri inilah yang benar-benar membedakan.

Langkah #4: Rumuskan Pola, Lalu Uji ke Kasus Baru

Tuliskan polanya dalam satu kalimat, misalnya "SMS dari nomor asing yang meminta uang atau OTP dengan nada mendesak kemungkinan besar penipuan". Setelah itu, uji rumusan tersebut ke SMS lain yang belum pernah Anda lihat. Kalau ada pesan yang salah tebak, kembali ke Langkah #3 dan perbaiki cirinya.

Empat langkah ini sebenarnya adalah versi manual dari proses yang dijalankan komputer. Bedanya, komputer mengerjakannya pada ribuan contoh dan menyatakan cirinya dalam angka.

Membedakan Pengenalan Pola dari Dekomposisi dan Abstraksi

Dalam soal ujian, empat pilar berpikir komputasional sering tertukar. Cara termudah membedakannya adalah melihat pertanyaan yang dijawab masing-masing pilar.

Pilar	Pertanyaan kunci	Contoh pada kasus SMS
Dekomposisi	Dipecah jadi apa?	Pisahkan pengirim, isi, tautan
Pengenalan pola	Apa yang berulang?	Banyak penipu minta OTP
Abstraksi	Apa yang diabaikan?	Abaikan nama, selalu berganti
Algoritma	Langkahnya apa?	Cek uang, cek tautan, blokir

Dari tabel itu terlihat perbedaan dekomposisi dengan pengenalan pola. Dekomposisi memecah satu masalah, sedangkan pengenalan pola membandingkan beberapa bagian atau beberapa masalah untuk menemukan kesamaan. Dekomposisi bisa dikerjakan pada satu kasus saja, sedangkan pengenalan pola selalu butuh lebih dari satu contoh.

Perbedaan pengenalan pola dengan abstraksi juga sering ditanyakan. Pengenalan pola menemukan apa yang sama, lalu abstraksi memutuskan bagian mana yang penting dari kesamaan itu. Keduanya berurutan: Anda tidak bisa membuang detail yang tidak relevan sebelum tahu mana yang berulang.

Tes cepat untuk soal "tindakan berikut yang dapat dikategorikan sebagai proses pengenalan pola": cari tindakan yang membandingkan beberapa hal lalu menemukan kesamaannya. Contohnya menyadari bahwa harga tiket naik setiap menjelang Lebaran, atau melihat bahwa soal nomor 3 dan nomor 7 bisa diselesaikan dengan rumus yang sama.

Cara Kerja Pattern Recognition pada Komputer

Komputer tidak bisa "membaca" SMS seperti manusia. Agar bisa mengenali pola, setiap pesan harus diubah menjadi kumpulan angka. Prosesnya terbagi menjadi dua fase: fase pelatihan (training), saat komputer belajar dari contoh berlabel, dan fase pengenalan (recognition), saat komputer menebak data baru.

Kedua fase melewati tahapan yang mirip:

1. Pengumpulan data: sistem mengumpulkan data mentah, misalnya ribuan SMS yang sudah diberi label "penipuan" atau "aman". Untuk gambar dan suara, data datang dari kamera atau mikrofon.
2. Praproses: data dibersihkan supaya seragam. Huruf besar diubah menjadi huruf kecil, tanda baca dirapikan, dan "pul5a" bisa dinormalisasi menjadi "pulsa".
3. Ekstraksi ciri: data diubah menjadi angka yang mewakili cirinya. Contohnya jumlah tautan, ada tidaknya kata "OTP", dan jumlah kata yang mendesak. Kumpulan angka ini disebut vektor ciri (feature vector).
4. Klasifikasi: model membandingkan vektor ciri dengan pola yang dipelajari saat pelatihan, lalu memutuskan kelompoknya, biasanya disertai tingkat keyakinan seperti "penipuan, 94%".
5. Evaluasi: hasil tebakan dibandingkan dengan jawaban sebenarnya untuk mengukur akurasi. Kalau akurasinya rendah, ciri atau modelnya diperbaiki.

Ide mengubah benda menjadi angka ini sudah lama dipakai. Pada tahun 1936, ahli statistik Ronald Fisher membedakan tiga spesies bunga iris hanya dari 4 ciri terukur. Keempatnya adalah panjang dan lebar kelopak serta panjang dan lebar mahkota. Datanya berisi 150 bunga, 50 untuk tiap spesies, dan sampai sekarang masih menjadi latihan klasik dalam machine learning.

Pendekatan dan Jenis Pattern Recognition

Jenis pattern recognition bisa dikelompokkan berdasarkan cara sistem belajar dan metode yang dipakai. Berdasarkan cara belajarnya, ada tiga jenis yang paling umum:

1. Supervised (terawasi): sistem belajar dari contoh yang sudah berlabel, misalnya SMS yang sudah ditandai "penipuan" atau "aman". Jenis ini dipakai ketika kelompoknya sudah jelas dan contoh berlabel tersedia.
2. Unsupervised (tidak terawasi): sistem menerima data tanpa label, lalu mengelompokkannya sendiri berdasarkan kemiripan. Cara ini cocok untuk menemukan kelompok yang belum Anda ketahui, misalnya segmen pelanggan toko daring.
3. Semi-supervised: gabungan sedikit data berlabel dan banyak data tanpa label. Pilihan ini masuk akal ketika memberi label secara manual terlalu mahal atau lama.

Berdasarkan metodenya, pendekatan statistik memperlakukan ciri sebagai angka dan memutuskan kelompok berdasarkan peluang. Pendekatan sintaktik atau struktural melihat pola sebagai susunan bagian-bagian kecil yang punya aturan, mirip tata bahasa. Robert Ledley memakai cara ini pada 1960-an untuk mengenali bentuk kromosom. Pendekatan ini lebih dekat dengan cara manusia berpikir, tetapi lebih sulit diterapkan pada data yang sangat bervariasi.

Saat ini pendekatan yang paling banyak dipakai adalah neural network atau jaringan saraf tiruan, terutama versi berlapis banyak yang disebut deep learning. Sebagai gambaran, MNIST adalah kumpulan 60.000 gambar latihan dan 10.000 gambar uji berisi angka tulisan tangan. Model terbaik kini mengenalinya dengan tingkat kesalahan di bawah 0,1%. Untuk teks pendek seperti SMS, metode statistik sederhana sering sudah memadai. Untuk gambar dan suara, jaringan saraf hampir selalu unggul.

Contoh Pengenalan Pola di Sekitar Anda

Contoh Pengenalan Pola dalam Kehidupan Sehari-hari

Lima contoh berikut terjadi tanpa komputer sama sekali:

1. Jadwal kendaraan umum: penumpang KRL tahu bahwa kereta selalu paling padat pada jam berangkat kerja di pagi hari, lalu memilih berangkat lebih awal.
2. Latihan soal ujian: siswa menyadari bahwa soal cerita tentang kecepatan selalu memakai hubungan jarak, waktu, dan kecepatan, sehingga cukup menghafal satu rumus.
3. Pengeluaran uang saku: setelah mencatat selama sebulan, Anda melihat bahwa uang paling cepat habis setiap akhir pekan.
4. Cuaca: petani memperhatikan bahwa langit mendung tebal di sore hari sering diikuti hujan pada musim tertentu.
5. Musik: pendengar bisa menebak kapan reff lagu baru akan muncul karena banyak lagu pop memakai susunan bait dan reff yang berulang.

Contoh Pengenalan Pola dalam Informatika

Di dunia teknologi, pengenalan pola dijalankan mesin secara otomatis:

1. Membuka kunci ponsel: fitur sidik jari dan pengenalan wajah termasuk teknologi biometrik. Pengenalan wajah sendiri bagian dari computer vision, cabang AI yang membaca isi gambar.
2. Filter spam: layanan email memisahkan spam dari email biasa dengan logika yang sama seperti contoh SMS di artikel ini.
3. Pemindai dokumen: OCR (Optical Character Recognition) mengenali huruf di foto dokumen lalu mengubahnya menjadi teks yang bisa disunting.
4. Deteksi transaksi janggal: bank menandai transaksi yang tidak sesuai kebiasaan, misalnya belanja besar di kota lain pada dini hari.
5. Rekomendasi video: aplikasi video menebak tayangan berikutnya dari pola tontonan Anda dan pengguna lain yang seleranya mirip.

Manfaat Pengenalan Pola

Tujuan pengenalan pola adalah membuat keputusan yang cepat dan konsisten untuk data yang terus berdatangan. Dari tujuan itu, lahir beberapa manfaat pengenalan pola:

1. Menghemat waktu: solusi untuk satu masalah bisa dipakai ulang pada masalah lain yang polanya sama.
2. Menebak hal yang belum terjadi: pola masa lalu membantu memperkirakan kejadian berikutnya, seperti kepadatan kereta atau kenaikan harga.
3. Mengotomatiskan keputusan berulang: filter spam memeriksa jutaan pesan per hari, pekerjaan yang mustahil dilakukan manusia satu per satu.
4. Melatih cara berpikir sistematis: siswa yang terbiasa mencari pola lebih cepat menyusun algoritma karena langkah yang berulang sudah terlihat.

Kelemahan Pattern Recognition yang Perlu Diperhatikan

Pengenalan pola tidak selalu benar, dan manusia maupun mesin punya kelemahan yang mirip.

1. Melihat pola yang sebenarnya tidak ada: otak manusia cenderung menemukan makna pada hal acak. Psikiater Klaus Conrad menyebutnya apofenia pada 1958, dan contoh paling umumnya adalah pareidolia, yaitu melihat wajah pada stopkontak atau awan. Pada mesin, kesalahan serupa disebut overfitting: model terlalu menghafal contoh latihan, sehingga gagal saat bertemu data baru.
2. Bergantung pada contoh: kalau contoh yang dipelajari berat sebelah, polanya ikut berat sebelah. Sistem pengenal wajah yang hanya dilatih dengan satu kelompok warna kulit akan lebih sering salah pada kelompok lain.
3. Pola bisa berubah: penipu terus mengganti modus. Pola yang akurat tahun lalu bisa usang hari ini, jadi sistem perlu dilatih ulang secara berkala.
4. Hasilnya peluang, bukan kepastian: "penipuan, 94%" berarti masih ada kemungkinan salah. Untuk keputusan penting, hasil pengenalan pola sebaiknya diperiksa ulang oleh manusia.

Sebagai pegangan, jangan menyimpulkan pola dari kurang dari 5 contoh per kelompok, dan selalu uji pola ke kasus yang tidak dipakai saat merumuskannya. Kebiasaan ini juga yang dipakai pengembang AI untuk mencegah overfitting.

Pertanyaan Seputar Pattern Recognition

Pattern recognition disebut juga dengan apa?

Pattern recognition disebut juga dengan pengenalan pola. Kedua istilah ini memiliki arti yang sama dan dipakai bergantian, baik di pelajaran Informatika maupun di bidang AI.

Apakah pattern recognition sama dengan machine learning?

Tidak persis sama. Pattern recognition adalah tujuannya, yaitu mengenali pola, sedangkan machine learning adalah salah satu cara mencapainya, yaitu membuat komputer belajar dari data. Pattern recognition juga bisa dilakukan tanpa machine learning, misalnya dengan aturan statistik sederhana atau oleh manusia secara manual.

Apa yang dimaksud dengan pola dalam berpikir komputasional?

Pola adalah kesamaan yang muncul berulang di beberapa masalah atau data, misalnya langkah yang sama, bentuk yang sama, atau urutan yang sama. Pengenalan pola adalah kegiatan menemukan kesamaan itu agar satu solusi bisa dipakai untuk banyak masalah.

Apa tujuan utama pengenalan pola?

Tujuan utamanya adalah menemukan kesamaan pada data atau masalah, lalu memakainya untuk mengelompokkan atau menebak data baru. Dalam berpikir komputasional, tujuan praktisnya adalah memakai ulang solusi yang sudah terbukti.

Apa contoh pengenalan pola dalam informatika?

Contohnya adalah filter spam pada email dan fitur buka kunci ponsel dengan wajah atau sidik jari. Contoh lainnya adalah OCR yang mengubah foto dokumen menjadi teks.

Kesimpulan

Pattern recognition adalah proses menemukan keteraturan pada data untuk mengelompokkan atau menebak data baru. Di sekolah, kemampuan ini menjadi pilar kedua berpikir komputasional yang dilatih secara manual. Di dunia AI, proses yang sama dijalankan komputer dengan mengubah ciri menjadi angka lalu belajar dari ribuan contoh.

Untuk masalah sehari-hari dengan sedikit contoh, mengenali pola secara manual sudah cukup. Saat datanya mencapai ribuan dan keputusan harus diambil terus-menerus, barulah sistem berbasis machine learning layak dipakai. Dalam kedua kasus, uji pola ke kasus baru sebelum mempercayainya. Semoga artikel ini membantu.