UTS Pengenalan Pola 2026

UTS Pengenalan Pola 2025/2026

Senin, 6 April 2026 · 08.00–09.40 WIB (100 menit). Cheat sheet satu A4, tidak bolak-balik. Soal A/B di lembar terpisah. Tuliskan NIM/nama; tidak bekerja sama. Kumpulkan A, B, dan cheat sheet terpisah.

Soal A — 1. AHC (35%)

Data	x1	x2	x3
1	1	1	1
2	2	3	5
3	1	3	2
4	3	4	5
5	4	5	6

Tentukan cluster menggunakan Agglomerative Hierarchical Clustering, single linkage, Manhattan Distance. Gambar dendrogram.

2. GLCM (35%)

Matriks citra 3 bit:

Tentukan Contrast, Correlation, Energy, Homogeneity untuk sudut θ=45° dan jarak2.

Soal B — 3. BirdCLEF (30%)

Proyek kompetisi BirdCLEF memakai data dari habitat, mikrofon, cuaca, tingkat kebisingan berbeda. Performa tinggi pada data latih belum tentu baik di lokasi baru. Rancang pipeline pengenalan pola untuk klasifikasi spesies burung yang mengatasi masalah itu. Jelaskan tiap tahap beserta alasannya.

1. Single linkage Manhattan

Matriks jarak antar data 1–5:

 0 7 3 9 12
 7 0 4 2  5
 3 4 0 6  9
 9 2 6 0  3
12 5 9 3  0

Gabung (2,4) pada tinggi 2; (1,3) pada 3; kemudian (2,4) dengan 5 pada 3; terakhir {1,3} dengan {2,4,5} pada 4 (jarak 2–3). Penggabungan yang sama tinggi boleh ditukar urutannya. Dendrogram: ((1,3)₃,((2,4)₂,5)₃)₄.

2. GLCM

Matriks cetak mempunyai 5 baris dan 4 kolom meskipun disebut 4×5. Gunakan offset dua baris ke atas, dua kolom ke kanan, berarah tanpa simetrisasi. Enam pasangan yang valid: (6,0), (6,0), (4,3), (5,5), (3,3), (3,1). Jadi $p(6,0)=2/6$ , empat pasangan lain masing-masing 1/6.

Contrast $=77/6\approx12,8333$ ; correlation $\approx-0,3627$ ; energy sebagai $\sum p^2=2/9\approx0,2222$ (akar energy 0,4714); homogeneity $\sum p/(1+|i-j|)\approx0,51984$ (bila memakai kuadrat selisih di penyebut, 0,45901). Bila konvensi sudut 45° memakai offset ke bawah-kanan, GLCM berarah dan beberapa fitur dapat berubah; arah yang digunakan harus disebutkan.

3. Pipeline BirdCLEF

Kumpulkan rekaman dengan label spesies dan metadata lokasi/perangkat, bersihkan duplikat dan cek label. Pisahkan train/validasi/uji berdasarkan lokasi atau sesi agar segmen dari rekaman yang sama tidak bocor antarbagian; sisihkan lokasi baru untuk evaluasi akhir. Resample, normalisasi level sesuai kebutuhan, segmentasi durasi tetap dan ubah ke log-mel spektrogram. Fit normalisasi hanya pada train. Tambahkan augmentasi train yang realistis: kebisingan habitat, gain, time shift, dan masking frekuensi, sambil menjaga informasi spesies.

Latih CNN atau model audio pretrained pada spektrogram dengan output multilabel sigmoid bila beberapa spesies mungkin bersuara bersamaan, atau softmax jika data dijamin satu label. Tangani ketimpangan kelas dengan sampling atau bobot loss. Pilih hiperparameter dan threshold pada validasi lintas lokasi, lalu laporkan metrik per kelas seperti macro-F1/PR-AUC pada lokasi tertahan, serta performa per habitat dan perangkat. Analisis error, kalibrasi, dan pantau domain shift setelah penerapan; jangan mengklaim augmentasi menjamin generalisasi.

Pembahasan ditulis independen oleh belajar.myudak, bukan kunci jawaban resmi. Soal asli tetap milik pengampu mata kuliah dan ditampilkan langsung dari arsip Google Drive.