Deteksi Kematangan Buah Sawit Menggunakan Self-Organizing Maps (SOM)


Self Organizing Maps (SOM) merupakan suatu metode Jaringan Saraf Tiruan yang diperkenalkan pertama kali oleh Teuvo Kohonen tahun 1981, sehingga sering disebut dengan Jaringan Kohonen. Dinamakan “Self Organizing” karena tidak memerlukan pengawasan/ tak terawasi (unsupervised learning) dan disebut “Maps” karena berusaha memetakan bobotnya agar sesuai dengan input data yang diberikan. Neuron-neuron pada jaringan ini menyusun dirinya sendiri berdasarkan nilai input tertentu dalam suatu kelompok, biasa disebut cluster. Selama proses penyusunan diri, cluster dengan vektor bobot paling cocok dengan pola bobot (jarak paling dekat) akan terpilih sebagai pemenang. Neuron pemenang beserta neuron-neuron tetangga akan memperbaiki bobotnya masing-masing.

Arsitektur Self Organizing Map (SOM)

Berikut ini merupakan contoh pemrograman MATLAB untuk mendeteksi kematangan buah sawit menggunakan Self Organizing Map (SOM). Langkah-langkahnya adalah sebagai berikut:

1. Mempersiapkan data latih

-read more->

Steganografi dengan Metode Substitusi LSB (Least Significant Bit)


Steganografi merupakan suatu teknik menyembunyikan sebuah file pada file lainnya. Dalam metode ini diperlukan file sebagai penampung (cover) dan file lain yang akan ditampung (message). File penampung maupun file yang akan ditampung dapat berupa citra, audio, maupun text.

Penggunaan steganografi bertujuan untuk menyembunyikan atau menyamarkan suatu data sehingga sulit untuk dideteksi (encoding). Data yang disembunyikan dapat diekstraksi kembali sama seperti keadaan aslinya (decoding).

Berikut ini merupakan contoh pemrograman matlab mengenai steganografi dengan metode substitusi LSB (Least Significant Bit) di mana file penampung berupa citra digital sedangkan file yang akan ditampung berupa text.

Langkah-langkah pemrogramannya adalah sebagai berikut:

-read more->

Segmentasi Citra Bakteri Tuberkulosis Menggunakan K-Means Clustering


TBC (Tuberkulosis) yang juga dikenal dengan TB adalah penyakit paru-paru akibat adanya bakteri Mycobacterium tuberculosis pada paru-paru, tulang, usus, atau kelenjar. Salah satu teknik untuk mendeteksi ada tidaknya penyakit tuberkulosis adalah dengan melalui pemeriksaan dahak secara mikroskopis.

Berikut ini merupakan contoh pemrograman matlab untuk melakukan segmentasi citra dahak yang terinfeksi bakteri tuberkulosis menggunakan algoritma k-means clustering.

Langkah-langkah pemrogramannya adalah sebagai berikut:

1. Membaca citra RGB

-read more->

Deteksi Iris Mata dengan Daugman’s Integrodifferential Operator


Setiap manusia memiliki pola iris mata yang berbeda-beda, keunikan iris mata ini mampu membedakan masing-masing individu sehingga dapat digunakan sebagai acuan dalam membangun sistem pengenalan biometrik. Pengenalan melalui iris mata ini banyak diterapkan dalam berbagai bidang kehidupan seperti pada bidang kesehatan, keamanan, industri, pendidikan, dan lain sebagainya.

Daugman’s Integrodifferential Operator menggunakan fungsi persamaan integral dan turunan dalam mencari koordinat titik pusat dan jari-jari iris mata. Berikut ini merupakan contoh pemrograman matlab menggunakan Daugman’s Integrodifferential Operator untuk mendeteksi iris mata manusia.

Langkah-langkah pemrogramannya adalah sebagai berikut:

1. Membaca citra iris mata

% membaca citra iris mata
Img = imread('iris 01.jpg');
figure, imshow(Img);
title('Citra Asli')

-read more->

Penerapan Algoritma Particle Swarm Optimization (PSO) Pada Kasus Prediksi


Particle Swarm Optimization (PSO) merupakan algoritma berbasis populasi yang mengeksploitasi individu dalam pencarian. Dalam PSO populasi disebut swarm dan individu disebut particle. Setiap partikel berpindah dengan kecepatan yang diadaptasi dari daerah pencarian dan menyimpannya sebagai posisi terbaik yang pernah dicapai.

PSO didasarkan pada perilaku sosial sekawanan burung atau sekumpulan ikan. Perilaku sosial terdiri dari tindakan individu dan pengaruh dari individu-individu lain dalam suatu kelompok.

Berikut ini merupakan contoh penerapan algoritma PSO pada kasus prediksi. PSO diimplementasikan untuk mengoptimasi algoritma jaringan syaraf tiruan backpropagation dalam memprediksi Indeks Harga Saham Gabungan (IHSG). Langkah-langkah pemrogramannya adalah sebagai berikut:

-read more->

Algoritma Genetika untuk Travelling Salesman Problem


Algoritma genetika (AG) merupakan algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah. Karena didasarkan pada teori-teori dalam ilmu biologi, banyak istilah dan konsep biologi yang digunakan dalam algoritma ini. AG telah banyak diterapkan pada beberapa kasus seperti optimasi, pemrograman otomatis, machine learning, pemodelan ekonomi, pemodelan sistem imunisasi, pemodelan ekologis, serta interaksi antara evolusi dan belajar (Suyanto, 2005).

Berikut ini merupakan contoh penerapan algoritma genetika untuk optimasi kombinasi dalam kasus Travelling Salesman Problem. Optimasi dilakukan untuk mencari jalur/rute terpendek yang menghubungkan antara dua titik lokasi. Langkah-langkah pemrogramannya adalah sebagai berikut: -read more->

Segmentasi Citra Menggunakan Algoritma Klasifikasi


Segmentasi citra merupakan suatu tahapan untuk mengelompokkan region-region di dalam suatu citra. Pengelompokan tersebut dilakukan agar dapat dilakukan analisis pada region tertentu saja.

Berikut ini merupakan contoh aplikasi pengolahan citra untuk melakukan segmentasi citra menggunakan algoritma klasifikasi. Citra yang digunakan adalah citra ‘plage de carataggio tahiti beach.jpg’ yang akan dikelompokkan dalam 3 kelas region yaitu region laut, region pepohonan, dan region pasir. Algoritma klasifikasi yang digunakan antara lain adalah random forest, k-nearest neighbors, naive bayes, dan decision tree (pohon keputusan).

Langkah-langkah pengolahan citranya adalah sebagai berikut:

1. Membaca citra rgb dan memperkecil ukuran citra

clc; clear; close all; warning off all;

% membaca citra rgb
Img = imread('plage de carataggio tahiti beach.jpg');
% memperkecil ukuran citra 0,5x semula untuk mempercepat komputasi
Img = imresize(Img,0.5);
figure, imshow(Img), title('Citra RGB');

-read more

Identifikasi Nilai Uang Logam Menggunakan Metode Otsu Thresholding


Berikut ini merupakan contoh aplikasi pengolahan citra untuk melakukan identifikasi nilai uang logam menggunakan metode otsu thresholding. Uang logam yang diidentifikasi nilainya adalah uang logam Rp. 100, Rp. 200, Rp. 500, dan Rp. 1000. Langkah-langkah pengolahan citra yang dilakukan antara lain adalah sebagai berikut:

1. Membaca citra rgb asli

clc; clear; close all; warning off all;

% membaca citra rgb
Img = imread('koin 01.jpg');
figure, imshow(Img);

-read more->

Klasifikasi Jenis Kendaraan Menggunakan Algoritma Extreme Learning Machine


Extreme Learning Machine (ELM) merupakan jenis jaringan syaraf tiruan dengan satu lapisan tersembunyi yang biasa disebut dengan single hidden layer feedforward neural network (SLNs). Metode ini memiliki kecepatan pembelajaran yang lebih cepat dibandingkan metode jaringan syaraf tiruan konvensional seperti backpropagation.

Contoh arsitektur jaringan syaraf tiruan Extreme Learning Machine ditunjukkan pada gambar di bawah ini

-read more->

Klasifikasi Jenis Buah Menggunakan Linear Discriminant Analysis


Linear Discriminant Analysis (LDA) merupakan salah satu metode yang digunakan untuk mengelompokkan data ke dalam beberapa kelas. Penentuan pengelompokan didasarkan pada garis batas (garis lurus) yang diperoleh dari persamaan linear.

Berikut ini merupakan contoh aplikasi pengolahan citra untuk mengklasifikasikan jenis buah menggunakan linear discriminant analysis. Jenis buah yang diklasifikasikan adalah buah apel dan buah jeruk. Kedua jenis buah tersebut dibedakan berdasarkan ciri warnanya menggunakan nilai hue dan saturation. Contoh citra buah pada masing-masing kelas ditunjukkan pada gambar di bawah ini.

-read more->

%d bloggers like this: