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:
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 Klustering
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 klustering. 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 klustering 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');
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);
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
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.
Kompresi Citra Digital Menggunakan Transformasi Wavelet
Dalam bidang pengolahan citra digital, terkadang kita menemukan kendala pada besarnya ukuran data yang dibutuhkan untuk merepresentasikan citra. Oleh karena itu dibutuhkan suatu teknik kompresi yang dapat mereduksi ukuran data pada citra. Tujuan dari kompresi citra di antaranya adalah untuk menghemat kapasitas penyimpanan data, mempercepat waktu transmisi data, dan mempercepat waktu komputasi saat pengolahan citra dilakukan. Kompresi citra bekerja dengan cara meminimalkan jumlah bit penyusun citra sehingga ukuran data menjadi lebih kecil.
Terdapat dua buah metode kompresi citra yaitu metode lossless dan metode lossy. Pada metode lossless memungkinkan data yang telah terkompresi dapat dikembalikan seperti semula. Sedangkan pada metode lossy tidak memungkinkan data yang telah terkompresi dapat dikembalikan seperti semula.
Steganografi Citra Digital
Apakah yang dimaksud dengan steganografi??
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 baik file penampung maupun file yang akan ditampung adalah berupa citra digital.
Langkah-langkah pemrogramannya adalah sebagai berikut:
Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN
Apakah yang dimaksud dengan Principal Component Analysis (PCA)??
Principal Component Analysis (PCA) merupakan suatu algoritma yang mampu mengkonversi sekelompok data yang pada awalnya saling berkorelasi menjadi data yang tidak saling berkorelasi (Principal Component). Jumlah Principal Component yang dihasilkan adalah sama dengan jumlah data aslinya, tetapi dapat direduksi dengan jumlah yang lebih kecil dan tetap mampu merepresentasikan data asli dengan baik.
Berikut ini merupakan contoh pemrograman matlab untuk klasifikasi jenis sayuran menggunakan algoritma PCA dan KNN. Jenis sayuran yang akan diklasifikasi adalah sayur kol, sawi, dan wortel. Ketiga jenis sayur tersebut dibedakan berdasarkan ciri warna dan ukurannya. Contoh citra sayuran pada masing-masing kelas ditunjukkan pada gambar di bawah ini.
Prediksi Harga Saham Menggunakan Algoritma ANFIS
Adaptive Neuro Fuzzy Interference System (ANFIS) merupakan salah satu algoritma yang menggabungkan sistem fuzzy dengan sistem jaringan syaraf tiruan. Dasar dari penggabungan adalah kelebihan dan kekurangan dari masing-masing sistem. Kelebihan utama jaringan syaraf tiruan adalah dapat mengenali sistem melalui proses pembelajaran untuk memperbaiki parameter adaptif. Kekurangan dari sistem ini adalah kerumitan strukturnya. Sedangkan sistem fuzzy mempunyai konsep yang mirip dengan konsep berpikirnya manusia. Gabungan keduanya akan saling melengkapi kelebihan dan kekurangan masing-masing sistem.
