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.
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.
Deteksi Lingkaran Menggunakan Transformasi Hough
Apakah yang dimaksud dengan Transformasi Hough??
Transformasi Hough merupakan salah satu metode image processing yang dapat digunakan untuk mendeteksi garis dan lingkaran pada suatu citra digital. Transformasi Hough bekerja dengan cara mencari hubungan ketetanggaan antar piksel menggunakan persamaan garis lurus untuk mendeteksi garis dan persamaan lingkaran untuk mendeteksi lingkaran. Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan deteksi lingkaran pada citra digital menggunakan Transformasi Hough. Sedangkan materi mengenai deteksi garis menggunakan transformasi hough dapat dilihat pada halaman berikut: Deteksi Titik Sudut Citra Untuk Identifikasi Bentuk
Pemrograman yang dilakukan merupakan modifikasi source code yang sebelumnya telah dikembangkan oleh David Young. Modifikasi dilakukan pada pengolahan akhir citra hasil deteksi sehingga objek dapat dipisahkan dengan background dan dapat dihitung luas dan kelilingnya.
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca citra RGB
clc; clear; close all; warning off all; % membaca citra RGB im = imread('cristiano ronaldo.jpg'); figure,imshow(im);
Kompresi Lossless Pada Citra Digital
Apakah tujuan kompresi citra??
Kompresi atau pemampatan citra bertujuan untuk mereduksi atau memperkecil ukuran file citra. Dalam kompresi citra dikenal dua buah algoritma yaitu kompresi lossless dan kompresi lossy. Pada kompresi lossless memungkinkan citra asli dapat disusun kembali secara utuh dari citra hasil kompresi. Sedangkan pada kompresi lossy akan lebih banyak data yang hilang ketika penyusunan kembali dari citra hasil kompresi ke citra asli.
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan kompresi lossless pada citra digital. Pemrograman yang dilakukan merupakan pengembangan program yang sebelumnya telah dikerjakan oleh Lalit G. Patil. Tahapan kompresi yang dilakukan ditunjukkan pada gambar flowchart berikut ini:
Langkah-langkah pemrograman untuk melakukan kompresi lossless pada citra digital adalah sebagai berikut: