Steganografi Citra Digital
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
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 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 diklasifikasi adalah sayur kol, sawi, dan wortel. 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
Transformasi Hough merupakan salah satu metode yang dapat digunakan untuk mendeteksi garis dan lingkaran pada suatu citra digital. Transformasi Hough bekerja dengan cara mencari hubungan ketetanggan antar piksel menggunakan persamaan garis lurus untuk mendeteksi garis dan persamaan lingkaran untuk mendeteksi lingkaran. Berikut ini merupakan contoh 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
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 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:
Identifikasi Jenis Bunga Menggunakan Ekstraksi Ciri Orde Satu Dan Algoritma Multisvm
Ekstraksi ciri orde satu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Beberapa parameter ciri orde satu antara lain adalah mean, skewness, variance, kurtosis, dan entropy. Parameter ciri tersebut dapat digunakan sebagai masukan dalam algoritma identifikasi untuk mengenali objek dalam citra. Berikut ini merupakan contoh pemrograman matlab untuk mengidentifikasi jenis bunga menggunakan ekstraksi ciri orde satu dan algoritma multisvm. Citra yang digunakan terdiri dari lima jenis bunga yaitu calendula, iris, leucanthemum maximum, peony, dan rose. Pada data latih digunakan 6 citra pada masing-masing jenis bunga sehingga jumlah total data latih adalah 30 citra. Sedangkan pada data uji digunakan 2 citra pada masing-masing jenis bunga sehingga jumlah total data uji adalah 10 citra (sumber dataset citra: https://www.kaggle.com/olgabelitskaya/flower-color-images).
Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:
Analisis Tekstur Menggunakan Metode GLCM, LBP, dan FLBP
Tekstur merupakan salah satu ciri yang bisa diekstrak dari suatu citra digital. Tekstur dapat digunakan sebagai ciri yang membedakan antara citra yang satu dengan citra lainnya. Analisis tekstur dapat diimplementasikan ke dalam bidang pengolahan citra antara lain untuk pengenalan motif kain batik, identifikasi kualitas daging, identifikasi tumor/kanker, dll.
Berikut ini merupakan contoh pemrograman matlab mengenai analisis tekstur menggunakan tiga buah metode yang berbeda yaitu Gray-Level Co-Occurrence Matrix (GLCM), Local Binary Pattern (LBP), dan Fuzzy Local Binary Pattern (FLBP). Pada pemrograman ini analisis tekstur dilakukan terhadap citra yang diberi perlakuan rotasi. Hal ini dilakukan untuk melihat pengaruh rotasi dalam analisis tekstur pada masing-masing metode.
Tampilan citra asli dan setelah diberi perlakuan rotasi ditunjukkan pada gambar di bawah ini.
bricks.jpg
bricksRotated.jpg
Pengolahan Citra Digital Menggunakan Transformasi Wavelet
Pada bidang pengolahan sinyal digital, kita dapat menggunakan transformasi Fourier untuk memperoleh informasi berapa besar frekuensi dari sebuah sinyal, tetapi kita tidak dapat mengetahui informasi kapan frekuensi itu terjadi. Transformasi Fourier hanya cocok untuk sinyal stasioner (sinyal yang frekuensinya tidak berubah terhadap waktu). Untuk mengatasi hal tersebut maka kita dapat menggunakan transformasi Wavelet yang mampu merepresentasikan informasi waktu dan frekuensi suatu sinyal dengan baik.
Penerapan transformasi wavelet pada bidang pengolahan citra digital antara lain adalah untuk kompresi, filtering, dan analisis tekstur. Berikut ini merupakan contoh pemrograman matlab untuk melakukan transformasi wavelet. Pemrograman meliputi proses transformasi terhadap citra grayscale ke dalam empat buah koefisien yaitu koefisien aproksimasi, koefisien detail vertikal, koefisien detail horizontal, dan koefisien detail diagonal.
1. Dekomposisi citra menggunakan wavelet haar level 1 (ukuran citra menjadi 1/2 kali ukuran semula)
clc; clear; close all;
% membaca citra grayscale
Img = imread('lena_gray_512.tif');
% dekomposisi wavelet haar level 1
[c,s] = wavedec2(Img,2,'haar');
[H1,V1,D1] = detcoef2('all',c,s,1);
A1 = appcoef2(c,s,'haar',1);
V1img = wcodemat(V1,255,'mat',1);
H1img = wcodemat(H1,255,'mat',1);
D1img = wcodemat(D1,255,'mat',1);
A1img = wcodemat(A1,255,'mat',1);
figure;
subplot(2,2,1);
imagesc(A1img);
colormap gray;
title('Approximation Coef. of Level 1');
subplot(2,2,2);
imagesc(H1img);
title('Horizontal detail Coef. of Level 1');
subplot(2,2,3);
imagesc(V1img);
title('Vertical detail Coef. of Level 1');
subplot(2,2,4);
imagesc(D1img);
title('Diagonal detail Coef. of Level 1');
Pengenalan Pola Bentuk Menggunakan Chain Code Dan Multi SVM
Sama halnya seperti moment invariants, chain code atau kode rantai merupakan salah satu algoritma ekstraksi ciri bentuk yang nilainya tidak berubah terhadap perlakuan rotasi, translasi, pencerminan, dan penskalaan. Pada metode ini dihasilkan delapan nilai yang menunjukkan arah piksel penyusun objek. Arah piksel dari chain code 8-connected ditunjukkan pada gambar di bawah ini.
Berikut ini merupakan contoh pemrograman matlab mengenai pengenalan pola bentuk menggunakan algoritma chain code pada ekstraksi ciri dan algoritma multi SVM (Support Vector Machine) pada identifikasi. Citra yang digunakan terdiri dari tiga jenis bentuk objek yaitu botol (bottle), garpu (fork), dan palu (hammer). Pada data latih digunakan 15 citra pada masing-masing bentuk objek sehingga jumlah total data latih adalah 45 citra. Sedangkan pada data uji digunakan 5 citra pada masing-masing bentuk objek sehingga jumlah total data uji adalah 15 citra (sumber dataset citra: http://www.dabi.temple.edu/~shape/MPEG7/dataset.html)
Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:
Pengenalan Pola Bentuk Menggunakan Moment Invariants Dan Jaringan Syaraf Tiruan LVQ
Moment Invariants merupakan salah satu metode ekstraksi ciri bentuk yang nilainya tidak berubah terhadap perlakuan rotasi, translasi, pencerminan, dan penskalaan. Pada metode ini dihasilkan tujuh nilai moment yang dapat menggambarkan suatu objek berdasarkan posisi, orientasi dan parameter-parameter lainnya.
Berikut ini merupakan contoh pemrograman MATLAB untuk melakukan pengenalan pola bentuk menggunakan moment invariants dan jaringan syaraf tiruan Learning Vector Quantization (LVQ).
Citra yang digunakan terdiri dari tiga jenis bentuk yaitu bentuk hewan burung (bird), kadal (lizard), dan gurita (octopus). Pada data latih digunakan 15 citra pada masing-masing hewan sehingga jumlah total data latih adalah 45 citra. Sedangkan pada data uji digunakan 5 citra pada masing-masing hewan sehingga jumlah total data uji adalah 15 citra (sumber dataset citra: http://www.dabi.temple.edu/~shape/MPEG7/dataset.html)
Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:
