Monthly Archives: August 2015
Logika Fuzzy untuk Sistem Pengatur Kecepatan Mesin
Dalam paper yang berjudul Fuzzy Sets*, pada tahun 1965 Dr. Lotfi Aliasker Zadeh (Ilmuwan Amerika Serikat berkebangsaan Iran dari University of California, Berkeley, California) memperkenalkan teori fuzzy yang mampu memetakan nilai masukan menuju nilai keluaran. Tidak seperti pada logika Boolean yang menyatakan suatu nilai dengan tegas (0 atau 1, hitam atau putih, ya atau tidak, benar atau salah, hidup atau mati), teori fuzzy menggunakan logika yang menyatakan bahwa suatu nilai dapat memiliki range atau derajat level (0 s.d 1, hitam s.d putih). Logika fuzzy dapat diartikan sebagai logika yang samar, kabur, tidak jelas, atau tidak tegas. Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya. Logika fuzzy menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance). Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami).
Berikut ini merupakan contoh aplikasi pemrograman logika fuzzy untuk sistem pengatur kecepatan mesin menggunakan sensor suhu dan sensor cahaya sebagai masukan.
Langkah-langkahnya adalah sebagai berikut:
1. Menyusun konsep sistem kontrol dengan logika fuzzy
Misalnya keadaan sensor suhu (input 1) dibagi menjadi lima kategori yaitu:
-read more->
Jaringan Syaraf Tiruan untuk Identifikasi Wajah
Berikut ini merupakan contoh aplikasi pemrograman Jaringan Syaraf Tiruan Backpropagation sederhana untuk identifikasi wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga.
1. Langkah pertama yaitu mempersiapkan data untuk proses pelatihan dan pengujian
Berikut ini merupakan contoh data untuk proses pelatihan
| No | Ciri/ Feature | Target | |||
| Mata | Hidung | Mulut | Telinga | Nama Orang | |
| 1 | 0.35 | 0.47 | 0.88 | 0.34 | Adi |
| 2 | 0.59 | 0.11 | 0.90 | 0.56 | Budi |
| 3 | 0.19 | 0.89 | 0.54 | 0.38 | Candra |
| 4 | 0.36 | 0.90 | 0.39 | 0.82 | Dedi |
| 5 | 0.58 | 0.45 | 0.80 | 0.91 | Erik |
| 6 | 0.40 | 0.45 | 0.80 | 0.35 | Adi |
| 7 | 0.61 | 0.11 | 0.90 | 0.55 | Budi |
| 8 | 0.20 | 0.87 | 0.56 | 0.41 | Candra |
| 9 | 0.38 | 0.88 | 0.35 | 0.85 | Dedi |
| 10 | 0.57 | 0.46 | 0.82 | 0.92 | Erik |
| 11 | 0.33 | 0.45 | 0.85 | 0.37 | Adi |
| 12 | 0.55 | 0.14 | 0.90 | 0.57 | Budi |
| 13 | 0.18 | 0.87 | 0.55 | 0.40 | Candra |
| 14 | 0.38 | 0.89 | 0.37 | 0.85 | Dedi |
| 15 | 0.56 | 0.47 | 0.83 | 0.91 | Erik |
Cara melakukan cropping citra pada GUI Matlab
Dalam pengolahan citra, terkadang kita hanya menginginkan pengolahan hanya pada daerah/bagian tertentu dari citra. Daerah yang kita inginkan tersebut disebut dengan Region of Interest (ROI). Proses untuk mendapatkan ROI salah satunya adalah dengan cara melakukan cropping pada suatu citra.
Berikut ini merupakan contoh aplikasi pemrograman GUI Matlab untuk melakukan cropping pada suatu citra:
1. Citra Asli (Original Image)
Morphological Operation – GUI Matlab
Operasi morfologi citra merupakan suatu proses yang bertujuan untuk mengubah bentuk objek pada citra asli. Proses tersebut dapat dilakukan pada citra grayscale maupun citra biner.
Jenis-jenis operasi morfologi di antaranya adalah dilasi, erosi, closing, dan opening. Secara berurutan, persamaan yang digunakan untuk masing-masing operasi yaitu:
di mana A adalah citra asli dan B adalah structuring element. Structuring element merupakan matriks operator yang dapat berbentuk garis, persegi, disk, diamond, dll.
Contoh aplikasi pemrograman GUI Matlab untuk operasi morfologi adalah sebagai berikut:
1. Membaca dan menampilkan citra asli
Texture Analysis – Gray-Level Co-Occurrence Matrix (GLCM) – GUI Matlab
Analisis tekstur merupakan salah satu jenis ekstraksi ciri yang didasarkan pada ciri statistik citra. Analisis tekstur dapat dilakukan dengan metode ekstraksi ciri orde satu, ekstraksi ciri orde dua, filter gabor, transformasi wavelet, dsb.
Berikut ini merupakan contoh aplikasi pemrograman gui matlab untuk analisis tekstur menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM) yang merupakan ciri statistik orde dua. Ekstraksi ciri dilakukan berdasarkan parameter contrast, correlation, energy, dan homogeneity.
Tampilan GUI Matlab untuk analisis tekstur citra menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM) adalah sebagai berikut:
1. Gray-Level Co-Occurrence Matrix (GLCM) dengan pixel distance = 1
-read more->
Penghitungan Otomatis Jumlah Sel Darah Merah Dan Identifikasi Fase Plasmodium Falciparum Menggunakan Operasi Morfologi
Berikut ini merupakan pemrograman GUI Matlab mengenai aplikasi pengolahan citra digital untuk melakukan analisis citra sampel darah mikroskopis yang terjangkit malaria.
GUI yang dirancang merupakan bagian dari penelitian yang berjudul The Automatic Counting of The Number of Red Blood Cells and Identification of Plasmodium Falciparum Phase using Morphological Operations
Tujuan dari penelitian tersebut adalah:
1. Menghitung jumlah sel darah merah total,
2. Menghitung jumlah parasit yaitu plasmodium falciparum, dan
3. Mengidentifikasi fase perkembangan plasmodium falciparum
Proses pemisahan sel bertumpuk dilakukan dengan menggunakan operasi morfologi. Proses pemisahan ini dilakukan agar hasil penghitungan sel darah merah menjadi lebih akurat.
Sedangkan proses penghitungan dan identifikasi fase plasmodium falciparum dilakukan dengan melakukan ekstraksi ciri morfologi parasit.
Perkembangan parasit penyebab malaria terdiri dari tiga fase yaitu fase trophozoite (pertumbuhan), fase schizont (pembiakan), dan fase gametocyte (pembentukan kelamin).
Parasit pada fase trophozoite dikenali dengan ukurannya yang sangat kecil dibandingkan dengan ukuran sel normal. Parasit pada fase schizont dikenali dengan bentuknya yang hampir bulat. Sedangkan parasit pada fase gametocyte dikenali dengan bentuknya yang memanjang atau cenderung elips.
GUI Matlab untuk melakukan analisis citra sampel darah mikroskopis yang terjangkit malaria terdiri dari tiga buah tampilan yaitu:
1. Tampilan menu awal
Identifikasi Fase Perkembangan Plasmodium Falciparum Dalam Sel Darah Merah Yang Terinfeksi Malaria Dengan Segmentasi Warna Adaptif Dan Klasifikasi Berbasis Pohon Keputusan
Berikut ini merupakan pemrograman GUI Matlab mengenai aplikasi pengolahan citra dan pengenalan pola untuk menganalisis citra sampel darah mikroskopis yang terjangkit parasit penyebab malaria.
GUI yang dirancang merupakan bagian dari penelitian yang berjudul Identification of Plasmodium Falciparum Development Phase in Malaria Infected Red Blood Cells using Adaptive Color Segmentation and Decision Tree based Classification
Tujuan dari penelitian ini antara lain adalah:
1. Mengidentifikasi jenis fase perkembangan plasmodium falciparum yang merupakan parasit penyebab malaria
2. Menghitung jumlah plasmodium falciparum pada masing-masing fase perkembangannya
Set-up alat akuisisi citra sel darah mikroskopis ditunjukkan pada gambar berikut ini:
Set-up alat akuisisi citra sel darah merah terinfeksi plasmodium falciparum
Perbaikan Kualitas Citra (Image Enhancement) menggunakan GUI Matlab
Perbaikan kualitas citra (image enhancement) merupakan salah satu tahapan yang dilakukan dalam pengolahan citra dan pengenalan pola. Tujuan dari perbaikan kualitas citra antara lain adalah:
1. Menonjolkan aspek tampilan tertentu agar lebih mudah dipahami atau diinterpretasi oleh penglihatan manusia
2. Mereduksi atau menghilangkan aspek tampilan dari suatu citra yang tidak diperlukan misalnya noise/derau
Perbaikan kualitas citra merupakan tahapan yang bersifat subjektif, opsional, dan eksperimentatif karena tidak ada algoritma yang baku dalam meningkatkan kualitas citra.
Operasi-operasi dalam perbaikan kualitas citra di antaranya yaitu operasi titik, operasi spasial, dan operasi transformasi.
Berikut ini merupakan contoh aplikasi pemrograman GUI Matlab mengenai perbaikan kualitas citra:
1. Peningkatan kontras
-read more->
Citra dan Histogram menggunakan GUI Matlab
Karakteristik suatu citra digital dapat diketahui dengan cara menganalisis distribusi frekuensi nilai piksel pada histogramnya.
Berikut ini merupakan contoh GUI Matlab representasi histogram pada berbagai jenis citra digital. Pada jenis citra RGB, histogram ditampilkan pada masing-masing kanal warna yaitu kanal merah, kanal hiaju, dan kanal biru. Pada jenis citra grayscale, histogram ditampilkan hanya pada satu kanal warna berderajat keabuan. Sedangkan pada citra biner, histogram ditampilkan hanya pada satu kanal warna hitam dan putih.
Tampilan GUI Matlab untuk menampilkan citra digital dan histogramnya adalah sebagai berikut:
1. Citra RGB dan Histogramnya
-read more->
Pemrograman Matlab 