Author Archives: adi pamungkas
Jenis-jenis Arsitektur Convolutional Neural Network (CNN) untuk Image Recognition dan Computer Vision
Convolutional Neural Network (CNN) telah menjadi pilar utama dalam revolusi pengenalan gambar (image recognition) dan penglihatan komputer (computer vision). Arsitektur CNN telah menghasilkan perkembangan luar biasa dalam berbagai tugas seperti klasifikasi gambar, deteksi objek, segmentasi gambar, dan banyak lagi. Artikel ini akan membahas beberapa jenis arsitektur CNN yang telah mendominasi dalam beberapa tahun terakhir.
Pengolahan Citra Digital: Mengubah Dunia Melalui Pemrosesan Visual
Pengolahan citra digital adalah suatu bidang ilmu yang mengacu pada teknik-teknik dan metode-metode untuk memanipulasi dan menganalisis gambar atau citra secara digital. Bidang ini telah membawa perubahan revolusioner dalam berbagai sektor, termasuk komputer, teknologi medis, industri, robotika, pertanian, dan banyak lagi. Dalam artikel ini, kita akan menjelajahi konsep-konsep dasar dalam pengolahan citra digital, serta penerapannya yang luas dalam kehidupan sehari-hari.
Penerapan Convolutional Neural Network untuk Klasifikasi Citra
Convolutional Neural Network (CNN) merupakan salah satu teknik utama dalam bidang pengolahan citra dan kecerdasan buatan. CNN telah membuktikan kemampuannya yang luar biasa dalam memahami dan mengklasifikasikan citra dengan akurasi tinggi. Artikel ini akan membahas tentang penerapan Convolutional Neural Network dalam klasifikasi citra, mengapa teknik ini efektif, serta beberapa contoh aplikasi praktis yang telah mengubah cara kita memproses dan memahami citra.
Segmentasi Semantik Menggunakan Convolutional Neural Network (CNN)
Segmentasi semantik adalah salah satu cabang penting dalam dunia komputer vision, di mana tujuannya adalah untuk memahami struktur dan makna dari gambar dengan cara membaginya menjadi beberapa bagian atau wilayah yang saling terkait. Salah satu teknik yang paling efektif dalam mencapai tujuan ini adalah dengan menggunakan Convolutional Neural Network (CNN), yang merupakan salah satu jenis jaringan saraf tiruan yang telah merevolusi industri komputer vision. Artikel ini akan membahas secara rinci konsep segmentasi semantik menggunakan CNN dan mengapa teknik ini sangat efektif dalam mengatasi tugas ini.
Memahami Deep Learning: Revolusi Teknologi yang Membentuk Masa Depan
Deep Learning merupakan salah satu cabang utama dari pembelajaran mesin (machine learning) yang telah merevolusi dunia teknologi dan mendefinisikan masa depan berbagai bidang, mulai dari kecerdasan buatan (AI) hingga pengenalan wajah dan bahasa alami. Teknik ini menggunakan jaringan saraf tiruan (artificial neural networks) yang mendalam untuk mengenali pola yang kompleks dalam data dan mempelajari representasi yang lebih abstrak dari informasi tersebut. Artikel ini akan membahas konsep dasar Deep Learning, sejarahnya, dan beberapa aplikasi yang luar biasa yang telah mengubah cara kita melihat teknologi.
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.
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
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:
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
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')
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:
Pemrograman Matlab 