Category Archives: Pengenalan Matlab
Pengenalan software MATLAB
Dukung Kami🙏
Dengan cara subscribe channel Youtube Pemrograman Matlab agar selalu aktif dan rutin membagikan video tutorial Pemrograman Matlab secara gratis, Terima Kasih 🙏🙏🙏
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
Ekstraksi Ciri Citra Grayscale
Ekstraksi ciri merupakan tahapan yang sangat penting dalam pengenalan pola. Tahapan ini bertujuan untuk memperoleh informasi yang terkandung dalam suatu citra untuk kemudian dijadikan sebagai acuan untuk membedakan antara citra yang satu dengan citra yang lain.
Ekstraksi ciri dapat dilakukan setelah tahapan segmentasi citra (memisahkan antara objek dengan background) maupun tanpa segmentasi citra (objek adalah background dan background adalah objek).
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan ekstraksi ciri citra grayscale baik yang didahului dengan tahapan segmentasi maupun tidak.
Langkah-langkah pemrogramannya yaitu:
A. Ekstraksi ciri didahului dengan segmentasi
1. Membaca dan menampilkan citra RGB asli
clc; clear; close all; warning off all;
I = imread('candy.png');
figure, imshow(I);
Pembuatan Database Mahasiswa menggunakan MATLAB
Berikut ini merupakan contoh pemrograman GUI Matlab R2015b untuk pembuatan database mahasiswa. Sistem yang dirancang meliputi Form Registrasi Mahasiswa, Form Status Mahasiswa, dan Form Database Mahasiswa. Data mahasiswa disimpan dalam bentuk tabel dengan ekstensi .mat.
Langkah-langkah registrasi dan visualisasi database mahasiswa adalah sebagai berikut:
1. Membuka tampilan menu awal
Pada menu ini terdapat beberapa tombol untuk menuju ke sub menu lain di antaranya adalah Form Registrasi, Form Status, Form Database, dan Sub menu keluar
Pembuatan Database menggunakan Matlab dan Ms. Excel
Dalam pembuatan basis data (database), Matlab dapat diintegrasikan dengan beberapa software lain contohnya adalah Microsoft Office Excel 2007. Berikut ini merupakan contoh aplikasi pemrograman matlab untuk membuat database mahasiswa menggunakan GUI Matlab R2015b.
Sistem basis data yang dirancang terdiri dari 4 buah tampilan GUI yaitu:
1. Tampilan menu Utama (Home)
Pada menu ini disajikan 4 buah tombol untuk masuk ke dalam tampilan submenu yang lain. Submenu yang lain antara lain yaitu Menu Registrasi Mahasiswa, Menu Status Mahasiswa, Menu Database Mahasiswa, dan Menu Keluar.
Ekstraksi Ciri Citra RGB
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan proses ekstraksi ciri dari citra rgb. Ciri yang diekstrak adalah berupa ciri statistik dan ciri bentuk. Pada contoh ini digunakan citra fish.jpg di mana foreground adalah berupa ikan sedangkan background adalah berupa air.
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca dan menampilkan citra asli
clc;clear;close all;
Img = imread('fish.jpg');
figure, imshow(Img), title('original image');
sehingga diperoleh tampilan:
Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan segmentasi citra dengan menggunakan dua buah metode yang berbeda. Metode yang pertama yaitu multi thresholding, sedangkan metode yang kedua adalah k-means clustering. Segmentasi dilakukan terhadap citra rose.jpg yang ditunjukkan pada gambar di bawah ini.
rose.jpg
Jaringan Syaraf Tiruan untuk Klasifikasi Citra Daun
Salah satu penerapan dari algoritma jaringan syaraf tiruan adalah untuk proses klasifikasi citra. Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan klasifikasi terhadap citra daun. Citra daun dikelompokkan ke dalam 4 kelas spesies yaitu Bougainvillea sp, Geranium sp, Magnolia soulangeana, dan Pinus sp. Pada contoh ini digunakan 40 citra daun yang terdiri dari 10 citra pada masing-masing kelas. Contoh dari citra daun yang digunakan ditunjukkan pada gambar di bawah ini:
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Mempersiapkan citra latih dan citra uji. Pada contoh ini 40 citra daun dibagi menjadi dua bagian yaitu 24 citra untuk citra latih dan 16 citra untuk citra uji.
Pengolahan Citra Biner
Penghitungan terhadap atribut-atribut yang melekat pada suatu objek dalam citra digital secara sederhana dapat dilakukan dengan cara mengkonversi citra asli (RGB ataupun grayscale) menjadi citra biner terlebih dahulu. Setelah diperoleh citra biner, maka selanjutnya atribut-atribut (misalnya luas dan keliling) dapat dihitung. Namun terkadang citra biner tersebut perlu diolah lebih lanjut agar citra biner benar-benar tepat merepresentasikan objek yang dimaksud.
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan proses segmentasi dan analisis citra. Langkah-langkah nya yaitu:
1. Membaca dan menampilkan citra asli. Pada contoh ini citra yang digunakan adalah citra ‘airplane.jpg’ di mana objek yang dikehendaki adalah berupa pesawat, sedangkan background adalah berupa langit.
clc; clear; close all; warning off all;
Img = imread('airplane.jpg');
figure, imshow(Img);
sehingga diperoleh tampilan
Pengolahan Citra untuk Deteksi Warna Kulit (Skin Detection)
Deteksi warna kulit (skin color detection) merupakan salah satu proses segmentasi yang memisahkan region objek dalam citra berdasarkan pada perbedaan warna. Objek yang memiliki warna tertentu dipisahkan dengan objek yang memiliki warna lainnya. Hasil segmentasi dapat digunakan untuk proses selanjutnya seperti ekstraksi ciri atau klasifikasi citra. Pada contoh ini, warna kulit didefiniskan dalam ruang warna YCbCr dengan nilai Cb antara 77 s.d 127 dan nilai Cr antara 133 s.d 173.
Deteksi warna kulit merupakan salah satu tahapan awal dalam computer vision untuk mendeteksi hal-hal yang berkaitan dengan manusia (people detection). Deteksi warna kulit dapat dijadikan sebagai metode segmentasi untuk pengenalan wajah (face recognition) maupun pengenalan organ tubuh lainnya. Sistem tersebut dapat dikembangkan lebih lanjut untuk sistem biometrik.
Langkah-langkah proses segmentasi warna kulit adalah sebagai berikut:
1. Melakukan penyeimbangan warna RGB (Color Balanced 24-bit RGB Image)
2. Melakukan transformasi ruang warna RGB menjadi YCbCr
3. Melakukan segmentasi warna kulit berdasarkan nilai Cb antara 77 s.d 127 dan nilai Cr antara 133 s.d 173
4. Menampilkan hasil segmentasi
Hasil segmentasi ditunjukkan pada gambar berikut:
| No | Citra Asli | Hasil Deteksi Warna Kulit |
| 1 |  |
 |
| 2 |  |
 |
| 3 |  |
 |
| 4 |  |
 |
Pemrograman Matlab 