Source Code GUI

Source Code GUI

Berikut ini merupakan daftar source code pemrograman Matlab mengenai pengolahan data, pengolahan citra, pengolahan sinyal, pengolahan video, pengenalan pola, dan data mining. Seluruh file source code lengkap beserta data/citra pemrograman matlab yang ada dalam website ini dapat dibeli dalam Paket Lengkap Soft File Source Code Dan Tutorial Pemrograman Matlab

Sebagian besar source code dapat dijalankan pada semua versi matlab, sebagian kecil hanya dapat dijalankan pada Matlab 2015 & 2017.

Informasi pemesanan:
Hubungi kami via WhatsApp +6285712104718, atau klik link di bawah ini

Daftar file source code lengkap beserta data/ citra pemrograman matlab

  1. Active Contour Segmentation
  2. Adaptive Neuro-Fuzzy Inference System (ANFIS)
  3. Akuisisi Citra Digital menggunakan Webcam
  4. Akuisisi Sinyal Suara Menggunakan MATLAB
  5. Algoritma Genetika untuk Travelling Salesman Problem
  6. Algoritma K-means Clustering dan Naive Bayes Classifier untuk Pengenalan Pola Tesktur
  7. Analisis Tekstur Menggunakan Metode GLCM, LBP, dan FLBP
  8. Aplikasi Informasi Citra Digital
  9. Background Subtraction (Foreground Detection)
  10. Background Subtraction dalam ruang warna HSV
  11. Background Subtraction dengan Metode Pengurangan Citra Biner
  12. Background Subtraction dengan Metode Pengurangan Citra Grayscale
  13. Cara Melakukan Cropping Citra pada GUI Matlab (Region of Interest)
  14. Cara Melakukan Cropping Citra secara Otomatis
  15. Cara Menampilkan Citra Kepala MRI (axial, sagittal, dan coronal) menggunakan GUI Matlab
  16. Cara Menampilkan Video pada GUI Matlab
  17. Cara Mengekstrak Frame Video menggunakan Matlab
  18. Cara Menghitung Koefisien Korelasi menggunakan Matlab
  19. Cara Menghitung Luas, Keliling, dan Centroid suatu Citra
  20. Cara Menghitung Nilai MSE, RMSE, dan PSNR pada Citra Digital
  21. Cara Mengukur Jarak antara Dua Objek dalam Citra
  22. Citra dan Histogram menggunakan GUI Matlab
  23. Complement Image (Negative Image)
  24. Contrast Stretching dan Histogram Equalization
  25. Deteksi Iris Mata dengan Daugman’s Integrodifferential Operator
  26. Deteksi Lingkaran Menggunakan Transformasi Hough
  27. Deteksi Tepi Citra Digital Menggunakan Matlab
  28. Deteksi Titik Sudut Citra Untuk Identifikasi Bentuk
  29. Deteksi Wajah (Face Detection) menggunakan Algoritma Viola-Jones
  30. Efek Sepia pada Foto Digital
  31. Ekstraksi Ciri Bentuk dan Ukuran
  32. Ekstraksi Ciri Citra Grayscale
  33. Ekstraksi Ciri Citra RGB
  34. Ekstraksi Ciri Nilai RGB
  35. Ekstraksi Ciri Wajah Menggunakan Algoritma Viola-Jones
  36. Ekualisasi Histogram pada Citra Digital
  37. Geometric Image Transformations (Transformasi Geometri)
  38. Gerak Parabola
  39. Grafik Sinusoidal
  40. Histogram Citra Digital
  41. Histogram Citra
  42. Identifikasi Jenis Buah Tomat Berdasarkan Analisis Bentuk Dan Tekstur
  43. Identifikasi Jenis Bunga Menggunakan Ekstraksi Ciri Orde Satu Dan Algoritma Multisvm
  44. Identifikasi Nilai Uang Logam Menggunakan Metode Otsu Thresholding
  45. Intensity Adjustment menggunakan GUI MATLAB (1st)
  46. Intensity Adjustment menggunakan GUI MATLAB (2nd)
  47. Jaringan Syaraf Tiruan untuk Identifikasi Jenis Bunga
  48. Jaringan Syaraf Tiruan untuk Klasifikasi Citra Daun
  49. Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Penduduk
  50. Jaringan Syaraf Tiruan untuk Pengenalan Pola
  51. Jaringan Syaraf Tiruan untuk Prediksi menggunakan Matlab
  52. K-Means Clustering menggunakan Matlab
  53. K-Nearest Neighbor (K-NN) Menggunakan Matlab
  54. Kalkulator Sederhana
  55. Klasifikasi Jenis Buah Menggunakan Linear Discriminant Analysis
  56. Klasifikasi Jenis Kendaraan Menggunakan Algoritma Extreme Learning Machine
  57. Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN
  58. Kompresi Citra Digital Menggunakan Transformasi Wavelet
  59. Kompresi Citra JPEG
  60. Kompresi Lossless Pada Citra Digital
  61. Konversi Citra Biner menggunakan Metode Otsu
  62. Konversi Intensitas Piksel Citra dalam Hounsfield Unit (HU)
  63. Logika Fuzzy untuk Sistem Pengatur Kecepatan Mesin
  64. Mendeteksi Objek yang Berbentuk Lingkaran
  65. Model Ruang Warna Pengolahan Citra
  66. Morphological Operation (GUI Matlab)
  67. Multi Level Thresholding
  68. Pembuatan Database Mahasiswa menggunakan MATLAB
  69. Pembuatan Database menggunakan Matlab dan Ms. Excel
  70. Pencocokan Citra
  71. Penerapan Algoritma Particle Swarm Optimization (PSO) Pada Kasus Prediksi
  72. Pengenalan Pola Bentuk Menggunakan Chain Code Dan Multi SVM
  73. Pengenalan Pola Bentuk Menggunakan Moment Invariants Dan Jaringan Syaraf Tiruan LVQ
  74. Pengenalan Wajah Menggunakan Algoritma PCA
  75. Pengenalan Warna Objek
  76. Pengolahan Citra Biner
  77. Pengolahan Citra CT Scan Paru-Paru dengan Metode Segmentasi Active Contour
  78. Pengolahan Citra Digital (RGB, Grayscale, dan Biner) menggunakan GUI Matlab (1st)
  79. Pengolahan Citra Digital (RGB, Grayscale, dan Biner) menggunakan GUI Matlab (2nd)
  80. Pengolahan Citra Digital Menggunakan Transformasi Wavelet
  81. Pengolahan Citra Digital untuk Deteksi Tepi Obyek
  82. Pengolahan Citra Digital untuk Mendeteksi Warna dan Bentuk Obyek
  83. Pengolahan Citra Digital
  84. Pengolahan Citra MRI Menggunakan Matlab
  85. Pengolahan Citra untuk Deteksi Warna Kulit (Skin Detection)
  86. Pengolahan Citra untuk Ekstraksi Ciri Objek
  87. Pengolahan Video untuk Mendeteksi Objek Bergerak dengan Metode Background Subtraction
  88. Pengolahan Video untuk Mendeteksi Warna Kulit
  89. Pengolahan Video untuk Mendeteksi Warna
  90. Perbaikan Kualitas Citra (Image Enhancement) menggunakan GUI Matlab
  91. Perbaikan Kualitas Citra dalam Pengolahan Video
  92. Photo Editing using Matlab
  93. Pola Bentuk
  94. Prediksi Harga Saham Menggunakan Algoritma ANFIS
  95. Representasi Citra Digital dan Piksel Penyusunnya
  96. Restorasi Citra Digital Menggunakan Matlab
  97. Rotasi Citra Digital
  98. Segmentasi Citra Bakteri Tuberkulosis Menggunakan K-Means Clustering
  99. Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering
  100. Segmentasi Citra dengan Metode Thresholding
  101. Segmentasi Citra Grayscale dengan Metode K-Means Clustering
  102. Segmentasi Citra Menggunakan Algoritma Klustering
  103. Segmentasi Citra MRI dengan Metode Active Contour
  104. Segmentasi Pola Tekstur menggunakan Filter Gabor
  105. Segmentasi Warna Citra Digital
  106. Segmentasi Warna menggunakan Algoritma Fuzzy C-Means Clustering
  107. Segmentasi Warna
  108. Standard Test Images
  109. Steganografi Citra Digital
  110. Steganografi dengan Metode Substitusi LSB (Least Significant Bit)
  111. Support Vector Machine
  112. Texture Analysis Gray-Level Co-Occurrence Matrix (GLCM) GUI Matlab
  113. Thresholding (1st)
  114. Thresholding (2nd)
  115. Thresholding Citra Digital (GUI Matlab)
  116. Transformasi Fourier Satu Dimensi

Seluruh file source code lengkap beserta data/citra pemrograman matlab yang ada dalam website ini dapat dibeli dalam Paket Lengkap Soft File Source Code Dan Tutorial Pemrograman Matlab

Paket lengkap berisi:
1. Soft file modul tutorial pemrograman matlab berisi lima buah tutorial dengan materi dasar-dasar pemrograman matlab, pembuatan grafik, pembuatan GUI, pengolahan citra, dan pengenalan pola (berbahasa indonesia).

2. Soft file 100+ source code pemrograman matlab mengenai pengolahan data, pengolahan citra, pengolahan sinyal, pengolahan video, dan data mining. Seluruh materi/pembahasan mengenai source code ada pada website ini.

3. Bonus: 12 video tutorial pemrograman matlab dari mathworks (perusahaan yang memproduksi software matlab) berbahasa inggris.

4. Bonus: 13 ebook mengenai pengolahan citra, pengenalan pola, neural networks, machine learning, pengolahan sinyal, dll.

Harga Paket Lengkap Soft File Source Code Dan Tutorial Pemrograman Matlab adalah Rp. 192.000,-

Nomor Rekening:
BNI
0423760585
atas nama Adi Pamungkas

BRI
144701004021508
atas nama Adi Pamungkas

Informasi pemesanan:
Hubungi kami via WhatsApp +6285712104718, atau klik link di bawah ini

Save

Save

Save

  1. achdiyat risavana

    mas adi ini erornya knp yaa? saya nyoba belajar yg knn mas ??? Undefined function or method ‘bwconvhull’ for input arguments of
    type ‘char’.

    Error in ==> algoritma_knn at 10
    our_images = bwconvhull(our_images,’objects’);

  2. Koding tsb bisa dijalankan minimal menggunakan matlab r2014b

  3. itu buku bisa diperoleh dimana mas? hehehe.
    Kalau misal pada JST, pembobotan awal secara random oleh matlab kemudian nilai bobot randomnya itu langsung diproses nguyen widrow bisa gak ya mas? kemudian hasil dari perhitungan nguyen widrow itu yang nantinya yang akan dipakai buat perhitungan backpropagation.
    terimakasih

    • metode nguyen widrow merupakan metode utk menentukan batasan nilai bobot yg diinisialisasi scr acak
      Jadi, dilakukan perhitungan batasan terlebih dahulu, baru bobot diinisialisasi

  4. hehe ga mudeng ik mas.. bedanya sama postingan mas adi yang jaringan syaraf tiruan untuk prediksi sama yang ada nguyen widrownya apa mas??

  5. permisi mas, kalau mau membuat database dan memanggil databasa di gui matlab gimana caranya yah?

    • untuk pembuatan database, matlab dapat diintegrasikan dengan software lain seperti mysql, ms. excel, dan ms. acces
      pembuatan database dalam matlab bisa juga dilakukan menggunakan format penyimpanan yang disediakan matlab yaitu .mat

  6. gan, mau nanya apa ada source code untuk graik surface 3d pada GUI matlab ? trims

  7. untuk pembuatan database dengan format .mat gimana caranya? saya mau membuat database image dengan format .mat mas.

  8. Mas kodingan Conjugate Gradient Backpropagation ada ga? Nuhun

  9. assalamualaikum mas, mau tanya. Kalau saya punya 96 data bulanan, tahun 2008 – 2015. terus mau dibuat data latih sebanyak 72 (th 2008-2013). itu coding yang ini diganti apa ya mas.
    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N62′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    saya coba grafik targetnya tidak sesuai dengan grafik keluaran JST. suwun mas 🙂

  10. Mas. Klo pengenalan ekkspresi wajah dengan facial feature point kemudian di klasifikasikan pake knn apa itu bisa?

  11. pengenalan ekkspresi wajah dengan facial feature point bisa diklasifikasikan menggunakan algoritma knn

  12. assalamualaikum mas, maaf mau tanya lagi. Untuk prediksi beberapa periode mendatang dengan JST backprop, ada contohnya?

  13. mas mau tanya, kalau misal saya punya data time series periode bulanan ( bulan januari 2008 – desember 2015 (96 data)). terus dibuat kya upload,nya mas yang “jaringan syaraf tiruan untuk prediksi menggunakan Matlab”.
    kan itu pola 1 (bulan januari 2008-desember 2008, target januari 2009), pola 2 (bulan februari 2008-januari 2009, targetnya bulan maret 2009) dan pola seterusnya sampai tahun 2013 (jadi ada 72 pola)
    Itu untuk mengganti source code yang ini :

    filename = ‘Book1.xlsx’;
    sheet = 2;
    xlRange = ‘D6:P17′;

    Data = xlsread(filename, sheet, xlRange);
    data_latih = Data(:,1:12)’;
    target_latih = Data(:,13)’;
    [m,n] = size(data_latih);

    source codenya diganti apa mas, soalnya kalo saya ganti seperti ini :

    %proses membaca data latih dari excel
    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N74′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    Itu setelah di run, pada grafik targetnya yang warna merah itu mengumpul pada range pola 0 sampai sekian, tidak mengikuti grafik keluaran JST yang warna biru mas.
    untuk mengatasinya bagaimana ya mas?? makasih 🙂

    • keluaran dari jst diharapkan mendekati dari pola target yang diberikan (bukan sebaliknya)
      kesalahan tsb terjadi kemungkinan karena target/keluaran jst masih dalam range normalisasi dan belum dikembalikan ke dalam range semula

  14. Mas adi, ada source code video processing tetapi dengan background dinamis? Beserta gui dan saya menggunakan kamera dari drone. Ditunggu mas

  15. maaf mas belum paham. itu saya mengikuti alur yang ada di postingan mas adi, hanya saja pada postingan mas adi datanya sebanyak 3 tahun (36 data), kalo saya 8 tahun (2008-2015) (96 data), terus sudah dibuat seperti di postingan mas adi yang “sheet1”, kemudian untuk data latihnya saya gunakan data tahun 2008-2013 yang telah dinormalisasikan, kemudian saya bentuk seperti di postingan mas adi yang “sheet2”, kalo di mas adi kan ada 12 pola, x1-x12 dan target kolom ke 13. kalo saya ada 72 pola, x1-x12 dan target kolom ke 13.
    untuk itu perkiraan saya, fungsinya jadi seperti ini :

    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N74′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    akan tetapi setelah di run, garis merah (target) mengumpul di pola 0 – 10, sedangkan punya mas adi kan bagus, garis merahnya bisa serupa sama garis biru pada grafik keluaran JST. barangkali ada yang salah untuk fungsi yang saya buat?

  16. oyamas sudah bisa , terimakasih 🙂

  17. mas, source code untuk meramalkan tahun 2008-2017 dengan JST, untuk data postingan mas adi “jaringan syaraf tiruan untuk prediksi dgn matab” ada?

  18. selamat sore mas adi, mau tanya perbedaan variasi jaringan : traingd,traingda,traingdm,traingdx,trainlm apa ya mas? terimakasih 🙂 (dilihat dari MSE, yang paling bagus trainlm)

    • trainlm merupakan fungsi pelatihan dengan algoritma Levenberg-Marquardt backpropagation
      fungsi tersebut merupakan algoritma yang paling cepat dalam memperbarui bobot dan bias dibandingkan dg algoritma yg lain tetapi membutuhkan memory yang paling besar

  19. oh begitu. kalau misalkan saya menuliskan kode seperti ini boleh ga mas ? % Pembuatan JST
    net = newff(minmax(P),[a4 1],{‘tansig’ ‘logsig’ ‘purelin’},’trainlm’);

    % Memberikan nilai untuk mempengaruhi proses pelatihan
    net=initnw(net,1);
    net.performFcn = ‘mse’;
    net.trainParam.epochs = a1;
    net.trainParam.lr = a2;
    net.trainParam.goal = a3;
    net.trainParam.mc = a5;
    net.trainParam.show = 50;

    dijalankan bisa si, ya bagus juga hasilnya, itu pake inisialisasi nguyen widrow, benar tidak mas kira2?

  20. alasannya kenapa mas?

  21. oke mas, makasih

    • Wulan Oktaviana

      Tp kl sy coba ga pke fungsi purelin, programnya not goal met trus ya mas.

    • Iya umumnya fungsi aktivasi yang digunakan pada layer keluaran adalah linear atau purelin

    • Wulan Oktaviana

      Makasih mas untuk respon sebelumnya. Kl code programnya yg bagian inisialisasi Nguyen Widrow dibawah sudah benar atau belum ya mas? kl belum perlu diperbaikin nya gmna?

      clc;
      clear;
      data_5;
      P = P’;
      T
      %input dan target
      %diibentuk net dengan 2 lapisan
      net = newff(minmax(P), [7 1], {‘tansig’ ‘purelin’}, ‘trainlm’);

      %inisialisasi Nguyen Widrow
      net = initnw(net,1);
      net.initFcn = ‘initlay’;
      net.layers{1}.initFcn = ‘initnw’;

      %bobot-bobot awal
      BobotAwalInput = net.IW{1,1};
      BobotAwalBiasInput = net.b{1,1};
      BobotAwalLapisan = net.LW{2,1};
      BobotAwalBiasLapisan = net.b{2,1};

      %set fungsi pelatihan jaringan
      net.trainParam.epochs = 1000;
      net.trainParam.goal = 1e-3;
      net.trainParam.lr = Learning_rate;
      net.trainParam.mc = 0.3;
      net.trainParam.min_grad = 1e-10;
      net.trainParam.show = 500;
      %fungsi pelatihan
      net = train(net, P, T);

  22. admin update lagi dong sekarang tentang program-program deep learning

  23. mas ada codingan pendeteksi objek dengan ip camera di matlab ga ya

  24. mas mau tanya , saya punya hasil pelatihan jaringan 12-23-1, learning rate 0,01, momentum 0,9, menghasilkan iterasi 7, MSE 0,0002309, residual 0,9687, terus pada hasil pengujiannya menghasilkan MSE 0,0754 dan residual 0,13949. Mau tanya itu kenapa hasilnya ga bagus ya mas pada hasil pengujiannya. sedangkan di refrensi itu hasilnya antara pelatihan dan pengujian tidak jauh berbeda? mohon penjelasannya, terimakasih

  25. mas, ada contoh JST propagasi balik buat peramalan periode kedepan ga mas , buat periode 2017 misalnya? makasih

  26. Dari hasil pelatihan berbagai macam arsitektur jaringan dari 12-5-1 s.d 12-30-1, arsitektur terbaik 12-23-1, dan dari momentum terbaik 0,1-0,9 terbaik 0,9 , variasi alfa 0,01 – 0,05 alfa terbaik 0,01, sehingga yang terbaik menurut saya 12-23-1 alfa 0,01 momentum 0,9 galat 0,001. menghasilkan MSE 0,0002 dan residual 0,96.
    Tapi pada saat ke button pengujian, residualnya 0,13949 dan MSE 0,0754. tetapi kalo dicoba lagi, dengan parameter yang sama, terus klik button pelatihan, menghasilkan MSE yang berbeda dari MSE yang pertama dan button pengujiannya menghasilkan MSE yang berbeda juga. bagaimana mas itu? kenapa bisa berbeda2 hasilnya padahal parameternya sama? terimakasih

  27. mas, saya mau tanya . saya punya data 2008-2015. kemudian saya bagi data menjadi 2 , 2008-2013 untuk learning dan 2014-2015 untuk testing, itu betul ga ya?
    terus kenapa hasil learning itu bisa berbeda2 walaupun parameternya sama? tolong penjelasannya. terimakasih

    • bobot awal harus diinisialisasi terlebih dahulu agar hasil pelatihan tidak berbeda2
      utk pembagian jumlah data latih dan data uji bisa menggunakan persentase 50-50, 60-40, 70-30, 80-20, 90-10
      jumlah data latih umumnya lebih banyak dibandingkan dg data uji

  28. Tommy Roy Sirait

    mas ada koding matlab yang menggunakan jaringan saraf tiruan Extreme leaning Machine ?

  29. kalo misal data latihnya tahun 2008-2014 terus data ujinya tahun 2009 – 2015 itu benar tidak mas? #hasil residualnya bagus si
    trs kira-kira kalau saya mau meramalkan data untuk tahun 2017 itu gimana mas caranya?

  30. Sesuai dengan penjelasan pada laman di atas, beberapa code tsb hanya dapat dijalankan minimal menggunakan matlab r2015b

  31. assalamualaikum mas, mau tanya, kalau misal di training dan testing pakai {‘tansig’ ‘logsig’},’trainlm’); , di prediksinya pakai {‘tansig’ ‘purelin’},’traingdx’); boleh tidak ya? terimakasih

  32. assalamualaikum,, mas punya coding untuk kompresi citra dengan metode Burrows-Wheeler Transform (BWT) ga? kalo ada tolong posting mas. terimaksih

  33. bang, ada ngga koding untuk mengubah atau mengedit salah satu data yang kita input ke database yang sudah terintegrasi ke exel?
    kalo misalnya kita daftar salah satu mahasiswa, tapi kita salah memasukkan datanya, trus saya tambahkan misalnya salah satu pushbutton edit, bisa ngga kira2 difungsikan button editnya bang?

  34. assalammualaikum maz, punya data untuk perhitungan k-means clustering yang .mat??

  35. assalamualaikum wr.wb mas
    saya mw bertanya tenteng coding dbawah ini yg saya inputkan dprogram saya.
    source code codingx seperti dbawa ini:

    function [ output_args ] = ED( input_args )

    clc
    clear all
    close all
    load Eigenface_data.mat
    jum_data_test = 24;
    baris = 96;
    kolom = 100;
    im_gray_buff = [];
    for i=1:jum_data_test
    link_im = [‘Datauji\’,num2str(i),’.jpg’];
    gbr = imread(link_im);
    red=gbr(:,:,1);
    green=gbr(:,:,2);
    blue=gbr(:,:,3);
    gray=0.5*red+0.3*green+0.2*blue;
    Y=0.59*red+0.31*green+0.1*blue;
    Cr=0.713*(red-Y);
    Cb=0.564*(blue-Y);
    uk=size(Y);
    temp=zeros(uk(1),uk(2));
    for j=1:uk(1)
    for k=1:uk(2)
    if (Y(j,k)>16)&&(Y(j,k)>(1*Cr(j,k)))&&(Cr(j,k)>10)

    temp(j,k)=1;
    end
    end
    end
    im_temp=gbr;
    %if numel(ukuran_gbr)>2
    %im_gbr = imread(link_im);
    %im_gray_buff = im_rgb(:,:,2);
    %display(‘kentang’);
    %else
    %im_rgb = imread(link_im);
    %im_test = gbr(:,:,2);
    im_gray = imresize(im_temp, [baris kolom]);
    im_vector_test = double(reshape(im_gray,[],1));

    A_test = im_vector_test – m;
    im_proyeksi_test = Eigenface’ * A_test;

    for j=1:jum_data
    Euc_distance(:,j) = norm( im_proyeksi_test – im_proyeksi_latih(:,j) );
    end
    [Euc_dist_min , Recognized_index] = min(Euc_distance);
    switch Recognized_index
    case {1}
    label = [‘edi depan’];
    case {2}
    label = [‘edi kanan’];
    case {3}
    label = [‘edi kiri’];
    case {4}
    label = [‘sevi depan’];
    case {5}
    label = [‘sevi kanan’];
    case {6}
    label = [‘sevi kiri’];
    case {7}
    label = [‘salman depan’];
    case {8}
    label = [‘salman kanan’];
    case {9}
    label = [‘salman kiri’];
    case {10}
    label = [‘zen depan’];
    case {11}
    label = [‘zen kanan’];
    case {12}
    label = [‘zen kiri’];
    case {13}
    label = [‘yodi depan’];
    case {14}
    label = [‘yodi kanan’];
    case {15}
    label = [‘yodi kiri’];
    case {16}
    label = [‘gores depan’];
    case {17}
    label = [‘gores kanan’];
    case {18}
    label = [‘gores kiri’];
    case {19}
    label = [‘doni depan’];
    case {20}
    label = [‘doni kanan’];
    case {21}
    label = [‘doni kiri’];
    case {22}
    label = [‘faqih depan’];
    case {23}
    label = [‘faqih kanan’];
    case {24}
    label = [‘faqih kiri’];
    % case {11,12,13,14,15,16,17,18,19,20}
    % label = [‘bona’];
    otherwise
    %label = [num2str(Recognized_index)];
    label = [‘tidak dikenal’];
    end
    % xlabel(label);
    display (label);
    end
    end

    masalah yg saya alami skrng jumlah data yg saya inputkan tdk sama dengan data hasil outputx, hasil keluarannya malah berkurang dengan jumlah data yang di inputkan sebelumnya,
    bagaimana mas, mohon pencerahanya??

  36. Kukuh Priambodo

    permisi mas, kira2 mas adi punya file image processing ?

  37. gan detesi objek di video make metode lvq ada gak gan?

  38. plakplokk@gmail.com

    ka’ mau nanya bisa gak deteksi warna kulit wajah real time pake matlab ??
    kalau bisa,,ada tutorialnya gk ka..??

  39. Tommy Roy Sirait

    request koding gui untuk penggunaan extreme learning machine

  40. assalamualaikum mas adi, mau tanya. pada contoh yang dibrikan mas adi mengenai jaringan syaraf tiruan untuk prediksi menggunakan matlab, kan datanya dari tahun 2005 – 2007, kemudian dibagi menjadi 2 untuk data latih dan data uji. disitu dalam aturan pembagian data latih dan data uji dikombinasikan ya mas (tahun 2005-2006 untuk data latih) dan (2006-2007 untuk data uji), itu alasannya apa mas knp data latih mengandung data yang dijadikan data uji? terimakasih.

    • Waalaikumsalam mas imaduddin
      Dalam sistem prediksi time series tsb data uji yang mengandung data latih, bukan sebaliknya
      Data latih digunakan dalam data uji sebagai nilai masukan saja, bukan sebagai target
      Hal tsb dilakukan karena dalam sistem prediksi time series, data tidak dapat betul2 dipisahkan (rentetan data yg saling berkaitan)

  41. berarti kalau saya punya data dari bulan januari 2008-2015, kemudian saya buat data latih dari 2008-2014 dan data uji 2009-2015 salah ya mas? yang betul itu bagaimana mas dalam pembagian data latih dan data uji, kalau datanya bulanan dari januari 2008-desember 2015?

  42. saya coba2, dari data latih 2008-2013 dan data uji 2014-2015, kemudian data latih 2008 – 2011 dan data uji 2012 – 2015, dst. itu hasil pada proses trainingnya tidak bagus ik mas, residualnya kecil kurang dari 0,5 semua.
    Tapi kalo saya bikin data latih januari 2008 – 2013 dg data target pola seperti contoh yang ada di postingan mas adi. kemudian data uji januari 2009-2014, itu hasil trainingnya bagus ik mas, residualnya lebih dari 0,5 semua.
    gimana mas?

  43. berarti saya ganti saja mas, untuk data latihnya bulan januari 2008-Desember 2013 dengan target januari 2009-desember 2014, kemudain data ujinya januari-desember 2014 dengan target januari-desember 2015 ya mas?
    nanti kalau hasil residualnya ga bagus ( < 0,5) ga masalah ya mas berarti?

  44. kalau saya hanya diberikan data sebanyak 96 data (tahun 2008-2015) bagaimana mas. ini kan sebentar lagi mau sidang mas, kira2 pemecahan masalahnya bagaimana ya mas? terimakasih

  45. saya mencoba2 dari komposisi data latih dan data uji 50:50, 70:30,80:20,2/3:1/3,tp hasilnya untuk pengujiannya masih kurang mas regressionnya, selalu < 0,5 . kemudian saya coba membagi 50:50 tapi ada data pelatihan masuk ke dalam data pengujian dan sebaliknya (2008-2014 data pelatihan , 2009-2015 data pengujian) kemudian di run bisa dan hasil pelatihan dan pengujiannya bagus mas?

  46. hmm begitu ya mas, ada refrensi gitu mas mengenai aturan pembuatan data latih dan data uji?

  47. mas, itu program kalo di run pada pelatihan dan pengujiannya, hasilnya beda2 ya mas, misal pada run pertama MSE pelatihan 0,0007, run kedua MSE pelatihan 0,0009. itu kenapa ya mas? terimakasih

  48. mas, apakah matlab dapat mengcompile file menjadi apk?terima kasih

  49. pak, ada gak coding untuk metode multilayer perceptron dan gray level run length matrix

    terima kasih pak

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: