| Nomor | Source Code | Artikel / Materi |
| 1 | Active Contour Segmentation | Artikel 1 Artikel 2 |
| 2 | Adaptive Neuro-Fuzzy Inference System (ANFIS) | Artikel 1 Artikel 2 |
| 3 | Akuisisi Citra Digital menggunakan Webcam | Artikel 1 Artikel 2 |
| 4 | Akuisisi Sinyal Suara Menggunakan MATLAB | Artikel 1 Artikel 2 |
| 5 | Algoritma Genetika untuk Travelling Salesman Problem | Artikel 1 Artikel 2 |
| 6 | Algoritma K-means Clustering dan Naive Bayes Classifier untuk Pengenalan Pola Tesktur | Artikel 1 Artikel 2 |
| 7 | Algoritma Simple Additive Weighting (SAW) dalam Penilaian Kinerja Karyawan | Artikel 1 |
| 8 | Analisis Tekstur Menggunakan Metode GLCM, LBP, dan FLBP | Artikel 1 Artikel 2 |
| 9 | Aplikasi Informasi Citra Digital | Artikel 1 |
| 10 | Background Subtraction (Foreground Detection) | Artikel 1 Artikel 2 |
| 11 | Background Subtraction dalam ruang warna HSV | Artikel 1 Artikel 2 |
| 12 | Background Subtraction dengan Metode Pengurangan Citra Biner | Artikel 1 |
| 13 | Background Subtraction dengan Metode Pengurangan Citra Grayscale | Artikel 1 |
| 14 | Cara Melakukan Cropping Citra pada GUI Matlab (Region of Interest) | Artikel 1 |
| 15 | Cara Melakukan Cropping Citra secara Otomatis | Artikel 1 |
| 16 | Cara Menampilkan Citra Kepala MRI (axial, sagittal, dan coronal) menggunakan GUI Matlab | Artikel 1 |
| 17 | Cara Menampilkan Video pada GUI Matlab | Artikel 1 |
| 18 | Cara Mengekstrak Frame Video menggunakan Matlab | Artikel 1 |
| 19 | Cara Menghitung Koefisien Korelasi menggunakan Matlab | Artikel 1 |
| 20 | Cara Menghitung Luas, Keliling, dan Centroid suatu Citra | Artikel 1 |
| 21 | Cara Menghitung Nilai MSE, RMSE, dan PSNR pada Citra Digital | Artikel 1 |
| 22 | Cara Mengukur Jarak antara Dua Objek dalam Citra | Artikel 1 |
| 23 | Citra dan Histogram menggunakan GUI Matlab | Artikel 1 Artikel 2 |
| 24 | Complement Image (Negative Image) | Artikel 1 Artikel 2 |
| 25 | Contrast Stretching dan Histogram Equalization | Artikel 1 Artikel 2 |
| 26 | Deteksi Iris Mata dengan Daugman’s Integrodifferential Operator | Artikel 1 Artikel 2 |
| 27 | Deteksi Kematangan Buah Sawit Menggunakan Self-Organizing Maps (SOM) | Artikel 1 Artikel 2 |
| 28 | Deteksi Lingkaran Menggunakan Transformasi Hough | Artikel 1 Artikel 2 |
| 29 | Deteksi Tepi Citra Digital Menggunakan Matlab | Artikel 1 Artikel 2 |
| 30 | Deteksi Tepi Citra Menggunakan Algoritma Ant Colony Optimization (ACO) | Artikel 1 |
| 31 | Deteksi Titik Sudut Citra Untuk Identifikasi Bentuk | Artikel 1 |
| 32 | Deteksi Wajah (Face Detection) menggunakan Algoritma Viola-Jones | Artikel 1 Artikel 2 |
| 33 | Efek Sepia pada Foto Digital | Artikel 1 Artikel 2 |
| 34 | Ekstraksi Ciri Bentuk dan Ukuran | Artikel 1 |
| 35 | Ekstraksi Ciri Citra Grayscale | Artikel 1 |
| 36 | Ekstraksi Ciri Citra RGB | Artikel 1 |
| 37 | Ekstraksi Ciri Nilai RGB | Artikel 1 |
| 38 | Ekstraksi Ciri Wajah Menggunakan Algoritma Viola-Jones | Artikel 1 Artikel 2 |
| 39 | Ekualisasi Histogram pada Citra Digital | Artikel 1 Artikel 2 |
| 40 | Geometric Image Transformations (Transformasi Geometri) | Artikel 1 Artikel 2 |
| 41 | Gerak Parabola | Artikel 1 |
| 42 | Grafik Sinusoidal | Artikel 1 |
| 43 | Histogram Citra Digital | Artikel 1 |
| 44 | Histogram Citra | Artikel 1 Artikel 2 Artikel 3 |
| 45 | Identifikasi Jenis Buah Tomat Berdasarkan Analisis Bentuk Dan Tekstur | Artikel 1 |
| 46 | Identifikasi Jenis Bunga Menggunakan Ekstraksi Ciri Orde Satu Dan Algoritma Multisvm | Artikel 1 |
| 47 | Identifikasi Nilai Uang Logam Menggunakan Metode Otsu Thresholding | Artikel 1 |
| 48 | Intensity Adjustment menggunakan GUI MATLAB (1st) | Artikel 1 |
| 49 | Intensity Adjustment menggunakan GUI MATLAB (2nd) | Artikel 1 |
| 50 | Jaringan Syaraf Tiruan untuk Identifikasi Jenis Bunga | Artikel 1 |
| 51 | Jaringan Syaraf Tiruan untuk Klasifikasi Citra Daun | Artikel 1 |
| 52 | Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Penduduk | Artikel 1 Artikel 2 |
| 53 | Jaringan Syaraf Tiruan untuk Pengenalan Pola | Artikel 1 |
| 54 | Jaringan Syaraf Tiruan untuk Prediksi menggunakan Matlab | Artikel 1 |
| 55 | K-Means Clustering menggunakan Matlab | Artikel 1 |
| 56 | K-Nearest Neighbor (K-NN) Menggunakan Matlab | Artikel 1 |
| 57 | Kalkulator Sederhana | Artikel 1 |
| 58 | Klasifikasi Jenis Buah Menggunakan Linear Discriminant Analysis | Artikel 1 Artikel 2 |
| 59 | Klasifikasi Jenis Kendaraan Menggunakan Algoritma Extreme Learning Machine | Artikel 1 |
| 60 | Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN | Artikel 1 |
| 61 | Kompresi Citra Digital Menggunakan Transformasi Wavelet | Artikel 1 Artikel 2 |
| 62 | Kompresi Citra JPEG | Artikel 1 |
| 63 | Kompresi Lossless Pada Citra Digital | Artikel 1 Artikel 2 |
| 64 | Konversi Citra Biner menggunakan Metode Otsu | Artikel 1 |
| 65 | Konversi Intensitas Piksel Citra dalam Hounsfield Unit (HU) | Artikel 1 |
| 66 | Konversi Satuan Suhu Menggunakan App Designer MATLAB | Artikel 1 |
| 67 | Logika Fuzzy untuk Sistem Pengatur Kecepatan Mesin | Artikel 1 Artikel 2 |
| 68 | Mendeteksi Objek yang Berbentuk Lingkaran | Artikel 1 |
| 69 | Model Ruang Warna Pengolahan Citra | Artikel 1 |
| 70 | Morphological Operation (GUI Matlab) | Artikel 1 |
| 71 | Multi Level Thresholding | Artikel 1 |
| 72 | Pembuatan Database Mahasiswa menggunakan MATLAB | Artikel 1 |
| 73 | Pembuatan Database menggunakan Matlab dan Ms. Excel | Artikel 1 |
| 74 | Pencocokan Citra | Artikel 1 |
| 75 | Penerapan Algoritma Particle Swarm Optimization (PSO) Pada Kasus Prediksi | Artikel 1 |
| 76 | Pengenalan Pola Bentuk Menggunakan Chain Code Dan Multi SVM | Artikel 1 |
| 77 | Pengenalan Pola Bentuk Menggunakan Moment Invariants Dan Jaringan Syaraf Tiruan LVQ | Artikel 1 |
| 78 | Pengenalan Wajah Menggunakan Algoritma PCA | Artikel 1 Artikel 2 Artikel 3 |
| 79 | Pengenalan Warna Objek | Artikel 1 |
| 80 | Pengolahan Citra Biner | Artikel 1 |
| 81 | Pengolahan Citra CT Scan Paru-Paru dengan Metode Segmentasi Active Contour | Artikel 1 |
| 82 | Pengolahan Citra Digital (RGB, Grayscale, dan Biner) menggunakan GUI Matlab (1st) | Artikel 1 |
| 83 | Pengolahan Citra Digital (RGB, Grayscale, dan Biner) menggunakan GUI Matlab (2nd) | Artikel 1 |
| 84 | Pengolahan Citra Digital Menggunakan Transformasi Wavelet | Artikel 1 |
| 85 | Pengolahan Citra Digital untuk Deteksi Tepi Obyek | Artikel 1 |
| 86 | Pengolahan Citra Digital untuk Mendeteksi Warna dan Bentuk Obyek | Artikel 1 |
| 87 | Pengolahan Citra Digital | Artikel 1 |
| 88 | Pengolahan Citra MRI Menggunakan Matlab | Artikel 1 |
| 89 | Pengolahan Citra untuk Deteksi Warna Kulit (Skin Detection) | Artikel 1 |
| 90 | Pengolahan Citra untuk Ekstraksi Ciri Objek | Artikel 1 |
| 91 | Pengolahan Video untuk Mendeteksi Objek Bergerak dengan Metode Background Subtraction | Artikel 1 |
| 92 | Pengolahan Video untuk Mendeteksi Warna Kulit | Artikel 1 |
| 93 | Pengolahan Video untuk Mendeteksi Warna | Artikel 1 |
| 94 | Perbaikan Kualitas Citra (Image Enhancement) menggunakan GUI Matlab | Artikel 1 |
| 95 | Perbaikan Kualitas Citra dalam Pengolahan Video | Artikel 1 |
| 96 | Photo Editing using Matlab | Artikel 1 |
| 97 | Pola Bentuk | Artikel 1 |
| 98 | Prediksi Harga Saham Menggunakan Algoritma ANFIS | Artikel 1 |
| 99 | Representasi Citra Digital dan Piksel Penyusunnya | Artikel 1 |
| 100 | Restorasi Citra Digital Menggunakan Matlab | Artikel 1 |
| 101 | Rotasi Citra Digital | Artikel 1 |
| 102 | Segmentasi Citra Bakteri Tuberkulosis Menggunakan K-Means Clustering | Artikel 1 |
| 103 | Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering | Artikel 1 |
| 104 | Segmentasi Citra dengan Metode Thresholding | Artikel 1 |
| 105 | Segmentasi Citra Grayscale dengan Metode K-Means Clustering | Artikel 1 |
| 106 | Segmentasi Citra Menggunakan Algoritma Klasifikasi | Artikel 1 |
| 107 | Segmentasi Citra MRI dengan Metode Active Contour | Artikel 1 |
| 108 | Segmentasi Pola Tekstur menggunakan Filter Gabor | Artikel 1 |
| 109 | Segmentasi Warna Citra Digital | Artikel 1 |
| 110 | Segmentasi Warna menggunakan Algoritma Fuzzy C-Means Clustering | Artikel 1 |
| 111 | Segmentasi Warna | Artikel 1 |
| 112 | Standard Test Images | Artikel 1 |
| 113 | Steganografi Citra Digital | Artikel 1 Artikel 2 |
| 114 | Steganografi dengan Metode Substitusi LSB (Least Significant Bit) | Artikel 1 Artikel 2 |
| 115 | Support Vector Machine | Artikel 1 |
| 116 | Texture Analysis Gray-Level Co-Occurrence Matrix (GLCM) GUI Matlab | Artikel 1 Artikel 2 |
| 117 | Thresholding (1st) | Artikel 1 Artikel 2 |
| 118 | Thresholding (2nd) | Artikel 1 |
| 119 | Thresholding Citra Digital (GUI Matlab) | Artikel 1 |
| 120 | Transformasi Fourier Satu Dimensi | Artikel 1 |
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’);
Koding tsb bisa dijalankan minimal menggunakan matlab r2014b
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
hehe ga mudeng ik mas.. bedanya sama postingan mas adi yang jaringan syaraf tiruan untuk prediksi sama yang ada nguyen widrownya apa mas??
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
gan, mau nanya apa ada source code untuk graik surface 3d pada GUI matlab ? trims
untuk pembuatan database dengan format .mat gimana caranya? saya mau membuat database image dengan format .mat mas.
contoh:
A = [1 2 ;3 4];
save A.mat A
Mas kodingan Conjugate Gradient Backpropagation ada ga? Nuhun
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 🙂
Mas. Klo pengenalan ekkspresi wajah dengan facial feature point kemudian di klasifikasikan pake knn apa itu bisa?
pengenalan ekkspresi wajah dengan facial feature point bisa diklasifikasikan menggunakan algoritma knn
assalamualaikum mas, maaf mau tanya lagi. Untuk prediksi beberapa periode mendatang dengan JST backprop, ada contohnya?
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
Mas adi, ada source code video processing tetapi dengan background dinamis? Beserta gui dan saya menggunakan kamera dari drone. Ditunggu mas
proses segmentasi video dengan background yang tidak statis bisa dilakukan dg metode thresholding dan morfologi atau bisa juga dengan segmentasi warna
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?
oyamas sudah bisa , terimakasih 🙂
mas, source code untuk meramalkan tahun 2008-2017 dengan JST, untuk data postingan mas adi “jaringan syaraf tiruan untuk prediksi dgn matab” ada?
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
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?
inisialisasi bobot dan bias menggunakan algoritma Nguyen Widrow tidak diperbolehkan menggunakan fungsi aktivasi ‘purelin’
alasannya kenapa mas?
bisa dilihat pada help matlab
dengan keyword ‘initnw’
oke mas, makasih
sama sama mas
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
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);
admin update lagi dong sekarang tentang program-program deep learning
mas ada codingan pendeteksi objek dengan ip camera di matlab ga ya
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
bisa dilakukan variasi arsitektur jaringan agar hasil pengujian memiliki akurasi yang tinggi
bisa juga dengan cara memperbanyak jumlah data latih
mas, ada contoh JST propagasi balik buat peramalan periode kedepan ga mas , buat periode 2017 misalnya? makasih
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
hasil pelatihan yg berbeda2 dikarenakan belum dilakukan proses inisialisasi bobot awal
materi utk melakukan proses tsb bisa dilihat pada https://pemrogramanmatlab.com/2015/08/24/jaringan-syaraf-tiruan-untuk-identifikasi-wajah/
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
mas ada koding matlab yang menggunakan jaringan saraf tiruan Extreme leaning Machine ?
bisa dicek pada halaman di atas
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?
Sesuai dengan penjelasan pada laman di atas, beberapa code tsb hanya dapat dijalankan minimal menggunakan matlab r2015b
assalamualaikum mas, mau tanya, kalau misal di training dan testing pakai {‘tansig’ ‘logsig’},’trainlm’); , di prediksinya pakai {‘tansig’ ‘purelin’},’traingdx’); boleh tidak ya? terimakasih
waalaikumsalam mas imaduddin
arsitektur jaringan yang digunakan saat training, testing, dan prediksi harus sama
tidak boleh tidak
assalamualaikum,, mas punya coding untuk kompresi citra dengan metode Burrows-Wheeler Transform (BWT) ga? kalo ada tolong posting mas. terimaksih
Source code dan data pada materi di atas dapat diperoleh pada halaman berikut ini
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?
koding utk edit database adalah sama seperti koding ketika meng-inputkan database, hanya mereplace database yg sudah ada
materi mengenai hal tsb dapat dilihat pada https://pemrogramanmatlab.com/2016/11/16/pembuatan-database-menggunakan-matlab-dan-ms-excel/
assalammualaikum maz, punya data untuk perhitungan k-means clustering yang .mat??
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??
permisi mas, kira2 mas adi punya file image processing ?
source code di atas sebagian besar merupakan materi image processing
gan detesi objek di video make metode lvq ada gak gan?
bisa dicek pada laman di atas
ka’ mau nanya bisa gak deteksi warna kulit wajah real time pake matlab ??
kalau bisa,,ada tutorialnya gk ka..??
hal tsb bisa dilakukan dengan mengintegrasikan koding pada laman https://pemrogramanmatlab.com/2016/10/10/pengolahan-citra-untuk-deteksi-warna-kulit-skin-detection/
dan https://pemrogramanmatlab.com/2016/07/06/pengolahan-video-untuk-mendeteksi-objek-bergerak-dengan-metode-background-subtraction/
request koding gui untuk penggunaan extreme learning machine
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)
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?
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?
proses pelatihan dan pengujian harus dapat dipisahkan sehingga diperoleh akurasi pada masing-masing proses
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?
sistem prediksi time series memerlukan data yang sangat banyak (ribuan)
akurasi yang rendah pada umumnya disebabkan karena jumlah data yang kurang
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
data latih dan data uji agar diperbanyak
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?
data latih tidak boleh digunakan untuk memprediksi pada proses pengujian
hmm begitu ya mas, ada refrensi gitu mas mengenai aturan pembuatan data latih dan data uji?
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
mas, apakah matlab dapat mengcompile file menjadi apk?terima kasih
https://www.mathworks.com/videos/matlab-to-iphone-and-android-made-easy-107779.html
Coba lihat pada Web tersebut mas jayadi.
Sekiranya dapat membantu.
pak, ada gak coding untuk metode multilayer perceptron dan gray level run length matrix
terima kasih pak