Blog Archives
Content-Based Image Retrieval (CBIR) Menggunakan Deep Learning
Content-Based Image Retrieval (CBIR) adalah teknik dalam pengambilan kembali gambar dari basis data yang serupa dengan gambar query berdasarkan konten visualnya. Teknologi ini sangat berguna dalam berbagai aplikasi, termasuk dalam pengenalan pola, pencarian gambar medis, dan katalogisasi produk. Pada artikel ini, akan dibahas implementasi CBIR menggunakan deep learning dengan arsitektur ResNet-50 untuk ekstraksi fitur, diikuti oleh Locality Sensitive Hashing (LSH) dan pengukuran kesamaan menggunakan hamming distance, khususnya untuk klasifikasi motif Batik Dayak, Batik Ikat Celup, dan Batik Megamendung.
Arsitektur dan Metode
- Ekstraksi Fitur Menggunakan ResNet-50 ResNet-50 adalah salah satu arsitektur jaringan saraf dalam yang sangat populer yang digunakan untuk tugas-tugas klasifikasi gambar. Arsitektur ini terdiri dari 50 lapisan yang mendalam, tetapi menggunakan residual connections untuk mengatasi masalah vanishing gradient yang umum terjadi pada jaringan yang sangat dalam. Pada tahap ekstraksi fitur, ResNet-50 akan digunakan untuk menghasilkan representasi vektor dari gambar-gambar Batik. Proses ini mencakup langkah-langkah sebagai berikut:
Deteksi Tepi Dalam Pengolahan Citra Digital
Dalam dunia pengolahan citra digital, deteksi tepi merupakan salah satu teknik yang paling penting dan sering digunakan. Dalam artikel ini, kita akan menjelajahi konsep deteksi tepi citra, metode-metode yang digunakan, serta aplikasi dan pentingnya teknik ini dalam berbagai bidang.
Apa itu Deteksi Tepi Citra?
Deteksi tepi adalah proses mengidentifikasi dan menyoroti perubahan tajam dalam intensitas piksel dalam sebuah citra. Tepi dalam citra merujuk pada batas atau perubahan signifikan dalam warna atau kecerahan antara objek dan latar belakang. Teknik ini penting dalam pengolahan citra karena tepi sering kali mencerminkan batas antara objek dalam citra, dan deteksi tepi membantu dalam segmentasi objek dan ekstraksi fitur.
-read more->Penerapan Algoritma K-Nearest Neighbor (KNN) dalam Pengolahan Citra menggunakan MATLAB
Pengolahan citra merupakan salah satu bidang yang penting dalam dunia komputer dan teknologi informasi. Pada era di mana data citra semakin melimpah, metode pengolahan citra yang efisien dan akurat menjadi kunci untuk mendapatkan informasi yang berarti. Salah satu metode yang sering digunakan dalam pengolahan citra adalah algoritma K-Nearest Neighbor (KNN). Artikel ini akan membahas konsep dasar KNN dan bagaimana kita dapat menerapkannya dalam pengolahan citra menggunakan perangkat lunak MATLAB.
Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN
Apakah yang dimaksud dengan Principal Component Analysis (PCA)??
Principal Component Analysis (PCA) merupakan suatu algoritma yang mampu mengkonversi sekelompok data yang pada awalnya saling berkorelasi menjadi data yang tidak saling berkorelasi (Principal Component). Jumlah Principal Component yang dihasilkan adalah sama dengan jumlah data aslinya, tetapi dapat direduksi dengan jumlah yang lebih kecil dan tetap mampu merepresentasikan data asli dengan baik.
Berikut ini merupakan contoh pemrograman matlab untuk klasifikasi jenis sayuran menggunakan algoritma PCA dan KNN. Jenis sayuran yang akan diklasifikasi adalah sayur kol, sawi, dan wortel. Ketiga jenis sayur tersebut dibedakan berdasarkan ciri warna dan ukurannya. Contoh citra sayuran pada masing-masing kelas ditunjukkan pada gambar di bawah ini.
Pemrograman Matlab 