Blog Archives
k-means clustering menggunakan matlab
Data clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised).
Ada dua jenis data clustering yang sering digunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering.
K-means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam satu atau lebih cluster/kelompok.
Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
Ilustrasi algoritma k-means ditunjukkan pada gambar di bawah ini:
k-Nearest Neighbor (k-NN) Menggunakan Matlab
Algoritma k-nearest neighbor (k-NN atau KNN) merupakan sebuah algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.
Ilustrasi dari metode yang digunakan oleh algoritma k-nn ditunjukkan pada gambar di bawah ini:
Background Subtraction dengan Metode Pengurangan Citra Grayscale
Deteksi kendaraan adalah salah satu tahapan yang harus dilakukan dalam proses identifikasi kendaraan. Contoh aplikasi pemrograman matlab untuk deteksi kendaraan dengan metode background subtraction pengurangan citra grayscale adalah sebagai berikut:
Langkah-langkahnya yaitu:
-read more->
Background Subtraction dengan Metode Pengurangan Citra Biner
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk mendeteksi kendaraan dengan metode background subtraction pengurangan citra biner:
Langkah-langkahnya adalah sebagai berikut:
-read more->
Background Subtraction dalam ruang warna HSV
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk deteksi kendaraan dengan metode background subtraction dalam ruang warna HSV.
Langkah langkahnya adalah sebagai berikut:
-read more->
Representasi Citra Digital dan Piksel Penyusunnya
Citra adalah representasi dari fungsi intensitas cahaya dalam bidang dua dimensi. Berdasarkan sinyal pembentuknya, citra dibedakan menjadi dua jenis yaitu citra analog dan citra digital.
1. Citra Analog
Citra analog merupakan citra yang terbentuk dari sinyal kontinyu. Nilai intensitas cahaya pada citra analog memiliki range antara 0 s.d ~. Alat akuisisi citra analog antara lain mata manusia dan kamera analog.
2. Citra Digital
Citra digital merupakan citra yang terbentuk dari sinyal diskrit. Nilai intensitas cahaya pada citra digital bergantung pada kedalaman bit yang menyusunnya (materi lebih lanjut mengenai kedalaman bit suatu citra dapat dilihat pada laman berikut: Kedalaman Bit Suatu Citra Grayscale). Alat akuisisi citra digital antara lain yaitu kamera digital, smartphone, webcam, scanner, mikroskop digital, pesawat radiodiagnostik seperti CT Scan, CR, MRI, USG, dll.
Dalam bidang dua dimensi, citra dibentuk oleh sekumpulan picture element (pixel) yang memiliki dua informasi penting yaitu koordinat piksel (x,y) dan nilai intensitas piksel f(x,y) (materi lebih lanjut mengenai piksel sebagai penyusun citra digital dapat dilihat pada laman berikut: Pengolahan Citra Digital).
Berikut ini merupakan contoh aplikasi pemrograman matlab mengenai representasi citra digital dan piksel penyusunnya:
1. Citra digital 1-bit (2 derajat keabuan)
Pada citra ini nilai intensitas citra dibagi menjadi 2^1 = 2 derajat keabuan yaitu hitam (0) dan putih (1). Citra jenis ini disebut juga dengan citra biner (binary image).
Deteksi Tepi Citra Digital Menggunakan Matlab
Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objek-objek yang terdapat dalam citra ataupun konteks citra secara keseluruhan.
Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.
Berikut ini merupakan contoh aplikasi programmatic GUI matlab untuk mendeteksi tepi suatu objek dalam citra menggunakan operator gradien, operator laplacian, dan operator canny. (Coding dapat dijalankan minimal menggunakan matlab versi r2014b).
1. Operator Gradien
a. Operator Gradien Orde Satu
-read more->
Cara Menghitung Luas , Keliling , dan Centroid suatu Citra
Proses pengenalan objek dalam citra umumnya membutuhkan suatu ciri yang dapat membedakan antara objek yang satu dengan objek lainnya. Ciri yang dapat diekstrak antara lain adalah ciri ukuran (luas dan keliling) dan posisi (koordinat centroid) dari suatu objek.
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk menghitung centroid, luas, dan keliling objek dalam suatu citra grayscale. Centroid merupakan koordinat titik tengah dari suatu objek. Luas merupakan banyaknya piksel yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel yang berada pada boundary objek. Hasil penghitungan geometris tersebut dapat digunakan sebagai ciri masukan dalam tahapan pengenalan pola morfologi/ bentuk.
Langkah-langkah pemrograman untuk menghitung luas, keliling, dan centroid suatu citra adalah sebagai berikut:
1. Membaca dan menampilkan citra grayscale
-read more->
Pemrograman Matlab 