Langsung ke konten utama

Part 1 : Introduction Pengolahan Citra

Assalamu'alaikum Warohmatullahi Wabarokatu

Lama sekali gak buat tulisan sampek lupa caranya ngeblog.Lagi sibuk sibuknya kerja dan kuliah sampek lupa ngeblog,lupa kalo punya lapak disini,hehe..

Lama gak ngeblog sekarang saya datang lagi mau sedikit cerita tentang yang lagi saya pelajari di hari hari sekarang yaitu Pengolahan Citra.

Pengolahan Citra ?? Apa itu ?? Buat apa citra di olah ?? bisa jadi makanan kah ??

sebelum jelasin pertanyaan itu,sedikit saya jelasin apa itu citra.

Citra (Bahasa Inggris: image) adalah kombinasi antara titik, garis, bidang, dan warna untuk menciptakan suatu imitasi dari suatu obyek–biasanya obyek fisik atau manusia. Citra bisa berwujud gambar (picture) dua dimensi, seperti lukisan, foto, dan berwujud tiga dimensi, seperti patung.

begitu kira kira definisi citra menurut Om Wikipedia.

Pada dasarnya citra merupakan bentuk nyata dari matrik yang mempuyai baris dan kolom.Apa itu matrik  ??pasti pada ingat-ingat males gitu kalo denger yang begituan,sama kayak aku juga,hehehe.Dari kecil sampek sekarang yang juga masih kecil saya gak pernah suka sama yang namanya Matematika.Tapi mau gak mau sekarang harus suka.Kembali lagi ke topik bahasan,

Citra atau image adalah representasi nyata dari sebuah matrik.Nilai dari matrik adalah nilai piksel dari sebuah citra.
 
Matrik

dan jika dijadikan Image kira kira seperti ini :
Image Biner

angka pada matrik adalah nilai untuk setiap piksel dengan 0 mewakili hitam dan 1 sebagai putih.Jadi sekarang mulai deh buka lagi catatan atau buku Matematika yang hampir ke tukang loak,dan buka lagi tentang matrik dan operasinya.Karena kita main main dengan matrik untuk main dengan citra.

Sementara segitu dulu ya perkenalan kita,sekedar pengobat rindu saya dengan aktivitas menulis ini.Kita sambung lagi artikel ini sampai kita bisa buat software kaya Shotoshop,hehehe....

Oke,sampai jumpa.

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Contoh Perhitungan Algoritma Perceptron

      Melanjutkan tulisan saya sebelumnya tentang algoritma perceptron,kali ini saya akan menulis tentang conto perhitungan manual algoritma perceptron. Untuk contoh kasusnya saya menggunakan data logika AND. Cekidot.... Algoritma      Data yang kita gunakan sebagai contoh adalah data logika AND sebagai berikut: x1 x2 target 0 0 0 0 1 0 1 0 0 1 1 1       tentukan bobot awal secara acak, saya pakai contoh w1 = 0,w2 =0, learning rate = 1, bias = 0,maksimal epoh = 10. Disini saya memakai fungsi aktivasi undak biner. Epoh ke 1 Data ke satu x = {0,0}, bobot w = {0,0},b=0,target = 0 y_in = (x1*w1)+(x2*w2)+b = (0*0)+(0*0)+0 = 0 y = sign(0) = 1 karena y != target maka hitung error dan update bobot  error = target - y = 0 - 1 = -1 w1_baru = w1_lama +(learning_rate*error*x1)                = 0 + (1*(-1)*0) = 0 w2_baru = w2_lama +(learning_rate*error*x2)                = 0+(1*(-1)*0) = 0
12 komentar
Baca selengkapnya

Pemrograman Berorientasi Object - Overloading dan Overriding

       Function atau method overloading dan override adalah fitur yang sangat mendasar dan berguna dari bahasa OOP manapun. Dalam tutorial ini kita akan membahas implementasi metode overloading dan override di php. Di sini pertama kita akan membahas dasar-dasar overloading dan override. Setelah eksplorasi dasar kita akan menerapkan overloading dan override di php. Sebelum melangkah lebih jauh, saya mengasumsikan bahwa Anda memiliki pengetahuan dasar tentang class dan pewarisan di php. Anda juga memiliki pemahaman tentang magic method di php. Magic method karena overloading di php bisa di implmentasikan dengan menggunakan magic method. Overriding        Arti dasar dari overriding di OOP sama dengan arti kata sebenarnya. Dalam arti kata sebenarnya dari overriding adalah menggantikan perilaku orang tua yang sama pada anak. Ini sama dengan override method di OOP. Dalam arti OOP, override adalah mengganti method class induk di class anak. Atau dengan method kata kunci sederhana yang me
1 komentar
Baca selengkapnya

Contoh Perhitungan Algoritma Learning Vector Quantization

Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung. No X1 X2 X3 X4 target 1 0 1 1 0 0 2 0 0 1 1 1 3 1 1 1 1 0 4 1 0 0 1 1 pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1. Pelatihan Iterasi ke 1 1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}}      - menghitung bobot untuk masing masing output :          kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-0)^2)) = 1         kelas 1 = sqrt(((0-1)^2)+((1-0)^2)+((1-
38 komentar
Baca selengkapnya