Langsung ke konten utama

Dasar Dasar Pemrograman VRML

Halo gan...jumpa lagi dengan saya.Mumpung senggang saya mau nulis lagi ini tapi agak beda topiknya dari yang kemarin kemarin.Kali ini saya mau bahas tentang VRML.

Apa itu VRML ?

       VRML (Virtual Reality Modeling Language) Adalah sebuah bahasa pemrograman yang di ciptakan khusus untuk membuat objek-objek 3D.Objek-objek yang dibuat dengan VRML akan memiliki tiga buah dimensi yaitu panjang,lebar,dan kedalaman sehingga dapat di pandang dari setiap sudut.
       VRML dijalankan di web browser dengan bantuan tool seperti Cortona bisa di download di sini.Untuk tool pemrograman bisa menggunakan VRMLPad.

Struktur Dasar VRML




Header : Harus ada dalam setiap program vrml
Node   : Setiap objek di definisikan di dalam node Shape.Node mempunyai dua field yaitu appearance  dan  geometry.
setiap field / anak node mempunyai atribut atau nilai yang digunakan untuk membentuk objek.

Appearance

 Appearance bersifat opsional.Appearance digunakan untuk membentuk tampilan objek seperti warna,dll.
appearance memiliki atribut antara lain :
  1. Material
  2. Texture
  3. Texture Coordinate
  4. Texture Transform

Geometry

Geometry digunakan untuk membentuk objek seperti silinder,lingkaran,kubus dll.

Kubus
Kubus didefinisikan dengan syntax Box.contoh :

geometry Box{
     size 2 2 2
}
atribut size merupakan atribut untuk membentuk nilai panjang,lebar dan tinggi.panjang,lebar,dan tinggi mempunyai nilai foating point

Lingkaran
Untuk membuat objek lingkaran didefinisikan menggunakan Sphere.Sphere mempunyai atribut radius untuk mengeset nilai jari jarinya.Contoh :

geometry Sphere{
   radius 1
}

dan masih banyak lagi yang lain seperti Cone ( kerucut ),Cylinder ( silinder ),Pontset ( titik ) dll.

      Sementara segitu dulu tulisan saya kali ini.Yahh...mungkin kalimatnya masih acak acakan tp semoga bisa menambah referensi agan agan semua.Pada tulisan selanjutnya saya akan lanjutkan dengan contoh pembuatan objek 3D.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 ...
12 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-...
39 komentar
Baca selengkapnya

Part 7 : Normalisasi Histogram

Menyambung tulisan saya yang sebelumnya tentang pengolahan citra khususnya histogram,kali ini saya lanjutkan tentang Normalisasi histogram.Sebelumnya saya harap agan sudah mengerti tentang histogram.Jika belum bisa di baca dulu di tulisan saya sebelumnya di sini . Normalisasi Histogram adalah menskalakan nilai piksel secara linear untuk menggunakan secara penuh jangkauan yang tersedia. Rumus :  Keterangan : n k= nilai grayscale dari piksel ke k(k = 0,1,2,3....) min = nilai grayscale terkecil yang diperoleh dari histogram max = nilai grayscale terbesar L = range nilai grayscale citra Contoh perhitungan : dari tabel di atas,nilai min adalah 2 yaitu nilai grayscale terkecil dari citra dan max adalah 5 s = 0 - 2 /5 - 2 =0 (untuk n = 0)  hasil = 0 x 7(nilai maksimal grayscale) = 0 sk = 3 - 2 /5 - 2 = 0.333  (untuk n = 3) hasil = 0.333 x 7 = 2 keterangan : 7 adalah range grayscale dari citra,dan untuk banyak kasus biasanya memakai 255. Tujuan Normalisasi...
1 komentar
Baca selengkapnya