MACHINE LEARNING & PENGELOLAAN CITRA

  OPERASI PENGELOLAAN CITRA A. Menampilakan Citra Untuk menampilkan citra: LISTING img         = inisial untuk file yang akan di tampilkan imread    = ('path gambar anda') untuk membaca gambar subplot    = untuk memasukan gambar ke dalam figure ; #menampilkan gambar gambar = imread ('G:/Aldi Martha Dinata/Doraemon.jpeg') imshow (gambar); #menambahkan gambar cerah dan gambar asli cerah =(gambar+100); gambar (2) : imshow (cerah); subplot (2,2,1);imshow(gambar);title('gambar 1'); subplot (2,2,2);imshow(gambar);title('gambar 2'); ket : Gambar 1 Asli Gambar 2 Cerah #menambahkan gambar histogram imhist (gambar) ; subplot (2,2,1);imshow(gambar);title('gambar asli'); subplot (2,2,2);imhist(gambar);title('gambar asli'); subplot (2,2,3);imshow(cerah);title('gambar cerah'); subplot (2,2,4);imhist(cerah);title('gambar cerah'); #menambahkan gambar Cerah, kontras dan negatif. cerah =(gambar+100); kontras =(2.5 * gambar); negatif= (225-g...

  Bahasa Pemograman Octave Apa itu GNU Octave? dan Apakah Contohnya? A. Mengenal Sejarah GNU Octave Octave awalnya dirancang (sekitar 1988) sebagai perangkat lunak pendamping untuk buku teks tingkat sarjana tentang desain reaktor kimia yang ditulis oleh James B. Rawlings dari University of Wisconsin-Madison dan John G. Ekerdt dari University of Texas. Mereka awalnya membayangkan beberapa alat yang sangat khusus untuk solusi masalah desain reaktor kimia. Kemudian, setelah melihat keterbatasan pendekatan itu, mereka memilih untuk mencoba membangun alat yang jauh lebih fleksibel. Masih ada beberapa orang yang mengatakan bahwa mereka seharusnya menggunakan Fortran saja, karena itu adalah bahasa teknik komputer, tetapi setiap kali mereka mencobanya, para siswa menghabiskan terlalu banyak waktu untuk mencari tahu mengapa kode Fortran mereka gagal dan tidak cukup waktu belajar tentang teknik kimia. Mereka percaya bahwa dengan lingkungan interaktif seperti Octave, sebagian besar siswa...

   DIGITAL IMAGE PROCESSING  MENGGUNAKAN GNU OKTAVE 1. Pengantar Pengelolahan Citra Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin dengan menyertakan visualisasi berupa gambar atau video yang dapat diputar. Beberapa waktu lalu istilah SMS (Short Message Service) begitu populer bagi pengguna telepon genggam (handphone atau HP). Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video, yang dikenal dengan layanan MMS (Multimedia Message Service).      Citra (image) 1 –istilah lain untuk gambar– sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citr...

  MODELLING DATA #Recall data kita df>head() Langkah-langkahnya..... #Pertama, buat variabel x dan y x= df.drop(columns='price') y= df['price'] #Kedua, kita split data kita menjadi training and testing dengan porsi 80:20 x_train, x_test, y_train, y_test = train_test_split(x,y, test_size=0.2, random_state=4) #Cek shape dari data training dan testing print(x_train.shape) print(y_train.shape) print(x_test.shape) print(y_test.shape) #ketiga, kita bikin object linear regresi lin_reg = LinearRegression() #keempat, train the model menggunakan training data yang sudah displit lin_reg.fit(x_train, y_train) #kelima, cari tau nilai slope/koefisien (m) dan intercept (b) print(lin_reg.coef_) print(lin_reg.intercept__) #kita oba buat kedalam dataframe agar lebih rapi coef_dict = {     'features': x.columns,     'coef_value':lin_reg.coef_     } coef = pd.DataFrame(coef_dict, columns=['features','coef_value']) coef y_pred = lin_reg.predict(x_test) #ke...

  MULTIPLE REGRESI Multipe Linear Regression           variable bebas yang terlibat tidak hanya satu saja melainkan beberapa variable bebas. Hal         ini dikarenakan input yang digunakan lebih dari satu dimensi. PERSAMAAN Y=b+e+m1x1 +242 + ... + mn*xn Y = dependent variable  mn = koefisien dari persamaan  Xn = independent variablE b = intercept  e - error Contoh Kasus Multiple Linear Regresi  CONTOH STUDY KASUS Udin hendak membeli rumah di daerah King Country US, dengan kriteri sebagai berikut : : Jumlah Bedrooms = 3  Jumlah Bathrooms - 2  Luas rumahnya = 1800 sqft   Dengan grade 7  Tahun Pembuatan 1990 Bantu udin untuk mempresiksi rumah idamannya  Data harga rumah dapat diambil dari kaggle: https://www.kaggle.com/vikrishnan/boston-house-prices?select=housing.csv Langkah penyelesaian Penyelesaian Masalah jika dilihat dari apa yang diinginkan Udin, maka kita dapat me...

   Supervised Learning (Linear Regression) Regresi linear adalah metode pendekatan sebagai kajian terhadap ketergantungan satu variabel, yaitu antara variable terikat Y dan satu atau lebih variable bebas yang disebut X - Gujarati (2009) Di dalam suatu persamaan regresi terdapat 2 macam variabel yaitu : • Variabel Terikat ( Variabel dependen) variabel yang nilainya tergantung dan variabel lain, biasanya dinyatakan dengan Y  • Variabel Bebas (variabel independen) variabel yang nilainya tidak tergantung dari variabel lain, biasanya dinyatakan dengan X Berdasarkan penggunaan variable bebas,dibedakan menjadi : Simple Linear Regresstion variable bebas yang terlibat hanya satu saja. oleh karena hanya memiliki satu variable bebas,maka hanya akan terdapat variabel input X dan ouput Y.  PERSAMAAN  y = mx + b +e y =dependent variable  m =slope dari garis (persamaan diatas merupakan sebuah garis) x =independent variable b =intercept e =error