PRAKTIKUM IV KLASIFIKASI DENGAN MATRIKS JARAK LAPORAN PRAKTIKUM TEKNIK KLASIFIKASI DAN PENGENALAN POLA
Disusun Oleh: Rayuh Dhilah Hanggara 1501022088
LABORATORIUM KOMPUTER DAN INFORMATIKA PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS AHMAD DAHLAN 2017
PRAKTIKUM IV KLASIFIKASI DENGAN METRIKS JARAK A. TUJUAN PRAKTIKUM 1. Mahasiswa mampu memahami teknik klasifikasi menggunakan metric jarak. 2. Memahami proses klasifikasi pola. 3. Memahami pengklasifikasi metric jarak. B. DASAR TEORI Satu ide dasar penggunaan fungsi jarak sebagai alat pengklasifikasi adalah kenyataan bahwa kemiripan atau perbedaan antara pola satu dengan pola-pola yang lain dapat telah terkuantisasi dapat diukur nilai kemiripannya. Maka pengukuran kemiripan atau ketidakmiripan merupakan suatu dasar dalam tugas-tugas klasifikasi dan pengenalan. Salah satu ukuran kemiripan adalah dengan menentukan metrik jarak. Ada beberapa metrik jarak yang cukup popular dan sering digunakan dalam sistem pengenalan pola yaitu: Manhattan, Euclidean, Canberra, dll. Jika x dan y adalah dua vector ciri d-dimensi (x = referensi/template, y = uji/test) maka metrik jarak dapat didefinisikan: 1. Metrik L1 (Manhattan) 𝑑𝑀 (𝑥, 𝑦) = ∑𝑑𝑖=1|𝑥𝑖 − 𝑦𝑖 | 2. Metrik L2 (Euclidean) 𝑑𝐸 (𝑥, 𝑦) = √∑𝑑𝑖=1(𝑥𝑖 − 𝑦𝑖 )2 3. Canbera: |𝑥 −𝑦 |
𝑑𝐶 (𝑥, 𝑦) = ∑𝑑𝑖=1 |𝑥 𝑖|+|𝑦𝑖 | 𝑖
𝑖
Contoh Kasus: Suatu Sistem pengenalan akan dilakukan klasifikasi dengan mengukur kemiripan suatu pola citra. Adapun citra referensi terdiri dari dua kelas yaitu rice dan cameraman, dan beberapa citra yang tercampur noise, untuk pengujian kemiripannya sebagai berikut:
a) Gb. Cameraman
b) Gb. Cameraman ber-noise
c) Gb. Rice d) Rice ber-noise Gambar 1 Gambar asli dan bernoise C. ALAT DA BAHAN 1. Komputer 2. Matlab 2008b D. HASIL DAN PEMBAHASAN 1. Pembuatan fungsi dmanhattan.m Dibuat fungsi dmanhattan.m yang didalamnya dituliskan persamaan dari metode manhattan untuk menghitung jarak :
Gambar 4.1.1 Program dmanhattan.m
Fungsi ini dituliskan kedalam tiga baris program, baris pertama merupakan penulisan untuk input dan output variable dengan d sebagai variable output dan x serta y adalah variable input. Sedangkan dmanhattan sendiri adalah nama file yang sekaligus sebagai nama fungsi untuk dipanggil saat nanti akan diperlukan. Berlanjut ke baris berikutnya pada baris kedua adalah persamaannya atau bagian perhitungannya dari metode manhattan itu sendiri. Kemudian baris terakhir adalah penutup dari fungsi yang dibuat. 2. Menuliskan program fungsi kenalcitra.m Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi yang sudah dibuat yaitu dmanhattan.m dilakukan penulisan program atau fungsi baru yang menerapkan pengklasifikasian pola sehingga dapat mengenali citra yang diuji.
Gambar 4.2.1 program kenalcitra.m
Program fungsi kenalcitra.m secara keseluruhan merupakan listing program yang didalamnya terbagi dalam tiga bagian atau tiga sub program dengan terdiri dari pengolangan citra template, pengujian citra dengan metode manhattan, dan yang terakhir pemutusan dengan membandingkan hasil uji yang diperoleh. Berikut ini hasil yang didapatkan setelah program kenalcitra.m dieksekusi.
Gambar 4.2.2 hasil fungsi kenalcitra.m
3. Modifikasi program untuk kasus citra makro dan mikro struktur a. makros Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi yang sudah dibuat yaitu kenalcitra.m dilakukan beberapa modifikasi menjadi seperti pada Gambar 4.3.1 berikut ini.
Gambar 4.3.1 Modifikasi kenalcitra.m untuk makros Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya pada baris-baris : (5-8),(14-15),(24) dan (26). Maka dari modifikasi tersebut didapatkan hasil seperti pada Gambar 4.3.2 di bawah ini. Diperoleh hasil dengan mengklasifikasikan citra yang diujikan sebagai citra makros.
Gambar 4.3.2 hasil klasifikasi citra makros 2.jpg
Selain itu dilakukan pula pengujian pada citra makros 3.jpg dan 4.jpg untuk memastikan kemampuan klasifikasinya. Berikut pengubahan listing program yang dilakukan.
Gambar 4.3.3 listing kenalcitra.m untuk citra makro 3.jpg
Gambar 4.3.4 listing kenalcitra.m untuk citra makro 4.jpg Berdasarkan perubahan pada baris ke empatbelas di atas maka diperoleh hasil klasifikasi seperti gambar hasil di bawah ini.
Gambar 4.3.5 hasil untuk klasifikasi citra makros 3.jpg
Gambar 4.3.6 hasil untuk klasifikasi citra makros 4.jpg
b. mikros Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi yang sudah dibuat yaitu kenalcitra.m dilakukan beberapa modifikasi menjadi seperti pada Gambar 4.3.7 berikut ini.
Gambar 4.3.7 Modifikasi kenalcitra.m untuk mikros Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya pada baris-baris : (5-8),(14-15),(24) dan (26). Maka dari modifikasi tersebut didapatkan hasil seperti pada Gambar 4.3.8 di bawah ini. Diperoleh hasil dengan mengklasifikasikan citra yang diujikan sebagai citra mikros.
Gambar 4.3.8 hasil klasifikasi citra mikros 2.jpg
Selain itu dilakukan pula pengujian pada citra mikros 3.jpg dan 4.jpg untuk memastikan kemampuan klasifikasinya. Berikut pengubahan listing program yang dilakukan.
Gambar 4.3.9 listing kenalcitra.m untuk citra mikro 3.jpg
Gambar 4.3.10 listing kenalcitra.m untuk citra mikro 4.jpg Berdasarkan perubahan pada baris ke empatbelas di atas maka diperoleh hasil klasifikasi seperti gambar hasil di bawah ini.
Gambar 4.3.11 hasil untuk klasifikasi citra mikros 3.jpg
Gambar 4.3.12 hasil untuk klasifikasi citra mikros 4.jpg
E. TUGAS Pada penugasan, dilakukan pengklasifikasian citra menggunakan metode euclidean dengan cara pengujian yang serupa seperti pada percobaan untuk mode manhattan.
Gambar 4.4.1 Program deuclidean.m Apabila merujuk pada fungsi manhattan maka hanya perlu dirubah nama fungsi dan tentu saja persamaannya, sedangkan variabelnya tetap sama, karena fungsi ini juga akan dipanggil pada fungsi kenalcitra.m menggantikan fungsi manhattan. a. makros Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi yang sudah dibuat yaitu kenalcitra.m dilakukan beberapa modifikasi menjadi seperti pada Gambar 4.4.2 berikut ini.
Gambar 4.4.2 Modifikasi kenalcitra.m untuk deuclidean makros Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya pada baris-baris : (19-20). Maka dari modifikasi tersebut didapatkan hasil seperti pada Gambar 4.4.3 di bawah ini. Diperoleh hasil dengan mengklasifikasikan citra yang diujikan sebagai citra makros.
Gambar 4.4.3 hasil klasifikasi metode euclidean citra makros 2.jpg
Selain itu dilakukan pula pengujian pada citra makros 3.jpg dan 4.jpg untuk memastikan kemampuan klasifikasinya. Berikut pengubahan listing program yang dilakukan.
Gambar 4.4.4 kenalcitra.m metode euclidean untuk citra makro 3.jpg
Gambar 4.4.5 kenalcitra.m metode euclidean untuk citra makro 4.jpg Berdasarkan perubahan pada baris ke empatbelas di atas maka diperoleh hasil klasifikasi seperti gambar hasil di bawah ini.
Gambar 4.4.6 hasil untuk klasifikasi metode euclidean citra makros 3.jpg
Gambar 4.4.7 hasil untuk klasifikasi metode euclidean citra makros 4.jpg
b. mikros Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi yang sudah dibuat yaitu kenalcitra.m dilakukan beberapa modifikasi menjadi seperti pada Gambar 4.4.8 berikut ini.
Gambar 4.4.8 Modifikasi kenalcitra.m untuk mikro metode euclidean Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya pada baris-baris : (5-8),(14-15),(24) dan (26). Maka dari modifikasi tersebut didapatkan hasil seperti pada Gambar 4.4.9 di bawah ini. Diperoleh hasil dengan mengklasifikasikan citra yang diujikan sebagai citra mikros.
Gambar 4.4.9 hasil klasifikasi citra mikros 2.jpg
Selain itu dilakukan pula pengujian pada citra mikros 3.jpg dan 4.jpg untuk memastikan kemampuan klasifikasinya. Berikut pengubahan listing program yang dilakukan.
Gambar 4.4.10 kenalcitra.m metode euclidean untuk citra mikro 3.jpg
Gambar 4.4.11 kenalcitra.m metode euclidean untuk citra mikro 4.jpg Berdasarkan perubahan pada baris ke empatbelas di atas maka diperoleh hasil klasifikasi seperti gambar hasil di bawah ini.
Gambar 4.4.12 hasil untuk klasifikasi citra mikros 3.jpg
Gambar 4.4.13 hasil untuk klasifikasi citra mikros 4.jpg
F. KESIMPULAN 1. Terdapat beberapa metode klasifikasi dengan memanfaatkan jarak yaitu manhattan, euclidean, canberra, dll. 2. Berdasarkan percobaan yang dilakukan untuk klasifikasi menggunakan metode jarak, bahwa setiap metode (manhattan maupun euclidean) mampu menentukan citra ke dalam suatu kelas secara tepat. G. REFERENSI Fadlil, A. (2016) Petunjuk Praktikum Teknik Klasifikasi & Pengenalan Pola, Yogyakarta: Universitas Ahmad Dahlan.