PRAKTIKUM III

GARIS LINIER

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 III

GARIS LINIER

A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memahami estimasi linier dan teknik klasifikasi
sederhana.
2. Memahami estimasi linier.
3. Memahami pengklasifikasi garis linier.

B. DASAR TEORI

Fungsi utama dari suatu sistem pengenalan pola adalah mengambil

keputusan untuk menentukananggota klas dari suatu pola-pola masukan.
Olehkarenanya untuk melakukan tugas ini diperlukanbeberapa aturan yang
berdasarkan pada fungsi keputusan. Satu contoh sederhana fungsi keputusanuntuk
memisahkan populasi dua pola dapat digunakan persamaan gars linear,
sebagaimana ditunjukkan pada Gambar 2 dibawah,

Gambar 2 Fungsi keputusan untuk mengklasifikasi dua jenis pola

Persamaan garis linear, misalnya d(x) = w1x1 + w2x2 + w3 = 0, dimana w

adalah parameter-parameter dan x1, x2 adalah variabel-variabel koordinat. Dari
gambar 6 diatas, jelas bahwa pola-pola P = (x1, x2) pada klas 1 jika nilai-nilai
variabel x nya disubstitusikan kedalam persamaan d(x) maka hasil bernilai positif.
Dengan cara yang sama d(x) akan bernilai negatif jika pola-pola P = (x1, x2) pada
klas 2 disubstitusikan kedalam persamaan d(x) tersebut. Olehkarena itu d(x) dapat
digunakan sebagai fungsi keputusan, jika misalnya diberikan suatu pola x yang
belum diketahui kelompok klasnya,maka dapat ditentukan bahwa pola x akan
masuk dalam kategori klas 1 jika d(x) > 0, atau masuk kedalam kategori klas 2 jika
d(x) <0.
C. ALAT DA BAHAN
1. Komputer
2. Matlab 2008b

D. HASIL DAN PEMBAHASAN

1. Pembuatan fungsi tekstur.m
Dibuat fungsi tekstur.m yang digunakan untuk mencari grafik dari
ciri suatu citra berdasarkan teksturnya :

Gambar 4.1.1 Program tekstur.m

 Fungsi ini dibangun dengan pembagian listing program menjadi 4
bagian, Bagian awal untuk mempersiapkan citra, bagian kedua
menyediakan variable, bagian ketiga perhitungan atau pengambilan nilai
dari citra, kemudian bagian akhir berupa baris untuk menampilkan grafik
dari nilai yang diperoleh. Baris perintah mulai dari baris kelima sampai
sepuluh merupakan baris yang membaca citra secara otomatis dari jumlah
citra yang ada dan disertai pengkonverisan citra menjadi skala keabuan.
Baris perintah mulai dari keduabelas hingga kelimabelas merupakan
persiapan bagi nilai nilai yang sudah didapat agar bisa ditempatkan. Pada
baris perintah ketujuhbelas hingga duapuluh sembilan merupakan proses
ekstraksi ciri berdasarkan metode yang diingikan dengan memanfaatkan
fungsi yang sudah pernah dibuat pada praktikum sebelumnya yaitu
forde1.m. Selanjutnya dari mulai baris perintah ketigapuluh satu sampai
pada baris ketigapuluh tujuh dituliskan untuk menampilkan grafik beserta
atribut atributnya.
Pada kasus percobaan pertama ini dilakukan pengklasifikasian
dengan menggunakan metode pembanding antara nilai rata-rata dengan
nilai variansi. Berikut di bawah ini hasil dari percobaan tersebut.

Gambar 4.1.2 Grafik ekstraksi ciri rerata vs variansi

2. Modifikasi fungsi tekstur.m
Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi
yang sudah dibuat yaitu tekstur.m dilakukan beberapa modifikasi menjadi
seperti pada gambar berikut ini.

Gambar 4.2.1 Modifikasi tekstur.m untuk mean vs skewness

Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya

pada baris-baris : (13),(15),(20),(22),(26),(28),(33), dan (34). Maka dari
modifikasi tersebut didapatkan gambar grafik seperti pada Gambar 4.2.2 di
lembar berikutnya. Titik-titik nilai berwarna biru mewakili nilai untuk
metode rerata vs skewness dari citra makro sedangkan titik-titik nilai
berwarna hijau mewakili nilai untuk metode rerata vs skewness dari citra
mikro.
 Gambar 4.2.2 Grafik untuk mean vs skewness

3. Modifikasi program untuk mean vs kurtosis dan mean vs entropy

a. Klasifikasi mean vs kurtosis

Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi

yang sudah dibuat yaitu tekstur.m dilakukan beberapa modifikasi menjadi
seperti pada Gambar 4.3.1 berikut ini.
 Gambar 4.3.1 Modifikasi tekstur.m untuk mean vs kurtosis

Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya

pada baris-baris : (13),(15),(20),(22),(26),(28),(33), dan (34). Maka dari
modifikasi tersebut didapatkan gambar grafik seperti pada Gambar 4.3.2 di
lembar berikutnya. Titik-titik nilai berwarna ungu mewakili nilai untuk
metode rerata vs kurtosis dari citra makro sedangkan titik-titik nilai
berwarna hijau mewakili nilai untuk metode rerata vs kurtosis dari citra
mikro.
 Gambar 4.3.2 Grafik untuk mean vs kurtosis

b. Klasifikasi mean vs entropy

Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi

yang sudah dibuat yaitu tekstur.m dilakukan beberapa modifikasi menjadi
seperti pada Gambar 4.3.3 berikut ini.
 Gambar 4.3.3 Modifikasi tekstur.m untuk mean vs entropy
Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya
pada baris-baris : (13),(15),(20),(22),(26),(28),(33), dan (34). Maka dari
modifikasi tersebut didapatkan gambar grafik seperti pada Gambar 4.3.4 di
lembar berikutnya. Titik-titik nilai berwarna ungu mewakili nilai untuk
metode rerata vs entropy dari citra makro sedangkan titik-titik nilai
berwarna merah mewakili nilai untuk metode rerata vs entropy dari citra
mikro.
 Gambar 4.3.4 Grafik untuk mean vs entropy

E. KESIMPULAN
1. Diterapkan rumusan untuk memahami pola citra makro dan mikro yang
diantaranya menggunakan mean, variansi, skewness, kurtosis dan entropy.
2. Dari metode yang ada, pengklasifikasian akan mudah diterapkan dengan
mengambil garis linier untuk metode dengan perbandingan antara mean
dan entropy.

F. REFERENSI

Fadlil, A. (2016) Petunjuk Praktikum Teknik Klasifikasi & Pengenalan Pola,

Yogyakarta: Universitas Ahmad Dahlan.