KATA PENGANTAR

Segala puji bagi Allah SWT yang telah memberikan nikmat serta hidayah-Nya terutama nikmat
kesempatan dan kesehatan sehingga penulis dapat menyelesaikan modul praktikum mata
kuliah “Machine Learning”. Kemudian shalawat serta salam kita sampaikan kepada Nabi besar
kita Muhammad SAW yang telah memberikan kita pedoman hidup dan sunnah untuk
keselamatan umat di dunia.

Modul ini merupakan pedoman praktikum Machine Learning di program studi teknik
informatika lingkungan Fakultas Sains & Teknologi pada UIN Alauddin Makassar.

Akhirnya penulis menyadari bahwa banyak terdapat kekurangan-kekurangan dalam penulisan

modul ini, maka dari itu penulis mengharapkan kritik dan saran yang konstruktif dari pembaca
demi kesempurnaan modul ini.
 PENDAHULUAN

Praktikum ini membahas tentang bagaimana mengimplementasikan Machine Learning yang

sekarang ini sudah sangat marak digunakan. Adapun yang dipakai dalam praktikum ini adalah
Google Collab atau Google Collaboratory, adalah sebuah executable document yang dapat
digunakan untuk menyimpan, menulis, serta membagikan program yang telah ditulis melalui
Google Drive.
 DAFTAR ISI

KATA PENGANTAR

PENDAHULUAN

BAB I : Generate Linear Regression Model

BAB II : Evaluate Linear Regression Model

BAB III : Generate Model Image Classification

BAB IV : Evaluate Model Image Classification

BAB V: Image Segmentation Using Feature Extraction Random Forest Algorithm

BAB VI : Autoencoder Convert Image to Binary

BIOGRAFI

PESAN DAN KESAN

 BAB I

GENERATE LINEAR REGRESSION MODEL

A. Tujuan Praktikum

1. Mahasiswa mampu memahami tentang Regresi Linear.

2. Mahasiswa memahami konsep Regresi Linear.

B. Teori Dasar

Regresi merupakan bagian dari machine learning kategori supervised learning

dengan format data berupa numerik. Regresi merupakan suatu metode analisis statistik
yang digunakan untuk melihat pengaruh antar variabel terikat atau dependen atau Y
dengan satu atau lebih variabel bebas atau independen atau X. Hubungan yang terjadi
antara variabel dependen dan variabel independen tergantung pada beberapa bentuk
persamaan seperti hubungan linear, eksponensial, dan berganda. Tujuan dari
penggunaan analisis regresi yaitu untuk mengestimasi nilai variabel dependen yang
didasarkan pada nilai variabel independen. Penerapan analisis regresi mengaitkan data
historis dan label atau output yang saling berkaitan, tidak berdiri sendiri.

Regresi linier atau linear regression merupakan salah satu jenis analisis prediksi
yang sering digunakan pada data berskala kuantitatif seperti interval atau rasio. Analisis
ini berfungsi untuk membuktikan apakah sekumpulan variabel bebas memiliki
pengaruh yang signifikan dalam memprediksi variabel terikat. Linear regression
digunakan untuk melakukan prediksi dan modelling berdasarkan data – data yang ada.
Metode linear regression didasarkan pada pola hubungan data terkait masa lalu

C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset petani.csv yang berisi berat dan
kelembaban.
D. Step by Step

1. Menyiapkan serta mendefinisikan data yang akan digunakan.

2. Visualisasi, pada bagian ini dataset kita akan menampilkan diagram yang
merepresentasikan dataset kita.

3. Perhitungan, dilakukan perhitungan untuk mendapatkan nilai dari rata - rata,

correlation, variance, covariance, koefisien, intercept, serta prediksi.

E. Langkah - Langkah Praktikum

1. Siapkan dataset dengan memasukkan ke dalam Google Collab kalian.

Gambar 1. Import Library.

2. Import library – library yang akan kita gunakan pada praktikum ini dan
definisikan, lalu run. Jika proses run berhasil, akan ada ceklis hijau pada baris
kode.

Gambar 2. Import Library.

3. Untuk memanggil, membaca, mendefinisikan isi dari dataset, serta menunjukkan

isi dari dataset kita bisa menggunakan perintah seperti di bawah ini.
 Gambar 3. Pemanggilan Dataset.

4. Selanjutnya melakukan visualisasi dari dataset yang kita gunakanan, terdapat

ukuran size, label, dan judul dari grafik yang akan dibuat.

Gambar 4. Visualisasi dan Keterangan Dataset.

5. Setelah itu mengubah bentuk array tanpa mengubah data yang ada.

Gambar 5. Mengubah Array.

6. Menghitung rata – rata dari X dan Y untuk menghitung korelasinya.

Gambar 6. Perhitungan Nilai Sumbu X dan Y.

7. Menghitung variance, covariance, serta koefisien.

 Gambar 7. Perhitungan Variance, Covariance, dan Koefisien.

8. Menghitung intercept.

Gambar 8. Perhitungan Intercept.

9. Menghitung prediksi.

Gambar 9. Perhitungan Prediksi.

 BAB II

EVALUATE LINEAR REGRESSION MODEL

A. Tujuan Pembelajaran

1. Mahasiswa mampu memahami tentang Regresi Validasi.

2. Mahasiswa mampu memahami kegunaan/manfaat Regresi Validasi.

B. Teori Dasar

Metode regresi digunakan dengan tujuan mengetahui ada tidaknya hubungan

antar peubah-peubah yang merupakan suatu hubungan yang nyata atau tidak maka
dilakukan uji regresi dengan uji F. Pengujian dilakukan dengan cara membandingkan
nilai F hitung dengan nilai F tabel pada tingkat nyata tertentu.

Nilai F hitung dapat dicari dengan sidik ragam yang dapat dilihat pada Tabel 2.
Tabel 2 Sidik ragam fungsi regresi Sumber Keragaman Derajat Bebas Jumlah Kuadrat
Kuadrat Tengah F Hitung Regresi R dr = p-1 JKR KTR= JKRdbr KTRKTS Sisa S ds
= n-p JKS KTS= JKSdbs - Total T dt = n-1 JKT - - Dimana : p = banyaknya konstanta
koefisien regresi dan intercept n = banyaknya pohon contoh Hipotesa yang digunakan
Ho : β 1 = β 2 = 0 H1 : Sekurang- kurangnya ada β 1 atau β 2 ≠ 0 Apabila F hitung F
tabel maka tolak Ho, artinya sedikitnya ada satu peubah bebas yang mempengaruhi
peubah tak bebas.

Dari hasil analisis regresi tersebut dapat dilihat keeratan hubungan antara peubah
bebas dengan peubah tak bebas yang ditunjukan oleh besarnya nilai koefisien korelasi
r, sedangkan untuk melihat berapa besar pengaruh peubah bebas diameter pohon
terhadap peubah tak bebas tinggi pohon dapat dilihat dari nilai koefisien determinasi R
2.

C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan masih dataset petani.csv yang berisi berat dan kelembaban.
D. Step by Step

1. Split Dataset

Karena data testing tidak digunakan untuk melatih model, maka model tidak
mengetahui outcome dari data tersebut. Ini yang disebut dengan out of sample.

2. Counting Intercept Coef

Pada posisi ini dataset dihitung secara keseluruhan atau dilakukan pentingnya
intercept juga bisa dilihat secara grafis. Jika hanya ada satu fitur, maka model regresi
linear dapat diplot sebagai garis lurus pada bidang.

3. Plotting Regresi Model

Bagian ini ditujukan untuk bagaimana posisi dari suatu data apakah benar-benar
sudah sesuai apa tidak.

4. Counting (RMSE,MSE,MAE)

Bagian ini kita memberi perintah model dengan cara yang sama seperti MSE dan
RMSE. Dengan demikian kita dapat mengoptimalkan MSE dari pada RMSE.

E. Langkah-langkah praktikum

Gambar 1. Import Library

1. Buka google collab, pastikan kodingan adalah lanjutan dari kodingan praktikum
sebelumnya, kemudian masukkan beberapa library seperti yang ada pada gambar 1.

Gambar 2. Pengelompokan Data

 2. Kemudian lakukan pengelompokkan dengan data uji dan dataset menggunakan split
untuk menguji index didalamnya.

Gambar 3. Pembuatan Objek Regresi

3. Setelah itu buat objek regressor, yang didalamnya terdapat fungsi dari linear
regression.

Gambar 4. Pembuatan Model Regresi

4. Selanjutnya, membuat model regresi untuk mecari hubungan antara x_train, dan
y_train.

Gambar 5. Menampilkan Output dari Regressor

5. Gunakan perintah print untuk menampilkan output dari sebuah nilai dari regressor
coef dan intercept.

Gambar 6. Membuat Model Prediksi

6. Kemudian, pada bagian ini untuk memprediksi data testing.

 Gambar 7. Tampilan Line Plot

7. Scatter plot ini akan membuat garis/line plot dengan warna. Plot ini memiliki sumbu x,
dan y, dan memberikan label disetiap sumbunya.

Gambar 8. Import Library

8. Pada bagian ini dibutuhkan sklearn library untuk melakukan pengecekan dengan
MAE,MSE, dan RMSE.

Gambar 9. Penggunaan R2 Score

9. Selanjutnya, menggunakan R2 score untuk melakukan pengecekan MAE pada data

prediksi dan testing.
 BAB III

GENERATE MODEL IMAGE CLASSIFICATION

A. Tujuan Pembelajaran

1. Mahasiswa mampu memahami tentang Image Classification.

2. Mahasiswa mampu memahami kegunaan/manfaat Image Classification.

B. Teori Dasar

Image Classification atau Klasifikasi citra adalah mengelompokkan objek berdasarkan

class (kelas) tertentu. Sehingga kita dapat dengan mudah mengenali objek. Klasifikasi gambar
mengacu pada tugas penggalian kelas informasi dari gambar raster multiband. Raster yang
dihasilkan dari klasifikasi citra dapat digunakan untuk membuat peta tematik. Bergantung pada
interaksi antara analis dan komputer selama klasifikasi, ada dua jenis klasifikasi: supervised
dan unsupervised.

Convolutional Neural Network (CNN) merupakan pengembangan dari multilayer

perceptron (MLP) yang didesain untuk mengolah data dua dimensi dalam bentuk citra. CNN
ini termasuk kedalam jenis Deep Neural Network karena kedalaman jaringan yang tinggi dan
banyak diaplikasikan pada data citra. Pada dasarnya klasifikasi citra dapat digunakan dengan
MLP, akan tetapi dengan metode MLP kurang sesuai untuk digunakan karena tidak menyimpan
informasi spasial dari data cita dan menganggap setiap piksel adalah fitur yang independen
sehingga menghasilkan hasil yang kurang baik. Penelitian awal yang mendasari penemuan
CNN ini pertama kali dilakukan oleh Hubel dan Wiesel (Hubel & Wiesel, T, 1968) mengenai
visual cortex pada indera penglihatan kucing. Secara teknis, CNN adalah sebuah arsitektur
yang dapat dilatih dan terdiri dari beberapa tahap. Masukan (input) dan keluaran (output) dari
setiap tahap adalah terdiri dari beberapa array yang biasa disebut feature map. Setiap tahap
terdiri dari tiga layer yaitu konvolusi, fungsi aktivasi layer dan pooling layer. Berikut adalah
jaringan arsitektur Convolutional Neural Network
C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset
https://drive.google.com/drive/folders/1nEQjnecHX-mXMH2kl5x518MF9-kusEhz

D. Step by Step

1. Convolution

Convolution layer merupakan bagian dari tahap pada arsitektur CNN. Tahap ini
melakukan operasi konvolusi pada output dari layer sebelumnya. Layer tersebut adalah
proses utama yang mendasari jaringan arsitektur CNN.

2. Pooling

Pooling merupakan pengurangan ukuran matriks dengan menggunakan operasi

pooling. Pooling Layer biasanya berada setelah conv. Pada dasarnya pooling layer
terdiri dari sebuah filter dengan ukuran dan stride tertentu yang akan secara bergantian
bergeser pada seluruh area feature map.

3. Full Connection

Fully-Connected Layer adalah sebuah lapisan dimana semua neuron aktivasi

dari lapisan sebelumnya terhubung semua dengan neuron di lapisan selanjutnya sama
seperti halnya dengan neural network biasa. Pada dasarnya lapisan ini biasanya
digunakan pada MLP ( Multi Layer Perceptron ) yang mempunyai tujuan untuk
melakukan transformasi pada dimensi data agar data dapat diklasifikasikan secara
linear.

4. Dropout Regulation

Dropout merupakan sebuah teknik regulasi jaringan syaraf dengan tujuan

memilih beberapa neuron secara acak dan tidak akan dipakai selama proses pelatihan,
dengan kata lain neuron-neuron tersebut dibuang secara acak. Hal ini berarti bahwa
 kontribusi neuron yang dibuang akan diberhentikan sementara jaringan dan bobot baru
juga tidak diterapkan pada neuron pada saat melakukan backpropagation.

E. Langkah-langkah praktikum

1. Pertama, kita import semua package / library yang dibutuhkan

Gambar 1. Import Library

● Line 1 dan 2 :Kita import matplotlib untuk membuat gambar, membuat area
plot dalam gambar, menambah label di plot dan lainnya.

● Line 3 : Kita Import ImageDataGenerator yang berfungsi untuk memproses

data sebelum di load.

● Line 4 : kita import Sequential untuk model neural network kita yang berupa
sequential network. Untuk diketahui, dasar dari inisialisasi neural network
selain sequential adalah graph.

● Line 5: kita import Conv2D untuk menjalankan operasi konvolusional pada

gambar latih, kita import MaxPooling2D untuk operasi pooling nya.

● Line 6 : Kita Import Activation untuk sebuah fungsi untuk mengaktifkan

neuron berupa nilai yang ada formulanya sendiri, Dropout untuk digunakan
untuk mencegah overfitting sehingga mengurangi koneksi dari neuron, Flutten
untuk membuat input yang memiliki banyak dimensi menjadi satu dimensi,
dan Dense untuk menambahkan layer yang fully connected.

2. Menghubungkan ke Google Drive

Untuk memanggil file di Google Drive pada GColab, terlebih dahulu harus dilakukan
'Mounting' untuk menghubungkan antara Google Drive dan Google Collab
 Gambar 2. Pemanggilan FIle Dengan Path

3. Mengimport Gambar dan pembagian direktori

Gambar 3. Import Library

● Import cv2 digunakan untuk bisa membaca,menampilkan gambar

● Import image untuk memanipulasi gambar

● Import numpy memudahkan operasi komputasi tipe data numerik seperti

penjumlahan, pengurangan, perkalian, pangkat, dan operasi lainnya yang bisa
diterapkan pada vektor atau matriks

Gambar 4. Pembagian direktori Parasitized

 Gambar 5. pembagian direktori Uninfected

- Membaca gambar pada folder Parasitized dan Unifected kemudian manipulasi

gambar seperti color, dan size, kemudian dilakukan menyimpan data gambar
menggunakan array dimana folder Parasitized = 0 dan Unifected = 1.

4. Menampilkan Matrix dari label dan dataset

Menampilkan isi dari dataset dan label menggunakan perintah print()

Gambar 5. menampilkan isi Dataset dan Label

Gambar 6. Isi Dataset dan Label

5. Membuat Model training dan testing

Gambar 7. Membuat model testing dan training

 - Mengimport from sklearn.model_selection import train_test_split untuk membuat
model testing dan training, dan from keras.utils.np_utils import normalize untuk
menormalisasi sebuah data.

6. Permodelan

Selanjutnya masuk ke tahap pemodelan, pertama-tama perlu membangun

arsitektur pemodelan dari CNN dengan menggunakan library tensorflow keras dengan
models Sequential yang telah di import diawal

Gambar 8. Implementasi algoritma CNN

- kemudian panggil fungsi compile dengan menggunakan sintaks

Gambar 9. Fungsi compile

- Kemudian latih model dengan model fit menggunakan syntax berikut:

 Gambar 10. Hasil Perolehan

- Dari hasil tersebut, diperoleh hasil ketika epoch 10/10 yaitu akurasi sebesar
68,7% dan akurasi validasi sebesar 50%.

7. Menampilkan Grafik atau Plot

● Training dan validasi Los

Gambar 11. Tampilan Grafik Training dan Los

● Training dan Validasi Accuracy

Gambar 12. Tampilan Grafik Training dan Validasi Accuracy

 BAB IV

EVALUATION MODEL IMAGE CLASSIFICATION

A. Tujuan Praktikum
1. Mahasiswa mampu memahami model klasifikasi gambar.
2. Mahasiswa mampu memahami penggunaan model klasifikasi gambar .

B. Teori Dasar

Sebuah "Model" dalam ilmu machine learning adalah keluaran atau hasil dari
algoritma pembelajaran yang telah dijalankan pada set data. Model mempresentasikan
apa yang dipelajari oleh algoritma pembelajaran mesin.

Dalam kata lain Model adalah "Benda" yang disimpan setelah menjalankan
algoritma machine learning pada proses pelatihan data dan mewakili aturan, angka, dan
struktur data khusus algoritma lainnya yang diperlukan untuk membuat prediksi.

Image processing adalah suatu bentuk pengolahan atau pemrosesan sinyal

dengan input berupa gambar (image) dan ditransformasikan menjadi gambar lain
sebagai keluarannya dengan teknik tertentu. Image processing dilakukan untuk
memperbaiki kesalahan data sinyal gambar yang terjadi akibat transmisi dan selama
akuisisi sinyal, serta untuk meningkatkan kualitas penampakan gambar agar lebih
mudah diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan
manipulasi dan juga penganalisisan terhadap gambar.

Pengolahan citra digital (image processing) merupakan proses mengolah piksel-

piksel dalam citra digital untuk suatu tujuan tertentu. Sebuah gambar disebut dengan
citra digital apabila gambar yang dihasilkan berasal dari proses sebuah komputer,
kamera, scanner atau perangkat elektronik lainnya. Pengolahan citra digital diproses
oleh komputer dengan menggunakan algoritma. Citra digital direpresentasikan dengan
matriks, sehingga pengolahan pada citra digital pada dasarnya memanipulasi elemen-
elemen matriks yang berupa piksel (A'la 2016).

Image processing adalah suatu bidang yang berorientasi pada pengolahan

gambar yang telah lama berkembang. Teknik-teknik yang dilakukan dalam pengolahan
gambar digunakan untuk mentransformasi suatu gambar ke gambar yang lain, yang
 mana untuk perbaikan informasi dilakukan oleh manusia melalui penyusunan
algoritmanya. Algoritma pengolahan gambar sangat berguna di awal perkembangan
sistem visual, yang dapat dilakukan untuk mengolah suatu gambar sebelum diolah atau
dianalisis lebih jauh yakni seperti penajaman gambar, menonjolkan fitur tertentu dari
suatu gambar, mengkompres gambar dan mengoreksi gambar yang tidak jelas atau blur.

C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis,
menyimpan, serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset dari
https://drive.google.com/drive/folders/1nEQjnecHX-mXMH2kl5x518MF9-kusEhz

D. Step by Step

1. Image Predict

karena pada tahap ini gambar yang ada dalam folder dilakukan prediksi untuk
melihat hasil dari klasifikasi gambar

2. Confusion Matrix

Confusion matrix adalah sebuah tabel yang sering digunakan untuk mengukur
kinerja dari model klasifikasi pada machine learning. Tabel ini menggambarkan
lebih detail tentang jumlah data yang diklasifikasikan dengan benar maupun
salah.

karena dimana pada posisi ini dataset dihitung secara keseluruhan lalu
dilakukan confusion matriks juga bisa dilihat secara grafis dan dimana hasil
proses itu bersifat true positif, true negatif, false positif, dan false negatif.

3. Poc Curve

karena pada bagian ini kita ditunjukkan bagaimana cara menentukan threshold
dari suatu model klasifikasi dan menentukan bagaimana titik curve temu dari
ROC curve .

4. AUC
 Karena pada bagian ini AUC menentukan luas daerah dibawah dari ROC curve
dan untuk mengevaluasi kinerja model dengan kurva.

E. Langkah Langkah Praktikum

1. Proses dimana melakukan prediksi menggunakan model klasifikasi dengan

dataset dengan dataset testing

Gambar 1. Gambar hasil proses gambar

2. Proses pemanggilan library dengan menggunakan confusion matrix lalu

digunakan proses reduksi dengan dataset testing x dan y.

Gambar 2. Import fungsi confusion_matrix dari library sklearn.metrics

3. Pada bagian ini menampilkan grafik dari dataset dengan atribut yang ada.

Gambar 3. Menampilkan plot dari ROC Curve

4. Pada proses ini klasifikasi ROC Curve dilakukan yang dimana menggunakan
syntax roc.iloc dengan ideal_roc_thresh untuk penampilan tampilan informasi
seperti dibawah itu.

Gambar 4. Ideal threshold

5. Pada syntax ini pemanggilan library auc, proses false positive rate, true positive
rate, dan penampilan Area Under Curve

Gambar 3.4 Hasil perhitungan AUC

 BAB V

IMAGE SEGMENTATION USING FEATURE EXTRACTION

RANDOM FOREST ALGORITHM

A. Tujuan Praktikum

1. Mahasiswa mampu memahami tentang ekstraksi dari algoritma Random Forest.

2. Mahasiswa mampu memahami konsep dari algoritma Random Forest.

B. Teori Dasar

Klasifikasi adalah cara untuk mengidentifikasi Teknik pengelompokan dari

banyak data yang diberikan dan bergantung pada target atribut atau output, seluruh
kumpulan data bisa memenuhi syarat menjadi anggota class. Teknik ini membantu
untuk mengidentifikasi perilaku pola data.

Klasifikasi gambar merupakan salah satu metode machine learning / artificial

intelligence yang dapat digunakan untuk mendeteksi sebuah gambar dengan cepat.
Klasifikasi gambar merupakan tugas untuk menetapkan label ke gambar yang telah
kita tentukan kategorinya untuk dijadikan informasi. Secara praktis, berarti tugas
klasifikasi citra adalah untuk menganalisis input citra dan mengembalikan label untuk
dikategorikan. Label pada suatu citra sudah ditentukan sebelumnya.

Klasifikasi random forest dilakukan melalui pembentukan pohon (tree) dengan

melakukan training pada sampel data yang dimiliki. Random Forest dalam melakukan
klasifikasi, menggunakan cara hasil voting keputusan terbanyak berdasarkan dari
pohon yang telah dibentuk.

C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis,
menyimpan, serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset Train.
D. Step by Step

1. Feature extraction atau mendapatkan informasi suatu gambar menggunakan

filter gabor dengan parameter gamma (mempengaruhi tebal tipisnya bar dari
filter gabor), lamda (mempengaruhi panjang pendeknya bar dari filter gabor),
sigma(akan berpengaruh pada jumlah bar/strip filter gabor), dan theta (mengatur
sudut/derajat fungsi gabor).

2. Mengidentifikasi gambar (Segmentasi citra) untuk mendeteksi keberadaan tepi

(edge) dari objek di dalam citra.

- Canny edge : deteksi tepi untuk menyaring kegaduhan dan citra

awal untuk mendapatkan hasil deteksi tepi yang halus.

- Sobel : untuk membangkitkan HPF (High Pass Filter) serta

mengurangi noise.

- Scharr : untuk identifikasi dan menyorot tepi / fitur gradien dengan

turunan pertama yang performanya sangat mirip dengan filter
sobel.

- Prewitt : pengembangan metode robert dengan HPF yang diberi

angka 0 penyangga untuk membangkitkan HPF.

- Gaussian : operator deteksi tepi orde kedua untuk mengurangi

tingkat sensitif terhadap derau, dimana penggunaan fungsi
gaussian ini dapat memuluskan citra dan berdampak pada
pengurangan noise pada citra.

- Median : menunjukkan ukuran dispersi dari suatu citra.

- Variance : menunjukkan variasi elemen-elemen matriks

kookurensi citra dengan transisi derajat keabuan kecil akan
memiliki varians yang kecil pula.

3. Membagi data menjadi data training dan data testing untuk mengetahui
performa dari sistem.
 4. Mengklasifikasi menggunakan random forest yang dilakukan melalui
pembentukan pohon (tree).

E. Langkah - Langkah Praktikum

1. Melakukan import library - library yang akan digunakan, menghubungkan

Google Drive ke dalam Google Collab untuk pengambilan dataset, serta
memanggil, membaca, mendefinisikan isi dari dataset, serta menunjukkan isi
dari dataset kita.

Gambar 1. Import Library dan Menghubungkan Google Drive

2. Melakukan proses penggambaran suatu informasi dengan menggunakan filter

gabor dengan parameter gamma, lamda, sigma dan theta.

Gambar 2. Penggunaan Filter Gabor

3. Mengidentifikasi gambar (segmentasi citra) untuk mendeteksi keberadaan tepi

(edge) dari objek di dalam citra.
- Canny edge

Gambar 3. Syntax Canny Edge

- Robert edge

Gambar 4. Syntax Rober Edge

- Sobel

Gambar 5. Syntax Sobel

- Scharr

Gambar 6. Syntax Scharr

- Prewitt

Gambar 7. Syntax Prewitt

- Gaussian

Gambar 8. Syntax Gaussian Sigma 3

Gambar 9. Syntax Gaussian Sigma 7

- Median

Gambar 9. Syntax Median Sigma 3

 - Variance

Gambar 10. Syntax Variance

4. Untuk mengetahui label dari setiap filter pendeteksi keberadaan tepi (edge).

Gambar 11. Pemberian Label

5. Melakukan split data untuk data training dan data testing untuk mengetahui
performa sistem.

Gambar 12. Split Data Training

6. Proses klasifikasi Random Forest, proses pembentukan pohon dengan

melakukan training pada sampel data.

Gambar 13. Proses Klasifikasi Random Forest

7. Melakukan penyimpanan, pembacaan model, serta menunjukkan hasil dari
pengklasifikasian.

Gambar 14. Proses Penyimpanan Model

 BAB VI

AUTOENCODER CONVERT IMAGE TO BINARY

A. Tujuan Praktikum
1. Mahasiswa mampu memahami tentang ekstraksi dari algoritma Random Forest.
2. Mahasiswa mampu memahami konsep dari algoritma Random Forest.
B. Teori Dasar

Autoencoder adalah model neural network yang memiliki input dan output yang
sama. Autoencoder mempelajari data input dan berusaha untuk melakukan rekonstruksi
terhadap data input tersebut. Autoencoder biasa digunakan untuk mengurangi dimensi
dari features (Dimensionality Reduction). Jika kita mempunyai data yang mempunyai
dimensi yang sangat tinggi (data dengan jumlah features yang sangat banyak) bisa jadi
tiap features yang ada tersebar pada setiap dimensi dari data sehingga setiap data yang
ada terlihat sangat berbeda. Untuk mengatasi masalah tersebut kita membutuhkan data
yang sangat banyak atau mengurangi dimensi data tersebut. Kita bisa menggunakan
PCA, t-SNE ataupun Autoencoder.

Autoencoder terdiri dari dua bagian utama yaitu encoder dan decoder. Encoder.
Diantara encoder dan decoder, terdapat code layer atau bisa juga dibilang target layer
(istilah saya sendiri). Jumlah neuron pada code layer adalah jumlah dimensi yang kita
harapkan untuk mengurangi dimensi dari data kita.

C. Tools dan Dataset

- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis,
menyimpan, serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset yang kita buat sendiri berupa foto
yang kita inginkan untuk diolah pada praktikum kali ini.
D. Step by Step
1. Menyiapkan data serta library yang akan digunakan.
2. Library keras merupakan library jaringan syaraf tiruan tingkat tinggi yang
ditulis dengan bahasa python dan mampu berjalan di atas TensorFlow, CNTK,
atau Theano.
 3. Pembuatan sequential model, linear sequential model atau kadang disebut
classic life cycle atau waterfall model, menganjurkan suatu sistematik
pendekatan sekuensial untuk pengembangan perangkat lunak yang dimulai dari
tingkat dan kemajuan sistem melalui analisis, desain, pengkodean, testing dan
support.
4. Pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang
akan bergeser pada seluruh area feature map.
5. Melatih model serta melakukan shuffle pada boolean jadi isi true kemudian
menampilkan hasil dari model tersebut.
E. Langkah - Langkah Praktikum
1. Menghubungkan halaman kerja Google Colab dengan Google Drive.
2. Mengimport library - library yang akan digunakan.

Gambar 1. Import library

3. Mengimport gambar lalu melakukan coloring dan resize menggunakan cv2

serta menambahkan array.

Gambar 2. Import gambar, coloring dan resize, serta penambahan array

4. Pembuatan model sequential secara bertahap mulai dari membuat tumpukan

Conv2D dan MaxPooling2D untuk menurunkan peta fitur gambar.
Menambahkan model compile dan tampilkan isinya.
 Gambar 3. Pembuatan model

5. Membuat ketetapan dari model yang akan dibuat, disini kita mengubahnya
menjadi nilai boolean, melakukan prediksi, dan tampilkan hasilnya.

Gambar 4. Menampilkan hasil akhir

 BIOGRAFI, KESAN DAN PESAN

Nama Bukhari, biasa dipanggil Ari. Warga Bantaeng asli.

Hobinya seperti anak laki - laki pada umumnya, ngegame. Ari
juga senang berenang dan ngedesain. Di waktu senggang, Ari
biasa menerima jasa desain.

Kesan dan Pesan : Kesan saya sangat senang karena asisten

dosennya yang ramah✌ 🏻Terus belajar jangan tegang🏻,.

Hasbullah Dedat Hasbalah Mahtar, biasa disapa Bullah. Beralamat

di Jalan Perintis Kemerdekaan. Hobinya juga ngegame. Bullah juga
dikenal sebagai tukang desain grafis atau freelancer karena
seringnya mengambil pekerjaan yang berhubungan dengan desain
grafis serta lamanya ia berkutat di dunia desain grafis.

Pesan dan Kesan : saya suka asdosnya karena beda dari yang lain
seimbang komedinya sama belajarnya, intinya tetap belajar dan
semangat

Reza Faisal, biasa dipanggil Reza ini beralamat di Samata, Gowa.

hobinya dengar lagu.

Pesan dan Kesan : Selama praktikum asistennya sudah baik dalam

menangani praktikum karena menguasai materi dengan dengan baik
dan mudah di pahami
 Raniah Auranti Akil, akrabnya dipanggil Raniah. Lahir
dan besar di Makassar, tahun ini berumur 21 tahun.. Hobinya
dengar musik dimanapun, kapanpun, walaupun cita - citanya
bukan jadi musisi. Akhir - akhir ini sibuk dengan tugas kuliah
yang tidak ada ujungnya. Alhamdulillah masih bisa survive di TI
sampai semester ini.

Kesan dan Pesan : Selama mengikuti kelas machine

learning membuat saya yakin buat menjadi seorang data science
tidak mudah yaa, tapi seru sebenarnya kalau serius mau

dipelajari ini. Kakak - kakak asdosnya juga baik sekali, sabar lagi, baru penjelasannya tidak
mutar - mutar dulu. Biar mami itu tugasnya banyaak sekali setiap minggu, tulis tangan lagi :).
Terima kasih kakak - kakak sudah sabar ajar kita - kita yang menyebalkan, semangaaat.

Ulfa Rahmayani, biasa dipanggil Ulfa. Orang Barru asli, tahun ini
umurnya sudah 21 tahun. Hobinya dengar lagu. Riwayat
pendidikannya SDI 33 Barru, SMPN 1 Barru, SMAN 1 Barru.

Kesan dan Pesan : selama praktikum asisten dosennya sangat baik

dan ramah materi mudah dipahami