Oleh :
Dicky Chandra Tri Buhana
200533628022
UNIVERSITAS NEGERI
MALANG FAKULTAS TEKNIK
DEPARTEMEN TEKNIK ELEKTRO DAN
INFORMATIKA PRODI S1 PENDIDIKAN TEKNIK
INFORMATIKA
NOVEMBER 2023
A. PRAKTIKUM 1
1. Percobaan 1
2. Percobaan 2
Ouput pengujian!
<class 'numpy.ndarray'>
(1024, 1024, 3)
3145728
uint8
4. Tampilkan gambar biner dan gambar keabuan pada gambar yang telah anda gunakan!
4. Percobaan 4
Output pengujian
5. Percobaan 5
Hasil uji coba
6. Percobaan 6
Analisis program :
Dilakukan beberapa operasi pada gambar yang dimuat menggunakan OpenCV dan modul
`skimage` untuk mengonversinya ke ruang warna Lab (CIELAB) dan kemudian mengembalikannya
ke RGB. Berikut adalah analisis berdasarkan hasil yang dihasilkan oleh kode program ini:
5. **Menampilkan Gambar**:
- menggunakan `matplotlib` untuk menampilkan gambar-gambar ini dalam tiga subplot
berdampingan pada satu jendela grafik.
Perubahan dalam kecerahan kedua gambar terakhir adalah hasil dari operasi yang terapkan pada
gambar asli.
7. Percobaan 7
Menerapkan berbagai jenis kernel konvolusi ke gambar, dan beberapa di antaranya dapat
dikategorikan sebagai filter low-pass, high-pass, atau medium (band-pass) berdasarkan ciri-ciri nilai
kernel. Berikut penjelasan singkat tentang masing-masing kategori:
Filter Low-Pass:
Kernel Rata-Rata (kernel): Kernel ini adalah filter low-pass yang paling sederhana. Semua
elemen kernel memiliki nilai yang sama, dalam hal ini 1/25, yang mengindikasikan bahwa
itu adalah filter rata-rata. Ini digunakan untuk menghaluskan gambar dengan mengurangi
detail tajam dan noise. Ini adalah jenis filter yang baik untuk menghilangkan noise dalam
gambar.
Filter High-Pass:
Kernel Sharpen (sharpen_kernel): Kernel ini adalah filter high-pass yang digunakan untuk
meningkatkan ketajaman gambar. Ini memiliki nilai positif di tengah kernel yang
mendapatkan bobot yang lebih tinggi, sehingga mempertahankan detail tajam dalam gambar
dan meningkatkannya. Filter ini dapat meningkatkan kontras dan detail dalam gambar.
Kernel Laplacian (laplacian_kernel): Kernel ini juga dapat dianggap sebagai filter high-pass.
Ini digunakan untuk mendeteksi perubahan mendalam dalam gambar dan dapat menyoroti
tepi dan detail yang tajam. Hasilnya sering kali menghasilkan gambar yang lebih tajam.
Filter Medium (Band-Pass):
Kernel Convolution (convolution_kernel): Kernel ini adalah filter yang berbeda. Meskipun
bukan filter low-pass atau high-pass murni, itu adalah kernel yang menggabungkan beberapa
elemen positif dan negatif. Ini bisa digunakan untuk mempengaruhi gambar dengan cara
yang lebih kompleks daripada filter rata-rata atau sharpen. Ini juga dapat mempengaruhi
kontras dan menyoroti detail tertentu dalam gambar.
Kernel Emboss (emboss_kernel): Kernel ini juga adalah filter medium (band-pass) yang
menciptakan efek tiga dimensi pada gambar dengan mengubah pencahayaan. Ini
menghasilkan gambar dengan efek timbul (emboss) yang menyoroti perubahan kontras yang
signifikan dalam gambar.
Filter High-Pass untuk Deteksi Tepi:
Kernel Sobel Horizontal (sobel_horizontal): Kernel ini adalah filter high-pass yang
digunakan khusus untuk mendeteksi tepi vertikal dalam gambar.
Kernel Sobel Vertical (sobel_vertical): Kernel ini adalah filter high-pass yang digunakan
khusus untuk mendeteksi tepi horizontal dalam gambar.
Perbedaan utama antara filter low-pass, high-pass, dan medium (band-pass) adalah bagaimana
mereka mempengaruhi frekuensi dalam gambar. Filter low-pass mempertahankan frekuensi rendah
(menghaluskan gambar), filter high-pass mempertahankan frekuensi tinggi (menyoroti detail dan
tepi), dan filter medium (band-pass) mempertahankan frekuensi dalam jangkauan tertentu, yang
dapat mempengaruhi berbagai aspek gambar.
B. PRAKTIKUM 2
1. Fitur Titik
a) 1
Script
Hasil
b) 2
Script
Hasil
2. Fitur Warna
Script
Hasil
3. Fitur Tekstur
Script
Hasil
4. Feature Detection and Matching
Script
Hasil
5. Latihan Template Matching
Script
Hasil
C. PRAKTIKUM 3
1. Praktikum deteksi tepi
1) Script
Hasil
2) Script
Hasil
2. Praktikum Thresholding Global
Script
Hasil
3. Praktikum Thresholding Otsu
1) 1
Script
Hasil
2) 2
Script
Hasil
2) Script
Hasil
D. PRAKTIKUM 4
Script
Hasil
E. PRAKTIKUM 5
1. Praktikum klasifikasi dengan Neural Network (Tensor Flow)
Script
Hasil
2. Klasifikasi dengan SVM
Script
Hasil
3. Klustering Menggunakan KNN
Script
Hasil
F. PRAKTIKUM 6
Script
Hasil Script Pertama
Script Lanjutan
Hasil Lanjutan
Setelah di Capture
Hasil