Minggu, 19 Mei 2019

Ulasan produk Belajar Mudah Python Dengan Package Open Source - Mulkan Syarif - Kab. Sleman - Toko Buku Kuliah Elmaira | Tokopedia

Ulasan produk Belajar Mudah Python Dengan Package Open Source - Mulkan Syarif - Kab. Sleman - Toko Buku Kuliah Elmaira | Tokopedia: Ulasan / review produk Belajar Mudah Python Dengan Package Open Source - Mulkan Syarif ,Pengetahuan Umum dengan harga Rp 75.000 dari toko online Toko Buku Kuliah Elmaira, Kab. Sleman. Cari product Pengetahuan Umum lainnya di Tokopedia. Jual beli online aman dan nyaman hanya di Tokopedia.

Sabtu, 18 Mei 2019

Kernel Function to Machine Learning


Bila anda bekerja dengan kasus machine learning, tentu pemilihan jenis kernel sangatlah penting, ada banyak jenis kernel, karena penulis sedang mempelajari Support Vector Regression yang membutuhkan kernel trick,

clc; clear all;close all;
x = load('data.csv'); %terdiri dari 2 kolom 
target = load('target.csv'); %target kelas
kernel = @(x) exp(-1*sum(x.^2,2)); %cara kedua
z = kernel(x);
figure()
scatter(x(target==0,1),x(target==0,2))
hold on
scatter(x(target==1,1),x(target==1,2))
xlabel('x'),ylabel('y')
title('Plot Data sebelum hyperplane')
hold off;

figure()
scatter3(x(target==0,1),x(target==0,2),z(target==0))
hold on
scatter3(x(target==1,1),x(target==1,2),z(target==1))
xlabel('x'),ylabel('y'),zlabel('z');
hold off
title('Plot Data setelah hyperplane')


Matlab-Simple Quadratic Programing


Note that xT denotes the transpose of x, and Ax < b means that the inequality is taken element-wise over the vectors Ax and b. The above objective function is convex if and only if H is positive- semidefinite. The quadprog function expects a problem of the above form, defined by the parameters fH; f; A; b; Aeq; beq; l; u; x0; H and f are required, the others are optional (empty matrix [])

Jumat, 17 Mei 2019

Matlab - membuat KFold pada dataset



Kfold Validation banyak digunakan untuk menguji kestabilan sebuah algoritma terhadap beberapa kasus yang bersifat klasifikasi yaitu dengan melipat data sebanyak K dan mengulangi (men-iterasi) experimennya sebanyak K juga. Seperti ilustrasi berikut

Rabu, 10 April 2019

Neural Network Training Using Particle Swarm Optimization


Neural Network Backprogation  (NN BP) sering digunakan dalam beberapa kasus bersifat non linear. Hasil training pada NN BP adalah bobot, dalam hal ini merupakan ‘memory’ yang akan digunakan untuk melakukan prediksi/klasifikasi. Sesuatu yang umum dalam inisialisasi bobot di NN BP menggunakan bilangan random maka hal tersebut menjadi trial and error.

Pada tulisan ini, kita bisa menggunakan Particle Swarm Optimization (PSO) untuk mencari bobot yang optimal sebagai pengganti, yang semula inisialisasi bobot secara random. Adapun fitness function PSO yang digunakan dari function forward NN BP. Kebalikan dari NN BP, untuk input ke PSO berupa bobot sebagai partikelnya.

IMPLEMENTASI PARTICLE SWARM OPTIMIZATION UNTUK INISIALISASI BOBOT PADA NEURAL NETWORK BACKPROPAGATION

Sabtu, 23 Maret 2019

Heuristik dan Metaheuristik




Heuristik (yunani heuriskein) yaitu  seni untuk menemukan strategi dalam menyelesaikan persoalan sedangkan meta berarti metodologi tingkat tinggi atau lanjut (Talbi, 2009).  Di dalam ilmu komputer, metode heuristik merupakan suatu teknik untuk penyelesaian permasalahan yang tidak menekankan pada pembuktian apakah solusi yang didapatkan adalah benar (pembuktian apakah suatu solusi adalah benar merupakan fokus dari metode penyelesaian analitik), tetapi lebih menekankan pada performa komputasi dan kesederhanaan. Metode heuristik  merupakan suatu metode penyelesaian yang menggunakan konsep pendekatan.

Jumat, 15 Maret 2019

Matlab-FireFly Algorithm

Penulis mencoba untuk menulis code Algoritma Kunang-Kunang menggunakan Octave (sintaks mirip dengan matlab) agar code nya lebih mudah dipelajari dan lebih sedikit. Langsung saja, sebuah persamaan berikut dengan fungsi objektif

Kamis, 14 Maret 2019

Python-Generating Code Documentation dengan Pweave


Hal yang biasa kita jumpai dengan klien adalah membuat alur kerja serta bentuk visualisasi nya step by step, nah agak merepotkan. Ada tools yang sangat bermanfaat sekali untuk mempermudah hal tersebut dengan menggunakan http://mpastell.com/pweave/docs.html
Ref:  https://blog.sicara.com/jupyter-notebook-analysis-production-b2d585204520
Berikut hasil report dengan format HTML


Sabtu, 09 Maret 2019

Python-Radial Basis Function Networks Data Trend Model

RBF net dapat digunakan untuk aproksimasi sebuah model forecasting yang mempresentasikan sebuah data yang mengandung pola trend.  RBF menggunakan distribusi gaussian sebagai basis function nya.  Sebelum melangkah lebih jauh mengenai RBF, maka perlu sedikit membahas distribusi gaussian. 

Jumat, 08 Maret 2019

Python-Feature Selection untuk Meningkatkan AKurasi Dataset



Berbicara analisis data, maka tahap paling penting yaitu feature selection yang berguna untuk ‘membuang’ data yang tidak ada korelasinya, sehingga akan meningkatkan keakuratan data dalam melakukan prediksi.

Senin, 04 Maret 2019

Python-Scene Text detection

Scene text detection merupakan suatu proses untuk mengkonversi region text  yang memungkinkan dibaca oleh sebuah komputer, ada perbedaan yang mendasar mengenai recognition vs scene text detection seperti berikut
  1. clean background vs. cluttered background
  2. regular font vs. various fonts
  3. plain layout vs. complex layouts
  4. monotone color vs. different colors

Tantangan utama dari Scene text detection yaitu
  1. Diversity of scene text: different colors, scales, orientations, fonts, languages
  2. Complexity of background:  elements like signs, fences, bricks, and grasses are virtually indistinguishable from true text
  3. Various interference factors:  noise, blur, non-uniform illumination, low resolution, partial occlusion
Metode Konvensional untuk text detection yaitu
MSER:
  1. extract character candidates using MSER (Maximally Stable Extremal Regions), assuming similar color within each character
  2. robust, fast to compute, independent of scale
  3. limitation: can only handle horizontal text, due to features and linking strategy

SWT
  1. extract character candidates with SWT (Stroke Width Transform), assuming consistent stroke width within each character
  2. robust, fast to compute, independent of scale
  3. limitation: can only handle horizontal text, due to features and linking strategy
Deep Learning menggunakan EAST yaitu Efficient and Accurate Scene Text
https://arxiv.org/abs/1704.03155

Kode: https://github.com/argman/EAST
  1. main idea: predict location, scale and orientation of text with a single model and multiple loss functions (multi-task training)
  2. advantages: (a). accuracy: allow for end-to-end training and optimization;  (b). efficiency: remove redundant stages and processings
Lagi malas buat terjemahkan (:)

Minggu, 17 Februari 2019

Python - KMeans Clustering

UPDATE: 17 FEBRUARI 2019
BAHASA: PYTHON
SYSTEM:
a.    Windows 10
b.    Python : 3.6.3
c.    Numpy : 1.14.2
d.    Pandas : 0.20.3
e.    Matplotlib: 2.2.2

PENGANTAR:

Kmeans clustering yang ditulis diambil dari referensi berikut:
  1. https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_ml/py_kmeans/py_kmeans_understanding/py_kmeans_understanding.html
  2. https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_ml/py_kmeans/py_kmeans_opencv/py_kmeans_opencv.html#additional-resources
Penulis menulis ulang diluar library opencv agar mudah dipelajari

DATASET:

Untuk dataset, kita mencoba untuk versi simple  dengan sebuah array berikut

data_masuk = np.array([[7,8],
                        [4,13],
                        [8,7],
                        [8 ,9],
                        [3 ,12],
                        [3 ,1],
                        [5 ,3],
                        [3 ,13],
                        [9 ,8],
                        [3 ,5],
                        [8 ,8],
                        [2 ,13],
                        [1 ,3],
                        [3 ,14]],dtype='float32')

Selasa, 12 Februari 2019

Python – Watershed Segmentation

UPDATE: 12 FEBRUARI 2019
BAHASA: Python
SYSTEM: OpenCV 4.0.0

PENGANTAR

Teknik image segmentation seringkali telah banyak dibahas, adapun untuk postingan kali ini, penulis menerapakan watershed segmentation dengan melibatkan Kmeans clustering sebagai tahap pre prosesing sebelum di input kedalam watershed segmentation

DATASET



Rabu, 06 Februari 2019

C# - Fuzzy C Means Clustering



UPDATE: 01 FEBRUARI 2019
BAHASA: C#
SYSTEM:
a.    Windows 10
b.    IDE : SharpDevelop Version : 5.1.0.5216-0e58df71
c.    .NET Version         : 4.7.03056

PENGANTAR:

Clustering adalah bahasan cukup sering kita dengar pada teknik data minning. Ada banyak teknik yang bisa kita gunakan, mulai dari algoritma kmeans clustering, k-nearest neighbor, ataupun fuzzy c-means clustering, kohonen (versi  LVQ unsupervisi).  Penulis menggunakan fuzzy c-means clustering untuk menentukan center tiap kelompok data. Kamu bisa membaca tutorial di https://edrianhadinata.wordpress.com/2013/12/19/metode-clustering-algoritma-fuzzy-cmeans/.

Selasa, 05 Februari 2019

Matlab-Enkripsi Citra Digital dengan logistic Maps- Random Generator


[ www.softscients.web.id - topik pengolahan citra digital dengan matlab]. Teknik enkripsi pada citra digital banyak digunakan untuk melindungi informasi dari citra tersebut, salah satunya menggunakan teknik chaos (logistic maps), Anda bisa membaca link berikut https://en.wikipedia.org/wiki/Logistic_map



Xn mempunyai nilai 0 sampai 1 yang mempresentasikan sebuah rasio keberadaan populasi dari sebuah populasi maksimum
r nilai dengan rentang 0 sampai 4
Persamaan diatas menghasilkan ploting yang bersifat nonlinear sebagai berikut, Penulis menggunakan nilai X(n=1)  = 0.23456 atau disebut X0

Selasa, 15 Januari 2019

OpenCV-Color Grouping


Color Segmentation selain menggunakan teknik inrange(), kita bisa menggunakan grouping yaitu Kmeans Clustering. Library OpenCV sudah dilengkapi dengan function Kmeans() yaitu

Minggu, 13 Januari 2019

OpenCV and Python Color Detection


Segmentasi warna menggunakan OpenCV dipermudah oleh dengan adanya function inRange(). Seperti potongan kode berikut

Minggu, 06 Januari 2019

C# - Learning Vector Quantization




UPDATE: 01 FEBRUARI 2019
BAHASA: C#
SYSTEM:
  1. Windows 10
  2. IDE : SharpDevelop Version : 5.1.0.5216-0e58df71
  3. NET Version         : 4.7.03056

PENGANTAR

Mengenal LVQ yaitu algoritma non linear yang bekerja untuk melakukan klasifikasi supervisi sehingga kita harus mempunyai input dan target yang telah diketahui sebagai ‘bahan’ untuk mencari nilai ‘bobot’ yang optimal
Aturan LVQ agar berbeda dengan backpropagation yaitu lebih simple tidak menggunakan fungsi aktifasi, tapi yang lebih penting adalah bobot awal yang digunakan harus tepat.