uas teknik komputasi - yoga prihastomofiles.yogaprihastomo.com/kuliah/strata dua/semester...

Halaman 0

Teknik Komputasi Ujian Akhir Semester (UAS)

Dosen : Dr. Ir. Nazori Az, MT.

Nama : Yoga Prihastomo NIM : 1011601026 Kelas : XB

MMAAGGIISSTTEERR IILLMMUU KKOOMMPPUUTTEERR UUNNIIVVEERRSSIITTAASS BBUUDDII LLUUHHUURR 22001111

Teknik Komputasi: Ujian Akhir Semester (UAS)

Halaman 1

∑=

−=N

iii xx

N 1

2)(1σ

∑=

=N

iX

N 11

1μ

A. Soal Diketahui sebuah citra tekstur yang akan diuji kemiripannya dengan metode jarak Euclidean. Tentukan besar jarak antar citra X yang akan diuji dengan citra lainnya dan urutkan hasilnya dengan citra yang paling mirip (nilai jarak yang paling kecil) berdasarkan ciri‐ciri: a. Intensitas warna b. Energi c. Entropi d. Standard deviasi e. Rata‐rata f. Homogeniti g. Kontras

Catatan:

Ke‐10 citra yang diuji berukuran sama dan diambil dari database online: brodatz textures

B. Jawaban 1. Terminologi

Sebuah citra mempunyai beberapa ciri yang digunakan untuk mengenali citra tersebut, antara lain: Intensitas warna (σ) Nilai rata‐rata (μ) Entropi (e) Energi (E) Homogeniti (H) Kontras (C) Rumusan:

Ciri‐Ciri Rumusan

Standard deviasi Intensitas warna Nilai rata‐rata


Halaman 2

∑=

−=n

iii xPxpe

1)(log)(

∑ ∑= =

=M

x

N

yjj yxP

NxME

1 1

2)],([1

∑∑−+

=i j

djijiPH

1),(

∑∑ −=i j

d jiPjiC ),()( 2

]..,..........,,,[],..........,,,[

321

321

n

n

bbbbbdanaaaaa

==

2233

222

211 ).........()()()( nn babababaab −+−+−+−=

Entropi

Energi

Homogeniti

Kontras

Jarak Euclidean, jika diketahui dua buah

Jika n buah citra, masing‐masing mempunyai ciri‐ciri yang dibentuk oleh vektor‐vektor adalah sebagai berikut: Misal sebuah citra x yang akan diuji, citra mana yang paling mirip dengan citra x, dengan metode Euclidean dapat ditentukan besarnya jarak antar citra tsb. Citra yang paling mirip adalah citra yang mempunyai nilai jarak Euclidean paling kecil.

][..............................................

][][

2222222

1111111

nnnnnnn hcpeC

hcpeChcpeC

μσ

μσμσ

=

==


Halaman 3

2. Jawaban Sumbef gambar adalah: http://www.ux.uis.no/~tranden/brodatz.html Diakses tanggal: 25 Desember 2011.

Nama Citra Nama Citra Nama Citra

D81.gif D82.gif D83.gif

D84gif D85.gif D86.gif

D87.gif D88.gif D89.gif

D90.gif


Halaman 4

Script Matlab: %UAS Image Analysis %Yoga Prihastomo clear all clc format longG %Image Reading I1 = imread('c:\gambar\D81.gif'); I2 = imread('c:\gambar\D82.gif'); I3 = imread('c:\gambar\D83.gif'); I4 = imread('c:\gambar\D84.gif'); I5 = imread('c:\gambar\D85.gif'); I6 = imread('c:\gambar\D86.gif'); I7 = imread('c:\gambar\D87.gif'); I8 = imread('c:\gambar\D88.gif'); I9 = imread('c:\gambar\D89.gif'); I10 = imread('c:\gambar\D90.gif'); %Analisa Image 1 av_1 = mean2(I1); ent_1 = entropy(I1); std_1 = std2(I1); stats1 = graycoprops(I1); A1 = [stats1(1,1).Contrast]; cont_1 = A1(1,1); B1 = [stats1(1,1).Correlation]; corr_1 = B1(1,1); C1 = [stats1(1,1).Energy]; ener_1 = C1(1,1); D1 = [stats1(1,1).Homogeneity]; homo_1 = D1(1,1); %Analisa Image 2 av_2 = mean2(I2); ent_2 = entropy(I2); std_2 = std2(I2); stats2 = graycoprops(I2); A2 = [stats2(1,1).Contrast]; cont_2 = A2(1,1); B2 = [stats2(1,1).Correlation]; corr_2 = B2(1,1); C2 = [stats2(1,1).Energy]; ener_2 = C2(1,1); D2 = [stats2(1,1).Homogeneity]; homo_2 = D2(1,1); %Analisa Image 3 av_3 = mean2(I3); ent_3 = entropy(I3); std_3 = std2(I3); stats3 = graycoprops(I3); A3 = [stats3(1,1).Contrast]; cont_3 = A3(1,1);


Halaman 5

B3 = [stats3(1,1).Correlation]; corr_3 = B3(1,1); C3 = [stats3(1,1).Energy]; ener_3 = C3(1,1); D3 = [stats3(1,1).Homogeneity]; homo_3 = D3(1,1); %Analisa Image 4 av_4 = mean2(I4); ent_4 = entropy(I4); std_4 = std2(I4); stats4 = graycoprops(I4); A4 = [stats4(1,1).Contrast]; cont_4 = A4(1,1); B4 = [stats4(1,1).Correlation]; corr_4 = B4(1,1); C4 = [stats4(1,1).Energy]; ener_4 = C4(1,1); D4 = [stats4(1,1).Homogeneity]; homo_4 = D4(1,1); %Analisa Image 5 av_5 = mean2(I5); ent_5 = entropy(I5); std_5 = std2(I5); stats5 = graycoprops(I5); A5 = [stats5(1,1).Contrast]; cont_5 = A5(1,1); B5 = [stats5(1,1).Correlation]; corr_5 = B5(1,1); C5 = [stats5(1,1).Energy]; ener_5 = C5(1,1); D5 = [stats5(1,1).Homogeneity]; homo_5 = D5(1,1); %Analisa Image 6 av_6 = mean2(I6); ent_6 = entropy(I6); std_6 = std2(I6); stats6 = graycoprops(I6); A6 = [stats6(1,1).Contrast]; cont_6 = A6(1,1); B6 = [stats6(1,1).Correlation]; corr_6 = B6(1,1); C6 = [stats6(1,1).Energy]; ener_6 = C6(1,1); D6 = [stats6(1,1).Homogeneity]; homo_6 = D6(1,1); %Analisa Image 7 av_7 = mean2(I7); ent_7 = entropy(I7); std_7 = std2(I7); stats7 = graycoprops(I7); A7 = [stats7(1,1).Contrast];


Halaman 6

cont_7 = A7(1,1); B7 = [stats7(1,1).Correlation]; corr_7 = B7(1,1); C7 = [stats7(1,1).Energy]; ener_7 = C7(1,1); D7 = [stats7(1,1).Homogeneity]; homo_7 = D7(1,1); %Analisa Image 8 av_8 = mean2(I8); ent_8 = entropy(I8); std_8 = std2(I8); stats8 = graycoprops(I8); A8 = [stats8(1,1).Contrast]; cont_8 = A8(1,1); B8 = [stats8(1,1).Correlation]; corr_8 = B8(1,1); C8 = [stats8(1,1).Energy]; ener_8 = C8(1,1); D8 = [stats8(1,1).Homogeneity]; homo_8 = D8(1,1); %Analisa Image 9 av_9 = mean2(I9); ent_9 = entropy(I9); std_9 = std2(I9); stats9 = graycoprops(I9); A9 = [stats9(1,1).Contrast]; cont_9 = A9(1,1); B9 = [stats9(1,1).Correlation]; corr_9 = B9(1,1); C9 = [stats9(1,1).Energy]; ener_9 = C9(1,1); D9 = [stats9(1,1).Homogeneity]; homo_9 = D9(1,1); %Analisa Image 10 av_10 = mean2(I10); ent_10 = entropy(I10); std_10 = std2(I10); stats10 = graycoprops(I10); A10 = [stats10(1,1).Contrast]; cont_10 = A10(1,1); B10 = [stats10(1,1).Correlation]; corr_10 = B10(1,1); C10 = [stats10(1,1).Energy]; ener_10 = C10(1,1); D10 = [stats10(1,1).Homogeneity]; homo_10 = D10(1,1); %Menghitung Jarak Euclidean Antara Masing-masing Image euc_1 = sqrt((av_1-av_2)^2+(ent_1-ent_2)^2+(std_1-std_2)^2+(cont_1-cont_2)^2+(corr_1-corr_2)^2+(ener_1-ener_2)^2+(homo_1-homo_2)^2);


Halaman 7

euc_2 = sqrt((av_1-av_3)^2+(ent_1-ent_3)^2+(std_1-std_3)^2+(cont_1-cont_3)^2+(corr_1-corr_3)^2+(ener_1-ener_3)^2+(homo_1-homo_3)^2); euc_3 = sqrt((av_1-av_4)^2+(ent_1-ent_4)^2+(std_1-std_4)^2+(cont_1-cont_4)^2+(corr_1-corr_4)^2+(ener_1-ener_4)^2+(homo_1-homo_4)^2); euc_4 = sqrt((av_1-av_5)^2+(ent_1-ent_5)^2+(std_1-std_5)^2+(cont_1-cont_5)^2+(corr_1-corr_5)^2+(ener_1-ener_5)^2+(homo_1-homo_5)^2); euc_5 = sqrt((av_1-av_6)^2+(ent_1-ent_6)^2+(std_1-std_6)^2+(cont_1-cont_6)^2+(corr_1-corr_6)^2+(ener_1-ener_6)^2+(homo_1-homo_6)^2); euc_6 = sqrt((av_1-av_7)^2+(ent_1-ent_7)^2+(std_1-std_7)^2+(cont_1-cont_7)^2+(corr_1-corr_7)^2+(ener_1-ener_7)^2+(homo_1-homo_7)^2); euc_7 = sqrt((av_1-av_8)^2+(ent_1-ent_8)^2+(std_1-std_8)^2+(cont_1-cont_8)^2+(corr_1-corr_8)^2+(ener_1-ener_8)^2+(homo_1-homo_8)^2); euc_8 = sqrt((av_1-av_9)^2+(ent_1-ent_9)^2+(std_1-std_9)^2+(cont_1-cont_9)^2+(corr_1-corr_9)^2+(ener_1-ener_9)^2+(homo_1-homo_9)^2); euc_9 = sqrt((av_1-av_10)^2+(ent_1-ent_10)^2+(std_1-std_10)^2+(cont_1-cont_10)^2+(corr_1-corr_10)^2+(ener_1-ener_10)^2+(homo_1-homo_10)^2); euc_total = [euc_1,euc_2,euc_3,euc_4,euc_5,euc_6,euc_7,euc_8,euc_9] %Menampilkan Nilai Euclidean Minimum dari Matriks euc_total euc_min = min(euc_total)


Halaman 8

C. Analisa Hasil Dari kompilasi script Matlab di atas didapatkan hasil sebagai berikut: Variables

Images Average Entropy Standard

Deviation Contrast Correlation Energy Homogenity

D81.gif 105.6751 6.4237 58.0112 66602.4970 0.0426 3.1772e‐06 0.0174

D82.gif 146.7404 5.3969 47.8563 69489.1057 ‐0.0015 2.7011e‐06 0.0172

D83.gif 121.1981 5.8093 46.5325 69177.6566 ‐0.0099 2.8013e‐06 0.0171

D84.gif 110.0462 6.3917 58.8784 68401.4870 0.0080 3.1403e‐06 0.0173

D85.gif 149.9369 5.8610 49.3649 69879.6769 ‐0.0106 2.7061e‐06 0.0171

D86.gif 90.4777 6.2262 58.7261 69357.2689 0.0098 3.4699e‐06 0.0167

D87.gif 107.9567 6.0511 78.2380 68716.5655 ‐0.0011 3.7237e‐06 0.0172

D88.gif 141.1719 5.4952 83.8849 70097.1224 ‐0.0119 3.3035e‐06 0.0139

D89.gif 173.6082 5.4681 62.8249 68115.1505 ‐0.0093 2.7612e‐06 0.0139

D90.gif 133.5599 6.2804 68.2945 64824.7912 0.1121 3.0798e‐06 0.0195


Halaman 9

Image 1 Terhadap Jarak Euclidean

Image 2 2886.91891208857

Image 3 2575.23207799475

Image 4 1798.99555124338

Image 5 3277.49026280034

Image 6 2754.81395258101

Image 7 2114.16655330732

Image 8 3494.90161657507

Image 9 1514.18615718049

Image 10 1777.95417015979 Sehingga: jarak terpendek adalah: 1514.18615718049, yang berarti Image 1 terhadap Image 9 memiliki kemiripan yang lebih intens dibanding kemiripan Image 1 terhadap Image selain Image 9.

uas teknik komputasi - yoga prihastomofiles.yogaprihastomo.com/kuliah/strata dua/semester...

Documents