Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code

Metode dan Algoritma | Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code . Anda bisa melakukan konsultasi tentang Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code melalui form di samping kanan !!!

Data Mining

Data mining berkaitan dengan mencari pola dan relasi-relasi yang tersembunyi dalam sejumlah data yang besar dengan tujuan untuk prediksi. Ada dua jenis data mining, yaitu directed data mining dan undirected data mining. Directed data mining digunakan jika sudah diketahui secara pasti apa yang akan diprediksi, sehingga bisa secara langsung menambang data untuk diarahkan pada tujuan tertentu. Misalnya model prediksi yang digunakan untuk membuat prediksi tentang sesuatu yang tidak diketahui. Model prediksi menggunakan pengalaman untuk menentukan bobot dan tingkat kepercayaan. Salah satu kunci keberhasilan adalah adanya data yang cukup dengan hasil yang sudah diketahui untuk mengarahkan/melatih model.

Undirected data mining berkaitan dengan menelusuri pola-pola baru dalam data. Tidak seperti directed data mining, yang sudah mengetahui apa yang akan diprediksi. Pada undirected data mining, ingin diketahui bagaimana model memajukan/mengusulkan jawaban. Dalam prakteknya data mining sering berisi kombinasi dari keduanya. Misalnya saat membangun predictive model, sering berguna untuk mencari pola dalam data menggunakan teknik undirected.

Klasifikasi

Klasifikasi merupakan teknik data mining yang sangat umum digunakan. Contoh aplikasi klasifikasi adalah pengenalan pola, diagnosis penyakit dan lain-lain. Klasifikasi bisa didefinisikan sebagai memetakan data kedalam kelas-kelas. Kelas-kelas sebelumnya sudah ditentukan. Setiap record dalam database dimasukkan tepat ke hanya satu kelas.

Klasifikasi data dilakukan dengan dua tahapan. Pada tahap pertama, model dibentuk dengan menentukan kelas-kelas data. Model dibentuk dengan menganalisa database tuples yang dinyatakan dengan atribut. Setiap tuple dianggap memiliki kelas tertentu, seperti yang dinyatakan oleh salah satu atributnya yang disebut class label atribute. Dalam konteks klasifikasi data tuples disebut juga sample. Data tuples ini dianalisa untuk membentuk model yang secara kolektif membentuk training data set. Setiap tuple yang membentuk training set disebut training sample dan secara acak dipilih dari sample population. Karena label kelas dari setiap training sample telah diketahui, maka tahapan ini disebut juga supervised learning. Supervised learning ini kebalikan dari unsupervised learning, dimana pada unsupervised learning label kelas dari setiap training sample tidak diketahui.

Pada tahap kedua, model digunakan untuk klasifikasi. Pertama, akurasi model prediksi (atau classifier) di estimasi, menggunakan data test. Sample ini secara acak dipilih dan independent dengan training sample. Akurasi dari model pada test set adalah prosentase dari sample test set yang diklasifikasikan oleh model dengan benar. Untuk setiap sample test, label kelas yang telah diketehui dibandingkan dengan model kelas prediksi yang telah dilatih untuk sample tersebut. Jika akurasi dari model bisa diterima, maka model bisa digunakan untuk mengklasifikasikan data tuples dimana label kelasnya tidak diketahui. (Han & Kamber, 2001).

Association Rule

Association rule merupakan salah satu teknik data mining yang paling banyak digunakan dalam penelusuran pola pada sistem pembelajaran unsupervised. Metodologi ini akan mengambil seluruh kemungkinan pola-pola yang diamati dalam basis data. Association rule menjelaskan kejadian-kejadian yang sering muncul dalam suatu kelompok. Misalnya metodologi ini bisa digunakan untuk menganalisa produk-produk mana saja yang sering dibeli oleh seorang pelanggan secara bersamaan (analisa keranjang belanja). Hasil analisis tersebut bisa digunakan untuk menentukan peletakkan produk di toko.

Satu itemset adalah himpunan bagian A dari semua kemungkinan item I. Satu itemset yang mengandung i item disebut i-itemset. Prosentase transaksi yang mengandung itemset disebut support. Untuk suatu itemset yang akan diamati, support-nya harus lebih besar atau sama dengan nilai yang dinyatakan oleh user, itemset tersebut dikatakan sering muncul (frequent).

Bentuk umum association rule adalah A1,A2,…,An ® B1,B2,…,Bm

Yang berarti jika item Ai muncul, item Bj juga muncul dengan peluang tertentu.

Misalkan X adalah itemset. transaksi T dikatakan mengandung X jika dan hanya jika X Í T. Rule X Þ Y menyatakan himpunan transaksi basis data dengan tingkat kepercayaan (confidence) C, jika C % dari transaksi dalam D yang mengandung X juga mengandung Y. Rule X Þ Y mempunyai support dalam transaksi set D jika s% dari transaksi dalam basis data berisi XUY. Tingkat kepercayaan menunjukkan kekuatan implikasi, dan support menunjukkan seringnya pola terjadi dalam rule.

Contoh : A,B Þ C ( S=0.01, C=0.8)

80% dari semua pelanggan yang membeli A dan B juga membeli C

1% dari semua pelanggan membeli ketiga item tersebut.

Problem dari mining association rule bisa dipecah dalam dua tahap.

Mencari semua association rule yang mempunyai minimum support S_min dan minimum confidence C_min.

Itemset dikatakan sering muncul (frequent) jika Support(A) ³ S_min

Menggunakan itemset yang besar untuk menentukan association rule untuk basis data yang mempunyai tingkat kepercayaan C di atas nilai minimum yang telah ditentukan.

Classification-Based Association

Saat ini, teknik data mining telah dikembangkan antara lain dengan menerapkan konsep yang digunakan dalam association rule mining untuk masalah klasifikasi. Ada beberapa metode yang bisa digunakan, antara lain association rule clustering system (ARCS) dan associative classification. Metode ARCS me-mining association rule didasarkan pada clustering kemudian menggunakan rules untuk klasifikasi. ARCS, me-mining association rule dalam bentuk A_quant1 Ù A_quant2 Þ A_cat, dimana bentuk A_quant1 dan A_quant2adalah data test yang atributnya punya rentang nilai, A_catmenunjukkan label kelas untuk catagorical atribute yang diberikan dari training data.

Metode associative classification me-mining rules dalam bentuk condsetÞy, dimana condset adalah sekumpulan item dan y adalah label kelas. Rules yang sesuai dengan minimum support tertentu disebut frequent. Rule mempunyai support s jika s% dari sample dalam data set yang mengandung condset dan memiliki kelas y. Rule yang sesuai dengan minimum confidence disebut accurate. Rule mempunyai confidence c jika c% dari sample dalam data set yang mengandung condset memiliki kelas y. Jika beberapa rule mempunyai condset yang sama, maka rule dengan confidence tertinggi dipilih sebagai possible rule (PR). Metode ini menggunakan algoritma association rule, seperti algoritma Appriori untuk menghasilkan association rule, kemudian memilih sekelompok rule yang mempunyai kualitas tinggi dan menggunakan rules tersebut untuk memprediksi data. Tetapi associative classification masih kurang efesien karena sering kali menghasilkan rules dalam jumlah yang besar (Yin & Han, 2003).

Metode classification-based association lainnya adalah CPAR (Classification based on Predictive Association Rule). Algoritma ini mengambil ide dari FOIL (First Order Inductive Leaner) dalam menghasilkan rule dan mengintegrasikannya dengan associative classification.

Classification based on Predictive Association Rules (CPAR)

Ide dasar CPAR berasal dari FOIL yang menggunakan algoritma greedy untuk mempelajari rules yang membedakan contoh positip dengan contoh negatif. FOIL secara berulang mencari rule terbaik dan memindahkan seluruh contoh positip yang dicakup oleh rule sampai seluruh contoh positip dalam data set tercakup.

Masukan: Training set D = P È N. (P dan N adalah himpunan contoh positip dan contoh negatip)

Keluaran: Himpunan rule untuk memprediksi label kelas dari contoh.

Procedure FOIL

rule set R ¬ F

while |P| > 0

N’ ¬ N, P’ ¬ P

rule r ¬ empty_rule

while |N| > 0 and r.length < max_rule_length

find the literal p that brings most gain according to P’ and N’

append p to r

remove from P’ all examples not satisfying r

remove from N’ all examples not satisfying r

end

R ¬ R È {r}

Remove from p all examples satisfying r’s body

end

return R

Definisi

Literal p adalah pasangan nilai atribut, dalam bentuk (A_i,v), dimana A_i adalah atribut dan v adalah nilai. Tuple t memenuhi literal p=(A_i,v) jika dan hanya jika t_i = v, dimana t_i adalah nilai atribut ke i.

Rule r, dalam bentuk “p₁Ùp₂Ù ….. Ùp_t Þ c,” Tuple t memenuhi rule r’s body jika dan hanya jika tuple tersebut memenuhi setiap literal dalam rule. Jika t memenuhi r’s body, r memprediksi bahwa t adalah dari kelas c.

Pada saat memilih literals, FOIL Gain digunakan untuk mengukur informasi yang diperoleh dari penambahan literal tersebut ke current rule. Misalkan terdapat contoh positip |P| dan contoh negatip |N| memenuhi current rule r’s body. Setelah literal p ditambahkan ke r, terdapat |P*| contoh positip dan |N*| contoh negatiip yang memenuhi rule’s body yang baru. FOIL gain p didefinisikan sebagai,

|P*| |P|

Gain(p) = |P*| log - log

|P*| + |N*| |P| + |N|

dimana |P| dan |N| adalah jumlah contoh positip dan jumlah contoh negatip yang memenuhi current rule r’s body. |P*| dan |N*| adalah jumlah contoh positip dan jumlah contoh negatip yang memenuhi rule’s body yang baru, yang dihasilkan dengan menambahkan p ke r.

Predictive Rule Mining (PRM)

PRM adalah suatu algoritma yang memodifikasi FOIL untuk mendapatkan akurasi dan efesiensi yang lebih baik. Pada PRM, setelah contoh yang benar tercakup dalam rule, selain mengeluarkannya, bobotnya dikurangi dengan faktor perkalian. Algoritma PRM diperlihatkan pada Gambar 2.

Masukan: Training set D = P È N. (P dan N adalah himpunan contoh positip dan contoh negatip)

Keluaran: Himpunan rule untuk memprediksi label kelas dari contoh.

Procedure Predictive Rule Mining

Set the weight of every example to 1

Rule set R ¬ f

Totalweight ¬ TotalWeight(P)

A ¬ Compute PNArray from D

While TotalWeight(P) > d. totalWeight

N’ ¬ N, P’¬ P, A’ ¬ A

Rule r ¬ emptyrule

While true

Find best literal p according to A’

If gain(p) < min_gain then break

Append p to r

For each example t in P’ È N’ not satifying r’s body

Remove t from P’ or N’

Change A’ according to the removal of t

End

End

R ¬ R È {r}

For each example t in P satisfying r’s body

t.weight ¬ a.t.weight

change A according to the weight decreased

end

end

return R

Membuat Rule Dalam CPAR

Didalam PRM, setiap rule di-generate dari dataset yang tersisa, memilih hanya literal yang terbaik dan mengabaikan seluruh literal lainnya. CPAR membuat rule s dengan menambahkan literals satu per satu, yang mirip dengan PRM. Pada CPAR setelah menemukan literal terbaik p, literal lainnya q yang gain-nya mirip dengan p (misalnya hanya berbeda 1%) akan dicari. Selain terus membangun rule dengan menambahkan p ke r, q juga ditambahkan ke current rule r untuk membuat rule r’ baru

PENGOLAHAN CITRA DIGITAL

Bagian ini akan menjelaskan tentang teknik-teknik dalam pemrosesan citra yang akan digunakan untuk menganalisa dan mendiagnosa digital mammogram. Cittra mammogram ada disimpan dalam bentuk digital dan film. Citra yang digunakan dalam penelitian ini adalah dalam bentuk digital.

Citra Dijital

Secara matematis citra adalah fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Fungsi intensitas cahaya pada bidang dua dimensi disimbolkan dengan f(x,y), dimana :

(x,y) : koordinat pada bidang dua dimensi

f(x,y) : intensitas cahaya pada titik (x,y)

Intensitas f dari gambar hitam putih pada titik (x,y) disebut derajat keabuan (gray level) yang bergerak dari hitam ke putih. Sedangkan citranya disebut citra hitam putih atau citra monocrome. Derajat keabuan mempunyai rentang nilai :

I min <= f <= I max

Selang (I min, I max) disebut skala keabuan.

Sebagai contoh citra hitam putih dengan 256 level, artinya mempunyai skala kebuan dari 0 sampa dengan 255. Nilai intensitas 0 menyatakan hitam, nilai intensitas 255 menyatakan putih. Antara 0 sampai dengan 255 menyatakan warna keabuan

Citra yang digunakan pada penelitian ini adalah citra keabuan, karena intensitas yang ditangkap oleh mammogram disimpan sebagai akibat dari penyerapan radiasi secara relatif.

Greyscale

Proses awal yang sering dilakukan pada image processing adalah mengubah citra berwarna menjadi citra gray-scale. Hal ini dilakukan untuk menyederhanakan model citra. Di dalam suatu gambar true color (RGB) terdapat tiga layer matriks, yaitu R-layer, G-layer, dan B-layer. Pada image processing dilakukan proses-proses terhadap ketiga layer tersebut, berarti dilakukan perhitungan yang sama pada setiap layer. Dengan demikian konsep grey-scale adalah mengubah tiga layer tersebut menjadi satu layer matriks grey-scale, yang menghasilkan satu citra grey-scale. Di dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. Secara umum untuk menghasilkan citra greyscale, konversi dilakukan dengan mengambil ratarata dari nilai r, g, dan b, sehingga menghasilkan nilai s sebagai nilai grey-scale nya. Secara matematis dituliskan sbb:

S = (r+g+b)/3

Pada penjelasan di atas pengubahan citra berwarna menjadi citra grey-scale adalah dengan mencari nilai rata-rata grey-scale dari setiap layer r, g, dan b. Beberapa image belum optimal jika diberikan cara di atas, untuk keoptimalan citra grayscale diperlukan perubahan komposisi pada layer r, g, dan b.

Secara matematis histogram citra dihitung dengan rumus :

hi = ni/n , I = 0, 1, 2 … L-1 (memiliki L derajat keabuan)

ni = jumlah piksel yang memiliki derajat keabuan i

n = jumlah seluruh piksel didalam citra.

Banyak Informasi penting yang didapat dari histogram antara lain: puncak histogram menunjukkan intensitas piksel yang menonjol; lebar dari puncak menunjukkan rentang kontras dari gambar; citra yang mempunyai kontras terlalu terang atau terlalu gelap memiliki histogram yang sempit.

Thresholding

Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 16, maka tinggal membagi nilai derajat keabuan dengan 16. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat digunakan rumus:

x= w/b

dimana :

w adalah nilai derajat keabuan sebelum thresholding

b adalah jumlah derajat keabuan yang diinginkan

x adalah nilai derajat keabuan setelah thresholding

Histogram Citra

Sejumlah perhitungan-perhitungan statistik bisa digunakan pada citra digital untuk membantu menjelaskan dan menganalisa citra. Salah satu perhitungan statistik yang banyak digunakan pada pengolahan citra adalah histogram.

Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra atau bagian tertentu didalam citra. Dari histogram dapat diketahui kemunculan nisbi (relatif) dari intensitas pada citra tersebut. Gambar 4 adalah citra delapan-bit, histogram berisi 256 nilai.

Perbaikan Kualitas Citra

Tujuan perbaikan kualitas citra (image enhancement) adalah untuk memperbaiki citra sehingga dapat digunakan lebih lanjut. Perbaikan kualitas citra dapat diartikan sebagai proses mengubah citra f(x,y) menjadi f’(x,y) sehingga ciri-ciri yang dilihat pada f(x,y) lebih ditonjolkan.

A. Skala Histogram

Seringkali didapati citra yang memiliki kontras yang rendah, dimana hanya terdapat sedikit perbedaan antara piksel-piksel yang paling terang dengan yang paling gelap. Dengan kata lain, citra tersebut hanya menempati sebagian kecil intensitas yang tersedia. Sebagai contoh gambar f jaringan tulang dada. Fitur-fitur dari citra ini sangat sulit untuk dibedakan, dan piksel-piksel ini hanya menempati rentang nilai antara 150 sampai 200. Citra kontras rendah dapat diperbaiki kualitasnya dengan operasi peregangan kontras. Melalui operasi ini nilai-nilai keabuan piksel akan merentang dari 0 sampai dengan 256. Gambar 5 menunjukkan citra setelah nilai-nilai piksel direntangkan agar mengisi keseluruhan intensitas 0 samapi dengan 255. Gambar 6 menampilkan hasil histogram.

Perataan Histogram (Histogram Equalization)

Metode lain untuk meningkatkan kontras suatu citra adalah dengan perataan histogram. Tujuannya untuk memperoleh penyebaran histogram yang merata, sedemikian sehingga setiap derajat keabuan memiliki jumlah piksel yang relatif sama, menggunakan rumus :

P_r(r_k) = n_k/n , yang dalam hal ini ;

r_k = k/(L-1) ; 0 £ k £ L-1

Yang artinya derajat keabuan (k) dinormalkan terhadap derajat keabuan terbesar (L-1). rk = 0 berarti hitam, rk=1 berarti putih.

C. Filtering dan Konvolusi

Citra digital cenderung memiliki beragam derau (noise). Agar citra bisa dianalisa lebih lanjut noise perlu dihilangkan antara lain dengan menggunakan linear filtering. Filtering adalah teknik untuk memodifikasi atau memperbaiki citra, misalnya memfilter citra untuk menekankan pada fitur-fitur tertentu atau menghapus fitur yang tidak diinginkan. Linear filtering adalah filtering dimana nilai output piksel adalah kombinasi linear nilai-nilai piksel dalam input piksel tetangganya. Linear filtering dikerjakan dengan operasi konvolusi. Dalam konvolusi nilai piksel output dihitung sebagai jumlah bobot dari piksel-piksel tetangga. Matriks bobot disebut juga convolution kernel, yang juga disebut sebagai filtering. Operasi konvolusi dilakukan dengan menggeser kernel konvolusi piksel per piksel. Hasil konvolusi disimpan dalam matriks yang baru.

Analisis Citra

Peningkatan kualitas citra bertujuan menghasilkan citra dengan kualitas yang lebih baik dibandingkan citra semula. Langkah selanjutnya adalah analisis citra, yang bertujuan mengidentifikasi parameter-parameter yang diasosiasikan dengan fitur-fitur dari objek didalam citra, untuk selanjutnya parameter-parameter tersebut digunakan dalam menginterpretasikan citra. Ada tiga tahapan yang dilakukan pada analisis citra, yaitu; ekstraksi fitur, segmentasi dan klasifikasi.

Analisis Citra

Ekstraksi Fitur

Fitur didefinisikan sebagai karakteristik pembeda dari suatu citra. Citra mempunyai banyak fitur, antara lain warna, tekstur dan bentuk. Selain fitur warna, tekstur merupakan fitur yang potensial untuk mengenali citra. Untuk membedakan tekstur bisa menggunakan berbagai tekstur citra statistic, misalnya menggunakan grey-level histogram untuk merepresentasikan distribusi intensitas piksel orde-pertama, selanjutnya mean dan standard deviasi yang dihitung dari histogram tersebut bisa digunakan sebagai tekstur deskriptor untuk membedakan tekstur.

Analisis Tekstur

Tekstur adalah sifat atau properti yangdimiliki oleh permukaan benda. Pada lingkungan alami, permukaan objek seperti potongan kayu, rerumputan, hamparan pasir pantai, tekstil, kulit, dan sebagainya memiliki tekstur. Citra juga dapat dipandang memiliki tekstur yang terbentuk akibat variasi dan atau gradasi keabuan pada citra digital. Tekstur adalah fitur yang bergantung konteks, maksudnya, tekstur tidak dapat didefinisikan hanya dari piksel saja tetapi harus dalam kaitannya dengan piksel lain dalam suatu wilayah citra.

Metode analisis tekstur citra keabuan telah banyak diteliti. Tekstur sebenarnya sulit didefinisikan meskipun secara intuitif manusia mampu membedakan dua atau lebih citra yang berbeda penampakannya. Berbagai metode analisis tekstur diajukan, umumnya berdasar pada pendekatan statistis. Fitur-fitur yang digunakan dalam analisis tekstur secara statistis umumnya didasarkan pada gray level cooccurence matrices, gray level difference matrices, run length matrices, spektra daya Fourier, fungsi autokorelasi, dan model random-field.

Salah satu metode analisis tekstur yang paling banyak digunakan adalah gray level cooccurrence matrix yang didasarkan pada statistika orde kedua. Matriks cooccurence ini diperkenalkan pertama kali oleh Haralick untuk mengekstrak fitur-fitur yang digunakan sebagai analisis citra hasil penginderaan jauh. Co-occurrence didefinisikan sebagai distribusi gabungan dari level keabuan dua piksel yang terpisah jarak dan arah tertentu (Δx, Δy). Gray Level Cooccurence Matrix (GLCM), atau Haralick et. al. menyebutnya sebagai Gray-Tone Spatial-Dependence Matrices, P didefinisikan sebagai:

P(a,b) = {# pair(a,b) | citra(x, y) = aΛcitra(x + Δx, y + Δy) = b}

Dengan a,b adalah level keabuan.

Gray-Level Co-occurence Matrix

Pada analisis tekstur secara statistis, fitur tekstur dihitung berdasarkan distribusi statistik dari kombinasi intensitas piksel pada posisi tertentu relatif terhadap lainnya dalam suatu matriks citra. Bergantung pada jumlah piksel atau titik intensitas dalam masing-masing kombinasi, dibedakan adanya statistik orde-pertama, statistik orde-kedua dan statistik orde-lebih-tinggi (higher-order statistics). Statistik orde-pertama adalah statistic yang dihitung dari nilai-nilai citra aslinya, seperti variance, dan tidak memperhatikan hubungannya dengan piksel-piksel. Orde-kedua mempertimbangkan hubungannya dengan piksel tetangga pada citra asli.

Metode GLCM (gray-level co-occurrence matrix) adalah salah satu cara mengekstrak fitur tekstur statistik orde-kedua. GLCM (yang disebut juga Grey Tone Spatial Dependency Matrix) adalah tabulasi mengenai frekuensi atau seberapa seringnya kombinasi nilai kecerahan piksel yang berbeda posisinya terjadi dalam suatu citra GLCM dihitung dengan algoritma sebagai berikut:

begin

forall gray levels a,b ∈ image

P(a,b)=0;

endfor

forall location (x,y)∈ image and (x+Δx,y+Δy)∈ image

a=image(x,y);

b=image(x+Δx,y+Δy);

endfor

end

Berikut ini adalah gambaran pembentukan GLCM atas citra dengan 4 tingkat keabuan (gray level) pada jarak d=1 dan arah 0°.

Analisis Citra

Ekstraksi Fitur

Analisis Tekstur

P(a,b) = {# pair(a,b) | citra(x, y) = aΛcitra(x + Δx, y + Δy) = b}

Dengan a,b adalah level keabuan.

Gray-Level Co-occurence Matrix

begin

forall gray levels a,b ∈ image

P(a,b)=0;

endfor

forall location (x,y)∈ image and (x+Δx,y+Δy)∈ image

a=image(x,y);

b=image(x+Δx,y+Δy);

endfor

end

Berikut ini adalah gambaran pembentukan GLCM atas citra dengan 4 tingkat keabuan (gray level) pada jarak d=1 dan arah 0°.

Deteksi Tepi.

Faktor kunci dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi dari objek didalam citra. Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak(besar) dalam jarak yang singkat. Tepi biasanya terdapat pada batas antara dua daerah berbeda pada suatu citra. Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek didalam citra.

CONTOH SOURCE CODE

Kode ini sangat dapat digunakan kembali dan dapat ditambahkan dalam aplikasi apapun dengan hanya menambahkan kelas yang ada ke dalam kode sumber Anda. Proses lainnya telah diimplementasikan dalam format yang mudah untuk dimengerti dan tepat sesuai dengan fleksibilitas program yang anda butuhkan.

Download Contoh Program + Source Code Artikel di Atas

Click here

contoh proposal tesis, judul tesis teknik informatika, biro jasa tesis informatika, Block, ciphers, 3-Way, Blowfish, CAST, CMEA, DES, Triple-DES, DEAL, FEAL, GOST, Kumpulan Judul Tugas Akhir/Skripsi Teknik Informatika « Irman …

irmanf.wordpress.com/…/kumpulan-judul-tugas-akhirskripsi-teknik-…25 Feb 2010 – ya itu kan hanya contoh, bkan perusahaan nya tapi database nya… rian … kalo delphi mungkin bisa coba tema seputar pengolahan citra. atau steganografi. sudah bnyak contoh2 program pengolahan citra yg menggunakan delphi. …. dpan..kira2 pnya ide judul yg berhubungan dgn RPL (data mining) gag? …

Anda telah mengunjungi laman ini 3 kali. Kunjungan terakhir: 04/10/11

Datamining : IlmuKomputer.Com

ilmukomputer.org/category/datamining/cukup banyak penerapan yang dapat dilakukann oleh Data Mining. … (artificial intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb. …

[DOC]

Data Mining

www.computing.edu.au/…/article/Penerapan%20Data%20Mining.docJenis Berkas: Microsoft Word – Tampilan Cepat

Di bidang apa saja penerapan data mining dapat dilakukan? … Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari … data mining untuk melihat kesuksesan program-program customer loyalty mereka. … cash flow serta melakukan contingent claim analysis untuk mengevaluasi aset. …

judul skripsi teknik informatika

www.for-indonesia.com/index.php?pilih=news&mod=yes…16 Mei 2010 – Kaitan Serta Penerapan Logika dalam Bidang Intelijensia Buatan; Studi … Pengkajian Struktur Data B-Tree dan Contoh Penerapannya; Fenomena … Penerapan Berbagai Algoritma Pengolahan Citra Digital Untuk Pembuatan … Alat Bantu Belajar Mengajar; Data Mining Pembelian Handphone Untuk …

[XLS]

Prodi Teknik Informatika.xls

lecturer.ukdw.ac.id/katalog/index.php?dir=&file…xlsJenis Berkas: Microsoft Excel – Versi HTML

Selain itu dengan adanya sistem program bantu ini, data-data stok sparepart dapat … Sebagai contoh bila sparepart motor Brake Shoe (Kampas Rem) untuk motor ….. siswa yang sedang dalam keadaan aktif belajar atau yang sudah selesai. …. berfungsi untuk membantu serta mempermudah proses pengolahan data dan …

Judul Skripsi/Tugas Akhir Teknik Informatika, Manajemen …

zawa.blogsome.com/…/judul-skripsitugas-akhir-teknik-informatika-…1 Sep 2008 – LEN; Deteksi Muka Depan Manusia dari Sebuah Citra Berwarna dengan … Objek; Membangun Aplikasi Multimedia Edukatif-Games sebagai Alat Bantu Belajar … Aplikasi Data Mining dengan Menggunakan Metode Decision Tree untuk … Bangli; Aplikasi Pengelolaan Data Pelanggan Telkom Vision di PT. …

[PDF]

Bab I Pendahuluan

home.unpar.ac.id/~moertini/Disertasi_VeronicaSM.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat

oleh C BATIK – Artikel terkait

Klasifikasi adalah salah satu proses pada data mining yang bertujuan untuk … Pada tahap “belajar” dari data pelatihan, algoritma C4.5 mengkonstruksi pohon … Pada studi kasus, sebagai contoh pemanfaatan dari C4.5Db di ORDBMS, … pengolahan citra batik, dengan tujuan untuk menemukan motif dan tingkat kontras …

Ilmu komputer – Wikipedia bahasa Indonesia, ensiklopedia bebas

id.wikipedia.org/wiki/Ilmu_komputerIlmu Informasi adalah ilmu yang mempelajari data dan informasi, mencakup bagaimana … Pengolahan data administratif; Perangkat lunak matematika …

Penerapan Data Mining « Learning Community

andyku.wordpress.com/2008/04/17/penerapan-data-mining/17 Apr 2008 – Di bidang apa saja penerapan data mining dapat dilakukan? … Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian … data mining untuk melihat kesuksesan program-program customer … flow serta melakukan contingent claim analysis untuk mengevaluasi aset. …. Belajar Delphi Yuk … …

[PDF]

2009/2010 KATALOG JURUSAN TEKNIK INFORMATIKA

if.its.ac.id/v2/wp…/02/Katalog_Teknik_Informatika2009-2010.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat

ITS, program ini awalnya diberi nama Program Studi Teknik Komputer. Namun sejak tahun …. Multivariat, Data Mining, Kecerdasan Komputasional, Simulasi Sistem. Diskrit, Data Warehousing, Pengolahan Citra Digital, Simulasi dan Game. Komputer, Sistem … Mampu merancang dan mengimplementasikan sistem serta …

Contoh Judul TA / Skripsi Teknik Informatika Knowledge

xoit.dagdigdug.com/kumpulan-judul-judul-skripsi-kerja-praktek-tug…Deteksi Muka Depan Manusia dari Sebuah Citra Berwarna dengan Template Matching … Membangun Aplikasi Multimedia Edukatif-Games sebagai Alat Bantu Belajar … Aplikasi Data Mining dengan Menggunakan Metode Decision Tree untuk ….. mas bs ga tolong donk kirimin aku contoh program nya beserta source kode …

[PDF]

Metode ekstraksi data untuk pengenalan huruf dan angka tulisan …

paper.abmutiara.info/Neural%20Network/papersitia1.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat

Sebagai contoh, untuk meniru indera penglihatan manusia, komputer … Program bantu yang penulis buat … serta mengenali pola-pola yang diberikan. … an data adalah bagian paling pelik dari pengolahan citra … belajar tersebut pengubahan nilai berlangsung pada ….. Data Mining and Olap, McGraw Hill, USA, 1997 …

Contoh Program Pengolahan Data Terdistribusi | Sumber Pencarian …

sumberpencarianartikel.com/ebook-contoh-program-pengolahan-dat…Lebih lengkap tentang contoh program pengolahan data terdistribusi di … dalam Data Mining * Teknik-teknik Data Mining TUJUAN BELAJAR: Setelah . …

Cepat Mahir Visual Basic 6

ikc.unimal.ac.id/berseri/krisna-vb6/index.phpTipe Data di Delphi … Pengantar Data Mining … Belajar Cepat Chemcad 5.2 · Tutorial Gnuplot. Pengolahan Citra … gambar dan contoh program sehingga memudahkan anda untuk memahami dan mencobanya … Mengolah Citra Mobil Robot …

Elektronika Komunikasi | Rangkaian, Skema, Datasheet, Komponen …

elektrokita.blogspot.com/7 Agu 2010 – Kompresi Citra Dengan Metode Hadamard Menggunakan Matriks 4×4 Dan 8×8 5. … Membangun Program Aplikasi Untuk Bidirectional Associative Memory 12. … Membangun Perangkat Lunak Untuk Belajar Berhitung Sempoa … Rancang Bangun Sistem Pengolahan Data Akuntansi dan Administrasi PT. …

Data Mining: Menggali Informasi yang Terpendam – .:Berbagi.NET …

www.berbagi.net/index.php?option=com_content&task…21 Okt 2005 – Ketika saya mengikuti program orientasi mahasiswa baru pasca sarjana di … Data Mining memang salah satu cabang ilmu komputer yang relatif baru. … information retrieval dan information extraction serta pengenalan pola. Bahkan pengolahan citra (image processing) juga digunakan dalam rangka …

Contoh Basis Data Mahasiswa | PDF

www.freeskripsi.com/search/contoh-basis-data-mahasiswa… computer untuk menyimpan atau merekam serta memelihara data . … Bab 10 Data Mining … dalam Data Mining * Teknik-teknik Data Mining TUJUAN BELAJAR: Setelah . … Panduan Pengelolaan Program Hibah DP2M Ditjen Dikti – Edisi VII i … siklus pengolahan data adalah sebagai berikut : DATA DIOLAH INFORMASI . …

[PDF]

Buku Panduan Akademik

fit.uii.ac.id/media/silabiteknikinformatikauii.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat

kurikulum Program Studi Teknik Informatika, Fakultas Teknologi. Industri ….. pengertian dasar serta teknik–teknik dalam pengolahan citra digital serta kemampuan untuk …. Belajar secara Induktif dan Analitik,. 10. ….. Definisi, contoh, karakteristik, model dan … aplikasi dari data mining serta dapat menerapkannya. Materi: 1. …

FAKULTAS TEKNOLOGI INDUSTRI

www.docstoc.com › Technology › Transportation5 Jun 2010 – Fakultas Teknologi Industri memiliki dua program studi strata satu (S1), … baru serta teknologi manufaktur maju, yang diperlukan dalam … Memiliki kesadaran tentang pentingnya belajar berkelanjutan. b. …… Basis data terdistribusi, data mining dan data warehousing. …. 09 IF421 Pengolahan Citra 3 IF235 …

Contoh program database perpustakaan dengan vb 6

oux.visy.cp.cx/NeoSoft ‘Belajar’ Anti-sosial Balas Dendam terhadap Musuh Bebuyutan di … Program ini digunakan untuk melakukan pengolahan data rekam medis (rawat jalan) pada … Database | Download Contoh Program VB. contoh program pengolahan citra dengan … Delphi Mobile Spring Visual Basic CISCO Marketing Data Mining sample

Tutorial Metode LSB (Least Significant Bit Modification) Beserta …

contohprogramsourcecodeinformatika.wordpress.com/…/tutorial-met…3 jam yang lalu – Tutorial Berbagai Metode & Algoritma Beserta Contoh Program dan Source Code … manusia, tetapi tidak oleh komputer atau perangkat pengolah digital lainnya. … Setelah penambahan data rahasia, citra hasil steganografi masih terlihat ….. Data Mining Dengan Teorema Bayes Beserta Contoh Program + …

Contoh Pengolahan Multimedia | pusatpanduan.com

pusatpanduan.com/pdf/contoh+pengolahan+multimedia.htmlHasil pencarian tentang contoh pengolahan multimedia 0. … Bab 1_Pengantar Pengolahan Citra 1 Bab 1 Pengantar Pengolahan Citra ata atau informasi tidak … dalam Data Mining * Teknik-teknik Data Mining TUJUAN BELAJAR: Setelah . … Teknologi Informasi dan Komunikasi Program Pasca Sarjana, Magister Ilmu . …

Perpustakaan Matematika

www.math.ui.ac.id/library/Penerapan Program Dinamik Pada Penjadwalan Produksi di PT. ….. Tipe Hubungan sequencial analysis pada data mining. Danang Jaya … Operator Morfologi Matematika Dalam Pengolahan Citra Fiti Syam …… Analisis Faktor dengan Metode Komponen Utama serta Contoh penggunaannya pada data psikologis lintas budaya …

Pengertian Dasar Problem Solving – Planet SMK Negeri 1 Maros

smkn1maros.sch.id/planet/?paged=52Pengolahan citra merupakan proses pengolahan dan analisis citra yang … Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. … Market yang menyediakan ribuan aplikasi baik yg gratis maupun berbayar, serta memiliki aplikasi [. ... Berikut adalah contoh soal untuk Olimpiade tingkat SMK. ...

List judul | Jasa Pembuatan Tugas Akhir Informatika

jasapembuatantugasakhirinformatika.blog.com/list-judul/Ingat, disini kami tidak menjual program/project yang sudah jadi. Judul-judul dibawah ini hanyalah merupakan contoh dan kami selalu mengupdate .... Penerapan Berbagai Algoritma Pengolahan Citra Digital Untuk Pembuatan Aplikasi ... Kinerja Algoritma Sorting Sebagai Alat Bantu Belajar Mengajar; Data Mining ...

[DOC]

Database Content – Webs

pakbudi.webs.com/-%20New%20Folder/Bab12%20.docJenis Berkas: Microsoft Word – Tampilan Cepat

Berikut ini contoh penggunaan Aplikasi basis data dalam dunia bisnis …. Sistem Pakar, Pengolahan Citra, dll, yang bisa saja mengakses basis data dengan atau tanpa …. Pabrik / agen peralatan / software pengolahan data dapat memperkenalkan produk-produk …… Data Warehouse and Data Mining (late 1980s – present) …

[DOC]

Kurikulum Pendidikan Fakultas Teknik

akademikft.trunojoyo.ac.id/…/Kurikulum-Pendidikan-Informatika-re…Jenis Berkas: Microsoft Word

Mengembangkan penelitian serta kegiatan inovatif dan kreatif untuk dapat … Program Sarjana Diarahkan pada Hasil Lulusan yang memiliki kualifikasi sebagai …. Pengolahan Citra Digital ….. genap 2007-2008: Basis Data Terdistribusi, Data Mining, Multimedia, Data ….. Perkenalan, pengantar perkuliahan, kontrak belajar …

[PDF]

BAB II

repository.upi.edu/operator/upload/s_kom_060414_chapter2.pdfJenis Berkas: PDF/Adobe Acrobat

Data Mining merupakan salah satu bidang yang berkembang pesat karena … matematika, information retrieval dan information extraction serta pengenalan pola. Bahkan pengolahan citra (image processing) juga digunakan dalam rangka …. Contoh: k-means … grup khusus dan membuat program khusus untuk grup ini. …

[PDF]

Buku Panduan Akademik STMIK IM

stmik-im.ac.id/…/Panduan%20Akademik%20STMIK%202004.pdfJenis Berkas: PDF/Adobe Acrobat – Versi HTML

lulusannya memiliki Ijazah disamakan, dan pada tahun 2008 semua program studi telah …… belajar), setiap mahasiswa STMIK-IM wajib mentaati ketentuan-ketentuan yang …… juga mengerti perkembangan kedepan ilmu pengolahan citra beserta karir … siswa akan mengerti: Konsep data mining dan bagiamana kontribusinya …

BAB 3 – Silabus 2007 – 2011 Informatika

www.scribd.com/doc/…/BAB-3-Silabus-2007-2011-Informatika16 Feb 2010 – Reynads, W. Charles, program Design and struktures in pascal, Wadsworth pub Co 1986. … TIF-2753 Data Mining 3 Rekayasa Perangkat Lunak data mining; …. Perancangan Database Terdistribusi, Protection & Security, Contoh Kasus. 1. …. MPB473 Pengolahan Citra 3 Memberikan pemahaman kepada …surabaya, solo, surakarta, jogja, yogyakarta

Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code

ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android

Related Post :

Judul: Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2

Anda sedang membaca artikel tentang Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code, Semoga artikel tentang Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code ini sangat bermanfaat bagi teman-teman semua, jangan lupa untuk mengunjungi lagi melalui link Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code.

Belajar data mining dan pengolahan citra beserta Contoh Program + Source Code

{ 0 komentar... Views All / Send Comment! }

Posting Komentar

Label