Archive for Mei 2019
Histogram
histogram adalah tampilan grafis dari tabulasi frekuensi yang digambarkan dengan grafis batangan sebagai manifestasi data binning. Tiap tampilan batang menunjukkan proporsi frekuensi pada masing-masing deret kategori yang berdampingan (en:adjacent) dengan interval yang tidak tumpang tindih (en:non-overlapping).
Berikut Cara menampilkan Histogram dengan Python
Berikut adalah Listing Coding
dan berikut adalah hasil dari listing code di atas
https://pythonspot.com/matplotlib-histogram/
Sebelum kita ke instalasi OPEN CV berikut sekilas tentang apa sih itu Python.
Python merupakan bahasa pemrograman tingkat tinggi yang diracik oleh Guido van Rossum.
Python banyak digunakan untuk membuat berbagai macam program, seperti: program CLI, Program GUI (desktop), Aplikasi Mobile, Web, IoT, Game, Program untuk Hacking, dsb.
Python juga dikenal dengan bahasa pemrograman yang mudah dipelajari, karena struktur sintaknya rapi dan mudah dipahami.
(Python bagus untuk pemula yang belum pernah coding).
itu tadi sekilas Tentang Python.
Sekarang kita beralih ke Apa itu OpenCV
OPEN CV
OpenCV (Open Source Computer Vision Library), adalah sebuah library open source yang dikembangkan oleh intel yang fokus untuk menyederhanakan programing terkait citra digital. Di dalam OpenCV sudah mempunyai banyak fitur, antara lain : pengenalan wajah, pelacakan wajah, deteksi wajah, Kalman filtering, dan berbagai jenis metode AI (Artificial Intellegence). Dan menyediakan berbagai algoritma sederhana terkait Computer Vision untuk low level API.
OpenCV merupakan open source computer vision library untuk bahasa pemrograman C/C++, dan telah dikembangkan ke phyton, java, matlab. Library dapat diunduh melalui link http://sourceforge’net/projects/opencvlibrary atau melalui http://opencv.org/releases.html. Saat ini versi yang terbaru adalah 3.3.0 dengan tanggal rilis 3 Agustus 2017.
sebelum kita berlanjut ke instalasi Open CV di Python, terlebih dahulu membahas sedikit tentang apa itu anaconda.
ANACONDA
Dari Continuum dibuatlah Anaconda ("Anaconda Distribution"). Anaconda ini gratis, memiliki banyak package dan tool, secara setup untuk memulai sudah siap digunakan dan juga sudah termasuk Python distribution di dalamnya.
Untuk mendapatkan Anaconda ini cukup ke sini dan pilih berdasarkan sistem operasi yang digunakan. Memang cukup besar tapi ini lebih mudah dibandingkan melakukannya secara manual.
Baiklah Langsung saja kita menjalankan Instalasi Open CV dengan menggunakan Anaconda.
1. Download Software Anaconda di Link kemudian di install DISINI
2. Berikut adalah Tampilan anaconda awal kali
3. Kemudian pilih environmet dan Klik tombol play pada root Kemudian pilih terminal
4. Jika terminal Sudah terbuka Ketik kan perinta "pip install E:\Aplikasi KU\Library\Pythonopencv_python-4.1.0.25-cp37-cp37m-win_amd64.whl" Sesuaikan file direktorynya sesuai penyimpanan anda. kemudian Enter
5. Jika sudah ada tanda seperti ini maka instalasi Open CV telah Sukses.
Refrensi :
https://www.petanikode.com/python-linux/
http://binus.ac.id/malang/2017/10/introduction-to-open-cv/
https://www.codepolitan.com/instal-python-dengan-anaconda-58a79fee367c0
Sebelum Kita membahas bagaimana cara membuat akun pada situs GitHub pada artikel sebelumnya sudah di jelaskan apakah itu Github.
langsung saja kita beralih ke topik, bagaimana cara membuat Akun pada GitHub
1. Buka Situs GitHub di GITHUB
2. Jika Sudah masuk ke situsnya maka, kita akan langsung di beri tampilan untuk mendaftar akun baru.
Isi dan lengkapi form yang telah di sediakan oleh situs Github
3. Form yang telah di isi harus menunjukan indikasi tanda Check hijau, untuk menandai bahwa identitas yang anda masukan tidak pernah di buat oleh orang lain. Jika sudah klik Sign Up for GitHub.
4. Jika Sudah anda akan di suguhkan dengan tampilan beberapa step yang harus anda lengkapi
pada gambar tersebut masih terdapat notif merah yang artinya anda harus merubah isi dari form dengan benar.
5. Kemudian pada bagian bawah terdapat Chapta yang harus anda isi atau anda selesaikan sampai muncul tanda seperti pada gambar.
Jika sudah Klik Create an Account, maka anda akan di arahkan ke step ke dua dari pendaftaran akun GitHub.
6. Pada Step kedua anda akan memilih pelayanan mana yang akan anda gunaka, Free kah atau yang satunya,
Jika anda memilih dari 2 pilihan tersebut, maka langsung Klik Tombol Continou.
7. Pada langkah ke tiga, anda akan di suruh mengisi beberapa quisioner untuk menyelesaikan pendaftaran dari Github. dan kalian klik Submit
8. Jika Sudah maka akan di arahkan ke halaman seperti pada gambar, dan di minta untuk verifikasi email anda.
9. Langkah selanjutnya yakni dengan membuka akun email anda dan memverifikasi email anda, agar terhubung dengan akun GitHub anda.
10. Jika sudah anda verifikasi, maka anda akan diarahkan ke akun GitHub anda yang siap anda gunakan, seperti pada gambar
Sekian artikel kali ini tentang bagaiana cara untuk membuat Akun GitHub.
Sekian dan Terimakasih.
GitHub adalah layanan penginangan web bersama untuk proyek pengembangan perangkat lunak yang menggunakan sistem pengontrol versi Git dan layanan hosting internet. Hal ini banyak digunakan untuk kode komputer. Ini memberikan kontrol akses dan beberapa fitur kolaborasi seperti pelacakan bug, permintaan fitur, manajemen tugas, dan wiki untuk setiap proyek.
GitHub menawarkan paket repositori pribadi dan gratis pada akun yang sama dan digunakan untuk proyek perangkat lunak sumber terbuka Pada bulan April 2017, GitHub melaporkan bahwa mereka mempunyai lebih dari 20 juta pengguna dan lebih dari 57 juta repositori, menjadikannya layanan terbesar dari kode sumber di dunia. GitHub mempunyai sebuah maskot yang bernama Octocat, seekor kucing dengan lima tentakel dan wajah seperti manusia.Pada tahun 2018, dilaporkan bahwa Microsoft mengakuisisi GitHub.
Apa Itu Kompresi Pada Citra Digital ?
Kompresi adalah mengecilkan / Memampatkan ukuran, dan Kompresi data adalah Teknik untuk mengecilkan data sehingga dapat diperoleh file dengan ukuran yang lebih kecil daripada ukuran file aslinya
A. Kompresi Lossless
Kompresi Lossless merupakan metoda kompresi data yang memungkinkan data asli dapat disusun kembali dari data hasil kompresi maka rasio kompresi pun tidak dapat terlalu besar untuk memastikan semua data dapat dikembalikan ke bentuk semula. Metode Lossless menghasilkan data yang identik dengan data aslinya.Kompresi lossless utamanya digunakan untuk pengarsipan, dan penyuntingan. Untuk keperluan pengarsipan seperti catatan bank, artikel text, dll.
B. Kompresy Lossy
Kompresi Lossy adalah suatu metode untuk mengkompresi data dan men-dekompresi-nya. Data yang dipreoleh mungkin berbeda dari data aslinya, tetapi perbedaan itu cukup dekat. Metode ini paling sering digunakan untuk kompres data multimedia (Audio file dan gambar). Format kompresi Lossy mengalami generation loss yaitu jika mengalami prose kompresi-dekompresi berulang kali maka akan menyebabkan kehilangan kualitas secara progresif.
Perbedaan Kompresi Lossy dan Lossless
- Lossless data kompresi adalah kelas dari algoritma data kompresi yang memungkinkan data yang asli dapat disusun kembali dari data kompresi, sedangkan Lossy kompresi adalah suatu metode untuk mengkompresi data dan men-dekompresi-nya.
- Losless compression digunakan untuk mengkompresi data untuk diterima ditujuan dalam kondisi asli. Sedangkan lossy compression menghasilkan file kompresi yang lebih kecil dibandingkan dengan metode lossless yang ada.
- Lossless compression digunakan jika akurasi data sangat penting, sedangkan lossy compression biasanya membuang bagian-bagian data yang sebenarnya tidak begitu berguna dan tidak dirasakan oleh kita sehingga masih beranggapan bahwa data tersebut masih bisa digunakan walaupun sudah di kompresi.
- Lossless compression biasanya data yang telah dikompresi ukurannya sama atau lebih besar, sedangkan lossy compression biasanya data yang telah dikompresi berukuran lebih kecil dari ukuran asli, namun masih tetap memenuhi syarat untuk digunakan.
- Rasio kompresi pada lossless didapat cenderung rendah sedangkan rasio kompresi pada lossy didapat bisa sangat tinggi.
https://www.ketutrare.com/2014/06/perbedaan-kompresi-lossy-dan-lossless.html
Multimedia Juga memiliki Permasalahan Tersendiri dalam pengoperasiannya, diantaranya adalah :
1. Memiliki Struktur yang Heterogen
maksudnya adalah setiap file multimedia mempunyai susunan data yang berbeda pada setiap filenya, bahkan jika diambil dengan alat yang sama. misalnya, dua video yang berdurasi 10 detik bisa mempunyai ukuran file yang berbeda. hal tersebut menandakan kalau susuan data dalam file tersebut mempunyai susunan yang berbeda.
2. Sematic Gap
Kesenjangan semantik mencirikan perbedaan antara dua deskripsi objek dengan representasi linguistik yang berbeda, misalnya bahasa atau simbol. Menurut Hein, celah semantik dapat didefinisikan sebagai "perbedaan makna antara konstruk yang terbentuk dalam sistem representasi yang berbeda". [1] Dalam ilmu komputer, konsep ini relevan ketika aktivitas, pengamatan, dan tugas manusia biasa ditransfer ke dalam representasi komputasi.
Lebih tepatnya kesenjangan berarti perbedaan antara perumusan ambigu pengetahuan kontekstual dalam bahasa yang kuat (mis. Bahasa alami) dan suara, representasi yang dapat direproduksi dan komputasi dalam bahasa formal (mis. Bahasa pemrograman). Semantik suatu objek tergantung pada konteksnya. Untuk aplikasi praktis, ini berarti setiap representasi formal dari tugas-tugas dunia nyata memerlukan terjemahan pengetahuan ahli kontekstual dari suatu aplikasi (tingkat tinggi) ke dalam operasi dasar dan yang dapat direproduksi dari mesin komputasi (tingkat rendah). Karena bahasa alami memungkinkan pengekspresian tugas yang tidak mungkin untuk dikomputasi dalam bahasa formal, tidak ada cara untuk mengotomatiskan terjemahan ini secara umum. Selain itu, pemeriksaan bahasa dalam hierarki Chomsky menunjukkan bahwa tidak ada cara formal dan otomatis untuk menerjemahkan dari satu bahasa ke bahasa lain di atas tingkat kekuatan ekspresi tertentu.
3. Impression and Subjectivity
- Feature Extraction umumnya tidak tepat
Misalnya, tingkat kesalahan yang tinggi ditemui dalam data motion-capture dan umumnya disebabkan oleh banyak faktor lingkungan yang terlibat.
- Multimedia querying system often rely on “similarity” query (v.s. exact matching)
Sebaliknya, dalam banyak kasus, database multimedia perlu mempertimbangkan fitur nonidentical tetapi mirip dengan menemukan objek data yang wajar untuk query.
- Ketidaktepatan dapat disebabkan struktur indeks yang tersedia, yang sering tidak sempurna.Karena ukuran data, banyak sistem bergantung pada clustering dan klasifikasi algoritma untuk kadang-kadang tidak sempurna pemangkasan alternatif pencarian selama pemrosesan query.
- Query formulation methods vs user’s subjective intention: Query by example, Query by Description, Query by profile/recommendation.
Misalnya, tingkat kesalahan yang tinggi ditemui dalam data motion-capture dan umumnya disebabkan oleh banyak faktor lingkungan yang terlibat.
- Multimedia querying system often rely on “similarity” query (v.s. exact matching)
Sebaliknya, dalam banyak kasus, database multimedia perlu mempertimbangkan fitur nonidentical tetapi mirip dengan menemukan objek data yang wajar untuk query.
- Ketidaktepatan dapat disebabkan struktur indeks yang tersedia, yang sering tidak sempurna.Karena ukuran data, banyak sistem bergantung pada clustering dan klasifikasi algoritma untuk kadang-kadang tidak sempurna pemangkasan alternatif pencarian selama pemrosesan query.
- Query formulation methods vs user’s subjective intention: Query by example, Query by Description, Query by profile/recommendation.
https://en.wikipedia.org/wiki/Semantic_gap
https://anakti10.wordpress.com/2019/04/21/materi-4-permasalahan-multimedia/
