Source Code GUI


Berikut ini merupakan beberapa source code GUI Matlab mengenai pengolahan citra dan pengenalan pola. Beberapa code hanya dapat dijalankan minimal menggunakan Matlab R2015b.

  1. Active Contour Segmentation
  2. Adaptive Neuro-Fuzzy Inference System
  3. Algoritma k-means clustering dan Naive Bayes classifier untuk Pengenalan Pola Tesktur
  4. Background Subtraction (Foreground Detection)
  5. Background Subtraction dengan Metode Pengurangan Citra Grayscale
  6. Background Subtraction dengan Metode Pengurangan Citra Biner
  7. Background Subtraction dalam ruang warna HSV
  8. Cara Mengukur Jarak antara Dua Objek dalam Citra
  9. Cara Menghitung Luas , Keliling , dan Centroid suatu Citra
  10. Cara melakukan cropping citra pada GUI Matlab (Region of Interest)
  11. Cara membuat program executable (.exe) dari GUIDE Matlab -> Aplikasi Informasi Citra Digital
  12. Cara menghitung koefisien korelasi menggunakan matlab
  13. Cara Menampilkan Citra kepala MRI (axial, sagittal, dan coronal) menggunakan GUI Matlab
  14. Cara Mengekstrak Frame Video Menggunakan Matlab
  15. Cara menampilkan video pada GUI Matlab
  16. Cara melakukan cropping citra secara otomatis
  17. Citra dan Histogram menggunakan GUI Matlab
  18. Complement Image (Negative Image)
  19. Deteksi Tepi Citra Digital Menggunakan Matlab
  20. Deteksi wajah (face detection) menggunakan algoritma Viola-Jones
  21. Efek Sepia pada Foto Digital
  22. Ekstraksi Ciri Citra RGB
  23. Ekualisasi Histogram pada Citra Digital
  24. Geometric Image Transformations (Transformasi Geometri)
  25. Grafik Gerak Parabola
  26. Grafik Sinusoidal
  27. Histogram Citra Digital
  28. Image Acquisition using webcam
  29. Intensity Adjustment menggunakan GUI MATLAB (1st)
  30. Intensity Adjustment menggunakan GUI MATLAB (2nd)
  31. Jaringan Syaraf Tiruan untuk Pengenalan Pola
  32. Jaringan Syaraf Tiruan untuk Prediksi menggunakan Matlab
  33. Jaringan Syaraf Tiruan untuk Klasifikasi Citra Daun
  34. Kalkulator Sederhana
  35. Kompresi Citra JPEG
  36. Konversi Biner dengan Metode Otsu
  37. Konversi Hounsfield Unit
  38. k-Nearest Neighbor (k-NN) Menggunakan Matlab
  39. k-means clustering menggunakan matlab
  40. Logika Fuzzy untuk sistem pengatur kecepatan mesin
  41. Morphological Operation – GUI Matlab
  42. Model Ruang Warna Pengolahan Citra
  43. Pembuatan Database Mahasiswa menggunakan MATLAB
  44. Pembuatan Database menggunakan Matlab dan Ms. Excel
  45. Pengolahan Citra Biner
  46. Pengolahan Citra Digital untuk Deteksi Tepi Obyek
  47. Pengolahan Citra Digital untuk Mendeteksi Warna dan Bentuk Obyek
  48. Pengolahan Citra untuk Deteksi Warna Kulit (Skin Detection)
  49. Pengolahan Citra Digital (RGB, Grayscale, dan Biner) Menggunakan GUI Matlab (1)
  50. Pengolahan Citra Digital (RGB, Grayscale, dan Biner) Menggunakan GUI Matlab (2)
  51. Pengolahan Citra MRI Menggunakan Matlab
  52. Perbaikan Kualitas Citra (Image Enhancement) menggunakan GUI Matlab
  53. Perbaikan Kualitas Citra dalam Pengolahan Video
  54. Pengolahan Video untuk Mendeteksi Objek Bergerak dengan Metode Background Subtraction
  55. Photo Editing using Matlab
  56. Pola Bentuk
  57. Rotasi Citra Digital
  58. Representasi Citra Digital dan Piksel Penyusunnya
  59. Restorasi Citra Digital Menggunakan Matlab
  60. Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering
  61. Segmentasi citra MRI dengan metode Active Contour
  62. Segmentasi Warna
  63. Segmentasi Warna Citra Digital
  64. Segmentasi Warna menggunakan Algoritma Fuzzy C-Means Clustering
  65. Segmentasi Pola Tekstur menggunakan Filter Gabor
  66. Standard Test Images
  67. Support Vector Machine
  68. Transformasi Fourier Satu Dimensi
  69. Texture Analysis – Gray-Level Co-Occurrence Matrix (GLCM) – GUI Matlab
  70. Thresholding Citra Digital
  71. Thresholding Citra Digital (GUI Matlab)

Save

Save

Save

  1. sama source code untuk prediksi dan hasil prediksinya dari postingan mas adi ”
    Jaringan Syaraf Tiruan untuk Prediksi menggunakan Matlab” ada dimana ya mas? heee terimakasih

  2. mas adi, ada source code dekomposisi wavelet haar?? terimakasih

  3. inisialisasi bobot dengan algoritma nguyen widrow bisa dipelajari pada buku jaringan syaraf tiruan dan pemrogramannya menggunakan matlab karangan Drs. Jong Jek Siang, M.Sc.

  4. achdiyat risavana

    mas adi ini erornya knp yaa? saya nyoba belajar yg knn mas ??? Undefined function or method ‘bwconvhull’ for input arguments of
    type ‘char’.

    Error in ==> algoritma_knn at 10
    our_images = bwconvhull(our_images,’objects’);

  5. Koding tsb bisa dijalankan minimal menggunakan matlab r2014b

  6. itu buku bisa diperoleh dimana mas? hehehe.
    Kalau misal pada JST, pembobotan awal secara random oleh matlab kemudian nilai bobot randomnya itu langsung diproses nguyen widrow bisa gak ya mas? kemudian hasil dari perhitungan nguyen widrow itu yang nantinya yang akan dipakai buat perhitungan backpropagation.
    terimakasih

    • metode nguyen widrow merupakan metode utk menentukan batasan nilai bobot yg diinisialisasi scr acak
      Jadi, dilakukan perhitungan batasan terlebih dahulu, baru bobot diinisialisasi

  7. hehe ga mudeng ik mas.. bedanya sama postingan mas adi yang jaringan syaraf tiruan untuk prediksi sama yang ada nguyen widrownya apa mas??

  8. permisi mas, kalau mau membuat database dan memanggil databasa di gui matlab gimana caranya yah?

    • untuk pembuatan database, matlab dapat diintegrasikan dengan software lain seperti mysql, ms. excel, dan ms. acces
      pembuatan database dalam matlab bisa juga dilakukan menggunakan format penyimpanan yang disediakan matlab yaitu .mat

  9. gan, mau nanya apa ada source code untuk graik surface 3d pada GUI matlab ? trims

  10. untuk pembuatan database dengan format .mat gimana caranya? saya mau membuat database image dengan format .mat mas.

  11. Mas kodingan Conjugate Gradient Backpropagation ada ga? Nuhun

  12. assalamualaikum mas, mau tanya. Kalau saya punya 96 data bulanan, tahun 2008 – 2015. terus mau dibuat data latih sebanyak 72 (th 2008-2013). itu coding yang ini diganti apa ya mas.
    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N62′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    saya coba grafik targetnya tidak sesuai dengan grafik keluaran JST. suwun mas🙂

  13. Mas. Klo pengenalan ekkspresi wajah dengan facial feature point kemudian di klasifikasikan pake knn apa itu bisa?

  14. pengenalan ekkspresi wajah dengan facial feature point bisa diklasifikasikan menggunakan algoritma knn

  15. assalamualaikum mas, maaf mau tanya lagi. Untuk prediksi beberapa periode mendatang dengan JST backprop, ada contohnya?

  16. mas mau tanya, kalau misal saya punya data time series periode bulanan ( bulan januari 2008 – desember 2015 (96 data)). terus dibuat kya upload,nya mas yang “jaringan syaraf tiruan untuk prediksi menggunakan Matlab”.
    kan itu pola 1 (bulan januari 2008-desember 2008, target januari 2009), pola 2 (bulan februari 2008-januari 2009, targetnya bulan maret 2009) dan pola seterusnya sampai tahun 2013 (jadi ada 72 pola)
    Itu untuk mengganti source code yang ini :

    filename = ‘Book1.xlsx’;
    sheet = 2;
    xlRange = ‘D6:P17′;

    Data = xlsread(filename, sheet, xlRange);
    data_latih = Data(:,1:12)’;
    target_latih = Data(:,13)’;
    [m,n] = size(data_latih);

    source codenya diganti apa mas, soalnya kalo saya ganti seperti ini :

    %proses membaca data latih dari excel
    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N74′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    Itu setelah di run, pada grafik targetnya yang warna merah itu mengumpul pada range pola 0 sampai sekian, tidak mengikuti grafik keluaran JST yang warna biru mas.
    untuk mengatasinya bagaimana ya mas?? makasih🙂

    • keluaran dari jst diharapkan mendekati dari pola target yang diberikan (bukan sebaliknya)
      kesalahan tsb terjadi kemungkinan karena target/keluaran jst masih dalam range normalisasi dan belum dikembalikan ke dalam range semula

  17. Mas adi, ada source code video processing tetapi dengan background dinamis? Beserta gui dan saya menggunakan kamera dari drone. Ditunggu mas

  18. maaf mas belum paham. itu saya mengikuti alur yang ada di postingan mas adi, hanya saja pada postingan mas adi datanya sebanyak 3 tahun (36 data), kalo saya 8 tahun (2008-2015) (96 data), terus sudah dibuat seperti di postingan mas adi yang “sheet1”, kemudian untuk data latihnya saya gunakan data tahun 2008-2013 yang telah dinormalisasikan, kemudian saya bentuk seperti di postingan mas adi yang “sheet2”, kalo di mas adi kan ada 12 pola, x1-x12 dan target kolom ke 13. kalo saya ada 72 pola, x1-x12 dan target kolom ke 13.
    untuk itu perkiraan saya, fungsinya jadi seperti ini :

    filename = ‘tabel.xlsx’;
    sheet = 2;
    xlRange = ‘B3:N74′;

    Data = xlsread(filename, sheet, xlRange);
    P = Data(:,1:12)’;
    T = Data(:,13)’;
    [m,n] = size(P);

    akan tetapi setelah di run, garis merah (target) mengumpul di pola 0 – 10, sedangkan punya mas adi kan bagus, garis merahnya bisa serupa sama garis biru pada grafik keluaran JST. barangkali ada yang salah untuk fungsi yang saya buat?

  19. oyamas sudah bisa , terimakasih🙂

  20. mas, source code untuk meramalkan tahun 2008-2017 dengan JST, untuk data postingan mas adi “jaringan syaraf tiruan untuk prediksi dgn matab” ada?

  21. selamat sore mas adi, mau tanya perbedaan variasi jaringan : traingd,traingda,traingdm,traingdx,trainlm apa ya mas? terimakasih🙂 (dilihat dari MSE, yang paling bagus trainlm)

    • trainlm merupakan fungsi pelatihan dengan algoritma Levenberg-Marquardt backpropagation
      fungsi tersebut merupakan algoritma yang paling cepat dalam memperbarui bobot dan bias dibandingkan dg algoritma yg lain tetapi membutuhkan memory yang paling besar

  22. oh begitu. kalau misalkan saya menuliskan kode seperti ini boleh ga mas ? % Pembuatan JST
    net = newff(minmax(P),[a4 1],{‘tansig’ ‘logsig’ ‘purelin’},’trainlm’);

    % Memberikan nilai untuk mempengaruhi proses pelatihan
    net=initnw(net,1);
    net.performFcn = ‘mse’;
    net.trainParam.epochs = a1;
    net.trainParam.lr = a2;
    net.trainParam.goal = a3;
    net.trainParam.mc = a5;
    net.trainParam.show = 50;

    dijalankan bisa si, ya bagus juga hasilnya, itu pake inisialisasi nguyen widrow, benar tidak mas kira2?

  23. alasannya kenapa mas?

  24. oke mas, makasih

  25. admin update lagi dong sekarang tentang program-program deep learning

  26. mas ada codingan pendeteksi objek dengan ip camera di matlab ga ya

  27. mas mau tanya , saya punya hasil pelatihan jaringan 12-23-1, learning rate 0,01, momentum 0,9, menghasilkan iterasi 7, MSE 0,0002309, residual 0,9687, terus pada hasil pengujiannya menghasilkan MSE 0,0754 dan residual 0,13949. Mau tanya itu kenapa hasilnya ga bagus ya mas pada hasil pengujiannya. sedangkan di refrensi itu hasilnya antara pelatihan dan pengujian tidak jauh berbeda? mohon penjelasannya, terimakasih

  28. mas, ada contoh JST propagasi balik buat peramalan periode kedepan ga mas , buat periode 2017 misalnya? makasih

  29. Dari hasil pelatihan berbagai macam arsitektur jaringan dari 12-5-1 s.d 12-30-1, arsitektur terbaik 12-23-1, dan dari momentum terbaik 0,1-0,9 terbaik 0,9 , variasi alfa 0,01 – 0,05 alfa terbaik 0,01, sehingga yang terbaik menurut saya 12-23-1 alfa 0,01 momentum 0,9 galat 0,001. menghasilkan MSE 0,0002 dan residual 0,96.
    Tapi pada saat ke button pengujian, residualnya 0,13949 dan MSE 0,0754. tetapi kalo dicoba lagi, dengan parameter yang sama, terus klik button pelatihan, menghasilkan MSE yang berbeda dari MSE yang pertama dan button pengujiannya menghasilkan MSE yang berbeda juga. bagaimana mas itu? kenapa bisa berbeda2 hasilnya padahal parameternya sama? terimakasih

  30. mas, saya mau tanya . saya punya data 2008-2015. kemudian saya bagi data menjadi 2 , 2008-2013 untuk learning dan 2014-2015 untuk testing, itu betul ga ya?
    terus kenapa hasil learning itu bisa berbeda2 walaupun parameternya sama? tolong penjelasannya. terimakasih

    • bobot awal harus diinisialisasi terlebih dahulu agar hasil pelatihan tidak berbeda2
      utk pembagian jumlah data latih dan data uji bisa menggunakan persentase 50-50, 60-40, 70-30, 80-20, 90-10
      jumlah data latih umumnya lebih banyak dibandingkan dg data uji

  31. Tommy Roy Sirait

    mas ada koding matlab yang menggunakan jaringan saraf tiruan Extreme leaning Machine ?

  32. kalo misal data latihnya tahun 2008-2014 terus data ujinya tahun 2009 – 2015 itu benar tidak mas? #hasil residualnya bagus si
    trs kira-kira kalau saya mau meramalkan data untuk tahun 2017 itu gimana mas caranya?

  33. saya mau tanya ini codingannya kan sudah saya download, tapi di coba di saya kok masih eror yah? apakah ini bisa di jlankan di smua matlab atau hanya ada yg tertentunya sja,,, sya downloadnya khusus yg pke matlabnya sja..

  34. assalamualaikum mas, mau tanya, kalau misal di training dan testing pakai {‘tansig’ ‘logsig’},’trainlm’); , di prediksinya pakai {‘tansig’ ‘purelin’},’traingdx’); boleh tidak ya? terimakasih

  35. assalamualaikum,, mas punya coding untuk kompresi citra dengan metode Burrows-Wheeler Transform (BWT) ga? kalo ada tolong posting mas. terimaksih

  36. bang, ada ngga koding untuk mengubah atau mengedit salah satu data yang kita input ke database yang sudah terintegrasi ke exel?
    kalo misalnya kita daftar salah satu mahasiswa, tapi kita salah memasukkan datanya, trus saya tambahkan misalnya salah satu pushbutton edit, bisa ngga kira2 difungsikan button editnya bang?

  37. assalammualaikum maz, punya data untuk perhitungan k-means clustering yang .mat??

  38. mohon maaph sbelumx mas dlaman ini :
    https://pemrogramanmatlab.wordpress.com/source-code-gui-matlab-download/
    terdapat banyak pilihan sedangkan saya msih blom tw source code buat data random yg mana.?
    mohon pencerahanya.

  39. assalamualaikum wr.wb mas
    saya mw bertanya tenteng coding dbawah ini yg saya inputkan dprogram saya.
    source code codingx seperti dbawa ini:

    function [ output_args ] = ED( input_args )

    clc
    clear all
    close all
    load Eigenface_data.mat
    jum_data_test = 24;
    baris = 96;
    kolom = 100;
    im_gray_buff = [];
    for i=1:jum_data_test
    link_im = [‘Datauji\’,num2str(i),’.jpg’];
    gbr = imread(link_im);
    red=gbr(:,:,1);
    green=gbr(:,:,2);
    blue=gbr(:,:,3);
    gray=0.5*red+0.3*green+0.2*blue;
    Y=0.59*red+0.31*green+0.1*blue;
    Cr=0.713*(red-Y);
    Cb=0.564*(blue-Y);
    uk=size(Y);
    temp=zeros(uk(1),uk(2));
    for j=1:uk(1)
    for k=1:uk(2)
    if (Y(j,k)>16)&&(Y(j,k)>(1*Cr(j,k)))&&(Cr(j,k)>10)

    temp(j,k)=1;
    end
    end
    end
    im_temp=gbr;
    %if numel(ukuran_gbr)>2
    %im_gbr = imread(link_im);
    %im_gray_buff = im_rgb(:,:,2);
    %display(‘kentang’);
    %else
    %im_rgb = imread(link_im);
    %im_test = gbr(:,:,2);
    im_gray = imresize(im_temp, [baris kolom]);
    im_vector_test = double(reshape(im_gray,[],1));

    A_test = im_vector_test – m;
    im_proyeksi_test = Eigenface’ * A_test;

    for j=1:jum_data
    Euc_distance(:,j) = norm( im_proyeksi_test – im_proyeksi_latih(:,j) );
    end
    [Euc_dist_min , Recognized_index] = min(Euc_distance);
    switch Recognized_index
    case {1}
    label = [‘edi depan’];
    case {2}
    label = [‘edi kanan’];
    case {3}
    label = [‘edi kiri’];
    case {4}
    label = [‘sevi depan’];
    case {5}
    label = [‘sevi kanan’];
    case {6}
    label = [‘sevi kiri’];
    case {7}
    label = [‘salman depan’];
    case {8}
    label = [‘salman kanan’];
    case {9}
    label = [‘salman kiri’];
    case {10}
    label = [‘zen depan’];
    case {11}
    label = [‘zen kanan’];
    case {12}
    label = [‘zen kiri’];
    case {13}
    label = [‘yodi depan’];
    case {14}
    label = [‘yodi kanan’];
    case {15}
    label = [‘yodi kiri’];
    case {16}
    label = [‘gores depan’];
    case {17}
    label = [‘gores kanan’];
    case {18}
    label = [‘gores kiri’];
    case {19}
    label = [‘doni depan’];
    case {20}
    label = [‘doni kanan’];
    case {21}
    label = [‘doni kiri’];
    case {22}
    label = [‘faqih depan’];
    case {23}
    label = [‘faqih kanan’];
    case {24}
    label = [‘faqih kiri’];
    % case {11,12,13,14,15,16,17,18,19,20}
    % label = [‘bona’];
    otherwise
    %label = [num2str(Recognized_index)];
    label = [‘tidak dikenal’];
    end
    % xlabel(label);
    display (label);
    end
    end

    masalah yg saya alami skrng jumlah data yg saya inputkan tdk sama dengan data hasil outputx, hasil keluarannya malah berkurang dengan jumlah data yang di inputkan sebelumnya,
    bagaimana mas, mohon pencerahanya??

  40. Kukuh Priambodo

    permisi mas, kira2 mas adi punya file image processing ?

  41. gan detesi objek di video make metode lvq ada gak gan?

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: