MATLAB ILU INU IMU: Agustus 2019

hasil Akurasi:
'OUTPUT' 'PREDIKSI1' 'T/F' 'PREDIKSI2' 'T/F'
1 7 0 1 1
1 7 0 1 1
1 7 0 1 1
1 7 0 1 1
1 7 0 1 1
2 2 1 2 1
2 2 1 2 1
2 2 1 2 1
2 2 1 2 1
2 2 1 2 1
3 3 1 3 1
3 3 1 3 1
3 3 1 3 1
3 3 1 3 1
3 3 1 3 1
4 4 1 4 1
4 4 1 4 1
4 4 1 4 1
4 4 1 4 1
4 4 1 4 1
5 5 1 5 1
5 5 1 5 1
5 5 1 5 1
5 5 1 5 1
5 5 1 5 1
6 6 1 6 1
6 6 1 6 1
6 6 1 6 1
6 6 1 6 1
6 6 1 6 1
7 7 1 7 1
7 7 1 7 1
7 7 1 7 1
7 7 1 7 1
7 7 1 7 1

output adalah terget yang harus di capai...

misal 1: kucing Angora, 2 Kucing Bengal, 3 Brits, 4 Exotic, 5 Mainecoon, 6 Persia dan 7 Sphynx

Menggunakan Metode SVM model Grayscale (rgb2gray): hasilnya kurang baik

Menggunakan Metode SVM model R+G/2(Red dan green saja): hasilnya lebih baik bahkan 100% benar

'T/F' =>1=true, 2 false atau tidak sesuai target

Saat menggunakan Kmeans hasilya kurang baik karena disini menggunakan rumus labeling....

pil1=get(handles.pil1,'Userdata')
pil2=get(handles.pil2,'Userdata')
pil3=get(handles.pil3,'Userdata')
pil4=get(handles.pil4,'Userdata')

data=get(handles.mytable3,'Userdata');
data0=get(handles.mytable4,'Userdata');

if size(data,1)<1
msgbox('Silakan pilih data latih dahhulu...','Lengkapi Data','help');
return;
end

ROW=data(:,1)

co=size(data0,2);
mydata=data0(:,2:co);
mydatabaru=[pil1,pil2,pil3,pil4]
F=[mydata;mydatabaru];

K=8;
opts = statset('Display','final');
[prediction, CENTS] = kmeans(F, K, 'Distance','city','Replicates',40, 'Options',opts);

header=["X1","X2","X3","X4"];
c=size(CENTS,1);

T=size(prediction,1);
hsl=prediction(T);
row=linspace(1,c,c);
set(handles.mytable5,'data',CENTS,'ColumnName',header,'RowName',row);
set(handles.mytable5,'Userdata',CENTS);
OUT=cell2mat(ROW(hsl));
set(handles.edknn,'String',num2str(OUT));

+++++++++++++++++++

Perhitungan Normalsiasi SVM menggunalan rumus ini:

load DLATIH.mat;

load DLATIH2.mat;

load ROW.mat;

load ROW2.mat;

load KAT.mat;

kolom={'Contrast' 'Correlation' 'Energy' 'Homogeneity'};

set(handles.mytable,'data',DLATIH,'ColumnName',kolom,'RowName',ROW);

set(handles.mytable,'Userdata',DLATIH);

%%%%%%%%%%%%%%%

set(handles.mytable2,'data',DLATIH2,'ColumnName',kolom,'RowName',ROW);

set(handles.mytable2,'Userdata',DLATIH2);

%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%

X =DLATIH;

Y = KAT;

prediction=multisvm(DLATIH,KAT,DLATIH);

prediction2=prediction';

ba=size(prediction2,2);

benar=0;

rekap1=[];

for i=1:ba

if(KAT(1,i)==prediction2(1,i))

benar=benar+1;

rekap1(1,i)=1;

else

rekap1(1,i)=0;

end

salah=ba-benar;

akurasi1=benar/ba;

prediction=multisvm(DLATIH2,KAT,DLATIH2);

prediction22=prediction';

ba=size(prediction22,2);

benar=0;

rekap2=[];

for i=1:ba

if(KAT(1,i)==prediction22(1,i))

benar=benar+1;

rekap2(1,i)=1;

else

rekap2(1,i)=0;

end

salah=ba-benar;

akurasi2=benar/ba;

GAB=[KAT' prediction2' rekap1' prediction22' rekap2']

row=linspace(1,ba,ba);

header={'OUTPUT','PREDIKSI1','T/F','PREDIKSI2','T/F'}

set(handles.mytable0,'data',GAB,'ColumnName',header,'RowName',row);

set(handles.mytable0,'Userdata',GAB);

Sedang raget yang hendak dicapai lebihd ari 2 item maka menggunakan rumsu Multisvm sbb:

function [itrfin] = multisvm( T,C,test )

itrind=size(test,1);

itrfin=[];

Cb=C;

Tb=T;

for tempind=1:itrind

tst=test(tempind,:);

C=Cb;

T=Tb;

u=unique(C);

N=length(u);

c4=[];

c3=[];

j=1;

k=1;

if(N>2)

itr=1;

classes=0;

cond=max(C)-min(C);

while((classes~=1)&&(itr<=length(u))&& size(C,2)>1 && cond>0)

c1=(C==u(itr));

newClass=c1;

svmStruct = svmtrain(T,newClass,'kernel_function','polynomial');

classes = svmclassify(svmStruct,tst);

for i=1:size(newClass,2)

if newClass(1,i)==0;

c3(k,:)=T(i,:);

k=k+1;

end

T=c3;

c3=[];

k=1;

for i=1:size(newClass,2)

if newClass(1,i)==0;

c4(1,j)=C(1,i);

j=j+1;

end

C=c4;

c4=[];

j=1;

cond=max(C)-min(C);

if classes~=1

itr=itr+1;

end

valt=Cb==u(itr);

val=Cb(valt==1);

val=unique(val);

itrfin(tempind,:)=val;

end

Datalatih target:

'Anggora'
'Anggora'
'Anggora'
'Anggora'
'Anggora'
'Bengal'
'Bengal'
'Bengal'
'Bengal'
'Bengal'
'Britsh'
'Britsh'
'Britsh'
'Britsh'
'Britsh'
'Exotic'
'Exotic'
'Exotic'
'Exotic'
'Exotic'
'Mainecoon'
'Mainecoon'
'Mainecoon'
'Mainecoon'
'Mainecoon'
'Persia'
'Persia'
'Persia'
'Persia'
'Persia'
'Sphynx'
'Sphynx'
'Sphynx'
'Sphynx'
'Sphynx'

DLATIH =

1.0e+10 *

0.1114 1.0030 0.0106 0.0000
0.1114 1.0030 0.0106 0.0000
0.1114 1.0030 0.0106 0.0000
0.0959 1.0573 0.0153 0.0000
0.1114 1.0030 0.0106 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.1419 3.0747 0.0114 0.0000
0.0732 1.1291 0.0145 0.0000
0.1418 1.8808 0.0081 0.0000
0.0892 1.3324 0.0200 0.0000
0.1418 0.9196 0.0120 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1421 1.1542 0.0027 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000

>> DLATIH2

DLATIH2 =

1.0e+10 *

0.1114 1.0030 0.0106 0.0000
0.1114 1.0030 0.0106 0.0000
0.1114 1.0030 0.0106 0.0000
0.0959 1.0573 0.0153 0.0000
0.1114 1.0030 0.0106 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.1276 2.5270 0.0104 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0669 0.6027 0.0046 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.0893 0.2997 0.0045 0.0000
0.1419 3.0747 0.0114 0.0000
0.0732 1.1291 0.0145 0.0000
0.1418 1.8808 0.0081 0.0000
0.0892 1.3324 0.0200 0.0000
0.1418 0.9196 0.0120 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1114 0.8824 0.0063 0.0000
0.1421 1.1542 0.0027 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000
0.1099 1.0015 0.0114 0.0000

Terlihat 0 tetapi sebanarnya nilainya ada......cb di lihat lebih detail:
>> DLATIH2(1,4)

ans =

1.6878e+04

Cara mendeteksi Suara Audio itu masuk kategori apa yaaaa?

SKhirnya bisa di buktikan bahwa Konsep audio juga semudah konsep Image bahwa mudah juga selama kita bisa menormalsiasikana sinyal audio tsresbut ...
Contoh di atas menunjukkan proses2nya
Dengan menggunakan 2 metode KNN dan SVM didapat akurasi yang baik juga

Namun begitu...SVM lebih baik akurasinyaaaa...tahu kenapaa......jelas karena ia mampu mengenali fitur objek audio dengan sempurna daripada hanya sebatas menghitung jarak menggunakan KNN

dan ini adalah sinyal normalisasi dari Audio musik nya (Gambang dan Tehyan)

Untuk Normalisasi nya rekan2 silakan bisa gunakan MFCC dengan code sbb:

function [ mfcc_test,ww ] = getMFCC( Samples)
% [InputIn,fs]=audioread(path);
% Samples = InputIn;
zz = find(Samples) < max(Samples/3);%Threshold speech regions
Samples(zz) = 0;
zz = find(Samples);
Speech_Region = Samples(zz);

OverlapSize = 0.5;
MFCCNo = 45;
NoOfWindows = 25;
NoOfFilters = floor(MFCCNo/NoOfWindows+1);

mfcc_test = zeros(1,MFCCNo);
WindowSize = floor((size(Speech_Region,1))/(NoOfWindows+1));
ww = 0;
for ll = 0:OverlapSize:(NoOfWindows-1)/2
bb = Speech_Region(floor(ll*WindowSize)+1:floor(ll*WindowSize)+WindowSize).*hamming(WindowSize);
fb = fft(bb);
mb = 2595 * log10(1 + fb./700);
mfout = dct(log(abs(mb)),NoOfFilters);
mfcc_test(1,ww*NoOfFilters+1:ww*NoOfFilters+NoOfFilters) = mfout;
ww = ww + 1;
end

end

MATLAB ILU INU IMU

Sabtu, 10 Agustus 2019

Analisa Jenis Kucing sebaiknya pakai ViolaJones

Kamis, 08 Agustus 2019

Pengolahan Data AUDIO