Apa yg terpenting dalam DM?Apa yg terpenting dalam DM?  Data 2.

Slides:



Advertisements
Presentasi serupa
Menggambarkan Data: Tabel Frekuensi, Distribusi Frekuensi, dan Presentasi Grafis Chapter 2.
Advertisements

Presented at “Indonesia MS Access Community Gathering 2012” By Haer Talib, Access MVPHaer Talib Auditorium PT Microsoft Indonesia, 19 April 2012.
Teori Graf.
Data Mining dan Aplikasi untuk Knowledge Management
This document is for informational purposes only. MICROSOFT MAKES NO WARRANTIES, EXPRESS OR IMPLIED, IN THIS DOCUMENT. © 2006 Microsoft Corporation. All.
Algoritma & Pemrograman #10
Array Multidimensi MATRIK.
START.
QUESTION- RESPONSE QUESTION- RESPONSE. Adaptif Hal.: 2 Isi dengan Judul Halaman Terkait Judul Halaman Pada bagian question-response, pertanyaan-pertanyaan.
Introduction to Lego Mindstrom Education EV3
Chapter 8 Kompresi Video Kompresi video dipengaruh dari data video tersebut dan hardware yang digunakan pada video tersebut – pada pengambilan gambar –
Memahami Etimologi Multimedia
Menunjukkan berbagai peralatan TIK melalui gambar
PENYEDERHANAAN RANGKAIAN
Mata Kuliah Teknik Digital TKE 113
Mata Kuliah Dasar Teknik Digital TKE 113
PENYEDERHANAAN RANGKAIAN
1 Pertemuan 21 Pompa Matakuliah: S0634/Hidrologi dan Sumber Daya Air Tahun: 2006 Versi: >
Tugas Praktikum 1 Dani Firdaus  1,12,23,34 Amanda  2,13,24,35 Dede  3,14,25,36 Gregorius  4,15,26,37 Mirza  5,16,27,38 M. Ari  6,17,28,39 Mughni.
Tugas: Perangkat Keras Komputer Versi:1.0.0 Materi: Installing Windows 98 Penyaji: Zulkarnaen NS 1.

VISUAL IMPACT ASSESSMENT
Ilmu Komputer Universitas Gadjah Mada Ilmu Komputer Universitas Gadjah Mada Multimedia on The Web Chapter 1 The Web Wizard’s Guide to MULTIMEDIA James.
1 KOMPONEN PERUMUSAN PROGRAM KOMUNIKASI 1.Assesment - Focus the target audience 2.Planning - Target audience - Key of consumer benefit - Believe of the.
Internal dan Eksternal Sorting
Restricting and Sorting Data
Oracle Developer/2000. Developer/2000 Products FormsReportsGraphics.
Risk Management.
Menggunakan OLE Drag-Drop
LINKED LIST.
Implementing an REA Model in a Relational Database
Pertemuan 3 Menghitung: Nilai rata-rata (mean) Modus Median
3 nd Meeting Chemical Analysis Steps and issues STEPS IN CHEMICAL ANALYSIS 1. Sampling 2. Preparation 3. Testing/Measurement 4. Data analysis 2. Error.
2nd MEETING Assignment 4A “Exploring Grids” Assignment 4 B “Redesign Grids” Create several alternatives grid sysytem using the provided elements: (min.
Mari Kita Lihat Video Berikut ini.
Bab 6B Distribusi Probabilitas Pensampelan
WORKSHOP INTERNAL SIM BOK
AUSTRALIA INDONESIA PARTNERSHIP FOR EMERGING INFECTIOUS DISEASES Excel tingkat menengah – Bagan (lanjutan) Location Date Name.
PEMROGRAMAN PPBD (UAS) SEBELUM MELANGKAH KE TAHAP SELANJUTNYA BERDOA DULU BIAR LANCAR DAN GA EROR
Pemrograman Sistem Basis Data Chapter II Database Sistem (Lanjutan)
Aplikasi Manipulasi Data
MACROMEDIA FLASH. PERTEMUAN II Lesson 04 : Layers Movie Properties (Ctrl + M) Stage : Interface ( View | Rulers dan Grid) Tweening : MOTION Tweening :
DISTRIBUSI FREKUENSI oleh Ratu Ilma Indra Putri. DEFINISI Pengelompokkan data menjadi tabulasi data dengan memakai kelas- kelas data dan dikaitkan dengan.
Rabu 23 Maret 2011Matematika Teknik 2 Pu Barisan Barisan Tak Hingga Kekonvergenan barisan tak hingga Sifat – sifat barisan Barisan Monoton.
Soal Latihan.
© 2007 Cisco Systems, Inc. All rights reserved.Cisco Public 1 Fungsi dan Protokol Layer Aplikasi Network Fundamentals – Chapter 3.
1. 2 Work is defined to be the product of the magnitude of the displacement times the component of the force parallel to the displacement W = F ║ d F.
© 2009 Fakultas Teknologi Informasi Universitas Budi Luhur Jl. Ciledug Raya Petukangan Utara Jakarta Selatan Website:
Structured Query Language (SQL)
: : Sisa Waktu.
PENGANTAR SISTEM INFORMASI NURUL AINA MSP A.
Kelas Dasar HTML Dasar SMK Al-Muhajirin Sabtu, 29 November 2014.
Red -BlackTrees Evaliata Br Sembiring.
DANDC wijanarto.
Hingga deadline (12 Maret 2010)  Jumlah mahasiswa: 76  TT1 yg sudah dikumpul = 28  Hanya 7 TT1 yang diterima. Sisanya harus mengumpul lagi karena berbagai.
UKURAN PEMUSATAN DATA Sub Judul.
MICROSOFT EXCEL 2000 Bagian #4 GRAPHICS : OBJECT & CHART.
KONTROL ALUR EKSEKUSI PROGRAM
Selamat Datang Dalam Kuliah Terbuka Ini
AREAL PARKIR PEMERINTAH KABUPATEN JEMBRANA
“Image Retrieval” Shinta P.
PENGANTAR SISTEM INFORMASI NURUL AINA MSP A.
USAHA DAN ENERGI ENTER Klik ENTER untuk mulai...
Bersyukur.
PENYELESAIAN PERSAMAAN KUADRAT
B L O G Joshua Joviando 1. Bagian 2 Membuat Blog di 2.
WISNU HENDRO MARTONO,M.Sc
Pengantar sistem informasi Rahma dhania salamah msp.
By : ijaa.wordpress.com.
Story Board.
Transcript presentasi:

Apa yg terpenting dalam DM?Apa yg terpenting dalam DM?  Data 2

3 Multimedia DataMultimedia Data Kombinasi Video Teks Suara Image Animasi

Multimedia DMMultimedia DM  Bagian dari DM yang berhubungan dengan :  ekstraksi dari pengetahuan implisit,  keterhubungan data multimedia, atau  pola lain yang tidak secara eksplisit tersimpan dalam basis data multimedia 4

Mengapa Multimedia DM ?Mengapa Multimedia DM ? 5

Disiplin ilmu terkaitDisiplin ilmu terkait  Basis data : perluasan dari KDD (rule patterns)  Sistem informasi  Analisis dan temu kembali informasi multimedia  Content based image & video search  Organisasi penyimpanan data multimedia yang efisien 6

Pencarian kesamaan pada Data MultimediaPencarian kesamaan pada Data Multimedia  Sistem temu-kembali berbasis deskripsi  Membangun indeks dan menyajikan temu kembali obyek berdasar pada deskripsi image seperti kata kunci, judul, ukuran, waktu pembuatan  Butuh banyak pekerja jika dilakukan secara manual  Hasil umumnya berkualitas rendah jika diotomasikan 7

8

9

10

11

12

Video retrieval - keywordsVideo retrieval - keywords  Key word search berbasi subtitles  Live demo:

Content Based Retrieval SystemContent Based Retrieval System  Mendukung temu kembali pada data multimedia berbasiskan pada karakteristik media tersebut, contoh  Image :  Histogram warna  Tekstur  Bentuk  Obyek  Suara  Pitch, timbre, loudness  duration 14

Color HistogramColor Histogram

Texture FeatureTexture Feature Brodatz collection

17

19

Kueri dalam CBRKueri dalam CBR  Kueri berbasis contoh image  Cari seluruh image yang mirip dengan contoh image yang diberikan  Bandingkan vektor fitur (signature) yang diekstraksi dari contoh dengan vektor fitur dari image yang telah diekstrak dan diindeks dalam basis data 20

21

Kueri dalam CBRKueri dalam CBR  Kueri berbasis fitur secara spesifik  Spesifikasi atau sketsa fitur image seperti warna, tekstur, atau bentuk yang nanti diterjemahkan ke dalam vektor fitur 22

23

26

Sound retrieval by contentSound retrieval by content  Musik yang sama berbeda instrumen  Bagaimana cara mencari melodi seperti berikut?

Audio SearchAudio Search 29

Context browser & playbackContext browser & playback

Video QueryVideo Query Directed query

Video QueryVideo Query

• Query By Video Example

Relevance FeedbackRelevance Feedback

Image RetrievalImage Retrieval  Semantic Similarity

Image RetrievalImage Retrieval  Semantic Similarity

Image RetrievalImage Retrieval  Similarity of colors

Image RetrievalImage Retrieval  Shift-Invariant

Image RetrievalImage Retrieval  content-based

System OverviewSystem Overview 41

System overviewSystem overview

Design Issues of Image RetrievalDesign Issues of Image Retrieval  Retrieval specification  query  browsing  Feature extraction  Similarity measures  Access methods of Image Retrieval

Design Issues of Video RetrievalDesign Issues of Video Retrieval  Retrieval specification  video browsing  video query  Video Parsing  Feature extraction  Similarity measures

Video BrowsingVideo Browsing  Hierarchical video browsing

Story-Based Video BrowsingStory-Based Video Browsing

Scene Change DetectionScene Change Detection  Detected by frame sizes of motion JPEG

Multidimensional Analysis of Multimedia DataMultidimensional Analysis of Multimedia Data  Kubus data Multimedia  Desain dan konstruksi mirip dengan kubus data tradisional dari data relasional  Mengandung dimensi & ukuran tambahan untuk informasi multimedia, seperti warna, tekstur, bentuk 49

Multidimensional Analysis of Multimedia DataMultidimensional Analysis of Multimedia Data  Basis datanya tidak menyimpan image, tapi menyimpan deskriptornya  Feature descriptor: seset vektor untuk tiap karakteristik visual  Color vector: mengandung color histogram  MFC (Most Frequent Color) vector: five color centroids  MFO (Most Frequent Orientation) vector: five edge orientation centroids  Layout descriptor: mengandung color layout vector & edge layout vector 50

Multimedia Mining HierarchyMultimedia Mining Hierarchy 51

52

53

Multi-Dimensional Search in Multimedia Databases 54

Multi-Dimensional Analysis in Multimedia Databases Color histogramTexture layout 55

Mining Multimedia DatabasesMining Multimedia Databases Refining or combining searches Search for “blue sky” (top layout grid is blue) 56

Mining Multimedia DatabasesMining Multimedia Databases Search for “blue sky and green meadows” (top layout grid is blue and bottom is green) Search for “airplane in blue sky” (top layout grid is blue and keyword = “airplane”) 57

Mining Multimedia DatabasesMining Multimedia Databases RED WHITE BLUE GIFJPEG By Format By Colour Sum Cross Tab RED WHITE BLUE Colour Sum Group By Measurement JPEG GIF Small Very Large RED WHITE BLUE By Colour By Format & Colour By Format & Size By Colour & Size By Format By Size Sum The Data Cube and the Sub-Space Measurements Medium Large • Format of image • Duration • Colors • Textures • Keywords • Size • Width • Height • Internet domain of image • Internet domain of parent pages • Image popularity 58

59

Classification in MultiMediaMiner 60

Mining Multimedia DatabasesMining Multimedia Databases Spatial Relationships from Layout property P1 next-to property P2property P1 on-top-of property P2 Different Resolution Hierarchy 61

Mining Multimedia Databases From Coarse to Fine Resolution Mining 62