Praktikum 3 Metode Kuantitatif Tim Asisten Metode Kuantitatif

Topik Grafik pada Matlab PCA (Principal Component Analysis)

Grafik pada Matlab Untuk menampilkan grafik pada Matlab menggunakan perintah Plot. Berikut perintah untuk menampilkan grafik : Plot (x, y) Ketik pada command window >> x = (0:0.01:2*pi); >> Plot(x,cos(x))

>>x=linspace(-pi,pi,60); >>y=sin(x); >>plot(x,y) >>plot(x, sin(x),’. ’,x,cos(x),’o’) Grafik pada Matlab (1)

Buat M-File dengan nama grafik.m x=linspace(-2*pi,3*pi,60); y1=sin(x); y2=cos(x); y3=cos(2*x); subplot (4,1,1); plot(x,y1); subplot (4,1,2); plot(x,y2); subplot (4,1,3); plot(x,y3); subplot (4,1,4); plot(x,y1,'r',x,y2,'b',x,y3,'y');

PCA (Principal Component Analysis) Teknik untuk mengubah dimensi suatu data menjadi suatu data yang lebih kecil, namun tetap mempertahankan sebagian besar (sekian persen cirinya). Suatu cara mengidentifikasi pola dalam suatu data. Baik untuk menganalisis data yang berdimensi besar. Tujuan PCA adalah untuk mendapatkan sesuatu yang berarti yang ada pada tabel atau matriks (memisahkan komponen utama dengan noise).

Example dataku = [ ; ; ; ; ; ; ; ; ; ; ; ; ] Four column of data

Get the covariance covnya = cov(dataku) Result : covnya =

Using pcacov [pc,eigenval,explained] = pcacov(covnya) Result : pc = //principal component dari data -> vector eigen eigenval = //menunjukkan tingkat kepentingan suatu kolom pada pc explained = ->prosentase eigenval/total eigen val

To get 97% information from data First row of explained = % Second row of explained = % Total = % So, take first and second column of pc pc97=pc(:,[1:2]) Result : pc97 =

To build new data (with 97% information) from PCA datakubaru=(pc97' * dataku')' Result : datakubaru = Only two column

1. >> dataImage = imread(‘arch.tif'); % Imread digunakan untuk membaca piksel citra dan menyimpannya dalam bentuk matriks 2. >> whos dataImage % melihat class citra 3. >> figure, imshow(dataImage) % menampilkan gambar 4.>> dataImageD = double(dataImage); % mengkonversi class uint8 ke double agar dapat diproses PCA untuk image

5. >> gambar = rgb2gray(dataImage); % mengubah citra menjadi grayscale 6. >> gambarD = double(gambar); 7. >> covnya=cov(gambarD); 8. >> [pc,eigenval,explained] = pcacov(covnya) 9. >> pcpersen=pc(:,[1:10]) 10. >> gambarbaru=(pcpersen’*gambarD’)’ 11. >> figure, imshow(gambarbaru) PCA untuk image (1)

Terima Kasih