Setting OpenCV di Java – Yup OpenCV 4.5.0 telah direlease, saya lebih suka menggunakan library OpenCV sebagai library digital image processing sejak dulu sampai sekarang karena dukungan yang sangat luas serta banyak tersedia wrapper untuk bahasa Python, Java, android bahkan Julia!
Pada postingan kali ini saya sengaja tidak membahas python ataupun julia, tapi lebih kepada penggunaan bahasa Java. Topik nya mulai dari instalasi serta menggunakan OpenCV di Java.
Horee… OpenCV 4.5.0 telah direalease lebih tepatnya pada tanggal 12 Oktober 2020, yang bikin kami happy adalah support binding terhadap Julia. Apa saja yang feature yang diupdate, yuk lanjut..
Ada beberapa parameter pengukuran kesalahan atau error dalam pemrosesan citra. Dua parameter yang paling umum digunakan adalah Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR).
merupakan ukuran yang baik untuk mengukur kesamaan 2 buah citra. Misalkan kita memiliki 2 buah citra f dan g dengan dimensi yang MxN
Terkadang dalam pengolahan citra digital yang berukuran sangat besar serta algoritma tersebut memang tidak dipengaruhi oleh nilai tetangga yang lain, maka saya biasanya melakukan croping seperti berikut, yang tiap croping nya akan disimpan secara terpisah dan diolah per frame nya, tentu akan menjadi sangat ringan karena kita bisa memilih frame by frame.
Dalam postingan ini, saya hanya akan sedikit mengulas tentang apa itu Python, apa yang dapat kalian lakukan dengannya, dan mengapa itu sangat populer sekarang. Saya juga akan mengeksplorasi mengapa ini adalah bahasa yang lebih disukai untuk data science.
Python adalah bahasa multi-tujuan dengan sintaks yang ramah bagi pemula atau developer yang berpengalaman. Sudah ada selama lebih dari 22 tahun (2020), dan cara berkembangnya hingga saat ini luar biasa, dan tentunya ada fitur-fitur baru yang dirilis dan dikembangkan.
Untuk memahami apa kegunaan serta memahami gagasan umum tentang cara kerja Gradient descent dan persamaan matematika di baliknya, agar lebih mudah, saya menggunakan python sebagai ilustrasinya. Oiya kalian masih ingat donk mengenai pelajaran/kuliah mengenai kalkulus? yaitu mengenai limit, turunan /derivatif sebuah fungsi.
Jika kalian tidak terbiasa dengan istilah gradien descent / penurunan gradien yaitu adalah algoritma pengoptimalan untuk menemukan fungsi minimum yang bisa kalian tentukan secara mudah melalui penurunan sebuah function. Mengapa hal ini penting? Ingat pada bab sebelumnya kita menggunakan loss function fungsi ini sering disebut fungsi kerugian / biaya / fungsi tujuan/object function.
TensorFlow adalah library/pustaka perangkat lunak sumber terbuka yang dikembangkan oleh Google untuk komputasi numerik dengan konsep graph/tensor. TensorFlow awalnya adalah proyek penelitian deep machine learning yang dikembangkan dari tim Google yang sejak dengan kolaborasi bersama 50 tim di Google – perpustakaan sumber terbuka baru yang diterapkan di seluruh ekosistem Google, termasuk Asisten Google, Foto Google, Gmail , telusuri, dan lainnya.
Membuat desain arsitektur machine learning menggunakan python sangatlah mudah, kalian bisa saja membuat kode nya secara sendiri, ataupun menggunakan library yang ada ada bahkan membuat turunan class / inheritance dari sebuah class library tensorflow! Maksudnya adalah kalian bisa saja menggunakan library tensorflow dari sebuah class – class yang ada untuk digunakan kembali sebagai acuan kita dalam membuat machine learning seperti backpropagation! Penasaran bukan?
Pada tulisan sebelumnya, disitu kita hanya menggunakan library sklearn yaitu terbatas memanggil function saja, dengan menggunakan dataset yang sama, kita akan menggunakan library tensorflow dan keras sebagai backend engine nya.
Yuk mulai saja kita samakan saja version tensorflow dan keras yang digunakan
Dasar pembahasan dari deep learning salah satunya algoritma Multi Layer Percepton, kalian bisa pelajari dalam buku yang saya terbitkan oleh Graha Ilmu disini dengan sub topik perceptron. Sobat softscients.com pada artikel ini, saya tidak akan detail hal tersebut tapi lebih pada menggunakan library sklearn yaitu MLPClassifier yang kode sangat ringkas sekali dengan dokumentasi yang lengkap ada disini
MLPClassifier adalah singkatan dari Multi-layer Perceptron classifier yang dalam namanya terhubung ke Neural Network. Tidak seperti algoritme klasifikasi lain seperti Support Vectors Machine atau Naive Bayes Classifier, MLPClassifier mengandalkan Neural Network yang mendasari untuk melakukan tugas klasifikasi.
Lupakan Excel! itu kata yang terbaik setelah menggunakan tools ini! Saat ini library pandas telah menjadi alat defacto untuk melakukan analisis data eksplorasi apa pun dengan Python. Fleksibilitas dan kemudahan penggunaannya menjadikannya library menjadi pilihan bagi banyak data science saat ini. Library pandas mempunyai support yang banyak dan sangat aktif karenanya selalu dalam pengembangan dan peningkatan aktif. Banyak library turunan yang digunakan dari library Pandas yaitu