Yuk belajar Membuat Chart di pemrograman Android

Chart adalah sebuah bagan grafik yang menampilkan sebuah data secara visual sehingga mudah untuk dibaca dan dipahami. Pada Microsoft Excel dan Powerpoint sangat mudah untuk membuat chart karena telah disediakan toolsnya oleh Microsoft. Lalu bagaimanakah cara untuk membuat grafik atau menyisipkan chart (grafik) didalam pemrograman Android ??? So Let’s Code …

Yang perlu dirubah setelah membuat file project android adalah merubah file MainActivity.java berikut isi MainActivity nya :

Pengenalan dan Code Action Bar pada Pemrogrman Android

Actionbar adalah sebuah bar yang dalam pemrograman android dimana dalam bar tersebut dapt memunculkan icon, judul aplikasi dan tombol-tombol yang dapat kita buat sendiri dari icon dan fungsi dari tombol tersebut.

Selain itu, dalam action bar dapat memperindah tampilan suatu aplikasi dan dapat mempermudah karena dapat memuat tombol yang statis tiap layer aplikasinya.

Mau tau, bagaimana cara membuat aplikasi actionbar ??? Let’s Code …

Dalam Folder “scr” hanya ada satu package dengan berisi 2 Java yaitu :

E-book C++

Kali ini admin aye akan membagikan e-book tentang pemrograman C++ dari basic sampai medium beserta contoh-contoh dalam pemrograman C++. Adapaun e-book dapat dilihat dan diunduh disini

Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi Wavelet

Makalah ini membahas sebuah sistem pengenalan sinyal 2D, yaitu citra wajah untuk mengenali identitas seseorang. Citra wajah diproses awal menggunakan transformasi wavelet menghasilkan representasi multi resolusi dari citra aslinya. Penggunaan transformasi wavelet ini dimotivasi oleh hasil beberapa studi biologi tentang kemiripan system retina dan simple cortial cells dengan pemrosesan wavelet. Transformasi wavelet disini digunakan sebagai metode ekstraksi feature sekaligus reduksi dimensi input citra. Eksperimen menggunakan database standar dari ORL (Ollivety Research Laboratory) yang memuat 400 citra wajah yang terdiri dari 40 individu dengan masing-masing 10 wajah per individu. Keberhasilan pengenalan menggunakan klasifikasi k-nearest-neighbour adalah 94 %. Pengujian juga dilakukan pada citra bernoise gaussian dengan SNR=10,5, 0 dan –9dB. Ternyata penambahan noise pada input citra tidak mempengaruhi keberhasilan pengenalan secara berarti.

Pengenalan Wajah Pelanggan Toko

Mengenali dan menyapa konsumen merupakan suatu cara untuk mendekatkan diri dengan kosumen. Namun tidak semua pegawai mempu menghapal nama dari pelanggan yang datang, untuk itu dikembangkan suatu aplikasi pemrograman yang mampu mengenali pelanggan sehingga pegawai toko dapat menyapa konsumen dengan nama pelanggan tersebut.

Aplikasi computer yang dikembangkan adalah aplikasi computer yang memiliki kecerdasan dalam hal pengenalan wajah seseorang hanya dengan menggunakan webcam. System pengenalan wajah ini menggunakan algoritma Eigenface dengan menggunakan citra yang dihasilkan dari capture webcame dengan menggunakan informasi mentah dari pixel yang kemudian direpresentasikan dalam metode Principal Component Analysis (PCA). Adapun algoritmannya adalah dengan menghitung rata-rata pixel dari gambar-gambar yang sudah tersimpan dalam suatu database, dari rata-rata pixel tersebut akan didapatkan nilai eigenface masing-masing gambar dan kemudian akan dicari nilai eigenface terdekat dari gambar citra wajah yang ingin dikenali. Semakin banyak gambar citra wajah pada database maka semangkin tinggi tingkat keberhasilah untuk mengenali citra wajah tersebut. 

Pemanfaatan K-Nearest Neighbor (KNN) Pada Pengenalan Wajah Dengan Praproses Transformasi Wavelet

Pengenalan wajah merupakan salah satu bidang penelitian dengan banyak aplikasi yang menerapkannya hal itu dikarenakan wajah manusia mampu merepresentasikan sesuatu yang kompleks sehingga dalam melakukan pemodelan komputasi yang ideal sangatlah sulit, karena setiap metode memiliki kelebihan dan kekurangan. Kemampuan untuk dapat mengidentifikasi wajah sangat diperlukan dalam berbagai bidang seperti kepolisian, hukum, forensik, imigrasi dan sebagai identitas wajah dalam memasuki daerah terlarang. Hal ini menyebabkan pengembangan system pengenalan wajah tetap menjadi riset yang penting..  Tujuan dari penelitian ini adalah k-nearest neighbor KNN pada pengenalan wajah dengan praproses transformasi wavelet.  Data yang digunakan berupa gambar atau citra yang diperoleh dari beberapa objek.  Pada percobaan ini terdapat 80 citra dari 10 objek. Sebanyak 64 citra digunakan sebagai database pelatihan dan 16 digunakan untuk uji pengenalan pola.  Metode yang digunakan adalah transformasi wavelet untuk ekstraksi fitur dan KNN untuk identifikasi. Hasil pemilihan k terbaik adalah 5 dengan jumlah citra pada setiap kelas dalam kelompok pengujian sebanyak 8 buah.

Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna

Metode yang diusulkan merupakan gabungan antara pendekatan warna  dan bentuk bibir untuk deteksi otomatis lokasi bibir pada citra wajah yang gunakan untuk mengidentifikasi wajah seseorang berdasarkan fitur bibirnya. Penelitian ini mencoba untuk menggabungkan pendekatan berbasis ruang warna yang diperbaiki menggunakan pendekatan berbasis bentuk bibir. Hasil eksperimen menunjukkan bahwa 61,4% akurasi identifikasi ketika diuji menggunakan 500 citra wajah Nilai Precision dan Recall digunakan untuk mengevaluasi teknik yang diusulkan dibandingkan dengan gambar yang disegmentasi secara manual yang selanjutnya diproses dalam sistem identifikasi wajah. Hasil ujicoba yang telah dilakukan dapat digunakan sebagai dasar pengembangan system identifikasi waktu nyata.

Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW

Penerapan mesin absensi kehadiran di PENS sudah dilakukan beberapa tahun lalu, namun masih menggunakan smart card, sehingga belum efektif dan akurat dalam pengambilan data. Untuk itu dicoba untuk melakukan penelitian dengan menggabungkan mesin absensi menggunakan pengenalan wajah. Pengenalan wajah dalam penelitian ini menggunakan sebuah webcam untuk menangkap suatu citra kondisi ruangan pada waktu tertentu yang kemudian diidentifikasi wajah yang ada. Beberapa metode yang digunakan dalam penelitian disini adalah ekstraksi fitur akan menggunakan metode PCA atau Eigenface. Sedangkan untuk pengambilan keputusan, digunakan metode Dynamic Times Wrapping ( DTW ) dan Euclidean Distance. Pengujian menggunakan 90 data training dan 45data uji. Kontribusi yang digunakan mulai dari 2hingga 10 kontribusi PCA. Dari hasil pengujian, tingkat keberhasilan pengenalan menggunakanDTW sebesar 20% dan 40% hingga 82% untuk euclidean distance. Pada sistem ini, digunakan parameter jarak un\tuk mengukur tingkat keakurasiannya. Jarak yang digunakan adalah 50cm, 100cm, dan 150cm. Adapun Hasil pengenalan yang diperoleh dari masing-masing jarak tersebut adalah 40%, 10%, dan 10%. Sedangkan apabila menggunakan metode pengenalan euclidean distance, didapakan hasil dari masing-masing tersebut adalah 80%, 70%, dan 40%.