tugas Algoritma

Pendahuluan.
Algoritma merupakan sistem komputer memiliki brainware, hardware, dan software. Tanpa salah satu dari ketiga sistim tersebut, komputer tidak akan berguna. Kita akan lebih fokus pada softwarekomputer. Software terbangun atas susunan program (silahkan baca mengenai pengertian program) dan syntax (cara penulisan/pembuatan program). Untuk menyusun program atau  syntax, diperlukannya langkah-langkah yang sistematis dan logis untuk dapat menyelesaikan masalah atau tujuan dalam proses pembuatan suatu software. Maka,Algoritma berperan penting dalam penyusunan program atau syntax  tersebut.

Pengertian Algoritma adalah susunan yang logis dan sistematis untuk memecahkan suatu masalah atau untuk mencapai tujuan tertentu. Dalam dunia komputer, Algoritma sangat berperan penting dalam pembangunan suatu software. Dalam dunia sehari-hari, mungkin tanpa kita sadari Algoritma telah masuk dalam kehidupan kita.

Algoritma 1. Mengambil uang di ATM

1. Mulai

2. masukan kartu kedalam ATM

3. Masukan PIN

4. Jika pin yang dimasukan benar lanjut ke menu selanjutnya jika salah bisa di ulang maksmal 3x

5. Pilih menu pengambilan uang tunai

6. Pilih nilai uang yang akan diambil

7. Ambil uang

8. Ambil kartu ATM
9. Selesai

Algoritma 2. Apel Pagi

1. Peluit apel pagi

2. Baris sesuai kelas masing-masing

3. Pengambil apel memerintahkan cek anggota kelas

4. ketua kelas laporan kepada pengambil apel

5. Yel-yel TNI

6. Pembacaan doa dan pengarahan kaprodi

7. Selesai apel pagi

paper ke 5

JUDUL:

A Computational Approach to Edge Detection

PENERBIT:

IEEE TRANSACTIONS ON PATTERN  ANALYSIS AND MACHINE INTELLIGENCE, VOL. PAMI-8, NO. 6, NOVEMBER 1986

PENGARANG:

JOHN CANNY

RESUME:

Paper ini menjelaskan tentang perhitungan dengan pendekatan edge detection. Pendekatan dikatan berhasil didasarkan pada definisi pada sebuah komprehensif dan pengaturan tujuan untuk perhitungan edge point. tujuan ini harus sangat teliti  ketika detektor membuat minimal asumsion tentang bentuk Kita mendefinisikan  kreteria detection dan Localization untuk sebuah class of edge dan menampilkan bentuk matematika untuk kreteria ini sebagai fungsional pada respon. Kretreteria ke tiga adalah  menambahkan kejelasan pada detektor yang hanya memiliki satu respon ke single edge. Kita menggunakan  kreteria dalam optimalisasi angka yang berasal dari detektor untuk beberapa image feature yang biasanya, termasuk langkah edge. pada langkah specializing ke langkah edge, kita menemukaan ada sebuah prinsip alami antara deteksi dan lokalisasi, dimana ada dua hasil. Dengan prinsip ini kita mendapatkan sebuah bentuk operator tunggal, yang optimal diberbagai ukuram.deteksi yang optimal memiliki implementasi pendekatan yang sederhana dimana tepi ditandai pada maxima gradien dari sebuah gausian-smoothed image.akhirnya kita  menunjukan bahwa banyaknya langkah perbaikan performance edge detektor sebagai operator point menebarkan fungsi tepi yang diperpanjang  scheme deteksi ini menggunakan  beberapa elongated operator pada tiap point dan directional operator output dengan gradien maximum detector.

  Detection and Localization Criteria  adalah sebuah langkah yang krusial dalam metode kia ini untuk menangkap the intuitive criteria given above in a mathematical form which is readily solvable. We deal first with signal-to-noise ratio and localization. Let the impulse response of the filter bef(x), and denote the edge itself by G(x). Kita akan asumsikan thatthe edge is centered at x = 0. Kemudian respon dari filter ke pada H_G diberikan oleh konvulasi integral:

assumi the filter has a finite impulse response bounded by [- W, W]. The root-mean-squared response to the noise n(x)  hanya akan :

Dimana  n₀²   adalah  the mean-squared noise amplitude per unit length. Kita mendefinisikan kreteria pertama kita, the output signal-to-noise ratio, as the quotient of these two responses.

Eliminating Multiple Responses In our specification of the edge detection problem, we decided that edges would be marked at local maxima in the response of a linear filter applied to the image. The detection criterion given in the last section measures the effectiveness of the filter in discriminating between signal and noise at the center of an edge. It does not take into account the behavior of the filter nearby the edge center. The first two criteria can be trivially maximized as follow  From the Schwarz inequality for integrals we can show that SNR (3) is bounded above by

The output will not be an analytic form for the operator, but an implementation of a detector for the edge of interest will require discrete point-spread functions anyway. It is also possible to include additional constraints by using a penalty method [15]. In this scheme, the constrained optimization is reduced to one, or possibly several, unconstrained optimizations. For each constraint we define a penalty function which has a nonzero value when one.

KEUNTUNGAN:

1.         sangat berguna untuk mendapatkan gambar tepi

2.         gambar yan didapat multi scale dapat dapat diperbesar dengan sedikit noise

KERUGIAN:

1.         Perhitungan sangat rumit dan banyak

2.         kurang simple dan terlalu banyak point

3.         sangat terpengaruh sekali terhadapa noise

IMAGE SCALING COMPARISON USING UNIVERSAL IMAGE QUALITY INDEX

JUDUL: IMAGE SCALING COMPARISON USING UNIVERSAL IMAGE QUALITY INDEX

PENULIS: PRASANTHA H , SHASHIDARA H L, AND BALASUBRAMANYA MURTHY

SUMBER : IEEE 2009/978-0-7695-3915/09

RESUME:

            Image interpolation memiliki banyak kegunaan dalan Computer vision, Image processing dan biomedical. Resampling dibutuhkan untuk mendiscrete kan manipulasi gambar, seperti aligment geometri dan registrasi untuk memperbaiki kualitas gambar pada display peralatan kita seperti komputer dan hp atau dalam lossy pemadatan gambar dimana dalam beberapa pixel di scarded selama proses pengkodean dan harus di regeneted dari informasi yang ada untuk di kodekan. Perbandingan dilakukan untuk membandingkan teknik interpolasi seperti nearest neighbor, bilinier dan interplasi bicubic.

            Untuk merubah ukuran gambar, setiap pixel dalam gambar yang baru harus di dipetakan kembali ke lokasi pixel sesuai gambar yang lama dalam perintah untuk menghitung level gray. Masalahnya adalah untuk menentukan nilai pixel yang baru jika itu tidak dipetakan kembali ke nilai gray yang tepat dari pixel gambar yang lama. Untuk memperbesar gambar ( Up sampling atau Interpolasi) pada umumnya tidak biasa digunakan. Namun ada beberapa metode untuk meningkatkan jumlah pixel yang terdapat dalam gambar,yang diluar pixel sebenarnya. Beberapa metode tersebut adalah

1.         The nearest neighbor algorithm adalah memilih nilai terdekat dari titik dan tidak mempertimbangkan nilai lain disekitar titik tersebut. Algoritma tersebut  murah untuk diaplikasikan dan umum digunakan.

2.         Biliniear interpolasi menentukan nilai pixel baru berdasarkan pada bobot rata-rata 4 pixel yang paling dekat 2X2 pixel sebelahnya pada gambar asli. Bilinear interpolasi tidak linier dan itu adalah hanya produk dari dua fungsi linier.

3.         Bicubic interpolasi lebih canggih dan menghasilkan tepi yang lebih halus dibandingkan interpolasi bilinier. Ada sebuah pixel baru yang menggunakan 16 pixel dalam pixel terdekat 4X4 pixel sebelahnya pada gambar asli. Ini adalah metode yang paling umum digunakan  pada software untuk mengedit foto, printer dan kamera digital untuk resampling image.

Perhitungannya adalah misalkan X={X_iIi=1,2,...,N} dan Y={y_iIi=1,2,...,N}adalah original dan test image.

Dynamic range dari Q adalah [-1,1]. Nilai terbaik adalah 1 diterima jika dan hanya jika y_i=x_i ketika y_i= 2x-x_i untuk semua i= 1,2,....,N dan Q adalah hasil dari tiga komponen

Menggunakan Metode Nearest Interpolation

 

Menggunakan Metode bilinear Interpolation

 

Menggunakan Bicubic Interpolation

 

 

KEUNTUNGAN: metode ini cukup sederhana dan efesien dan menghasilkan hasil Resize gambar yang halus dapat dilihat seperti gambar diatas.

KERUGIAN:

1.         Metode Bicubic interpolasi baru menggunakan 16 Pixle nearest 4X4 pixel terdekat dan masih dapat ditingkatkan menjadi 8X8 pixel terdekat sehingga menghasilkan perbesaran gambar yang tidak pecah.

2.         metode ini dengan Zoom in yang besar maka gambar akan tidak jelas dan blur walaupun sudah jah lebih baik dari pada metode yang lain.

3.         Belum bisa menghasilkan gambar yang di zoom in dan tidak kabur atau blur ( tetap jelas seperti gambar asli)