GLCM-SVM

GLCM_EkstraksiCiri.m

@@ -0,0 +1,59 @@
+clear all;
+close all;
+clc;
+
+fiturTrain = []; % array menyimpan nilai fitur Train sementara
+folderTrain = ['D:\Project-Matlab\dataset\train'] folder data latih
+
+dirFolder = dir((folderTrain));
+
+for i = 1:length(dirFolder) 
+   F_name = dirFolder(i).name; 
+   dirFile = dir([folderTrain, '\',F_name,'\*.png']);
+   hm = length(dirFile);
+   for j = 1:hm % looping get file inside folder
+       data(j).file_name = dirFile(j).name;
+       data(j).file_location = [folderTrain, '\',F_name,'\',data(j).file_name];
+       source = imread(data(j).file_location); % Read All Image PNG
+
+       % Parameter GLCM Data Train
+       layer = source(:,:,1) % layer warna RGB (1 = RED, 2 = GREEN, 3 = BLUE)
+       layerWarna = edge(layer, 'canny'); % edge detection ('canny', 'sobel', 'prewitt')
+       source2 = imresize(layer, [100 100]) % resize (128 to 100)
+       glcm = graycomatrix(source2, 'Offset', [0 1]); 
+       % Jarak Sudut GLCM (D = Jarak tiap Pixel yang dicari)
+       % 0'     [0 D] 
+       % 45'    [-D D] 
+       % 90'    [-D 0]
+       % 135'   [-D -D]
+
+
+       [haralick] = haralickTextureFeatures(glcm) % ekstraksi fitur GLCM Haralick (14 fitur)
+       group = cell(1000, 1); % TOTAL 1000 data
+       % label gestur angka pada tangan ==> group(Xawal, Xakhir) = {'X'};
+       group(1:250) = {'A'};  % Label Citra A
+       group(251:500) = {'B'}; % Label Citra B
+       group(501:750) = {'C'}; % Label Citra C
+       group(751:1000) = {'D'}; % Label Citra D
+
+       % Klasifikasi Data Train (Proses pengenalan ke komputer)
+       if(j>= 1 && j <= 250)
+           data(j).class = 'A'; % Label Citra A
+       elseif(j>=251 && j <= 500)
+           data(j).class = 'B'; % Label Citra B
+       elseif(j>=501 && j <= 750)
+           data(j).class = 'C'; % Label Citra C
+       elseif(j>=751 && j <= 1000)
+           data(j).class = 'D'; % Label Citra D
+       end
+       data(j).class = group;
+       data(j).ciri = haralick; % Save Ekstraksi ciri GLCM Haralick 
+       fiturTrain = [fiturTrain; data(j).ciri]; % Save Hasil Ekstraksi Ciri tiap File Gambar
+   end
+end
+
+x = struct2table(data); % export data menjadi Tabel
+writetable(x, 'EkstraksiCiri.xlsx'); % Export ke Excel
+save dbFitur.mat group fiturTrain; % Save Nilai Fitur Train ke dalam dbFitur.mat
+
+disp('Ekstraksi Berhasil')

Pisah_Hasil_EkstraksiFitur.m

@@ -0,0 +1,19 @@
+clc;
+load dbfitur.mat; % memanggil dbfitur.mat untuk di load
+
+%MENGAMBIL CIRI GLCM HARALICK PER DATA LATIH KELAS
+for i = 1:14 % pengulangan karena terdapat 14 fitur GLCM
+    latih1_fitur1 = fiturTrain(1:250,i); % mengambil fitur ke-i data latih kelas 1 ada pada range 1 s/d 250
+    latih2_fitur1 = fiturTrain(251:500,i);
+    latih3_fitur1 = fiturTrain(501:750,i);
+    latih4_fitur1 = fiturTrain(751:1000,i);
+    latih1_fitur1RataRata = mean(latih1_fitur1); % nilai rata-rata (Average) fitur kelas 1
+    latih2_fitur1RataRata = mean(latih2_fitur1);
+    latih3_fitur1RataRata = mean(latih3_fitur1);
+    latih4_fitur1RataRata = mean(latih4_fitur1);
+    x = 1:4; % ada 4 kelas
+
+    % menampilkan chart / grafik, perbedaan nilai fitur tiap kelas
+    chart = bar(x, [latih1_fitur1RataRata, latih2_fitur1RataRata, latih3_fitur1RataRata, latih4_fitur1RataRata]); 
+    saveas(chart,sprintf('ChartEkstraksi_Fitur/fitur%d.jpg',i)); % menyimpan chart/grafik untuk proses perbandingan fitur terbaik sebagai data latih acuan klasifikasi
+end

SVM_Classification.m

@@ -0,0 +1,59 @@
+clc;
+akurasiDB=[]; % membuat array untuk menyimpan nilai akurasi
+load('SVM_Model/SVMModel.mat'); % memanggil data latih pada SVMModel
+fituruji=[]; % Membuat matriks kosong untuk menampung fitur uji
+folder_address = ['D:\Project-Matlab\dataset\test']; % menentukan folder yang berisi file data uji
+dir_folder = dir((folder_address)); 
+for i_folder = 1:length(dir_folder); %perulangan untuk memanggil setiap file di dalam folder
+    folder = dir_folder(i_folder).name;
+    dir_file = dir([folder_address,'\',folder,'\*.jpg']); %semua file berformat jpg di panggil
+    hm=length(dir_file);
+    for i_file = 1:hm %perulangan untuk memanggil semua file berformat jpg
+        data(i_file).file_name = dir_file(i_file).name;
+        data(i_file).file_address = [folder_address,'\',folder,'\',data(i_file).file_name];
+        source = imread(data(i_file).file_address);
+
+        % ATUR PARAMETER GLCM DATA UJI DISINI
+        % pastikan parameter sama dengan GLCM data latih
+        layerWarna1 = source(:,:,2); % atur layer warna RGB (bisa kalian rubah ke ruang warna yang lain)
+        layerWarna = edge(layerWarna1,'canny'); % edge detection (gunakan canny, sobel dan prewitt untuk pendeteksi tepi)
+        source2= imresize(layerWarna,[120 120]); % merubah dimensi file gambar menjadi 120x120 piksel
+        glcm = graycomatrix(source2,'Offset',[0 1]); % atur jarak dan sudut GLCM (0 [0 D] | 45 [-D D] | 90 [-D 0] | 135 [-D -D]), D = jarak
+
+
+        [haralick] = haralickTextureFeatures(glcm); % ekstraksi fitur GLCM Haralick (14 fitur)
+        data(i_file).ciri=haralick; % menyimpan ekstraksi ciri GLCM Haralick ke-i
+        fituruji=[fituruji; data(i_file).ciri]; % hasil ekstraksi ciri tiap file akan di simpan
+    end
+end
+%MENGAMBIL CIRI GLCM HARALICK 14 FITUR DATA UJI
+fiturUjiX1 = fituruji(:,1);
+fiturUjiX2 = fituruji(:,2);
+fiturUjiX3 = fituruji(:,3);
+fiturUjiX4 = fituruji(:,4);
+fiturUjiX5 = fituruji(:,5);
+fiturUjiX6 = fituruji(:,6);
+fiturUjiX7 = fituruji(:,7);
+fiturUjiX8 = fituruji(:,8);
+fiturUjiX9 = fituruji(:,9);
+fiturUjiX10 = fituruji(:,10);
+fiturUjiX11 = fituruji(:,11);
+fiturUjiX12 = fituruji(:,12);
+fiturUjiX13 = fituruji(:,13);
+fiturUjiX14 = fituruji(:,14);
+
+% PELUANG KOMBINASI 5 FITUR GLCM HARALICK TERBAIK
+% pastikan parameter kombinasi fitur uji sama dengan kombinasi fitur latih (kombinasiFitur.m)
+fiturUjiKombinasi  = [fiturUjiX2 fiturUjiX8 fiturUjiX9 fiturUjiX11 fiturUjiX12];
+
+GroupResult = predict(SVMModel,fiturUjiKombinasi); % simpan hasil tebakan komputer
+% HITUNG PERSENTASE AKURASI
+  groupTruth=cell(9,1); % banyak file data uji
+  groupTruth(1:3)={'Daun Pepaya'}; % range file 1 s/d 3 adalah kelas Daun Pepaya
+  groupTruth(4:6)={'Daun Jambu'};
+  groupTruth(7:9)={'Daun Tabebuya'};
+cp = classperf(groupTruth,GroupResult); % membandingkan hasil tebakan komputer yang salah & benar
+hasilError = cp.ErrorRate; % menghitung nilai error / salah
+Akurasi = (1-hasilError)*100; % rumus akurasi
+akurasiDB = [Akurasi];
+save akurasi.mat akurasiDB; % menyimpan hasil akurasi ke akurasi.mat

SVM_Model_Train.m

@@ -0,0 +1,16 @@
+% TRAIN SVM
+    clc; 
+    load dbFiturKombinasi.mat % memanggil dbFiturKombinasi.mat untuk di load (fitur kombinasi terbaik)
+    fiturLatihValue = fiturlatihKombinasi; % memanggil nilai fiturlatihKombinasi di dbFiturKombinasi.mat
+    TrainingSet= fiturLatihValue; 
+    GroupTrain=group; % menentukan kelas data latih terdapat 60 data latih
+    u=unique(GroupTrain); % mengambil karakter unik untuk menentukan kelas-kelasnya
+    numClasses=length(u); % berapa banyak kelas
+
+    % ATUR PARAMETER MULTI-SVM DISINI
+    % atur penggunaan kernel (gaussian, linear & polynomial)
+    % atur penggunaan coding design (onevsall & onevsone)
+    t = templateSVM('Standardize',true,'KernelFunction','gaussian');
+    SVMModel = fitcecoc(TrainingSet,GroupTrain,'Learners',t,'Coding','onevsall');
+
+    save('SVM_Model/SVMModel.mat'); %menyimpan file hasil latih SVM sebelum di klasifikasikan

Tutor.txt

@@ -0,0 +1,8 @@
+1. Pastikan data latih dan data uji sudah ada.
+2. Pertama, jalankan file "GLCMEkstraksiciri.m" untuk mengekstraksi ciri data latih dan atur parameter GLCM data latih.
+3. Buka "Pisah_Hasil_EkstraksiFitur.m" untuk memisahkan nilai fitur antar kelasnya.
+4. Lihat grafik fitur antar kelas pada folder "ChartEkstraksi_Fitur".
+5. Buka "combineFeature.m" dan tentukan fitur terbaik yang akan digunakan.
+6. Buka "SVM_Model_Train.m" dan atur parameter Multi-SVM.
+7. Buka "SVM_Classification.m" dan atur parameter GLCM data uji serta kombinasi fitur.
+8. Lihat akurasi dan simpulkan.

combineFeature.m

@@ -0,0 +1,24 @@
+clc;
+load dbfitur.mat; % memanggil dbfitur.mat untuk di load
+
+%MENGAMBIL CIRI GLCM HARALICK 14 FITUR DATA LATIH
+fiturTrainX1 = fiturTrain(:,1);
+fiturTrainX2 = fiturTrain(:,2);
+fiturTrainX3 = fiturTrain(:,3);
+fiturTrainX4 = fiturTrain(:,4);
+fiturTrainX5 = fiturTrain(:,5);
+fiturTrainX6 = fiturTrain(:,6);
+fiturTrainX7 = fiturTrain(:,7);
+fiturTrainX8 = fiturTrain(:,8);
+fiturTrainX9 = fiturTrain(:,9);
+fiturTrainX10 = fiturTrain(:,10);
+fiturTrainX11 = fiturTrain(:,11);
+fiturTrainX12 = fiturTrain(:,12);
+fiturTrainX13 = fiturTrain(:,13);
+fiturTrainX14 = fiturTrain(:,14);
+
+% PELUANG KOMBINASI 5 FITUR GLCM HARALICK TERBAIK
+% lihat gambar grafik untuk menentukan fitur mana yang memiliki hasil rata-rata fitur yang berbeda antar kelasnya
+fiturlatihKombinasi  = [fiturTrainX2 fiturTrainX7 fiturTrainX8 fiturTrainX9 fiturTrainX10 fiturTrainX11];
+
+save dbFiturKombinasi.mat % kombinasi fitur terbaik simpan sebagai matriks