moepoi

moepoi / Data Mining (UTS)

Last active 4 months ago

Like 0

moepoi revised this gist 3 years ago · 5beef99

1 file changed, 71 insertions, 466 deletions

1.m

Diff is too large to be shown

moepoi revised this gist 3 years ago · 92598d5

2 files changed, 498 insertions, 14 deletions

1.m

Diff is too large to be shown

2.m
@@ -93,11 +93,12 @@ gbr28=reshape(gbr28',1,[]);
93 93 gbr29=reshape(gbr29',1,[]);
94 94 gbr30=reshape(gbr30',1,[]);
95 95
96 - X = [gbr1, gbr2, gbr3, gbr4, gbr5, gbr6, gbr7, gbr8, gbr9, gbr10, gbr11, gbr12, gbr13, gbr14, gbr15, gbr16, gbr17, gbr18, gbr19, gbr20, gbr21, gbr22, gbr23, gbr24, gbr25, gbr26, gbr27, gbr28, gbr29, gbr30];
96 + X = [gbr1; gbr2; gbr3; gbr4; gbr5; gbr6; gbr7; gbr8; gbr9; gbr10; gbr11; gbr12; gbr13; gbr14; gbr15; gbr16; gbr17; gbr18; gbr19; gbr20; gbr21; gbr22; gbr23; gbr24; gbr25; gbr26; gbr27; gbr28; gbr29; gbr30];
97 97 [n,p] = size(X);
98 - Xrata = mean(X)
98 + Xrata = mean(X, 1);
99 99
100 100 %1. mengurangi setiap variable dengan rata2nya (normalisasi data)
101 + Z = zeros(size(X));
101 102 for i = 1:n
102 103 Z(i, :) = X(i, :)-Xrata;
103 104 end
@@ -106,12 +107,13 @@ end
106 107 S = cov(X); % varian
107 108
108 109 %Standardization Data
110 + Zr = zeros(size(Z));
109 111 for i = 1:n
110 112 for j = 1:p
111 113 Zr(i,j) = Z(i,j) / sqrt(S(j,j));
112 114 end
113 115 end
114 - %ZR ADALAH HASIL DARI NORMALISASI DATA X (DATA AWAL)
116 + % Zr ADALAH HASIL DARI NORMALISASI DATA X (DATA AWAL)
115 117
116 118 %2. Menghitung cov dari data yang sudah direduksi
117 119 Zcov = cov(Zr); % matrix covarian dari variable hasil normalisasi Zr
@@ -123,38 +125,40 @@ Zcov = cov(Zr); % matrix covarian dari variable hasil normalisasi Zr
123 125 % Hasil library matlab eig() --> hasil = diagonal utamanya urut dari kecil ke besar
124 126 % yang diperlukan dari besar ke kecil
125 127 %mengurutkan hasil eigen (DESC)
126 - m = 1
128 + m = 1;
127 129 for i = p:-1:1
128 130 DA_urut(m,m) = DA(i,i);
129 - VA_urut(m,:) = VA(i,:);
131 + VA_urut(m,:) = VA(:,i)';
130 132 m = m+1;
131 133 end
132 134
133 135 %menghitung komponen utama
136 + eValue = zeros(p, 1);
134 137 for i = 1:p
135 138 eValue(i,1) = DA_urut(i,i);
136 139 end
137 140
138 - Total = sum(eValue)% total varians dalam data asli yang dapat dijelaskan oleh seluruh komponen utama.
141 + Total = sum(eValue); % total varians dalam data asli yang dapat dijelaskan oleh seluruh komponen utama.
139 142
140 143 % Proporsi kumulatif = mengambil data seberapa persen secara kumulatif yang
141 144 % dianggap perlu
142 145 PK = 0;
143 - komponen = 0;%jumlah komponen utama yang dipertahankan
146 + komponen = 0; % jumlah komponen utama yang dipertahankan
144 147
148 + proporsiValue = zeros(p, 1);
145 149 for j = 1:p
146 - proporsiValue(j,:) = eValue(j,1) / Total;%mengukur seberapa besar kontribusi eigenvalue ke-j terhadap varians total data.
150 + proporsiValue(j) = eValue(j,1) / Total; % mengukur seberapa besar kontribusi eigenvalue ke-j terhadap varians total data.
147 151 if(PK < 0.9) % Nilai PK tergantung peneliti --> 0.8
148 - PK = PK + proporsiValue(j, :);
152 + PK = PK + proporsiValue(j);
149 153 komponen = komponen + 1;
150 154 end
151 155 end
152 156
153 157 % Mengambil eigen vector dari komponen yang terpilih
154 - VA_Komponen = VA_urut(:,1:komponen)
158 + VA_Komponen = VA_urut(:,1:komponen);
155 159 % W = variable komponen utama / principal component variable
156 - W = Z * VA_Komponen % W ADALAH FINAL DATA YANG DISEBUTKAN DI PDF
160 + W = Zr * VA_Komponen; % W ADALAH FINAL DATA YANG DISEBUTKAN DI PDF
157 161
158 - plot3(W(:,1), W(:,2), W(:,3), '*') % PK < 0.9
159 - %plot(W(:,1), W(:,2), '*') % PK < 0.8
162 + plot3(W(:,1), W(:,2), W(:,3), '*'); % PK < 0.9
163 + %plot(W(:,1), W(:,2), '*'); % PK < 0.8
160 164 grid on

moepoi revised this gist 3 years ago · c25827f

2 files changed, 161 insertions

1.m (file created)
@@ -0,0 +1 @@
1 + .
2.m (file created)
@@ -0,0 +1,160 @@
1 + clear; clc;
2 +
3 + % Get Data
4 + gbr1 = imread('images/Banana/1.jpg');
5 + gbr2 = imread('images/Banana/2.jpg');
6 + gbr3 = imread('images/Banana/3.jpg');
7 + gbr4 = imread('images/Banana/4.jpg');
8 + gbr5 = imread('images/Banana/5.jpg');
9 + gbr6 = imread('images/Banana/6.jpg');
10 + gbr7 = imread('images/Banana/7.jpg');
11 + gbr8 = imread('images/Banana/8.jpg');
12 + gbr9 = imread('images/Banana/9.jpg');
13 + gbr10 = imread('images/Banana/10.jpg');
14 + gbr11 = imread('images/Kiwi/1.jpg');
15 + gbr12 = imread('images/Kiwi/2.jpg');
16 + gbr13 = imread('images/Kiwi/3.jpg');
17 + gbr14 = imread('images/Kiwi/4.jpg');
18 + gbr15 = imread('images/Kiwi/5.jpg');
19 + gbr16 = imread('images/Kiwi/6.jpg');
20 + gbr17 = imread('images/Kiwi/7.jpg');
21 + gbr18 = imread('images/Kiwi/8.jpg');
22 + gbr19 = imread('images/Kiwi/9.jpg');
23 + gbr20 = imread('images/Kiwi/10.jpg');
24 + gbr21 = imread('images/Orange/1.jpg');
25 + gbr22 = imread('images/Orange/2.jpg');
26 + gbr23 = imread('images/Orange/3.jpg');
27 + gbr24 = imread('images/Orange/4.jpg');
28 + gbr25 = imread('images/Orange/5.jpg');
29 + gbr26 = imread('images/Orange/6.jpg');
30 + gbr27 = imread('images/Orange/7.jpg');
31 + gbr28 = imread('images/Orange/8.jpg');
32 + gbr29 = imread('images/Orange/9.jpg');
33 + gbr30 = imread('images/Orange/10.jpg');
34 + gbr1=double(rgb2gray(gbr1));
35 + gbr2=double(rgb2gray(gbr2));
36 + gbr3=double(rgb2gray(gbr3));
37 + gbr4=double(rgb2gray(gbr4));
38 + gbr5=double(rgb2gray(gbr5));
39 + gbr6=double(rgb2gray(gbr6));
40 + gbr7=double(rgb2gray(gbr7));
41 + gbr8=double(rgb2gray(gbr8));
42 + gbr9=double(rgb2gray(gbr9));
43 + gbr10=double(rgb2gray(gbr10));
44 + gbr11=double(rgb2gray(gbr11));
45 + gbr12=double(rgb2gray(gbr12));
46 + gbr13=double(rgb2gray(gbr13));
47 + gbr14=double(rgb2gray(gbr14));
48 + gbr15=double(rgb2gray(gbr15));
49 + gbr16=double(rgb2gray(gbr16));
50 + gbr17=double(rgb2gray(gbr17));
51 + gbr18=double(rgb2gray(gbr18));
52 + gbr19=double(rgb2gray(gbr19));
53 + gbr20=double(rgb2gray(gbr20));
54 + gbr21=double(rgb2gray(gbr21));
55 + gbr22=double(rgb2gray(gbr22));
56 + gbr23=double(rgb2gray(gbr23));
57 + gbr24=double(rgb2gray(gbr24));
58 + gbr25=double(rgb2gray(gbr25));
59 + gbr26=double(rgb2gray(gbr26));
60 + gbr27=double(rgb2gray(gbr27));
61 + gbr28=double(rgb2gray(gbr28));
62 + gbr29=double(rgb2gray(gbr29));
63 + gbr30=double(rgb2gray(gbr30));
64 +
65 + gbr1=reshape(gbr1',1,[]);
66 + gbr2=reshape(gbr2',1,[]);
67 + gbr3=reshape(gbr3',1,[]);
68 + gbr4=reshape(gbr4',1,[]);
69 + gbr5=reshape(gbr5',1,[]);
70 + gbr6=reshape(gbr6',1,[]);
71 + gbr7=reshape(gbr7',1,[]);
72 + gbr8=reshape(gbr8',1,[]);
73 + gbr9=reshape(gbr9',1,[]);
74 + gbr10=reshape(gbr10',1,[]);
75 + gbr11=reshape(gbr11',1,[]);
76 + gbr12=reshape(gbr12',1,[]);
77 + gbr13=reshape(gbr13',1,[]);
78 + gbr14=reshape(gbr14',1,[]);
79 + gbr15=reshape(gbr15',1,[]);
80 + gbr16=reshape(gbr16',1,[]);
81 + gbr17=reshape(gbr17',1,[]);
82 + gbr18=reshape(gbr18',1,[]);
83 + gbr19=reshape(gbr19',1,[]);
84 + gbr20=reshape(gbr20',1,[]);
85 + gbr21=reshape(gbr21',1,[]);
86 + gbr22=reshape(gbr22',1,[]);
87 + gbr23=reshape(gbr23',1,[]);
88 + gbr24=reshape(gbr24',1,[]);
89 + gbr25=reshape(gbr25',1,[]);
90 + gbr26=reshape(gbr26',1,[]);
91 + gbr27=reshape(gbr27',1,[]);
92 + gbr28=reshape(gbr28',1,[]);
93 + gbr29=reshape(gbr29',1,[]);
94 + gbr30=reshape(gbr30',1,[]);
95 +
96 + X = [gbr1, gbr2, gbr3, gbr4, gbr5, gbr6, gbr7, gbr8, gbr9, gbr10, gbr11, gbr12, gbr13, gbr14, gbr15, gbr16, gbr17, gbr18, gbr19, gbr20, gbr21, gbr22, gbr23, gbr24, gbr25, gbr26, gbr27, gbr28, gbr29, gbr30];
97 + [n,p] = size(X);
98 + Xrata = mean(X)
99 +
100 + %1. mengurangi setiap variable dengan rata2nya (normalisasi data)
101 + for i = 1:n
102 + Z(i, :) = X(i, :)-Xrata;
103 + end
104 +
105 + %Menghitung covariance matrix
106 + S = cov(X); % varian
107 +
108 + %Standardization Data
109 + for i = 1:n
110 + for j = 1:p
111 + Zr(i,j) = Z(i,j) / sqrt(S(j,j));
112 + end
113 + end
114 + %ZR ADALAH HASIL DARI NORMALISASI DATA X (DATA AWAL)
115 +
116 + %2. Menghitung cov dari data yang sudah direduksi
117 + Zcov = cov(Zr); % matrix covarian dari variable hasil normalisasi Zr
118 +
119 + %3. Menghitung eigen value dan eigen vector dari Zcov
120 + [VA, DA] = eig(Zcov); % VA = Eigen Vector ; DA = Eigen Value
121 +
122 + %4. menghitung komponen utama
123 + % Hasil library matlab eig() --> hasil = diagonal utamanya urut dari kecil ke besar
124 + % yang diperlukan dari besar ke kecil
125 + %mengurutkan hasil eigen (DESC)
126 + m = 1
127 + for i = p:-1:1
128 + DA_urut(m,m) = DA(i,i);
129 + VA_urut(m,:) = VA(i,:);
130 + m = m+1;
131 + end
132 +
133 + %menghitung komponen utama
134 + for i = 1:p
135 + eValue(i,1) = DA_urut(i,i);
136 + end
137 +
138 + Total = sum(eValue)% total varians dalam data asli yang dapat dijelaskan oleh seluruh komponen utama.
139 +
140 + % Proporsi kumulatif = mengambil data seberapa persen secara kumulatif yang
141 + % dianggap perlu
142 + PK = 0;
143 + komponen = 0;%jumlah komponen utama yang dipertahankan
144 +
145 + for j = 1:p
146 + proporsiValue(j,:) = eValue(j,1) / Total;%mengukur seberapa besar kontribusi eigenvalue ke-j terhadap varians total data.
147 + if(PK < 0.9) % Nilai PK tergantung peneliti --> 0.8
148 + PK = PK + proporsiValue(j, :);
149 + komponen = komponen + 1;
150 + end
151 + end
152 +
153 + % Mengambil eigen vector dari komponen yang terpilih
154 + VA_Komponen = VA_urut(:,1:komponen)
155 + % W = variable komponen utama / principal component variable
156 + W = Z * VA_Komponen % W ADALAH FINAL DATA YANG DISEBUTKAN DI PDF
157 +
158 + plot3(W(:,1), W(:,2), W(:,3), '*') % PK < 0.9
159 + %plot(W(:,1), W(:,2), '*') % PK < 0.8
160 + grid on