Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengenalan wajah telah menjadi topik pengolahan citra yang banyak mengalami perkembangan. Pengembangan yang dilakukan bertujuan mengatasi kesulitan-kesulitan dalam pengenalan wajah, diantaranya pose pengambilan gambar. Penelitian ini bertujuan membuat rancang bangun rekognisi wajah tiga dimensi dengan sistem Fuzzy dan Jaringan Saraf Tiruan Hemisfer untuk mengatasi masalah tsersebut. Sistem fuzzy bertujuan untuk mengestimasi sudut pengambilan gambar dengan menempatkan informasi gambar ke suatu titik di ruang vektor fuzzy atau manifold dari data referensi menggunakan jarak terdekat fuzzy. Informasi sudut akan diteruskan ke jaringan saraf tiruan yang mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Informasi gambar yang dimasukkan ke dalam jaringan saraf tiruan terlebih dahulu dikompresi dengan metode Principle Component Analysis (PCA). Keunggulan jaringan saraf tiruan hemisfer dalam pengenalan wajah tiga dimensi adalah adanya faktor pengali neuron yang besarnya bergantung dari informasi sudut pengambilan gambar, sehingga gambar dua dimensi dapat diproyeksikan ke ruang tiga dimensi. Metode pembelajaran yang digunakan pada tulisan ini ialah pengembangan dari metode backpropagation. Penelitian diawali dengan pengambilan data dari alat pengambil gambar wajah tiga dimensi, perancangan sistem fuzzy dan jaringan saraf tiruan dalam MATLAB, dan validasi masing-masing sistem dengan data yang diambil. Sistem ini kemudian dikombinasikan dalam perangkat lunak MATLAB dan diuji dengan sebuah prototipe yang terdiri atas satu kamera. Hasil penelitian menunjukkan tingkat rekognisi sistem sebesar 76,29% pada saat validasi dan 37% saat aplikasi sistem satu kamera. Dari penelitian ini dibuktikan sistem dapat diaplikasikan untuk merekognisi wajah tiga dimensi, namun harus diperhatikan keakuratan pemotongan gambar untuk mendapat hasil yang akurat.

---

Face recognition is currently a highly discussed topic on image processing. The developments are aimed to overcome problems on recognizing face, such as various pose of image object. The study tries to solve the problem by creating a system design of 3D face recognition using a fuzzy system and Hemispheric Structure Hidden Layer of Artificial Neural Network to overcome the problem. The fuzzy system estimates pose information of the object taken. It is done by mapping the image taken to a point in a fuzzy vector space or manifold using fuzzy nearest distance. Pose information is then projected to the artificial neural network which is able to recognize faces after formerly learned a set of learning database. The data submitted to the artificial neural network is compressed by Principle Component Analysis (PCA). Main advantage of hemispheric neural network on 3D face recognition is the multiplying factor which values depend on the image pose information, so that the two dimensional images can be projected into three dimensional space. Learning method used in this study is an expansion of backpropagation. The study begins by taking experimental data from 3D face capturing devices, developing fuzzy system and artificial neural network in MATLAB, and validating both systems. The system is then combined in MATLAB and tested by a single unit camera prototype. Results show the system able to reach recognition rate of 76.29% on validation and 37% on single unit camera application. The study proves that the system is applicable for a 3D face recognition system, however the accuracy of image cropping should be taken into consideration for an accurate result."

"Sistem simulasi yang diketengahkan dalam Tugas Akhir ini menggunakan algoritma pengaturan berbasis logika fuzzy. Logika fuzzy digunakan untuk mengatasi kesulitan pengendalian pada sistem yang memiliki sifat non-linieritas tinggi, di antaranya adalah pengemudian mobil. Akan dijelaskan model asli model yang disederhanakan, serta penentuan model fuzzy Takagi-Sugeno mobil. Sebagai pengendali digunakan kontroler fuzzy yang dioptimasi dengan persamaan Riccati. Dibahas juga pengujian kestabilan pengendalian. Dalam hal ini, logika fuzzy tidak hanya digunakan pada pengendali (kontroller) tetapi juga untuk memodelkan mobil (model fuzzy Takagi-Sugeno). Pada bagian akhir diberikan flowchart program simulasi dan Basil-hasil simulasi pada beberapa kondisi untuk menunjukkan pengaruh - kecepat:an, waktu cuplik, panjang mobil, dan besainya state feedback gain, K terhadap kinerja pemarkiran."

"ABSTRAKPada penelitian tahapan pertama ini telah dilakukan pengambilan data dengan menggunakan kamera CCD (Charge Coupled Device) berwarna terhadap suatu maket pemandangan yang terdiri dari beberapa kelas obyek karena respon sesuatu obyek terhadap beberapa panjang gelombang elektromagnetik adalah berbeda-beda, maka data hasil rekaman oleh kamera tersebut dipecah menjadi tiga jenis warna yaitu biru, hijau, dan merah.Untuk melaksanakan pemisahan kanal panjang gelombang elektromaknetik tersebut, telah dibuat suatu perangkat lunak komputer ImagePro, yang ditulis dalam bahasa pemrograman C, dan bekerja di bawah MS-Windows 3.1. yang dapat dijalankan pada IBM/PC-AT microcomputer jenis 286 ke-atas. Beberapa fasilitas tambahan seperti : image enhancement, filtering, cutting, statistical properties, format exchange, dual and frame processing, dan sebagainya telah pula diikutsertakan.Proses klasifikasi tanpa disupervisi atau clustering diterapkan dengan bantuan topologi ART2 dari jaringan Syaraf Tiruan untuk melihat bagaimana informasi data obyek tersebut dapat diklasifikasikan menjadi beberapa kelas yakni air, jalanan, tumbuhan, rumah atap genteng, dan rumah atap beton.Hasil klasifikasi dengan memanfaatkan jaringan syaraf buatan tersebut untuk tahap pertama ini telah cukup memuaskan secara kualitatif; walaupun hasil tersebut harus diuji tingkat ketelitiannya pada tahapan berikutnya dari rangkaian penelitian yang tengah dilaksanakan ini.

---

ABSTRACTIn the first stage of this research, it is done the data acquisition to several classes of objects on an artificial maquette scene by using a color CCD camera Due to object's responses in several electromagnetic waves are different to each other, then the recorded data can be splitted into three different colors channels, i.e. blue, green, and reed.In order to split those electromagnetic channels, it is designed a computer software called ImagePro, which is written in C-language, under MS-Windows 3.1, and can be run on an IBMIPC-AT microcomputer 286 processor or above. Several additional supporting features such as : image enhancement, filtering, cutting, statistical properties, format exchange, dual and frame processing, etc. are also included in the software.The unsupervised classification by using an artificial neural networks ART2 topology is applied, to observe how the those object's data can be classified. into several classes. i.e.: water, road, vegetation, red roof and concrete roof houses.The result of classification at the initial stage of the research provides an acceptable qualitative performance, although its accuracy should be tested later at the need stage of this midyears research plan."

"[Dewasa ini, teknologi berkembang dengan sangat pesat, salah satu contoh teknologi yang sedang marak beberapa tahun belakangan ini adalah 3D face recognition. Teknologi ini menggabungkan data biometrik berupa wajah orang yang diambil dari beberapa sudut (horizontal dan vertikal) dan jaringan saraf tiruan. Untuk memperbaiki tingkat rekognisi yang rendah pada saat menggunakan data crisp, maka digunakanlah metode fuzzy. Percobaan akan dilakukan sebanyak tiga kali karena terdapat tiga cluster yang masing-masing cluster terdiri dari beberapa set orang. Pertama-tama, data akan diolah secara bertahap pada fase fuzzification dimulai dari parameter ekspresi, orang, dan sudut. Tahapan selanjutnya adalah membuat referensi pada fase fuzzy manifold untuk kemudian digunakan pada fase fuzzy nearest distance. Pada fase fuzzy nearest distance akan dicari jarak terpendek dari data testing dengan referensi yang sudah ada. Hasil keluaran dari sistem ini adalah kombinasi sudut horizontal dan vertikal dari tiap-tiap cluster yang nantinya akan dimasukkan kedalam Jaringan Saraf Tiruan (JST) dengan lapis tersembunyi berstruktur hemisfer untuk mendapatkan tingkat rekognisi. Secara keseluruhan rata-rata tingkat rekognisi setiap cluster sudah bisa mencapai 80%. Hal ini menunjukkan sistem sudah cukup optimal dalam mengenali pola wajah yang ada. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. , The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ]"

"Sejak diperkenalkan pertama kali pads tahun 1965 oleh Zadeh, teknolobi logika fuzzy telah mengalami perkembangan yang pesat di berbagai bidang disiplin ilmu. Pada saat ini berbagai aplikasi elektronika yang menggunakan kontroler logika fuzzy banyak diperkenalkan. Kontroler logika fuzzy memiliki keuntungan di mana sejumlah pengetahuan pakar dalam operasional dapat diterapkan dalam aplikasi. Namun demikian, untuk mendesain suatu kontroler logika fuzzy dibutuhkan waktu yang lama, karena semakin banyak variabel yang diperhitungkan, akan menambah jumlah atumn yang ada. Untuk itu, kemudian dikembangkan metode swa-talc dari aturan fuzzy dengan menggunakan algoritma belajar pads neural network, yang disebut "neurofuzzy". Pada tulisan ini, metode belajar yang digunakan pada aturan fuzzy dalam pengambilan keputusan adalah metode descent. Berdasarkan data masukan dan keluaran yang dikumpulkan oleh pakar, aturan pengambilan keputusan yang menyatakan hubungan masukan dan keluaran dari data dihasilkan secara otomatis dengan menggunakan metode tersebut. Beberapa contoh hasil simulasi dari sistem dengan menggunakan komputer akan ditunjukkan guna menjelaskan secara lebih baik kelebihan yang dimiliki kontroler dengan metode ini bila dibandingkan dengan sistem yang tidak menggunakan kontroler ini."

"Skripsi ini membahas mengenai disain dan implementasi pengendali fuzzy pada sistem motor induksi menggunakan PLC Mitsubishi Q02HCPU, meliputi perancangan konfigurasi hardware sistem secara keseluruhan, pemrograman fuzzy logic menggunakan diagram ladder, serta perancangan sistem monitoring unjuk kerja fuzzy. Sistem ini memanfaatkan pulsa pembacaan rotary encoder yang terkopel pada pulley motor induksi sebagai feedback kecepatan real. System fuzzy yang dibuat memiliki dua fungsi keanggotaan masukan (Error & DError) sebagai masukannya serta satu fungsi keanggotaan keluaran (DV) sebagai keluarannya. Metode inferensi yang digunakan adalah tipe max-min Mamdani. Pada proses defuzzifikasi, system dibuat dengan menggunakan dua metode sebagai pembanding, yaitu: middle of maxima dan weighted average. Untuk melakukan fungsi pengawasan, data-data input dan output berupa set point (SP), process value (PV), dan keluaran analog (DV) ditampilkan ke dalam grafik historikal dengan menggunakan software HMI Mitsubishi GT-Designer3. Berdasarkan nilai rata-rata parameter unjuk kerja yang diperoleh dari grafik respon transien perubahan speed pada siklus Error positive dan negative, respon serta stabilitas yang dihasilkan pada percobaan menggunakan metode defuzzifikasi weighted average relatif lebih baik daripada middle of maxima.

---

This paper discusses the design and implementation of fuzzy controllers on the induction motor system using Mitsubishi PLCs Q02HCPU, including designing the hardware configuration of the overall system, programming of fuzzy logic using ladder diagrams, as well as the performance design of fuzzy monitoring systems. These systems utilize pulse which read out from rotary encoder are coupled to the pulley of induction motor as real velocity feedback.

Fuzzy systems are made to have two membership functions input (Error & DError) as input and one membership function output (DV) as the output. Maxmin Mamdani type is used as inference method. In defuzzification process, the system is made by using two methods as a comparison, namely: middle of maxima and the weighted average. To perform a supervisory function the data input and output, such as: set point (SP), process value (PV), and analog output (DV) is shown on the historical graph by using the software HMI Mitsubishi GTDesigner3.

Based on the average value of the performance parameters obtained from the response transient graph in speed change on positive and negative cycle Error, response and stability generated in experiments using the defuzzification method of weighted average relatively better than the middle of maxima."

"Pada skripsi ini dibahas permodelan dengan mengidentifikasi suatu kumpulan data masukan-keluaran suatu proses nonlinier sistem satu tangki dan sistem tangki terhubung dalam bentuk model fuzzy Takagi-Sugeno untuk mengatasi kelemahan yang timbul bila pemodelan dilakukan dengan pendekatan konvesional. Algoritma Gustafson-Kessel (product-space fuzzy clustering) digunakan untuk mengelompokkan data masukan-keluaran menjadi beberapa cluster dimana anggota suatu cluster memiliki kesamaan yang lebih tinggi daripada dengan anggota dari cluster yang lainnya. Parameter model fuzzy Takagi-Sugeno untuk setiap aturan (cluster) diestimasi dengan menggunakan metode least-square untuk masing-masing cluster (local linear).Model fuzzy Takagi-Sugeno untuk sistem satu tangki yang didapat telah diuji dengan memberikan masukan multisinusoidal dan hasilnya menunjukkan bahwa model fuzzy Takagi-Sugeno untuk sistem satu tangki mampu menyamai karakteristik proses nonlinier sistem satu tangki dengan tingkat kesamaan sinyal keluaran model fuzzy Takagi-Sugeno berdasarkan variansinya terhadap sinyal keluaran proses nonlinier sistem satu tangki sebesar 99.8341%. Demikian pula dengan model fuzzy Takagi-Sugeno untuk sistem tangki terhubung, dimana sinyal keluarannya memiliki tingkat kesamaan sebesar 99.6582% bila dibandingkan dengan sinyal keluaran proses nonlinier sistem tangki terhubung."

"Latar belakang penelitian ini adalah kebutuhan penerapan pengenalan wajah dalam berbagai aplikasi dunia nyata. Pengenalan wajah dapat dilakukan dengan beberapa pendekatan, salah satunya adalah pendekatan dengan jaringan syaraf tiruan. Salah satu algoritma yang dikenal dan digunakan adalah Fuzzy Neuro Learning Vector Quantization (FNLVQ). Pernyataan masalah yang muncul adalah tingkat pengenalan FNLVQ konvensional yang masih bisa ditingkatkan dan kebutuhan akan jaringan yang mampu membaca citra yang mengandung noise. Tujuan riset ini adalah untuk memperlajari karakteristik algoritma FNLVQ melalui eksperimen dan pengujian terhadap citra asli dan citra dengan noise, pengembangan algoritma FNLVQ berbasiskan dimensi dalam rangka meningkatkan tingkat pengenalan serta mengujinya dengan citra asli dan citra dengan noise, serta perbandingan performa antara keduanya. Ada 2 kriteria pengukuran hasil, yaitu tingkat identifikasi dan klasifikasi. Tingkat identifikasi kemampuan jaringan untuk mengidentifikasi citra sebagai kelas yang sesuai sedangkan tingkat klasifikasi adalah kemampuan jaringan untuk memisahkan antara citra yang teregistrasi dan tidak teregistrasi. Tingkat identifikasi algoritma berbasiskan vektor konvensional adalah 30% dan meningkat hingga 85% dengan algoritma berbasiskan dimensi. Dalam hal tingkat klasifikasi, algoritma konvensional cenderung tidak mampu mengenali data tidak teregistrasi, sedangkan algoritma berbasiskan dimensi mampu memisahkan data teregistrasi dan tidak teregistrasi dengan baik. Untuk citra dengan noise, kedua algoritma mengalami penurunan pengenalan. Tingkat identifikasi algoritma berbasiskan dimensi masih tidak lebih baik daripada algoritma konvensional berbasiskan vektor untuk beberapa jenis noise, tetapi tingkat klasifikasi yang dicapai lebih baik antara pengenalan data teregistrasi dan tidak teregistrasi.The background of this research was the need to apply face recognition in many applications in real life. Face recognition can be done using a number of approaches, one of them is by using artificial neural networks. A known algorithm used to train a neural network is the Fuzzy Neuro Learning Vector Quantization (FNLVQ). The research questions emerging from this background were the issue of the FNLVQ recognition rate that can still be increased and the need to create a network that is robust to noise. The research objectives were to study of the characteristics of the FNLVQ algorithm using experiments and testing it with both pure and noisy images, in attempt to increase the recognition rate the dimension-based approach to the FNLVQ learning algorithm was developed and tested with both pure and noisy images, and finally the two algorithms were then compared and analyzed. There were 2 criterions of measurement, the identification rate and classification rate. The identification rate is the ability of the algorithm to identify each image as the right person, and the classification rate is the ability of the algorithm to classify an image as a registered or unregistered person. The identification rate was around 30% with the conventional vector based algorithm, and could be increased to 85% with the dimension based algorithm. For the classification rate, with the conventional algorithm the unregistered data could not be recognized and with the new dimension-based approach, the unregistered and registered data could be differetiated. As for the noisy images, both algorithms experienced a decreased recognition rate. The identification rate of the dimension based algorithm still did not exceed the recognition rate of the vector based algorithm for most noises, but the classification rate was more stable between both registered and unregistered clusters."

"Penulisan skripsi yang dikerjakan penulis merupakan usulan konsep perbaikan sistem pengadaan material pada PT. X.Sesuai dengan judul skripsi yang berjudul : ?Usulan konsep penyediaan material dengan menggunakan SAP RB?, maka penulis berupaya memberikan sumbangan pemikiran yang berupa usulan hasil analisa maupun buah pemikiran dari penulis.Proses penulisan skripsi yang dilakukan oleh penulis mencakup studi terhadap PT.X sendiri, yang mana dalam study tersebut dilalcukan dengan studi literatur yang dalam hal ini termasuk study terhadap laporan, kertas kerja, dll, maupun study lapangan yang dalam hal ini termasuk wawancara, maupun terjun ke lapangan (ikut melihat sistem secara langsung).Setelah dilakukan study terhadap PT. X sendiri maka penulis berupaya rnengadakan analisa analisa terhadap permasalahan yang melingkupi sistem yang ada tersebut.Sesuai dengan judul skripsi yang mengetengahkan SAP R/3 sebagai alat bantu, maka penulis setelah rnengadakan analisa sistem lalu berupaya mengadakan pembedahan terhadap SAP R/3, yang kebetulan pada saat itu juga penulis termasuk sebagai tenaga pernbantu dalam proyek penerapan SAP R/3 pada PT. X.Berdasarkan analisa perrnasalahan permasalahan yang telah dilalcukan dan pernbedahan terhadap SAP R/3 maka penulis berupaya memberikan solusi yang terbaik bagi permasalah permasalah sistem pengadaan material pada PT. X.

---

"