Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode pengenalan wajah dengan memanfaatkan informasi lokasi fiturfitur pada wajah (features-based matching method) sejauh ini dianggap lebih baik (robust) dibandingkan dengan pengenalan yang memanfaatkan keseluruhan bagian wajah (holistic matching method). Akan tetapi, menurut Cox teknik-teknik ekstraksi fitur yang dibutuhkan untuk metode ini masih belum cukup akurat. Algoritma Hough Transform (HT) dikenal memiliki keunggulan dalam mendeteksi keberadaan objek yang memiliki pola tertentu walaupun tidakdiketahui posisinya, serta relatif tidak terpengaruh oleh noise maupun data yang tidak lengkap/hilang. Kemampuannya dalam melakukan deteksi objek bahkan menyamai template matching, tetapi jauh lebih cepat. Dengan memanfaatkan kelebihan-kelebihan yang dimiliki oleh algoritma Hough Transform (HT) untuk melakukan deteksi objek, penelitian ini mencoba menyusun metode untuk untuk melakukan ekstraksi titik-titik fitur pada wajah. Dalam percobaan, digunakan data citra wajah dalam tampilan frontal untuk diekstraksi titik-titik fiturnya, kemudian dilakukan analisa terhadap tingkat akurasi hasil ekstraksi fitur yang diperoleh. Selain HT, dalam aplikasi juga dimanfaatkan beberapa fungsi yang diajukan oleh Lam dan Yan dalam Modified Hough Transform (MHT) untuk meningkatkan performance HT dan dikombinasikan dengan penggunaan informasi anthropometric standards untuk proses penentuan lokasi fitur."

"Batik adalah kain yang dihias dengan menggunakan teknik dekorasi tekstil yang memanfaatkan malam sebagai perintang warna. Seni batik telah dikembangkan sejak lama di beberapa bagian negara Asia termasuk Indonesia. Pemanfaatan teknologi informasi dalam bentuk metode deteksi motif batik dapat mendukung perkembangan industri kreatif karena sistem ini nantinya dapat dijadikan sebagai acuan bagi perkembangan elemen-elemen desain motif batik. Fokus penelitian ini adalah deteksi motif batik yang memiliki karakteristik kemunculan yang berulang, multi translasi, multi skala, dan multi orientasi. Domain batik dengan pola geometrisnya dipilih sebagai area implementasi terkait dengan karakteristik motif batik yang bersifat simetri, kemunculan obyek yang berulang di beberapa lokasi dalam satu bidang kain, dan sering kali obyek-obyek motif batik tersebut telah mengalami perubahan skala ataupun perubahan orientasi. Kondisi tersebut dapat menyebabkan adanya kesalahan deteksi dan kesalahan klasifikasi. Metode deteksi motif batik yang diusulkan menggunakan fitur SIFT dan serangkaian post processing berupa voting Hough Transform, clustering, smoothing, deteksi peak, penambahan jumlah minimum voting dan penggabungan konfigurasi yang memiliki nilai berdekatan. Pada citra kueri dilakukan ekstraksi fitur menggunakan SIFT. Deskriptor yang dihasilkan dicocokkan dengan deskriptor citra template pada basis data. Pada penelitian ini diusulkan metode pencocokan keypoint yang berbeda dengan metode standar pencocokan SIFT. Seluruh pasangan keypoint diurutkan mulai dari yang memiliki jarak terdekat hingga yang paling jauh. Selanjutnya ditentukan nilai ambang jumlah keypoint sebesar 1%, 5% dan 10%. Pasangan keypoint hasil pencocokan dilakukan voting menggunakan Hough Transform terhadap konsistensi pose geometris obyek citra kueri. Sehubungan dengan permasalahan yang dihadapi dalam deteksi motif batik, proses pencocokan deskriptor citra berupa keypoint yang diperoleh melalui ekstraksi fitur, harus dapat dilakukan dengan baik sehingga kualitas deteksi motif batik menjadi lebih baik.Pada penelitian ini dikembangkan pula beberapa metode deteksi obyek yang berfungsi sebagai pengambil keputusan terhadap keberadaan obyek tertentu pada citra kueri. Metode deteksi obyek ini bekerja dengan cara mengambil hingga maksimum 80% dari nilai peak tertinggi yang terbentuk pada ruang Hough (MDOTresh), penggunaan nilai ambang berdasarkan rumusan rata-rata nilai peak yang terendah dan peak yang tertinggi (MDOAverage), penentuan nilai k berdasarkan nilai-nilai peak tertinggi sesuai dengan jumlah obyek yang terdapat pada groundtruth (MDOTopk), mengambil konfigurasi pada peak yang memiliki minimum nilai sebesar 3 voting pada setiap konfigurasi luaran ruang Hough (MDOMin), penentuan representasi obyek berdasarkan keluaran clustering DBSCAN (MDOScan), dan melakukan proses smoothing menggunakan filter Gaussian pada hasil deteksi dengan jumlah minimum voting sebanyak 3 buah (MDOGauss).Kehandalan metode dalam melakukan deteksi diindikasikan dengan ketepatan dalam menentukan jumlah obyek yang terdapat pada citra kueri dan mampu mengenali motif batik walaupun telah mengalami transformasi geometris melalui perpindahan posisi, perbedaan skala, dan perubahan orientasi. Berdasarkan hasil yang telah diperoleh, metode deteksi motif batik untuk data citra kueri dengan obyek tunggal, kombinasi translasi, skala, dan orientasi mencapai nilai kinerja maksimum 95.28% menggunakan MDOTresh, sedangkan pada citra kueri dengan obyek tunggal dan variasi noise mencapai 100% melalui MDOTresh, MDOAverage, dan MDOTopk. Hal ini menunjukkan bahwa metode deteksi motif batik mampu menangani obyek tunggal dengan berbagai kondisi. Pada deteksi motif batik dengan multi obyek, multi translasi, multi skala dan multi orientasi capaian maksimum kinerja metode usulan adalah 92.13%, sedangkan untuk citra kueri dengan multi obyek, multi translasi, multi skala, multi orientasi, dan variasi noise diperoleh capaian kinerja 89.89%. Keduanya diperoleh melalui pendekatan MDOGauss. Pada kondisi ini, penambahan jumlah obyek motif pada citra kueri menyebabkan bertambahnya jumlah obyek yang tidak berhasil dideteksi. Kasus selanjutnya adalah deteksi obyek motif batik dengan multi motif, multi obyek, multi skala, dan multi orientasi dengan luaran ruang Hough berupa jumlah voting absolut mencapai 96.09% untuk MDOTresh. Transformasi geometris pada obyek motif batik berakibat penurunan kontras citra sehingga berpengaruh pada jumlah voting yang dihasilkan. Untuk komposisi motif teratur dengan jumlah maksimum 16 obyek motif batik untuk motif sejenis mendapatkan hasil 100% melalui MDOAverage, sedangkan untuk multi motif 92.59% melalui pendekatan MDOTresh dan MDOAverage.

---

Batik is a fabric printed design of hand-printing textiles by coating with wax. Batik has been developed since a long time in various countries including Indonesia. Nowadays, information technology is being utilized in recognizing batik motif. Therefore, the development of batik motif detection system is expected to support creative industries since the system can be used as a reference for the development pattern design. This study proposes an object recognition system for batik motif based on clustering Scale Invariant Features Transform (SIFT) features in Hough space. Our principal objective is to verify how many instances of the same object to our method detects accurately, when the object motif is posed in different positions, orientations, and scales. The geometric patterns domain is being selected regarding the characteristics of batik motifs. Batik motifs have symmetrical property and repeated in multiple locations. In addition, the objects of batik motif may be changed in terms of scale and orientation. The proposed method in this research consists of the feature extraction process using SIFT and post processing, namely voting Hough Transform, clustering, smoothing and peak detection. The keypoints from query image and the keypoints from template are matched with comparing the Euclidean distance of each keypoints descriptor in query image to all keypoint descriptors in template image. In this study we proposed a new matching keypoints method. All matched keypoints will be sorted from the closets distance to the farthest distance. Then, we determine the number of matched keypoint that will be used in the next process through the threshold 1%, 5%, and 10%. The similarity of primitive pattern and the occurrences of a motif in different location, scale and orientation will interfere the detection process. Consequently, the SIFT local feature representation must be performed well in terms of feature detection and matching.

In this study, several object detection methods are proposed as well based on object’s representation resulted from the voting process in Hough space. Object detection method using thresholding (MDOTresh) is taking 80% of maximum peak value, while object detection method with average threshold (MDOAverage) picks the mean value of minimum and maximum peak in the Hough space. Object detection method Top k (MDOTopk) determines k number of objects from the highest peaks found in the Hough space based on the number of objects in ground truth. Object detection method based on Minimum Voting (MDOMin) considers the voting configurations which have a certain number of votes. In this study the minimum number of votes is tuned to 3 as a valid configuration. Object detection method based on DBSCAN (MDOScan) determines the representation of the object from output clustering. Object detection method using Minimum Voting + Gaussian (MDOGauss) implements smoothing process using Gaussian filter for the output configurations which have a minimum number of votes as 3.

The reliability of batik motif recognition system is indicated by the ability of the system to find the number of object motif contained in query image and to classify the object motif into one of several batik motif classes even though the objects motif have undergone a geometric transformation. The evaluation of the proposed method is employing several data sets. Based on the evaluation result using query images with a single object, combination of translation, scale and orientation, object detection system MDOTresh gained balanced score 95.28%, while for the query image with a single object and scale variation of noise reached 100% through MDOTresh, and MDOAverage. It is apparent that the recognition system is capable of dealing with a single object with a various conditions. In recognition process for query image with multiple occurrences object, multi translation, multi scale and multi orientation, the highest performance is 92.13%, whereas for the image query with multi object, multi translation, multi-scale, multi- orientation, and variations in noise yielded 89.89%. Both are obtained through MDOGauss approach. In this case, increasing the number of object motif in the query image, a greater number of incorrect detections are obtained. The next case is the object motif recognition from query images with multi motif, multi object, multi scale and multi orientation. This data set has 2 outputs from Hough space namely absolute voting number and normalized voting number. The absolute voting number outputs achieved the best performance at 96.09% for the MDOTresh, while the normalized voting number gained 36.92% for MDOGauss. Geometric transformations on the object motif will be decreased contrast of object in the query image so that affected the number of voting resulted. The last data set is a regular texture, composition of the object motif with a maximum numbers are 16 objects. The best performance is 100% for homogeneous motif achieved from MDOAverage, while for multi motif yielded 92.59% achieves from MDOTresh and MDOAverage as the best."

"Tesis ini membahas dan menjelaskan mengenai implementasi algoritma Line Hough Transform dan Circular Hough Transform dalam mendeteksikemungkinan keberadaan garis dan lingkaran pada citra karakter numerik dan operator matematika sederhana hasil tulisan tangan. Ciri ini akan digunakan sebagai nilai karakteristik dalam proses pengenalannya dimana proses pengenalanini juga memerlukan validasi terhadap tiap garis dan lingkaran yang ditemukan melalui proses grouping dan trending, baik pada penerapan LHT maupun pada penerapan CHT. Untuk tahap identifikasi perhitungan matematika sederhana setelah proses pengenalan tiap karakternya, memanfaatkan hasil segmentasi objek sehingga posisi suatu karakter dapat diketahui. Penentuan range nilai yang digunakan dalam validasi trend lines dan trend circles LHT dan CHT pada sistem ini dilakukan melalui analisis sejumlah data sampel. Pendeteksian garis dan lingkaran ini juga sangat dipengaruhi oleh nilai threshold yang diberikan sebagainilai ambang batas dalam melakukan voting accumulator array. Dalam penelitian ini, nilai threshold diperoleh dari hasil uji coba dan threshold yang cocok yang diimplementasikan pada sistem merupakan suatu fungsi yang relatif terhadap ukuran segmentasi objek. Penerapan teknik segmentasi dan thinning dalam penelitian ini juga memperkecil effort yang harus dikerjakan oleh sistem pada pemrosesan LHT dan CHT. Hasil pengujian sistem melalui beberapa skenario eksperimen memberikan nilai rata-rata precision untuk uji coba pengenalan karakter-karakter secara individual sebesar 98.13% dan rata-rata recall nya sebesar 94% terhadap 450 citra yang diujikan, sedangkan nilai akurasi untuk ketepatan pengenalan dan perhitungan matematika hasil tulisan tangan diperolehsebesar 90%.

---

This thesis discusses and explains about the implementation of Line Hough Transform and Circular Hough Transform algorithm to detect the possible presence of lines and circles on the handwriting image of numeric characters and

simple math operators. These characteristics will be used as characteristic values in recognition phase where this process also requires validation of each line and each circle that is found through grouping and trending process, either on implementation of LHT or CHT. For identification of simple mathematical calculation phase after recognition process of each character, the results of object segmentation are used to determine the position of characters. The definition of range values that is used in trend lines and trend circles validating process from LHT and CHT in this system was obtained from the analysis of a number of

training data. This lines and circles detection is also heavily influenced by threshold value in voting accumulator array. In this study, the threshold value is obtained from the test results and the match one is implemented in this system as a function relative to the size of the object segmentation. The object segmentation and thinning techniques also minimize the effort on processing LHT and CHT.

The results of testing the system through several experimental scenarios give an average precision value of 98.13% and an average recall value of 94% for individual characters recognition trials on 450 testing images. The accuracy for recognition and identification of mathematical calculation on handwriting images

is 90%."

"Masalah dalam mengimplementasikan metode algoritma k-means adalah menentukan jumlah cluster sebelum melakukan klasifikasi. Untuk mengatasi masalah ini, maka para peneliti mengusulkan suatu variasi dari algoritma k-means, yaitu algoritma adaptif k-means. Dalam penelitian ini, algoritma ini dipakai untuk melakukan pengenalan wajah. Sistem yang dibuat dalam penelitian ini dibagi ke dalam dua bagian utama, yaitu proses pelatihan dan proses pengujian. Dalam proses pelatihan, dibentuk sebuah himpunan eigenface dari himpunan citra latih. Masing-masing citra latih ini diproyeksikan terhadap eigenface untuk memperoleh bobot citra latih. Bobot citra latih akan di-cluster-kan dengan algoritma adaptif k-means. Kontribusi utama penulis dalam penelitian ini adalah dalam proses menemukan jumlah cluster (k) yang tepat pada algoritma adaptif k-means, dimana jumlah cluster akan terus ditambahkan (mulai k = 2) sampai kondisi terdapat ada cluster baru yang tidak memiliki anggota (cluster kosong). Dalam proses pengujian, citra uji akan dicari identitasnya. Pencarian identitas dilakukan dengan mencari jarak euclidean terpendek antara bobot citra uji dengan citra latih dari dalam cluster terdekat. Pengujian dilakukan dengan citra wajah yang terdapat dalam pangkalan data, yang akan disebut citra internal, dan dengan citra wajah bukan bagian dari pangkalan data, yang akan disebut citra eksternal, dimana identitas citra eksternal ini terdapat dalam pangkalan data juga. Dari hasil pengamatan diperoleh bahwa algoritma adaptif k-means dapat mengurangi jumlah proses identifikasi citra uji dengan tetap mempertahankan rate pengenalan dalam batas yang wajar (robust)."

"ATM (Anjungan Tunai Mandiri) adalah salah satu bentuk pelayanan bank kepada para nasabahnya. Seiring dengan persaingan yang semakin ketat antar bank yang satu dengan yang lain, kualitas pelayanan yang tinggi termasuk di dalamnya pelayanan ATM, merupakan sebuah tuntutan. Namun sebagaimana halnya sebuah mesin, ATM tidak luput dari kondisi out of service yang dapat mengurangi tingkat pelayanan dan kepuasan para nasabah bank. Untuk memperkecil lamanya waktu kerusakan (down-time) tersebut, dikembangkanlah AMS (ATM- Monitoring System), sebuah sistem yang mampu memonitor munculnya error atau kegagalan pada ATM dan menyampaikan pesan kepada pihak bank untuk dapat segera melakukan perbaikan (mempercepat mean time to repair).Sistem AMS geoDECI yang saat ini dibangun adalah kelanjutan dari AMS yang sebelumnya dikembangkan oleh tim de-BES, dimana tujuan pengembangan geoDECI ini adalah untuk menambah fitur-fitur pendukung pada ATM Monitoring System. Fitur-fitur pendukung tersebut meliputi fitur Sistem Informasi Geografis untuk operator dan administrator, fitur laporan dan Sistem Penunjang Keputusan untuk manajer bank, serta fitur simulasi error dengan sebaran poisson. AMS geoDECI dibangun dengan menggunakan analisis dan perancangan berorientasi objek (Object Oriented Analysis and Design) dan meng- gunakan model perancangan UML (Unified Modelling Language). Sebagai sistem informasi manajemen perbankan, AMS geoDECI diharap kan dapat membantu manajemen pemeliharaan ATM menjadi lebih baik."

"Identifikasi wajah berdasarkan ciri bibir berpengaruh pada keberhasilan pencarian citra wajah orang dikarenakan adanya variasi bentuk bibir yang dapat menjadi pembeda tiap individu. Untuk mempercepat pencarian pelaku kriminal, sebuah sistem aplikasi identifikasi wajah berdasarkan ciri bibir menjadi suatu kebutuhan. Sistem tersebut harus dapat mengekstrak ciri bibir dari sebuah citra digital menggunakan metode ekstraksi ciri yang akurat dan cepat.Penelitian ini melakukan studi analisis kinerja metode eigenface dengan eigen fuzzy set (himpunan fuzzy eigen) untuk ekstraksi ciri bibir dalam sistem identifikasi wajah. Eigenface adalah metode ekstraksi ciri yang telah terbukti keberhasilannya dalam mengekstrak ciri wajah, sedangkan metode eigen fuzzy set dikembangkan berdasarkan teori himpunan fuzzy dan dapat digunakan untuk analisa citra. Metode deteksi bibir otomatis berdasarkan ciri warna juga dievaluasi efektifitasnya untuk perolehan citra dalam penelitian ini. Analisis dilakukan dengan metode analisis statistik desktiptif dan statistik inferensi. Uji coba dilakukan untuk dua skenario yang dibedakan berdasarkan citra bibir hasil segmentasi manual dan otomatis.Hasil uji coba menunjukkan bahwa hasil deteksi otomatis hanya efektif mendeteksi bibir sebanyak 61.4% dan precision-recall perolehan wajah pada skenario 2 lebih rendah dari skenario 1. Metode eigen fuzzy set memiliki waktu komputasi lebih rendah dibandingkan metode eigenface. Sedangkan nilai precision-recall tertinggi dihasilkan oleh metode eigenface dengan rata-rata nilai 0.22%. Dari hasil ini disimpulkan bahwa metode ekstraksi ciri eigenface lebih efektif dibandingkan eigen fuzzy set. Sistem identifikasi wajah dengan metode eigenface untuk ekstraksi ciri kedepannya dapat dikembangkan menjadi sistem identifikasi wajah berbasis komponen wajah."

"Alat Ultrasonografi (USG) merupakan alat yang paling sering digunakan untuk melakukan pemeriksaan janin dalam kandungan. Hal ini dikarenakan selain mampu memberikan gambaran terhadap keadaan janin dengan baik, alat ini bebas dari radiasi ionisasi sehingga tergolong aman. Penelitian ini bertujuan untuk mengembangkan metode yang mampu melakukan proses deteksi dan pengukuran biometri janin secara otomatis khususnya biometri kepala janin. Adapun biometri tersebut adalah head circumference (HC) dan biparietal diameter (BPD) yang merupakan salah satu parameter yang sering digunakan oleh dokter untuk mengetahui umur serta pertumbuhan janin dalam kandungan. Kedua biometri ini dapat diukur dengan melakukan aproksimasi terhadap bentuk elips. Untuk melakukan proses ini maka diperlukan tahapan dimulai dengan melakukan segmentasi citra dengan teknik thresholding. Selanjutnya dilakukan proses deteksi menggunakan metode Particle Swarm Optimization (PSO) dengan memanfaatkan fitness function yang diperoleh dari hasil vote menggunakan metode Randomized Hough Transform (RHT). Hasil pengukuran oleh sistem dibandingkan dengan hasil pengukuran secara manual oleh pakar. Uji coba juga dilakukan terhadap data sintetis dengan density noise 0,1 hingga 0,7. Dari hasil eksperimen diperoleh bahwa metode yang dikembangkan lebih baik daripada metode RHT, IRHT dan mEPSOHT untuk melakukan deteksi elips pada citra tersebut. Hasil eksperimen terhadap data sebenarnya yaitu USG 2D kepala janin diperoleh hasil rata-rata nilai hit dari metode yang dikembangkan lebih tinggi daripada metode lainnya namun hasil interrun dan interobserver variation tidak lebih baik dari metode lainnya. Hal ini dikarenakan metode yang dikembangkan lebih cenderung untuk terjebak pada local best dan tidak selalu tepat untuk melakukan deteksi pada citra kepala janin.

---

The application in ultrasonography (USG) is a tool that most often used to examine fetus in the womb. At this study will perform image processing on biomedical images especially for fetus in the womb using two dimensional ultrasound device (USG 2D).

The aim of this study is to develop a system that is capable to perform detection and measurement of fetal biometry automatically. The biometric used in this research consists of head circumference (HC) and biparietal diameter (BPD) analysis. BPD and HC are parameters which are often used by doctors to determine the state of the fetus in the womb. Both biometric parameters can be measured by performing an approximation of the elliptical shape. To do this process, it is necessary to start from segmentation images by thresholding techniques. After preprocessing is completed then the next stage of the detection process is carried out by using Particle Swarm Optimization (PSO). PSO fitness function is obtained from voting in Randomized Hough Transform (RHT) method.

The measurement results by proposed method are then compared with the results obtained manually by experts. A trial has also been conducted on the synthetic data with noise density 0.1 to 0.7. Experiment results show that the proposed method is better than the other methods e.g. RHT, mEPSOHT and IRHT in detecting ellipse. Further trials have been conducted on actual data i.e. 2D ultrasound fetal head data.

From the experiement we have found that the average hit value of our proposed method is higher than other methods. However, the results of interrun and interobserver variation are not better than others. This is because our developed method is more likely to be trapped in local best and doest not always correctly detect ellipse of the fetal head images."

"Penelitian ini merupakan kombinasi dari penelitian-penelitian sebelumnya mengenai pengenalan sudut-pandang dan wajah 3D dengan menggunakan Jaringan Saraf Tiruan (JST) yang sebelumnya menggunakan Self Organizing Map (SOM) dalam representasi ruang eigen dan penerapan algoritma genetika dalam menentukan ruang ciri yang optimal. Pada penelitian kali ini Jaringan Neural Buatan yang digunakan adalah Learning Vektor Quantization (LVQ) dalam ruang eigen dengan mengaplikasikan algoritma genetika untuk mengoptimasi ruang ciri. Untuk menganalisa seberapa baik pengenalan dengan menggunakan algoritma LVQ ini, dilakukan beberapa eksperimen dalam penelitian ini untuk memperbandingkan tingkat pengenalan pada sistem fully-KLT dan Subset II-KLT, dengan menggunakan algoritma genetika dan dengan menggunakan full eigen untuk sistem dengan dan tanpa reduksi awal pada PCA untuk masing-masing dataset yang telah ditentukan. Tingkat pengenalan terbaik untuk pengenalan sudut basis mencapai 96,9 %, pengenalan sudut tengah mencapai 67,7 % pada sistem fully-KLT dan pengenalan sudut tengah pada subset II-KLT mencapai hasil tertinggi sebesar 80,6 %. Sedangkan untuk pengenalan wajah, tingkat pengenalan terbaik mencapai 79,2 %, pada pengenalan wajah peningkatan jumlah citra uji GA ternyata tidak memberikan perbaikan hasil pengenalan. Secara umum pengenalan dengan menggunakan algoritma genetika belum mampu menyaingi tingkat pengenalan dengan menggunakan keseluruhan eigen (full eigen). "