Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hidden Markov models (HMMs) are discrete-state, discrete-time, stochastic dynamical systems. They are often used to approximate systems with continuous state spaces operating in continuous time. In addition to introducing the basic ideas of HMMs and algorithms for using them, this book explains the derivations of the algorithms with enough supporting theory to enable readers to develop their own variants. The book also presents Kalman filtering as an extension of ideas from basic HMMs to models with continuous state spaces.Although applications of HMMs have become numerous (396,000 Google hits) since they emerged as the key technology for speech recognition in the 1980s, no introductory book on HMMs in general is available. This text aims to fill that gap.Hidden Markov Models and Dynamical Systems features illustrations that use the Lorenz system, laser data, and natural language data. The concluding chapter presents the application of HMMs to detecting sleep apnea in experimentally measured electrocardiograms. Algorithms are given in pseudocode in the text, and a working implementation of each algorithm is available on the accompanying website."

"Darah merupakan unsur dalam tubuh manusia yang memiliki peran penting dalam mekanisme kerja tubuh. Banyak informasi penting yang terkandung dalam darah, termasuk informasi penyakit yang diderita seseorang. Pentingnya informasi tersebut ditambah kebutuhan diagnosis dini untuk mempercepat penanganan suatu penyakit, maka citra darah sangat vital sebagai media dalam proses pengenalan penyakit. Dengan menggunakan citra darah, proses pengenalan penyakit menjadi lebih mudah dan cepat karena tidak diperlukan proses reaksi kimia dengan darah. Dalam skripsi ini dilakukan perancangan proses pengenalan penyakit leukemia dari citra darah dengan menggunakan metode Hidden Markov Model (HMM). Prosesnya melibatkan dua tahap proses utama yaitu proses pembentukan database dan proses pengenalan. Pada tahap pembentukan database, citra darah diubah menjadi vector sebagai titik sample dan titik-titik yang terdekat akan dikuantisasi menjadi centroid atau codeword. Kumpulan codeword akan disimpan berupa codebook di dalam database. Pengenalan dilakukan dengan membandingkan besaran log of probability HMM yang dihitung berdasarkan titik sample dari setiap sample citra darah. Dengan menggunakan codebook berukuran 32, 64 dan 128 dengan jumlah repetisi 5 dan 10 kali, diperoleh tingkat akurasi pengenalan penyakit darah antara 60% sampai 82,76%.

---

Blood is a part of human body which plays an important role in the body mechanism. Important informations could be achieved from blood, including information of diseases. This kind of information is very essential in order to diagnose the disease as early as possible. Blood cells in digital format will be easier to analyze using computers and the process itself could be performed faster than conventional methods, since it needs no chemical reactions in the process.

In this research, the disease identification for leukemia is performed from blood imageries analyzed using Hidden Markov Model (HMM). The whole process consists of two main processes: database construction and recognition. In the first process, blood image will be transformed to vectors as sample points and the nearest points will be quantized as centroids or codewords. The collection of codewords is built in codebook database. Recognition process is performed by taking the largest value of HMM?s log of probability from sample points of several blood images. Based on the simulation results, using codebook 32, 64 and 128 with repetition 5 and 10 times, the accuration levels of the recognition results are between 60% and 82.76%."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metode Hidden Markov Model (HMM) yang telah diprogram ke DSK TMS320C6713. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik. Pada Tahap identifikasi dengan metode HMM tingkat pengenalan bias mencapai 100% dengan menggunakan ukuran codebook 128 bit dan jumlah pelatihan 15 sample dan 7 state HMM.

---

This final project was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement. The reflected waves was recognized using the Hidden Markov Model which was programmed in the DSK TMS320C6713. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic. In the recognition process with Hidden Markov Model (HMM) could reach 100% accuracy using the codebook size of 128 bit, training samples of 15 data and 7 states of HMM."

"Model Hidden Markov Model-GARCH(1,1) atau HMM-GARCH(1,1) adalah model runtun waktu yang berfungsi untuk memprediksi volatilitas di masa depan dengan mengelompokan volatilitas yang menggunakan konsep HMM. Model ini merupakan perluasan dari model Markov Regime Switching-GARCH(1,1) atau MRS-GARCH(1,1). Volatilitas diketahui mengikuti proses rantai markov yang tersembunyi, dimana proses rantai Markov yang dapat diobservasinya adalah return dari sebuah instrumen investasi sehingga digunakan proses hidden Markov. Pada skripsi ini, akan dibahas mengenai bentuk, metode estimasi, dan metode peramalan pada model HMM-GARCH(1,1). Pengestimasian parameter pada bagian HMM-nya menggunakan algoritma Baum-Welch dan runtun waktu akan dibagi menjadi beberapa bagian menggunakan algoritma Viterbi. Lalu parameter pada bagian GARCH(1,1)-nya akan diestimasi menggunakan metode Maximum Likelihood Estimation. Metode pengestimasian dari HMM-GARCH(1,1) ini kemudian akan diaplikasikan pada indeks Standard & Poor 500 atau S&P500. Hasilnya model HMM-GARCH(1,1) memiliki Mean Squared Error atau MSE dan Bayesian Criterion Information atau BIC yang lebih baik dari model GARCH(1,1).

---

Hidden Markov Model-GARCH(1,1) or HMM-GARCH(1,1) model is a time series model to predict future volatility by dividing the level of volatility and using HMM. This model is an extension from Markov Regime Switching-GARCH(1,1) or model MRS-GARCH(1,1) model. Volatility is known to follow a hidden Markov chain process, which the observable Markov Chain is the return from an investment asset. In this undergraduate thesis, it will be discussed the structure, estimation method, and forecasting method of HMM-GARCH(1,1) model. Baum-Welch algorithm is used to estimate the HMM's parameter, and Viterbi algorithm will be used to divide the time series into some regimes. For the GARCH(1,1) part, Maximum Likelihood Estimation is used to estimate the parameter. The parameter estimation method of HMM-GARCH(1,1) will be applied to Standard & Poor 500 Index or S&P500. HMM-GARCH(1,1) have better Mean Squared Error or MSE and Bayesian Criterion Information or BIC compared to GARCH(1,1)."

"

Informasi mengenai penggunaan energi listrik merupakan salah satu elemen penting dalam hal pengaturan distribusi jaringan listrik pada jaringan pintar skala kecil (smart micro grid). Selain itu informasi pemakaian energi listrik dapat membantu konsumen melakukan proses evaluasi pemakaian energi listrik untuk menekan biaya tagihan pembayaran listrik yang secara tidak langsung berpengaruh pada efisensi energi keseluruhan. Salah satu metode dalam proses pemantauan pemakaian energi listrik adalah Non-Intrusive Load Monitoring (NILM). Permasalahan utama dalam NILM adalah mengetahui peralatan-peralatan elektronik yang ada dan mengetahui konsumsi energi listrik masing-masing peralatan dengan hanya melakukan proses pengambilan data hanya dari satu titik yang terhubung dengan semua peralatan elektronik pada jaringan listrik. Berdasarkan hasil pengujian menggunakan dataset AMPds dan REDD, nilai akurasi terendah yang didapatkan adalah sebesar 96,69% pada semua pengujian yang dilakukan.

 

---

Information on electricity consumption is one of the essential elements in terms of regulating the distribution of electricity in smart micro grid. Besides, information on electricity consumption can help consumers carry out an evaluation process to reduce electricity bill costs, which indirectly affect overall energy efficiency. One method in the process of monitoring electricity consumption is Non-Intrusive Load Monitoring (NILM). The main problem in NILM is electronic disaggregation equipment that exists and determines the electrical energy consumption of each appliance by merely performing the retrieval of data from only one point connected with all the electronic devices on the electrical grid. Based on the results of tests conducted using the REDD and AMPds dataset, the lowest accuracy was 96.69% for all tests performed.

 

"

"Demonstrating that many useful resources, such as databases, can benefit most bioinformatics projects, the Handbook of Hidden Markov Models in Bioinformatics focuses on how to choose and use various methods and programs available for hidden Markov models (HMMs). The book begins with discussions on key HMM and related profile methods, including the HMMER package, the sequence analysis method (SAM), and the PSI-BLAST algorithm. It then provides detailed information about various types of publicly available HMM databases, such as Pfam, PANTHER, COG, and metaSHARK. After outlining ways to deve."

"ABSTRACTSkripsi ini menganalisa metode machine learning menggunakan HiddenMarkov Model (HMM), yang merupakan alat prediksi stochastic dan probabilitidigunakan untuk mengevaluasi gerakan di dalam pasar valuta asing. Skripsi inimembahas khususnya penerapan metode HMM di pasar valuta asing sebagai alatuntuk memprediksi pergerakan dan hasil dari nilai tukar di dalam pasar, kemudianmenganalisis data yang tersedia, dan akhirnya membuat keputusan berdasarkanhasil yang diperoleh. Data yang digunakan adalah data harga penutupan padapasar valuta asing AUD/USD dalam dua jangka waktu yang berbeda, hargapenutupan per 1 jam dan per 15 menit, dan data yang digunakan diperoleh daribeberapa sumber online. Analisis awal menunjukkan beberapa faktor eksternaldapat mempengaruhi keakuratan hasil. Hasilnya mengindikasi, dengan tidakmemperhitungkan factor-faktor luar lainnya, akurasi yang lebih baik didapatsewaktu menggunakan haraga penutupan jangka waktu yang lebih pendek.

---

ABSTRACTThis bachelor thesis analyses the method of machine learning usingHidden Markov Model, which is a predictive stochastic and probability tool inorder to evaluate the movement inside the foreign exchange market. This paperdiscusses particularly the application of HMM method in the forex (foreignexchange) market, as the tool for forecasting the movement and the outcome ofthe exchange rate inside the market, analyses them, and finally making a decisionbasing on the obtained outcomes. The data used are the closing price of theAUD/USD forex market in two different timeframes, per hour closing price andper 15 minutes closing price, and was obtained from several online foreignexchange sources. Initial analysis suggests several external factors may affect theaccuracy of the results. The results indicate, excluding any external factors, betteraccuracy was obtained when shorter closing price timeframe was used."

"Skripsi ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi golongan darah melalui proses 'image processing' dengan menggunakan 'Hidden Markov Model'. Darah manusia terbagi menjadi 4 golongan menurut sistem penggolongan darah ABO. Pengolongan ini dapat dikenali dengan berbagai metode. Skripsi ini bertujuan sebagai penelitian untuk menganalisa pengenalan golongan darah manusia dalam bentuk 'Image' dengan metode 'Hidden Markov Model' (HMM) yang selanjutnya akan dihasilkan keluaran dalam bentuk probabilitas. Proses pengenalan darah dikhususkan dengan memasukkan 'image' ke dalam pemrogaman perhitungan matematis. Selanjutnya penelitian dilakukan 2 tahapan, yaitu: pembentukan 'database' dan proses pengenalan. Pada proses pembuatan 'database', gambar akan dibagi-bagi menjadi beberapa 'frame' agar lebih memudahkan proses. Setiap 'frame' diubah ke dalam domain frekuensi menjadi bilangan vektor yang disebut 'sample point'. Kumpulan beberapa 'sample point' terdekat dikuantisasi menjadi sebuah nilai yang disebut 'centroid' dan kumpulan 'centroid' ini menghasilkan sebuah 'codeword', untuk kemudian disimpan dalam sebuah 'database codebook'. Semua data dalam 'database codebook' diolah sehingga menghasilkan parameter-parameter HMM yang kemudian disimpan dalam sebuah 'database' HMM yang akan menghasilkan nilai-nilai 'log of probability' untuk setiap perbandingan target gambar dengan data pada database HMM. Data dengan nilai 'log of probability' yang paling tinggi disimpulkan sebagai keluaran dari keseluruhan proses. This final project of undergraduate program was created to design the software that could identify ABO blood type with applying Hidden Markov Model.

---

Human blood consist of 4 categories based on ABO blood type. This categorization can be recognized with some method, such as: Fuzzy Logic, Neural Network, Hidden Markov model. The purpose of this project was identify the human blood using special software with applying Hidden Markov Model with minimal error, so the results still can show what the reality are. We got the results from the highest probability that comes from the output of Hidden Markov Model. For better and easiest programming, we used special mathematical software.

Later on, the examination was conducted in 2 steps. The 1st was to make a database and 2nd to do the identification. In the 1st step, the picture was cropped and standardized to the exact same file extension and same matrix form. We call the results as frames in which we change it over to frequency domain that hence numerical vector in which we call it as sample point. Some collection of sample point were calculated as a value that we call as centered point and the collection of these centered points was called codeword that was stored as a database codebook.

All the codeword was calculated to get HMM parameter that was stored in a HMM database as log of probability value for every comparison with the target picture. Log of probability value would show the conclusion of the target picture which also means what type the blood belongs."