Hasil Pencarian  ::  Simpan CSV :: Kembali

"Orthogonal Frequency Division Multiplexing (OFDM) adalah suatu teknik pengiriman pembawa jamak yang merupakan bentuk khusus dari Frequency Division Multiplexing (FDM) yang menggunakan spektrum lebih kecil terbagi ke dalam beberapa pembawa dengan mengatur jarak kanal yang lebih kecil sehingga penggunaan bandwidth akan lebih efisien.Pengiriman sinyal OFDM berdasarkan Transformasi Fourier Cepat (TFC-OFDM) memberikan efisiensi bandwidth dan memiliki kemampuan untuk mencegah terjadi interferensi Antar Simbol (IAS) dan Interferensi Antar Pernbawa (IAP) dengan penggunaan cyclic prefix yang dimasukkan di antara simbol-simbol TFD-OFDM, tetapi langkah ini membutuhkan hingga 25% dari bandwidth. Untuk meningkatkan efisiensi bandwidth dan memberikan kemampuan lebih baik dalam mencegah terjadinya IAS dan IAP maka diajukan pengiriman sinyal OFDM berdasarkan Transformasi Wavelet Diskrit (TWD-OFDM).Melalui pemodelan sistem OFDM berdasarkan Transformasi Wavelet Diskrit (TWD) dan Transformasi Fourier Cepat (TFC) pada kanal Additive White Gaussian Noise (AWGN) dan kanal Rayleigh fading lintasan jamak dengan bantuan perangkat lunak MATLAB versi 7.0.1, maka dapat dianalisa sejauh mana Bit Error Rate (BER) pada kedua sistem untuk tingkat Power Noise (Eb/No) yang sama.

---

Orthogonal Frequency Division Multiplexing (OFDM) is a multi-carrier transmission technique, which divides the available frequency into many carriers. OFDM is a special case of Frequency Division Multiplexing (FDM). OFDM uses the much spectrum more efficiently by spacing the channels much more closely together.

Fast Fourier Transform (FFT) based OFDM signal transmission gives bandwidth efficiency and have capability to combat Inter Carrier Interference (IC) and Inter-Symbol Interference (ISI) by adding a cyclic prefix between FFT -OFDM symbols, but this can decrease the bandwidth efficiency roughly 25%. To improve the bandwidth efficiency and ISI, ICI, Discrete Wavelet Transform is proposed.

Through DWT-OFDM and FFT OFDM over Additive White Gaussian Noise (AWGN) and Rayleigh Fading multi path Channel modeling supported with the program-based MATLAB version 7.0.1, we could analyze and compare Bit Error Rate (BER) over the same level of Power Noise (Eb/No)."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"ABSTRACTUmumnya untuk membedakan antara lidah perokok dan lidah bukan perokok adalah dengan melihat secara visual yang dilakukan oleh praktisi medis dan masih bersifat invasif. Dalam penelitian ini, sistem pengenalan lidah perokok dibangun dengan menggunakan teknik pencitraan hiperspektral dengan rentang spektrum panjang gelombang VNIR Visible Near Infrared berbasis kombinasi ciri spektral dan ciri tekstur. Tujuan penelitian ini adalah membangun sistem pengenalan lidah perokok berbasis kombinasi ciri spektral dan ciri tekstur untuk meningkatkan nilai akurasi pada sistem pengenalan lidah perokok yang berbasis ciri spektral saja. Ciri spektral yang digunakan adalah nilai reflektansi yang didapat langsung dari ROI Region of Interest citra lidah, sedangkan untuk ciri tekstur yang digunakan adalah nilai energi, homogenitas, korelasi, dan kontras yang didapat pada metode ekstraksi ciri GLCM Gray level Co-occurence Matrix. Kedua ciri tersebut dikombinasikan sebagai input yang digunakan pada tahapan seleksi ciri dengan metode PLS Partial Least Square, yang kemudian akan diklasifikasikan menggunakan metode SVM Support Vector Machine. Hasil klasifikasi SVM kemudian dilakukan validasi dengan menggunakan metode k-cross validation. Nilai Akurasi yang didapat dari hasil klasifikasi SVM dengan kombinasi ciri spektral dan ciri tekstur di 4 bagian lidah, lebih baik dibandingkan dengan nilai akurasi yang didapat dari hasil klasifikasi SVM dengan ciri spektral saja, dengan kenaikan akurasi sebesar 1,19 untuk lidah bagian anterior, 3,35 untuk lidah bagian posterior, 7,95 untuk lidah bagian lateral A, dan 1,02 untuk lidah bagian lateral B.

---

ABSTRACTGenerally, to differentiate between smoker 39s tongue and non smoker 39s tongue is by doing an eye examination, which is invasive and performed by medical practitioners. In this research, smoker 39s tongue recognition system is built by using hyperspectral imaging technique with range of VNIR wavelength spectra, which is based on a combination of spectral features and texture features. The aim of this study is to built smoker 39s tongue recognition system based on a combination of spectral features and texture features to increase the value accuracy of smoker 39s tongue recognition system based on its spectral features only. The spectral features used are the reflectance value obtained from ROI Region of Interest from tongue images, while the texture characteristics used are the energy value, homogenity, correlation, and contrast obtained from extraction method of GLCM Gray Level Co occurence Matrix features. Both features are combined as an input used in the feature selection stage by using PLS Partial Least Square method, which then will be classified by using SVM Support Vector Machine method. After that, the SVM classification result will be validated by using k cross validation method. The value accuracy which is obtained from SVM classification result, by combining the spectral features and the texture characteristics in four regions of tongue, is better than the value accuracy from SVM classification result with spectral features only, with an accuracy increase of 1.19 for anterior region of tongue, 3.35 for posterior region of tongue, 7.95 for lateral A region of tongue, and 1,02 for lateral B region of tongue."