Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data seismik refleksi yang direkam pada survey seismik darat sering terkontaminasi oleh noise koheren groundroll yang merupakan gelombang dispersif yang merambat di permukaan. Sinyal gelombang groundroll ini memiliki ciri amplitude yang besar dan frekuensi yang relative rendah dan berubah di sepanjang perambatannya (non-stasioner). Beberapa teknik pemfilteran yang selama ini digunakan adalah berdasarkan pada pendekatan dengan transformasi Fourier, dimana transformasi Fourier ini mengasumsikan wavelet bersifat statis sepanjang perambatannya. Teknikteknik pemfilteran tersebut diantaranya adalah pemfilteran frekuensi (frequency filtering), dan f-k filtering. Suatu alternative baru dari transformasi Fourier yang dapat digunakan saat ini adalah transformasi wavelet, dimana transformasi ini mengurai/mendekomposisi sebuah fungsi menggunakan fungsi basis (dasar) yang memiliki durasi terbatas baik dalam domain fekuensi maupun domain waktu. Hal ini berbeda dengan transformasi Fourier, dimana transformasi Fourier mendekomposisi suatu fungsi menggunakan fungsi basis sinusoidal yang memiliki durasi tak terbatas pada domain waktu dan frekuensi. Dengan menggunakan transformasi wavelet, pemfilteran gelombang groundroll dapat dilakukan dengan baik dan memiliki kelebihan dibandingkan dengan pemfilteran dengan transformasi yang berbasis transformasi Fourier, diantaranya adalah kualitas sinyal reflektor yang tetap terjaga.

---

Low-frequency, high-amplitude ground roll is an old problem in land-based seismic field records. Current processing techniques aimed at ground-roll suppression, such as frequency filtering, f -k filtering, and f -k filtering with time-offset windowing, use the Fourier transform, a technique that assumes that the basic seismic signal is stationary.

A new alternative to the Fourier transform is the wavelet transform, which decomposes a function using basis functions that, unlike the Fourier transform, have finite extent in both frequency and time. Application of a filter based on the wavelet transform to land seismic shot records suppresses ground roll in a time-frequency sense; unlike the Fourier filter, this filter does not assume that the signal is stationary.

The wavelet transform technique also allows more effective time-frequency analysis and filtering than current processing techniques and can be implemented using an algorithm as computationally efficient as the fast Fourier transform. This new filtering technique leads to the improvement of shot records and considerably improves he final stack quality."

"Tekstur menyimpan atau menyediakan karakteristik-karakteristik yang penting untuk usaha pengidentifikasian permukaan dan objek pads berbagai macam citra. Untuk mempelajari tekstur tersebut, dimana sebagian besar tekstur alami mempunyai frekuensi dominan yang terletak pada saluran frekuensi menengah, diperlukan metode multisaluran frekuensi atau analisa multiresolusi, untuk mencapai frekuensi tertentu. Wavelet adalah sebuah fungsi matematika yang memotong-motong data ke dalam frekuensi-frekuensi yang berbeda, sehingga data tersebut dapat dipelajari dengan resolusi yang berbeda-beds. Sebuah metode transformasi wavelet yang disebut Transformasi Wavelet Berstruktur Pohon (Tree Structured Wavelet Transform) memungkinkan untuk memilih daerah frekuensi yang akan dipelajari. Skripsi ini bertujuan untuk membuat perangkat iunak yang dapat mengenali tekstur pads suatu citra secara tepat dengan menggunakan Transformasi Wavelet Berstruktur Pohon. Hasil uji cobs menunjukkan bahwa citra teskstur berukuran 128 x 128 piksel yang dicoba untuk diketahui teksturnya, dapat dikenali dengan balk oleh program."

"Salah satu aspek penting dalam inveri seismik adalah estimasi wavelet yang bisa mewakili data seismik secara komprehensif. Dalam tesis ini akan dijabarkan konsep dan implementasi algoritma Kolmogoroff dalam estimasi wavelet. Secara prinsip, dalam metoda Komogoroff, spektrum fasa minimum ditentukan atas spektrum amplitudo yang diberikan. Jika diberikan spektrum amplitudo dengan panjang wavelet n+1 maka terdapat 2n wavelet dengan spektrum fasa yang berbeda, namun hanya satu dari 2n wavelet yang mmiliki spektrum fasa minimum. Pendekatan yang unik ini diharapkan bisa memberikan estimasi wavelet yang representative. Dalam proses ini, kondisi data seismik diasumsikan terdiri dari deret reflektivitas yang acak dan merupakan hasil konvolusi dari wavelet berfasa minimum. Keabsahan dari asumsi tersebut telah diuji dengan deret reflektivitas dari suatu data sumuran dan trace seismik sintetik. Untuk verifikasi dari unjuk kerja algoritma Kolmogoroff, terlebih dahulu diaplikasikan ke data sintetik. Lebih lanjut aplikasi dengan data real dilakukan untuk menentukan distribusi impedansi akustik melalui inversi seismik. Sebagai acuan dalam mengevaluasi hasil inversi seismik dilakukan komparasi terhadap teknik Band Limited inversion yang dihasilkan dari software komersiil. Hasil koparasi menunjukkan korelasi yang optimum."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."

"ABSTRAKKeburaman dan ketidakjelasan batas citra sangat mempengaruhi hasil pengamatan medic terutama untuk identifikasi penyakit. Karena itu meningkatkan kontras citra dan menajamkan batas citra merupakan suatu cara agar dapat memperoleh hasil citra rekonstruksi yang lebih baik.Detektor edge detection dan filterisasi Gauss adalah salah satu cara untuk menambah pencahayaan pada citra dan meningkatkan ketajaman sisi citra. Dengan menggunakan transformasi wavelet proses manipulasi piksel-piksel citra tersebut menjadi cukup mudah untuk dilaksanakan.Perhitungan nilai selisih citra dan perbandingan presentase citra dapat digunakan untuk mengukur seberapa jauh tingkat pencahayaan dari citra rekonstruksi. Semakin tinggi nilai selisih dan presentase maka semakin baik citra rekonstruksi.

---

ABSTRACT

Blurring image is a fundamental problem for mammogram images. In case this trouble always takes some difficulty for medical purposes. So, edge detection of images and increase their contrast is one way to solve this problem.

Edge detector and gaussian's filter are manipulated to enhance an original image. Some of manipulation of pixels can be easily done by wavelet transform to get reconstruction images. Difference analysis and percentage analysis are used to determine the criteria of resulting image."