Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Proses deteksi tumor otak dengan komputer dilakukan melalui empat tahapan utama. Pada tahap awal dilakukan pra-proses dengan median filter untuk memperbaiki kualitas citra. Kemudian dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga agar ukuran citra tidak terlalu besar, hanya 1/8 dari ukuran citra asalnya. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses pembelajaran menggunakan metode Backpropagation Neural Network (BPNN) dengan 10 hidden neuron, dimana proses pelatihan dan pengujian dilakukan untuk mendapatkan bobot dan bias yang terbaik dan kemudian diuji. Hasil akurasi pengenalan pada kondisi awal ini mencapai 87%, sementara pada kondisi ideal yang menggunakan dekomposisi wavelet haar bertingkat empat dan 3 hidden neuron pada BPNN mencapai akurasi pengenalan 100%.

---

ABSTRACT

Brain tumor detection process by the computer is going through four main step. First is pre-processing that using median filter to enhance the image quality. The second is feature extraction using level-3 haar wavelet decomposition, so that the image is not too big, only 1/8 of the original size . The third is dimentionality reduction using Principal Component Analysis (PCA). PCA determine the principal component of the image from variances, which represented by eigen value. So the component that will be used in learning step is much fewer, to avoid the curse of dimentionality. And the last step is learning, using Backpropagation Neural Network (BPNN) with 10 hidden neuron. The BPNN going through training and testing phase. BPNN will find its optimal weight and bias, and those weight and bias are being tested. The result from BPNN could distinguish images into normal and tumor, with accuracy 87% in default condition. In ideal condition, which is using level-4 haar wavelet decomposition and 3 hidden neuron in BPNN, the accuracy is 100%.

"

"ABSTRAKWatermarking merupakan teknik penyisipan data atau informasi yang bersifat rahasia ke dalam media data digital lainnya. Watermarking pada citra digital dibutuhkan sebagai perlindungan terhadap kepemilikan citra digital. Tujuan penelitian ini adalah merancang simulasi algoritma watermarking dengan menggunakan transformasi wavelet diskrit dari beberapa mother wavelet seperti diskrit meyer, daubechies, symlet, dan haar. Hasil pengujian penyisipan citra watermark dengan beberapa dimensi yang berbeda, citra watermark dengan dimensi 64 x 64 piksel memiliki hasil yang paling baik. Proses watermarking dengan dekomposisi yang paling baik pada percobaan ini terjadi pada dekomposisi satu level. Pengujian penyisipan watermark dengan sub-band LL,LH,HL, dan HH, didapat bahwa penyisipan pada sub-band LL memiliki nilai PSNR yang paling baik. Citra asli yang telah disisipkan dengan citra watermark juga di uji secara subjektif. Hasil dari citra yang terwatermark tidak dapat dideteksi secara langsung oleh koresponden karena perubahan citra terwatermark tidak jauh berbeda dengan citra asli. Pengujian citra terwatermark terhadap robustness dengan ?salt & pepper? terjadi penurunan kualitas citra yang sangat tinggi. Pengujian citra terwatermark terhadap robustness dengan AWGN, tidak banyak mempengaruhi kualitas citra terwatermark. Nilai power noise dari AWGN yang diujikan dari 10-40 db, dengan nilai maksimum power noise dari AWGN adalah 40 db. Dari hasil percobaan beberapa jenis keluarga wavelet yang paling baik adalah diskrit meyer.

---

ABSTRACTWatermarking is a technique of embedding the data or information that is confidential to the other digital data media. Digital image watermarking is needed as a protection against the ownership of digital images. The purpose of this study is to design a simulated watermarking algorithm using discrete wavelet transform of a mother wavelet such as discrete meyer, daubechies, symlet, and haar. Test results with the embedding a watermark image several different dimensions, watermark image with dimensions of 64 x 64 pixels have the best result. The best decomposition process of watermarking in this study occurred at a single level of decomposition. Watermark embedding testing with sub-bands LL, LH, HL, and HH, found that the embedding in sub-band LL has the best PSNR values. The original image has been embedded with a watermark image was tested subjectively. The results of the watermarked image can not be detected directly by the correspondents because the change of watermarked image is not much different from the original image. The robustness of watermarking image with "salt and pepper" shows decrease in quality greatly. However, the test by adding the AWGN showed that the robustness did not affect the quality of watermarked image. The experimental result by varying power noise, ranged from 10 db to 40 db, with a maximum power noise of AWGN is 40 db. From the experimental results, the discrete meyer is the best type among the wavelet family."

"Salah satu teknologi yang banyak diaplikasikan untuk mengolah data citra sebagai sumber informasi utama adalah teknologi penginderaan jauh atau remote sensing. Beberapa aplikasi remote sensing menuntut citra yang berkualitas baik, namun dalam ukuran yang lebih kecil mengingat ukurannya yang sangat besar. Kebutuhan inilah yang mendorong berkembangnya teknologi pemampatan citra atau image compression. Skripsi ini membahas tentang teknik kompresi citra gabungan antara prediksi linier antarband (kompresi spektral) dengan transformasi wavelet dan Discrete Cosine Transform (DCT) sebagai kompresi spasial. Jenis transformasi wavelet yang digunakan adalah LS 9/7, CDF 9/7, dan multiwavelet Daubechies 10 (Db10) + LS 9/7. Dari hasil ekperimen data MODIS berukuran 2048 x 2048, dapat disimpulkan rasio kompresi berbanding terbalik dengan nilai PSNR yang dihasilkan, sementara tingkat level dekomposisi sebanding dengan nilai PSNR dengan level ideal 5. Meskipun memiliki PSNR yang tinggi, metode DCT tidak menghasilkan kualitas citra hasil kompresi yang memadai, terbukti dengan rendahnya nilai co-histogram simetri (SCH). Metode kompresi yang paling baik adalah multiwavelet (Db10+LS9/7) karena menghasilkan PSNR yang stabil di atas 50 dB hingga rasio kompresi 100 dengan nilai SCH rata-rata 0.99.

---

An image/picture could contain thousands of information. Remote sensing is a technology which uses an image in the form of satellite imagery as the main source of information. Remote sensing applications require good quality of image, represented by smaller size, since satellite sensors have wide measurement coverage of Earth surface. In this regards, image compression is needed.

This thesis report covered image compression techniques using combination of interband prediction (as spectral compression) and discrete cosine transform (DCT) and wavelet transform (as spatial compression). Several wavelet transforms are applied in the experiment, such as LS 9/7, CDF 9/7, and multi-wavelet Daubechies 10 (Db10) + LS 9/7.

The experiment results showed that the higher the compression ratio, the smaller PSNR values. This applies to all four methods of compression which were tested in this study. The higher level of decomposition of wavelet transformation, resulted in better PSNR. While the ideal level of decomposition for wavelet transformation is level 5. Even the DCT method resulted in high PSNR, but the quality of compression image is poor, which is shown in low Symmetrical Co-Histogram (SCH) value. The best result was obtained by combined method (Db10+LS9/7) which resulted in high PSNR (up to 50 dB), high compression ratio (up to 100), and average SCH values of 0.99."

"Suatu pengiriman informasi penting dari satu pihak ke pihak lainnya membutuhkan suatu pengamanan untuk mencegah jatuhnya informasi tersebut ke pihak yang tidak berwenang. Salah satu teknik pengamanan informasi yang digunakan adalah steganografi. Salah satu metode yang dapat digunakan pada steganografi yaitu metode Discrete Cosine Transform (DCT). Dalam skripsi ini akan dijelaskan penggunaan algoritma metode DCT dalam menyembunyikan pesan rahasia berupa teks digital pada citra digital. Pesan rahasia akan di embedding ke dalam suatu keofisien dari Discrete Cosine pada cover image sehingga pesan rahasia tidak terlihat secara kasat mata.Hasil uji coba algoritma metode DCT dianalisis berdasarkan rata-rata waktu proses embedding dan extracting serta berdasarkan nilai Peak Signal to Noise Ratio (PSNR). Rata-rata waktu yang diperoleh dari proses embedding dan extracting berbanding lurus terhadap ukuran citra digital yang digunakan dan nilai PSNR yang diperoleh lebih besar dari 40dB yaitu dari 45dB hingga 50dB sehingga cover image dan stego image tidak berbeda secara kasat mata.

---

A transmission of important information from one to other requiring a security to prevent the collapse of such information to unauthorized. One information security techniques that can be used is steganography. One of the methods that can be used in steganography is Discrete Cosine Transform (DCT) method. In this essay will explain how to use DCT algorithms for embedding the secret message digital text into digital image. Secret message will be embedded to Discrete Cosine coefficient in cover image so that the secret message not visible to the human visual system.The trial result from DCT algorithms analyzed based on the time during the embedding and extracting process and value of Peak Signal to Noise Ratio (PSNR). The average time from the process of embedding and extracting proportional to the size of the digital image is used and the value obtained PSNR greater than 40dB that is from 45dB to 50dB so that the cover image and stego image difficult to differ from human visual system."

"Ada banyak attributattribut yang dapat diekstrak dari data seismik dan pemilihan attribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa attribut tidak memberikan kontribusi dalam pengelompokan litologi. Untuk mengurangi hal itu, penulis menggunakan Principal Component Analysis (PCA) pada data seismik dan generalized principal component analysis (GPCA) pada attribut seismik. Analisis GPCA terdiri dari dua langkah: Pertama, meningkatkan variasi data dengan menggunakan principal component analysis sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih attribut yang telah terotasi berdasarkan urutan nilai eigen valuenya yang dihitung sebelumnya. Tujuan analisis PCA adalah untuk menghilangkan komponen bising yang bersifat acak yang terdapat di dalam data seismik sedangkan tujuan analisis GPCA adalah untuk menghasilkan atribut seismik yang mampu memberikan kontribusi untuk clustering.Cluster analisis dari attribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismic yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N attribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan pusat awan data (centroid) dapat dilakukan melalui proses yang iteratif (unsupervised). Algoritma clustering yang dipakai adalah Kmeans clustering. Hasil clustering yang didapat menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a principal component analysis (PCA) of seismic data and a generalized principal components analysis (GPCA) of seismic attributes. This GPCA analyisis consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values. The aim of PCA analysis is to reduce noise effect which random in seismic data while the aim of GPCA analysis is to result seismic attributes which give contribution to clustering.Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into Ndimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised). Clustering algorithm is Kmeans clustering. The results of clustering show consistency with existing lithology map interpreted from well correlation."

"Dari pemeriksaan MRI, diperoleh gambar jaringan otak, yang akan digunakan oleh proton MRS untuk menentukan konsentrasi metabolit otak pada jaringan yang didiagnosa astrocytoma, seperti metabolit NAA, choline, creatine, Lipid, Lactate, Myoinositol, dan Glutamine-glutamate. Dari hasil MRS ini, astrocytoma dapat diklasifikasi berdasarkan derajat keganasannya (grade), yaitu high grade dan low grade. Proses klasifikasi astrocytoma, biasa dilakukan secara manual oleh ahli patologi atau secara statistik. Dalam skripsi ini, akan dibahas proses klasifikasi astrocytoma menjadi tiga kelas derajat keganasan dengan menggunakan metode Principal Component Analysis (PCA) dan Spherical K-Means terhadap data MRS. Algoritma Spherical K-Means merupakan algoritma K- Means dengan cosine similarity. Sedangkan PCA merupakan teknik yang digunakan untuk mencari vektor-vektor basis subruang tiap kelas (grade). Vektor-vektor basis ini akan membangun Principal Component yang akan digunakan dalam pengidentifikasian grade suatu data MRS. Data yang digunakan dalam skripsi ini adalah data yang berasal dari laboratorium radiologi Rumah Sakit Cipto Mangunkusumo (RSCM), Jakarta. Hasil penelitian yang dilakukan pada skripsi ini, diketahui bahwa PCA dapat mengklasifikasi astrocytoma dengan akurasi tertinggi, yaitu 85%. Selain itu, dari penelitian ini dihasilkan perangkat lunak yang dapat digunakan untuk membantu pengambilan keputusan yang terkait dengan klasifikasi astrocytoma menjadi high grade, low grade, dan normal.

---

MRI gives information in form of brain tissue image, which will be used by MRS proton to determine the concentration of brain metabolites on the astrocytoma diagnosed tissue, such as NAA, choline (Cho), creatine (Cr), Lipid (Lip), Lactate (Lac), Myoinositol (MI), and Glutamine-glutamate (Glx). From that result, astrocytoma could be classified to high grade and low grade. This classifying could be processed manually by pathologist, or be processed statistically. On this essay, astrocytoma would be classified into three class of astrocytoma grades with the Principal Component Analysis (PCA) and Spherical K-Means of the MRS data. Spherical K-Means algorithm is a K-Means algorithm with cosine similarity. At the same time, PCA is a technique which used to find the basis vectors of each class (grade) subspace. These basis vectors would build Principal Component which would be used in identifying a grade of a MRS data. The data used in this essay is resourced from radiology laboratory of Rumah Sakit Cipto Mangunkusumo (RSCM), Jakarta. From this research, note that PCA can classify astrocytoma with the highest accuracy, ie 85%. In addition, this research produce software that can be used to assist decision making related to the classification of astrocytoma to high grade, low grade, and normal"

"Layaknya mahluk hidup, ikan dapat terserang penyakit. Penyakit pada ikan menimbulkan berbagai tanda-tanda khusus, tak terkecuali pada mata. Setiap penyakit menimbulkan tanda yang berbeda pada mata, sehingga melalui mata, dapat dideteksi penyakit-penyakit yang menyerang ikan, dan cara mengatasinya. Salah satu cara pendeteksian, ialah dengan menggunakan algoritma DCT (Discrete Cosine 1'ransform). Dengan algoritma ini, setiap pixel pada gambar mata, akan dihitung dengan fungsi tertentu, dan dihasilkan transfonnasi DCT nya. Kemudian dihitung jarak eukdidian, dibandingkan dengan acuan yang telah ada, dan dicari nilai terkecilnya. Nilai euklidian terkecil menandakan kelompok penyakit yang sama. Simulasi yang dilakukan berdasarkan color model RGB, yang akan menunjukkan keakuratan pendeteksian penyakit ikan ini dengan menggunakan algoritma DCT untuk beberapa jenis ikan. Selain itu hasil simu1asi juga akan menunjukkan perbedaan kondisi antara kondisi ikan sehat dan sakit"