Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 122676 dokumen yang sesuai dengan query
cover
Muhamad Sumarlan R.
"Pertukaran data informasi menghendaki adanya suatu sistem yang dapat memastikan informasi yang dikirim dapat diterirna sesuai dengan data yang sebenamya. Tingkat kesalahan yang terjadi dalam suatu transmlsi data dinyatakan dalam harga Probability af Error. Kesarahan dalam transmisi dapat diminimalisir secara signifikan melalui proses encoding menggunakan sejumlah encoder (Concatenated Code} dengan tcknik Vonvard Error Correction (FEC) Convolutional Code. Konfigurasi Concatenated Convolutfonal Code dapat disusun secara seri (Serial Concatenated Convolutional Code) dan paralel (Parallel Concatenated Convolutional Code). Secara teoritis, performa proses decoding dapat ditingkatkan dengan menggunakan A Posteriory Probability (APP) Decoder dan penerapan literasi. Konfigurasi SCCC dan PCCC dapal dibandingkan dengan menggunakan simulasi untuk mengetahui keunggulan masing~masing sistem. Pada proses decoding dalam simulasi digunakan APP Decoder dan dilakukan penetapan iterasi untuk melihat pengaruhnya terhadap Bit Error Rate (BER) sistem. Variasi Signal no Noise Ratio (SNR) diberikan pada kana! A WGN saat transmisi untuk mclihat pengaruhnya terhadap BER. Analisa juga dilakukan terhadap waktu delay sistem dan biaya (cost) yang dibutuhkan berdasarkan jumlah perangkat (tools) yang digunakan. Berdasarkan simulasi diketahui bahwa rangkaian PCCC lebih kompleks daripada SCCC, khususnya untuk perangkat intedeaver dan encoder yang dibutuhkan agar performa sistem optimaL Peningkatan jumlah iterasi dan penambahan harga SNR dapat mengurangi kesalahan yang terjadi. Waktu yang dibutuhkan untuk proses encoding-decoding rangkaian SCCC dua kali lebih lama daripada rangkaian PCCC. Jumlah komponen utama yang dibutuhkan kedua kedua rangkaian sama, namun rangkaian PCCC lebih kompleks yang menyebabkan biaya (cost) yang dibutuhkan lebih besar."
Depok: Fakultas Teknik Universitas Indonesia, 2004
S39301
UI - Skripsi Membership  Universitas Indonesia Library
cover
Mohammad Abdul Jabbar
"Convolutional code merupakan teknik Error control coding untuk mendeteksi dan mengkoreksi error pada informasi akibat pengaruh noise. Skripsi ini merancang bangun rangkaian convolutional encoder dan Viterbi decoder menggunakan DSK TMS320C6713 berbasis Simulink, untuk melihat probabilitas error yang dipengaruhi oleh Binary Symetric Channel (BSC) sebagai pembangkit error. Analisis meliputi perbandingan bit input dan output dengan variasi nilai parameter convolutional code, dan uji coba rangkaian menggunakan DSK TMS320C6713.
Hasil penelitian menunjukkan convolutional encoder dan Viterbi decoder dapat menurunkan probabilitas error tergantung dari parameter yang digunakan. Semakin besar constrain length dan semakin kecil rate yang digunakan, maka probability of error akan semakin kecil.

Convolutional code is a technique in Error control coding to detect and correct error on information caused by noise. This research designed the circuitry of convolutional encoder and Viterbi decoder using DSK TMS320C6713 with Simulink-based, to see the probability of errors affected by Binary Symetric Channel as error generator. The analysis consists of comparison between input and ouput bits with variation of parameter's value of the convolutional code, and the tryout using DSK TMS320C6713.
Results showed that convolutional encoder and Viterbi decoder could reduce the probability of error depend on parameters used. Higher constrain length and smaller rate, resulted a smaller probability of error.
"
Depok: Fakultas Teknik Universitas Indonesia, 2008
S51043
UI - Skripsi Open  Universitas Indonesia Library
cover
Muhammad Suryanegara
"Rangkaian Concatenared Code terdiri dari 2 (dua) jenis yaitu Seria! Concatenated Code (SCC) dan Paralel Concatenated Code (PCC)- Dengan menetapkan mekanisme iterasi pada decoder, kedua jenis rangkaian ini dapat mencapai harga Probability of error minimum untuk SNR yang rendah. Rangkaian PCC melakukan proses encoding dengan cepat tetapi membutuhkan desain interleaver yang khusus. Sebaliknya SCC memiliki waktu proses encoding yang lebih lama tetapi dapat menggunakan random interleaver biasa. Oleh karena itu, untuk mengurangi waktu proses encoding, rangkaian SCC dapat disusun menjadi 3 (tiga) konfigurasi, yaitu konfigurasi Seri, konfigurasi Paralel dan konfigurasi Seri-Paralel.
Skripsi ini akan mensimulasikan ketiga konfigurasi rangkaian SCC pada bahasa komputasi teknis SIMULINK MATLAB versi 6.l. Ketiga kontigurasi tersebut menggunakan encoder Convolurional code dan APP Decoder dengan algoritma SISO-MAP. Analisa diiakukan untuk mendapatkan performa dari tiap kongurasi berdasarkan parameter Probability of error, waktu proses, jumlah itelasi dan jumlah tools yang terkait Iangsung dengan biaya (cost).
Analisa hasil simulasi menunjukkan jika dibandingkan dengan koniigurasi Seri dan koniigurasi Seri-Paralel, maka konfigurasi Paralel memiliki perfomma yang paling optimum."
Depok: Fakultas Teknik Universitas Indonesia, 2002
S39085
UI - Skripsi Membership  Universitas Indonesia Library
cover
"Pada tugas akhir ini, penulis akan membicarakan tentang penggabungan antara metode automatic retransmission request dengan serial dan parallel concatenated convolutional codes, dimana penggabungan ini akan menghasilkan kode-kode dengan unjuk kerja yang lebih tinggi dari kode-kode konvensional. Sebelum memasuki ke bagian inti, penulis juga membicarakan tentang dasarĀ­ dasar penggabungan. Antara lain, bagaimana enkoder, dekoder dan interleaver dipergunakan pada metode penggabungan tersebut. Enkoder, dekoder, dan interleaver memainkan peranan yang penting dalam penggabungan tersebut. Peranan dari komponen-komponen itulah yang membuat kode-kode yang dibicarakan menjadi kode-kode yang memiliki unjuk kerja yang lebih tinggi daripada kode-kode konvensional. Pada akhirnya, penulis mencoba untuk membandingkan unjuk kerja daripada kode-kode yang digabungkan dari sisi cara penggunaan enkoder dan dekoder pada kode-kode tersebut."
Fakultas Teknik Universitas Indonesia, 2004
S39321
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fakultas Teknik Universitas Indonesia, 1999
S39525
UI - Skripsi Membership  Universitas Indonesia Library
cover
Haryo Bimo Cokrokusumo
"Dalam penelitian ini, algoritma in-house berbasis RED-CNN disusun dan dilatih menggunakan citra fantom PMMA silinder berdiameter 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 104, 7,50 x 104, 1,00 x 105, 1,50 x 105, dan 2,00 x 105). Model diuji pada citra fantom PMMA berbentuk ellips dengan ukuran 21 x 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 104, 1,00 x 105, 1,50 x 105, 2,50 x 105, dan 5,00 x 105) untuk mengevaluasi kemampuan denoising dari model dengan menggunakan nilai signal to noise ratio (SNR), peak signal to noise ratio-desibel (PSNR-dB), structural similarity (SSIM) index, dan noise power spectrum (NPS) sebagai parameter. Evaluasi terhadap kemungkinan penurunan kualitas citra juga dilakukan dengan menguji model menggunakan citra fantom homogen dan citra fantom kawat yang diperoleh menggunakan lima nilai mAs berbeda (155 mAs, 200 mAs, 250 mAs, 275 mAs, dan 300 mAs). Hasil menunjukkan bahwa model dapat secara konsisten meningkatkan nilai SNR, PSNR-dB, SSIM dan spektrum noise yang terukur. Hasil yang diperoleh juga menunjukkan adanya kemungkinan citra mengalami over-smoothing apabila model diaplikasikan pada citra dengan tingkat noise lebih rendah, ditandai dengan adanya pergeseran puncak kurva NPS menuju frekuensi spasial rendah dan peningkatan nilai SNR, PSNR-dB, dan SSIM secara terus-menerus. Selain itu, tingkat noise dari data latih yang digunakan dalam proses pelatihan juga mempengaruhi performa akhir dari model. Pada penggunaan data latih dengan tingkat noise lebih rendah, penurunan nilai SNR, PSNR-dB, dan SSIM dan kenaikan kurva NPS yang terukur mengindikasikan tingkat noise lebih tinggi pada citra hasil supresi. Sementara itu, penggunaan data latih dengan tingkat noise lebih tinggi menyebabkan penurunan pada ketajaman citra yang ditandai dengan penurunan nilai frekuensi cut-off dari modulation transfer function (MTF 10%) hingga 45,41% dari citra awal.

In this study, an in-house RED-CNN-based algorithm was composed and trained using cylindrical PMMA phantom images with a diameter of 26 cm on five different noise simulation flux values (5,00 x 104, 7,50 x 104, 1,00 x 105, 1,50 x 105, and 2,00 x 105). The model was tested on 21 x 26 cm elliptical PMMA phantom images on five different simulated noise flux values (5,00 x 104, 1,00 x 105, 1,50 x 105, 2,50 x 105, and 5,00 x 105) to evaluate its denoising capability using signal to noise ratio (SNR), peak signal to noise ratio-decibel (PSNR-dB), structural similarity (SSIM) index, and noise power spectra (NPS) values as parameters. Evaluation on possible decrease of image quality was also performed by testing the model using homogenous phantom and wire phantom images acquired using five different mAs values (155 mAs, 200 mAs, 250 mAs, 275 mAs, and 300 mAs). Results show that the model was able to consistently increase SNR, PSNR-dB, SSIM values and the measured noise spectra. It is also shown that there exists a possibility of image over-smoothing when the model was applied on images with less noise, marked by the shift of the NPS curves towards lower spatial frequencies and the continuous increase of SNR, PSNR-dB, and SSIM. Moreover, the noise level of training data used in model training is shown to affect the final performance of the model. On the use of training data with lower noise level, the decrease of SNR, PSNR-dB, and SSIM, and the increase of NPS curves indicate higher noise level in suppressed images. Meanwhile, the use of training data with higher noise resulted on the decrease of denoised images sharpness, as indicated by an up to 45,41% decrease of modulation transfer function cut-off frequency (MTF 10%) from the original images."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fajri Darwis
"Pada transmisi data, untuk mencegah hilangnya informasi karena kesalahan yang tidak terdeteksi, seperti interferensi dan noise, digunakan sistem error correction codes untuk mengatasi kesulitan tersebut dan juga untuk meningkatkan performansi pada jaringan VSAT. Jenis ? jenis error correction codes yang sering digunakan pada jaringan VSAT antara lain seperti reed-solomon, viterbi dan turbo.
Dengan penggunaan error correction codes diharapkan performansi BER dapat ditingkatkan. Performansi BER yang bagus sangat diharapkan untuk mengurangi waktu tidak berhasilnya komunikasi antara dua stasiun bumi, atau dikenal dengan istilah down time. Down time yang sering terjadi pada jaringan VSAT mengakibatkan terjadinya potongan dari harga sewa sehingga mengurangi pendapatan.
Untuk mengatasi permasalahan tersebut dilakukan pengamatan dan pengukuran yang difokuskan pada teknik pengkodean turbo dan concatenated viterbi/reedsolomon pada jaringan VSAT dengan sistem SCPC dan modulasi yang digunakan 8-PSK dan 16-QAM. Dengan menganalisis performasi BER yang digunakan untuk hubungan antar BTS dan BSC diharapkan down time yang terjadi bisa dikurangi.
Dari data performansi BER, untuk modulasi 8-PSK performansi pengkodean turbo lebih baik 0,4 dB dari pengkodean concatenated viterbi/reed-solomon. Sedangkan untuk modulasi 16-QAM performansi pengkodean turbo lebih baik 0.4 dB dari pengkodeaan concatenated viterbi/ reed-solomon. Dari data tersebut, pengkodean turbo lebih baik untuk diimplementasikan pada jaringan VSAT untuk hubungan antar BTS dan BSC.

To prevent loss of information at data transmission caused by error that is not detected like interference and noise, error correction codes system is applied to overcome this problem as well as to increase the performance for VSAT network. The types of errors correction codes which is often applied for VSAT network is reed-solomon, viterbi and turbo.
With the usage of error correction codes, it is expected that the BER performance can be improved. The improved BER performance is expected to decrease the down time. Down time which often happened at VSAT network decrease of revenue from the rental price of VSAT network.
To overcome this problem, observation is focused by applying turbo and concatenated viterbi/reed-solomon encoding technique for VSAT network with SCPC system and with modulation 8-PSK and 16-QAM. The BER performance will be analyzed and an decreasement of down time is expected.
Analyze of BER performance data shows for modulation 8-PSK, performance of turbo encoding is better 0.4 dB than concatenated viterbi/reed-solomon encoding. For modulation 16-QAM, the performance of turbo encoding is better 0.4 dB than concatenated viterbi/reed-solomon encoding. From analyze result, turbo encoding is better to be implemented for connectivity between BTS and BSC VSAT network.
"
Depok: Fakultas Teknik Universitas Indonesia, 2008
S40575
UI - Skripsi Open  Universitas Indonesia Library
cover
Fajri Darwis
"Pada transmisi data, untuk mencegah hilangnya informasi karena kesalahan yang tidak terdeteksi, seperti interferensi dan noise, digunakan sistem error correction codes untuk mengatasi kesulitan tersebut dan juga untuk meningkatkan performansi pada jaringan VSAT. Jenis ? jenis error correction codes yang sering digunakan pada jaringan VSAT antara lain seperti reed-solomon, viterbi dan turbo.
Dengan penggunaan error correction codes diharapkan performansi BER dapat ditingkatkan. Performansi BER yang bagus sangat diharapkan untuk mengurangi waktu tidak berhasilnya komunikasi antara dua stasiun bumi, atau dikenal dengan istilah down time. Down time yang sering terjadi pada jaringan VSAT mengakibatkan terjadinya potongan dari harga sewa sehingga mengurangi pendapatan.
Untuk mengatasi permasalahan tersebut dilakukan pengamatan dan pengukuran yang difokuskan pada teknik pengkodean turbo dan concatenated viterbi/reedsolomon pada jaringan VSAT dengan sistem SCPC dan modulasi yang digunakan 8-PSK dan 16-QAM. Dengan menganalisis performasi BER yang digunakan untuk hubungan antar BTS dan BSC diharapkan down time yang terjadi bisa dikurangi.
Dari data performansi BER, untuk modulasi 8-PSK performansi pengkodean turbo lebih baik 0,4 dB dari pengkodean concatenated viterbi/reed-solomon. Sedangkan untuk modulasi 16-QAM performansi pengkodean turbo lebih baik 0.4 dB dari pengkodeaan concatenated viterbi/ reed-solomon. Dari data tersebut, pengkodean turbo lebih baik untuk diimplementasikan pada jaringan VSAT untuk hubungan antar BTS dan BSC.

To prevent loss of information at data transmission caused by error that is not detected like interference and noise, error correction codes system is applied to overcome this problem as well as to increase the performance for VSAT network. The types of errors correction codes which is often applied for VSAT network is reed-solomon, viterbi and turbo.
With the usage of error correction codes, it is expected that the BER performance can be improved. The improved BER performance is expected to decrease the down time. Down time which often happened at VSAT network decrease of revenue from the rental price of VSAT network.
To overcome this problem, observation is focused by applying turbo and concatenated viterbi/reed-solomon encoding technique for VSAT network with SCPC system and with modulation 8-PSK and 16-QAM. The BER performance will be analyzed and an decreasement of down time is expected.
Analyze of BER performance data shows for modulation 8-PSK, performance of turbo encoding is better 0.4 dB than concatenated viterbi/reed-solomon encoding. For modulation 16-QAM, the performance of turbo encoding is better 0.4 dB than concatenated viterbi/reed-solomon encoding. From analyze result, turbo encoding is better to be implemented for connectivity between BTS and BSC VSAT network.
"
Depok: Fakultas Teknik Universitas Indonesia, 2008
R.03.08.120 Dar a
UI - Skripsi Open  Universitas Indonesia Library
cover
Adinda Maharani Dwi Yuan Syah
"ABSTRAK
Daerah perbatasan perairan Indonesia merupakan salah satu wilayah yang rentan akan kegiatan ilegal yang dapat merugikan negara. Oleh karena itu, perlu adanya pengawasan untuk setiap objek yang melewati perbatasan perairan tersebut. Pengawasan dapat dilakukan dengan pendeteksian jenis kapal yang melewati area perbatasan antar negara. Saat ini di Indonesia sudah terdapat pendeteksian khusus untuk mendeteksi adanya kapal perang asing. Selain kapal perang, kapal nelayan juga perlu dilakukan pengawasan untuk mencegah adanya illegal fishing. Pendeteksian kapal perang dan kapal nelayan dapat dilakukan dengan menggunakan mesin. Mesin dapat diprogram untuk menjalani perintah secara berulang kali, hal tersebut disebut sebagai Machine Learning, yang merupakan salah satu bidang dari Artificial Intelligence. Metode untuk memprogram pembelajaran mesin tersebut disebut dengan Deep Learning. Deep learning bekerja dengan membentuk hubungan antara neuron seperti layaknya cara kerja otak manusia atau biasa disebut dengan neural network.Salah satu jenis dari neural network yang terkenal adalah Convolutional Neural Network(CNN). CNN digunakan untuk simulasi pendeteksian kapal nelayan dan kapal militer dengan hasil keluaran berupa nilai akurasi training, akurasi validasi, dan juga prediksi. CNN juga ditambahkan additional layer, yaitu dropout dan batch normalization untuk meningkatkan ketepatan prediksi. Hasil yang didapatkan adalah pengaruh dari parameter layer dan dataset yang digunakan terhadap nilai akurasi pada pelatihan program. Dari simulasi didapatkan nilai akurasi yang paling baik dengan penggunaan pooling layer jenis max pooling dengan penggunaan layer tambahan berupa batch normalization dan dropout.

ABSTRACT
Indonesia's waters border is one of the areas that are vulnerable to illegal activities that can disserve the country. Detecting types of ships that cross border areas between countries is needed. Controlling can use machine thats automatically detect the object can do detection of warships and fishing boats. The concept is called machine learning. Machine learning is one of the types of Artificial Intelligence. The method for programming the machine learning is called Deep Learning. Deep learning works by forming relationships between neurons like the way the human brain works or commonly called a neural network. Convolutional Neural Network (CNN) is the famous method for deep learning. CNN is used to simulate the detection of fishing vessels and military vessels with the output in the form of training accuracy, validation accuracy, and the final prediction. CNN can also added an additional layer, namely dropout and batch normalization to improve the accuracy of predictions. The results obtained are the effect of the layer and dataset parameters used on the accuracy value in the training program. The best accuracy is obtained by using max pooling for pooling layer with additional layers of batch normalization and dropout."
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Mgs. M. Luthfi Ramadhan
"Asesmen kerusakan bangunan setelah bencana sangat penting dilakukan untuk membantu operasi tanggap darurat dan penyelamatan. Tetapi asesmen kerusakan bangunan membutuhkan banyak sumber daya untuk melakukannya secara manual. Banyak pendekatan telah diusulkan untuk mengotomatisasi asesmen kerusakan bangunan dengan memanfaatkan teknologi kecerdasan buatan. Beberapa diantaranya menggunakan handcrafted fitur yang dianggap tidak efektif. Penelitian ini mengusulkan sebuah pendekatan yang berdasarkan pada siamese neural network. Fitur ekstraksi, perbedaan fitur, dan klasifikasi dapat dilakukan hanya dengan menggunakan satu model yang terhubung secara end-to-end sehingga klasifikasi dan fitur ekstraksi dapat belajar secara bersama. Penelitian ini juga mengembangkan model siamese neural network dengan menambahkan mekanisme konkatenasi fitur. Konkatenasi ini bertujuan untuk membuat fitur perbedaan berdasarkan tiap-tiap keluaran dari convolution block dan menggabungkanya menjadi sebuah vektor yang berdimensi tinggi. Model ini diuji dalam tiga skenario eksperimen dan telah dibuktikan bahwa penerapan mekanisme konkatenasi fitur tersebut mampu meningkatkan skor f-measure pada model dengan dua dari tiga skenario eksperimen tersebut menunjukan perbedaan performa yang signifikan.

Post-earthquake building damage assessment is a very crucial job to do in order to execute emergency and rescue operations. With that being said, building damage assessment takes a lot of resources if it is done manually. Many approaches have been proposed to automate the process by using artificial intelligence, some of which use handcrafted features that are considered ineffective. This research proposes an approach based on siamese neural network. Feature extraction, feature differentiation, and classification can be performed using only one end-to-end connected model so that classification and feature extraction can learn simultaneously. Furthermore, this research also develope a siamese neural network model by implementing feature concatenation mechanism. This concatenation aims to create difference features based on each output from the convolution block and concatenate them into a high-dimensional vector. This model was tested in three experimental scenarios and it has been proven that the application of the feature concatenated mechanism is able to increase the f-measure score in the model with two out of three experimental scenarios showing a significant difference in perform"
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>