Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book describes hybrid intelligent systems using type-2 fuzzy logic and modular neural networks for pattern recognition applications. Hybrid intelligent systems combine several intelligent computing paradigms, including fuzzy logic, neural networks, and bio-inspired optimization algorithms, which can be used to produce powerful pattern recognition systems. Type-2 fuzzy logic is an extension of traditional type-1 fuzzy logic that enables managing higher levels of uncertainty in complex real world problems, which are of particular importance in the area of pattern recognition. The book is organized in three main parts, each containing a group of chapters built around a similar subject. The first part consists of chapters with the main theme of theory and design algorithms, which are basically chapters that propose new models and concepts, which are the basis for achieving intelligent pattern recognition. The second part contains chapters with the main theme of using type-2 fuzzy models and modular neural networks with the aim of designing intelligent systems for complex pattern recognition problems, including iris, ear, face and voice recognition. The third part contains chapters with the theme of evolutionary optimization of type-2 fuzzy systems and modular neural networks in the area of intelligent pattern recognition, which includes the application of genetic algorithms for obtaining optimal type-2 fuzzy integration systems and ideal neural network architectures for solving problems in this area."

"Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses identifikasi retina mata menggunakan metode neural network berbasis perangkat pemrograman komputasi numerik, yakni suatu sistem sederhana yang dapat menangani serangkaian proses pengolahan dan pelatihan menggunakan sumber informasi awal dari citra biometrik khususnya retina mata untuk bisa dijadikan sebagai identitas pribadi yang unik. Pada pengolahan citra retina mata manusia ini meliputi dua tahap yaitu tahap pra-pengolahan dan tahap identifikasi menggunakan neural network. Pada tahap pra pengolahan, proses yang pertama kali dilakukan adalah pengubahan ukuran citra, hal ini dilakukan untuk mempermudah proses pengolahan berikutnya dalam mencari pola unik pada citra tersebut. Proses kedua adalah memusatkan perhatian pada daerah citra yang dianggap unik dengan mencuplik citra pada suatu area yang dianggap unik tersebut yaitu bagian syaraf optik. Kemudian dilakukan beberapa pengolahan lanjutan untuk memperoleh citra syaraf optik yang lebih spesifik yang digunakan sebagai masukan data pelatihan pada neural network. Pada tahap ini diharapkan sistem dapat bekerja dengan baik dalam mengidentifikasi retina mata manusia.

---

Method base on the peripheral numeric computation program, a simple system that able to handle connecting structure of processing and training use the information source of image biometric especially retina to be able as unique personal identity. At processing of human retina image cover two phases that is pre-process and identify by neural network.

At pre-processing phase, the first process is image resize this matter is conducted to alleviate the next process in searching unique pattern of the image. The second process is give all mind at image area that assumed unique by crop image at one particular area that is optic nerve. Then conduct some processing to obtain more specific optic nerve image which is used as input of neural network training data. At this phase this system is expected work well in identifying retina of human eye."

"This book constitutes the refereed proceedings of the 5th INNS IAPR TC3 GIRPR International Workshop on Artificial Neural Networks in Pattern Recognition, ANNPR 2012, held in Trento, Italy, in September 2012. The 21 revised full papers presented were carefully reviewed and selected for inclusion in this volume. They cover a large range of topics in the field of neural network- and machine learning-based pattern recognition presenting and discussing the latest research, results, and ideas in these areas."

"Secara teoritis, biometrik dapat digunakan untuk mengidentifikasi dan memverifikasi suatu individu. Iris mata merupakan salah satu instrumen biometric yang handal, karena keunikan dari dan kompleksitasnya.Di dalam penelitian ini dirancang bangun program identifikasi iris mata menggunakan metode Jaringan Syaraf Tiruan (JST). Citra mata dijital yang akan diidentifikasi pertama-tama dilakukan pra-pengolahan terlebih dahulu. Proses ini memisahkan bagian iris dari citra mata menggunakan metode morphologi, yaitu close, erosi dan dilasi. Selanjutnya, citra disegmentasi untuk memisahkan citra iris berbentuk lingkaran dalam koordinat x-y menjadi format polar r-θ berbentuk persegi panjang. Citra polar kemudian diekstrasi untuk mendapatkan nilai karakteristik rata-ratanya dalam bentuk matriks 40 x 1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 10 layer tersembunyi, 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin.Setelah dilakukan pelatihan untuk 80 citra iris, baik mata kiri maupun kanan, proses identifikasi mencapai tingkat akurasi rata-rata sebesar 87% untuk 5 buah input citra dengan 20 kali uji coba.

---

Theorically, biometric can be used to identify dan verify an individu. Iris is one of biometric identifier that highly acceptable because of its uniqueness and complexity.

The objective of this research is to identifiy an iris using Artificial Neural Network (ANN) method. First, the digital infrared image of eye will be preprocessed which separate the iris from the eye using morphology technique, such as closing, erosion, and dilation. The iris is then transformed from x-y dimension into r-θ polar image, which convert the circle shape into rectangle one. The image was then extracted in order to get the average value of its intensities and saved in 40 x 1 matrix size. These values will be trained in the ANN and inserted into a database to be used as a comparator in identification process. The ANN consisted of 10 hidden layer, 1 output layer, and activation functions of tansig and purelin, respectively.

Using 80 images as training data, the identification accuracy reached 87 % for 5 images and 20 times of test for left side and right side eyes."

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.

---

By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."

"ABSTRAKEmosi merupakan suatu keadaan psikologis yang dipicu oleh aktivitas sensorik manusia baik secara sadar maupun tidak sadar. Emosi berperan penting dalam kehidupan manusia seperti dalam pengambilan keputusan, dalam mengekspresikan diri, dan lain sebagainya. Emosi dapat dihasilkan menggunakan rangsangan/stimulus tertentu seperti emosi takut dihasilkan menggunakan hal-hal yang menyeramkan seperti gambar pembunuhan, emosi bahagia dapat dipicu menggunakan stimulus gambar-gambar yang menyenangkan seperti gambar pemandangan, emosi sedih dapat dipicu menggunakan musik-musik sendu, menangis, dan hal-hal menyedihkan lainnya, dan emosi jijik dapat dipicu mengunakan stimulus yang menjijikkan seperti kotoran manusia. Beberapa stimulus yang biasa digunakan dalam penelitian adalah gambar, text, audio, atau video. Pada proses penghasilan emosi, terdapat aktivitas elektrik dalam otak manusia yang dapat direkam menggunakan perangkat bernama Elektroensefalografi EEG , rekaman gelombang otak ini juga dapat dilakukan menggunakan perangkat yang bernama neuroheadset. Penelitian ini membahas tentang pengembangan sistem akuisisi data sinyal otak menggunakan neuroheadset dan menghasilkan database yang digunakan untuk analisis emosi. Dalam penelitian ini digunakan stimulus berupa video yang terdiri dari kumpulan gambar. Setiap gambar dalam video telah melalui proses validasi sesuai dengan kelas emosi yang diinginkan. Kelas emosi yang digunakan dalam penelitian ini yaitu bahagia, jijik, sedih, dan takut. Setiap kelas emosi memiliki empat stimulus video. Proses validasi dilakukan oleh lima orang partisipan dan proses pengambilan data sinyal otak dilakukan terhadap empat orang partisipan. Pengambilan data dilakukan menggunakan perangkat neuroheadset dengan vendor Emotiv tipe Epoc. Hasil rekaman sinyal diproses menggunakan Matlab dan menghasilkan database berukuran 16x14x7680, dimana angka 16 merepresentasikan jumlah stimulus video, 14 merepresentasikan sensor Emotiv Epoc yang digunakan, dan 7680 merupakan data sinyal yang diambil selama 60 detik dengan frekuensi sampling 128 Hertz. Tingkat keberhasilan tertinggi untuk emosi bahagia, jijik, sedih, dan takut secara berurut adalah 75 , 62.5 , 62.5 , dan 75 . Tingkat keberhasilan tertinggi ini dicapai untuk variasi channel frekuensi alpha, sensor yang digunakan yaitu F7, F3, F4, dan F8. Teknik klasifikasi yang digunakan adalah feed-forward backpropagation neural network.

---

ABSTRACTEmotion is a psychological state that triggered by human sensory activity both consciously and unconsciously. Emotions play an important role in human life such as decision making, self expression, and others. Emotions can be generated using certain stimuli such as feared emotions generated using scary things like murder images, happy emotions can be triggered by stimuli of fun images such as sight images, sad emotions can be triggered using melodic music, crying, and other sad things, and disgusted emotions can be triggered using disgusting stimuli like human feces. Some of the stimuli commonly used in research are using images, text, audio, or video. In the process of earning emotions, there is electrical activity in the human brain that can be recorded and processed to obtain brain signals using a device called Electroencephalography EEG , these brainwave records can also be recorded using a device called neuroheadset. This study discusses the development of data acquisition system of brain signals using neuroheadset and generate database used for emotion analysis. In this study used a video stimulus consisting of a collection of images. Each image in the video has gone through the validation process according to the desired emotion class. Four kind of emotion used in research that are happy, disgusted, sad, and scared. Each emotional class has four video stimuli. Five participants carried out the validation process and the process of retrieving the brain signals data performed on four participants. Data retrieval performed using a neuroheadset device with Emotiv vendor with Epoc type. The recording of the signal is processed using Matlab and generates a 16x14x7680 database, where the number 16 represents the number of video stimuli, 14 represents the Epoc Emotion sensor used, and 7680 is the signal data taken for 60 seconds with 128 Hertz sampling frequency. The highest recognition rate for happy, disgusted, sad, and fearful emotions are 75 , 62.5 , 62.5 , and 75 . The highest success rate achieved for alpha frequency channel variation the sensors used are F7, F3, F4, and F8. The classification technique used is feed forward backpropagation neural network."