Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Sumber utama penggerak Kereta Rel Listrik yaitu motor listrik DC yang disuplai oleh tegangan DC sebesar 1500 V dari hasil konversi penyearah. Penyearah terdiri daripada komponen elekronika daya yang menyebabkan timbulnya harmonisa. Hasil pengukuran distorsi harmonisa maksimum yang terjadi pada Kubikel 20 kV/ 1,2 kV menunjukkan bahwa tingkat harmonisa tegangan (THD-V) terbesar masih di bawah batas standar IEEE (<5%) yaitu 1,91 %, terjadi pada hari sabtu (19/11/2016), Pukul 04:30:00 WIB di fasa R sedangkan tingkat harmonisa arus (THD-I) terbesar sudah berada diatas standar IEEE (<20%) yaitu 206,1 % terjadi pada hari Sabtu (19/11/2016) pukul 01:31:00 WIB di fasa S. Perancangan filter harmonik dilakukan berdasarkan simualasi dan analisis setiap fasa yang dilakukan setiap hari. Hasil simulasi ETAP 12.6.0 menunjukan bahwa spesifikasi rancangan filter hari Jumat Fasa S dan T memiliki performa terbaik dan dapat mereduksi harmonisa arus hingga rata-rata 3,95 %.

---

The main source of Electric Train is a DC electric motor is supplied by a DC voltage of 1500 V from the conversion by rectifier. Electronics components rectifier comprised of power that causes harmonics. The results of measurements of the maximum harmonic distortion that occurs in a cubicle 20 kV / 1.2 kV showed that the level of voltage harmonics (THD-V), the largest still under the IEEE standard limit (<5%), ie 1.91%, occurred on Saturday (19 / 11/2016), at 4:30:00 pm on phase R while the level of current harmonics (THD-I) the already above the standard IEEE (<20%), ie 206.1% occurred on Saturday (19/11 / 2016) at 01:31:00 AM in phase S. Harmonic filter design is based simualasi and analysis of each phase, every day. 12.6.0 ETAP simulation results show that the design specifications of the filters on Friday in phase S and T has the best performance and can reduce the current harmonics up to an average 3.95%."

"Penelitian ini bertujuan untuk melihat variabel keputusan memasukkan saham dalam portofolio dipengaruhi oleh variabel rasio keuangan yang mencakup Asset, DER (Debt Equity Ratio), PER (Price Earning Ratio), PBV (Price to Book Value), Likuiditas, Jumlah Pemegang Saham, Return, ROE (Return on Equity), Kualitas Manajemen (Return on Invested Capital), Volatilitas, Size dan Dividend Yield.Metode yang digunakan dalam penelitian ini menggunakan Regresi Logistik. Dalam penelitian ini beberapa variabel yang diuji dengan variabel dikotomi masuknya saham dalam portofolio.Penelitian ini menunjukkan bahwa dengan menggunakan metode analisa regresi logistik, ke-12 variabel diteliti tingkat korelasi masing-masing dengan variabel pemilihan saham. Dari ke-12 variabel yang paling berpengaruh signifikan pada tahun 2000 adalah DER, Aset, PBV, ROE, dan Jumlah Pemegang Saham. Selanjutnya pada tahun 2001 variabel-variabel yang berpengaruh signifikan adalah Likuiditas, Aset, PBV, PER, Dividend Yield, dan Kualitas Manajemen. Sedangkan pada tahun 2002 adalah Size, Aset, PBV, PER, Jumlah pemegang Saham, Volatilitas dan Kualitas Manajemen.Secara keseluruhan hasil penelitian yang diperoleh dari ke-12 variabel pada periode 2000 - 2002 yang berpengaruh signifikan adalah Aset, PBV, PER, Jumlah Pemegang Saham dan Kualitas Manajemen.

---

The research is aimed to notice the decision of involving the stock in portfolio influenced by the variable of financial ratio that cover Asset, DER (Debt Equity Ratio), PER (Price Earning Ratio), PBV (Price Book Value), Liquidity, Number of Stockholder, Return, ROE (Return On Equity), Management Quality (Return On Invested Capital), Volatility, Size and Dividend Yield.

Method which used in this research is Regress Logistics. In this research some examine variable with dichotomy variable entry of share in portfolio.

This research indicates that by using method analyst logistics regression, accurate by 12 variable of each correlation with variable election of share. Of most having an effect on 12 variable of significantly in the year 2000 is DER, Asset, PBV, ROE, and Amount Stockholder. Hereinafter in the year 2001 variables having an effect on significantly is Liquidities, Asset, PBV, PER, Dividend Yield, and Quality Management, While in the year 2002 is Size, Asset, PBV, PER, Amount of stockholder, Volatilities and Quality Management.

The result got through Logistics regression that variable of Asst, PBV, PER, Number of Stockholder and Management Quality significantly influenced the dichotomy of selecting equity."

"Skripsi ini mengatasi tantangan pelatihan agen Deep Reinforcement Learning (DRL) untuk mengemudi otonom dengan mengembangkan filter keselamatan prediktif berbasis model untuk mencapai pelatihan yang aman. Efektivitas pendekatan ini dievaluasi melalui analisis komparatif dari masalah mengemudi otonom yang diselesaikan menggunakan tiga skenario implementasi yang berbeda: pengendali berbasis pembelajaran konvensional, pengendali berbasis pembelajaran dengan filter keselamatan prediktif, dan pengendali prediktif berbasis model. Tujuan utama dari masalah mengemudi optimal dalam penelitian ini adalah meminimalkan waktu putaran pada lintasan tertutup, di mana agen tidak dibatasi oleh lintasan yang telah ditentukan tetapi dibatasi oleh batas lintasan. Oleh karena itu, filter keselamatan prediktif bertujuan untuk mempertahankan posisi agen dalam batas lintasan selama pelatihan, dengan intervensi minimal. Penelitian ini menyediakan desain dan implementasi dari pengendali prediktif berbasis model, pengendali berbasis pembelajaran konvensional, dan pengendali berbasis pembelajaran dengan filter keselamatan prediktif untuk masalah mengemudi optimal. Ditemukan bahwa filter keselamatan secara efektif mengurangi potensi kerusakan perangkat keras akibat tabrakan selama pelatihan dan meningkatkan efisiensi sampel. Dari segi kinerja, pengendali dengan filter keselamatan mencapai waktu putaran yang lebih cepat dibandingkan pengendali prediktif berbasis model, tetapi sedikit lebih lambat dibandingkan pengendali berbasis pembelajaran konvensional, terutama karena pendekatannya yang konservatif terhadap tikungan akibat penggunaan filter keselamatan prediktif berbasis model.

---

This thesis addresses the challenge of training Deep Reinforcement Learning (DRL) agents for autonomous driving with an emphasis on optimal performance and safety. The primary objective is to develop a model-based predictive safety filter to achieve safe training. The effectiveness of this approach is evaluated through a comparative analysis of an autonomous driving problem solved using three distinct implementation scenarios: a conventional learning-based controller, a learning-based controller with a predictive safety filter, and a model predictive controller. The core goal of the optimal driving problem in this research is to minimize lap times on a closed-loop track, where the agent is not restricted to predefined trajectories but is constrained by track boundaries. Consequently, the predictive safety filter aims to maintain the agent’s position within track boundaries throughout training, with minimal intervention This research provides implementation of a model predictive controller, a conventional learning-based controller, and a learning-based controller with a predictive safety filter for optimal driving problems. The findings reveal that the safety filter effectively reduces potential hardware damage from crashes during training and increases sample efficiency. Performance-wise, the safety filter-equipped controller achieves faster lap times than the traditional model predictive controller but is marginally slower than the conventional learning-based controller, primarily due to its conservative approach to turns because of using the model-based predictive safety filter."

"ABSTRAKPada tesis ini diajukan sebuah metode baru untuk pendeteksian anomali pada citra hiperspektral, bernama algoritma morphological profile dan attribute filter. Metode ini terdiri dari tiga langkah. Pertama, menyeleksi sebuah pita spektral yang mengandung banyak informasi untuk pendeteksian anomali menggunakan sebuah algoritma baru berbasis entropi dan histogram count. Kedua, menghapus background pada pita spektral yang telah diseleksi menggunakan morphological profile. Kemudian memfilter false anomali menggunakan attribute filter. Sebuah algoritma baru juga diajukan pada tesis ini untuk menentukan luas maksimum area anomali. Eksperimen yang telah dilakukan dengan dataset citra hiperspektral riil menunjukkan bahwa metode yang diajukan memiliki rata-rata AUC sebesar 0.9916, lebih bagus dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata AUC secara berturut-turut sebesar 0.9657, 0.9757, dan 0.9872. Metode yang diajukan pada tesis ini memiliki rata-rata waktu komputasi sebesar 0.25 detik, lebih cepat dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata waktu komputasi secara berturut-turut sebesar 31.37, 0.55, dan 3667.2 detik.

---

ABSTRACTIn this thesis, a novel hyperspectral anomaly detection method, called morphological profile and attribute filter algorithm, is proposed. This method consists of three steps. First, select a band containing rich information for anomaly detection using a novel band selection algorithm based on entropy and histogram counts. Second, remove the background of the selected band with morphological profile. Then, filter the false anomaly with attribute filter. A novel algorithm is also proposed in this thesis to define the maximum area of anomalous objects. Experiments conducted on real hyperspectral datasets show that the average AUC of the proposed method is 0.9916, better than the average AUC of FrFE-RX, AED, and SDBP-D methods which are 0.9657, 0.9757, and 0.9872, respectively. Moreover, the average computing time of the proposed method is 0.25 seconds, faster than the average computing times of FrFE-RX, AED, and SDBP-D which are 31.37, 0.55, dan 3667.2 seconds, respectively."

"ABSTRAKEmosi merupakan hasil dari aktivitas sensorik manusia baik sadar maupun tidak sadar yang dipicu oleh suatu objek atau situasi yang dialami manusia. Dalam dunia medis, emosi sangat berperan dalam kesembuhan pasien, tenaga medis sering kali mempertimbangkan emosi pasien untuk pengambilan keputusan langkah medis yang harus ditempuh. Saat ini, sistem pendeteksi emosi yang banyak digunakan adalah menggunakan raut wajah, namun sistem ini masih kurang bisa membantu tenaga medis dikarenakan ada pasien yang tidak mau atau tidak bisa memperlihatkan emosi mereka baik secara verbal maupun non-verbal. Oleh karena itu dibutuhkan sistem pendeteksi emosi yang tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Penelitian ini membahas tentang perancangan sistem pendeteksi emosi menggunakan sinyal elektroensefalografi (EEG) dengan menggunakan metode ekstraksi fitur Bispectrum Wavelet. Kemudian untuk detailed coefficient akan diekstrak fiturnya menggunakan Relative Wavelet Bispectrum (RWB) dan untuk approximate coefficient akan di filter menggunakan Non-Overlap 3-D Pyramid untuk kemudian dicari mean%. Sistem pendeteksi emosi dengan menggunakan sinyal EEG dipilih karena untuk mendapatkan sinyal EEG tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Dataset EEG yang digunakan didapatkan dari Database for Emotion Analysis using Physiological Signals (DEAP). Hasil mean yang didapatkan dari implementasi sistem yang diajukan pada skripsi ini adalah 76.6250% untuk valence dan 75.8594% untuk arousal. Hasil ini lebih tinggi 3.1050% untuk valence dan 2.4794% untuk arousal dibandingkan dengan hasil yang didapatkan pada paper

---

ABSTRACTEmotion is a result of humans conscious or unconscious sensorics activities that is triggered by object or situation that the human experienced. In medical world, emotion can be the key for patient healing process, doctor or medical personnel often use patients emotion to make next healing process movement. Nowadays, facial recognition is the most common emotion detection system; however, this emotion detection system is unreliable because it needs patient to show their emotion in verbal or non-verbal ways. Therefore, other emotion detection system that does not depend on humans verbal or non-verbal expression is needed. In this research, emotion detection system using electroencephalography (EEG) signal with Bispectrum Wavelet for its features extraction is discussed. Relative Wavelet Bispectrum will be used to extract features from detailed coefficient, and the approximate coefficient will be filtered and then it mean% will be calculated. EEG signal-based emotion detection system was chosen because EEG signal does not depend on humans verbal or non-verbal expression. Database for Emotion Analysis using Physiological Signals (DEAP) is used in this research. The mean result of the proposed system was 76.6250% for valence and 75.8594% for arousal. This results was higher by 3.1050% for valence and 2.4794% for arousal from the previous system"

"Teknologi telemedik mempunyai dua proses penting, yaitu proses transmisi citra yang mencakup proses kompresi dan juga proses identifikasi sel penyakit. Untuk proses kompresi, berbagai jenis transformasi diterapkan untuk memperoleh hasil yang memuaskan baik dari tingkat kompresi maupun kecepatan transformasi. Transformasi wavelet dipilih karena ketika melakukan proses kompresi, "keaslian" citra tetap dijaga dengan mehaikkan PSNR (peak-to-signal ratio)-nya. Karena banyaknya jenis-jenis transformasi wavelet, pada skripsi ini akan dilakukan simulasi-simulasi untuk menentukan wavelet mana yang terbaik serta cocok untuk diterapkan pada citra mammografi. Pada proses identifikasi, digunakan Jaringan Saraf Tiruan topologi Teori Resonansi Adaptif-2, karena teori ini memiliki keunggulan yaitu dalam hal kecepatan pola dan pemanggilan kembali pola yang sudah dikenal."