Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini berisi tentang sistem pendeteksian gelombang gempa penyebab tsunami dengan menggunakan metoda Hidden Markov Models (HMM) dengan membandingkan keseluruhan sistem terhadap perubahan ukuran codebook, besarnya iterasi dan durasi sinyal. Pada sistem pendeteksian ini, gelombang gempa yang diterima disampling terlebih dahulu kedalam bentuk diskrit. Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan algoritma General Lloyd Algorithm (GLA) yang selanjutnya akan ditraining dengan metoda HMM dan diidentifikasi. Pada tahap identifikasi gelombang gempa (recognition), ketiga jenis parameter ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh. Peningkatan ukuran codebook, besar iterasi dan durasi sinyal memberikan peningkatan pada persentasi keberhasilan ini. Dari hasil uji coba, tingkat akurasi rata - rata yang diperoleh pada sistem ini adalah untuk durasi pencuplikan 0,1 codebook 32 = 69,1 %, cobebook 64 = ,76,6 % dan codebook 128 = 85 %. Sedangkan untuk durasi pencuplikan 0,5 detik codebook 32 = 72,5 %, cobebook 64 = 73,3 % dan codebook 128 = 81,6 %. Serta untuk durasi pencuplikan 1 detik ukuran codebook 32 = 75 %, codebook 64 = 81,6 % dan codebook 128 = 87,5 %.

---

This skripsi contains a system of earthquake causes tsunami waves by using the method of Hidden Markov Models (HMM) compare with the whole system to change the size of codebook, the size of the Iterations and the duration of the signal. On this system, the earthquake waves which received then take sampling into diskrit form. Diskrit signal is extracted so that the characteristics obtained by using the MFCC (Mel Frequency Cepstrum Coefficient). Vector data and that the algorithm quantized by General Lloyd algorithm (GLA), which will then be trained with the methods and identified HMM.

At the identification stage, the wave changes phase (recognition), this third type of parameters are based on the performance of the level of accuracy obtained. Increasing the codebook size, duration and iteration of the signal gives an increase in the percentage success.

From the results of the testing, the level of accuracy the average obtained in this system is for the duration 0.1 seconds and codebook 32 = 69.1%, cobebook 64 = 76.6% and the codebook 128 = 85%. While for the duration 0.5 seconds and codebook 32 = 72.5%, cobebook 64 = 73.3% and the codebook 128 = 81.6%. And for 1 second duration size codebook 32 = 75%, codebook 64 = 81.6% and the codebook 128 = 87.5%."

"Skripsi ini betujuan untuk merancang sebuah software pendeteksi korona yang terjadi pada peralatan listrik yang mengunakan tegangan tinggi. Metode identifikasi menggunakan Hidden Markov Model (HMM) yang memiliki kelebihan dalam memodelkan persamaan matematika. Software ini meliputi 2 proses utama, yaitu training sebagai proses pengisian database dan identifikasi. Input berupa data audio (*.wav) yang kemudian diolah melalui beberapa tahapan diantaranya labelisasi, pembentukan codebook dan pembentukan parameter HMM. Hal yang harus diperhatikan dalam pengolahan ini adalah waktu pencuplikan, jumlah iterasi dan ukuran codebook yang digunakan, dimana ketiga variabel ini akan dianalis sehingga dapat diketahui nilai masing - masing parameter yang menghasilkan identifikasi dengan akurasi paling tinggi. Akurasi tertinggi yang dapat dicapai software ini hanya sebesar 50% dikarenakan data latih korona yang terbatas.

---

This final project was made to design a corona detection that occured in the electric equipment using very hight voltage, such as electric guardhouse. Identification methode that used was Hidden Markov Model (HMM). It had an advantage in modeling mathematic equations. This software contains 2 main proces, training as filling in the database and identification. The input is audio data which format is (*.wav) then processed pass through many steps, such as : labelisation, forming the codebook and HMM parameters. Factor that influenced to the accuration as the result of the software is duration time, amount of iteration and codebook size. With testing the software, we will know which setting will result the highest accuration. The maximal accuration of the identification is only 50% because of limited training data."

"Skripsi ini bertujuan untuk mengenali karakter (berupa huruf dan angka) dari plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan Hidden Markov Model (HMM) sebagai metode pengenalan. Terdapat 3 fase utama yang menentukan keberhasilan dari pengenalan, yaitu : pendeteksian lokasi plat nomor mobil dari citra masukan, segmentasi karakter dari plat nomor, dan pengenalan karakter plat nomor. Dua fase utama adalah fase pra-proses Deteksi lokasi plat nomor dilakukan dengan menggunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Segmentasi karakter plat nomor dilakukan dengan menggunakan vertical dan horizontal projection dari citra. Setelah itu tiap karakter hasil segmentasi dilakukan proses pengenalan dengan Hidden Markov Model.Pembentukan parameter HMM untuk pengenalan dilakukan dengan pembentukan codebook database terlebih dahulu. Citra dari karakter untuk training diubah ke domain frekuensi menjadi bilangan vektor yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook. Dari codebook ini dihitung parameter-parameter HMM untuk tiap karakter. Pada proses pengenalan dihitung besar log of probability HMM yang tertinggi untuk tiap karakter yang menjadi hasil proses pengenalan. Dari percobaan yang dilakukan didapatkan tingkat akurasi sebesar 95 %.

---

This final project's aim is to be able to recognize Indonesian license plate number from digital camera image using Hidden Markov Model as recognition method. The system consists of 3 main phase, which are: License Plate Detection & Extraction, License Plate Character Segmentation & Extraction and Recognition Phase. The first two is the pre-processing phase. The License Plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. The License Plate Character Segmentation is done by using vertical & horizontal projection of the image. Then each character from the segmentation phase is recognized using the Hidden Markov Model.

To acquire Hidden Markov Model's parameters for recognition, we need to make codebook database of the sample character images. The sample character images are transformed from spatial domain to frequency domain to become sample point. The near by sample points are then quantized and become values which will be called centroids/ codewords. These centroids are then saved in a codebook. From the codebook, then the Hidden Markov Model Parameters can be calculated for each character. In the recognition phase, the highest log of probability of Hidden Markov Model of all character is the recognized character. From many simulations that had been tested, the system can achieve 95 % of accuracy."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan secara real-time. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metoda Hidden Markov Model (HMM) yang telah diprogram di dalam perangkat lunak Matlab. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik.

---

This thesis was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement in real-time. The reflected waves was recognized using the Hidden Markov Model which was programmed in Matlab software. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic."

"Sistem pengenalan gerakan manusia merupakan teknologi yang penting karena dapat mempermudah pekerjaan manusia dalam berbagai aspek dan membantu manusia yang memiliki keterbatasan. Adapun gerakan yang bisa dikenali adalah gerakan manusia dimana tangan lurus dan berayun, gerakan manusia dimana tangan ditekuk dan berayun, gerakan pergelangan tangan memutar kekanan dan kekiri, serta gerakan tangan ditarik mendekati tubuh dan gerakan tangan mendorong menjauhi tubuh. Salah satu algoritma dalam bidang Artificial Intelligence yang bisa digunakan adalah Hidden Markov Model (HMM). HMM sendiri merupakan suatu permodelan statistika yang dimana sistem yang dimodelkan diasumsikan merupakan proses Markov yang memiliki state/keadaan yang tersembunyi (hidden). Pada penelitian ini digunakan sensor Inertial Measurement Unit sebagai pendeteksi gerakan manusia. Komunikasi antara sensor dengan komputer dilakukan secara nirkabel menggunakan XBee. Sistem yang dibuat dapat mengenali enam gerakan manusia tadi secara real time. Hasil pengujian menunjukkan bahwa HMM dapat mengenali gerakan manusia dengan tingkat akurasi sebesar 88% dalam waktu 0.004 detik.

---

Human motion recognition is an important technology to be developed, as it can facilitate human work and also help people with disabilities. As for motion, sytem could recognize six motion, which is human arms straight and swinging, human hand bent and swinging, hand twisting left, hand twisting right, hand push forward, and hand pull inward. One of Artificial Intelligence algorithm that can be used is HiddenMarkov Model (HMM).

HMM itself is a statistical model where the system which being modelled was assumed as Markov process that has hidden state. This research used Inertial Measurement Unit sensor as human motion detector. Communication between sensor and computer was conducted wirelessly with XBee. This system can recognize six motion real time. From the results show that Hidden Markov Model can recognize human motion with an accuracy rate of 88% within 0.004 seconds."

"Sampai saat ini, serangan jantung masih menjadi penyebab utama kematian dibanyak tempat di dunia. Salah satunya adalah kelainan pada katup jantung yang dapat dideteksi melalui suara murmur pada detak jantung penderita. Skripsi ini membahas tentang perancangan sistem pengenalan penyakit jantung berdasarkan suara detak jantung dengan metode HMM. Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan penyakit jantung. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. Dimulai dengan pembentukan vektorvektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilainilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini ukuran codebook yang optimal adalah 64, jumlah database yang optimal sebesar 10 (sepuluh) buah, dan rentang waktu sampel yang optimal adalah 0,7 detik. Sementara akurasi sistem secara keseluruhan bervariasi antara 60% hingga 85%.

---

Heart attack is still being the number one killer until now all over the world. A part of heart diseases which can be detected by murmur sound and will be explained here is valve anomaly. This thesis is talking about heart disease recognition based on its heart sound system design using HMM method. The system consists of two main processes: database construction and diseases recognition. Both of this processes is done with almost exact ways. Each samples will be processed through labelling, codebook construction, and HMM parameter making. The difference is that in recognizing process, sound signal will be compared to database which has been made before. The whole process is started with data vectors production by vector quantization (VQ) which can be used to analyze precise centroid positions. The centroid will define HMM states and parameters.

A Log of Probability (LoP) will be calculated from the parameter values. The largest value of LoP will be declared as an output of the system. Output of each samples are compared to get system accuracy based on variation of sample duration, sample amount, and codebook size. The optimum codebook size in this research is 64, optimum sample amount in database is 10, and 0.7s sample duration. Overall, accuracy of the system is variating from 60% up to 85%."

"Tugas akhir ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi retina manusia melalui proses image processing dengan menggunakan Hidden Markov Model. Dalam pembuatan perangkat lunak indetifikasi ini terdiri atas dua bagian, yakni pembentukan database dan proses identifikasi itu sendiri. Pembentukan database akan menghasilkan codebook dan nilai probabilitas HMM. Identifikasi dilakukan dengan mengambil hasil scanning retina dari rumah sakit. Kemudian dilakukan proses normalisasi dan ekstraksi terhadap gambar retina yang didapat untuk memindai pola pembuluh darah kapiler pada retina. Proses pengenalan retina dalam tugas akhir ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja agar dapat mengetahui setiap jenis pola pembuluh darah yang ada, serta proses pengenalan retina itu sendiri (recognition) yang digunakan untuk mengenali retina yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali retina yang diuji dengan tingkat akurasi mencapai 100%.

---

This final project is created to design a software that can identify human retina through image processing using hidden markov model. This identification software consist of two part, that are database development and identification itself. The database development produce codebook and HMM probability value. Identification using retinal scanning from hospital. Then the images will be normalisated and extracted to separate retinal vessel.

The identification process of retinal in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of retinal vessel, and the second one is the recognition process of all retinal image. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested retinal image with 100% accuracy."

"Skripsi ini bertujuan untuk membuat identifikasi iris mata menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi, edge detection dan polarisasi. Proses yang pertama adalah pengambilan citra mata. Kemudian dilakukan proses segmentasi terhadap gambar mata yang didapat tersebut untuk memisahkan bagian iris dan pupilnya. Selanjutnya dilakukan proses polarisasi untuk memisahkan bagian iris dengan pupil kedalam bentuk polar. Hasil polarisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan iris mata dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja, agar dapat mengetahui setiap garis-garis pada iris matanya, serta proses pengenalan iris mata itu sendiri (recognition) yang digunakan untuk mengenali iris mata yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali iris mata yang diuji dengan tingkat akurasi mencapai 100%.

---

A Software of iris identification using hidden markov model is developed. The input image is extracted by using segmentation and polaritation process. The first process is taking of human eye image. Then do the process of segmentation of the image that is to separate iris and pupil from the eyes. Then do the process of polarization to separate iris with the pupil into the polar form. Results of this polarization will be recognized by the user's system.

The process of introduction of human iris in this script use the Hidden Markov Model which is done through two stages of the process of training is to train a system that works, so that each can know the lines on the eye iris, and the introduction of the iris itself (recognition) that is used to identify iris that you want to test. The whole process is created using a software. From the results of the trials obtained, this system can recognize the iris eyes tested with a level of accuracy reached 100%."

"Dalam skripsi ini dirancang suatu perangkat lunak yang dapat mengidentifikasi tidak hanya nilai nominal tetapi juga keaslian dari mata uang kertas rupiah melalui proses image processing dengan menggunakan Hidden Markov Model. Algoritma image recognition digunakan untuk mengekstraksi pola unik yang terdapat di setiap mata uang dan digunakan mengidentifikasi keaslian menggunakan kamera dengan sinar UV. Sedangkan pola gambar dari nilai nominal dari setiap mata uang juga diambil menggunakan scanner.Setelah dilakukan image pre-processing, kedua pola ini digunakan sebagai data pelatihan dan disimpan dalam database bernama codebook menggunakan kuantisasi vektor. Terdapat 10 buah sampel data yang digunakan sebagai pelatihan dari setiap mata uang mulai dari Rp1000, Rp5000, Rp10.000, Rp20.000, Rp50000 dan Rp100.000. Kedua pola mata uang akan diidentifikasi menggunakan Hidden Markov Model melalui program simulasi.Analisis menunjukkan variasi ukuran codebook, jumlah training, dan tingkat intensitas berpengaruh terhadap akurasi dari perangkat lunak. Berdasarkan hasil uji coba yang dilakukan didapatkan bahwa tingkat akurasi perangkat lunak mencapai 100 % pada ukuran codebook 256 bit dan jumlah pelatihan sebanyak 10 kali. Peningkatan ukuran codebook memperlambat waktu komputasi dari perangkat lunak.

---

In this final project, a software for rupiah bank notes nominal and authenticity identification is developed, using image processing technique and Hidden Markov Model. An image recognition algorithm is applied to extract the unique pattern of each bank note and used to identify the originality using a camera with UV lighting. The image of nominal value of each bank note is also retrieved using a scanner.

After image pre-processing, these two patterns are used as training data and stored in a database called codebook using vector quantization. There are 10 samples taken as training data for each bank note ranged from 1000, 5000, 10000, 20000, 50000 and 100000 rupiahs. Both patterns of a bank note will be recognized using Hidden Markov Model, in a simulation programme.

Result analysis shows codebook size variation, number of training, and the input image intensity influence the identification accuracy. Having this analysis result, the recognition accuracy level reaches 100 % based on 256 codebook size for 10 training test. The analysis also shows that the increment of codebook size will also increase the computing time."

"Speech recognition atau pengenalan suara dengan beragam aplikasinya semakin banyak dimanfaatkan diberbagai bidang kehidupan seperti telekomunikasi, sistem keamanan, kedokteran, administrasi dan bidang-bidang praktis lainnya. Karena itulah teknologi ini terus dikembangkan untuk mendapatkan unjuk kerja yang semakin baik. Sejak dimulai pengembangannya, telah banyak metode yang digunakan dengan kemajuan-kemajuan yang berarti dibandingkan metode sebelumnya, termasuk metode yang sampai saat ini terus dikembangkan yaitu metode statistik menggunakan permodelan Hidden Markov. Walaupun masih ada metode lain yang juga memiliki unjuk kerja yang dapat dibandingkan seperti menggunakan jaringan saraf tiruan (neural network). Pada Skripsi ini disimulasikan penggunaan metode permodelan Hidden Markov (HMM) dengan Linear Predictive Coding (LPC) sebagai pengolah sinyal. Parameter-parameter yang dianalisa adalah variasi jumlah data latih, jumlah state, dan jumlah iterasi. Berdasarkan hasil simulasi didapatkan bahwa jumlah data latih memiliki peran terpenting untuk mendapatkan unjuk kerja System yang baik. Sedangkan jumlah state dan jumlah iterasi juga mempengaruhi kemampuan pengenalan walaupun tidak terlalu berarti."