Hasil Pencarian  ::  Simpan CSV :: Kembali

"Human pose interpretation using Particle filter with Binary Gaussian Weighting and Support Vector Machine is proposed. In the proposed system, Particle filter is used to track human object, then this human object is skeletonized using thinning algorithm and classified using Support Vector Machine. The classification is to identify human pose,whether a normal or abnormal behavior. Here Particle filter is modified through weight calculation using Gaussian distribution to reduce the computational time. The modified particle filter consists of four main phases. First, particles are generated to predict target?s location. Second, weight of certain particles is calculated and these particles are used to build Gaussian distribution. Third, weight of all particles is calculated based on Gaussian distribution. Fourth, updateparticles based on each weight. The modified particle filter could reduce computational time of object tracking sincethis method does not have to calculate particle?s weight one by one. To calculate weight, the proposed method buildsGaussian distribution and calculates particle?s weight using this distribution. Through experiment using video datataken in front of cashier of convenient store, the proposed method reduced computational time in tracking process until68.34% in average compare to the conventional one, meanwhile the accuracy of tracking with this new method iscomparable with particle filter method i.e. 90.3%. Combination particle filter with binary Gaussian weighting andsupport vector machine is promising for advanced early crime scene investigation."

"ABSTRAKMetode pensinyalan adalah metode yang mengkodekan bit-bit input menjadi sinyal yang siap djitransmisikan. Contoh dari metode pensinyalan adalah pensinyalan 8-QAM yang merupkan pensinyalan bandpass dan 4B3T yang merupakan penslnyalan baseband Pensinyalan 8-QAM mempakan suatu metode modulasi yang mengkodekan setiap 3 bit menjadi sinyaf yang dimodulasi amplitudo dan fasa carriemya. Sedangkan pensinyalan 4B3T mengkodckan sinyal menjadi 4 big binmy dan-méhtt&x\SmiSikdniiyainié>iijdHi-3`~l-éihabbli(bérdd)°3§ébeigI1i¥§inya}-~3-rér}zki}j». Pada skripsi ini disimulasikan pcrbandingan antara metode pensinyalan 8-QAM dengan metode pensinyalan 4B3T yang memiliki perbandingan periode I baud yang nama. Simulasi yang dilakukan bermjuan untuk mcndapatkan parameter uxquk keljja Bit Error Rate (BER) pada kedua metode.Hasil yang didapat dari simulasi adalah metode 8-QAM memiliki BER yang lebih baik dibandingkm 4B3T pada nilai BER l0`3 dengzm selisih nnai SNR sekimr 6 dB. Dari hasil simujasi dapat dikatakan bahwa unjuk kerja 8-QAM Iebih baik dari 4B3T.

---

"

"ABSTRACTSpatial Audio Object Coding SAOC merupakan standar pengkodean audio yang diluncurkan oleh Moving Picture Expert Group MPEG yang dapat melakukan kompresi dan koding audio berbasis objek dan telah diaplikasikan ke banyak bidang telekomunikasi, multimedia, dan hiburan. Salah satu kelemahan dari SAOC adalah kurang dapat diandalkan untuk menjamin kualitas audio yang baik untuk aplikasi pemisahan sumber audio. Hasil beberapa penelitian mengungkapkan bahwa ternyata SAOC memiliki struktur sistem yang mirip dengan algoritma pemisahan sumber suara yang bernama Informed Source Separation, Informed Source Separation ISS, yaitu algoritma sistem yang dapat memprediksi sinyal objek audio masukan untuk memisahkan objek audio dengan kualitas yang baik. Pada penelitian ini, telah dirancang algoritma pemisahan sumber audio di MATLAB yang diadopsi dari persamaan matematis standar SAOC serta ditambahkan filter Wienerpada algoritma tersebut. Algoritma yang diajukan diuji dengan memisahkan beberapa rekaman musik profesional dan kualitas audio rekonstruksinya akan dibandingkan dengan algoritma pemisahan sumber audio lain secara objektif. Hasil pengujian menunjukkan bahwa adanya peningkatan nilai Source-to-Distortion Ratio SDR dalam hasil rekonstruksi pemisahan sinyal dengan algoritma SAOC yang ditambahkan filter Wiener dari algoritma pemisahan sumber suara yang lain sebesar maksimum 10,42232904 dB untuk objek audio bass, 13,95175919 dB untuk drum, 17,73005926 dB untuk vokal, dan 8,266838319 dB untuk instrument lain.

---

ABSTRACTSpatial Audio Object Coding SAOC is an audio coding standard launched by MPEG Moving Picture Expert Group MPEG that can perform audio compression and codingand has already applied to many areas of telecommunications, multimedia, and entertainment. One of the disadvantages of SAOC is low reliability in ensuring good audio quality for audio separation. The results of several studies have found that SAOC has the same structure with an audio source separation algorithm, namely Informed Source Separation, which is an algorithm that can predict audio object signals to separate audio objects while ensuring good output audio quality. In this research, an audio source separation algorithmwhich is adopted from SAOC standard mathematical equation andWiener filter addition has been designed. The proposed algorithm is tested by separating several professional music recordings and thereconstructed audios rsquo quality werecomparedwith other audio source separation algorithms. The results show that there is an increase in Source to Distortion Ratio SDR value of reconstructed audio object that is separated with SAOC algorithmwith addition of Wiener filter compared tootheraudiosource separation algorithmsbymaximum of 10.42232904 dB for bass, 13,95175919 dB for drums, 17,73005926 dB for vocals, and 8.266838319 dB for other instruments."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."

"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"

"ABSTRAKSistem radar untuk aplikasi medis merupakan telah banyak diteliti dan dikembangkan. Salah satu aplikasinya adalah pengukuran kondisi vital manusia seperti tingkat pernafasan dan tingkat detak jantung. Oleh karena itu, diperlukan suatu sistem yang dapat mendeteksi tingkat pernafasan manusia dan tingkat detak jantung manusia. Dalam penelitian ini, dirancang radar continuous-wave dengan LoRa RFM95 sebagai transmitter pada frekuensi kerja 862-1020 MHz dan RTL-SDR sebagai receiver sekaligus analog to digital converter. Antena yang digunakan dalam penelitian ini adalah antena microstrip rectangular satu elemen sebanyak dua buah, masing-masing sebagai antena pengirim dan antena penerima dengan frekuensi tengah 904 MHz dan bandwidth 2,8 dengan gain -1,936 dBi. Melalui persamaan umum radar, dihitung jarak maksimum radar untuk deteksi tingkat pernafasan manusia adalah sebesar 2,002 meter dan untuk deteksi tingkat detak jantung manusia adalah sebesar 0,8954 meter. Pengambilan data dilakukan selama 60 detik tiap pengambilan yang dibagi dalam delapan skenario, yaitu skenario ketika transmitter tidak diaktifkan, skenario ketika tidak ada target, skenario ketika target bernafas normal, skenario ketika target bernafas dalam, skenario target meninggalkan jangkauan radar, skenario target mengayunkan tangan, skenario target bergerak mendekati dan menjauhi radar, dan skenario target selesai berolahraga. Jarak antara target dengan sistem radar adalah sejauh 0,7 meter. Metode yang digunakan untuk mendapatkan tingkat pernafasan dan detak jantung manusia adalah metode sampling langsung, demodulasi amplitudo, dan demodulasi arctangent. Demodulasi amplitudo memiliki performa paling baik dibandingkan dengan metode yang lain. Dengan metode demodulasi amplitudo, sistem radar ini dapat mendeteksi tingkat pernafasan manusia, tetapi belum mampu mendeteksi tingkat detak jantung manusia karena noise dan atenuasi yang besar.

---

ABSTRACTRadar systems for medical applications are widely researched and developed. One application of this radar is to measure human vital conditions such as respiratory rate and heartbeat rate. Therefore, a system that can detect human respiratory rate and human heartbeat rate is in need. In this study, a continuous-wave radar was designed with a LoRa RFM95 as a transmitter at 862-1020 MHz frequency and RTL-SDR as a receiver as well as an analog to digital converter. The antenna used in this study are two single elements rectangular microstrip patch antennas, each for transmitting antenna and for receiving antenna with center frequency of 904 MHz, bandwidth of 2.8, and gain of 1.936 dBi. Using radar range equation, the maximum radar distance to detect humans respiratory rate is 2.002 meters and the maximum radar distance to detect humans heartbeat rate is 0.8954 meters. Data is collected for 60 seconds for each batch and is divided into eight scenarios, namely the scenario when the transmitter is not activated, the scenario when there is no target, the scenario when the target breathes normally, the scenario when the target breathes deeply, the scenario when target leaves radar reach, the scenario when target swings his her arm, the scenario when target moves forward and backward, and the scenario when target has finished excercising. The distance between the target and the radar system is 0.7 meters. The methods used to obtain human respiratory rate and heartbeat rate are direct sampling method, amplitude demodulation, and arctangent demodulation. Amplitude demodulation has the best performance compared to other methods. With amplitude demodulation method, this radar system can detect human respiratory rates, but has not been able to detect the human heartbeat rate due to the presence of noise and attenuation."

"The book shows how the various paradigms of computational intelligence, employed either singly or in combination, can produce an effective structure for obtaining often vital information from ECG signals. The text is self-contained, addressing concepts, methodology, algorithms, and case studies and applications, providing the reader with the necessary background augmented with step-by-step explanation of the more advanced concepts. It is structured in three parts, part I covers the fundamental ideas of computational intelligence together with the relevant principles of data acquisition, morphology and use in diagnosis, part II deals with techniques and models of computational intelligence that are suitable for signal processing, and part III details ECG system-diagnostic interpretation and knowledge acquisition architectures. Illustrative material includes, brief numerical experiments. detailed schemes, exercises and more advanced problems."

"ABSTRAKPentransmisian sinyal video (video signal) membutuhkan lebar pita frekuensi (bandwidth) dan kapasitas memori yang sangat besar. Untuk mengefisienkan penggunaan bandwidth dan kapasitas memori serta mereduksi biaya transmisi perlu dilakukan proses pemampatan (kompresi) pada sinyal video tersebut. Salah satu teknik kompresi yang banyak digunakan adalah Transform Coding berbasis DCT (Discrete Cosine Transform).Proses transmisi sinyal video dapat dilakukan dengan dua cara yaitu transmisi dengan laju bit yang tetap (Constant Bit Rate/CBR) dan transmisi dengan laju bit yang bervariasi (Variable Bit Rate NBR). CBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang terbatas, sehingga tidak dapat menampung volume data yang ada. Sedang VBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang besar sehingga dapat menampung volume data yang ada. Untuk dapat melayani proses transmisi sinyal video VBR diperlukan suatu media transmisi yang mampu memfasilitasi hal tersebut. Salah satunya adalah jaringan ATM (Asynchronous Transfer Mode). Pentransmisian sinyal video VBR melalui jaringan transmisi ATM dilakukan melalui proses pengkodean data pada sinyal video tersebut dan membentuk kode-kode data tersebut ke dalam bentuk struktur sel ATM melalui proses pemaketan (paketisasi).Proses pemaketan dapat dilakukan dengan menggunakan metode Layered Coding yang membagi data-data menjadi dua prioritas yaitu data prioritas tinggi (High Priority Data/HPD) dan data prioritas rendah (Low Priority Data/LPD), dimana data HPD adalah data-data yang mengandung nilai informasi yang terbesar. Kemudian masing-masing data tersebut dibentuk menjadi paket-paket (sel) ATM dan ditransmisikan melalui kanal yang berbeda.Dari simulasi yang dilakukan diperoleh hasil bahwa metode Layered Coding pada pentransmisian sinyal video VBR dapat mempertahankan kualitas gambar yang dikirim dengan mengirimkan data HPD melalui kanal prioritas tinggi (High Priority Channel). Hilangnya (tidak dikirim) data LPD tidak akan berpengaruh besar pada kualitas gambar yang dihasilkan (PSNR 17,2 dB std 26,5 dB), sedangkan hilangnya sebagian kecil (t 1,5%) data HPD akan menimbulkan pengaruh yang besar (degradasi) pada gambar yang dihasilkan (PSNR 8,62 dB).

---

ABSTRACTGenerally, wide bandwidth and large memory capacities are needed to transmit the video signal. Using bandwidth and memory capacity efficiently and also reducing the transmission cost, the video signal needs a compression process before transmitted. One of the compression technique which is commonly used is Transform Coding based on DCT (Discrete Cosine Transform).The video signal transmission process could be done in two ways i.e. : constant bit rate (CBR) and variable bit rate (VBR). CBR is a constant rate trans-mission which is used in the transmission process where the bandwidth has incapability to accommodate available data volume. VBR is a variable rate trans-mission which is used in the transmission process where the bandwidth has a capability to accommodate available data volume. ATM (Asynchronous Transfer Mode) network is one of the capable transmission media which is used for transmitting the VBR video signal. The VBR video signal transmission through the ATM network has two processes, coding process and packet process.A Layered Coding method is used for the data packet process. This method divides the data into two priorities i.e.: high priority data (HPD) and low priority data (LPD). The HPD is used for the important data stream and the LPD is used for the rest of the data stream (unimportant data). The data (HPD and LPD) is performed into the ATM cells structure and transmitted through a different channel.The simulation results showed that the layered coding method could maintain the VBR video signal quality by transmitting the HPD through a high priority channel. The lost data of LPD does not annoy the reconstructed video quality (PSNR 17.2 dB - 25.5 dB). The lost data of HPD, however, causes degradation in the quality of the reconstructed video (PSNR 8.62 dB)."

"Physical behavior of models can be measured in the laboratory, which, in turn are often used to assess the behavior of more complicated structures. Mechanical responses present physical behavior of a structure. By using three different transducer, one can measure acceleration, velocity and displacements directly. Determination of velocity and displacements from acceleration data is preferable from point of view economics; but on the other hand this procedure, at present, is still causing problem. This study shows that displacements and velocity can be calculated from its acceleration which is obtained by using one transducer.The acceleration data are obtained from a cantilever steel plate which is subjected to a transient force at a discrete location on its surface or an initial deflection on its tip. An acquisition program was first designed before starting the experimental program. By means of a piezoelectric accelerometer, a conditioning amplifier and a digital oscilloscope, acceleration data are captured and then transferred to a personal computer.The transformation of these two responses, displacements and velocity from the acceleration data are performed in two domains, time domain and frequency domain. Two integration techniques, Newton-Cotes formula and Simpson's rule were used for the calculation in the time domain. For both techniques, adjustment of basis line is performed by End Zero Time Technique Modified. Programmation has been done for both types of domain analysis.The Simpson's rule gives sufficient results and Newton-Cotes formulation gives good results only for moderate values of Cotes coefficient. High values of the coefficient give unrealistic calculated velocity and displacements. Drifting character are present on the displacements calculated by both methods.In the frequency domain, the velocity and displacements are obtained from acceleration data by means of Fast Fourier Transform and its Inverse Fourier Transform. This method give satisfactory results only for the calculation of velocity. The displacements obtained show also drifting character. Nevertheless, realistic forms of this displacements are moderately accepted.Results comparison of the two methods, both in time domain and frequency domain, show that none of the method is better than another. Analysis in frequency domain give more accurate results, but this method is not definitely a principal method for the solution of this type of problems. The two methods shall be used for the calculation of velocity and displacements. This procedure can verify one result to another to avoid wrong interpretation of transformed responses."