Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sidik jari biasanya digunakan sebagai identitas pribadi seseorang. Dalam proses pengenalan sidik jari seseorang, umumnya sidik jari dicocokkan dengan basis data yang memuat sangat banyak data sidik jari. Oleh karena itu untuk mengurangi waktu pencocokkan dan perhitungan yang kompleks pada proses penenalan sidik jari, dilakukan proses yang disebut klasifikasi sidik jari. Klasifikasi sidik jari adalah cara menentukan sebuah sidik jari masuk kedalam suatu kelas tertentu. Karakteristik sidik jari yang digunakan dalam klasifikasi sidik jari dengan menggunakan teori graf pada tesis ini adalah gambar berarah. Proses klasifikasi dimulai dengan pembentukkan graf terhubung berdasarkan gambar berarah yang telah disegmentasi berdasarkan arah yang sama. Dari graf terhubung dibangun sebuah graf yang lebih ringkas tetapi tetap memuat informasi dari graf terhubung, graf tersebut diberi nama super graf terhubung.Pada basis data yang terdiri dari beberapa kelas sidik jari, dari masing-masing kelas diambil satu sidik jari sampel. Sidik jari sampel ini disebut model sidik jari dari tiap-tiap kelas sidik jari. Kemudian untuk proses pencocokkan dan klasifikasi, super graf dari sidik jari yang diteliti dan sidik jari model dari tiap-tiap kelas dibandingkan dengan menggunakan cost function. Kelas yang mempunyai nilai cost function minimum, akan menjadi kelas yang dipilih sebagai kelas dari sidik jari yang diteliti. Pada tesis ini dijelaskan proses pembentukkan super graf terhubung dari suatu gambar beararah.

---

Fingerprint is usually used as a private identity. In identifying process of someone?s fingerprint, generally, fingerprint is matched by the data base which contains many fingerprint data. Therefore, to reduce the complex matching and counting time in identifying fingerprint, we can do a process which is called fingerprint classification. Fingerprint classification is a way to show that a fingerprint is classified into one class. Fingerprint character which is used in classifying fingerprint using graph theory in this thesis is directional image. Classification process is begun by forming related graph based on directional image which has been segmented by the same direction. Related graph is built a shorter graph which contains information from connected graph which is called super graph related.In database which consists of some fingerprints, from each class is taken one sample of fingerprint. This sample of fingerprint is called fingerprint model of each fingerprint classification. In matching and classifying process, the elaborated super graph and fingerprint model of each class are matched by using cost function. The class which has minimum cost function value will be the chosen class as elaborated fingerprint class. This thesis gives an explanation on how to construct super connected graph from a directional image."

"ABSTRAKTesis ini membahas mengenai cara melakukan pengelompokan spare part maintenance menggunakan teknik multivariat yaitu analisa kluster yang digabungkan dengan klasifikasi fuzzy dan klasifikasi ABC. Tujuan penggunaan ketiga metode pengelompokan ini adalah untuk mendapatkan suatu sistem pengelompokan inventory yang cukup akurat, mengakomodasi lebih dari satu variabel/kriteria pengelompokan dan mudah diaplikasikan oleh profesional. Hasil pengelompokan ini akan digunakan sebagai dasar untuk menentukan metode pengelolaan yang sesuai untuk spare part maintenance tersebut.

---

ABSTRACT

This thesis is concern about how to classifying spare part of maintenance using one of multivariate technique, cluster analysis, combined with fuzzy classification and ABC classification. The objective of using these three kind of methods is to find accurate inventory classification method which could accommodate more than one variable/criteria and easy to implemented by management professional. Result of this classification will be used to decide the best way to manage the spare part of maintenance."

"Saat ini sudah banyak alat yang dapat digunakan untuk mengambil data sidik jari seseorang. Beberapa metode yang sering dipakai diantaranya scanner sidik jari yang memanfaatkan optik, efek konduktansi, dan ultrasonik. Masing-masing metode memiliki beberapa kelebihan dan kekurangan sendiri. Scanner pencitraan sidik jari ultrasonik dikembangkan agar mampu menghasilkan gambar sidik jari yang jelas dengan kualitas tinggi. Dari beberapa tipe arsitektur scanner sidik jari ultrasonik, penulis memilih jenis arsitektur scanner yang pada dasarnya termasuk jenis arsitektur scanner oscillatory mirror. Scanner sidik jari ultrasonik ini memanfaatkan nilai koefisien pantul akibat nilai impedansi akustik yang berbeda antara ridge dan valley dari sebuah sidik jari. Pada Skripsi ini, dilakukan simulasi dari scanner sidik jari ultrasonik yang memanfaatkan cermin akustik dengan menggunakan perangkat lunak adobe 3D Max. Dari simulasi dan perhitungan, diketahui bahwa setiap titik dari sidik jari baik ridge maupun valley diperoleh dari setiap echo yang diterima transduser. Koefisien pantul antara ridge dan valley memiliki perbedaan yang jauh jika collimating lens yang dipakai pada scanner memiliki nilai impedansi akustik yang mendekati nilai impedansi akustik ridge (jaringan tubuh). Collimating lens/plat pada skripsi ini menggunakan bahan polystyrene dengan impedansi akustik 249 x 103 (g/cm2 - sec) dan diperoleh koefisien pantul plat ke valley 99,97% sedangkan koefisien pantul plat ke ridge 23,2%.

---

There are a lot of tools that can be used to scann fingerprints. Some techniques commonly used include fingerprint scanner used optical, effect of conductivity, and ultrasound. Each method has its advantages and drawbacks of its own. A method of the ultrasound image scanners can produce images of fingerprint in high quality. Of the several types of ultrasonic fingerprint scanner architecture, the authors choose the scan type architecture which is basically the sort of oscillating mirror scan architecture. This ultrasonic fingerprint scanners use different acoustic impedance value from fingerprint ridge and valley.

In this paper, the authors using adobe 3D Max software to design simulation of a fingerprint scanner that utilizes ultrasonic sensor and acoustic mirror. From the simulations and calculations, it is known that each point of the fingerprint ridge and valley obtained from each echo received by the transducer. The reflection coefficient between the ridges and valleys have a lot of difference if the collimating lens used in the scanner has acoustic impedance close to the ridge acoustic impedance. Collimating lens/plate in this paper using polystyrene material with acoustic impedance 249 x 103 (g/cm2 - sec) and derived the reflection coefficient for plate to valley 99,97% and 23,2% for plate to ridge."

"Sidik jari merupakan salah satu bagian tubuh manusia yang unik, artinya mempunyai karakteristik tertentu yang dapat diberdakan. Pengenalan sidik jari (fingerprint recognition) menggunakan pola bukit (ridge) dan lembah (valley) pada sidik jari. Ada 2 struktur sidik jari yang dapat diambil untuk pengenalan, yaitu struktur lokal dan struktur global. Pada pengenalan sidik jari dengan menggunakan struktur global, perlu dicari letak titik referensi yang merupakan titik pusat (core point) dari pola sidik jari. Titik ini akan digunakan sebagai titik referensi untuk tahap pengolahan citra sidik jari berikutnya. Jika sistem melakukan kesalahan pendeteksian titik referensi tersebut, maka sistem pengenalan sidik jari akan gagal melakukan proses pencocokan (matching). Sistem pengenalan sidik jari berdasarkan struktur global menggunakan set filter Gabor untuk mengekstrak sidik jari dengan pola orientasi bukit tertentu. Sistem ini juga dikenal sebagai pengenalan sidik jari berbasiskan Filterbank. Hasil dari pemfilteran dengan filter Gabor dihitung rata-rata deviasi mutlaknya untuk mendapatkan feature yang dijadikan template. Pengujian dilakukan dengan menguji sidik jari yang berasal dari Unibo dan Neurotechnologija. Berdasarkan hasil pengujian, untuk database Unibo diperoleh FMR sebesar 2,143 %, 2,143 % dan 2,857 % serta FNMR sebesar 13,571 %, 11,428 % dan 7,857 %. Untuk database Neurotechnologija diperoleh FMR 0 %, 1,086 % dan 3,260 % serta FNMR sebesar 27,173 %, 16,204 % dan 13,043 %. Masing-masing berurutan untuk threshold sebesar 1000, 1100 dan 1200. Hasil sistem pengenalan sidik jari ini cukup memuaskan untuk dapat diaplikasikan pada sisem pengamanan."

"Pendahuluan: Di dalam industri hulu migas, cedera tangan dan jari merupakan tantangan besar. Setidaknya 50% dari kasus cedera di dalam industri migas merupakan cedera tangan dan jari. Di beberapa perusahaan, proporsi tersebut dapat menjadi lebih besar. Dalam analisis yang pernah dilakukan terhadap kecelakaan di perusahaan anggota IOGP, lebih dari delapan puluh persen diakibatkan karena factor manusia, baik yang disebabkan oleh faktor pribadi ataupun faktor organisasi. Studi ini dilakukan untuk menganalisis factor manusia di dalam kasus cedera tangan dan jari yang teradi di PT. X sepanjang tahun 2014 hingga 2020 dengan menggunakan kerangka HFACS. Metode: Penelitian dengan metode deskriptif kualitatif dengan menggunakan data sekunder berupa data kasus cedera tangan dan jari di PT. X dari tahun 2014 hingga 2020. Hasil: Cedera tangan dan jari paling banyak disebabkan oleh skill-based errors dan routine violations. Kasus cedera yang diakibatkan skilled-based errors juga diperparah oleh pelanggaran aturan yang dilakukan bersama secara terus menerus (routine violations). Kondisi yang menjadi prekondisi dari tindakan tidak aman yang berkontribusi dalam cedera tangan dan jari paling banyak terkait crew/ resource management. berbagai faktor yang termasuk ke dalam kategori ini di antara lain komunikasi, koordinasi, perencanaan dan kerja tim yang mempengaruhi kinerja. Pengawasan yang tidak aman yang paling banyak terjadi adalah failed to correct known problems dan inadequate supervision. Inadequate supervision terkait dengan pengelolaan personil dan sumber daya termasuk pelatihan, panduan professional dan kepemimpinan operasional. Sedangkan failed to correct known problems terkait dengan kekurangan pada individu, peralatan, pelatihan atau area keselamatan lain “diketahui” oleh supervisor, namun dibiarkan tidak dikoreksi. Di level 4, pengaruh organisasi yang terbesar adalah Organisational Process. Organisational process adalah proses formal di mana visi sebuah organisasi dijalankan termasuk operasi, prosedur, dan kesalahan di antaranya.  Kesimpulan: Gambaran HFACS pada kasus cedera tangan dan jari di PT. X sejalan dengan gambaran umum HFACS yang ada dalam industri hulu migas, kecuali di level 2 yakni preconditions for unsafe acts. Sistem pembelajaran kejadian di PT. X masih dipengaruhi oleh teori domino dan belum mengintegrasikan konsep faktor manusia secara menyeluruh. Kerangka HFACS dapat membantu PT. X dalam menelaah lebih dalam defisiensi di dalam faktor manusia untuk dapat menetapkan tindakan perbaikan yang lebih tepat.

---

Introduction: Hand and finger injuries have always been major challenges in upstream oil and gas industry. At least 50% of injuries in upstream oil and gas impacting hand and fingers. In some companies, the proportion could be larger. More than 80% of incidents in IOGP members were caused by human factors, both personal and organizational factors. This study aims to analyze human factors in hand and finger injuries at PT. X by using HFACS framework.

Methodology: The study was conducted by applying qualitative descriptive analysis by using secondary data, investigation report of hand and finger injures from 2014 to 2020.

Results: Skill-based errors and routine violations contributed in most of hand and finger injuries in PT.X. Routine violations were found as aggravating factors in skill-based errors injuries/ crew resource management were dominating level 2, preconditions for unsafe acts, it consists of coordination, communication, planning and team work that impacting performance. Unsafe supervision that occurred the most are inadequate supervision and failed to correct known problems. Inadequate supervision related to personnel and resources management including trainings, professional guidance and operational leadership. Failed to correct known problems related to deficiencies in individual, equipment, training or the safety area “known” to supervisor but left uncorrected. In level 4, Organizational process was the weak chain of organizational influences. Organizational process is a formal process where organization’s vision is implemented on Site, including operations, procedures.

Conclusion: HFACS of hand and finger injuries in PT. X is in line with general HFACS description in upstream oil and gas industry, except for level 2, pre-conditions for unsafe acts. Learning from incident system in PT. X was still highly influenced by domino theory and has not yet integrated human factors. HFACS framework can help PT. X to dig deeper in human factors deficiencies in organization so PT. X can define more effective mitigation & preventive measures.  "

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."

"Teori graf adalah sebuah bidang studi interdisipliner yang memiliki berbagai aplikasi dalam pemodelan matematika dan ilmu komputer. Penelitian dalam teori graf tidak hanya bergantung pada teorema baru, namun juga pada konjektura baru. Algoritma penyanggah konjektura dapat digunakan untuk menyanggah suatu konjektura dengan cara mencari sebuah counterexample, seringnya dengan cara memaksimumkan suatu fungsi skor pada graf. Penelitian ini mengusulkan sebuah algoritma penyanggah konjektura baru, disebut sebagai algoritma adaptive Monte Carlo search (AMCS), yang diperoleh dari hasil modifikasi algoritma Monte Carlo tree search. Setelah dievaluasikan berdasarkan keberhasilannya dalam menemukan counterexample untuk beberapa konjektura teori graf, ditemukan bahwa AMCS mengungguli algoritma-algoritma penyanggah konjektura yang sudah ada. Algoritma tersebut kemudian digunakan untuk menyanggah enam konjektura terbuka, dua di antaranya merupakan konjektura teori graf kimia yang diformulasikan oleh Liu et al. pada 2021 dan empat di antaranya diformulasikan menggunakan sistem komputer AutoGraphiX pada 2006. Akhirnya, empat dari enam konjektura terbuka tersebut disanggah secara kuat dengan cara memperumum konjektura yang telah diperoleh menggunakan AMCS untuk menghasilkan keluarga graf yang mengandung banyak counterexample. Algoritma ini diharapkan dapat membantu para peneliti menguji konjektura-konjektura yang berkaitan dengan teori graf secara lebih efektif.

---

Graph theory is an interdisciplinary field of study that has various applications in mathematical modeling and computer science. Research in graph theory depends on the creation of not only theorems but also conjectures. Conjecture-refuting algorithms attempt to refute conjectures by searching for counterexamples to those conjectures, often by maximizing certain score functions on graphs. This study proposes a novel conjecture-refuting algorithm, referred to as the adaptive Monte Carlo search (AMCS) algorithm, obtained by modifying the Monte Carlo tree search algorithm. Evaluated based on its success in finding counterexamples to several graph theory conjectures, AMCS outperforms existing conjecture-refuting algorithms. The algorithm is further utilized to refute six open conjectures, two of which were chemical graph theory conjectures formulated by Liu et al. in 2021 and four of which were formulated by the AutoGraphiX computer system in 2006. Finally, four of the open conjectures are strongly refuted by generalizing the counterexamples obtained by AMCS to produce a family of counterexamples. It is expected that the algorithm can help researchers test graph-theoretic conjectures more effectively"

"Dalam bidang kriminal, pengenalan sidik jari membutuhkan banyak waktu dan tenaga, karena itu Lerbagai cara otomatisasi dilakukan untuk mempermudah serta mempercepat proses pengenalan sidik jari tersebut. Salah satu teknik otomatisasi untuk pengenalan sidik jari ini adalah dengan menggunakan komputer dan pemanfaatan aplikasi dad jaringan saraf buatan. Dalam skripsi ini digunakan proses otomatisasi dengan menggunakan gabungan dari proses-proses pengolahan citra dan jaringan saraf buatan. Citra sidik jari hasil scanning diolah dan diproses sehingga didapatkan ciri-ciri sidik jari bersangkutan, berupa kode arah rata-rata dan jumlah bifurkasi. Ciri-ciri ini kcmudian dimasukkan ke dalam suatu sistem jaringan saraf buatan untuk- proses pelatihan sehingga jaringan saraf tersebut dapat digunakan sebagai standar pembanding untuk proses identifikasi. Jaringan saraf yang dirancang dan diterapkan dalam skripsi ini adalah salah satu dari topologi jaringan saraf mulliiayer dengan algoritma pelatihan propagasi balik, karena dari hasil yang diperoleh telah menunjukkan proses pengenalan yang cukup akurat dan memakan waktu yang singkat."