Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTesis ini memberikan pendekatan baru dalam melakukan klasifikasi objek, yaitumotif-motif Songket Palembang, dengan memanfaatkan local descriptor SIFT danSURF. Pendekatan tersebut adalah pendekatan matching scores berupa keypointdistance. Data gambar yang tersimpan dan data gambar yang diuji dilakukandengan teknik 10-fold cross validation. Dalam melakukan pencocokan, dilakukandua pendekatan yaitu pengambilan rata-rata dari 5, 10, 15, atau 25 buah nilai keypointdistance terkecil dan pengambilan jumlah terbanyak dari matched keypoint.Dalam pendekatan keypoint distance ataupun pendekatan jumlah matched keypointterbanyak, klasifikasi motif songket dapat dilakukan. Akurasi dan waktu eksekusimenjadi indikator dari performa metode atau pendekatan yang dilakukan. Terdapatbeberapa buah skenario dalam melakukan evaluasi metode, termasuk melibatkanproses derau pada gambar. Hasil menunjukkan bahwa SIFT memiliki tingkatakurasi yang lebih tinggi dibandingkan dengan SURF baik dengan pendekatankeypoint distance maupun pendekatan jumlah matched keypoint meskipun waktueksekusi SIFT lebih lama dibandingkan dengan metode SURF. Akan tetapi,permasalahan ini dapat dibantu dengan proses derau dengan kerapatan derausebesar 0.2 sehingga waktu eksekusi dapat berkurang hingga 39%.

---

ABSTRACTThis thesis provides a new approach in object classification, namely Songket-Palembang motif classification, using the local descriptors SIFT and SURF. Theapproach is by matching scores in terms of keypoint distances. Saved picture dataand testing picture data are validated by 10-fold cross validation. In matching, thereare two approaches, namely taking the average of 5, 10, 15, or 25 smallest keypointdistance values and taking the largest number of matched keypoints. In both approaches,the songket motifs can be classified successfully. Accuracy and executiontime are the performance indicators of the approaches. There are a few scenariosin the evaluation method, including adding noise to picture data. The results showthat SIFT has higher accuracy than SURF in both approaches although SIFT haslonger execution time. But this problem can be solved by the noise process withnoise density of 0.2 to achieve execution time reduction of 39%."

"Batik adalah kain yang dihias dengan menggunakan teknik dekorasi tekstil yang memanfaatkan malam sebagai perintang warna. Seni batik telah dikembangkan sejak lama di beberapa bagian negara Asia termasuk Indonesia. Pemanfaatan teknologi informasi dalam bentuk metode deteksi motif batik dapat mendukung perkembangan industri kreatif karena sistem ini nantinya dapat dijadikan sebagai acuan bagi perkembangan elemen-elemen desain motif batik. Fokus penelitian ini adalah deteksi motif batik yang memiliki karakteristik kemunculan yang berulang, multi translasi, multi skala, dan multi orientasi. Domain batik dengan pola geometrisnya dipilih sebagai area implementasi terkait dengan karakteristik motif batik yang bersifat simetri, kemunculan obyek yang berulang di beberapa lokasi dalam satu bidang kain, dan sering kali obyek-obyek motif batik tersebut telah mengalami perubahan skala ataupun perubahan orientasi. Kondisi tersebut dapat menyebabkan adanya kesalahan deteksi dan kesalahan klasifikasi. Metode deteksi motif batik yang diusulkan menggunakan fitur SIFT dan serangkaian post processing berupa voting Hough Transform, clustering, smoothing, deteksi peak, penambahan jumlah minimum voting dan penggabungan konfigurasi yang memiliki nilai berdekatan. Pada citra kueri dilakukan ekstraksi fitur menggunakan SIFT. Deskriptor yang dihasilkan dicocokkan dengan deskriptor citra template pada basis data. Pada penelitian ini diusulkan metode pencocokan keypoint yang berbeda dengan metode standar pencocokan SIFT. Seluruh pasangan keypoint diurutkan mulai dari yang memiliki jarak terdekat hingga yang paling jauh. Selanjutnya ditentukan nilai ambang jumlah keypoint sebesar 1%, 5% dan 10%. Pasangan keypoint hasil pencocokan dilakukan voting menggunakan Hough Transform terhadap konsistensi pose geometris obyek citra kueri. Sehubungan dengan permasalahan yang dihadapi dalam deteksi motif batik, proses pencocokan deskriptor citra berupa keypoint yang diperoleh melalui ekstraksi fitur, harus dapat dilakukan dengan baik sehingga kualitas deteksi motif batik menjadi lebih baik.Pada penelitian ini dikembangkan pula beberapa metode deteksi obyek yang berfungsi sebagai pengambil keputusan terhadap keberadaan obyek tertentu pada citra kueri. Metode deteksi obyek ini bekerja dengan cara mengambil hingga maksimum 80% dari nilai peak tertinggi yang terbentuk pada ruang Hough (MDOTresh), penggunaan nilai ambang berdasarkan rumusan rata-rata nilai peak yang terendah dan peak yang tertinggi (MDOAverage), penentuan nilai k berdasarkan nilai-nilai peak tertinggi sesuai dengan jumlah obyek yang terdapat pada groundtruth (MDOTopk), mengambil konfigurasi pada peak yang memiliki minimum nilai sebesar 3 voting pada setiap konfigurasi luaran ruang Hough (MDOMin), penentuan representasi obyek berdasarkan keluaran clustering DBSCAN (MDOScan), dan melakukan proses smoothing menggunakan filter Gaussian pada hasil deteksi dengan jumlah minimum voting sebanyak 3 buah (MDOGauss).Kehandalan metode dalam melakukan deteksi diindikasikan dengan ketepatan dalam menentukan jumlah obyek yang terdapat pada citra kueri dan mampu mengenali motif batik walaupun telah mengalami transformasi geometris melalui perpindahan posisi, perbedaan skala, dan perubahan orientasi. Berdasarkan hasil yang telah diperoleh, metode deteksi motif batik untuk data citra kueri dengan obyek tunggal, kombinasi translasi, skala, dan orientasi mencapai nilai kinerja maksimum 95.28% menggunakan MDOTresh, sedangkan pada citra kueri dengan obyek tunggal dan variasi noise mencapai 100% melalui MDOTresh, MDOAverage, dan MDOTopk. Hal ini menunjukkan bahwa metode deteksi motif batik mampu menangani obyek tunggal dengan berbagai kondisi. Pada deteksi motif batik dengan multi obyek, multi translasi, multi skala dan multi orientasi capaian maksimum kinerja metode usulan adalah 92.13%, sedangkan untuk citra kueri dengan multi obyek, multi translasi, multi skala, multi orientasi, dan variasi noise diperoleh capaian kinerja 89.89%. Keduanya diperoleh melalui pendekatan MDOGauss. Pada kondisi ini, penambahan jumlah obyek motif pada citra kueri menyebabkan bertambahnya jumlah obyek yang tidak berhasil dideteksi. Kasus selanjutnya adalah deteksi obyek motif batik dengan multi motif, multi obyek, multi skala, dan multi orientasi dengan luaran ruang Hough berupa jumlah voting absolut mencapai 96.09% untuk MDOTresh. Transformasi geometris pada obyek motif batik berakibat penurunan kontras citra sehingga berpengaruh pada jumlah voting yang dihasilkan. Untuk komposisi motif teratur dengan jumlah maksimum 16 obyek motif batik untuk motif sejenis mendapatkan hasil 100% melalui MDOAverage, sedangkan untuk multi motif 92.59% melalui pendekatan MDOTresh dan MDOAverage.

---

Batik is a fabric printed design of hand-printing textiles by coating with wax. Batik has been developed since a long time in various countries including Indonesia. Nowadays, information technology is being utilized in recognizing batik motif. Therefore, the development of batik motif detection system is expected to support creative industries since the system can be used as a reference for the development pattern design. This study proposes an object recognition system for batik motif based on clustering Scale Invariant Features Transform (SIFT) features in Hough space. Our principal objective is to verify how many instances of the same object to our method detects accurately, when the object motif is posed in different positions, orientations, and scales. The geometric patterns domain is being selected regarding the characteristics of batik motifs. Batik motifs have symmetrical property and repeated in multiple locations. In addition, the objects of batik motif may be changed in terms of scale and orientation. The proposed method in this research consists of the feature extraction process using SIFT and post processing, namely voting Hough Transform, clustering, smoothing and peak detection. The keypoints from query image and the keypoints from template are matched with comparing the Euclidean distance of each keypoints descriptor in query image to all keypoint descriptors in template image. In this study we proposed a new matching keypoints method. All matched keypoints will be sorted from the closets distance to the farthest distance. Then, we determine the number of matched keypoint that will be used in the next process through the threshold 1%, 5%, and 10%. The similarity of primitive pattern and the occurrences of a motif in different location, scale and orientation will interfere the detection process. Consequently, the SIFT local feature representation must be performed well in terms of feature detection and matching.

In this study, several object detection methods are proposed as well based on object’s representation resulted from the voting process in Hough space. Object detection method using thresholding (MDOTresh) is taking 80% of maximum peak value, while object detection method with average threshold (MDOAverage) picks the mean value of minimum and maximum peak in the Hough space. Object detection method Top k (MDOTopk) determines k number of objects from the highest peaks found in the Hough space based on the number of objects in ground truth. Object detection method based on Minimum Voting (MDOMin) considers the voting configurations which have a certain number of votes. In this study the minimum number of votes is tuned to 3 as a valid configuration. Object detection method based on DBSCAN (MDOScan) determines the representation of the object from output clustering. Object detection method using Minimum Voting + Gaussian (MDOGauss) implements smoothing process using Gaussian filter for the output configurations which have a minimum number of votes as 3.

The reliability of batik motif recognition system is indicated by the ability of the system to find the number of object motif contained in query image and to classify the object motif into one of several batik motif classes even though the objects motif have undergone a geometric transformation. The evaluation of the proposed method is employing several data sets. Based on the evaluation result using query images with a single object, combination of translation, scale and orientation, object detection system MDOTresh gained balanced score 95.28%, while for the query image with a single object and scale variation of noise reached 100% through MDOTresh, and MDOAverage. It is apparent that the recognition system is capable of dealing with a single object with a various conditions. In recognition process for query image with multiple occurrences object, multi translation, multi scale and multi orientation, the highest performance is 92.13%, whereas for the image query with multi object, multi translation, multi-scale, multi- orientation, and variations in noise yielded 89.89%. Both are obtained through MDOGauss approach. In this case, increasing the number of object motif in the query image, a greater number of incorrect detections are obtained. The next case is the object motif recognition from query images with multi motif, multi object, multi scale and multi orientation. This data set has 2 outputs from Hough space namely absolute voting number and normalized voting number. The absolute voting number outputs achieved the best performance at 96.09% for the MDOTresh, while the normalized voting number gained 36.92% for MDOGauss. Geometric transformations on the object motif will be decreased contrast of object in the query image so that affected the number of voting resulted. The last data set is a regular texture, composition of the object motif with a maximum numbers are 16 objects. The best performance is 100% for homogeneous motif achieved from MDOAverage, while for multi motif yielded 92.59% achieves from MDOTresh and MDOAverage as the best."

"ABSTRAK Pemetaan lahan dengan memanfaatkan teknologi penginderaan jauh sudah lamaberkembang. Di Indonesia yang beriklim tropis, awan menjadi masalah klasikdalam pemindaian permukaan bumi dengan menggunakan satelit penginderaanjauh bersensor optik. Satelit dengan sensor Radar mempunyai kemampuan untukmenembus awan sehingga dapat memindai objek yang berada di bawah awan.Penggunaan teknik klasifikasi berbasis piksel pada citra Synthetic Aperture Radar(SAR) masih mempunyai permasalahan akibat efek salt-and-pepper yangmemberikan hasil yang kurang sempurna pada produk klasifikasi citra. Padapenelitian ini teknik klasifikasi berorientasi objek menggunakan metodeStatistical Region Merging ( SRM ) untuk proses segmentasi objek serta metodeSupport Vector Machine (SVM) untuk proses klasifikasi penutup lahan dari setiapsegmen objek yang ada. Pada tahap klasifikasi diujicobakan beberapa fitur antaralain fitur dekomposisi Freeman-Durden, fitur Entropy, Alpha Angle danAnisotrophy serta fitur Normalized Difference Polarization Index (NDPI).Implementasi teknik klasifikasi berorientasi objek pada penelitian ini memberikanhasil yang lebih baik daripada teknik klasifikasi berbasis piksel. Perbandinganakurasi keseluruhan mencapai 80,48 % untuk hasil klasifikasi berorientasi objekdan 53,94 % untuk hasil klasifikasi berorientasi piksel dengan kondisi citra tanpafilter dan menggunakan 7 fitur dalam klasifikasi.

---

ABSTRACT Remote sensing technology for land mapping has been developing for long time.Indonesia has tropical climate where cloud covers can be classical problem foroptical sensor remote sensing satellite for surface observation of earth. Radarsensor satellite has ability to penetrate clouds so satellite can scan earth’s surfacewhich covered by clouds. The use of piksel-based classification technique onSynthetic Aperture Radar (SAR) image still has problem due to salt-and-peppereffect that gives less perfect result to classification image products. In thisresearch, object-oriented classification technique uses Statistical Region Merging( SRM ) method for object segmentation process and uses Support VectorMachine (SVM) as classifier in classification process for all segmented objects. Inclassification process stage, saveral features were applied such as Freeman-Durden decomposition, Entropy, Alpha Angle, Anisotrophy, and NormalizedDifference Polarization Index (NDPI) features. Implementation of obect-orientedclassification technique in this research gives better result than obect-orientedclassification technique which overall accuracy reach 80,48 % for obect-orientedclassification result and 53,94 % for piksel-based classification result in conditionunfiltered image data and using seven fetures in classification process."

"Perkembangan teknologi informasi saat ini sudah mengalami kemajuan yang sangat pesat dalam jangka waktu yang cukup singkat, hal itu memicu pengembangan aplikasi yang memanfaatkan sistem cloud computingkarena mampu mengefisiensikan pengeluaran biaya dan sumber daya yang digunakan untuk aplikasi. Pada penelitian ini dilakukan pengujian performansi pada SIMPLE-O yang diterapkan pada cloud computing. Dari hasil dua pengujian performansi SIMPLE-O didapatkan bahwa untuk pengujian dengan metode GET yaitu pada saat pengguna hanya mengakses halaman utama dari aplikasi, performansi SIMPLE-O pada layanan cloud computing lebih baik dibandingkan dengan shared hosting, dimana cloud computing mengalami error sebesar 1,70 % dari 6000 request yang terkirim dengan response time rata-rata sebesar 32,62 s. Sementara shared hosting mengalami error sebesar 18,04 % dari 6000 request yang terkirim dengan response time rata-rata sebesar 36,27 s. Namun untuk pengujian dengan metode POST yaitu pada saat aplikasi SIMPLE-O melakukan proses penilaian otomatis terhadap jawaban yang dikirimkan, performansi SIMPLE-O pada layanan cloud computing sedikit lebih buruk dbandingkan dengan shared hosting, dimana cloud computing mengalami error sebesar 1,60 % dari 1000 request yang terkirim dengan response time rata-rata sebesar 63,95 s. Sedangkan shared hosting mengalami error sebesar 0,30 % dari 1000 request yang terkirim dengan response time rata-rata sebesar 52,67 s.

---

The development of information technology have progress very rapidly in a relatively short period of time, it triggers the development of applications that take advantage of cloud computing systems because have more efficient cost and resource for application.From the results of two performance testing SIMPLE-O, for the testing with GET method it was found that when the user only access the main page of the application, the performance of SIMPLE-O in cloud computing services is better than shared hosting, where cloud computing has an error by 1.70% from the 6000 request that sent with average response time in 32,62 s. While shared hosting has an error by 18.04% from the 6000 request that sent with average response time in 36,27 s. However, for testing with POST method, that when the application SIMPLE-O doing aautomatic process to assessment the exam’s answer from the user, the performance of SIMPLE-O in cloud computing services slightly worse than shared hosting, where cloud computing which has an error by 1.60% from 1000 request that sent with average response time in 63,95 s. While shared hosting has an error by 0.30% from 1000 request that sent with average response time in 52,67 s."

"ABSTRAKSkripsi ini membahas tentang pengujian dari standar Wi-Fi 802.11ac dalam melakukan transmisi pada saat melakukan panggilan Voice over IP (VoIP) yang membutuhkan kualitas jaringan yang bagus serta memiliki latency rendah melalui protokol UDP di lingkungan indoor. Akses poin yang digunakan merupakan akses poin yang telah menerapkan standar IEEE 802.11ac. Pengujian ini dilakukan dengan dua macam skenario yaitu pada kondisi Line of Sight (LOS) dan Non Line of Sight (NLOS) serta pengubahan jarak akses poin terhadap client. Dengan menggunakan JPerf, hasil pengukuran yang didapat menunjukkan bahwa teknologi 802.11ac memiliki realibilitas yang tinggi dan tingkat latency rendah karena hanya terjadi sekali packet loss sebesar 0.078% di antara 28 rekaman pengujian dan nilai jitter yang bertahan pada nilai di bawah 10 ms. Penurunan banyaknya pengiriman paket pun sebesar 20% pada skenario LOS dan 21% pada skenario NLOS.

---

ABSTRACTThis bachelor thesis discusses the testing of 802.11ac Wi-Fi standard to transmit during a call Voice over IP (VoIP), which requires a good network quality and have low latency through the UDP protocol in the indoor environment. The access points is using an access points that have implemented the IEEE 802.11ac standard. This testing is done with two kinds of scenarios, Line of Sight ( LOS ) and Non Line of Sight ( NLOS ) Scenario and also variation within the distance between access points to the client. By using JPerf, the measurement results obtained show that the 802.11ac technology has a high reliability and low latency level because packet loss which precentage was 0.078% only happened one time from 28 testing and jitter survive at a value below 10 ms. The degradation in the number of package delivery was 21% for LOS scenario and 21% for NLOS scenario."

"Kebutuhan akan kompleksitas pada sistem tertanam membuahkan sebuah produk yang disebut SoC (System on Chip). System on Chip adalah sebuah Integrated Circuit (IC) yang mengintegrasikan semua komponen dari sebuah komputer atau sistem elektronik dalam satu buah chip. Untuk mengetahui kondisi dan kemampuan dari Single Board Computer (SBC), harus diukur terlebih dahulu melalui benchmarking. Benchmarking dilakukan pada komponen SoC, yaitu prosesor, GPU, dan RAM pada Raspberry Pi 2, Intel Galileo Gen 2, dan Cubieboard 1. Hasil menunjukkan Intel Galileo memiliki performa buruk dalam melaksanakan komputasi kompleks. Dari delapan kriteria penilaian, Galileo mempunyai lima skor terburuk dengan rata-rata beban maksimal CPU 58% dan RAM 31.4% dan rata-rata temperatur adalah 55.8℃. Raspberry Pi 2 adalah yang terbaik dengan rata-rata beban maksimal CPU 43% dan RAM 15.8% dengan rata-rata maksimal temperatur adalah 52℃.

---

The need for complexity in embedded systems produce a product called SoC (System on Chip). System on Chip is an Integrated Circuit (IC) that integrates all the components of a computer or electronic system in a single chip. To determine the condition and capabilities of the Single Board Computer (SBC), must be measured in advance through benchmarking. Benchmarking conducted on SoC components, there are processor, GPU, and RAM on the SBC type such as Raspberry Pi 2, Intel Galileo Gen 2, and Cubieboard 1. Results showed Intel Galileo has a bad performance in executing complex computing. Of the eight assessment criteria, Galileo has five scores worst with an average load of 58% maximum CPU and RAM 31.4% and the average temperature is 55.8℃. Raspberry Pi 2 is the best performance with an average load of 43% maximum CPU and RAM 15.8% with an average maximum temperature is 52℃."