Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRAK

Synthetic aperture radar (SAR) adalah sebuah teknologi remote sensing yang dapat memproduksi citra dengan resolusi yang tinggi terhadap sebuah objek tanpa bergantung dengan waktu akuisisi, jarak dan cuaca. Hal itu menyebabkan tingginya laju akuisisi, besarnya volume raw data, besarnya daya yang harus digunakan dan dibutuhkannya filter yang cocok (Match Filter). Metode konvensional SAR memiliki kekurangan yang salah satunya yaitu munculnya permasalahan side lobes sehingga mengurangi kualitas dari citra. Compressed Sensing (CS) adalah sebuah paradigma baru untuk merekonstruksi sinyal/data dari jumlah sampling yang sedikit sehingga memperoleh hasil yang lebih efisien. CS dapat menghapus fungsi match filter, mengurangi laju akuisisi dan mengurangi sidelobe pada data SAR. Dalam penelitian ini, akan membahas simulasi pengolahan citra SAR buatan pada lima jumlah target sparse dengan metode CS dan melakukan optimasi matriks pengukuran dengan menggunakan metode Gradient-Based Minimization yang dapat meningkatkan kualitas rekonstruksi dengan menurunkan nilai koherensi matriks pengukuran. Alat ukur yang digunakan yaitu dengan parameter kualitatif dan kuantitatif RMSE dan PSNR. Hasil menunjukkan dengan menggunakan optimasi terhadap matriks pengukuran pada kondisi noise-free terdapat perbaikan hasil rekonstruksi setelah optimasi terjadi pada jumlah sampling dibawah 39. Sedangkan pada kondisi noise, terjadi perbaikan nilai yang signifikan pada derau yang tinggi pada nilai SNR di bawah 30 dB

---

ABSTRACT

Synthetic aperture radar (SAR) is a remote sensing technology which can generate images with high resolution on an object without having to depend on the time of acquisition, the distance, and the weather. It causes a high rate of acquisition, the large volume of raw data, high power consumption that should be used, and it also requires Match Filter. The conventional method of SAR has some lacks, one of which is the happening of side lobes problem which causes it to reduce the quality of the image. Compressed Sensing (CS) is a new paradigm to reconstruct the signal/data from few numbers of sampling in order to obtain more efficient results. CS can eliminate the match filter, reduce the acquisition rate, and minimize the effects of side lobes on SAR data. This research will discuss the image processing simulation of artificial SAR on the target amount (K=5) by using CS method and do the optimization of measurement matrix by using Gradient-Based Minimization which can improve the quality of reconstruction by decreasing the coherence value of measurement matrix. The used measuring tools are the qualitative and quantitative parameters of RMSE and PSNR. The result shows that, in using optimization for measurement matrix in noise free condition, there is improvement in the reconstruction result after the optimization occurs in the number of sampling M≤38. Meanwhile, in noise condition, there is significant movement in the value of high noise (SNR<30 dB).

"

"Telah dilakukan penelitian metodologi segmentasi dan klasiiikasi citra synthetic aperture radar (SAR) bcrdasarkan Pulse Coupled Neural Networks (PCNN) dikombinasilcan dengan ciri teksturf Langkah awal penelitian ialah mencari variabel optimal pada persamaan PCNN. Segmentasi citra dilakukan menggunakan tiga macam metoda yang diusulkan yaitu pertama berdasarkan PCNN yang variabelnya telah dibuat optimal, kedua yaitu berdasarkan modiiikasi proses iterasi PCNN dan ketiga berdasarkan mod'kasi persamaan PCNN. Hasil segmentasi tiga teknik ini dapat memisahkan wilayah sesuai ground truth, tetapi pada jumlah iterasi tertentu masih telj adi tumpang tindih. Klasiikasi berdasarkan PCNN dilakukan dua tahap yaitu pertama mengelmraksi ciri tekstur citra. Ekstraksi ciri ini menggunakan perhitungan Grey Level Co-occurrence Matrix (GLCM). Dipilih tiga macam ciri yaitu diss|'m1`!arity, correlation dan angular second moment. Tiga ciri ini menjadi masukan pada PCNN untuk diiterasi. Hasil yang sangat menonjol dari rangkaian elcsperimcn. ini ialah didapatkannya variabel optimal persamaan PCNN yang tegar, metoda modiiikasi iterasi persamaan PCNN yang dapat menghlndari terjadinya tumpang tindih pada dua kelas wilayah hasil segmentasi, modiiikasi persamaan PCNN menjadi empat pereamaan yang dapat mempercepat segmentasi, dan hasil yang menonjol lainnya ialah dapat digunakannya PCNN ini untuk klasiftkasi ciua SAR yang bertekstur dan multi wilayah setelah dikombinasikan dengan ciri tekstur dan ketepatan klasifilasi berdasarkan PCNN yang diusulkan mencapai 91,58$% untuk pita L, 88, 31% untuk pita C dan 85,33%, untuk pita P.

---

The new methodology on segmentation and classification of Synthetic Aperture Rofar (SAR) based on Pulse Coupled Neural Networks (PCNN) and features texture was proposed in this dissertation. The tirst step of this research is timing the variables of the PCNN. The segmentation is based on new methods which proposed in this dissertation. First by iterating the images used optimal PCNN, the second method by modifying the iteration of the PCNN, and the third method by modilymg the equations of the PCNN. The results of these experiments are good enough, but in one of some iterations the result was overlap, in this case two area of the image were appeared in the binary image. The classification based on PCNN would be in two steps, Erst was the features extraction. The features were extracted by using the Gray Level Co-occurrence Matrix (GLCM). Three features, dissimilarity, correlation and angular second moment were selected to be processed by the PCCNN. The significant results of the experiments are, optimal variables of the PCNN which are robust, the new method of iteration of the PCNN which be able to avoid over lapping in segmentation, the new method of modification PCNN equation could increases the speed of segmentation and classification, and new method the application of PCNN in the segmentation and classification ofthe textural and multi region SAR images. Total accuracy for L band is 9l,58%, C band is 88,31% and'P band is 85, 33%."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"Penelitian ini membahas studi tentang deteksi perubahan penutup lahan Kalimantan Tengah, menggunakan multi-temporal Synthetic Aperture Radar (SAR) JERS-i. Penggunaan citra SAR untuk observasi muka bumi dimana kondisi berawan dan kabut merupakan hambatan utamanya, mempunyai potensi yang sangat besar dalam memonitor perubahan area. Tetapi adanya proses koherensi data SAR membuat citra tersebut dengan mudah akan tercemar oleh bising speckle, yang merupakan.sinyal tak bebas dan berlaku sebagai bising multiplikatif.Pokok bahasan dari penelitian ini yang pertama adalah meminimumkan bising (denoising) speckle dengan menggunakan algoritma a trous. Selanjutnya kesulitan penggunaan citra optis untuk identifikasi obyek pada daerah yang sering berawan dan hujan lebat akan digantikan dengan citra SAR dengan memanfaatkan sifat transfcrmasi dari algoritma wavelet a troust. Transformasi ini akan menghasilkan satu set citra detail dari skala yang berbeda, sehingga citra SAR yang merupakan single band akan mendapatkan tambahan band dari citra-citra detail tersebut. Dengan demikian pemrosesan citra SAR dapat dianalogikan sebagai pemrosesan multiband dari citra optis, sehingga dapat menggali lebih banyak informasi untuk identifikasi obyek. Tahap berikutnya dilakukan pengklasteran pada citra detail tersebut dengan teknik Pemetaan Swa-Atur (Self-Organizing Map (SOA4)") karena tidak tersedianya data groundtruth. Tahap lerakhir adalah deteksi perubahan area menggunakan teknik Pcrbedaan Citra ("Image Differenciing") dan Analisa Komponen Utama ("Principle Component Analysis (PCA)").Proses denoising pada pra-pengolahan akan dilakukan dengan menggunakan pemodelan bising. Pada citra SAR karena bisingnya adalah speckle yang bersifat multiplikatif maka perlu dilakukan proses homomorphik, yaitu proses untuk memisahkan komponen deterministik (sinyal) dengan komponen statistik (bising) sehingga bising dapat dimodelkan dalam bentuk Gaussian. Untuk itu sebelum denoising citra akan di log-kan terlebih -dahulu sehingga terpisah antara kompcnen sinyal dan komponen bisingnya. Transformasi a trous adalah transformasi wavelet multiresolusi yang dilakukan skala (resolusi) per skala tanpa ada desimasi. Hasilnya adalah satu set citra detail wt (dimana i menyatakan tingkat skala, I 1,2.j ) dan satu citra approksimasi pada skala tertinggi c1, tanpa terjadi peruoahan ukuran citra pada setiap skala. Dalam transformasinya harga piksel ke-k ditentukan oleh c;+r(k) = ., h(n) c;(kl 2'n), dimana h adalah koefisien filter 133 spline dengan -2 n < +2 , menyebabkan harga pixel tersebut menjadi berkurang atau bertambah ditentukan oleh 5 harga pixel yang ke-(k+2'n). Secara analitis korelasi citra detail pada skala (i-1) dengan citra detail pada skala I dapat dibuktikan melalui w; = c(,.0 - c; dan secara eksperimen dapat dibuktikan melalui matriks korelasi dari PCA. Dengan adanya korelasi menyebabkan persoahan obyek dalam citra-citra detail dapat diamati. Citra detail dari transformasi a trous yang masih mengandung bising speckle akan di denois menggunakan teknik Multiresolution Support, yaitu teknik untuk uji signifikansi bising pada setiap pixel dari citra. Signifikansi bising didasarkan pada nilai standard deviasi 6; dari citra detail pada skala j dikalikan dengan konstanta K, yaitu K6.j. Hal inilah yang menyebabkan pemilihan harga K dipengaruhi oleh daerah observasi. Pada penelitian ini di lakukan percobaan dengan harga K = 2, 2.5, 3, 3.5 dan hasilnya yang terbaik adalah K = 3. Hasil rekonstruksi setelah uji signifikansi Multiresolulion Support adalah citra dengan residual artifact atau citra dengan struktur yang tidal: sebenarnya, oleh karena itu perlu dilakukan proses guna mengurangi efek residual artifact tersebut. Proses pengurangan residual artifact adalah suatu proses iterasi dimana akan dihitung citra residu, yaitu pengurangan citra asli dikurangi dengan citra dengan residual artifact. Pada setiap iterasi citra residu akan ditransformasi menggunakan a trous menjadi satu set citra detail residu dan citra appraksimasi residu. Selanjutnya ditentukan koefisien wavelet signifikan dan dilakukan rekonstruksi kembali. Bila residu masih dinyatakan signifikan maka citra residu akan ditambahkan ke citra residual artifact pada proses sebelumnya. Selanjutnya dilakukan proses iterasi kembali sampai harga residu sudah tidak signifikan lagi. Pada penelitian ini diambil toleransi error a 5 0.002 dan hasilnya adalah citra yang telah di denois atau citra denoising. Pada kelompok wavelet, hasil denoising menggunakan trous dapat menekan bising sampai 43% tanpa ada kerusakan struktur dan penurunan nilai rata-rata yang sangat rendah sampai 0.005%. Meskipun hasil denoising tidak sebaik Haar (50%) atau Daubechies (481') tapi trous mempunyai kekhususan dimana nilai variannya masih cukup tinggi, tidak mengalami pengerutan ukuran pada saat transformasi dan terdapat redundansi pada citra detaiinya sehingga tidak banyak kehilangan informasi. Hasil penelitian ini juga memperlihatkan bahwa transformasi a Emus mempunyai performansi yang cocok untuk aplikasi deteksi perubahan penutup laltan, karena obyek dalam citra, dapat diamati dalam skala yang berbeda. Makin tinggi tingkat resolusinya maka obyek dengan frekuensi rendah (misal sungai) akan makin jelas struktumya, sedang obyek dengan frekuensi tinggi (misal pohon-pohon yang bergerombol) akan nampak pada beberapa skala rendah dan selanjutnya akan menghilang. Hal ini terjadi karena dalam transfonnasinya harga pixel pada skala-(j+ I) ditentukan berdasarkan harga pixel ke-(k+2'n).Selanjutnya untuk identifikasi obyek, citra denoising akan ditransforrnasi menggunakan wavelet a trous sampai skala 4, karena pada skala 5, terlihat pembesaran obyek sungai sudah tidak proporsional Iagi. Citra detail ini akan di analogikan sebagai band-band seperti pada teknik pemrosesan multiband dari citra optis. Selanjutnya dilakukan pengklasteran pada masing-masing citra detail menggunakan teknik Pentetaan Swa-Atur (SCM), Untuk melakukan deteksi perubahan penutup lahan, akan dilakukan dua cars pemrosesan yaitu pertama akan dilakukan proses Perbedaan Citra pada satu set citra detail yang sudah terklaster dan yang kedua menggunakan PCA, Pada proses PCA dilakukan penseleksian band berdasarkan harga eigenvalue kovariannya. Pertama dipilih band dengan eigcn value terbesar, selanjutnya dipilih band lain yang mempunyai harga eigenvalue kovarian ? 10% dari harga eigenvalue band terbesar. PCA terpilih akan diklasterkan dan dilakukan proses Perbedaan Citra. Hasilnya diperoleh bahwa ada kemiripan antara basil dari proses PCA dan yang langsung dari Perbedaan Citra. Hasil pengamatan memperlihatkan bahwa telah terjadi perubahan pada daerah rawa, scattered trees dan tropical grass, sedangkan untuk obyek sungai, baik yang dalam maupun yang dangkal, sedikit sekali perubahannya. Verifikasi obyek dilakukan menggunakan peta thematik dengan skala 1:250.000 dan citra Landsat TM Kalimantan tengah yang diambil pada Maret (97).

---

Wavelet A. Trolls Algorithm Aided Synthetic Aperture Radar Image Analyses Applied to Land Cover C1-Imange Detection in Central Kalimantan This research studied the land coverage change detection in Central Kalimantan using multi-temporal Synthetic Aperture Radar (SAR) MRS-I. The use of SA.R image for earth surface observation where haze and cloud coverage become a problem, has great potentiality in monitoring the area change. Due to coherence process of the SAR data, this makes the image easily contaminated by speckle noise, which is an independent signal and act as multiplicative noise.The main topic of this research is to minimize the speckle noise (denoising) by using the trout algorithm. Subsequently, to identify objects, SAR image processing is analogue with multiband process of the optical image. Because SAR is single band, a trous wavelet transformation is used to obtain the additional band for a set of detail image. The next step is clustering on the detail image with Self-Organizing Map {SOM} technique due to the unavailability of ground truth. The final step is area change detection with Image Differencing and Principle Component Analysis (PGA) techniques.The denoising in pre-process is performed with noise modeling. In SAR image, since the noise is speckle that is multiplicative in nature, homomorphism process or the process to separate deterministic (signal) and statistic (noise) components is performed so the noise can be modeled in Gaussian. Therefore, before denoising process, image has to take its logarithm first so the signal component is separated from the noise component. A trous transformation is a multiresolution wavelet transformation done in scale (resolution) by scale without decimation. The result is a set of detail image wt (where i represents scale level, r = 1,2.j ) and one approximation image in highest scale e without change in image size in all scales. This did not occur in known wavelet transforms, like Haar and Daubechies, where the transformation has one specific direction and suffering from the shrinking of the image size with the increase of the scale resolution. In the transformation, the value of the 11f' pixel determined by c;+r(k) = 2, h(n) c;(k+2'n), where h is the B3 spline filter coefficient with -2 5 n 5 +2, causing the value of the pixel to decrease or increase according to five (k+2'n) pixel values. The detail image on scale i is obtained from w, = c(1_J) - c,, so there are redundancy of the detail image scale (i-i) with the scale i. This causes the object changes in detail images to become observable. The detail image from a trous transformation that still contain speckle noise is denoised with Multiresolution Support technique, which is a technique for noise significancy testing on each image pixels. The noise significance is based on the standard deviation value of the detail image on the scale j (cr) multiplied with the constant K, that is K6;. This causes the choice of K value affected by the observation area. In this research, experiments are performed with the value of K = 2, 2.5, 3, 3.5 and, the best result is at the K value of 3. The reconstruction result after Multiresolution Support significance test is an image with residual artifact; therefore, it is needed to perform a process to reduce the effect of the residual artifact. The process to reduce the residual artifact is an iteration process where residual image is counted, which is original image reduction subtracted by image with residual artifact. During each iteration, residual image is transformed with a trous into a set of residual detail images and a residual approximation image. Subsequently, significant wavelet coefficient is determined, and the reconstruction is performed. If the residue still significant, then the residual image is added to the residual artifact image of the previous process, and the iteration is performed until the residual value is not significant. In this research, error tolerance is taken at e 5 0,002 and the result is a denoised image.In a wavelet group, the denoising result with a trous can suppress the noise down to 43% without structural damage and very low average devaluation of 0.005%. Although the denoising result is not as good as Haar (50%) or Daubechies (48%), a trous have specification that the transformed image result did not suffer the shrinking in size and have redundancy on the detail image so it's not lose much information. While in wavelet transformation with Haar and Daubechies, the higher the scale will result in structural damage, where visually indicated by boxed shape in Haar, and spots in Daubechies. The result of this research also shown that 'a trous transformation have suitable performance for land coverage area change detection application, and since the objects are in images, it's observable in different scales. Low-frequency objects will become clearer when the resolution is higher, while higher-frequency objects visible in some lower scales and subsequently disappearing. This happens because in the transformation the pixel value in the scale -0+1) is determined by the value of the pixel -(k+ 2'n).For the object identification, denoised image is transformed with a trous wavelet resulting in a set of detail images. Image transformation is done to 4U' scale, since in the 5u' scale, the object magnification is no longer proportional. This detail image is analog as bands like in multib and processing of optical image. Clustering is done on each detail images with. Self-Organizing Map technique. To detect the area coverage change, two processes are performed. First is direct Image Differencing process on a set of clustered detail images, second is with the PCA. In the PCA process, the first step is band selection based on the eigen value co-variant. The band with the biggest eigen value is chosen first, then pick another band with co-variant eigenvalue ? 10% of the biggest. eigen value band. The chosen PCA from March 97 and August 98 images are clustered and processed with image Differencing. So, to process the area change detection with SAR image could be done right away with a trolls wavelet transformation, and for the area detection is using Image Differencing. The result indicates that there are similarities between the result with PCA and without PCA. The observation result shown that there are changes on swamps, scattered trees, and tropical grass areas. While for rivers, either deep or shallow, there is very little change. Object verification is done with thematic map on 1:250000 scale and Landsat TM image taken on March 97."

"ABSTRAKBerkembangnya proses komputerisasi di masa sekarang ini turut menjadi pemicu adanya sistem komputerisasi untuk pengambilan data suatu pengujian. Terlepas dari jenis pengujian yang dilakukan. sistem komputerisasi pengambilan data pengujian jelas memberikan beragam nilai tambah bagi pengujian itu sendiri. Dari hasil komputerisasi pengambilan dan pengolahan data uji tarik menggunakan mesin tarno didapat bahwa dengan sistem komputerisasi, laju pengambilan data dapat ditingkatkan secara signifikan dan memungkinkan adanya pengolahan data yang lebih mudah dikarenakan dimungkinkannya digunakan perangkat Iunak tambahan lainnya seperti Microsoft Excel. Akan tetapi harus diingat bahwa suatu sistem komputerisasi pengambilan data tetap bergantung kepada alat utamanya.dalam hal ini mesin uji tarik Tarno, tanpa presisi dan kemampuan alat utama yang, baik maka suatu sistem komputerisasi pengambilan data akan menjadi tak berguna

---

"

"ABSTRAKKebutuhan akan data satelit penginderaan jauh bagi Indonesia sangat penting salah satunya untuk ketahanan pangan. Kontinuitas data untuk mempredisksi produksi pertanian bisa diukur melalui teknologi penginderaan jauh pada satelit pengamat bumi. Namun Kementrian Pertanian masih menggunakan satelit pengamat bumi milik asing dari Amerika Serikat yaitu satelit Landsat 8. Satelit Landsat 8 menggunakan sensor pasif berupa kamera yang memiliki kelemahan tidak mampu menangkap citra dari objek permukaan bumi pada saat kondisi berawan. Sehingga ini menyulitkan petugas lapangan untuk melakukan verifikasi data luas tanam dan panen sesuai dengan kondisi factual di lapangan.Penelitian telah dilakukan dengan menggunakan metode tekno ekonomi berdasarkan comparative alternatif. Dibuat dua skenario dalam melakukan analisisnya. Skenario I yang menggunakan satelit buatan Indonesia dengan misi memantau lahan pertanian yaitu Lapan A3 yang membawa sensor pasif berupa kamera dan skenario II yang menggunakan satelit mikro dengan menggunakan sensor aktif berupa teknologi Synthetic Aperture Radar microSAR . Kedua alternatif tersebut dibandingkan berdasarkan dari bobot masing-masing satelit yang berada pada ukuran mikro, sekitar 100 kg.Hasil analisis dari sisi teknologi didapatkan bahwa skenario II microSAR memperoleh resolusi temporal dan resolusi spectral lebih baik dibandingkan dengan skenario I LapanA3 . Dari sisi ekonomi, skenario I Lapan A3 memiliki biaya yang lebih rendah dibandingkan skenario II microSAR . Namun, teknologi SAR layak diterapkan di Indonesia karena Indonesia merupakan Negara hujan tropis yang terdapat banyak awan. Teknologi SAR mampu menembus awan sehingga dapat memperoleh akurasi lahan pertanian lebih akurat sehingga dapat menjadi solusi dari permasalahan yang dihadapi oleh Kementrian Pertanian.

---

ABSTRACTThe need for remote sensing satellite data for Indonesia is very important one of them for food security. The continuity of data for predicting agricultural production can be measured through remote sensing technology on Earth observer satellites. However, the Ministry of Agriculture still uses a foreign owned satellite observer of the Earth from the United States, namely Landsat 8. Landsat 8 satellite uses passive sensors in the form of a camera that has a weakness is not able to capture the image of the earth 39 s surface objects in cloudy conditions. This makes it difficult for field officers to verify data on planting and harvesting areas in accordance with factual conditions in the field.Research has been done by using techno economic method based on alternative comparative. Two scenarios were created in the analysis. Scenario 1 using satellite made in Indonesia with the mission of monitoring agricultural land that is Lapan A3 carrying passive sensor in the form of camera and scenario 2 using micro satellite by using active sensor in the form of Synthetic Aperture Radar microSAR technology. Both alternatives are compared based on the weight of each satellite that is on the micro size, about 100 kg.From the technological analysis it is found that scenario 2 microSAR obtains temporal resolution and spectral resolution is better than scenario 1 LapanA3 . From an economic perspective, scenario 1 Lapan A3 has a lower cost than scenario 2 microSAR . However, SAR technology is feasible in Indonesia because Indonesia is a tropical rain country where there are many clouds. SAR technology is able to penetrate the cloud so as to obtain accurate agricultural accuracy so that it can be a solution of the problems faced by the Ministry of Agriculture."

"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%."

"ABSTRAK Elektrokardiogram (EKG) merupakan mekanisme yang dipergunakan untuk melakukan pemeriksaan kondisi jantung. EKG menghasilkan sinyal listrik yang menggambarkan aktivitas jantung. Penelitian ini akan melakukan pengolahan data EKG yang diambil secara langsung dari pasien sehingga siap untuk ditransmisikan. Untuk mengoptimalkan prosesnya maka data yang dikirimkan dikompresi sedemikian rupa tanpa mendistorsi informasi aslinya. Penelitian sebelumnya mengindikasikan bahwa untuk mencapai rasio kompresi optimal maka sinyal harus disusun sedemikian rupa sehingga menghasilkan regularitas yang tinggi. Akuisisi data dilakukan dengan ADC 24 bit, dilanjutkan penghilangan derau dan ekstraksi beat menggunakan teknik Multi Resolution Wavelet Analysis dengan Lifting Scheme dan normalisasi data. Pengurutan berbasis normalized cross correlation dilakukan sehingga diperoleh data dengan koefisien wavelet yang regularitasnya optimal. Hasil pengujian pada 10 record dari St. Petersburg INCART 12-lead Arrhythmia Database (incartdb) – PhysioNet menunjukkan bahwa penggunaan metode sorting ini dapat menurunkan distorsi sinyal hasil kompresi dengan rerata 3,76% dan perbedaan amplitudo sebesar 0,03mV dibandingkan tanpa sorting pada kompresi sinyal yang tinggi. Simplisitas metode yang dikembangkan memungkinkan implementasi pada platform embedded dengan kapabilitas komputasi yang terbatas.

---

ABSTRACT Electrocardiogram (ECG) is common mechanism to monitor heart activity in form of electrical waveform. This research will process ECG signal directly from patient and process it to be ready for transmission. For optimum transmission, signal compression must be done with minimum original information distortion. And to achieve optimum compression rate, high signal regularity is a must. Data acquisition for the system is realized with 24 bit high resolution ADC, continued with noise elimination and beat extraction using Multi Resolution Wavelet Analysis with Lifting Scheme to achieve fast operation cycle. Periode normalization is implemented to the clean signal. Clean normalized signal is sorted using normalized cross correlation method to achieve optimum regularity signal in its wavelet coefficient. Test result on 10 records from St. Petersburg INCART 12-lead Arrhythmia Database (incartdb) – PhysioNet shows that the implemented sorting method can decrease reconstructed signal distortion by mean of 3.76% with amplitude difference of 0.03mV compare to its unsorted form in high compression ratio. The method simplicity offering efficient implementation on embedded system with minimum computation and resources capability."

"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."