Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengenalan wajah telah menjadi topik pengolahan citra yang banyak mengalami perkembangan. Pengembangan yang dilakukan bertujuan mengatasi kesulitan-kesulitan dalam pengenalan wajah, diantaranya pose pengambilan gambar. Penelitian ini bertujuan membuat rancang bangun rekognisi wajah tiga dimensi dengan sistem Fuzzy dan Jaringan Saraf Tiruan Hemisfer untuk mengatasi masalah tsersebut. Sistem fuzzy bertujuan untuk mengestimasi sudut pengambilan gambar dengan menempatkan informasi gambar ke suatu titik di ruang vektor fuzzy atau manifold dari data referensi menggunakan jarak terdekat fuzzy. Informasi sudut akan diteruskan ke jaringan saraf tiruan yang mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Informasi gambar yang dimasukkan ke dalam jaringan saraf tiruan terlebih dahulu dikompresi dengan metode Principle Component Analysis (PCA). Keunggulan jaringan saraf tiruan hemisfer dalam pengenalan wajah tiga dimensi adalah adanya faktor pengali neuron yang besarnya bergantung dari informasi sudut pengambilan gambar, sehingga gambar dua dimensi dapat diproyeksikan ke ruang tiga dimensi. Metode pembelajaran yang digunakan pada tulisan ini ialah pengembangan dari metode backpropagation. Penelitian diawali dengan pengambilan data dari alat pengambil gambar wajah tiga dimensi, perancangan sistem fuzzy dan jaringan saraf tiruan dalam MATLAB, dan validasi masing-masing sistem dengan data yang diambil. Sistem ini kemudian dikombinasikan dalam perangkat lunak MATLAB dan diuji dengan sebuah prototipe yang terdiri atas satu kamera. Hasil penelitian menunjukkan tingkat rekognisi sistem sebesar 76,29% pada saat validasi dan 37% saat aplikasi sistem satu kamera. Dari penelitian ini dibuktikan sistem dapat diaplikasikan untuk merekognisi wajah tiga dimensi, namun harus diperhatikan keakuratan pemotongan gambar untuk mendapat hasil yang akurat.

---

Face recognition is currently a highly discussed topic on image processing. The developments are aimed to overcome problems on recognizing face, such as various pose of image object. The study tries to solve the problem by creating a system design of 3D face recognition using a fuzzy system and Hemispheric Structure Hidden Layer of Artificial Neural Network to overcome the problem. The fuzzy system estimates pose information of the object taken. It is done by mapping the image taken to a point in a fuzzy vector space or manifold using fuzzy nearest distance. Pose information is then projected to the artificial neural network which is able to recognize faces after formerly learned a set of learning database. The data submitted to the artificial neural network is compressed by Principle Component Analysis (PCA). Main advantage of hemispheric neural network on 3D face recognition is the multiplying factor which values depend on the image pose information, so that the two dimensional images can be projected into three dimensional space. Learning method used in this study is an expansion of backpropagation. The study begins by taking experimental data from 3D face capturing devices, developing fuzzy system and artificial neural network in MATLAB, and validating both systems. The system is then combined in MATLAB and tested by a single unit camera prototype. Results show the system able to reach recognition rate of 76.29% on validation and 37% on single unit camera application. The study proves that the system is applicable for a 3D face recognition system, however the accuracy of image cropping should be taken into consideration for an accurate result."

"[Dewasa ini, teknologi berkembang dengan sangat pesat, salah satu contoh teknologi yang sedang marak beberapa tahun belakangan ini adalah 3D face recognition. Teknologi ini menggabungkan data biometrik berupa wajah orang yang diambil dari beberapa sudut (horizontal dan vertikal) dan jaringan saraf tiruan. Untuk memperbaiki tingkat rekognisi yang rendah pada saat menggunakan data crisp, maka digunakanlah metode fuzzy. Percobaan akan dilakukan sebanyak tiga kali karena terdapat tiga cluster yang masing-masing cluster terdiri dari beberapa set orang. Pertama-tama, data akan diolah secara bertahap pada fase fuzzification dimulai dari parameter ekspresi, orang, dan sudut. Tahapan selanjutnya adalah membuat referensi pada fase fuzzy manifold untuk kemudian digunakan pada fase fuzzy nearest distance. Pada fase fuzzy nearest distance akan dicari jarak terpendek dari data testing dengan referensi yang sudah ada. Hasil keluaran dari sistem ini adalah kombinasi sudut horizontal dan vertikal dari tiap-tiap cluster yang nantinya akan dimasukkan kedalam Jaringan Saraf Tiruan (JST) dengan lapis tersembunyi berstruktur hemisfer untuk mendapatkan tingkat rekognisi. Secara keseluruhan rata-rata tingkat rekognisi setiap cluster sudah bisa mencapai 80%. Hal ini menunjukkan sistem sudah cukup optimal dalam mengenali pola wajah yang ada. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. , The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ]"

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.

---

Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks.

This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters.

The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."

"Proses Thermal Mixing adalah jenis dari proses pencampuran yang penting di berbagai industri, seperti industri pangan, pupuk, farmasi, material sampai petrochemical. Proses Thermal Mixing merupakan proses Multi input multi ouput (MIMO), karena bekerja dengan mengendalikan dua flow air panas dan air dingin untuk mengendalikan temperatur dan level campuran. Meskipun memiliki respon yang kurang baik untuk mengendalikan MIMO, namun PID masih banyak digunakan karena kesederhanaannya. Algoritma non konvensional yang lebih baik seperti fuzzy control memiliki kerumitan yang tinggi dibanding PID. Algoritma Adaptive Fuzzy PID Controller (AFPIDC) merupakan gabungan dari keduanya, memiliki basis PID yang cukup sederhana namun ditambahkan aspek Fuzzy untuk mempercepat pengendalian dengan cara mengubah konstanta PID secara real-time (on the fly). Algoritma AFPIDC ini diterapkan pada simulasi sistem pengendalian temperatur dan level air pada proses water Thermal Mixing dan dilakukan pada program MATLAB/SIMULINK di PC. Fuzzy yang digunakan memiliki dua input berupa error dan perubahan error, dan memiliki tiga output berupa perubahan nilai konstanta PID. Pengujian sistem dilakukan dengan simulasi perubahan setpoint dan gangguan berupa kebocoran flow. Dari hasil pengujian sistem, pengendali AFPIDC memiliki performa yang lebih baik dari PID dalam mengendalikan temperatur dan level pada sistem. Dalam pengendalian temperatur, didapatkan nilai settling time PID sebesar 830 detik, AFPIDC sebesar 328 detik dan untuk nilai overshoot PID 6,3% dan AFPIDC 0%. Untuk pengendalian level didapatkan settling time PID 3221 detik dan AFPIDC 235 detik dengan nilai overshoot PID 10,5% dan AFPIDC 0%. Dari pengujian sistem terhadap gangguan kebocoran, pengendali temperatur membutuhkan waktu untuk kembali stabil pada PID 780 detik, AFPIDC 250 detik. Sedangkan untuk pengendalian level untuk kembali stabil membutuhkan waktu PID 4510 detik, AFPIDC 225 detik.

---

The Thermal Mixing Process is a type of mixing process that is important in various industries, such as the food, fertilizer, pharmaceutical, material to petrochemical industries. The Thermal Mixing Process is a multiple-input multiple-output process (MIMO), because it works by controlling hot water and cold-water flows to control the temperature and level of the mixture. Although it has a poor response to control MIMO system, PID is still widely used because of its simplicity. There are some better control algorithm, such as fuzzy control, but have higher complexity than PID. The Adaptive Fuzzy PID Control (AFPIDC) algorithm is a combination of the two, has a simple PID basis with added Fuzzy aspects to speed up control by changing the PID constant in realtime. The AFPIDC algorithm is applied to the simulation of temperature and water level control systems in the process of water Thermal Mixing and is done on the MATLAB/SIMULINK program on a PC. The fuzzy algorithm uses two inputs in the form of errors and changes in errors and has three outputs in the form of changes in the value of the PID constant. System testing is done by simulating setpoint changes and disruption in the form of leakage flow. From the results of system testing, AFPIDC controllers have better performance than PID in controlling temperature and level in the system. In temperature control, the PID settling time is 830 seconds, AFPIDC is 328 seconds and the PID overshoot is 6,3% and AFPIDC is 0%. In level control, the settling time of PID is 3221 seconds while AFPIDC is 235 seconds with PID overshoot is 10,5% while AFPIDC 0%. From testing the system with leakage disturbance, the temperature controller needs time to regain stability at PID 780 seconds, AFPIDC 250 seconds. Meanwhile the level controlling stabilizes at PID 4510 seconds, and AFPIDC at 225 seconds."

"Proses sistem kendali adalah proses penting yang terjadi di dunia perindustrian, salah satunya di ranah industri hulu migas. Salah satu instrumen utama pada proses upstream migas adalah separator yang memiliki fungsi untuk memisahkan kandungan fluida minyak mentah yang mengalir melalui pipa menjadi beberapa wujud fase. Pada kenyataanya hampir semua proses pengendalian separator pada fasilitas produksi PT. Pertamina EP masih menggunakan model pengendalian PID konvensional yang harus terus dimonitoring oleh sumber daya manusia selama 24 jam per hari. Oleh karenanya, pada penelitian ini dirancang sebuah metode pengendalian berbasis intelligent system, yaitu simulasi pengendalian Neuro Fuzzy. Metode pengendalian Neuro-Fuzzy ini didesain menggunakan algoritma ANFIS dengan input berupa setpoint, error, dan selisih error dari proses variabel fluida separator, yaitu level (h) fluida. Penelitian dilakukan menggunakan aplikasi Simulink/MATLAB dengan memasukkan fungsi transfer dari model matematis separator lalu melakukan perbandingan dengan melihat grafik respon dan parameter antara model pengendali PID dan ANFIS. Hasil dari penelitian menunjukan bahwa performa pengendali model ANFIS secara rata-rata memiliki overshoot yang jauh lebih baik dari model PID karena selalu mendekati nol dalam tiap kondisi set point serta model ANFIS memiliki nilai error yang lebih baik pada saat set point bernilai 5 dengan perbedaan error 0,712 dari error model pengendali PID.

---

The control system process is an important process that occurs in the industrial world, one of which is in the upstream oil and gas industry. One of the main instruments in the upstream oil and gas process is a separator which has afunction to separate the crude oil fluid content flowing through the pipe into several phases. In fact, almost all separator control processes at PT. Pertamina EP still uses the conventional PID control model which must be continuously monitored by human resources 24 hours per day. Therefore, in this study, a control method based on intelligent systems is based on Neuro Fuzzy control of the level (h) of the fluid. The research was conducted using the Simulink/MATLAB application by entering the transfer function of the separator mathematical model and then making comparisons by looking at the response and parameter charts between the PID and ANFIS controller. The results of the study show that the ANFIS model controller performance on average has a much better overshoot than the PID model because it is always close to zero in each set point condition and the ANFIS model has a better error value when the set point is 5 with an error difference of 0.712. of the PID controller model error."

"Nyamuk merupakan salah satu jenis serangga yang menyebabkan berbagai jenis penyakit pada manusia, seperti demam berdarah, malaria, cikumunya dan gatal (alergi) pada kulit. Salah satu metode sistem eradikasi nyamuk yang sedang berkembang yaitu dengan menggunakan laser. Pada penelitian ini, webcam sebagai sensor berbasis pengolahan citra. Webcam sebagai komponen untuk menangkap citra obyek. Pixel obyek akan difilter dengan color filtering dan grayscale. Setelah proses filtering, dilakukan proses blob counter untuk mendapatkan bentuk rectangular dari obyek. Hasil blobing akan dilanjutkan ke proses euclidean, perhitungan jarak. Koordinat obyek akan dikirimkan dari PC (Personal Computer) ke mikrokontroler. Mikrokontroler mengirimkan instruksi kepada servo controler untuk bergerak mengikuti obyek dan laser menembakkan sinar ke obyek. Controlling and Monitoring berbasis PC menggunakan sumber pengolahan perpustakaan terbuka AForge.NET dalam bahasa Visual C#. Matlab digunakan sebagai software untuk menganalisa data hasil pengujian. Pergerakan nilai pixel dari hasil setiap tahapan image processing terlihat jelas dengan menggunakan Matlab. Keakuratan pendeteksian alat eradikasi terhadap obyek mencapai ±90% dengan minimum ukuran obyek 2,91mm. Keakuratan penembakan sinar laser terhadap obyek dalam range ±70% dengan jarak maksimum 1,5mm. Besarnya nilai penyimpangan posisi obyek dan sinar laser dihitung dengan menggunakan rumus jarak antar dua vektor, tidak terdapat perbedaan hasil perhitungan manual maupun dengan menggunakan Matlab.

---

Mosquitoes are one of the insects that cause different types of diseases in humans, such as dengue fever, malaria, cikumunya and itching (allergy) of the skin. One method of mosquito eradication system that is being developed is by using a laser. In this study, the webcam as a sensor-based image processing. Webcam as a component to capture the image of the object. Object pixel will be filtered with color filtering and grayscale. After the filtering process, do the blob counter to get a rectangular shape of the object. Blobing results will continue to process euclidean, distance calculation. Coordinates of the object will be sent from the PC (Personal Computer) to the microcontroller. Microcontroller sends instructions to the servo controller to follow the object move and fired a laser beam to an object. Controlling and Monitoring using PC-based open-source processing AForge.NET library in Visual C # language. Matlab is used as software for data analysis of test results. Movement of the pixel values of the image processing results of each phase is clearly visible using Matlab. The accuracy of the detection tool eradication of the object to ± 90% with a minimum object size of 2.91 mm. The accuracy of the laser beam shooting towards the object in the range ± 70% with a maximum distance of 1.5 mm. The value of the object and the position deviation of the laser beam is calculated using the formula distance between two vectors, there is no difference in the calculation manually or by using Matlab."

"ABSTRAKPengenalan wajah merupakan salah satu topik pada ilmu pengolahan citra yang sering dikembangkan. Salah satu dari metode pengenalan wajah ialah dengan menggunakan jaringan saraf tiruan. Jaringan saraf tiruan mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Metode pembelajaran yang digunakan pada tulisan ini ialah dengan lapisan tersembunyi berbentuk hemisfer yang merupakan pengembangan dari metodebackpropagation dengan data masukan yang direduksi oleh algoritma PCA. Metode ini menggunakan informasi sudut wajah pada citra sebagai parameter masukan selain data citra wajah tersebut. Seiring dengan majunya teknologi pengambilan gambar, metode ini dapat digunakan untuk mengenali wajah secara tiga dimensi.

---

ABSTRACTFace recognition is one of most discussed topics in image processing. A method used for face recognition is using artificial neural networks. Artificial neural network recognizes faces by learning the faces given to train. The learning method proposed in this paper is using hemispheric structure hidden layer which is an improvement of backpropagation algorithm with reduced data as input using principal component analysis algorithm. This method needs face’s angle on the image as parameter inputs instead of only face data. As the technology of capturing image growing, this method can be applied as an algorithm for 3D face recognition."

"Dewasa ini, perkembangan teknologi telah menjadi bagian yang tidak terpisahkan dari kehidupan manusia. Teknologi ini tentu memilki fungsi untuk menguntungkan dan menyetejarahkan manusia. Salah satu aplikasi teknlogi pada bidang keamanan ialah pengenalan wajah. Pengenalan wajah pada umumnya menggunakan nilai crisp yang kemudian dicocokan dengan database yang tersedia. Pada penelitian ini, data wajah akan tefokus pada sudut pengambilan foto dan menggunakan sistem bilangan fuzzy. Sistem ini dipilih karena tingkat ketahanannya yang handal dari jenis jenis gangguan. Dengan menggunakan metode fuzzy manifold, akan diestimasi sudut wajah yang tidak ada pada database. Dan dengan menggunakan fuzzy nearest distance, suatu foto sudut wajah dapat diidentifikasikan letak sudutnya. Selanjutnya dilakukan percobaan ulang dengan data tereduksi menggunakan metode fuzzy dimension reduction. Hasil dari penelitian ini menunjukan bahwa sistem ini dapat merekognisi sudut wajah dengan sangat baik.

---

The development of technology are nowadays has become an integral part of human life. The Technology certainly has the function to benefit and prosperous of human being. An apllication of this kind technology is in field of security which using face recogniton. Face recognition, in general, uses crisp-value for matching available image database. In this experiment, face images will be focused on poses of taken images and will be transform to fuzzy-value. The system has been chosen because it has high reliability from any kind of image noise. Using fuzzy-manifold method, an unknown pose face images will be estimated and added to database. And using fuzzy-nearest distance, an unknown pose face images will be determined as pose position of the recognized pose. After that the experiment will be do over again using fuzzy-dimension reduction. The result show that the system could maintain high recognition rate."