Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk membersihkan derau yang berbentuk garis-garis baik vertikal, horizontal maupun miring dapat dilakukan dalam domain spasial dan domain frekuensi. Pembersihan derau dalam domain frekuensi, citra harus ditransformasikan dari domain spasial ke dalam domain frekuensi dengan menggunakan Fast Fourier Transform (FFT) dan Fast Hartley Transform ( FHT). Citra yang mengandung derau hasil transformasinya tidak licin, sehingga untuk menghilangkan derau, harus dibuat licin. Kemudian setelah dibuat licin dikembalikan ke domain spasial dengan menggunakan invers FFT dan invers FHT. Sedangkan ralam domain spasial menggunakan filter harga rata-rata I piksel dan filter harga median terhadap tetangga-tetangga yang mengitarinya dimana untuk pengoperasiannya digunakan kernel :3 X 3.Hasil pembersihan derau dalam domain spasial dibandingkan dengan dalam domain frekuensi. Untuk pembersihan derau dalam domain frekuensi waktu yang dibutuhkan relatif lebih lama, citranya dapat lebih bagus dibandingkan dengan dalam domain spasial. Meskipun pembersihan derau dalam domain spasial dapat lebih cepat tetapi ada sebagian informasi yang hilang."

"DNA merupakan komponen penting dalam tubuh makhluk hidup dalam kaitannya dengan sintesis asam amino penyusun protein. Informasi mengenai sintesis asam amino tersebut direpresentasikan oleh empat buah karakter nukleotida A, T, C dan G yang merupakan simbol basa-basa nitrogen penyusun DNA. Rangkaian DNA makhluk hidup tersusun atas gen-gen yang panjangnya jutaan bahkan milyaran karakter nukleotida.Namun, yang terpakai sebagai kode genetik dalam sintesis asam amino hanya karakter nukleotida yang terdapat pada suatu daerah pengkodean yang disebut exon dalam seliap gen.Dengan menggunakan analisis transformasi fourier, lokasi exon-axon pada suatu segmen gen dapat dipredikasikan. Pada teknik ini, rangkaian karakter nukleotida diubah dalam representasi numerik sebagai urutan indikator biner. Jika didefinisikan koefisien-koefisien numerik a, t, c dan g sebagai representasi dari tiap karakter nukleotida, rangkaian karakter nukleotida tersebut dapat ditransformasikan ke dalam spektrum fourier sehingga karakteristik frekuensinya dapat diamati. Dalam hal ini ditetapkan suatu varaibel acak W sebagai perkalian antara koefisien-koefisien numerik dengan variabel acak dari masing-masing urutan indikaror biner. Dengan membuat fungsi optimisasi untuk mendapatkan nilai koefisien-koefisien numerik yang tepat, W merupakan suatu predictor yang sangat baik dalam mengidentifikasi lokasi exon pada suatu segmen gen.Simulasi dilakukan dengan menggunakan tiga segmen gen yang akan diuji. Data yang diperoleh dan simulasi menampilkan grafik spektrum daya dari ketiga segmen gen tersebut yang memperlihatkan puncak pada lokasi di mana terdapat exon pada segmen gen yang bersangkutan. Dari perhitungan nilai akurusi didapatkan bahwa hasil prediksi lokasi exon pada ketiga segmen gen yang diuji memiliki korelasi yang kuat dengan lokasi exon sebenarnya dengan presentase rata-rata di atas 75%."

"The following broad topics will be covered in the book : synchronization, phase-locking behavior, image processing, image segmentation, temporal pattern analysis, EEG analysis, fMRI analyis, network topology and synchronizability, cortical interactions involving synchronization, and oscillatory neural networks.This book will benefit readers interested in the topics of computational neuroscience, applying neural network models to understand brain function, extracting temporal information from brain imaging data, and emerging techniques for image segmentation using oscillatory networks"

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"Dibahas aplikasi summability dari deret Fourier berdasarkan metode Cesaro. Dimana menurut teorema Fejer fungsi dari [-π, π] mempunyai sum (C,1) yang konvergen uniform ke S (x) pada [-π, π], dan diperlihatkan bahwa sum (C,1) f(x) dari deret Fourier di titik x sama dengan S(x)."