Hasil Pencarian  ::  Simpan CSV :: Kembali

"Citra berkabut terjadi jika cahaya yang diterima oleh media optik dihamburkan dengan media yang keruh, seperti asap dan tetesan air. Citra berkabut dapat direstorasi menjadi citra tanpa kabut dengan proses image dehazing. Salah satu metode untuk melakukan image dehazing adalah statistical prior. Statistical prior digunakan ketika informasi yang diketahui hanyalah citra berkabut, untuk mengestimasi parameter yang tidak diketahui, seperti airlight dan transmisi. Pada penelitian ini penulis menggunakan dua metode statistical prior, yaitu Dark Channel Prior dan Two Peak Channel Prior. Untuk mendapatkan hasil terbaik, penulis melakukan optimasi parameter pada kedua metode yang digunakan. Untuk mendapatkan kualitas hasil image dehazing terbaik, penulis merancang sebuah kerangka kerja (framework usulan dari modifikasi metode Dark Channel Prior yang melibatkan pemisahan daerah langit dan non-langit dan optimasi parameter. Performa metode diuji dengan menggunakan metrik root mean square error (RMSE) dan structural similarity index measure (SSIM). Didapatkan hasil dimana metode usulan mendapatkan hasil evaluasi terbaik, dengan RMSE sebesar 0.063 dan SSIM sebesar 0.942 Untuk dataset SOTS Outdoor. Sementara untuk dataset O-Haze, metode usulan mendapatkan hasil evaluasi terbaik juga dengan RMSE sebesar 0.147 dan SSIM sebesar 0.811.

---

Hazy images occur when the light received by the optical device is scattered by turbid media such as smoke and water droplets. Hazy images can be restored to its clear version by the image dehazing process. It is possible to perform image dehazing using statistical priors. Statistical priors are used when the only known information is the hazy image itself, to estimate the unknown parameters. In this study, the author used two statistical priors, namely Dark Channel Prior and Two Peak Channel Prior. To obtain the best possible results, the author attempted to optimize the parameters of the used methods. Furthermore, to obtain the best possible quality of image dehazing results, the Author proposed a framework using a modification of the Dark Channel Prior method, which involved separating the sky and non-sky areas and parameter optimization. The method performance was evaluated using the root mean square error (RMSE) and structural similarity index measure (SSIM). The results obtained show that the proposed method is able to get the best evaluation results, with an RMSE of 0.063 and SSIM of 0.942 for SOTS Outdoor dataset. For the O-Haze dataset, the proposed method also gets the best evaluation results with an RMSE of 0.147 and an SSIM of 0.811."

"Citra satelit digunakan untuk memperoleh informasi mengenai area permukaan bumi agar dapat digunakan dalam berbagai keperluan. Misalnya, mendeteksi perubahan yang terjadi pada area yang terdampak bencana alam, mendeteksi perubahan area hutan dan lahan pertanian, keperluan keamanan nasional, pengamatan meteorologi, dan sebagainya. Namun citra yang dihasilkan ini biasanya terkontaminasi oleh partikel aerosol di udara yang ditunjukkan dengan adanya kabut atau awan yang mengakibatkan hilangnya informasi mengenai permukaan bumi pada citra tersebut. Salah satu metode yang banyak digunakan untuk proses menghapus awan pada citra satelit adalah Dark Channel Prior (DCP). DCP banyak dikombinasikan dengan beberapa metode untuk meningkatkan hasil yang diperoleh, salah satunya yaitu metode Low-rank. Pada penelitian ini diusulkan penggunaan diagram Voronoi pada metode Low-rank yang telah dikombinasikan dengan metode DCP. Nilai rata-rata PSNR dan SSIM yang diperoleh yaitu 9.93 dan 0.3572. Nilai PSNR dan SSIM yang diperoleh tidak menunjukkan adanya paningkatan dibandingkan dengan metode pembandingnya, namun berdasarkan hasil akhir visualisasi citra yang diperoleh menunjukkan bahwa terdapat peningkatan dalam hasil penghapusan awan. Hal ini menunjukkan masih perlu dilakukan peningkatan rekonstruksi citra agar nilai PSNR dan SSIM yang diperoleh sesuai dengan peningkatan hasil penghapusan awan melalui penggunaan diagram Voronoi.

---

Satellite imagery is used to obtain information about the Earth’s surface area for various purposes. For example, it is used to detect changes in areas affected by natural disasters, monitor changes in forest and agricultural lands, address national security needs, observe meteorological conditions, and more. However, the resulting satellite images are often contaminated by aerosol particles in the air, indicated by haze or clouds, which lead to the loss of information about the Earth’s surface in those images. One widely used method for cloud removal from satellite images is the Dark Channel Prior (DCP). DCP is often combined with several other methods to enhance the results, one of which is the Low-rank method. In this research, the use of the Voronoi diagram for the Low-rank method, combined with the DCP, is proposed. The average PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index) values obtained are 9.93 and 0.3572. The PSNR and SSIM values obtained did not show an increase compared to the comparison method, but based on the final image visualization results obtained, it showed that there was an increase in the cloud removal results. This shows that it is still necessary to improve image reconstruction so that the PSNR and SSIM values obtained are in accordance with the increase in cloud removal results through the use of Voronoi diagram."

"Kabut menjadi salah satu masalah yang terjadi dalam kehidupan sehari-hari dan dapat menyebabkan objek sulit terlihat. Fenomena ini dapat ditangkap oleh kamera dan mengubah informasi mengenai warna dan kontras yang tertangkap pada citra. Perubahan informasi ini berpengaruh besar pada penerapan computer vision dalam melakukan berbagai tugas, seperti deteksi objek, klasifikasi, dan sistem navigasi. Oleh karena itu, perlu dilakukan restorasi citra berkabut. Restorasi citra berkabut ini terus dikembangkan, mulai dari restorasi berbasiskan persamaan fisika hingga deep learning. Uformer menjadi salah satu arsitektur deep learning yang dikembangkan untuk melakukan restorasi citra berkabut dengan menggunakan ide dasar dari Transformer. Pada penelitian ini, dilakukan implementasi Uformer untuk restorasi citra berkabut. Pengujian performa model Uformer dilakukan menggunakan dataset O-HAZE, NH-HAZE, DENSE-HAZE, dan SOTS. Analisis dilakukan secara kuantitatif, kualitatif, dan cross-dataset. Hasil restorasi dari Uformer ini dibandingkan dengan Mod PDR-Net dan Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer menunjukkan bahwa model tersebut belum dapat menandingi hasil dari model Mod PDR-Net dan Mod PDR-Net Based CGAN dalam melakukan restorasi citra berkabut dengan dataset yang digunakan.

---

Haze has become a common problem that happens in daily life and can make objects hard to be seen. This phenomenon can be captured by camera along with changed color and contrast on the captured image. These changes largely affect computer vision tasks, such as object detection, classification, and navigation systems. To mitigate this problem, image dehazing is necessary. Image dehazing has constantly been developed to solve this problem, starting from restoration using the physical model to deep learning approaches. Uformer was introduced as one deep learning architecture for image restoration, inspired by the Transformer architecture. In this research, Uformer has been implemented for image dehazing. The Uformer model performance was evaluated using O-HAZE, NHHAZE, DENSE-HAZE, and SOTS datasets through quantitative, qualitative and cross dataset evaluation. The result showed that Uformer is not able to outperform Mod PDR-Net and Mod PDR-Net Based CGAN for image dehazing on the selected datasets."

"Aplikasi computer vision meliputi pendeteksian objek, klasifikasi citra, dan lain-lain. Performa dari aplikasi computer vision ini biasanya kurang baik jika digunakan pada gambar yang kabur. Gambar kabur disebabkan oleh kondisi lingkungan yang melibatkan mikropartikel di udara sehingga menyebabkan penurunan kualitas gambar. Dehazing gambar tunggal diperlukan untuk menjaga kualitas gambar yang baik. Berbagai metode dehazing citra tunggal telah dikembangkan, baik metode berbasis piksel atau deep learning. Berbagai arsitektur deep learning telah dikembangkan untuk mengatasi masalah single image dehazing, salah satunya adalah PDR-Net. Dalam studi ini, penulis mengusulkan modifikasi arsitektur PDR-Net untuk mendapatkan gambar yang direstorasi secara visual sebaik mungkin. Arsitektur Modified PDR-Net (PDR-Net M) yang diusulkan dilatih dengan dua set data, yaitu O-Haze dan Dense-Haze, dan menjalani uji ketahanan menggunakan dataset NH-Haze, SOTS, dan beberapa gambar kabur yang diunduh dari Google Image. Hasil modifikasi PDR-Net menunjukkan hasil terbaik saat restorasi citra citra kabur pada data uji O-Haze dan Dense-Haze, dengan Structural Similarity (SSIM) 0,8042, Peak Signal-to-Noise Ratio (PSNR) 20,65,00perbedaan warna 9,26 , Root Mean Square Error (RMSE) 0.11 dan Naturalness Image Quality Evaluator (NIQE) 3.94. Meskipun pada uji robustness ketiga, PDR Net-Modified mengalami kesulitan dalam restorasi citra karena karakteristik dataset yang sangat berbeda dengan data latih, PDR-Net Modified masih unggul pada uji robustness pertama dan kedua.

---

Computer vision applications include object detection, image classification, and others. The performance of this computer vision application is usually not good when used on blurred images. Blurred images are caused by environmental conditions involving microparticles in the air causing a decrease in image quality. Dehazing a single image is necessary to maintain good image quality. Various methods of single image dehazing have been developed, either pixel-based or deep learning methods. Various deep learning architectures have been developed to overcome the problem of single image dehazing, one of which is PDR-Net. In this study, the authors propose a modification of the PDR-Net architecture to obtain the best possible visually restored image. The proposed Modified PDR-Net (PDR-Net M) architecture was trained with two datasets, namely O-Haze and Dense-Haze, and underwent robustness testing using the NH-Haze dataset, SOTS, and some blurred images downloaded from Google Image. PDR-Net modification results show the best results when restoring blurred images on O-Haze and Dense-Haze test data, with Structural Similarity (SSIM) 0.8042, Peak Signal-to-Noise Ratio (PSNR) 20.65.00 color difference 9.26 , Root Mean Square Error (RMSE) 0.11 and Naturalness Image Quality Evaluator (NIQE) 3.94. Although in the third robustness test, PDR Net-Modified had difficulty in image restoration because the characteristics of the dataset were very different from the training data, PDR-Net Modified was still superior in the first and second robustness tests."

"Kabut merupakan fenomena atmosfer di mana asap, debu dan partikel kering lainnya berada di atmosfer. Kabut ini tentunya dapat memunculkan efek blur dan buram pada citra sehingga dapat mengurangi informasi yang terkandung di dalamnya. Hal ini dapat menyebabkan penurunan performa dari permasalahan pembelajaran mesin, seperti identifikasi dan klasifikasi. Image dehazing merupakan suatu proses yang bertujuan untuk memulihkan gambar yang jelas dari gambar yang rusak oleh kabut atau asap. Terdapat berbagai metode image dehazing yang telah dikembangkan, baik yang berbasiskan pixel intensity dan deep learning. Salah satu metode deep learning yang telah dikembangkan sebelumnya untuk image dehazing adalah Mod PDR-Net. Pada penelitian ini, penulis mengajukan suatu deep network untuk image dehazing baru dengan menggunakan Mod PDR-Net di dalam suatu Conditional Generative Adversarial Network. Data yang digunakan dalam penelitian ini adalah dataset standar citra berkabut luar ruangan. Untuk mengetahui kualitas dari hasil image dehazing yang didapat, penulis membandingkan hasil metode usulan dengan Mod PDR-Net original dan didapatkan bahwa metode usulan memiliki hasil yang lebih baik dibandingkan dengan Mod PDR-Net berdasarkan metrik yang digunakan, yaitu SSIM, RMSE, Delta E, dan BRISQUE dengan nilai berturut-turut sebesar 0.785, 0.109, 9.750. dan 28.375.

---

Haze is an atmospheric phenomenon where smoke, dust, and other dry particles are present in the atmosphere. Haze can create blurring effects in captured images, resulting in reduced information contained in the image. This can lead to performance degradation from machine learning problems, such as identification and classification. Image dehazing is a process that aims to recover a clear image from a hazy image. Various image dehazing methods have been developed, both based on the pixel intensity and deep learning. One of the deep learning methods that has been previously developed for image dehazing is Mod PDR-Net. In this study, the author proposes a deep network for image dehazing by using Mod PDR-Net in a Conditional Generative Adversarial Network. The data used in this study consists of a standard dataset of outdoor hazy images. In order to determine the quality of the obtained image dehazing results, the author compared the result of the proposed method with the original Mod PDR-Net and found that the proposed method has better results than the Mod PDR-Net based on the metric used, namely SSIM, RMSE, !E, and BRISQUE with values respectively 0.785, 0.109, 9.750. and 28.375."

"Kabut merupakan fenomena alami yang diakibatkan oleh keberadaan partikel kecil di atmosfer. Kabut yang ada di atmosfer dapat mengurangi kontras dan mendistorsi warna hasil citra yang diambil dalam kondisi alami. Keberadaan kabut pada citra sangat mengganggu aplikasi computer vision maupun fotografi konsumen. Sebagian besar algoritma computer vision memerlukan citra yang jernih untuk dapat berfungsi dengan baik, sehingga diperlukanlah teknik untuk menghilangkan kabut dari citra. Image dehazing bertujuan untuk memulihkan citra jernih dari citra yang dirusak oleh kabut. Image dehazing dapat dilakukan menggunakan model machine learning. Dewasa ini, banyak model machine learning yang digunakan berbasiskan arsitektur Vision Transformer. Penelitian sebelumnya mengenai Vision Transformer menunjukkan bahwa model Transformer dapat berkinerja lebih baik dibandingkan model state-of-the-art ResNet untuk image recognition jika dilatih menggunakan dataset yang besar. Pada penelitian ini, model Uformer dilatih menggunakan dataset citra berkabut dengan ukuran yang besar. Dilakukan juga implementasi Restormer untuk sebagai model alternatif untuk merestorasi citra berkabut. Pengujian kinerja model Uformer dan Restormer dilakukan menggunakan dataset HAZE dan RESIDE. Analisis terhadap model dilakukan secara kualitatif, kuantitatif, dan cross-dataset. Hasil evaluasi model Uformer dan Restormer dibandingkan dengan model Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer dan Restormer menunjukkan bahwa model berbasis Transformer dapat menyaingi Mod PDR-Net Based CGAN untuk restorasi citra berkabut pada dataset testing, namun tidak dapat mengungguli model tersebut dalam pengujian cross-dataset.

---

Haze is a natural phenomenon caused by the presence of small particles in the atmosphere. Haze present in the atmosphere can reduce the contrast and distort the color of images taken under natural conditions. The presence of haze in an image is detrimental to computer vision applications and consumer photography. Most computer vision algorithms require clear images to function properly, hence the need for techniques to remove haze from images. Image dehazing aims to recover a clear image from an image corrupted by haze. Image dehazing can be done using machine learning models. Nowadays, many machine learning models used for dehazing are based on the Vision Transformer architecture. Previous research on Vision Transformer shows that the Transformer model can perform better than the state-of-the-art ResNet model for image recognition when trained using large datasets. In this research, the Uformer model is trained using large dataset of hazy images. Restormer is also implemented as an alternative model for restoring hazy images. Performance testing of the Uformer and Restormer models was conducted using the HAZE and RESIDE datasets. The models were analyzed qualitatively, quantitatively, and through cross-dataset. The evaluation results of the Uformer and Restormer models are compared with the Mod PDR-Net Based Conditional Generative Adversarial Network model. The evaluation of the Uformer and Restormer shows that Transformer-based models can rival Mod PDR-Net Based CGAN for image dehazing on the testing dataset, but cannot outperform the model in cross-dataset testing."

"ABSTRAKPublisitas merupakan salah satu media promosi yang penting dalam mendukungrangkaian strategi 360 komunikasi pemasaran terpadu (IMC). Publisitas masuk dalam ranahpublic relations dimana tugas umum public relations adalah menjaga citra positif, menanganipublisitas negatif, dan meningkatkan efektivitas unsur-unsur dalam bauran promosi(marketing mix). Berdasarkan isi pesannya, publikasi dapat dibedakan menjadi 2 jenis,yaitu publikasi positif dan publikasi negative. Terutama sekali untuk public figure sepertipolitisi, entertainers, dan atlet professional. Semuanya bersaing dalam pemahaman untukpersetujuan dan penerimaan public, dan semua keuntungan dari menyampaikan citra yangkuat dan diinginkan. Selebriti sebagai brand erat kaitanya dengan arus publisitas yang tinggi,dimana melalui publisitas citra dibentuk dan dijadikan dasar dalam mengevaluasi sertamendorong niat untuk menonton selebriti yang bersangkutan. Adapun, di sisi yang berbedaterdapat beberapa kasus dimana publisitas negatif cenderung memiliki dampak positif padabrand. Fenomena ini menunjukkan bagaimana publisitas negatif tidak selalu memiliki efeknegatif pada brand dan khususnya yang akan kita teliti adalah pada selebriti sebagai brand.Dengan kondisi dimana selebriti tidak lepas dari berbagai pemberitaan, maka menjadimenarik untuk diketahui bagaimana publisitas merubah citra selebritis dan pengaruhnyaterhadap evaluasi masyarakat atas selebriti dan sikap mereka atas selebriti tersebut yang akandiukur dengan niat mereka untuk menonton acara dimana si selebritis terlibat di dalamnya.Penelitian ini menggunakan metode eksperimen, dengan menguji 3 (Positif PriorBrand Image, Negatif Prior Brand Image, dan Zero Prior Brand Image) x 2 (PublisitasPositif dan Publisitas Negatif). Dilakukan studi pendahuluan untuk menentukan jenispublisitas serta selebritis yang akan digunakan sebagai stimulus. Mengikutsertakan sebanyak180 mahasiswa FEUI dengan rentang usia 17-25 sebagai partisipan dan digunakan stimulusartikel pemberitaan untuk melihat efeknya pada intention to watch, brand evaluation, danperubahan brand image dari selebriti yang menjadi objek pemberitaan. Data yang diperoleh,kemudian diolah dengan metode statistic anova dan Uji T.Hasil menemukan bahwa publikasi negatif memberi efek positif intention to watchpada positif prior brand image dan negatif prior brand image, sedangkan berefek sebaliknyapada zero prior brand image. Untuk brand evaluation, nilai tertinggi diperoleh positif priorbrand image, diikuti zero prior brand image, dan nilai terendah diperoleh negatif prior brandimage. Sedangkan perubahan brand image kontras terlihat pada positif brand image yangdiberikan publikasi negatif serta cukup besar pada zero prior brand image pada kedua jenispublikasi. Hasil ini membuktikan publikasi negatif cenderung memberi efek positif intentionto watch dan brand evaluation pada positif prior brand image namun tidak dapat menghindarikekecewaan masyarakat dimana terdapat penurunan brand image yang cukup besar. Hal iniselaras dengan penelitian sebelumnya dimana dikatakan, saat konsumen memiliki komitmenyang tinggi terhadap perusahaan, konsumen akan cenderung bersikap defensif padapemberitaan negatif dan berpihak pada perusahaan.

---

ABSTRACTPublicity is one of the important media campaign in support of a series of strateintegrated marketing communications (IMC). Publicity is in the realm of public relationsin which the general duty of public relations is to maintain a positive image, handle negativepublicity, and increase the effectiveness of the elements in the promotion mix (marketingmix). Based on the content of the message, the publication can be divided into 2 types,positive publicity and negative publicity. Especially for public figures such as politicians,entertainers, and professional athletes, all these compete in some sense for public approvaland acceptance, and all benefit from conveying a strong and desireable image. Celebrities asbrand currently exposed with high publicity, publicity through which the image is formed andused as the basis for evaluating and encouraging the intention to watch the celebrity inquestion. Meanwhile, in a different hand, there are several cases where negative publicity islikely to have a positive impact on the brand. This phenomenon shows how the negativepublicity does not always have a negative effect on the brand and specially in celebrities asbrand. With a condition in which a celebrity can not be separated from a variety of reports, itbecame interesting to know how publicity change the image of celebrity and its effect on thepublic evaluation and the celebrities that will be measured by their intention to watch a showwhere the celebrities involved in it.This research uses experimental methods, with test 3 (Positive Brand Image Prior,Prior Negative Brand Image and Brand Image Prior Zero) x 2 (Positive Publicity andNegative Publicity). Conducted a preliminary study we determine the type of publicity andcelebrities that will be used as a stimulus. Include as many as 180 students, aged 17-25 UI asa participant and used stimulus news article to see its effect on the intention to watch, brandevaluations, and changes in brand image of celebrities who became the object of preaching.Data obtained, then processed with ANOVA statistical methods and Test T.Results found that the negative publicity give a positive effect on the intention towatch for prior positive brand image and prior negative brand image, while the oppositeeffect on zero prior brand image. For brand evaluation, the highest value obtained priorpositive brand image, followed by zero prior brand image, and the lowest value obtainedprior negative brand image. While the change in brand image contrast seen in a positivebrand image with negative publicity and quite large at zero prior brand image in both typesof publications. These results prove negative publicity tends to have a positive effect intentionto watch and brand evaluation on prior positive brand image but can not avoid thefrustration of the people where there is a decrease substantial brand image. This is consistentwith previous studies where it was said, when consumers have a strong commitment to thecompany, consumers will tend to be defensive in negative publicity and reward firms."