Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sitem pengenal aksi manusia saat ini sudah mulai menarik perhatian bannyak orang. Salah satu modalitas yang digunakan dalam sistem pengenal aksi manusia adalah sistem pengenal aksi manusia berbasis kerangka manusia. Banyak pendekatan yang menggunakan metode GCNs untuk melakukan klasifikasi aksi yang mana ini merupakan salah satu bagian terpenting dari sistem pengenal aksi mansia. Walaupun banyak hasil positif yang telah dihasilkan dari penelitian yang menggunakan pendekatan berbasis GCNs, GCNs memiliki keterbatasan dalam ketahanan, interoperabilitas, dan skalabilitas. Penelitian ini menggunakan PoseConv3D dalam sistem pengenal aksi manusia untuk bagian aksi klasifikasi. PoseConv3D yang berbasis 3D-CNN dapat mengatasi keterbatasan yang terjadi pada pendekatan berbasis GCNs. Sistem pada penelitian yang telah ada sebelumnya memiliki kekurangan dimana sistem tidak dapat melakukan ekstraksi pose terhadap video dengan ketinggian dan sudut kamera pengambilan video thermal yang berbeda. Kekurangan sistem juga terjadi pada kemampuan pengenalan aksi, sistem tidak dapat mengenali aksi masing-masing manusia yang berada dalam video thermal. Pada penelitian kali ini, penulis mengembangkan model sistem pengenal aksi manusia penelitian yang telah dilakukan sebelumnya, dengan menggabungan metode spasial-temporal dan PoseConv3D pada tahapan klasifikasi aksi. Penelitian ini juga menggunakan metode CenterNet pada tahapan ekstraksi pose. Model hasil pelatihan memiliki akurasi yang bagus dalam melakukan pengenalan aksi masing-masing aksi dan ekstraksi pose terhadap video dengan ketinggian dan sudut kamera pengambilan video yang bervariasi.

---

Human action recognition systems have started to attract the attention of many people. One of the modalities used in human action recognition systems is the human skeleton-based human action recognition system. Many approaches use GCNs method to perform action classification which is one of the most important parts of human action recognition system. Although many positive results have been generated from research using GCNs-based approaches, GCNs have limitations in robustness, interoperability, and scalability. This research uses PoseConv3D in the human action recognition system for the action classification part. PoseConv3D which is based on 3D-CNN can overcome the limitations that occur in GCNs-based approaches. The system in previous research has shortcomings where the system cannot extract poses from videos with different heights and camera angles of thermal video capture. System deficiencies also occur in action recognition capabilities, the system cannot recognize the actions of each human in a thermal video. In this research, the author develops a human action recognition system model of research that has been done before, by combining spatial-temporal methods and PoseConv3D at the action classification stage. This research also uses the CenterNet method in the pose extraction stage. The trained model has good accuracy in performing action recognition and pose extraction for videos with varying heights and camera angles."

"Build deep learning applications, such as computer vision, speech recognition, and chatbots, using frameworks such as TensorFlow and Keras. This book helps you to ramp up your practical know-how in a short period of time and focuses you on the domain, models, and algorithms required for deep learning applications. Deep Learning with Applications Using Python covers topics such as chatbots, natural language processing, and face and object recognition. The goal is to equip you with the concepts, techniques, and algorithm implementations needed to create programs capable of performing deep learning. This book covers intermediate and advanced levels of deep learning, including convolutional neural networks, recurrent neural networks, and multilayer perceptrons. It also discusses popular APIs such as IBM Watson, Microsoft Azure, and scikit-learn. You will: Work with various deep learning frameworks such as TensorFlow, Keras, and scikit-learn. Build face recognition and face detection capabilities Create speech-to-text and text-to-speech functionality Make chatbots using deep learning. "

"Pada penelitian ini bertujuan untuk merancang dan membuat perangkat lunak simulasi penyinaran radiografi dengan metode ray tracing menggunakan bahasa pemrograman Python. Metode ray tracing dilakukan dengan menghitung intensitas yang diterima detektor setelah melewati suatu materi dan mengalami atenuasi. Penelitian ini dimulai dengan memodelkan fantom TOR 18FG sebagai objek penyinaran. Merancang dan membuat modul simulasi penyinaran monoenergi pada energi 50 keV dan melakukan validitas terhadap perangkat lunak dengan membandingkan citra hasil simulasi dengan citra referensi kemudian menghitung persentase kesalahannya pada geometri dengan perhitungan statistik Mean Absolute Error (MAPE) dan nilai kontras citra dengan perhitungan statistik Mean Absolute Percentage Error (MAE). Pada validasi geometri, persentase kesalahan absolut perangkat lunak sebesar 4,082%. Sedangkan pada validasi nilai kontras, besar kesalahan absolut perangkat lunak sebesar 27,5%. Hasil dari penelitian ini, didapatkan perangkat lunak sederhana yang menyajikan pemodelan penyinaran dengan metode ray tracing dalam bentuk GUI yang dapat menginput nilai intensitas awal berupa jumlah foton dan menghasilkan output berupa citra fantom dengan tingkat akurasi yang tinggi secara geometri, tetapi tingkat akurasi secara nilai kontras masih rendah.

---

In this study aims to design and manufacture radiographic irradiation simulation software using the ray tracing method using the Python programming language. The ray tracing method is performed by calculating the intensity received by the detector after passing through a material and experiencing attenuation. This research begins by modeling the TOR 18FG phantom as an irradiating object. Designing and manufacturing a monoenergy irradiation simulation module at 50 keV energy and validating the software by comparing the simulated image with a reference image and then calculating the percentage error in the geometry by calculating the Mean Absolute Error (MAPE) and the contrast value of the image by calculating the Mean Absolute Percentage Errors (MAE). In geometry validation, the software absolute error percentage is 4.082%. Whereas in the validation of contrast values, the software absolute error is 27.5%. The results of this study, obtained simple software that presents irradiation modeling with the ray tracing method in the form of a GUI that can input the initial intensity value in the form of the number of photons and produces an output in the form of a phantom image with a high degree of accuracy in terms of geometry, but the level of accuracy in terms of contrast value is still low."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"The book also surveys various soft computing tools, fuzzy relational calculus (FRC), genetic algorithm (GA) and multilayer perceptron (MLP) to provide a strong foundation for the reader. The supervised approach to pattern classification and model-based approach to occluded object recognition are treated in one framework , one based on either a conventional interpretation or a new interpretation of multidimensional fuzzy implication (MFI) and a novel notion of fuzzy pattern vector (FPV). By combining practice and theory, a completely independent design methodology was developed in conjunction with this supervised approach on a unified framework, and then tested thoroughly against both synthetic and real-life data. In the field of soft computing, such an application-oriented design study is unique in nature. The monograph essentially mimics the cognitive process of human decision making, and carries a message of perceptual integrity in representational diversity. "

"Penyakit pada jantung merupakan salah satu penyebab kematian pada manusia di seluruh dunia. Salah satunya merupakan serangan jantung yang disebabkan adanya kelainan pada katup jantung yang dapat dideteksi melalui suara murmur pada detak jantung penderita. Skripsi ini merancang sistem pengenalan penyakit jantung dengan menggunakan metode Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan (JST) adalah suatu metode komputasi untuk memodelkan suatu sistem. Bentuk dan sifat JST yang sangat flexible memungkinkan JST digunakan untuk memodelkan, merancang dan menganalisis pengenalan penyakit jantung. Metode yang digunakan adalah backpropagation yang terdiri atas lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Pada penelitian ini analisis yang dilakukan adalah training data dengan fungsi gradient (traingd) serta menggunakan fungsi aktivasi purelin. Hasil dari pengujian kelainan jantung yang diperoleh akurasi rata-ratanya sebesar 82,22 %.

---

Heart disease is one of dead effect of human being in the world. One of them is heart attack which is cause by valve heart disease which can be detected by murmur sound of heartbeat patients. This Final Project is design of heart disease recognition system using Neural Network method. Neural Network is a computing method for modeling the system. Neural Network configuration and characteristic is very flexible enable which used for modeling, design dan analysing heart disease recognition. The methods which used is backpropagation which consist of input layer, hidden layer and output layer. In this research the analysis that has been done is file training with gradient function (traingd) and using purelin activation function. The result from testing heart disease is obtained average accuracy about 82,22 %."

"Pengunanaan kamera CCTV Inframerah sangan membantu dalam penerapan sistem keamanan, dengan demikian pengambilan gambar akan lebih mudah terutama jika ruangan dalam kondisi gelap. Sehinggan proses pengenalan wajah dalam kondisi gelap dapat dilakukan sebagaimana kondisi normal. Metode yang digunakan untuk proses pengenalan adalah Jaringan Saraf Tiruan. Jaringan Saraf Tiruan (JST) adalah suatu metode komputasi untuk memodelkan suatu sistem. Hal ini memungkinkan Jaringan Saraf Tiruan untuk melakukan pembelajaran terhadap sinyal yang diterima oleh sistem. Metode yang digunakan adalah backpropagation yang terdiri atas lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Pada penelitian ini analisis yang dilakukan adalah training data dengan data matriks image serta menggunakan Matriks Kovarian untuk mempermudah proses inputan.

---

The use of infrared CCTV camera is very helpfull in implementation of security system, because its capability to take images in the night so it can be used for identification process. The Method which performed in this identification process is Neural Network with back propagation. In this system is formed a network that consisting several input layers, hidden layers and output layers. The Data on input layer would be sent to hidden layer so the value of hidden weight can be obtained. From hidden layer, the value of hidden weight would be sent to output layer, so the value of output weight can be obtained. Difference between the output layer and the value of output weight is used to acknowledge error level in data identification. to obtain better identification result, the value of output weight is used as input data on input layer, so the same process is perfomed with better result. This is mentioned as back propagation process in Neural Network and this system is assesed capable to analyze the received data as input data."

"Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari sistem keamanan di berbagai bidang. Teknologi biometrik yang ada di sekitar kita ada berbagai macam seperti sistem identifikasi retina, iris mata, telapak tangan, sidik jari dan wajah. Banyak komputer atau laptop yang dilengkapi oleh kamera digital atau webcam yang terintegrasi dengan sistem yang ada di komputer itu sendiri. Teknologi camera digital semakin hari juga semakin canggih dalam pengambilan gambar yang dapat disesuaikan dengan situasi apapun contohnya seperti didalam ruangan atau diluar ruangan. Hal ini memungkinkan untuk pengaplikasian pngenalan wajah sebagai sistem autentikasi pengganti password selain fingerprint. Penelitian ini difokuskan pada perancangan aplikasi system pengenalan wajah menggabungkan dua metode yakni jaringan saraf tiruan dan metode pencocokan pola. Input dari sistem pengenalan wajah ini diambil dari webcam yang sudah melalui proses pre-processing dan sudah difokuskan ke bagian wajah dengan sistem pendeteksi wajah dengan metode pattern matching. Selain itu hasil dari pre-processing juga digunakan sebagai data training atau pelatihan. Gambar wajah hasil dari preprocessing ini kemudian masuk ke proses pengenalan menggunakan algoritma jaringan saraf tiruan. Hasil dari proses pengenalan wajah adalah berupa nama dari wajah orang yang dikenali. Sistem ini telah diuji pada lebih dari 36 sampel wajah yang diambil dari 12 orang.Hasil akhir menunjukan bahwa sistem ini berhasil mengidentifikasi sampel-sampel wajah tersebut dengan tingkat keberhasilan mencapai 86%.

---

Biometric is one of the modern technology features that is used mostly as a part of security system in many types of application. There are so many biometric technology options this day such as retina identification, iris, eye, hand, finger print, and face. Many computers such as laptop are completed with digital camera or webcam which integrated with in the system computer it self. Camera technology is getting more sophisticated in nowadays in capturing image from many situations such as indoor or outdoor environmental. This technology allows the possibility to develop face recognition as an option to authentication system in computer, other than the most popular fingerprint. This final project focuses on the design of face identification application using combination of two methods, neural network method and pattern matching method. The input of the system is taken from face detection algorithm with pattern matching method on webcam images which focused on human face area and already pass preprocessing first. The digital images from preprocessing are also used as a training data. The preprocessed image is then passed into the recognition process using neural network algorithm.The result of the recognition process is the person?s credential which in this case the name. This system has been tested over 36 samples taken from 12 people. Result show that the system has identified the samples with 86% success rate."