Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian ini penulis membuat program Pengenalan Obyek ( Object Recognition ) mulai dari obyek yang berupa image, hingga mendapatkan parameter-parametemya (ciri-cirinya) sampai pada proses pengenalannya dengan Neural Network. Untuk proses pengenalan obyek dengan Neural Network penulis menggunakan Multi-Layer Back Propagation Neural Network Simulator. Persoalan yang paling penting dalam proses pengenalan obyek dua dimensi adalah pemilihan parameter (ciri) yang tidak.dipengaruhi oleh proses skala, rotasi dan translasi pada obyek berbentuk kontur (keliling garis tepi pada obyek). Pada tesis ini parameter pengenalan obyek digunakan Fourier Descriptors dan diaplikasikan untuk mengenali obyek (mobil) dua dimensi. Penelitian dimulai dengan pengambilan gambar obyek mobil yang diambil pada arah tegak lurus dari samping mobil dan berakhir pada proses pengenalan yang menggunakan Neural Network dengan menggunakan teknik back propagation."

"Salah satu masalah yang terjadi pada lalu lintas adalah kecelakaan. Tidak hanya terjadi di darat, baik di udara maupun di laut kecelakaan lalu lintas juga dapat terjadi. Adakalanya bagian tubuh korban tercerai berai atau membusuk, sehingga akan mempersulit proses identifikasi korban. Kesulitan dalam mengidentifikasi korban juga terjadi dalam kasus pembunuhan. Dimana korban sering ditemukan sudah terpotong-potong dan bagian tubuhnya terpisah antara yang satu dengan yang lainnya.Bagian dahi manusia merupakan bagian yang tahan terhadap kerusakan, dan mempunyai karakteristik yang dapat membedakan antara bentuk dahi laki-laki dan bentuk dahi perempuan. Dengan adanya kemajuan di bidang ilmu pengetahuan dan teknologi, penentuan jenis kelamin manusia, yang merupakan hal yang paling penting dalam mengungkap identitas korban, dapat dilakukan dengan mudah menggunakan teknologi komputer berdasarkan bentuk dahi manusia.Salah satu cara penentuan jenis kelamin manusia adalah dengan menggunakan perangkat lunak Penentu Jenis Kelamin Manusia dengan metode analisa Fourier dari bentuk dahi dan fungsi diskriminan. Dalam metode analisa Fourier, garis kontur bentuk dahi dianggap sebagai suatu gelombang ireguler yang dibentuk oleh gabungan dari fungsi-fungsi trigonometri (fungsi sinus dan fungsi cosinus). Metode lain yang juga dapat digunakan untuk menentukan jenis kelamin manusia adalah analisa wavelet dan fungsi diskriminan. Pada analisa wavelet, garis kontur bentuk dahi dianggap sebagai suatu gelombang ireguler yang akan ditransformasikan menjadi gelombang wavelet berdasarkan suatu scaling function.Pada penelitian yang dilakukan oleh penulis, penentuan jenis kelamin manusia menggunakan analisa wavelet ternyata memberikan hasil yang lebih baik dibandingkan dengan penentuan jenis kelamin manusia yang menggunakan analisa Fourier. Tingkat kesalahan judging yang dilakukan oleh penentuan jenis kelamin manusia berdasarkan analisa wavelet adalah 20%, sedangkan tingkat kesalahan judging yang dilakukan oleh penentuan jenis kelamin manusia berdasarkan analisa Fourier adalah 31,7%. Dimana kecenderungan kesalahan judging terjadi pada citra cephalometry (tengkorak) laki-laki, yaitu tengkorak laki-laki dianggap sebagai tengkorak perempuan."

"Skripsi ini bertujuan untuk mengenali karakter (berupa huruf dan angka) dari plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan Hidden Markov Model (HMM) sebagai metode pengenalan. Terdapat 3 fase utama yang menentukan keberhasilan dari pengenalan, yaitu : pendeteksian lokasi plat nomor mobil dari citra masukan, segmentasi karakter dari plat nomor, dan pengenalan karakter plat nomor. Dua fase utama adalah fase pra-proses Deteksi lokasi plat nomor dilakukan dengan menggunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Segmentasi karakter plat nomor dilakukan dengan menggunakan vertical dan horizontal projection dari citra. Setelah itu tiap karakter hasil segmentasi dilakukan proses pengenalan dengan Hidden Markov Model.Pembentukan parameter HMM untuk pengenalan dilakukan dengan pembentukan codebook database terlebih dahulu. Citra dari karakter untuk training diubah ke domain frekuensi menjadi bilangan vektor yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook. Dari codebook ini dihitung parameter-parameter HMM untuk tiap karakter. Pada proses pengenalan dihitung besar log of probability HMM yang tertinggi untuk tiap karakter yang menjadi hasil proses pengenalan. Dari percobaan yang dilakukan didapatkan tingkat akurasi sebesar 95 %.

---

This final project's aim is to be able to recognize Indonesian license plate number from digital camera image using Hidden Markov Model as recognition method. The system consists of 3 main phase, which are: License Plate Detection & Extraction, License Plate Character Segmentation & Extraction and Recognition Phase. The first two is the pre-processing phase. The License Plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. The License Plate Character Segmentation is done by using vertical & horizontal projection of the image. Then each character from the segmentation phase is recognized using the Hidden Markov Model.

To acquire Hidden Markov Model's parameters for recognition, we need to make codebook database of the sample character images. The sample character images are transformed from spatial domain to frequency domain to become sample point. The near by sample points are then quantized and become values which will be called centroids/ codewords. These centroids are then saved in a codebook. From the codebook, then the Hidden Markov Model Parameters can be calculated for each character. In the recognition phase, the highest log of probability of Hidden Markov Model of all character is the recognized character. From many simulations that had been tested, the system can achieve 95 % of accuracy."

"Orthogonal Frequency Division Multiplexing (OFDM) adalah suatu teknik pengiriman pembawa jamak yang merupakan bentuk khusus dari Frequency Division Multiplexing (FDM) yang menggunakan spektrum lebih kecil terbagi ke dalam beberapa pembawa dengan mengatur jarak kanal yang lebih kecil sehingga penggunaan bandwidth akan lebih efisien.Pengiriman sinyal OFDM berdasarkan Transformasi Fourier Cepat (TFC-OFDM) memberikan efisiensi bandwidth dan memiliki kemampuan untuk mencegah terjadi interferensi Antar Simbol (IAS) dan Interferensi Antar Pernbawa (IAP) dengan penggunaan cyclic prefix yang dimasukkan di antara simbol-simbol TFD-OFDM, tetapi langkah ini membutuhkan hingga 25% dari bandwidth. Untuk meningkatkan efisiensi bandwidth dan memberikan kemampuan lebih baik dalam mencegah terjadinya IAS dan IAP maka diajukan pengiriman sinyal OFDM berdasarkan Transformasi Wavelet Diskrit (TWD-OFDM).Melalui pemodelan sistem OFDM berdasarkan Transformasi Wavelet Diskrit (TWD) dan Transformasi Fourier Cepat (TFC) pada kanal Additive White Gaussian Noise (AWGN) dan kanal Rayleigh fading lintasan jamak dengan bantuan perangkat lunak MATLAB versi 7.0.1, maka dapat dianalisa sejauh mana Bit Error Rate (BER) pada kedua sistem untuk tingkat Power Noise (Eb/No) yang sama.

---

Orthogonal Frequency Division Multiplexing (OFDM) is a multi-carrier transmission technique, which divides the available frequency into many carriers. OFDM is a special case of Frequency Division Multiplexing (FDM). OFDM uses the much spectrum more efficiently by spacing the channels much more closely together.

Fast Fourier Transform (FFT) based OFDM signal transmission gives bandwidth efficiency and have capability to combat Inter Carrier Interference (IC) and Inter-Symbol Interference (ISI) by adding a cyclic prefix between FFT -OFDM symbols, but this can decrease the bandwidth efficiency roughly 25%. To improve the bandwidth efficiency and ISI, ICI, Discrete Wavelet Transform is proposed.

Through DWT-OFDM and FFT OFDM over Additive White Gaussian Noise (AWGN) and Rayleigh Fading multi path Channel modeling supported with the program-based MATLAB version 7.0.1, we could analyze and compare Bit Error Rate (BER) over the same level of Power Noise (Eb/No)."

"Penelitian ini mengembangkan sistem pengenalan entitas bernama pada teks dokumen berbahasa Indonesia menggunakan pendekatan machine learning. Metode dalam machine learning yang digunakan adalah association rules. Entitas yang dikenali pada penelitian ini adalah entitas nama orang, nama organisasi dan nama lokasi. Aturan-aturan untuk mengenali suatu entitas dibuat berdasarkan informasi morfologi dan kelas kata yang digunakan sebagai fitur term/token yang ingin dikenali. Suatu term dapat mempunyai satu fitur (fitur tunggal) atau banyak fitur (fitur berganda). Fitur berganda dapat dibuat berdasarkan informasi morfologi, informasi kelas kata dan gabungan keduanya. Uji coba sistem dilakukan pada beberapa kombinasi penggunaan informasi morfologi dan kelas kata dalam aturan. Hasil uji coba menunjukkan bahwa sistem dapat melakukan pengenalan entitas bernama dengan F-measure tertinggi sebesar 79.39%. Hasil ini diperoleh dengan aturan pengenalan entitas bernama yang dibuat berdasarkan gabungan informasi morfologi dan kelas kata."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Tugas akhir ini bertujuan untuk membuat sistem pengenal huruf tulisan tangan dengan menggunakan algoritma Backpropagation Neural Network. Untuk mendapatkan representasi huruf dari bentuk tulisan tangan pada sub-sistem ekstraksi ciri digunakan metode Freeman chain code dan pryeksi sumbu sehingga akan dihasilkan rangkaian kode kerangka citra tulisan huruf. Proses penghalusan dan penipisan citra dilakukan dengan algoritma klasik pada sub-sistem pra_pengolahan. Pengujian menghasilkan tingkat keberhasilan rata-rata 92,31% untuk citra huruf A?Z, 76,92% untuk citra huruf a?z dan 90% untuk citra angka 0-9."

"Skripsi ini bertujuan untuk mengenali dan menganalisa penyakit darah Leukimia dengan citra darah menggunakan metode Logika Fuzzy. Proses pengenalan penyakit darah dilakukan dengan beberapa operasi pengolahan citra. Penentuan parameter karakteristik citranya berdasarkan warna (hue) dan kecerahan (value) yang akan digunakan dalam proses cropping dan pembentukan FIS membership function. Input citra darah akan dilakukan cropping pada ROI yang tetap, yaitu pada daerah [ 300 272 520 448]. Kemudian diambil nilai pixel koordinat pusatnya untuk dilakukan identifikasi dengan ukuran dan jenis penyakit darah yang berbeda-beda. Hasil data-data tersebut dikumpulkan menjadi suatu database yang digunakan dalam proses pengenalan dengan FIS. Pengenalan dengan FIS dilakukan dengan tiga metode berdasarkan membership function-nya, yaitu FIS dengan fungsi keanggotaan Gaussian, FIS dengan fungsi keanggotaan Trapesium, dan FIS dengan fungsi keanggotaan Segitiga. Pengenalan dilakukan dengan mengidentifikasi tiga jenis penyakit darah Leukimia, yaitu Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), dan Burkitts Lympoma (BL). Dari hasil simulasi dengan ketiga metode, diperoleh tingkat akurasi pengenalan penyakit darah yang mampu dikenali yaitu 100 % dan 66.67. Dimana, akurasi tertinggi dicapai oleh metode FIS fungsi keanggotaan tipe Gaussian dengan nilai akurasi 100 %.

---

This paper was made for recogning and analyzing the blood disease with blood images using Logic Fuzzy method. The identification blood disease process to use many operation emage processing. Determine the parameter chractheristic its image based on colour (hue) and brightness (value) which will using in the process cropping and formatting FIS membership function. The input blood image will conduct cropping at ROI which fixed, that is at region [ 300 272 520 448]. Then is taked the value pixel its coordinate center for is done identifity with size and kinds blood disease which different each order from coordinate center.

Result of data is collected to be a databese which will used in the process of recognition by FIS. The recognition by FIS is conducted to use three methods that based on its membership function, there are FIS by Gaussian membership function, FIS by Trapesium membership function, and FIS by Signoid membership function.

The recognition is conducted by to identify of three kinds Leucimia blood disease, involve Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), and Burkitts Lympoma (BL). Based on the rezult simulation by 3th method, is gotten rate acuration of identification blood disease which can is recogned, that is 100 % and 66.67 %. Where, the highth acuration is reached by FIS membership function type Gaussian method with its value acuration 100 %."