Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tanda tangan memiliki peran penting dalam konteks sosial, ekonomi, pendidikan. Awalnya, tanda tangan hanya berbentuk tulisan di atas kertas, namun seiring perkembangan tekonlogi digital, tanda tangan online mulai digunakan dan telah diakui secara hukum. Meskipun tanda tangan telah menjadi komponen yang penting, namun kasus pemalsuan tanda tangan masih tinggi. Beragam metode telah dilakukan untuk menyelesaikan permasalahan tersebut, mulai dari metode tradisional hingga penggunaan teknologi. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi keaslian tanda tangan melalui metode analisis time series dan arsitektur model Siamese Recurrent Neural Network yang efisien, memiliki akurasi yang tinggi, serta bersifat writer independent. Dari pengujian yang dilakukan, model yang dilatih menggunakan GRU (Gate Recurrent Unit) yang diimplementasikan dalam arsitektur Siamese RNN merupakan model paling optimal dengan tingkat akurasi pengujian 81.02%, durasi pelatihan selama 680 sekon, serta ukuran model sebesar 37.996 Mb. Data yang digunakan untuk pelatihan model ini didapatkan dengan menggunakan metode pemotongan (truncating) sinyal time series sehingga memiliki panjang 1116 data dan tanpa melakukan proses alignment menggunakan algoritma Dynamic Time Warping. Meskpun demikian, model yang menggunakan Bidirectional LSTM yang dilatih dengan data time series sepanjang 3489 data memiliki akurasi pengujian tertinggi sebesar 85.16%. Namun, model tersebut memiliki durasi pelatihan yang terlama yaitu sebesar 2431.2 sekon dan ukuran model terbesar yaitu 630 Mb.

---

Handwriting signature has important role at social, economic, and education context. Initially, handwriting signature only write in the paper. However, with the development of digital technology, online handwriting start to be used and has gained legal recognition in law. Although online handwriting signature has become important, there is still many cases of forgery handwriting signature. Various method has already implemented to solve this problem, start from traditional method until technology utilization. This research aims to develop system for handwriting signature authentication verification using time series analysis and Siamese Recurrent Neural Network model architecture that is efficient, highly accurate, and writer-independent. Based on experiments conducted in this research, the model trained using a GRU (Gate Recurrent Unit) implemented in Siamese RNN is the most optimal model generates 81.02% accuracy score, training time of 680 second, and memory size of 37.996 Mb. The data used for training this model was generated from time series signal truncation method resulting time series with data sequence length of 1116, without implementing alignment using Dynamic Time Warping algorithm. However the model utilizing Bidirectional LSTM trained with time series data sequence length of 3489 generates the highest accuracy score of 85.16%. But this model also has longest training time of 2431.2 second and largest memory size of 630 Mb."

"ABSTRAKTanda tangan (signature) merupakan sistem biometricyang masuk ke dalam kategori behaviometrickarena dalam pembuatannya sangat berpengaruh dengan kebiasaan seseorang dalam menggoreskan pena. Selain itu untuk pengaplikasian yang lebih luas, tanda tangan tersebut juga dapat digunakan sebagai tanda kehadiran, pelimpahan wewenang, pengajuan anggaran, perizinan dan hampir seluruh kegiatan kesekretariatan lainnya. Untuk membedakan tanda tangan yang asli dengan yang palsu secara komputerisasi dibutuhkan penggunaan metode yang tepat. Convolutional Siamese Networkmampu dan cocok untuk mendeteksi tanda tangan yang bersifat inkonsisten dengan cepat dan memiliki ketahanan (invarian) terhadap penskalaan, transisi, dan rotasi.Pada penelitian ini menggunakan dua macam dataset sebagai bahan uji yaitu dataset CEDAR dan datasetpartisipan yang penulis buat sendiri berdasarkan tanda tangan dari para partisipan yang penulis kenal, kemudian dilakukan beberapa skenario uji coba terhadap kedua jenis dataset citra tersebut. Skenario uji coba pertama dilakukan dengan mencari nilai False Acceptance Rate (FAR)dan False Rejection Rate (FRR)yang bertujuan untuk mengetahui tingkat akurasi program. Skenario uji coba kedua dilakukan dengan mencari nilai Standar deviasi dari kedua datasetyang digunakan yang dimaksudkan untuk mengetahui tingkat konsistensi kerja dari program ini. Skenario uji coba ketiga dilakukan dengan menggunakan Uji Pearson Product Moment (r)yang bertujuan mencari nilai runtuk mengetahui korelasi dua variabel.Dari beberapa skenario uji coba yang dilakukan didapatkan hasil False Acceptance Rate (FAR)sebesar 42% untuk dataset CEDAR dan 15% untuk dataset yang berasal dari partisipan, sementara False Rejection Rate (FRR)sebesarsebesar 38% untuk dataset CEDAR dan 77% untuk dataset yang berasal dari partisipan. Kemudian didapatkan nilai standar deviasi terbesar dengan nilai 1,28 pada penutur G. Terakhir untuk uji Pearson Product Momentdidapatkan nilai rsebesar 0,131466492

---

ABSTRACT

Signature is a biometric system that falls into the category of behavior because it is very influential in the making of a person's habit of writing a pen. Besides that for wider application, the signature can also be used as a sign of attendance, delegation of authority, budget submission, licensing and almost all other secretarial activities. To distinguish the original signature with a computerized fake one requires the use of appropriate methods. ConvolutionalSiamese Network is able and suitable to detect inconsistent signatures quickly and has resistance (invariant) to scaling, transitioning, and rotating.In this study, using two types of datasets as test material, namely the CEDAR dataset and the participant dataset that the authors made themselves based on the signatures of the participants who the authors were familiar with, then conducted several test scenarios on the two types of image datasets. The first trial scenario is done by finding the False Acceptance Rate (FAR) and False Rejection Rate (FRR) which aims to determine the level of accuracy of the program. The second trial scenario is done by finding the standard deviation values of the two datasets used which are intended to determine the level ofwork consistency of this program. The third trial scenario is done using the Pearson Product Moment Test (r) which aims to find the value of r to determine the correlation of two variables.From a number of trial scenarios, the False Acceptance Rate (FAR)was 42% for the CEDAR dataset and 15% for the dataset from participants, while the False Rejection Rate (FRR) was 38% for the CEDAR dataset and 77% for the

dataset. from participants. Then the largest standard deviation is obtained with a value of 1.28 inspeakers G. Finally for the Pearson Product Moment test obtained r value of 0.131466492."

"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."

"Pada Skripsi ini direkayasa sistem identifikasi tanda tangan menggunakan jaringan syaraf tiruan dengan berbasis perangkat pemrograman MATLAB. Sistem ini mengenali citra tanda tangan seperti atau bahkan lebih baik dari daya persepsi manusia dibutuhkan perangkat pemrograman dengan kemampuan manipulasi numerik yang cepat dan akurat karena citra dalam format dijital direpresentasi dalam bentuk matriks angka. Belakangan ini tersedia perangkat pemrograman yang mampu memenuhi persaratan tersebut yaitu MATLAB (Mathematic Laboratory). Perangkat pemrograman ini sangat luas penggunaannya karena kemampuan manipulasi numeriknya yang baik dan kesederhanaan sistemnya. Pengambilan citra, pengolahan citra, pembentukan jaringan dan pelatihan jaringan dilakukan berbasis perangkat pemrograman MATLAB. Diharapkan sistem ini dapat bekerja dengan baik mengenali citra tanda tangan asli dan palsu yang dimasukan sebagai citra pelatih dan penguji jaringan sayaraf tiruan.

---

This Thesis create a signature recognition system using artificial neural network based MATLAB programming platform. Image aquisition, image extraction, image processing, network implementation and network training conducted based on MATLAB programming platform. The signature recognition system that could recognize the signature image as good as or better that human description ability required a programming platform with fast and acurate numerical manipulation process because of an image in digital form was represented by a matrix of number. Lately, a programming platform that fit the requirement is availabe which is MATLAB (Mathematic Laboratory). This programming platform has a extensive utilization because of its fine numerical manipulation ability and its system modesty. The system is expected to be able to perform well on identifying and distinguish original signature iamge and its forgery that feed to the artificial neural network as image trainer and image tester."

"Skripsi ini dibuat untuk merancang perangkat lunak yang mampu mengenali nilai nominal uang kertas rupiah beserta keasliannya melalui proses pengolahan citra berbasiskan metode jaringan syaraf tiruan dengan algoritma backpropagation. Sistem pengenalan citra (image recognition) ini memperoleh kemampuan deteksi dengan cara belajar dari contoh (learning by examples).Pola dari tiap uang kertas rupiah memiliki ciri yang unik yang membedakannya satu dengan yang lainnya, baik bentuk angka, jumlah angka nol, serta gambar latar belakangnya. Pola khas dari tiap jenis uang kertas inilah yang dikenali oleh perangkat lunak ini, sehingga mampu membedakan tidak hanya uang kertas rupiah (valid data) tapi juga uang kertas pecahan lain (unknown data).Pencitraan uang kertas berasal dari dua sumber yakni citra tampak (visible image), yang berasal dari scanner 300 dpi, dan tak tampak (invisible image), yang menggunakan sinar ultraviolet (UV). Beberapa area tertentu diambil dari citra sebagai masukan identifikasi yang akan diolah melalui proses dijitalisasi sehingga dihasilkan reduksi citra hitam-putih (gray-scale) sebesar 8x7 pixel. Hal ini bertujuan selain mengurangi besar data pelatihan jaringan syaraf tiruan (JST) juga meningkatkan kemampuan identifikasi.Metode backpropagation dipilih didasarkan atas masukan data relatif kecil dengan harapan waktu pendeteksian dapat dipersingkat. Hasil identifikasi mungkin tidak akan mendekati klasifikasi, tetapi akan didekati dengan persentase kesalahan sekecil mungkin. Jumlah total data sebanyak 76 set, dimana 25 diantaranya digunakan untuk melatih JST, dan sisanya sebanyak 51 set digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali dengan tingkat akurasi hingga sebesar 92% bervariasi tergantung dari jumlah set data pelatihan yang dilakukan. Metode yang diterapkan dapat digunakan untuk mengenali uang kertas pecahan rupiah.

---

This paper is written to design a software that capable to recognize the nominal value of rupiah banknote with its authenticity by means of image-processing technic based on artificial neural network with backpropagation algorithm. This image-processing technic has its recognition ability from learning-by-examples process.

Each rupiah banknote has its unique characteristic which distinguish the banknote with one another, such as numeral shape, amount of zeroes, and its background image. The software then uses this banknote’s unique pattern to recognize not only for valid currency, but also for unknown currency.

The banknote imaging process itself came from two sources, visible image—taken from a 300dpis scanner, and unvisible image—taken from a UV. Some certain areas are taken from the image as identification source that will be processed by some digitalization until these areas become an 8x7 pixels gray-scale image. This is intented to reduce the data size for the artificial neural network training process, thus increase the identification ability.

Backpropagation method is chosen based on its input data which is relatively small, hoping that the detection time can be decreased. The identification result might not get closer with the classification result, but will get approached with as small error as possible. The total amount of data are 76 sets, where 25 of them are used to train the artificial neural network, and the rest of them are used to test the neural network. Simulation result shows that the sistem is capable to identify up to 92% of accuracy, depends on amount of train-sets data. This method can be used to identify the rupiahs banknote authenticity."

"Text-to-speech research in several languages in under development, and has reached a satisfactory result in certain language. But, some problems in text-to-speech have not been completely solved yet...."

"Hadirnya beragam layanan penyintesis suara manusia di Internet memungkinkan siapa pun untuk melakukan sintesis suara manusia dengan memanfaatkan layanan ini. Di tangan yang salah, teknologi ini dapat merugikan masyarakat awam dan meningkatkan peluang keberhasilan penipuan. Maraknya layanan penyintesis suara manusia yang sudah hampir tidak dapat dibedakan oleh telinga manusia memberikan keluangan untuk menghadirkan sebuah sistem yang dapat membedakan suara manusia dengan suara manusia sintetis. Penelitian ini memanfaatkan teknologi pembelajaran mesin yang berupa Convolutional Neural Networks pada spektogram suara manusia dari himpunan data pelatihan dengan 16 suara manusia yang berisikan 4 suara pria asli, 4 suara pria sintetis, 4 suara wanita asli, dan 4 suara wanita sintetis dengan jumlah 1.008 berkas rekaman suara manusia berformat WAV yang telah dirancang dan dibuat khusus untuk penelitian ini dengan pembagian pelatihan dan validasi sebesar 80% dan 20% secara berurut. Hasil akhir dari penelitian ini memberikan sebuah model CNN dengan bobotnya yang memberikan nilai data loss sekecil 0,00022 dan sebuah sistem yang dapat melakukan deteksi keaslian suara manusia berdasarkan berkas rekaman suara manusia dan model CNN serta bobot yang diberikan.

---

The presence of human voice synthesis services on the Internet allows everyone to create synthetic human voices by leveraging these services. In the wrong hands, this technology could harm unsuspecting citizens and promote chances of scams. The abundance of human voice synthesis service that is almost indistinguishable by human ears gave presence to a system that could distinguish between real and synthetic human voices. This study leverages machine learning technology in the form of Convolutional Neural Networks on a spectrogram from a training dataset with 16 different human voices consisting 4 authentic men voices, 4 synthetic men voices, 4 authentic women voices, and 4 synthetic women voices with the total of 1,008 WAV formatted human voice recording files that was designed and made specifically for this study with the splitting ratio for training and validation set to 80% and 20% respectively. The end result of this study produces a CNN model and its weights with a data loss score of 0.00022, as well as a system that can perform authenticity detection on a human voice based on the given human voice recording file and the CNN model with its weights."

"Integrasi antara data log dengan data seismik merupakan salah satu metode untuk melakukan prediksi terhadap suatu parameter log dalam area survei seismik. Analisa data dalam metode ini terdiri atas serangkaian data target log, yang dalam hal ini adalah log porositas dari beberapa sumur yang dikorelasikan dengan beberapa atribut seismik dari volume seismik 3D untuk menurunkan transformasi multi atribut dalam bentuk linear maupun non linear yang menghasilkan pemodelan terhadap parameter target log. Dalam transformasi linear, dihasilkan serangkaian konstanta bobot melalui metode least-square. Sedangkan pada transformasi non-linear diperlukan aplikasi Artificial Neural Network yang salah satunya adalah Probabilistic Neural Network (PNN). Untuk mengkalkulasi keberhasilan dari penurunan transformasi multi atribut, digunakan metode validasi silang. Nilai error yang dihasilkan melalui proses validasi ini menggambarkan nilai prediksi error ketika hasil transformasi multi atribut tersebut diaplikasikan kedalam volume seismik. Setelah didapatkan nilai korelasi yang optimum antara pemodelan log dengan log sebenarnya, selanjutnya dapat dibuat peta sayatan data (data slicing) yang menunjukkan penyebaran pororitas secara lateral yang dapat membantu menentukan zona persebaran porsitas tinggi yang merupakan indikasi prospek area reservoir hidrokarbon.

---

Integration between log data and seismic data is one of the method to predict log properties in seismic survey area. Data analysis in this method consists of series of target log data, which in this case is porosity log from some wells which correlate with seismic attributes from 3D seismic volume to derive linear or non linear multi attribute transform to product a predicted target log properties. In linear mode, the transformation consists of series of wheights derived by Least Square minimization. In non linear mode, application of Artificial Neural Network (ANN) is needed. One of the ANN which used in this research is Probabilistic Neural Network (PNN). To estimate the reliability of the derived multi attribute transform, crossvalidation method is used. Error that product from this validation method illustrate like prediction error when the transform is applied to seismic volume. After correlation value between predicted log and actual log obtained optimumly, a data slicing map showing the spreading of porosity lateraly can be made. This data slicing map abble to assist to determine high porosity spreading zone which is indicates the prospect area of hydrocarbon reservoir."

"Quadcopter adalah sebuah wahana terbang yang terdiri dari empat motor terhubung dengan baling-baling. Sistem pengendalian wahana ini memiliki kompleksitas yang cukup tinggi akibat kemampuannya yang memiliki enam derajat kebebasan, tetapi hanya memiliki empat jenis pergerakan, yaitu roll, pitch, yaw, dan thrust. Kompleksitas ini menyebabkan pengendalian quadcopter bersifat underactuated karena jumlah pergerakannya yang lebih sedikit dari derajat kebebasannya. Pengendalian empat pergerakan tersebut membutuhkan proses tambahan untuk menggerakkan masing-masing motor pada quadcopter yang disebut sebagai control mixer. Penelitian yang bertujuan untuk mengembangkan sistem kendali quadcopter berdasarkan ekosistem PX4 Autopilot membutuhkan sebuah control mixer yang dapat digunakan terlepas dari sistem pengendali bawaan dari PX4 Autopilot. Akan tetapi, control mixer yang terdapat di PX4 Autopilot hanya terikat pada sistem pengendali bawaannya dan persamaan matematisnya tidak terdapat di dokumentasi resminya. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem control mixer berbasis ekosistem PX4 Autopilot tanpa perlu mengetahui persamaan matematis dari model tersebut menggunakan model Deep Learning berbasis Back Propagation Neural Network yang akan diujikan pada program simulasi Gazebo untuk melakukan evaluasi model.

---

The quadcopter is an aircraft composed of four motors connected to propellers. The control system of this vehicle is quite complex due to its capability of six degrees of freedom, but it only has four types of movements: roll, pitch, yaw, and thrust. This complexity makes quadcopter control underactuated because the number of movements is fewer than its degrees of freedom. Controlling these four movements requires an additional process to manipulate each motor on the quadcopter, known as a control mixer. Research aimed at developing a quadcopter control system based on the PX4 Autopilot ecosystem requires a control mixer that can be used independently of PX4 Autopilot's built-in control system. However, the control mixer in PX4 Autopilot is only tied to its built-in control system, and its mathematical equations are not documented officially. Therefore, this research aims to create a control mixer system based on the PX4 Autopilot ecosystem without needing to know the mathematical equations of the model, using a Deep Learning model based on Back Propagation Neural Network that will be tested in the Gazebo simulation program to evaluate the model."