Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sinyal dalam konteks telekomunikasi membawa informasi dengan variasi terhadap waktu, termasuk sinyal suara yang bersifat non-stasioner. Kehadiran noise dalam sinyal suara dapat mengurangi kualitas informasi yang ditransmisikan. Penggunaan transformasi wavelet telah menjadi pendekatan yang efektif dalam denoising sinyal suara, namun untuk hasil optimal, diperlukan pemilihan model threshold dan wavelet families yang tepat. Penelitian ini mengeksplorasi kinerja berbagai model threshold dalam denoising sinyal suara. Hasil penelitian menunjukkan bahwa waktu komputasi untuk denoising meningkat seiring dengan peningkatan level dekomposisi, dengan threshold Donoho memiliki waktu komputasi tercepat, diikuti oleh modifikasi, dan acuan Gang Yang [9] paling lambat. Penggunaan wavelet families juga memengaruhi nilai Mean Squared Error (MSE) dan waktu komputasi. Model threshold acuan Gang Yang [9] memberikan MSE terbaik dengan waktu komputasi 119,252 detik pada level dekomposisi 4, sedangkan threshold modifikasi menawarkan waktu komputasi lebih cepat yaitu 87,965 detik dengan MSE hampir setara pada level dekomposisi 2. Peningkatan panjang filter wavelet meningkatkan kompleksitas program dan waktu komputasi, namun efeknya bervariasi pada tiap model threshold. Selain itu, dilakukan denoising pada noise teras rumah (SPL 83,445 dB) dan noise mesin konstruksi (SPL 87,439 dB). Pada noise teras rumah, level dekomposisi 1 dengan Biorthogonal 3.3 (bior33) paling efektif, mengurangi SPL menjadi 40,216 dB. Pada noise mesin konstruksi, level dekomposisi 1 dengan Reverse Biorthogonal 3.3 (rbio33) paling efektif, menurunkan SPL menjadi 69,569 dB. Berdasarkan hal tersebut, dalam memilih model threshold yang optimal, perlu dipertimbangkan nilai MSE dan efisiensi komputasi. Penelitian ini memberikan wawasan penting dalam memilih metode denoising yang efektif untuk meningkatkan kualitas sinyal suara.

---

In telecommunications, signals carry information with variations over time, including non-stationary audio signals. Noise in audio signals can degrade the quality of transmitted information. Wavelet transform is an effective approach for denoising audio signals, but optimal results require appropriate threshold models and wavelet families. This study explores the performance of various threshold models in denoising speech signals. Results indicate that computation time for denoising increases with decomposition levels; the Donoho threshold is the fastest, followed by the modified model, with Gang Yang [9]'s reference model being the slowest. Wavelet family choice significantly impacts Mean Squared Error (MSE) and computation time. The Gang Yang [9] reference model offers the best MSE at SNR 20-27 with a slight computation time increase (119.252 seconds at level 4), while the modified model achieves faster computation (87.965 seconds at level 2) with nearly equivalent MSE. Longer wavelet filters increase program complexity and computation time, varying by threshold model. Additionally, denoising was performed on residential porch noise (SPL 83.445 dB) and construction machinery noise (SPL 87.439 dB). For residential porch noise, decomposition level 1 with Biorthogonal 3.3 (bior33) was most effective, reducing the SPL to 40.216 dB. For construction machinery noise, decomposition level 1 with Reverse Biorthogonal 3.3 (rbio33) was most effective, lowering the SPL to 69.569 dB. Thus, selecting an optimal threshold model involves considering both MSE and computational efficiency. This study provides key insights for effective denoising methods to enhance speech signal quality."

"Dalam teknologi telekomunikasi, pemrosesan sinyal menyandang peran vital. Penerapan teknik tersebut telah merambah ke berbagai bidang seperti halnya bidang pengolahan suara dan ucapan, bidang pengolahan citra, kompresi data, dan estimasi spektral waktu frekuensi.Radar (Radio Detection and Ranging) adalah suatu metode penggunaan gelombang radio untuk mendeteksi kehadiran objek sasaran dan menentukan posisinya (lokasi/jaraknya) serta kecepatannya. Secara umum sinyal echo radar terdiri dari clutter c(t) yang merupakan hamburan dari benda-benda lain, noise n(t) atau derau yang lebih didominasi oleh penerima sendiri (kecuali pada frekuensi rendah), dan sinyal yang mungkin jika ada sasaran.Melalui bentuk pemodelan pembangkitan sinyal echo radar dengan bantuan program berbasiskan Matlab Simulink dan Matlab versi 4.2, maka dapat dianalisa sejauh mana penerapan dari untuk kerja transformasi Wavelet dan membandingkannya dengan transformasi Fourier dalam mengidentifikasi sinyal echo radar . Pemrosesan sinyal ditujukan untuk mengetahui kandungan frekuensi Doppler, dengan kata lain untuk tujuan mengetahui besar kecepatan radial benda terhadap radar. Dalam setiap deteksi diasumsikan selalu ada sasaran yang sudah berhasil dideteksi, sehingga yang harus dilaksanakan adalah mengetahui besar kecepatan radialnya.

---

Signal processing plays an important role in communication technology. Application of the technique has broadly expanded to various fields such as sound and utterance processing, image processing, data compression and frequency time spectral estimation.Radar (Radio Detection and Ranging) is one method of using radio wave to detect the targeted objects, their positions (in terms of location and distance) and speeds. Signally radar echo signal consists of clutter c(t), scattering from other objects, noise n(t) or roaring sound, dominantly controlled by the internal receiver (except for low frequency), and possible signal, when the target exist.In form of radar echo signal erection modeling supported with the program-based Matlab Simulink and Matlab Version 4.2, we may analyze application of Wavelet transforms displays as far as possible and compare to the Fourier transforms to identify radar echo signal. Signal processing is aimed at knowing the Doppler frequency ingredients. In other words, it is purposed to see the objects radial speed against the radar. It is assumed that there are always targeted objects already successfully detected. In this care, it is our task to determine the radial speed."

"ABSTRAKAplikasi-aplikasi transformasi wavelet telah banyak digunakan, terutamaaplikasi yang berhubungan dengan sinyal gambar, suara, video, dan sinyal elektriklainnya. Pada skripsi ini dibahas aplikasi transformasi wavelet untuk memprediksifluktuasi trafik internasional. Besarnya trafik internasional sangat dipengaruhi olehfaktor teknologi, ekonomi, hubungan bilateral negara satu dengan yang lain dankerjasama antar operator internasional.Fluktuasi trafik internasional berupa sinyal satu dimensi. Sinyal ini akandidekomposisi dari level I sampai dengan level 3 dengan menggunakan metodeDiscrete Wavelet Transform (DWT) untuk fungsi dasar Daubechies 18, Daubechies12, Daubechies 8 dan Haar . Hasil dekomposisi ini akan berupa sinyal aproksimasi darifilter lowpass dan sinyal detail dari filter highpass. Sinyal aproksimasi inimenggambarkan gambaran umum dari keseluruhan sinyal asli. sedangkan sinyal detailakan menentukan seberapajauh tingkat naik dan turunnya fluktuasi sinyal asli. Sinyalaproksimasi ini nantinya akan menjadi model sinyal pendekatan yang akandiprediksikan pada masa ke depan dengan asumsi kondisi keadaan yang hampir sama.Bentuk sinyal demi pada masa depan akan ditentukan oieh sinyal-siyal detail padamasa sebelumnya demikian pula dengan sinyal aproksimasinya yang dalam hal inidiprediksikan secara polinomial. Metode yang digunakan adalah Regresi PolinomialSelanjutnya proses prediksi fluktuasi sinyal merupakan proses rekonstruksi dari sinyalaproksimasi dan detail hasil prediksi. Untuk mendapatkan fluktuasi yang lebih smoothditambahkan proses denoising dengan menggunakan metode soft thresholding modelDonoho yang telah dimodifikasi dengan menggunakan harga rata-rata dan standartdeviasi pada koefisien sinyal detailnya.Dari hasil simulasi dapat diketahui bahwa dengan penerapan dekomposisi levelI untuk fungsi dasar Daubechies 18 dengan kombinasi denoising metode softthresholding model Donoho modifikasi dengan menggunakan nilai standart deviasiakan didapatkan nilai error prediksi yang terkecil.

---

"

"The Hidden Markov Model (HMM) is a frequently used tool in scientific research for recognizing pattern. This study discusses sign ature recognition using HMM where the signature image is transmitted from the remote station to the headquarter office by wireless because the remote station was not provided by the original signature as a reference. Generally, the transmission of radio communication has been corrupted with Additive White Gaussian Noise (AWGN) over the Rayleigh fading channel. To reduce the number of bits in the bitstream, the signal prior to transmission was compressed by means of run-length encoding (RLE), also known as source coding. The signature image detected from the receiver was processed in the computer using the HMM. The successful rate of recognition was 0-36% without compression and 60-76%with compression."

"Physical behavior of models can be measured in the laboratory, which, in turn are often used to assess the behavior of more complicated structures. Mechanical responses present physical behavior of a structure. By using three different transducer, one can measure acceleration, velocity and displacements directly. Determination of velocity and displacements from acceleration data is preferable from point of view economics; but on the other hand this procedure, at present, is still causing problem. This study shows that displacements and velocity can be calculated from its acceleration which is obtained by using one transducer.The acceleration data are obtained from a cantilever steel plate which is subjected to a transient force at a discrete location on its surface or an initial deflection on its tip. An acquisition program was first designed before starting the experimental program. By means of a piezoelectric accelerometer, a conditioning amplifier and a digital oscilloscope, acceleration data are captured and then transferred to a personal computer.The transformation of these two responses, displacements and velocity from the acceleration data are performed in two domains, time domain and frequency domain. Two integration techniques, Newton-Cotes formula and Simpson's rule were used for the calculation in the time domain. For both techniques, adjustment of basis line is performed by End Zero Time Technique Modified. Programmation has been done for both types of domain analysis.The Simpson's rule gives sufficient results and Newton-Cotes formulation gives good results only for moderate values of Cotes coefficient. High values of the coefficient give unrealistic calculated velocity and displacements. Drifting character are present on the displacements calculated by both methods.In the frequency domain, the velocity and displacements are obtained from acceleration data by means of Fast Fourier Transform and its Inverse Fourier Transform. This method give satisfactory results only for the calculation of velocity. The displacements obtained show also drifting character. Nevertheless, realistic forms of this displacements are moderately accepted.Results comparison of the two methods, both in time domain and frequency domain, show that none of the method is better than another. Analysis in frequency domain give more accurate results, but this method is not definitely a principal method for the solution of this type of problems. The two methods shall be used for the calculation of velocity and displacements. This procedure can verify one result to another to avoid wrong interpretation of transformed responses."

"ABSTRAKPendekatan penyelesaian permasalahan dinamika struktur, terutama dalam memperoleh parameter dinamik dapat dilakukan secara numerik atau secara percobaan. Salah satu cara percobaan untuk menjawab masalah tersebut adalah analisis pola percobaan (experimental modal analysis).Pada sepuluh tahun terakhir ini penggunaan komputer personal semakin popular dalam membantu penyelesaian masalah-masalah struktur. Perkembangan analisis pola percobaan didukung pula dengan hal ini. Selain itu, perkembangannya juga dibantu dengan semakin baiknya peralatan elektronik percobaan pendukung analisis pola percobaan tersebut.Pada studi ini dicoba dikembangkan satu perangkat lunak berbasiskan metode penentuan parameter dinamik dalam domain frekuensi untuk analisis pola percobaan. Benda uji yang digunakan adalah satu struktur sederhana yaitu pelat tipis. Parameter sistim dinamik dapat diperoleh secara percobaan dengan melakukan percobaan pola pada pelat tersebut Pelat tersebut mengalami satu eksitasi yang dapat diketahui besarannya dan respons percepatan yang dihasilkan juga dapat diukur. Sistim identifikasi yang menggunakan hasil pengukuran eksitasi dan responsnya membutuhkan satu sistim yang dapat dikontrol dan dapat diobservasi setiap waktu.Cara penentuan parameter dinamik yang digunakan adalah berbasiskan teknik fungsi respons frekuensi. Satu model matematik dipergunakan untuk mempresentasikan sistim fisik dari pelat dimana model tersebut diasumsikan teredam viskos. Dengan mengacu pada keterbatasan kemampuan alat pengukur diasumsikan bahwa titik-titik pengukuran dapat mewakili satu model diskrit dari struktur pelat. Pemakaian akselerometer piezoelektrik, alat pengkondisian, palu dan satu osiloskop digital memungkinkan diperolehnya data percepatan maupun eksitasi; kemudian dengan memakai satu komputer mikro dan program akuisisi yang telah dikembangkan pada penelitian sebelumnya, data tersebut disimpan untuk pengolahan lebih lanjut dengan perangkat lunak yang dikembangkan pada studi ini. Dua program utama dikembangkan dalam studi ini dimana yang pertama untuk mendapatkan fungsi respons frekuensi dari kedua data yang ada dan yang kedua untuk mendapatkan parameter dinamik sistim lewat satu algoritma pencocokan kurva.Pada akhirnya parameter pola yang didapatkan dengan cara diatas dibandingkan dengan hasil yang diperoleh dengan perangkat lunak berbasiskan metode elemen hingga.

---

ABSTRACTProcessing of Signal Responses From A Vibrating Structure And Its Application On Thin Plate Problem Structural dynamic problem can be solved with numerical approach or experimental approach. One of the latter method is experimental modal analysis.In the last ten years, the use of personal computer as a tool for solving structural problem became more popular. The development of experimental modal analysis is also influenced by this factor. Another supporting factor is a better quality of experimental instrument.In this study, one program based on the parameter estimation method in the frequency domain is developed. The test structure is a thin plate. Dynamic system parameter can be obtained experimentally by the performance of modal test on the plate. The plate undergoing testing is excited by applying known dynamic forces while the resulting accelerations are measured. System identification utilizing input/output measurement requires the system to be controllable and observable at any time.Dynamic parameter estimation method utilized is based on the frequency response function technique. One mathematical model is used to represent the physical system of the plate. It is assumed that the system is viscously damped. With respect to the performance of measurements it is assumed the measurement points are appropriately distributed to yield a sufficiently accurate discrete model of the test structure.By means of a piezoelectric accelerometer, a conditioning amplifier, an impulse hammer and a digital oscilloscope, accelerations and impulse data are captured and then transferred to a diskette by means of a personal computer and an acquisition program developed in the first year study. Program developed in this study then processes the data in the diskette to obtain dynamic system parameters. Two main routines are developed in this study, the first routine calculates the frequency response function from the two existing data and the second determines the dynamic system parameter by using a curve-fitting algorithm.Finally the modal parameter result obtained are compared to those obtained by a software which is based on the finite element method."

"Teknik Komunikasi dengan mengunakan media sinar laser telah meningkatkan bandwitdh frekwensi dan kualitas daya dalam sinyal informasi yang akan diterima pada sebuah sistem pemancar dan penerima. Sistem yang dibuat dalam seminar ini adalah perancangan dan pembuatan alat pemancar dan penerima informasi audio dengan menggunakan sinar laser. Batas minimun dan maksimun bandwitdh frekwensi audio, kualitas dayanya serta kemampuan sistem dalam menyampaikan berbagai bentuk sinyal informasi dilakukan setelah sistem pemancar dan penerima dirangkai dan diposisikan tepat pada arah dan fokus masing-masing sisi. Hasil yang akan dicapai pada penerapan teknik komunikasi dengan menggunakan media sinar laser ini berguna untuk mengatasi masalah kebutuhan panjang kabel pada komunikasi antara dua buah gedung dengan tujuan untuk mendapatkan kualitas sinyal informasi seperti yang diharapkan."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."