Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPada tugas skripsi ini dibuat simulasi Modern π/4 DQPSK adengan teknikperbaikan kesalahan CRC, Konvolusi, dan Interleaver. Modem dengan tekniktersebut digunakan oleh DAMPS. Simulasi dibuat untuk mengetahui unjuk kerjatransmisi modern. Simulasi dibuat pada komputer pribadi dengan menggunakan bahasa pemrograman Borland C++. Hasil simulasi adalah grafik karateristik BER vsSNR untuk berbagai kombinasi penyandian.

---

"

"ABSTRAKSaat ini error corection merupakan bagian yang tidak dapat dipisahkan dari suatu sistem telekomunikasi terutama pada sistem telekomunikasi tanpa kabel dengan tingkat peluang terjadinya error cukup tinggi, maka dibutuhkan perangkat error correction untuk mengatasinya.Pada rancang bangun error correction ini dipilih jenis Forward Error Correction dengan metode konvolusi-Viterbi yang mampu mengoreksi kesalahan pada bagian penerimanya tanpa pedu meminta penguangan sinyal dari pengirim bila tejadi kesalahan.Perangkat yang mampu mendukung rancang bangun error correction jenis ini adalah IC Q1650 dari Qualcomm. Penggunaan IC ini dengan mode data peripheral akan mengurangi kerumitan rangkaian. Dengan pemilihan rate pengkodean 1/2 akan didapat opbmasi dari efisiensi pemakaian bandwidth dan gain pengkodean. Peripheral yang digunakan adalah mikrokontroler 8032.Hasil pengolahan data oteh enkoder dan dekoder dari IC Q1650 dapat dipantau melalui komputer pribadi berdasarkan masukan data yang diberikan."

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.......Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks. This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters. The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."

"ABSTRAK Salah satu bagian penting dari ilmu aktuaria adalah teoririsiko yang mempunyai 2 cabang utama yakni teori risiko individudan teori risiko kolektif. Model yang dibentuk untuk distribusitotal uang klaim risiko individu adalah model risiko individu,sedangkan untuk risiko kolektif adalah model risiko kolektif.Metode konvolusi digunakan untuk implementasi perhitungandistribusi total uang klaim untuk kedua model tersebut. Pendekatan normal digunakan sebagai pendekatan distribusitotal uang klaim untuk model risiko individu, sedangkan untukmodel risiko kolektif selain pendekatan normal juga digunakanpendekatan translasi distribusi Gamma. "

"Penggunaan berkas tanpa flattening filter (FFF) dalam radioterapi dilakukan untuk memperoleh laju dosis tinggi. Pemberian berkas radiasi perlu diperiksa secara berkala dengan berbagai parameter. Salah satu parameter pemeriksaannya adalah dengan mengevaluasi distribusi dosis. Distribusi dosis pada suatu volume material dapat diperoleh dengan cara mengukur pada satu atau beberapa bagian pada volume. Detektor array 2 dimensi MatriXXFFF yang kemudian diolah dengan algoritma tertentu menjadi salah satu contoh pengukuran distribusi dosis radioterapi. Pada penelitian ini, dilakukan pengujian algoritma rekonstruksi dosis dengan metode pembentukan fluens melalui konvolusi balik. Rekonstruksi dosis terdiri atas pembentukan peta fluens dan konvolusi dosis menggunakan Energy Deposition Kernel (EDK). Perbandingan dosis hasil rekonstruksi dan simulasi menggunakan treatment planning system (TPS) Eclipse untuk berkas foton teknik FFF 6MV pada Linac Varian Trilogy menunjukkan hasil yang belum memenuhi ambang batas pass rate 95% pada 2 lapangan yang diuji. Diperoleh pass rate untuk lapangan 10 10 cm2 adalah 12,3% dan pada lapangan 4 4 cm2 sebesar 3,1% untuk evaluasi setiap voksel pada algoritma. Tingkat pass rate meningkat dengan memperkecil region of interest bidang pada volume observasi. Pada lapangan 10 10 cm2 diperoleh pass rate 40,9%, 60,3%, 89,6%, dan 100% untuk ROI yang setara dengan 9,1 9,1 cm2, 7,6 7,6 cm2, 6,1 6,1 cm2, dan 4,5 4,5 cm2 sementara pada lapangan 3 3 cm2 diperoleh hasil 45,8% dan 68,8% untuk ROI yang setara dengan 3,1 3,1 cm2 dan 1,5 1,5 cm2. Penggunaan kolimator mempengaruhi daerah dekat field-end sehingga pass rate pada lapangan yang lebih kecil yang salah satunya ditandai dengan perbedaan dosis pada field-end antara rekonstruksi dan TPS mencapai 36,6% dan memiliki derajat perbedaan lebih tinggi untuk titik pada arah luar lapangan.

---

Flattening filter free (FFF) beam has been implemented in radiotherapy to achieve a high dose rate on a treatment. Quality control of beam output is examined routinely using several parameters including dose distribution evaluation. Dose distribution can be acquired by measuring several points of the volume. One of the measurement instruments is 2D array detector MatriXXFFF which can be processed to obtain the dose distribution value. In this research, a back reconstruction from the detector to source using the convolution of the fluence is assessed. The reconstruction algorithm consists of fluence map generation and dose convolution using energy deposition kernel produced by Monte Carlo. We generated the dose reconstruction of 2 open beam field size, 10 10 cm2, and 4 4 cm2, on virtual water phantom. Eclipses dose calculation is used as a reference standard in this study. The threshold for dose difference is set for less than 3% on each point of the volume with the minimum pass rate for acceptance is 95%. The pass rate for 10 10 cm2 is 12.3%, while for 4 4 cm2 field is 3.1%. The pass rate increased significantly by narrowing the region of interest (ROI) of the volume. We obtained 40.9%, 60.3%, 89.6%, and 100% on ROIs equivalent to 9.1 9.1 cm2, 7.6 7.6 cm2, 6.1 6.1 cm2, and 4.5 4.5 cm2 for 10 10 cm2 beam field size, respectively. For the 4 4 cm2 field size, the pass rate was 45.8% and 68.8% for ROIs equivalent to 3.1 3.1 cm2 and 1.5 1.5 cm2. Lower pass rate on a narrow beam field size apparently caused by near-field-end volume that was affected by the usage of the collimator. The impact can be seen on the dose difference between neighboring pixels on a near-field-end area of reconstructed dose and calculated dose from TPS that reached 36.6% and differ even further toward the outfield."

"Analisis petrofisika konvensional seringkali kurang akurat dalam menentukan ataupun menghitung jumlah cadangan hidrokarbon pada lapisan-lapisan tipis (thin beds) dari suatu lapangan minyak atau gas bumi. Hal ini disebabkan karena log standar yang dipakai dalam melakukan suatu evaluasi formasi mempunyai resolusi yang secara vertikal sangat rendah. Untuk mengatasi ini, maka dicoba suatu metoda dimana log standar tersebut akan dikombinasi dengan data dari resistivity image yang mempunyai resolusi tinggi sehingga parameter reservoar yang dipakai untuk menghitung cadangan dapat dihitung dengan lebih baik.Teknik pemodelan reservoar lapisan tipis dalam penelitian ini menggunakan metoda konvolusi satu dimensi untuk menyelaraskan model lapisan tipis dengan kurva standar hasil pengukuran di lapangan. Kurva log dengan resolusi standar dan hasil resistivity image dipakai untuk membuat model lapisan tipis dengan tingkat resolusi yang lebih tinggi. Model atau kurva yang dihasilkan lalu dipakai dalam evaluasi petrofisika tingkat lanjut untuk menghitung ketebalan zona hidrokarbon (netpay), porositas, saturasi dan permeabilitas untuk setiap sumur pemboran.Dengan mengaplikasikan metoda spektral dekomposisi pada data seismic, akan diperediksi ketebalan lapisan tipis pada zona kajian. Kemudian dikombinasikan dengan hasil interpretasi petrofisika akan dipetakan distribusi dari lapisan tipis pada zona tersebut. Dari data-data ini diharapkan perhitungan cadangan (reserve) bisa menjadi lebih akurat sehingga bisa menambah jumlah cadangan nasional dari yang sekarang ini ada.......The conventional petrophysical analysis often underestimates in determining the hydrocarbon in place for thinly bedded reservoirs of an oil and gas field. It is because the standard logs measurement which is used to perform a formation evaluation has a very low vertical resolution. For this reason, an effort is taken by introducing the new method where the standard log curves will be combined with the high resolution resistivity image to improve the reservoir parameters.The thin bed reservoir modeling technique in this study uses the 1D convolution method to match the thinly layers from resistivity image to the standard log responses. The low resolution log curve and the resistivity image are convolved to generate a high resolution thin bed model. The result then is used in an advance petrophysical evaluation to calculate netpay, porosity, water saturation and permeability within the wellbore.By applying the spectral decomposition method on a seismic 3D cube, the thickness of the interest zone can be estimated. Combined with the petrophysical interpretation data, the thin bed layer is mapped. From all these processes, the hidrocarbon reserve can be calculated more accurate to gain the existing national reserve."

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

ABSTRACTBreast cancer is the most common cancer in women worldwide and the second mostcommon cancer in Indonesia. Metastasis is the medical term for cancer that spreadsto a different part of the body from where it started. Information from the lymphnode biopsy can help doctor that treatment decisions depend on stage of metastases.Normaly pathologist makes a diagnosis of the prepared sample slide from samplebiopsy with manual visual inspection. Manual diagnosis has the possibility to misssome section not checked, classification errors and subjectivity result. Theclassification process with AI will help the pathologist check faster, reduce the errorlevel and eliminate the subjectivity. The proposed Method using adaptivethresholding method in whole slide image is to determine the area to be processed.And Convolution Neural Network (CNN) for image classification. Adaptivethresholding have ability to separating the blank slide area and tissue area. CNN issuperior in image classification . Classification data for this thesis using 6classification, five class normal cell and one tumor. Adaptive thresholding methodin whole slide image can separate empty tissue and tissue with cell area. The resultCNN Method for overall accuracy 86% and accuracy for tumor cell is 93%.Classification and staging result can be improved by improving dataset for trainingand developing, change the configuration of CNN architecture or adding newmethod."