Hasil Pencarian  ::  Simpan CSV :: Kembali

"Content Based Image Retrieval (CBIR) adalah teknik mencari gambar yang mempunyai kemiripan dengan informasi gambar tertentu dari sekumpulan gambar dengan melakukan perbandingan antara gambar query dengan gambar yang berada pada database berdasarkan informasi yang ada pada gambar tersebut. Untuk menentukan ciri warna dari suatu citra ikan digunakan perhitungan histogram warna dengan tipe Global Color Histogram (GCH) dilanjutkan dengan histogram intersection dan untuk mengenali pola bentuk menggunakan Back Propagation Neural Network (BPNN) dengan setting parameter terdiri dari hidden layer 20, fungsi aktivasi yang digunakan adalah sigmoid biner, metode pelatihan yang digunakan traingdx, jumlah error minimum 0,1 dan jumlah epoch 5000. pengujian image retrieval menggunakan jumlah gambar database sebanyak 100 gambar, hasil proses pencarian yang ditampilkan pada user interface maksimal sebanyak 10 gambar query. Berdasarkan hasil uji coba dengan menggunakan kedua teknik yang penulis usulkan ini yaitu histogram intersection dan Back Propagation Neural Network (BPNN) didapat rata-rata prosentase keakuratan mendekati 100%.

---

Content-Based Image Retrieval (CBIR) is a technique to find a picture which has some similarities with the specific image information from a collection of pictures by making comparisons between a query image with images that are in the database based on existing information on these images. To determine the color features of an image of fish used in the calculation of color histogram with the type Global Color Histogram (GCH) followed by histogram intersection and to recognize patterns of shapes using the Back Propagation Neural Network (BPNN), with the parameter settings consist of : number of hidden layers are 20, activation function used binary sigmoid, training methods used traingdx, the amount of the minimum error of 0.1 and the number of epoch 5000. test image retrieval using database files as much as 100 images, the results of the process of searching the user interface displayed on a maximum of 10 image queries. Based on trial results using these two authors propose that this technique is histogram intersection and Back Propagation Neural Network (BPNN) obtained an average percentage of accuracy approaching 100%."

"Customer churn merupakan masalah serius di banyak sektor, termasuk sektor telekomunikasi. Pengertian costumer churn adalah berhentinya penggunaan suatu layanan dan beralih ke penyedia lain atau tidak memperbarui kontrak. Untuk mengatasi risiko churn, perusahaan telekomunikasi perlu menggunakan model prediksi dengan bantuan metode machine learning. Terdapat beberapa model prediksi churn yang telah diajukan oleh para peneliti, termasuk pemilihan algoritma yang sesuai dan dataset untuk studi kasus. Pada tesis ini menggunakan dataset IBM Telco Customer Churn sebagai data pelatihan dan pengujian. Tantangan umum dalam klasifikasi adalah ketidakseimbangan data, yang dapat menyebabkan kegagalan dalam memprediksi kelas minoritas. Oleh karena itu, tesis ini menggunakan beberapa teknik augmentasi data seperti SMOTE, HAT, dan CVAE, sebagai teknik dalam menyeimbangkan data. Pembelajaran ensembel khususnya metode CART (Classification and Regression Tree) sering digunakan untuk menyelesaikan permasalahan klasifikasi dan regresi. Model Adaboost adalah algoritma pembelajaran ensemble yang menggunakan pohon keputusan sebagai dasar pembelajaran. Dalam pelatihan model Adaboost, Bayesian Optimization (BO) digunakan sebagai metode pencarian hyperparameter terbaik. Dari hasil percobaan dan pengujian yang diajukan, model Adaboost dapat memberikan nilai testing f1-score dan recall sebesar 0,661 dan 0,653 pada pelatihan dengan dataset tidak seimbang. Model Adaboost-SMOTE mempunyai nilai testing f1-score dan recall sebesar 0,646 dan 0,826. Penggunaan optimasi Bayesian Optimization pada model Adaboost-SMOTE dapat menaikkan testing f1-score dan recall menjadi 0,649 dan 0,849. Tes ANOVA dan Tukey HSD mengungkapkan variasi yang signifikan dalam hasil pelatihan dari model machine learning, dan menyoroti dampak penggunaan data seimbang dalam pelatihan model yang signifikan.

---

Customer churn is a severe problem in various sectors, including telecommunications. Customer churn refers to discontinuing the service, switching to another provider, or not renewing the contract. To deal with churn risk, telecommunication companies need to use predictive models with the help of machine learning methods. Several churn prediction models have been proposed by researchers, including the selection of suitable algorithms and data sets for case studies. In this thesis, research is conducted using the IBM Telco Customer Churn dataset. A common challenge in classification is data imbalance, which can lead to failure in predicting minority classes. Therefore, this thesis using several data augmentation techniques, such as SMOTE, HAT, and CVAE, for balancing data technique. Ensemble learning, especially the CART (Classification and Regression Tree) method, is often used to solve classification and regression problems. Adaboost is an ensemble learning algorithm that uses decision trees as the basis for learning. In the Adaboost model training, Bayesian Optimization (BO) is used to find the best hyperparameters. From the trials and tests carried out, Adaboost achieved an f1-score and recall test of 0.661 and 0.653, respectively, in training with an unbalanced dataset. The Adaboost SMOTE model achieved f1 and memory test scores of 0.646 and 0.826, respectively. Using Bayesian Optimization in the Adaboost SMOTE model increased the testing f1-score and recall scores to 0.649 and 0.849, respectively. ANOVA and Tukey HSD tests reveal significant variation in machine learning model training results and highlight the considerable impact of using balanced data in model training."

"ABSTRAKWajah adalah bagian tubuh dari manusia yang mempunyai peranan penting dalam memberikan sebuah ciri khas untuk membedakan satu dengan yang lainnya. Di wajah terdapat 4 indera, dimana itu dapat menjadikan sebuah informasi terkait dengan identitas dari setiap pemilik wajah untuk membedakannya. Pengenalan wajah pada saat ini sangatlah penting untuk melakukan berbagai hal dalam kepentingan yang berbeda-beda. Teknologi pengenalan wajah memiliki sifat yang lebih fleksibel, otomatis, dan mudah dilakukan dibanding dengan teknologi biometrik pengenalan sidik jari atau retina. Oleh karenanya saya merancang sebuah sistem deteksi kehadiran berbasis pengenalan wajah yang bisa digunakan sebagai alternatif dari sistem kehadiran yang sudah ada, seperti finger print, kartu rfid, pemindahan retina, dan sebagainya. Pada sistem ini dirancang sebuah teknologi pemindahan Face Recognition untuk sistem deteksi kehadiran berbasis Raspberry Pi sehingga lebih praktis dalam penerapannya. Dengan menerapkan algoritma dari Haar cascade dan berbagai metode yaitu Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM) untuk face detection. Dalam penerapan face recognition menggunakan perbandingan dari deep metric network 128 vector dengan citra wajah sample. Sistem ini menghasilkan nilai Accuracy sebesar 86,67%

---

ABSTRACT

The face is a part of the human body that has an important role in providing a characteristic to distinguish one from another. On the face there are 4 senses, which can make an information related to the identity of each face owner to distinguish them. Face recognition at this time is very important to do various things in different interests. Face recognition technology has properties that are more flexible, automatic, and easy to do compared to biometric fingerprint or retina recognition technology. Therefore I designed a face recognition system based on face recognition that can be used as an alternative to an existing attendance system, such as finger print, rfid cards, retinal removal, and so on. In this system a Face Recognition removal technology is designed for Raspberry Pi based presence detection systems so that it is more practical in its application. By applying the algorithm of the Haar cascade and various methods namely Histogram of Oriented Gradients (HOG) and Support Vector Machine (SVM) for face detection. The application of face recognition uses a comparison of a 128 vector deep metric network with a sample face image. This system produces an Accuracy value of 86.67%."

"ABSTRAK

Pada tesis ini diajukan sebuah metode baru untuk pendeteksian anomali pada citra hiperspektral, bernama algoritma morphological profile dan attribute filter. Metode ini terdiri dari tiga langkah. Pertama, menyeleksi sebuah pita spektral yang mengandung banyak informasi untuk pendeteksian anomali menggunakan sebuah algoritma baru berbasis entropi dan histogram count. Kedua, menghapus background pada pita spektral yang telah diseleksi menggunakan morphological profile. Kemudian memfilter false anomali menggunakan attribute filter. Sebuah algoritma baru juga diajukan pada tesis ini untuk menentukan luas maksimum area anomali. Eksperimen yang telah dilakukan dengan dataset citra hiperspektral riil menunjukkan bahwa metode yang diajukan memiliki rata-rata AUC sebesar 0.9916, lebih bagus dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata AUC secara berturut-turut sebesar 0.9657, 0.9757, dan 0.9872. Metode yang diajukan pada tesis ini memiliki rata-rata waktu komputasi sebesar 0.25 detik, lebih cepat dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata waktu komputasi secara berturut-turut sebesar 31.37, 0.55, dan 3667.2 detik.

---

ABSTRACT

In this thesis, a novel hyperspectral anomaly detection method, called morphological profile and attribute filter algorithm, is proposed. This method consists of three steps. First, select a band containing rich information for anomaly detection using a novel band selection algorithm based on entropy and histogram counts. Second, remove the background of the selected band with morphological profile. Then, filter the false anomaly with attribute filter. A novel algorithm is also proposed in this thesis to define the maximum area of anomalous objects. Experiments conducted on real hyperspectral datasets show that the average AUC of the proposed method is 0.9916, better than the average AUC of FrFE-RX, AED, and SDBP-D methods which are 0.9657, 0.9757, and 0.9872, respectively. Moreover, the average computing time of the proposed method is 0.25 seconds, faster than the average computing times of FrFE-RX, AED, and SDBP-D which are 31.37, 0.55, dan 3667.2 seconds, respectively."

"ABSTRAK

Skripsi ini membahas tentang simulasi sistem untuk mendeteksi pejalan kaki. Dikarenakan hak pejalan kaki yang masih dipandang sebelah mata, maka tidak pernah luput dari kejadian yang tidak diinginkan seperti kecelakaan. Penelitian skripsi ini bertujuan agar mengetahui bagaimana kinerja sistem untuk mendeteksi pejalan kaki. Simulasi ini memanfaatkan aplikasi MATLAB sebagai hasil output-nya. Dengan menggabungkan tiga metode sebagai acuannya yaitu Background Subtraction, Histogram of Oriented Gradient (HOG) dan Local Binary Pattern (LBP), memberikan output dimana dapat mendeteksi pejalan kaki. Vision.PeopleDetector digunakan untuk mendeteksi pejalan kaki secara tegak dan GetMapping untuk LBP.

Dari sistem yang dibuat dilakukan analisis berdasarkan waktu dan akurasi deteksi dengan membandingkan empat metode, yaitu HOG, Background Subtraction-HOG, HOG-LBP dan Background Subtraction-HOG-LBP. Hasilnya adalah metode gabungan Background Subtraction-HOG-LBP tidak sebaik metode yang lain. Waktu eksekusi selama 255,41 second. Akurasi 10 fps sebesar 59,5 % dan 20 fps sebesar 51%. Akurasi resolusi sebesar 640x480 42% dan 480x320 sebesar 44%.

---

ABSTRACT

This final assignment discusses about system simulation for pedestrian detection. Because of the rights of pedestrian who are still underestimated, then never escape from undesirable events such as accident. This research aims to find out how the system works to detect pedestrian. This simulation use MATLAB software as output. Pedestrian detection simulation combine three methods, there are Background Subtraction, Histogram of Oriented Gradient (HOG) and Local Binary Pattern (LBP). Vision.PeopleDetector used to detect pedestrian in an upright and GetMapping for LBP.

From the system, you can do analysis time and accuracy by comparing four methods, they are HOG, Background Subtraction-HOG, HOG-LBP and Background subtraction-HOG-LBP. The result is method of Background Subtraction-HOG-LBP is not as good as other methods. Elapsed time is 255,41 seconds. Resolution accuracy is 42% for 640x480 and 44% for 480x320.

"

"Skripsi ini membahas tentang simulasi sistem untuk mendeteksi pejalan kaki. Dikarenakan hak pejalan kaki yang masih dipandang sebelah mata, maka tidak pernah luput dari kejadian yang tidak diinginkan seperti kecelakaan. Penelitian skripsi ini bertujuan agar mengetahui bagaimana kinerja sistem untuk mendeteksi pejalan kaki. Simulasi ini memanfaatkan aplikasi MATLAB sebagai hasil output-nya. Dengan menggabungkan tiga metode sebagai acuannya yaitu Background Subtraction, Histogram of Oriented Gradient (HOG) dan Local Binary Pattern (LBP), memberikan output dimana dapat mendeteksi pejalan kaki. Vision.PeopleDetector digunakan untuk mendeteksi pejalan kaki secara tegak dan GetMapping untuk LBP. Dari sistem yang dibuat dilakukan analisis berdasarkan waktu dan akurasi deteksi dengan membandingkan empat metode, yaitu HOG, Background Subtraction-HOG, HOG-LBP dan Background Subtraction-HOG-LBP. Hasilnya adalah metode gabungan Background Subtraction-HOG-LBP tidak sebaik metode yang lain. Waktu eksekusi selama 255,41 second. Akurasi 10 fps sebesar 59,5 % dan 20 fps sebesar 51%. Akurasi resolusi sebesar 640x480 42% dan 480x320 sebesar 44%.

---

This final assignment discusses about system simulation for pedestrian detection. Because of the rights of pedestrian who are still underestimated, then never escape from undesirable events such as accident. This research aims to find out how the system works to detect pedestrian. This simulation use MATLAB software as output. Pedestrian detection simulation combine three methods, there are Background Subtraction, Histogram of Oriented Gradient (HOG) and Local Binary Pattern (LBP). Vision.PeopleDetector used to detect pedestrian in an upright and GetMapping for LBP.

From the system, you can do analysis time and accuracy by comparing four methods, they are HOG, Background Subtraction-HOG, HOG-LBP and Background subtraction-HOG-LBP. The result is method of Background Subtraction-HOG-LBP is not as good as other methods. Elapsed time is 255,41 seconds. Resolution accuracy is 42% for 640x480 and 44% for 480x320."

"Telah berhasil dibuat rancang bangun hexacopter dengan diameter 70 cm dan massa 2,5 kg dengan parameter tunggal daya angkat. Target beban maksimum disesuaikan dengan pemilihan komponen motor dan baling-baling yang akan digunakan. Di sisi lain, hexacopter memanfaatkan Algoritma Genetik tipe A bertujuan untuk menentukan lintasan terpendek yang paling mungkin, mulai dari satu posisi hingga sebuah lokasi akhir yang diinginkan. Beberapa rintangan akan didaftarkan pada algoritma histogram warna sebagai teknik deteksi, kemudian A akan memanfaatkan posisi rintangan tersebut untuk menghitung ulang lintasan lain yang paling optimal agar hexacopter bergerak tanpa menabrak rintangan. Lepas landas take off hexacopter masih dilakukan menggunakan remote control Futaba SG 14 yang memanfaatkan kendali proporsional, integral dan diferensial sederhana yang dikenal dengan PID.Penentuan nilai konstanta kendali PID hexacopter ini memanfaatkan aplikasi auto-tuning dari MissionPlanner. Selanjutnya hexacopter diaktifkan dalam mode guided dimana algoritma A dan kendali mengambil alih pengaturan geraknya hingga mencapai tujuan. Ujicoba dilakukan dalam ruangan dengan grid-grid maya yang membagi lintasan dari titik awal ke lokasi tujuan di lapangan bulutangkis dalam ruangan indoor Dekanat FMIPA UI. Rintangan diletakkan pada posisi 1,5 meter diatas lantai sehingga dalam pengolahan citra di proyeksikan terhadap grid-grid maya tersebut. Posisi hasil proyeksi tersebut menjadi masukan A untuk mengkalkulasi ulang lintasan.Pengujian tahapan berikutnya dilakukan di lapangan Rotunda UI dengan pemanfaatan GPS sebagai pengganti grid. Hasil penelitian ini melaporkan bagaimana hexacopter akan bertindak dengan implementasi dari kecerdasan tersebut untuk mengendalikan geraknya secara semi otomatis.

---

Has successfully created design hexacopter with a diameter of 70 cm and a mass of2.5 kg with a single parameter lift. Target maximum load adjusted by the selectionof components and propeller motors that will be used. On the other hand,hexacopter utilizing Genetic Algorithm type A aims to determine the shortest pathis most likely, ranging from one position to a final desired location. Some obstacleswill be registered on the color histogram algorithm as detection techniques, then A will utilize the position of the obstacles to recalculate the most optimal path otherso hexacopter move without bumping into obstacles. Takeoff take off hexacopterstill done using the remote control Futaba SG 14 utilizing the control ofproportional, integral and differential simple known as PID. Determining the valueof this constant hexacopter PID control applications utilize auto tuning of theMission Planner. Furthermore hexacopter enabled in guided mode where the A algorithm and control took control of the motion until it reaches the destination.Experiments conducted in a room with virtual grids which share the track from thestarting point to the destination in indoor badminton court indoor Dean FacultyUI. The obstacles placed in the position of 1.5 meters above the floor so that theimage processing is projected to virtual grids. The position of the projected resultsbecome inputs A to calculate the trajectory. The next stage of testing conductedin the field Rotunda UI with the use of GPS in lieu grid. The results of this studyreported how hexacopter will act with the implementation of the intelligence tocontrol a semi automatic movement."

"The conventional multilevel thresholding methods are efficient for bi-level thresholding. However, these methods are computationally very expensive for use in multilevel thresholding because the search of optimum threshold do in depth to optimize the objective function. To overcome these drawbacks, a hybrid method of Genetic Algorithm (GA) and Particle Swarm Optimization (PSO), called GA-PSO, based multilevel thresholding is presented in this paper. GA-PSO algorithm is used to find the optimal threshold value to maximize the objective function of the Otsu method. GA-PSO method proposed has been tested on five standard test images and compared with particle swarm optimization algorithm (PSO) and genetic algorithm (GA). The results showed the effectiveness in the search for optimal multilevel threshold of the proposed algorithm.Metode-metode mulitilevel thresholding bersifat sangat efisien untuk bi-level thresholding. Namun, metode-metode tersebut secara komputasional sangat mahal untuk digunakan dalam multilevel thresholding, karena pencarian threshold optimalnya dilakukan secara mendalam untuk mengoptimalkan fungsi objektifnya. Untuk mengatasi kelemahan ini, sebuah metode hybrid antara Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO), yang disebut GA-PSO, berbasis multilevel thresholding disajikan dalam makalah ini. Algoritma GA-PSO digunakan untuk mencari nilai threshold yang optimal untuk memaksimalkan fungsi obyektif dari metode Otsu. Metode GA-PSO yang diusulkan diuji pada lima citra standar dan dibandingkan dengan algoritma Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA). Hasil penelitian menunjukkan efektivitas dalam pencarian threshold multilevel optimal dari algoritma yang diusulkan."