Hasil Pencarian  ::  Simpan CSV :: Kembali

"Buku ini adalah buku jurnal yang dilengkapi dengan teori kesehatan mental, dan dikemas menarik dengan adanya ilustrasi dan bahasa yang mudah dipahami"

"ABSTRAKTeknologi pengenalan fitur telah berkembang seiring dengan prosespengintegrasian CAD/CAPP/CAM. Aplikasi pendeteksian fitur secara otomatisdengan berbasis model faset diharapkan mampu untuk membantu mempercepataktivitas perancangan proses manufaktur semisal seting tool yang akan digunakanatau proses machining yang dibutuhkan pada berbagai fitur yang berbeda. Fitursuatu part pada bidang dapat dideteksi dengan mengaplikasikan metode slicingdan teknik pengelompokan faset triangulasi yang berdekatan. Identifikasi jenisfitur ini dikembangkan dengan aturan berdasarkan arah vektor normal pada grupsuatu fitur tersebut. Untuk mengidentifikasi fitur pada berbagai bidang suatu part,dengan bantuan transformasi rotasi akan merotasi part sehingga bidang vektornormal terluar seakan berada pada posisi bidang referensi. Hasil penelitian inimenunjukkan bahwa dengan pendekatan ini dapat mengidentifikasi fitur primitifsecara otomatis meliputi : pocket, cylindrical dan profile pada berbagai bidangsuatu part.

---

AbstractFeature recognition technology has been developed along with the process ofintegrating CAD/CAPP/CAM. Automatic feature detection applications based onfaceted models expected to speed up the manufacturing process design activitiessuch as setting tool to be used or required machining process in a variety ofdifferent features. Features of a part in the plane can be detected by applyingmethod of slicing and the technique of grouping adjacent triangles. Identify typeof feature is developed by the rule based on normal vector direction of the groupa feature. In order to identify features of various planes of a part, rotationtransformation will help to rotate as if normal vector plane is on the outer part ofthe reference plane. The results showed that this approach could identify theprimitive features automatically covered : pocket, cylindrical and profile invarious plane on part."

"Jenis ikan yang tergolong dalam ikan jenis sonikrous mempunyai suara yang khas_ Beberapa diantaxanya dapat mengeluarkan lebih dari satu jenis suara. Sebagai contoh ikan wealdish (Cynoscion regalis) jantan akan mengeluarkan suara drumming pada masa bertelur dan suara chartering untuk aktiiitas hidup sehari-bali, sedangkan untuk betina hanya mengbluarkan suara cha!!ering.Untuk dapat mengenali suara ikan tersebut clengan cepat diperlukan suam sarana agar proses identifikasi dapat dilalcukan dengan mudah, Penerapan teknologi voice recognition dapat mempemwdah dan mempercepat proses pengenalan suara ikan. Dengan diketahul suara ikan tersebut mal-za berarti pula dapat diketahui keberadaan jenis ikan dan aktiiitas hidup beberapa jenis ikan tertentu seperti proses bertelur yang terjadi di dalam laut. Penggunaan voice recognition dengan mengaplikasikan hidden mar/:ov model untuk mengidentifikasi suara ikan dapat mengenali dengan baik suara ikan yang dimasukan dalam sistem. Sistem dengan training data berupa sampel suara ikan yang terdiri dari kombinasi beberapa bursi dan satu periode pcnuh dari suara ikan menghasilkan sistem dengan kemampuan recognition yang Iebih baik. Dari percobaan yang dilakukan menunjukan sistem mempunyai tingkat akurasi yang baik sampai sekitar 5O - 90 %."

"ABSTRAKPada beberapa tahun terakhir, sistem pengenalan wajah telah marak digunakan dalam berbagai aspek sebagai wujud dari kemajuan teknologi. Berbagai penelitian dilakukan untuk terus memperbaiki akurasi dari pengenalan wajah. Pada penelitian ini digunakan metode klasifikasi Learning Vector Quantization dan Fuzzy Kernel Learning Vector Quantization. Data yang digunakan adalah Labeled Face in The Wild-a LFW-a. Database ini tidak memiliki batasan seperti latar belakang, ekspresi, posisi, dan sebagainya. Berdasarkan hasil uji coba menggunakan database LFW-a, sistem pengenalan wajah dengan metode LVQ memiliki akurasi tertinggi 89,33 dan metode FKLVQ memiliki akurasi tertinggi 89,33 pula.

---

ABSTRACTIn recent years, face recognition is widely used in various aspects as a form of technology advancement. Various studies are conducted to keep improving the accuracy of face recognition. In this research, Learning Vector Quantization and Fuzzy Kernel Learning Vector Quantization are used as a method of classification. The data used in this research is Labeled Face in The Wild a LFW a. This database has no restrictions such as background, expression, position, and so on. Based on test results using LFW a database, face recognition using LVQ method has highest accuracy at 89,33 and FKLVQ method has highest accuracy at 89,33 as well."

"Dengan adanya internet, media televisi, dan radio, data yang tersedia sangat banyak, termasuk data suara. Oleh karena itu, dibutuhkan suatu cara untuk mengorganisasikannya, yakni dengan mengubah data suara menjadi teks terlebih dahulu. Pengolahan selanjutnya cukup dilakukan terhadap teks. Proses konversi data suara menjadi teks inilah yang dikenal dengan sistem pengenalan suara (SPS) otomatis.Saat ini, SPS untuk berbagai bahasa di dunia telah berkembang pesat, seperti Bahasa Inggris, Perancis, Jepang, Thai, dan lain-lain, sedangkan penelitian SPS untuk Bahasa Indonesia sudah dimulai, namun masih dalam tahap awal. Adanya kebutuhan akan SPS dan perkembangan SPS bahasa lain yang pesat memotivasi penulis untuk melakukan penelitian SPS untuk Bahasa Indonesia.Fokus penelitian ini adalah pembuatan model akustik yang berkaitan erat dengan kamus fonetik yang digunakan. Oleh karena itu, penulis melakukan eksperimen menggunakan enam jenis kamus fonetik, yaitu IPA, SAMPA, ARPABET, Lestari [LEST06], Sakti [SAKT08], dan kamus yang dikembangkan oleh penulis (kamus Zahra). Eksperimen terbagi menjadi dua proses besar, yaitu pelatihan, dengan menggunakan 1.000 data suara rekaman telepon, dan pengujian terhadap 250 data suara rekaman telepon.Hasil eksperimen menunjukkan bahwa akurasi SPS tertinggi diperoleh saat menggunakan kamus Zahra, yakni sebesar 73,5%. Dengan menggunakan kamus fonetik yang sama, pengujian terhadap 100 berkas rekaman berita RRI menghasilkan akurasi maksimum sebesar 71,6% dengan OOV (Out of Vocabulary) sebesar 8,92%. Kamus tersebut merupakan kamus fonetik yang paling tepat untuk mendefinisikan bunyi dalam Bahasa Indonesia, dengan total simbol yang digunakan adalah 33 simbol."