Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini, secara umum, ditujukan untuk mengetahui persepsi masyarakat Cina moderen terhadap konsep tradisional Confucianism tentang wajah (lian atau mianzi). Secara khusus, penelitian ini mengungkap bagaimana persepsi tersebut tercermin dalam pola komunikasi antarpersonal mereka. 100 orang Shanghai terlibat dalam penelitian ini, 50 orang diambil dari daerah perkotaan dan 50 orang dari pedesaan. Mereka merepresentasikan berbagai latar belakang sosial yang berbeda, meliputi usia, jenis kelamin, tempat tinggal, dan pekerjaan. Data penelitian dikumpulkan melalui wawancara semi-terstruktur, kemudian dianalisis dengan menggunakan kerangka ajaran Confucianism tentang sifat-sifat yang mendasari konsep wajah. Sifat-sifat itu meliputi relasional, komunal/sosial, hirarkis, dan moral.Analisis data menunjukan bahwa dalam keseluruhan interaksi berbahasanya, para responden sangat memperhatikan nilai-nilai yang terkandung dalam konsep wajah seperti terkandung dalam Confucianism. Diketahui bahwa dari keempat sifat wajah itu, integritas moral de menjadi acuan paling penting untuk menilai apakah seseorang itu masih memiliki wajah atau justru sebaliknya. Hilangnya moralitas berarti hilangnya sifat-sifat manusiawi pada seseorang.

---

This study aims to investigate the Chinese perceptions about the traditional Confucius concepts mianzi/lian ?face? in the context of the world that is changing. In particular, the study focuses on how such perceptions are reflected in their interpersonal communication. Data was collected through direct semi-structured interviews with the respondents, guided by a set of questions regarding the situations they might hypothetically find themselves. Shanghai was chosen as the site for this study because, among other places in China, it has undergone considerable changes. 100 Shanghainese were involved in the study; 50 were city dwellers and 50 villagers, representing their various social backgrounds. The data were analysed by using the Chinese cultural notions underlying the concepts of face: relational, communal, hierarchical, and moral. Analyses show that the respondents often avoid conflicts with their interlocutors, even if they were put in very unfortunate circumstances. These face-favouring acts are indicative of their closed observance of the norms and hence the concepts of face, by which they could gain, maintain, and enhance their own face. In return, they would be regarded as members of the society with polite behaviours and with other good moral characters.The study concludes that although China is changing, the conceptions and practices of the traditional concepts mianzi/lian "face" among Chinese have remained constant. This is because into these concepts are attached the most basic concepts of humanity; the absence of the concepts of face in the mind of human beings can mean the loss of humanity as a whole."

"Sistem pengenalan wajah yang menggunakan pendekatan klasik sejauh ini belum dapat memberikan hasil optimal jika dihadapkan pada tantangan oklusi. Tantangan oklusi yang dikaji pada penelitian ini adalah saat wajah menggunakan masker. Jika seseorang menggunakan aplikasi sistem pengenalan wajah dengan harus membuka masker terlebih dahulu di tempat umum tentunya sangat berbahaya untuk keselamatan dan kesehatan semua pihak. Sehingga dibutuhkan sistem pengenalan wajah yang memiliki performa sistem yang tinggi dengan tantangan oklusi masker. Penelitian ini membangun sistem pengenalan wajah bermasker dengan pendekatan holistic dan partial face. Metode ekstraksi fitur yang digunakan adalah penggabungan metode kurvatur yang menggunakan turunan parsial orde satu dan dua dengan metode analitik seperti gray level co-occurrence matrix (GLCM) dan multi-resolution analysis (MRA) seperti transformasi wavelet diskrit (DWT), scale-space (SS) dan wavelet packet transform (WPT). Pada penelitian ini juga ditemukan kriteria baru (keterbaruan penelitian) yang dinamakan curvature best basis (CBB) untuk memilih basis pada algoritma best basis di dalam WPT. Kriteria baru pemilihan basis terbaik bersifat dinamis dan menggunakan nilai tertinggi dari ukuran statistik standar deviasi dari kurvatur rerata pada koefisien wavelet. Basis terbaik bekerja sebagai fitur terekstraksi yang bekerja di dalam sistem pengenalan. Penelitian ini dievaluasi menggunakan dataset RFFMDS v1.0, RFFMDS v2.0 EYB, dan UBIPr. Hasil penelitian menunjukkan bahwa sistem pengenalan wajah dengan tantangan oklusi masker berhasil dibangun menggunakan pendekatan holistic dengan akurasi pengenalan sistem sebesar 98,11% dan dengan pendekatan partial face dengan akurasi sebesar 98,80%. Kedua hasil akurasi terbaik ini diperoleh dengan metode curvature best basis. Performa sistem pengenalan yang menggunakan metode curvature best basis dengan pendekatan holistic maupun partial face menunjukkan performa tertinggi dibandingkan dengan performa penelitian sebelumnya.

---

The face recognition system has not been able to produce satisfactory results when it applies classical approach to handle occlusion problems. This research evaluated masked face as the occlusion problem. If someone wants to use the face recognition system, he or she needs to take off the mask to accurately use the device. This becomes a risk for the safety to all party. The needs to have a stable high performance face recognition system has arisen. This research built the face recognition system with two approaches, holistic approach and partial face approach. The feature extraction method was combination of curvature of the first and second order of partial derivative and analytical methods such as gray level co-occurrence matrix (GLCM) and multi-resolution analysis (MRA) of discrete wavelet transform (DWT), scale-space (SS), and wavelet packet transform (WPT). A new dynamic criterion inside WPT has been proposed using the highest standard deviation from the mean curvature of wavelet coefficients. The single selected best basis works as extracted feature inside recognition system and it is called curvature best basis. The recognition system was evaluated using RFFMDS v1.0, RFFMDS v1.0 EYB, and UBIPr datasets. The results showed that the accuracy of the holistic approach was 98,11% and the accuracy of the partial face approach was 98,80% for the masked face recognition system. Both results derived from the proposed curvature best basis. The recognition system’s performance with curvature best basis overcome the results from previous works."

"Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian. Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode HiddenMarkov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai tingkat akurasi pengenalan sebesar84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

---

ABSTRACTHuman face recognition system is one area that is developing now, where applications can be applied in the field of security (security system) such as permit access into the room, monitoring locations (surveillance), or search for individual identity in the police database. Purpose of this final report is to build a software image of human face recognition using Hidden Markov Models method (HMM) with input Pain Ekspression Subset database and Image itself database applications of GUI. Test results show that the system of face recognition systemstrial comparing the introduction according to the codebook (32, 64.128, 256) and iteration (5, 10). Human face recognition system using Hidden Markov Models (HMM) reached the level of recognition accuracy of 84,28%, with 70 database that consists of 10 individuals with each individual has 7 variations of expressions."

"This powerful non-fiction account of the oppression of women in the Muslim world remains as shocking today as when it was first published, more than a quarter of a century ago. Nawal El Saadawi writes out of a powerful sense of the violence and injustice which permeated her society. Her experiences working as a doctor in villages around Egypt, witnessing prostitution, honour killings and sexual abuse, including female circumcision, drove her to give voice to this suffering. She goes on to explore the causes of the situation through a discussion of the historical role of Arab women in religion and literature. Saadawi argues that the veil, polygamy and legal inequality are incompatible with the essence of Islam or any human faith. The Hidden Face of Eve remains a classic of modern Arab writing."

"ABSTRACTSkripsi ini menganalisa metode machine learning menggunakan HiddenMarkov Model (HMM), yang merupakan alat prediksi stochastic dan probabilitidigunakan untuk mengevaluasi gerakan di dalam pasar valuta asing. Skripsi inimembahas khususnya penerapan metode HMM di pasar valuta asing sebagai alatuntuk memprediksi pergerakan dan hasil dari nilai tukar di dalam pasar, kemudianmenganalisis data yang tersedia, dan akhirnya membuat keputusan berdasarkanhasil yang diperoleh. Data yang digunakan adalah data harga penutupan padapasar valuta asing AUD/USD dalam dua jangka waktu yang berbeda, hargapenutupan per 1 jam dan per 15 menit, dan data yang digunakan diperoleh daribeberapa sumber online. Analisis awal menunjukkan beberapa faktor eksternaldapat mempengaruhi keakuratan hasil. Hasilnya mengindikasi, dengan tidakmemperhitungkan factor-faktor luar lainnya, akurasi yang lebih baik didapatsewaktu menggunakan haraga penutupan jangka waktu yang lebih pendek.

---

ABSTRACTThis bachelor thesis analyses the method of machine learning usingHidden Markov Model, which is a predictive stochastic and probability tool inorder to evaluate the movement inside the foreign exchange market. This paperdiscusses particularly the application of HMM method in the forex (foreignexchange) market, as the tool for forecasting the movement and the outcome ofthe exchange rate inside the market, analyses them, and finally making a decisionbasing on the obtained outcomes. The data used are the closing price of theAUD/USD forex market in two different timeframes, per hour closing price andper 15 minutes closing price, and was obtained from several online foreignexchange sources. Initial analysis suggests several external factors may affect theaccuracy of the results. The results indicate, excluding any external factors, betteraccuracy was obtained when shorter closing price timeframe was used."

"Darah merupakan unsur dalam tubuh manusia yang memiliki peran penting dalam mekanisme kerja tubuh. Banyak informasi penting yang terkandung dalam darah, termasuk informasi penyakit yang diderita seseorang. Pentingnya informasi tersebut ditambah kebutuhan diagnosis dini untuk mempercepat penanganan suatu penyakit, maka citra darah sangat vital sebagai media dalam proses pengenalan penyakit. Dengan menggunakan citra darah, proses pengenalan penyakit menjadi lebih mudah dan cepat karena tidak diperlukan proses reaksi kimia dengan darah. Dalam skripsi ini dilakukan perancangan proses pengenalan penyakit leukemia dari citra darah dengan menggunakan metode Hidden Markov Model (HMM). Prosesnya melibatkan dua tahap proses utama yaitu proses pembentukan database dan proses pengenalan. Pada tahap pembentukan database, citra darah diubah menjadi vector sebagai titik sample dan titik-titik yang terdekat akan dikuantisasi menjadi centroid atau codeword. Kumpulan codeword akan disimpan berupa codebook di dalam database. Pengenalan dilakukan dengan membandingkan besaran log of probability HMM yang dihitung berdasarkan titik sample dari setiap sample citra darah. Dengan menggunakan codebook berukuran 32, 64 dan 128 dengan jumlah repetisi 5 dan 10 kali, diperoleh tingkat akurasi pengenalan penyakit darah antara 60% sampai 82,76%.

---

Blood is a part of human body which plays an important role in the body mechanism. Important informations could be achieved from blood, including information of diseases. This kind of information is very essential in order to diagnose the disease as early as possible. Blood cells in digital format will be easier to analyze using computers and the process itself could be performed faster than conventional methods, since it needs no chemical reactions in the process.

In this research, the disease identification for leukemia is performed from blood imageries analyzed using Hidden Markov Model (HMM). The whole process consists of two main processes: database construction and recognition. In the first process, blood image will be transformed to vectors as sample points and the nearest points will be quantized as centroids or codewords. The collection of codewords is built in codebook database. Recognition process is performed by taking the largest value of HMM?s log of probability from sample points of several blood images. Based on the simulation results, using codebook 32, 64 and 128 with repetition 5 and 10 times, the accuration levels of the recognition results are between 60% and 82.76%."

"Model Hidden Markov Model-GARCH(1,1) atau HMM-GARCH(1,1) adalah model runtun waktu yang berfungsi untuk memprediksi volatilitas di masa depan dengan mengelompokan volatilitas yang menggunakan konsep HMM. Model ini merupakan perluasan dari model Markov Regime Switching-GARCH(1,1) atau MRS-GARCH(1,1). Volatilitas diketahui mengikuti proses rantai markov yang tersembunyi, dimana proses rantai Markov yang dapat diobservasinya adalah return dari sebuah instrumen investasi sehingga digunakan proses hidden Markov. Pada skripsi ini, akan dibahas mengenai bentuk, metode estimasi, dan metode peramalan pada model HMM-GARCH(1,1). Pengestimasian parameter pada bagian HMM-nya menggunakan algoritma Baum-Welch dan runtun waktu akan dibagi menjadi beberapa bagian menggunakan algoritma Viterbi. Lalu parameter pada bagian GARCH(1,1)-nya akan diestimasi menggunakan metode Maximum Likelihood Estimation. Metode pengestimasian dari HMM-GARCH(1,1) ini kemudian akan diaplikasikan pada indeks Standard & Poor 500 atau S&P500. Hasilnya model HMM-GARCH(1,1) memiliki Mean Squared Error atau MSE dan Bayesian Criterion Information atau BIC yang lebih baik dari model GARCH(1,1).

---

Hidden Markov Model-GARCH(1,1) or HMM-GARCH(1,1) model is a time series model to predict future volatility by dividing the level of volatility and using HMM. This model is an extension from Markov Regime Switching-GARCH(1,1) or model MRS-GARCH(1,1) model. Volatility is known to follow a hidden Markov chain process, which the observable Markov Chain is the return from an investment asset. In this undergraduate thesis, it will be discussed the structure, estimation method, and forecasting method of HMM-GARCH(1,1) model. Baum-Welch algorithm is used to estimate the HMM's parameter, and Viterbi algorithm will be used to divide the time series into some regimes. For the GARCH(1,1) part, Maximum Likelihood Estimation is used to estimate the parameter. The parameter estimation method of HMM-GARCH(1,1) will be applied to Standard & Poor 500 Index or S&P500. HMM-GARCH(1,1) have better Mean Squared Error or MSE and Bayesian Criterion Information or BIC compared to GARCH(1,1)."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metode Hidden Markov Model (HMM) yang telah diprogram ke DSK TMS320C6713. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik. Pada Tahap identifikasi dengan metode HMM tingkat pengenalan bias mencapai 100% dengan menggunakan ukuran codebook 128 bit dan jumlah pelatihan 15 sample dan 7 state HMM.

---

This final project was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement. The reflected waves was recognized using the Hidden Markov Model which was programmed in the DSK TMS320C6713. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic. In the recognition process with Hidden Markov Model (HMM) could reach 100% accuracy using the codebook size of 128 bit, training samples of 15 data and 7 states of HMM."

"Pemrosesan sinyal genom (Genomic Signal Processing) seperti Deoxyribonucleid Acid (DNA) dan protein dapat dilakukan untuk memprediksi ekson atau coding region suatu gen. Metoda yang paling banyak digunakan adalah Hidden Markov Model (HMM) yang kaya akan struktur matematik dan berpotensi untuk mengetahui lebih banyak tentang sumber sinyal tanpa hams texsedia sumber tersebut.Pada penelitian ini dirancang struktur model yang menggunakan metoda HMM dengan struktur dasar model sesuai struktur ekson pada coding sequence (CDS) sehingga dapat memprediksi ekson DNA Plasmodium falcyarum., Jumlah state model pada struktur dasar adalah 5, 7 dan 9 sedangkan untuk struktur pengembangan ditentukan secara acak yaitu 20. 30, 50 dan 100 stare. Proses training HMM menggunakan algoritma Viterbi dan proses testing HMM menggunakan kedua algoritma yaitu Viterbi dan Baum- Welch sedangkan kinerja model menggunakan parameter Correlation Coejicienr (CC). Sekuen yang digunakan adalah 152 sekuen DNA Plasmodium falciparum dengan panjang minimum 684 pb dan maksimum 10095 pb.Hasil simulasi pada umumnya menghasilkan nilai CC rata-rata lebih baik dengan menggunakan algoritma Viterbi dibandingkan dengan algoritma Baum-Welch. Pada struktur dasar model 9 state menghasilkan nilai CC paling balk dibandingkan dengan struktur dasar model lainnya yaitu 0,7289 dengan menggunakan algoritma Viterbi dan 0,7166 dengan menggunakan algoritma Baum-Welch. Sedangkan untuk pengembangan model diperoleh nilai CC rata-rata paling baik untuk Model 2 dengan 100 store yaitu 0,7827 dengan menggunakan algoritma Baum-Welch dan 0,7820 dengan menggunakan algoritrna Viterbi. Waktu proses resting HMM rata-rata seluruh model hampir dua kali lebih lama dengan algoritma Baum-Welch dibandingkan dengan algoritma Viterbi.Genomic signal processing like as Deoxyribonucleid Acid (DNA) and protein can be done for exon prediction or coding region of the gene. The most used method is Hidden Markov Model (HMM) which has various mathematical structures and potentially capable of learning a great deal of signal source without having to have the source available.

The model structure designed in this research is using the HMM method with based structure model in accordance with exon structure inthe coding sequence (CDS) in order to predict of DNA Plasmodium falciparum. The state number of model in the basic structure are 5, 7 and 9 states, meanwhile the expansions structure was randomly defined having 20, 30, S0 and 100 states. The HMM training process are using the Viterbi algorithm and the HMM testing are using both algorithms, Viterbi and Baum-Welch, meanwhile the performance indicator of the model are using the Correlation Coeflicient (CC). It is using 152 sequences -of DNA Plasmodium falciparum with the minimum length of 634 base-pair (bp) and maximum length of 10095 bp.

In general, the simulation results produced the best average of CC value by using Viterbi algorithm rather then Baum-Welch. In the basic structure of 9 states model produced the best CC value compared with the other basic structure models with 0.7289 using the Viterbi Algorithm and 0.7166 using Baum-Welch. Meanwhile, for the model expansion, the best CC average value is for Model 2 with state number 100 with 0.7827 using the Baum-Welch algorithm and 0.7820 using Viterbi. The average processing time of the HMM tests for all models using the Baum-Welch algorithm are almost two times slower than using Viterbi algorithm."