Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini secara umum bertujuan untuk menghadirkan suatu metode yang dapat membantu kita dalam menghitung nilai-nilai probabilitas transisi yang dibutuhkan dalam penghitungan aktuaria. Penghitungan nilai-nilai probabilitas transisi ini dibatasi pada model tiga state. Pembahasan model ini berkaitan erat dengan proses Markov dan menggunakan nilai force of transition konstan (Proses Markov waktu homogen). Metode yang digunakan dalam mencari nilai-nilai probabilitas transisi berangkat dari penggunaan matriks force of transition dengan force of transition yang bernilai konstan yaitu persamaan P(t) = Adiag( ed1t ,ed2t ,ed3t )A?1 dimana elemen-elemen matriks P(t) ialah nilai probabilitas transisi, vektor kolom dari matriks A ialah vektor eigen dari matriks force of transition, dan nilai d1, d2, d3 ialah nilai-nilai eigen dari matriks force of transition. Proses penghitungan nilai-nilai probabilitas ini melalui pencarian nilai eigen dan vektor eigen dari matriks force of transition. Dalam kasus khusus pada model khusus tiga state,yaitu state select, ultimate, dan dead, akan dibahas perhitungan numerik untuk mencari nilai-nilai probabilitas transisinya."

"Skripsi ini bertujuan untuk membuat identifikasi iris mata menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi, edge detection dan polarisasi. Proses yang pertama adalah pengambilan citra mata. Kemudian dilakukan proses segmentasi terhadap gambar mata yang didapat tersebut untuk memisahkan bagian iris dan pupilnya. Selanjutnya dilakukan proses polarisasi untuk memisahkan bagian iris dengan pupil kedalam bentuk polar. Hasil polarisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan iris mata dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja, agar dapat mengetahui setiap garis-garis pada iris matanya, serta proses pengenalan iris mata itu sendiri (recognition) yang digunakan untuk mengenali iris mata yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali iris mata yang diuji dengan tingkat akurasi mencapai 100%.

---

A Software of iris identification using hidden markov model is developed. The input image is extracted by using segmentation and polaritation process. The first process is taking of human eye image. Then do the process of segmentation of the image that is to separate iris and pupil from the eyes. Then do the process of polarization to separate iris with the pupil into the polar form. Results of this polarization will be recognized by the user's system.

The process of introduction of human iris in this script use the Hidden Markov Model which is done through two stages of the process of training is to train a system that works, so that each can know the lines on the eye iris, and the introduction of the iris itself (recognition) that is used to identify iris that you want to test. The whole process is created using a software. From the results of the trials obtained, this system can recognize the iris eyes tested with a level of accuracy reached 100%."

"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."

"Speech recognition atau pengenalan suara dengan beragam aplikasinya semakin banyak dimanfaatkan diberbagai bidang kehidupan seperti telekomunikasi, sistem keamanan, kedokteran, administrasi dan bidang-bidang praktis lainnya. Karena itulah teknologi ini terus dikembangkan untuk mendapatkan unjuk kerja yang semakin baik. Sejak dimulai pengembangannya, telah banyak metode yang digunakan dengan kemajuan-kemajuan yang berarti dibandingkan metode sebelumnya, termasuk metode yang sampai saat ini terus dikembangkan yaitu metode statistik menggunakan permodelan Hidden Markov. Walaupun masih ada metode lain yang juga memiliki unjuk kerja yang dapat dibandingkan seperti menggunakan jaringan saraf tiruan (neural network). Pada Skripsi ini disimulasikan penggunaan metode permodelan Hidden Markov (HMM) dengan Linear Predictive Coding (LPC) sebagai pengolah sinyal. Parameter-parameter yang dianalisa adalah variasi jumlah data latih, jumlah state, dan jumlah iterasi. Berdasarkan hasil simulasi didapatkan bahwa jumlah data latih memiliki peran terpenting untuk mendapatkan unjuk kerja System yang baik. Sedangkan jumlah state dan jumlah iterasi juga mempengaruhi kemampuan pengenalan walaupun tidak terlalu berarti."

"Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan jenis kawanan ikan dengan metode Hidden Markov Model ( HMM ) dari pendeteksian bentuk fish schooling yang teriihat pada echogram fish finder. Hal ini didasarkan pada teori bahwa ikan mempunyai bentuk schooling atau pergerakan berkelompok dengan struktur dan irama yang unik. Data untuk proses pengenalan diperoleh dari database Balai Penelitian Departemen Kelautan dan Perikanan yang melakukan observasi di laut Jawa pada bulan Desember 2005. Dalam penelitian ini image dari kawanan ikan dengan bentuk tertentu, yang teriihat pada echogram, dibentuk ke matrix dengan sampling dan graylevel quantization kemudian diplot menjadi gelombang dengan durasi tertentu. Gelombang-gelombang tersebut diubah ke domain frekuensi menjadi bilangan vector yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook sebagai data base. Pada proses pengenalan dihitung besar log of probability HMM untuk semua jenis ikan berdasarkan nilai codeword dari nilai sample point ikan. Dari percobaan yang dilakukan didapatkan tingkat akurasi yang cukup tinggi untuk mendeteksi jenis schooling ikan yakni persen akurasi hingga 92%."

"Skripsi ini melakukan percobaan untuk mengimplementasikan sistem speech recognition untuk mengenal suara angka ; yaitu 'nol', 'satu', 'dua', dan 'tiga' dengan Hidden Markov Model pada alat real-time, yaitu DSP starter kit (DSK) TMS320C6713. Sistem yang diimplementasikan tidak terbatas pada perintah satu orang. DSK TMS320C6713 adalah platform real-time yang menggunakan bahasa assembler untuk menjalankannya.Pada skripsi ini program dikerjakan dengan bahasa C menggunakan software Code Composer Studio (CCS). CCS akan melakukan cross compiler dari bahasa C ke bahasa assembler. Proses speech recognition dapat dibagi menjadi dua proses. Proses pertama adalah training. Proses training menghasilkan dua database; yaitu database codebook dan database probabilitas state. Proses kedua adalah proses pengenalan. Proses pengenalan diterapkan dalam DSP starter kit (DSK) TMS320C6713.Pada percobaan telah dilakukan proses pengenalan dari berbagai ukuran codebook dan jumlah training sepuluh. Ukuran codebook yang digunakan adalah 32, 64, dan 128. Suara yang digunakan adalah suara real-time yang telah di-training dan suara real-time yang belum di-training. Aplikasi berjalan pada sample data sebanyak 800 sample. Melalui percobaan yang dilakukan didapatkan tingkat dari akurasi mencapai 95 % dengan ukuran codebook 128 dan jumlah training sepuluh.

---

The final project implemented speech recognition for number speechs; `nol', 'satu', 'dua', and 'tiga' with Hidden Markov Model in the real time device. The device was DSP starter kit (DSK) TMS320C6713. The system that was implemented was not limited by one person. TMS320C6713 is a real-time device that uses the assembler language to run it.

In this final project used C language with Code Composer Studio (CCS). CCS is a cross compiler from C language to assembler language. The process in speech recognition had two steps. The first step was training. Training process gave two database; codebook and state probabilities. The second process was a recognition process. Recognition process used DSP starter kit (DSK) TMS320C6713.

In this final project recognition was used three kind of codebook and ten number of training. The size of codebook is 32, 64, and 128. The Final project used a real-time sound that already have been trained and a real-time sound that haven't been trained. The applications worked in 800 data sample. The accuracy was about 95 % with size of the codebook was 128 and the size of the training was ten."

"Sistem pengenalan gerakan manusia merupakan teknologi yang penting karena dapat mempermudah pekerjaan manusia dalam berbagai aspek dan membantu manusia yang memiliki keterbatasan. Adapun gerakan yang bisa dikenali adalah gerakan manusia dimana tangan lurus dan berayun, gerakan manusia dimana tangan ditekuk dan berayun, gerakan pergelangan tangan memutar kekanan dan kekiri, serta gerakan tangan ditarik mendekati tubuh dan gerakan tangan mendorong menjauhi tubuh. Salah satu algoritma dalam bidang Artificial Intelligence yang bisa digunakan adalah Hidden Markov Model (HMM). HMM sendiri merupakan suatu permodelan statistika yang dimana sistem yang dimodelkan diasumsikan merupakan proses Markov yang memiliki state/keadaan yang tersembunyi (hidden). Pada penelitian ini digunakan sensor Inertial Measurement Unit sebagai pendeteksi gerakan manusia. Komunikasi antara sensor dengan komputer dilakukan secara nirkabel menggunakan XBee. Sistem yang dibuat dapat mengenali enam gerakan manusia tadi secara real time. Hasil pengujian menunjukkan bahwa HMM dapat mengenali gerakan manusia dengan tingkat akurasi sebesar 88% dalam waktu 0.004 detik.

---

Human motion recognition is an important technology to be developed, as it can facilitate human work and also help people with disabilities. As for motion, sytem could recognize six motion, which is human arms straight and swinging, human hand bent and swinging, hand twisting left, hand twisting right, hand push forward, and hand pull inward. One of Artificial Intelligence algorithm that can be used is HiddenMarkov Model (HMM).

HMM itself is a statistical model where the system which being modelled was assumed as Markov process that has hidden state. This research used Inertial Measurement Unit sensor as human motion detector. Communication between sensor and computer was conducted wirelessly with XBee. This system can recognize six motion real time. From the results show that Hidden Markov Model can recognize human motion with an accuracy rate of 88% within 0.004 seconds."

"Suatu sistem persediaan yang baik akan dapat meningkatkan efisiensi perusabaan serta mendukung kinerja proses produksi yang berlangsung pada perusahaan tersebut. Adapun permasalahan utama yang terlihat pada kebijaksanaan pengendalian persediaan pada P.T. X adalah masih kurang diperhatikannya faktor total biaya persediaan dalam penerapan sistem pengendalian persediaan yang ada sekarang. Penyebab lain adalah adanya kebijaksanaan dari pusat (Jepang) bahwa jumlah persediaan komponen yang harus tersedia sebagai safety stock sebesar 30 % dari total permintaan untuk periode tersebut. Dengan demikian penulisan skripsi ini pada dasarnya dilakukan untuk memberikan suatu sistem pengendalian persediaan usulan, dimana pada sistem usulan ini akan dihitung standar safety srock yang optimal serta penerapan teknik Lotting yang tepat untuk masing-masing komponen yang akan memberikan total biaya persediaan terendah. Untuk dapat memperoleh hasil penelitian yang lebih terarah, maka pada penulisan skripsi ini produk yang akan dianalisa dibatasi pada produk refrigerator 1 pintu tipe VR 120. Karena tidak semua data komponen penyusun lemari es tipe VR 120 yang berhubungan dengan biaya persediaan dapat diperoleh, maka proses analisa hanya akan dilakukan secara kuantitatif terhadap sepuluh komponen penyusun refrigerator tipe VR 120 yang dianggap dapat mewakili seluruh komponen penyusun refrigerator. Metode yang digunakan adalah Material Requirement Planning (MRP). Sedangkan perhitungan Safety Stock dilakukan dengan metode Statistkal Distribution. Dan teknik Lotting yang digunakan adalah metode Lot for Lot, Economic Order Quantity, dan Period Order Quantity. Komponen biaya persediaan yang diperhitungkan adalah biaya kepemilikan dan biaya pemesanan. Hasil akhir yang diharapkan adalah komposisi biaya persediaan yang ditimbulkan oleh sistem persediaan lama serta rancangan komposisi biaya persediaan untuk sistem persediaan usulan dengan 3 metode Lot Sizing. Selain itu dihitung perkiraan pengurangan biaya persediaan yang dapat dilakukan bila dilakukan pembahan sistem persediaan dengan menggunakan sistem yang diusulkan."

"ABSTRAK

Tingkat mortalitas digunakan dalam menghitung besar premi, anuitas pensiun, cadangan asuransi hidup, dan berbagai produk asuransi jiwa lainnya. Untuk itu perlu dilakukan peramalan tingkat mortalitas untuk masa yang akan datang. Kenaikan tingkat mortalitas dipandang sebagai akibat dari proses penuaan manusia yang didasarkan pada suatu indeks kesehatan, yaitu usia fisiologis. Rantai Markov Waktu Kontinu dengan satu absorbing state digunakan untuk memodelkan proses penuaan. Waktu yang dihabiskan sebelum masuk ke dalam absorbing state didefinisikan sebagai waktu bertahan hidup hingga terjadi kematian dan mengikuti Coxian phase type distribution. Fungsi survival dari distribusi yang digunakan dalam peramalan tingkat mortalitas dapat ditentukan. Penaksiran parameter model diperoleh dengan meminimumkan jumlah kuadrat errors dari fungsi survival. Kemudian dilakukan fitting model untuk melihat hasil peramalan tingkat mortalitas untuk data laki-laki dan perempuan. Hasil simulasi menyatakan bahwa model menunjukkan fit yang memuaskan dan dapat digunakan dalam meramalkan tingkat mortalitas usia tua pada data laki-laki dan semua usia pada data perempuan.

---

ABSTRACT

---

Mortality rates are used in calculating premiums, pension annuities, life insurance reserves, and other life insurance products. Therefore, it is necessary to forecast the mortality rate for the future time. Increasing in mortality rates are seen as a result of the aging process based on a health index called physiological age. Continuous Time Markov Chain with one absorbing state is used to model the aging process. The time spent before entering the absorbing state is defined as the survival time until death occurs and under the Coxian phase type distribution. The survival function can be determined from this distribution and used in forecasting mortality rates. The parameters estimation is obtained by minimizing sum squares of errors from the survival function. Then model fitting are performed to see the result of forecasting mortality rates for man and woman data. Simulation results indicate that the model show satisfactory fit and can be used in forecasting old age mortality for man and all age for woman.

"