Hasil Pencarian  ::  Simpan CSV :: Kembali

"Speaker verification menggunakan suara dalam mengidentifikasi penggunanya sehingga memilih peluang yang sangat besar untuk diterima di dalam masyarakat karena kemudahannya. Dengan biaya yang lebih murah dibanding sistem biometrik lain, akurasi yang didapatkan dari sistem ini cukup baik [!]. Terlebih lagi, riset terhadap suara telah dilakukan secara terus-menerus beberapa tahun belakangan ini sehingga dapat dijadikan acuan dalam pembuatan sistem speaker verification yang lebih baik lagi. Dengan adanya mikroprosesor Digital Signal Processing (DSP) yang dioptimasi untuk pengolahan sinyal dijital dan aplikasi perhitungan numerik kecepatan tinggi, sistem ini dapat lebih mudah dibuat dan diaplikasikan dalam kehidupan nyata. Selain itu, karena dapat diprogram (programmable), maka sistem keluaran dapat disesuaikan dengan kebutuhan dan juga kontrol akurasinya akan menjadi lebih baik. Pada skripsi ini, dibahas unjuk kerja sistem speaker verification menggunakan parangkat keras ADSP-2181 yang merupakan prosesor DSP buatan Analog Device dengan metode ekstraksi fitur Linear Predictive Coding (LPC) dan metode pencocokan fitur Dynamic Time Warping (DTW) yang dihasilkan dari ujicoba terhadap 8 orang speaker dilihat dari nilai False Acceptance Rate (FAR) dan False Reject Rate (FRR). Unjuk kerja sistem speaker verification yang telah dibuat dan diujicoba ternyata cukup baik. Hal ini dapat dilihat dari nilai rata-rata FAR yang kecil, yaitu sebesar 10.72% dan niiai FRR sebesar 37.5%."

"Kejahatan yang semakin meningkat akhir-akhir ini membuat banyak orang untuk berpikir akan pentingnya sebuah sistem yang dapat melakukan identifikasi terhadap seseorang. Dengan memanfaatkan kamera pengawas diharapkan sistem tersebut dapat mendeteksi atau mengidentifikasi seseorang atau objek tertentu sehingga dapat meminimalisasi terjadinya tindak kejahatan. Misalnya saja pada saat-saat dimana ujian penerimaan mahasiswa baru, seringkali kecurangan-kecurangan berupa praktik joki terjadi. Hal ini dikarenakan ketidaktelitian pengawas ujian dalam mengawasi kecurangan-kecurangan yang dilakukan peserta. Oleh karena itulah adanya sistem yang dapat melakukan identifikasi terhadap peserta dirasakan sangat perlu. Dengan adanya hal-hal tersebut penulis melakukan penelitian terhadap pembuatan sistem yang dapat melakukan identifikasi terhadap seseorang. Proses identifikasi manusia dapat dilakukan terhadap beberapa hal, antara lain wajah, sidik jari dan iris mata manusia. Dalam penelitian ini penulis melakukan penelitian terhadap identifikasi wajah. Hal ini dikarenakan proses identifikasi wajah dapat dilakukan tanpa diketahui oleh orang yang sedang diidentifikasi sehingga sistem identifikasi wajah sangat baik digunakan dalam rangka mendeteksi tindak kejahatan. Namun dalam penelitian ini penulis membatasi permasalahan terhadap proses ekstraksi fitur-fitur pada wajah saja. Metode yang digunakan dalam proses ekstraksi ini adalah dengan menggunakan metode gabor. Metode gabor memanfaatkan gabor wavelet dalam melakukan ekstraksi. Wavelet tersebut akan dilakukan konvolusi dengan gambar yang akan diekstrak fitur-fiturnya, maka akan didapatkan nilai-nilai jet dimana setiap titik dari hasil konvolusi tersebut merepresentasikan nilai frekuensi disekitar titik tersebut. Selanjutnya adalah mencari nilai-nilai jet tersebut yang sesuai dengan nilai jet yang terdapat pada model gambar manusia. Pada penelitian ini memanfaatkan edge detection yang digunakan untuk memperkecil domain pencarian fitur-fitur dari wajah."

"Query by Singing/Humming (QbSH) adalah sistem pencarian lagu berdasarkan pada senandung sebagai dasar pencariannya. Skripsi ini akan membahas mengenai perancangan sistem QbSH menggunakan Dynamic Time Warping (DTW) sebagai metode pencocokan melodi. DTW sendiri memiliki beberapa spesifikasi dan bersifat data dependent. Oleh karena itu, pada kesempatan ini akan dirancang suatu simulasi QbSH untuk menentukan spesifikasi DTW yang tepat untuk musik dangdut dan keroncong. Pengukuran performansi dilakukan berdasarkan parameter MRR (Mean Reciprocal Rank). Berdasarkan simulasi terhadap tiga tipe DTW diperoleh hasil tipe DTW 1 memberikan hasil MRR yang paling tinggi. Selain itu untuk spesifikasi free end point didapatkan nilai gulley yang memberikan nilai MRR tertinggi adalah antara 0,15 -0,4. Nilai MRR tertinggi yang didapatkan adalah sebesar 0,67.

---

Query by Singing/Humming (QbSH) is a music search engine which is based on hum input as the basic of searching. This thesis will talk about QbSH system planning using Dynamic Time Warping (DTW) as the matching engine between the hum input and the database. DTW itself has coupler specification and is compatible for dependent data. In this opportunity, QbSH simulation will be build to determine suitable DTW type for dangdut music genre.

The performance will be measured based on MRR (Mean Reciprocal Rank). According to the simulation of three DTW types, the result show that DTW type 1 gives the highest MRR. In addition to free end point specification, gulley values are about 0.15 to 0.4 will give the highest MRR. The highest value of MRR is 0.67."

"Pattern recognition adalah merupakan salah satu pendekatan yang dipakai dalam speech recognition. Salah satu metode pattern recognition yang mudah implementasinya adalah metode Dynamic Time Warping. Metode ini cocok diterapkan untnk sinyal yang memiliki speech rate yang kecil. Pada metode Dynamic Time Warping diterapkan pengenalan terhadap pola atau karakteristik dari sinyal referensi (template) sebagai pola acuan. Kemudian dilakukan pengujian terhadap sinyal uji coba (fest signal) yang akan dibandingkan dengan pola dari sinyal referensi. Perbandingan antara kedua sinyal tersebut akan direpresentasikan secara matematis dalam besaran jarak (distance) yang diperoleh dengan menormalisasi nilai vektor kedua sinyal. Pada skripsi ini, metode Dynamic Time Warping digunakan pada proses speech recognition dan cough detection. Dua buah algoritma yang diusulkan oleh Itakura dan Sakoe-Chiba dibandingkan masing-masing untuk kerjanya. Dari simulasi diperoleh hasil bahwa penggunaan focal consiraini Sakoe-Chiba memberikan prosentase keberhasilan yang lebih baik dibandingkan dengan untuk local constraint Itakura. Secara keseluruhan prosentase keduanya mencapai angka diatas 90 % untuk kondisi speaker dependent dan independent."

"Penelitian ini mengembangkan sistem pengenalan entitas bernama pada teks dokumen berbahasa Indonesia menggunakan pendekatan machine learning. Metode dalam machine learning yang digunakan adalah association rules. Entitas yang dikenali pada penelitian ini adalah entitas nama orang, nama organisasi dan nama lokasi. Aturan-aturan untuk mengenali suatu entitas dibuat berdasarkan informasi morfologi dan kelas kata yang digunakan sebagai fitur term/token yang ingin dikenali. Suatu term dapat mempunyai satu fitur (fitur tunggal) atau banyak fitur (fitur berganda). Fitur berganda dapat dibuat berdasarkan informasi morfologi, informasi kelas kata dan gabungan keduanya. Uji coba sistem dilakukan pada beberapa kombinasi penggunaan informasi morfologi dan kelas kata dalam aturan. Hasil uji coba menunjukkan bahwa sistem dapat melakukan pengenalan entitas bernama dengan F-measure tertinggi sebesar 79.39%. Hasil ini diperoleh dengan aturan pengenalan entitas bernama yang dibuat berdasarkan gabungan informasi morfologi dan kelas kata."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Hingga saat ini, penderita kecacatan pendengaran masih memerlukan alat bantu untuk berkomunikasi, terutama untuk komunikasi lisan yang merupakan bagian penting dalam kehidupan sehari-hari. Skripsi ini membahas pengembangan sistem alat bantu pembacaan bibir (Lip Reading) dengan metode MDTW (Multidimension Dynamic Time Warping). Metode ini memanfaatkan aspek-aspek fisik bibir manusia untuk mendeteksi kata-kata yang diucapkan. Aspek-aspek yang digunakan adalah tinggi bibir, lebar bibir, rasio tinggi-lebar, dan area dari bibir. Dari video, sistem mendeteksi lokasi bibir dan menerjemahkan gerak bibir menjadi kata-kata yang dapat dimengerti pengguna. Video input akan divariasikan berdasarkan resolusi, frame rate, noise, dan jumlah database. Kata-kata yang diterjemahkan dibatasi untuk Bahasa Indonesia dan Bahasa Inggris. Hasil eksperimen menggunakan bahasa Indonesia sebanyak 308 sampel dan bahasa Inggris dengan 160 sampel, masing-masing menunjukkan akurasi tertinggi sebesar 72.5% untuk bahasa Inggris dan 63% untuk bahasa Indonesia. Tingkat akurasi pada resolusi 1280×720, 1024×768, 720×576, 720×480 masing-masing sebesar 72.5%, 70%, 68.75%, dan 62.5%. Tingkat akurasi pada frame rate 30fps, 25fps, dan 20fps masing-masing sebesar 72.5%, 70%, dan 68.75%. Tingkat akurasi menggunakan noise salt & pepper dengan kepadatan sebesar 0.01 hingga 0.1 menghasilkan akurasi antara 48.75 hingga 63.75%. Berdasarkan eksperimen ini, tingkat akurasi akan dipengaruhi resolusi, frame rate, noise, dan jumlah database.

---

Until now, persons with hearing disabilities need hearing aids for communication, especially in oral communication which is a very important part in daily life. This research report describes about development of lip reading system using MDTW (Multidimension Dynamic Time Warping). This methods implements physical aspects from human lips recorded to recognize the speaker‟s words. There are 4 physical aspects from lips that will be used, i.e. lip‟s heights, lip‟s width, lip‟s height-width ratio, and area. Video processing is performed to locate the lips and translate the lips motion into understandable words for user. In the Model, Indonesian and English simplewords istranslated. Words recognition accuracy is analyzed based on various input videos and other parameters. Experiments using Indonesian languange resulted on 63% accuracy and English languange resulted on 72.5% accuracy. This experiment used 4 type of resolutions, 1280×720, 1024×768, 720×576, and 720×480. Each resolution resulted on 72.5%, 70%, 68.75%, and 62.5% accuracy respectively. This experiment used 3 types of frame rates, 30fps, 25fps, and 20 fps. Each frame rate resulted on 72.5%, 70%, and 68.75% accuracy respectively. This experiment used salt and pepper noise, varied with density between 0.01 and 0.1. The accuracy with noise varied between 48.75 and 63.75%. Accuracy will be based on resolution, frame rate, noise, and databse size."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."