Hasil Pencarian  ::  Simpan CSV :: Kembali

"Semua image yang diambil dengan menggunakan kamera mengalami distorsi. Distorsi tersebut dapat disebabkan oleh lensa, pembuatan yang kurang sempurna, posisi dari sensor kamera bahkan oleh suhu maupun getaran [1]. Oleh karena itu untuk mendapatkan informasi image yang diperoleh dari scene seperti bentuk dari objek, jarak antara mereka, dan lainnya, kamera harus dikalibrasi.Pada skripsi ini dilakukan simulasi dan analisa unjuk kerja dari camera calibration dengan menggunakan model extended Direct Linear Trarsformation. Dengan menggunakan model ini akan didapatkan parameter-parameter dari kamera sehingga memungkinkan didapatkan informasi image yang diperoleh dari scene.Dalam simulasi, digunakan masing-masing 20 image checkerboard yang diperoleh dengan menggunakan kamera yang bergerak serta kamera yang diam. Selain mendapatkan nilai parameter-parameter dari kamera juga dilakukan perbandingkan nilai paramerer yang didapat dan pengujian kestabilan model yang digunakan.Dari hasil simulasi dan analisa didapatkan bahwa nilai focal length pada camera calibration dengan menggunakan kamera bergerak memiliki standar deviasi terhadap nilai rata-rata focal length yang lebih kecil jika dibandingkan dengan camera calibrafion dengan menggunakan kamera yang diam, dengan nilai standar deviasi terkecil adalah 1,353 pada fel = 2257,416 pixel, dan fc2 = 1,680 pada fc2 = 2210,693 pixel. Nilai kesalahan pixel sumbu-x terbesar berada pada pembacaan 16 image bernilai 5.828 pixel dan pada sumbu-y berada pada pembacaan 19 image bernilai 4,482 pixel. Keduanya terdapat pada proses camera calibration dengan menggunakan kamera diam. Sedangkan untuk kestabilan model, camera calibration dengan menggunakan kamera diam mempunyai nilai kestabilan paramefer yang lebih baik dibandingkan dengan kamera bergerak. Nilai standar deviasi setiap parameter kamera diam yang lebih baik dari kamera bergerak adalah fc1, fc2, vo dengan nilai masing-masing adalah 153.300, 148.597, 158,646."

"Pada Skripsi ini membahas tentang proses konversi ucapan menjadi tulisan, Speech-to-Text yang merupakan salah satu aplikasi dari speech recognition. Tujuan dari skripsi ini yaitu bagaimana sistem dapat mengenali sedikitnya 30 kata baik kata dasar walaupun kata jadi yang diucapkan oleh seseorang tertentu (speaker dependent) dan melihat performansi (unjuk kerja) dari sistem dengan parameter codebook dan jumlah framing yang berbeda-beda.Simulasi dibuat dengan menggunakan program Matlab 6.5 dan metode yang digunakan yaitu Hidden Markov Model (HMM). Metode HMM ini telah banyak diapliksikan dalam teknologi speech recognition. Cara yang digunakan dalam simulasi ini yaitu mengenali kata melalui pengenalan terhadap unit katanya yaitu suku kata. Suku kata yang dijadikan sebagai sumber database sebanyak 25 buah, dan dengan menggunakan variabel ukuran codebook dan jumlah training yang berbeda-beda untuk dilihat performansi mana yang memberikan hasil pengenalan terbaik.Dari hasil percobaan dengan simulai ternyata dengan ukuran codebook dan jumlah training yang lebih besar untuk jumlah label 25 memberikan performansi yang lebih baik dan dapat memberikan perbaikan dari kondisi sebelumnya, dalam hal ini memberikan perbaikan dari keberhasilan 8,36 % pada codebook 32 dan training 5 menjadi 81,09 % dengan menggunkan codebook 1024 dan jumlah training 40. Kata-kata yang berhasil dikenali dengan variasi dari 25 suku kata sedikitnya ada 50 kata."

"Saat ini pengukuran diameter zona inhibisi anti-mikroba masih menggunakan alat ukur manual seperti penggaris atau jangka sorong. Teknologi saat ini memungkinkan untuk dilakukan pengukuran otomatis berbasis kamera digital non-metrik. Sebelum dapat digunakan, sistem ini memerlukan proses kalibrasi kamera dan kalibrasi spasial untuk melakukan transformasi nilai pixel ke nilai jarak. Pada penelitian ini diperkenalkan sistem kalibrasi kamera dan spasial secara otomatis. Sistem ini terdiri dari seperangkat instrumen pengukuran, kamera non-metrik dan teknik pengolahan citra. Teknik pengolahan citra diimplementasikan menggunakan pemrograman MATLAB. Pengujian dilakukan dengan menggunakan checkerboard standar pada berbagai variasi jarak, sudut orientasi dan kamera. Pengujian telah dilakukan menggunakan objek zona inhibisi anti-mikroba dan diperoleh hasil yang akurat. Rata-rata persentase kesalahan hasil pengukuran yang diperoleh dengan 2 cawan dan 5 zona sebesar 0,932 % (15 cm), 0,847 % (20 cm) dan 1,136 % (25 cm). Akhirnya, metode pengukuran ini dapat menawarkan pengukuran dengan hasil yang lebih baik dibandingkan dengan metode sebelumnya.

---

Todays, the measurement of the diameter of the inhibition zones antimicrobial still using manual measuring tools such as rulers or calipers. The current technology allows for automatic measurement based non-metric digital camera. Before it can be used, this system requires a process of camera calibration and spatial calibration to transform pixel value to a distance value. In this study, introduced a system camera calibration and spatial automatically. The system consists of a set of measuring instruments, non-metric camera and image processing techniques. Image processing techniques are implemented using MATLAB programming. Tests carried out using standard checkerboard at various distances, angles and camera orientation. Tests have been carried out using the object anti-microbial inhibition zones and the results are accurate. The average percentage error of measurement results obtained with two bowls and five zones of 0.932% (15 cm), 0.847% (20 cm) and 1.136% (25 cm). Finally, this measurement method can offer measurements with better results than the previous method."

"Kompresi suara atau yang biasa disebut dengan pengkodean suara (speech coding) merupakan metode untuk mengurangi jumlah informasi yang dibutuhkan untuk mewakilkan sinyal suara. Teknologi speech coding untuk kompresi sinyal speech dilakukan untuk memperbaiki (menghemat) kinerja bandwidth yang terbatas dan untuk mendukung privasi komunikasi (enkripsi data/pesan). Code Excited Linear Prediction (CELP) yang merupakan pengembangan dari Linear Predictive Coding (LPC) menggunakan metode linear prediction dalam pengkompresan sinyal speech.Linear prediction adalah suatu metode yang memprediksi sampel ke-n dari suatu sinyal, s(n), dengan membentuk kombinasi linear dari p sampel s(n) sebelumnya. Kombinasi linier umumnya dioptimalkan dengan meminimalkan kuadrat dari prediction error (Mean Square Error, MSE). Suatu encoder CELP (Code Excited Linear Prediction) mempunyai model vocal tract yang sama dengan encoder LPC. Sebagai tambahannya, pada CELP menghitung error yang terjadi antara input data speech dengan model yang dibangkitkan dan mentransmisikan parameter-parameter dari model tersebut dan representasi error-nya.Dari hasil simulasi yang dilakukan diperoleh bahwa model yang memiliki nilai MSE terkecil terhadap sinyal asli adalah yang memiliki jumlah koefisien linear prediction sebanyak 15 buah. Dengan demikian, model yang akan dikirimkan adalah yang memiliki koefisien linear prdiction sebanyak 15 buah."

"Teknologi speech coding untuk kompresi sinyal speech dilakukan untuk menghemat konsumsi bandwidth. Salah satu metode analisis speech coding adalah Linier Predictive Coding (LPC). LPC adalah suatu metode yang memprediksi sampel ke-n dari suatu sinyal, s(n), dengan membentuk kombinasi linier dari p sampel sebelumnya. Algoritma Mixed Excited Linier Prediction (MELP) merupakan algoritma kompresi suara yang dikembangkan berdasarkan algoritma LPC. Pada coder MELP dilakukan pencampuran sinyal eksitasi pulsa dan noise untuk menghilangkan dengung yang dihasilkan LPC biasa. Pemilihan nilai koefisien linear prediction (LP) yang memiliki nilai Mean Square Error (MSE) terkecil terhadap sinyal asli dilakukan. Koefisien LP yang memiliki nilai MSE terkecil inilah yang akan dikirimkan sebagai model untuk membangkitkan sinyal suara kembali pada penerima. Dari hasil simulasi diperoleh bahwa model yang memiliki nilai MSE terkecil terhadap sinyal asli adalah yang memiliki jumlah koefisien LP sebanyak 10,15 dan 17 buah bergantung darijenis input suara."

"Paket dalam jaringan yang padat dapat mengalami delay yang besar baik karena antrian paket dalam queue yang panjang ataupun karena mekanisme quftue management yang kurang baik pada router, SeJama terjadinya kongesti buffer dapat tctap penuh yang menyebabkan paket mengalami delay yang lama dan ada paket yang di-dt:op. Untuk mengatasi peningkatan jumlah packet loss yang disebabkan kenaikan eksponensial trafik dalam jarlngan. IETF merekomendasikan penggunaan active qut!ue management seperti RED dan BLUE. Implernentasi active queue management yang tepat dapat mempertahankan delay dan jitter yang kecil serta memperkecH jumlah packet loss. Tujuan penulisan skripsi ini adalah untuk mengetahui unjuk kerja dari RED dan BLUE dalam pemenuhan parameter QoS. Dengan menggunakan simulator jaringan ns-2, diketahui bahwa RED dapat mernpertahankan delay dan jitter yang kecil serta throu;zhpul yang terjaga. Sedangkan BLUE dapat membnat jumlab packet loss yang kecil scrta memiliki kendali terhadap aliran trafik."