Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book describes hybrid intelligent systems using type-2 fuzzy logic and modular neural networks for pattern recognition applications. Hybrid intelligent systems combine several intelligent computing paradigms, including fuzzy logic, neural networks, and bio-inspired optimization algorithms, which can be used to produce powerful pattern recognition systems. Type-2 fuzzy logic is an extension of traditional type-1 fuzzy logic that enables managing higher levels of uncertainty in complex real world problems, which are of particular importance in the area of pattern recognition. The book is organized in three main parts, each containing a group of chapters built around a similar subject. The first part consists of chapters with the main theme of theory and design algorithms, which are basically chapters that propose new models and concepts, which are the basis for achieving intelligent pattern recognition. The second part contains chapters with the main theme of using type-2 fuzzy models and modular neural networks with the aim of designing intelligent systems for complex pattern recognition problems, including iris, ear, face and voice recognition. The third part contains chapters with the theme of evolutionary optimization of type-2 fuzzy systems and modular neural networks in the area of intelligent pattern recognition, which includes the application of genetic algorithms for obtaining optimal type-2 fuzzy integration systems and ideal neural network architectures for solving problems in this area."

"Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses identifikasi retina mata menggunakan metode neural network berbasis perangkat pemrograman komputasi numerik, yakni suatu sistem sederhana yang dapat menangani serangkaian proses pengolahan dan pelatihan menggunakan sumber informasi awal dari citra biometrik khususnya retina mata untuk bisa dijadikan sebagai identitas pribadi yang unik. Pada pengolahan citra retina mata manusia ini meliputi dua tahap yaitu tahap pra-pengolahan dan tahap identifikasi menggunakan neural network. Pada tahap pra pengolahan, proses yang pertama kali dilakukan adalah pengubahan ukuran citra, hal ini dilakukan untuk mempermudah proses pengolahan berikutnya dalam mencari pola unik pada citra tersebut. Proses kedua adalah memusatkan perhatian pada daerah citra yang dianggap unik dengan mencuplik citra pada suatu area yang dianggap unik tersebut yaitu bagian syaraf optik. Kemudian dilakukan beberapa pengolahan lanjutan untuk memperoleh citra syaraf optik yang lebih spesifik yang digunakan sebagai masukan data pelatihan pada neural network. Pada tahap ini diharapkan sistem dapat bekerja dengan baik dalam mengidentifikasi retina mata manusia.

---

Method base on the peripheral numeric computation program, a simple system that able to handle connecting structure of processing and training use the information source of image biometric especially retina to be able as unique personal identity. At processing of human retina image cover two phases that is pre-process and identify by neural network.

At pre-processing phase, the first process is image resize this matter is conducted to alleviate the next process in searching unique pattern of the image. The second process is give all mind at image area that assumed unique by crop image at one particular area that is optic nerve. Then conduct some processing to obtain more specific optic nerve image which is used as input of neural network training data. At this phase this system is expected work well in identifying retina of human eye."

"This book constitutes the refereed proceedings of the 5th INNS IAPR TC3 GIRPR International Workshop on Artificial Neural Networks in Pattern Recognition, ANNPR 2012, held in Trento, Italy, in September 2012. The 21 revised full papers presented were carefully reviewed and selected for inclusion in this volume. They cover a large range of topics in the field of neural network- and machine learning-based pattern recognition presenting and discussing the latest research, results, and ideas in these areas."

"Selama masa pandemi COVID-19, antarmuka suara menggunakan KWS (keyword spotting) semakin sering digunakan pada berbagai sistem elektronik karena minimnya kontak fisik yang diperlukan antarmuka ini. Salah satu sistem yang dapat menggunakan KWS adalah sistem navigasi lift, di mana KWS pada sistem tersebut akan mengenali kata kunci terkait lantai yang ingin dituju pengguna. Dalam penelitian ini, model KWS untuk sistem navigasi lift dibuat menggunakan CNN (Convolutional Neural Network) dan CRNN (Convolutional Recurrent Neural Network) untuk mengenali enam kata kunci spesifik. Selama proses pembuatannya, berbagai hyperparameter CRNN terkait implementasi GRU, batch normalization, dropout layer, optimizer, kernel size, dan batch size diuji pengaruh variasinya terhadap performa CRNN. Dari pengujian tersebut, ditemukan bahwa CRNN menunjukkan performa paling baik ketika GRU yang digunakan bersifat bidirectional dengan dua layer dan 64 hidden unit, kernel size sebesar 3x3, optimizer Adams, batch size sebesar 163, serta penerapan batch normalization layer sebelum dropout layer. Model CRNN yang diperoleh dari kombinasi hyperparameter terbaik kemudian dibandingkan dengan model CNN untuk dievaluasi performa klasifikasinya saat dijalankan pada Raspberry Pi 4B. Berdasarkan hasil akurasi, persentase penggunaan RAM, dan latensi, model CNN menunjukkan performa yang lebih baik daripada CRNN.

---

During the COVID-19 pandemic, voice interfaces using KWS (keyword spotting) are increasingly being used in various electronic systems due to the lack of physical contact required for this interface. One system that can use KWS is an elevator navigation system, where the KWS on the system will recognize keywords related to the floor the user wants to go to. In this study, the KWS model for the elevator navigation system was created using CNN (Convolutional Neural Network) and CRNN (Convolutional Recurrent Neural Network) to identify six specific keywords. During the manufacturing process, various CRNN hyperparameters related to GRU implementation, batch normalization, dropout layer, optimizer, kernel size, and batch size were tested for the effect of their variations on CRNN performance. From these tests, it was found that CRNN showed the best performance when the GRU used bidirectional with two layers and 64 hidden units, kernel size of 3x3, Adams optimizer, batch size of 163, and batch normalization layer applied before dropout layer. The CRNN model obtained from the best combination of hyperparameters is then compared with the CNN model to evaluate its classification performance when run on the Raspberry Pi 4B. Based on the results of accuracy, percentage of RAM usage, and latency, CNN model shows better performance than CRNN."

"Secara teoritis, biometrik dapat digunakan untuk mengidentifikasi dan memverifikasi suatu individu. Iris mata merupakan salah satu instrumen biometric yang handal, karena keunikan dari dan kompleksitasnya.Di dalam penelitian ini dirancang bangun program identifikasi iris mata menggunakan metode Jaringan Syaraf Tiruan (JST). Citra mata dijital yang akan diidentifikasi pertama-tama dilakukan pra-pengolahan terlebih dahulu. Proses ini memisahkan bagian iris dari citra mata menggunakan metode morphologi, yaitu close, erosi dan dilasi. Selanjutnya, citra disegmentasi untuk memisahkan citra iris berbentuk lingkaran dalam koordinat x-y menjadi format polar r-θ berbentuk persegi panjang. Citra polar kemudian diekstrasi untuk mendapatkan nilai karakteristik rata-ratanya dalam bentuk matriks 40 x 1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 10 layer tersembunyi, 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin.Setelah dilakukan pelatihan untuk 80 citra iris, baik mata kiri maupun kanan, proses identifikasi mencapai tingkat akurasi rata-rata sebesar 87% untuk 5 buah input citra dengan 20 kali uji coba.

---

Theorically, biometric can be used to identify dan verify an individu. Iris is one of biometric identifier that highly acceptable because of its uniqueness and complexity.

The objective of this research is to identifiy an iris using Artificial Neural Network (ANN) method. First, the digital infrared image of eye will be preprocessed which separate the iris from the eye using morphology technique, such as closing, erosion, and dilation. The iris is then transformed from x-y dimension into r-θ polar image, which convert the circle shape into rectangle one. The image was then extracted in order to get the average value of its intensities and saved in 40 x 1 matrix size. These values will be trained in the ANN and inserted into a database to be used as a comparator in identification process. The ANN consisted of 10 hidden layer, 1 output layer, and activation functions of tansig and purelin, respectively.

Using 80 images as training data, the identification accuracy reached 87 % for 5 images and 20 times of test for left side and right side eyes."

"Dalam kehidupan sehari-hari, emosi memainkan peran penting dalam membentuk cara manusia berkomunikasi dan berinteraksi, baik dengan sesama maupun dengan teknologi. Dalam bidang Human-Computer Interaction (HCI), pengenalan emosi menjadi salah satu inovasi yang memungkinkan sistem komputer memahami perasaan manusia secara lebih mendalam. Penelitian ini bertujuan untuk mengembangkan sistem Speech Emotion Recognition (SER) berbasis suara percakapan berbahasa Indonesia menggunakan kombinasi model Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), dengan dukungan teknik augmentasi data untuk meningkatkan performa dan generalisasi model. Penelitian ini dilakukan melalui tiga tahap pengujian: pertama, eksperimen menggunakan benchmark dari TESS Dataset yang berbahasa Inggris; kedua, eksperimen terhadap jumlah augmentasi data untuk menentukan konfigurasi terbaik; dan ketiga, eksperimen membandingkan kinerja model CNN, GRU, dan CNN-GRU. CNN digunakan untuk mengekstraksi fitur suara utama, seperti MFCC, Chroma, Zero-Crossing Rate (ZCR), RMS, dan Spectral Contrast, sementara GRU menangkap pola temporal dalam data. Hasil penelitian menunjukkan bahwa kombinasi CNN-GRU dengan 6 jenis augmentasi data memberikan performa terbaik, dengan akurasi 94.49% dan loss 0.8136 pada dataset berbahasa Indonesia, serta akurasi 99.72% dan loss 0.1915 pada benchmark dari TESS Dataset yang berbahasa Inggris. Temuan ini menegaskan bahwa teknik augmentasi data efektif dalam meningkatkan stabilitas dan akurasi model, bahkan ketika dihadapkan pada variasi kualitas data. Penelitian ini berkontribusi pada pengembangan teknologi HCI yang lebih intuitif, dengan potensi penerapan dalam mendukung kesehatan mental, layanan berbasis suara, dan sistem pendidikan yang responsif terhadap emosi manusia.

---

In daily life, emotions play a crucial role in shaping how humans communicate and interact, both with each other and with technology. In the field of Human-Computer Interaction (HCI), emotion recognition has become one of the innovations that enable computer systems to deeply understand human feelings. This research aims to develop a Speech Emotion Recognition (SER) system based on Indonesian speech using a combination of Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU) models, supported by data augmentation techniques to improve the performance and generalization of the model. The research was conducted through three stages of testing: first, an experiment using the TESS Dataset benchmark in English; second, an experiment on the number of data augmentations to determine the optimal configuration; and third, an experiment comparing the performance of CNN, GRU, and CNN-GRU models. CNN was utilized to extract key audio features, such as MFCC, Chroma, Zero-Crossing Rate, RMS, and Spectral Contrast, while GRU captured temporal patterns in the data. The results showed that the combination of CNN-GRU with 6 types of data augmentation provided the best performance, achieving an accuracy of 94.49% and a loss of 0.8136 on the Indonesian dataset, as well as an accuracy of 99.72% and a loss of 0.1915 on the benchmark TESS Dataset in English. These findings affirm that data augmentation techniques are effective in improving model stability and accuracy, even when faced with variations in data quality. This research contributes to the development of more intuitive HCI technologies, with potential applications in supporting mental health, voice-based services, and educational systems that are responsive to human emotions."

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.

---

By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."