Hasil Pencarian  ::  Simpan CSV :: Kembali

"Citra berwarna memiliki informasi yang lebih banyak dari pada citra skala keabuan (grey-scale). Warna menjadi lebih bermanfaat dalam pemrosesan citra saat ini, karena itu teknik pemrosesan citra berwarna kini menjadi kian diperlukan karena semakin meningkatnya kebutuhan terhadapnya. Beberapa peneiiti menyadari bahwa informasi warna dari gambar alarm dapat dengan sangat menyederhanakan proses segmentasi, dan dengan mudah pula memecahkan permasalahan-permasalahan yang ditemui pada pemrosesan citra skala keabuan ((LiCh 91] [LLYC 92]). Pemrosesan citra berwarna dibagi menjadi dua bagian besar, yakni proses warna penuh (full color) dan warna palsu (pseudo-color). Pendekatan lain yang digunakan untuk menentukan warna-wama adalah dengan menggunakan diagram kromatisitas, yang menunjukkan komposisi warna. Dalam Tugas Akhir ini diterapkan pemrosesan citra berwarna ? dalam hal ini proses warna penuh ? dengan menggunakan pemrosesan tranformasi ROB - HSI dan penentuan letak warna citra pada diagram kromatisitas. Dalam Tugas Akhir ini pula akan dibuat pengenalan beberapa jenis warna rambu dan variasinya terhadap variabel tingkat terang (brightness) dan intensitas cahaya serta menguji keluaran hasil pengenalan dengan menggerakkan perangkat keras (mobil-buatan) melalui suatu rangkaian elektronik. Hasil yang diperoleh dari uji coba program simulasi menunjukkan bahwa akurasi pengenalan cukup baik, dan sangat tergantung kepada besar kuat pencahayaan yang jatuh pada rambu."

"Pengenalan rambu lalu-lintas merupakan salah satu tugas yang harus dilaksanakan oleh sebuah mobil pintar_ Pada kondisi jalan sebenarnya, masalah yang dihadapi akan meliputi bervariasinya kuat cahaya, perubahan skala rambu karena perubahan jarak, dan adanya noise pada rambu. Sebuah sistem pengenalan rambu yang baik akan dipersiapkan untuk mengatasi masalah-masalah tersebut. Pada Skripsi ini, dicoba untuk merancang sebuah sistem pengenalan rambu yang dipersiapkan untuk berhadapan dengan masalah-masalah di atas. Sistem ini masih bersifat off-line. Citra yang dipakai adalah citra basil pemotretan, sedangkan keluaran berupa pengenalan jenis rambu. Rambu yang dikenali dibatasi hanya yang tepinya berwarna merah saja. Untuk mengatasi masalah bervariasinya kuat cahaya, segmentasi rambu dari lingkungan memakai basis sistem wama HSI. Sistem warna ini mendeskripsikan sebuah warm dalam 3 komponen terpisah. Hue dipakai untuk menyatakan wama dominan yang dilihat pengamat, saturasi menyatakan kemurnian relatif dari warna tersebut, atau jumlah warna putih yang tercampur dengan kue tersebut, sedangkan kuat Iemahnya cahaya dinyatakan dalam intensitas. Pengenalan bentuk dan citra rambu yang sudah tersegmentasi dilakukan oleh jaringan saraf tiruan (ANN T Artificial Neural Networks). Jaringan yang dipakai berupa jaringan bertingkat antara Kohonen dan Propagasi Balik (Backpropagation). Modus kerja jaringan Kohonen adalah unsnpervis-ed, sedangkan Propagasi Balik bersifat supervised. Penggabungan keduanya diharapkan memberikan kineda yang lebih balk. Agar fungsi ANN hanya kepada pengenalan bentuk dan bukan warna rambu, maka citra rambu tersegmentasi diubah terlebih dahulu menjadi citra monokrom. Selanjutnya dilakukan proses penghalusan (smoothing) terhadap citra monokrom untuk memperbaiki kualitas citra. Ekstraksi eiri masukan ke ANN dilakukan dengan teknik ekstraksi ciri spektrum daya Fourier."

"Sistem biometric menawarkan solusi dalarn proses identifikasi sseorang berdasarkan keunikan iitur atau karakteristik yang ciimiliki oleh setiap individu Sampai saat ini, identifkasi berdasarkan iris rnata rnerupakan metode biometric yang paling akurat dan reliable. Permasalahan yang akan dibahas rnengikutsertakan perancangan simulasi sistem pengenalan berdasarkan pola iris mata seseorang dengan tujuan unmk memverifikasi keunikan suatu iris manusia dan perfonnansinya sebagai salah satu metode dalam telcnologi biometric.Tahap awal sistem pengenalau berdasarkan iris mana adalah segmentasi secara otomatis berdasarkan tmnsformasi Hough sehingga dapat melokalisasi daerah iris dan pupil. Daerah iris yang berbentuk lingkaran yang telah terscgmentasi tersebut selanjutnya akan dinormalisasi ke dalam rectangular representation agar dapat diekstraksi dalam proses selanjutnya. Proses ekstraksi dilakukan dengan cara mengkonvolusi citra iris yang telah dinormalisasi tersebut clengan 1-D Log-Gabor wavelet. Selanjutnya data fase yang diperoleh dari 1-D Log Gabor wavelet dikuantisasi menjadi empat tingkat agar dapat di-encoding menjadi suatu biometric template yang biasa disebut dengan iriscode. Proses pencocokkan antara dua triscode dilakukan dengan menggunakan rnetode Harnming Distance.Percobaan djlakukan dengan mengkombinasikan 108 iris mata yang berasal dari 36 individu yang berbeda (tiga posisi iris yang berbeda untuk setiap orang). Pada sistem yang diujicobakan ini mempunyai false reject rate sebesar 13,88% dan false acceptance rate scbesar 0,00%."

"Skripsi ini membahas analisis perbandingan dua sistem pengenalan rambu lalu lintas yaitu menggunakan metode Generative Learning (GL) dan Support Vector Machine (SVM). GL merupakan metode pengenalan yang baru dikembangkan di mana sampel training dihasilkan dengan memvariasikan sampel yang ada berdasarkan parameter tertentu sehingga dapat mempermudah pembuatan citra untuk training serta dapat memberikan hasil pengenalan yang lebih baik. SVM merupakan metode pengenalan yang telah banyak digunakan dan menggunakan karakteristik vektor untuk memisahkan objek dari latar belakangnya. Sambil berjalan, rambu-rambu lalu lintas direkam oleh kamera video di atas kendaraan bermotor yang hasil rekamannya dianalisis menggunakan kedua metode tersebut. Hasil pengenalan rambu lalu lintas yang dianalisis dalam beberapa kondisi seperti jumlah sampel training, resolusi video, tingkat kecerahan sekitar, dan kecepatan kendaraan kemudian dibandingkan dan dianalisis tingkat akurasinya. Dari hasil percobaan didapat bahwa akurasi pengenalan metode GL lebih baik dibandingkan SVM yaitu dengan persentase masing-masing 95,56% dan 94,67%.

---

This thesis discusses the comparative analysis of two traffic signs recognition system using Generative Learning (GL) and Support Vector Machine (SVM) methods, respectively. GL is a newly developed method in which the training samples are generated by varying samples based on certain parameters which makes it easier to the training images and produce better recognition result. SVM is a method that has been widely used which uses vector characteristics to separate objects from its background. Traffic signs are recorded using a video camera in a moving motorcycle and videos of them are analyzed using both methods. The accuracy of recognition results will be compared under some conditions, such as the number of training imageries, video resolutions, and lighting conditions, and vehicle’s speed. Recognition results showed that GL has better accuracy than SVM, with percentage of 95.56% and 94.67%, respectively."

"ABSTRAKPenderita buta warna umumnya sering mengalami kesulitan dalam membedakan warna tertentu, bahkan untuk penderita buta warna total, mereka hanya dapat melihat dalam warna hitam, putih, dan abu-abu saja. Kelainan persepsi warna tersebut menimbulkan permasalahan yang banyak dialami oleh penderita buta warna, mulai dari aktifitas sehari-hari sampai masalah pendidikan. Salah satu solusi untuk membantu permasalahan tersebut adalah dengan membangun sistem bantuan menggunakan teknik pengolahan citra dan menerapkan teknologi augmented reality. Dalam implementasi sistem bantuan tersebut, penelitian ini difokuskan pada perancangan antarmuka pengguna sistem bantuan penderita buta warna dan pengembangan sistem tes buta warna pada perangkat Windows Phone 7, serta pembuatan sistem transformasi warna pada perangkat bergerak, maupun sistem tertanam. Perancangan antarmuka pengguna sistem bantuan penderita buta warna untuk platform Windows Phone 7 diimplementasikan menggunakan Microsoft Expression Blend berdasarkan prinsip barrier-free. Pengujian buta warna bagi pengguna digunakan metode Ishihara, dan untuk transformasi warna diterapkan teori Dalton dengan menggunakan pemrograman bahasa C# dengan tambahan library EmguCV. Analisis pengujian sistem ini membuktikan bahwa penerapan metode Ishihara untuk sistem tes buta warna memberikan hasil akurasi yang tinggi dengan persentase 100% dari 10 kali pengujian. Metode Daltonisasi untuk sistem transformasi warna memberikan hasil optimal untuk memperjelas objek pada citra berwarna ambigu. Pada perangkat tertanam, persentase kondisi citra yang dapat terlihat sangat jelas adalah 74%, dan 37% untuk perangkat bergerak.

---

ABSTRACTPeople with color blindness often have difficulty in distinguishing certain colors. Even for people with total color blindness, they can only see in black, white, and gray colors. Deficiency of color perception is causing many problems experienced by people with color blindness, from daily activities to educational issue. One solution to help this problem is to build an aid system using image processing techniques and applying augmented reality technologies. In the system implementation, research has focused on designing the user interface of color blind aid system and color blindness test system for Windows Phone7 device, and also developing color transformation system for mobile and embedded device. The design of color blind aid system user interfaces for Windows Phone 7 platform is implemented using Microsoft Expression Blend based on barrier-free principle. Color blindness test system using Ishihara method, and the application of Dalton?s theory to transform color using C# programming language with additional EmguCV library. Analysis of the test in the implementation proves that the implementation of Ishihara method for color blindness test system provides high accuracy results with the percentage of 100% of 10 times testing. Dalton method for color transformation system provides optimal results in clarifying ambiguous colored objects, especially for color blind people. In embedded device the visibility percentage is 74% meanwhile in mobile device the visibility percentage is only 37%."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Pengembangan sistem pengenalan wajah yang optimal akan sangat bergantung pada proses seleksi ciri yang digunakan sebagai basis pada pengenalan pola. Dalam proses seleksi ciri tersebut akan terdapat dua aspek yang akan saling berpengaruh yaitu, aspek reduksi terhadap jumlah data yang digunakan pada klasifikasi dan peningkatan kemampuan pendiskriminasiannya. Dalam proyek mahasiswa ini, digunakan salah satu metode pengkodean citra wajah yang dapat memenuhi kedua aspek di atas, yaitu metode Fisherface yang berbasis pada Fisher?s Linear Discriminant (FLD). FLD merupakan metode class specific yang mampu memaksimalkan perbandingan antara between scatter class dengan within scatter class. Fisherface memiliki karakteristik mampu mengenali citra wajah dalam berbagai variasi pencahayaan, ekspresi, dan atribut [BELH97]. Transformasi Whitening kemudian diterapkan sebagai pre-processor FLD. Penerapan Whitening akan menghasilkan vektor baru yang komponennya tidak saling berkorelasi dan variansinya sama dengan unity. Sedangkan Algoritma Genetika digunakan untuk mengotomatisasi proses reduksi dimensi sehingga penentuan reduksi dimensi yang optimal tidak lagi dilakukan secara eksperimental. Eksperimen dilakukan pada dua jenis basis data wajah yang berbeda. Basis data wajah Yale digunakan untuk melihat pengaruh penerapan transformasi Whitening pada citra wajah frontal. Sedangkan basis data wajah 3 Dimensi digunakan untuk melihat pengaruh transformasi Whitening pada citra wajah 3 dimensi. Hasil eksperimen dengan basis data Yale menunjukkan tingkat pengenalan Fisherface dengan transformasi Whitening relatif sama dengan yang tidak menggunakan Whitening. Sementara pada basis data 3 Dimensi, penerapan Whitening diduga dapat memperbaiki tingkat pengenalan Fisherface pada saat jumlah citra acuan relatif sedikit. Pada kedua basis data, transformasi Whitening dapat meningkatkan tingkat pengenalan pada kondisi di mana dimensi ciri yang dihasilkan sangat kecil."