Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam teknologi telekomunikasi, pemrosesan sinyal menyandang peran vital. Penerapan teknik tersebut telah merambah ke berbagai bidang seperti halnya bidang pengolahan suara dan ucapan, bidang pengolahan citra, kompresi data, dan estimasi spektral waktu frekuensi.Radar (Radio Detection and Ranging) adalah suatu metode penggunaan gelombang radio untuk mendeteksi kehadiran objek sasaran dan menentukan posisinya (lokasi/jaraknya) serta kecepatannya. Secara umum sinyal echo radar terdiri dari clutter c(t) yang merupakan hamburan dari benda-benda lain, noise n(t) atau derau yang lebih didominasi oleh penerima sendiri (kecuali pada frekuensi rendah), dan sinyal yang mungkin jika ada sasaran.Melalui bentuk pemodelan pembangkitan sinyal echo radar dengan bantuan program berbasiskan Matlab Simulink dan Matlab versi 4.2, maka dapat dianalisa sejauh mana penerapan dari untuk kerja transformasi Wavelet dan membandingkannya dengan transformasi Fourier dalam mengidentifikasi sinyal echo radar . Pemrosesan sinyal ditujukan untuk mengetahui kandungan frekuensi Doppler, dengan kata lain untuk tujuan mengetahui besar kecepatan radial benda terhadap radar. Dalam setiap deteksi diasumsikan selalu ada sasaran yang sudah berhasil dideteksi, sehingga yang harus dilaksanakan adalah mengetahui besar kecepatan radialnya.

---

Signal processing plays an important role in communication technology. Application of the technique has broadly expanded to various fields such as sound and utterance processing, image processing, data compression and frequency time spectral estimation.Radar (Radio Detection and Ranging) is one method of using radio wave to detect the targeted objects, their positions (in terms of location and distance) and speeds. Signally radar echo signal consists of clutter c(t), scattering from other objects, noise n(t) or roaring sound, dominantly controlled by the internal receiver (except for low frequency), and possible signal, when the target exist.In form of radar echo signal erection modeling supported with the program-based Matlab Simulink and Matlab Version 4.2, we may analyze application of Wavelet transforms displays as far as possible and compare to the Fourier transforms to identify radar echo signal. Signal processing is aimed at knowing the Doppler frequency ingredients. In other words, it is purposed to see the objects radial speed against the radar. It is assumed that there are always targeted objects already successfully detected. In this care, it is our task to determine the radial speed."

"Pada skripsi ini, dibahas simulasi metode pencocokkan blok dengan ukuran blok bervariasi (variable size block matching) yang diterapkan pada pemampatan sinyal gambar bergerak (video compression), dan membandingkannya dengan metode pencocokkan blok dengan ukuran tetap. Data yang akan dibandingkan berupa perbandingan sinyal terhadap noise dan besarnya bit yang akan ditransmisikan dengan asumsi saluran bersifat tanpa loss sehingga besarnya overhead tambahan untuk menangani masalah pengirimannya, tidak dimasukkan dalam perhitungan. Simulasi menunjukkan, kualitas gambar yang dihasilkan bila digunakan ukuran blok yang bervariasi pada metode pencocokkan blok, ternyata cukup tinggi, dan jumlah bit yang dihasilkan untuk merepresentasikan gambar tersebut relatif lebih kecil bila dibandingkan dengan pemakaian ukuran blok yang tetap. Nilai optimum pernakaian ukuran blok yang bervariasi tersebut dicapai bila digunakan ukuran blok S x S piksel dengan ukuran minimal 2 x 2 piksel. Karena pada pemakaian blok inilah, dicapai kompromi yang baik antara usaha meningkatkan kualitas gambar hasiI pemampatan, dengan usaha mengurangi banyaknya bit hasil pemampatan."

"ABSTRAKAplikasi-aplikasi transformasi wavelet telah banyak digunakan, terutamaaplikasi yang berhubungan dengan sinyal gambar, suara, video, dan sinyal elektriklainnya. Pada skripsi ini dibahas aplikasi transformasi wavelet untuk memprediksifluktuasi trafik internasional. Besarnya trafik internasional sangat dipengaruhi olehfaktor teknologi, ekonomi, hubungan bilateral negara satu dengan yang lain dankerjasama antar operator internasional.Fluktuasi trafik internasional berupa sinyal satu dimensi. Sinyal ini akandidekomposisi dari level I sampai dengan level 3 dengan menggunakan metodeDiscrete Wavelet Transform (DWT) untuk fungsi dasar Daubechies 18, Daubechies12, Daubechies 8 dan Haar . Hasil dekomposisi ini akan berupa sinyal aproksimasi darifilter lowpass dan sinyal detail dari filter highpass. Sinyal aproksimasi inimenggambarkan gambaran umum dari keseluruhan sinyal asli. sedangkan sinyal detailakan menentukan seberapajauh tingkat naik dan turunnya fluktuasi sinyal asli. Sinyalaproksimasi ini nantinya akan menjadi model sinyal pendekatan yang akandiprediksikan pada masa ke depan dengan asumsi kondisi keadaan yang hampir sama.Bentuk sinyal demi pada masa depan akan ditentukan oieh sinyal-siyal detail padamasa sebelumnya demikian pula dengan sinyal aproksimasinya yang dalam hal inidiprediksikan secara polinomial. Metode yang digunakan adalah Regresi PolinomialSelanjutnya proses prediksi fluktuasi sinyal merupakan proses rekonstruksi dari sinyalaproksimasi dan detail hasil prediksi. Untuk mendapatkan fluktuasi yang lebih smoothditambahkan proses denoising dengan menggunakan metode soft thresholding modelDonoho yang telah dimodifikasi dengan menggunakan harga rata-rata dan standartdeviasi pada koefisien sinyal detailnya.Dari hasil simulasi dapat diketahui bahwa dengan penerapan dekomposisi levelI untuk fungsi dasar Daubechies 18 dengan kombinasi denoising metode softthresholding model Donoho modifikasi dengan menggunakan nilai standart deviasiakan didapatkan nilai error prediksi yang terkecil.

---

"

"Kebutuhan akan kompresi data memunculkan banyak metode dan konsep untuk mengurangi ukuran sebuah informasi digital. Tujuan dari kompresi data adalah untuk menghemat kapasitas media penyimpanan dan mempermudah pengiriman informasi melalui media transmisi. Metode Huffman Code merupakan salah satu metode kompresi Lossless yang dapat memberikan kompresi bit tanpa mengurangi informasi di dalam data yang asli. Tugas Akhir ini membahas tentang penggunaan metode Huffman Code dengan jumlah data yang besar, yaitu pada sebuah Frame Video MPEG-4 dengan menggunakan nilai intensitas warna pada setiap pixel sebagai data dan letak pixel sebagai dimensi matriks. Proses yang melibatkan berjuta bit tersebut terlalu rumit untuk diselesaikan secara manual, sehingga membutuhkan bantuan software komputer Matlab. Pemrograman Matlab dilengkapi dengan tools yang memberikan kemudahan dalam penyelesaian komputasi tesebut. Data yang diamati adalah kecepatan proses kompresi-dekompresi, rasio antara jumlah bit sebelum dan sesudah kompresi, dan ketepatan antara data hasil dekompresi dengan data aslinya. Kecepatan proses kompresi dan dekompresi menunjukkan waktu yang dibutuhkan untuk mengganti setiap simbol dalam data dengan kode Huffman-nya. Kecepatan tersebut berbeda-beda tergantung pada spesifikasi alat yang digunakan. Rasio merupakan perbandingan antara data terkompresi dengan data aslinya. Ketepatan data menunjukkan perbandingan antara nilai-nilai pada data yang dikompresi dengan data aslinya. Pada kompresi Huffman data hasil dekompresi dan data asli harus sama.

---

The need of data compression makes a lot of methods and concepts made to reduce the size of digital information. The purpose of data compression is to save the capacity of a storage media and to ease information transmission through transmission lines. The Huffman Code Method is one of Lossless compression method which able to give bit compression without reducing the information inside the original data.

This final project examine the utilization of Huffman Code method with huge number of data, and that is an MPEG-4 video frame using the value of color intensity on each pixel as data and pixel’s position as matrix dimension. The Process which involves millions of bits is too complicated to be done manually, so a help from computer software, Matlab is required. Matlab programming is equipped with tools which gives ease on handling the complex computation.

The Data which observed are the compressing-decompressing speeds, ratio between the number of bits before and after the compression, and the accuracy between the decompressed data and the original data. Processing speed in compressing and decompressing shows the time needed to replace each symbol in data with its Huffman code. The speed varies depends on the specification of the device used for the process. Ratio is the comparison between compressed data with its original data. The accuracy of data shows the comparison between values in the decompressed data and the original data. In Huffman Code compression, the decompressed data and the original data must shows exact match."

"Sinyal dalam konteks telekomunikasi membawa informasi dengan variasi terhadap waktu, termasuk sinyal suara yang bersifat non-stasioner. Kehadiran noise dalam sinyal suara dapat mengurangi kualitas informasi yang ditransmisikan. Penggunaan transformasi wavelet telah menjadi pendekatan yang efektif dalam denoising sinyal suara, namun untuk hasil optimal, diperlukan pemilihan model threshold dan wavelet families yang tepat. Penelitian ini mengeksplorasi kinerja berbagai model threshold dalam denoising sinyal suara. Hasil penelitian menunjukkan bahwa waktu komputasi untuk denoising meningkat seiring dengan peningkatan level dekomposisi, dengan threshold Donoho memiliki waktu komputasi tercepat, diikuti oleh modifikasi, dan acuan Gang Yang [9] paling lambat. Penggunaan wavelet families juga memengaruhi nilai Mean Squared Error (MSE) dan waktu komputasi. Model threshold acuan Gang Yang [9] memberikan MSE terbaik dengan waktu komputasi 119,252 detik pada level dekomposisi 4, sedangkan threshold modifikasi menawarkan waktu komputasi lebih cepat yaitu 87,965 detik dengan MSE hampir setara pada level dekomposisi 2. Peningkatan panjang filter wavelet meningkatkan kompleksitas program dan waktu komputasi, namun efeknya bervariasi pada tiap model threshold. Selain itu, dilakukan denoising pada noise teras rumah (SPL 83,445 dB) dan noise mesin konstruksi (SPL 87,439 dB). Pada noise teras rumah, level dekomposisi 1 dengan Biorthogonal 3.3 (bior33) paling efektif, mengurangi SPL menjadi 40,216 dB. Pada noise mesin konstruksi, level dekomposisi 1 dengan Reverse Biorthogonal 3.3 (rbio33) paling efektif, menurunkan SPL menjadi 69,569 dB. Berdasarkan hal tersebut, dalam memilih model threshold yang optimal, perlu dipertimbangkan nilai MSE dan efisiensi komputasi. Penelitian ini memberikan wawasan penting dalam memilih metode denoising yang efektif untuk meningkatkan kualitas sinyal suara.

---

In telecommunications, signals carry information with variations over time, including non-stationary audio signals. Noise in audio signals can degrade the quality of transmitted information. Wavelet transform is an effective approach for denoising audio signals, but optimal results require appropriate threshold models and wavelet families. This study explores the performance of various threshold models in denoising speech signals. Results indicate that computation time for denoising increases with decomposition levels; the Donoho threshold is the fastest, followed by the modified model, with Gang Yang [9]'s reference model being the slowest. Wavelet family choice significantly impacts Mean Squared Error (MSE) and computation time. The Gang Yang [9] reference model offers the best MSE at SNR 20-27 with a slight computation time increase (119.252 seconds at level 4), while the modified model achieves faster computation (87.965 seconds at level 2) with nearly equivalent MSE. Longer wavelet filters increase program complexity and computation time, varying by threshold model. Additionally, denoising was performed on residential porch noise (SPL 83.445 dB) and construction machinery noise (SPL 87.439 dB). For residential porch noise, decomposition level 1 with Biorthogonal 3.3 (bior33) was most effective, reducing the SPL to 40.216 dB. For construction machinery noise, decomposition level 1 with Reverse Biorthogonal 3.3 (rbio33) was most effective, lowering the SPL to 69.569 dB. Thus, selecting an optimal threshold model involves considering both MSE and computational efficiency. This study provides key insights for effective denoising methods to enhance speech signal quality."

"ABSTRAKPentransmisian sinyal video (video signal) membutuhkan lebar pita frekuensi (bandwidth) dan kapasitas memori yang sangat besar. Untuk mengefisienkan penggunaan bandwidth dan kapasitas memori serta mereduksi biaya transmisi perlu dilakukan proses pemampatan (kompresi) pada sinyal video tersebut. Salah satu teknik kompresi yang banyak digunakan adalah Transform Coding berbasis DCT (Discrete Cosine Transform).Proses transmisi sinyal video dapat dilakukan dengan dua cara yaitu transmisi dengan laju bit yang tetap (Constant Bit Rate/CBR) dan transmisi dengan laju bit yang bervariasi (Variable Bit Rate NBR). CBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang terbatas, sehingga tidak dapat menampung volume data yang ada. Sedang VBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang besar sehingga dapat menampung volume data yang ada. Untuk dapat melayani proses transmisi sinyal video VBR diperlukan suatu media transmisi yang mampu memfasilitasi hal tersebut. Salah satunya adalah jaringan ATM (Asynchronous Transfer Mode). Pentransmisian sinyal video VBR melalui jaringan transmisi ATM dilakukan melalui proses pengkodean data pada sinyal video tersebut dan membentuk kode-kode data tersebut ke dalam bentuk struktur sel ATM melalui proses pemaketan (paketisasi).Proses pemaketan dapat dilakukan dengan menggunakan metode Layered Coding yang membagi data-data menjadi dua prioritas yaitu data prioritas tinggi (High Priority Data/HPD) dan data prioritas rendah (Low Priority Data/LPD), dimana data HPD adalah data-data yang mengandung nilai informasi yang terbesar. Kemudian masing-masing data tersebut dibentuk menjadi paket-paket (sel) ATM dan ditransmisikan melalui kanal yang berbeda.Dari simulasi yang dilakukan diperoleh hasil bahwa metode Layered Coding pada pentransmisian sinyal video VBR dapat mempertahankan kualitas gambar yang dikirim dengan mengirimkan data HPD melalui kanal prioritas tinggi (High Priority Channel). Hilangnya (tidak dikirim) data LPD tidak akan berpengaruh besar pada kualitas gambar yang dihasilkan (PSNR 17,2 dB std 26,5 dB), sedangkan hilangnya sebagian kecil (t 1,5%) data HPD akan menimbulkan pengaruh yang besar (degradasi) pada gambar yang dihasilkan (PSNR 8,62 dB).

---

ABSTRACTGenerally, wide bandwidth and large memory capacities are needed to transmit the video signal. Using bandwidth and memory capacity efficiently and also reducing the transmission cost, the video signal needs a compression process before transmitted. One of the compression technique which is commonly used is Transform Coding based on DCT (Discrete Cosine Transform).The video signal transmission process could be done in two ways i.e. : constant bit rate (CBR) and variable bit rate (VBR). CBR is a constant rate trans-mission which is used in the transmission process where the bandwidth has incapability to accommodate available data volume. VBR is a variable rate trans-mission which is used in the transmission process where the bandwidth has a capability to accommodate available data volume. ATM (Asynchronous Transfer Mode) network is one of the capable transmission media which is used for transmitting the VBR video signal. The VBR video signal transmission through the ATM network has two processes, coding process and packet process.A Layered Coding method is used for the data packet process. This method divides the data into two priorities i.e.: high priority data (HPD) and low priority data (LPD). The HPD is used for the important data stream and the LPD is used for the rest of the data stream (unimportant data). The data (HPD and LPD) is performed into the ATM cells structure and transmitted through a different channel.The simulation results showed that the layered coding method could maintain the VBR video signal quality by transmitting the HPD through a high priority channel. The lost data of LPD does not annoy the reconstructed video quality (PSNR 17.2 dB - 25.5 dB). The lost data of HPD, however, causes degradation in the quality of the reconstructed video (PSNR 8.62 dB)."

"Physical behavior of models can be measured in the laboratory, which, in turn are often used to assess the behavior of more complicated structures. Mechanical responses present physical behavior of a structure. By using three different transducer, one can measure acceleration, velocity and displacements directly. Determination of velocity and displacements from acceleration data is preferable from point of view economics; but on the other hand this procedure, at present, is still causing problem. This study shows that displacements and velocity can be calculated from its acceleration which is obtained by using one transducer.The acceleration data are obtained from a cantilever steel plate which is subjected to a transient force at a discrete location on its surface or an initial deflection on its tip. An acquisition program was first designed before starting the experimental program. By means of a piezoelectric accelerometer, a conditioning amplifier and a digital oscilloscope, acceleration data are captured and then transferred to a personal computer.The transformation of these two responses, displacements and velocity from the acceleration data are performed in two domains, time domain and frequency domain. Two integration techniques, Newton-Cotes formula and Simpson's rule were used for the calculation in the time domain. For both techniques, adjustment of basis line is performed by End Zero Time Technique Modified. Programmation has been done for both types of domain analysis.The Simpson's rule gives sufficient results and Newton-Cotes formulation gives good results only for moderate values of Cotes coefficient. High values of the coefficient give unrealistic calculated velocity and displacements. Drifting character are present on the displacements calculated by both methods.In the frequency domain, the velocity and displacements are obtained from acceleration data by means of Fast Fourier Transform and its Inverse Fourier Transform. This method give satisfactory results only for the calculation of velocity. The displacements obtained show also drifting character. Nevertheless, realistic forms of this displacements are moderately accepted.Results comparison of the two methods, both in time domain and frequency domain, show that none of the method is better than another. Analysis in frequency domain give more accurate results, but this method is not definitely a principal method for the solution of this type of problems. The two methods shall be used for the calculation of velocity and displacements. This procedure can verify one result to another to avoid wrong interpretation of transformed responses."