Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hidup di kota yang memiliki tingkat populasi dan polusi yang sangat tinggi akan berdampak negatif bagi kesehatan manusia, khususnya pada sistem pernafasan. Gangguan pada sistem pernafasan biasanya dapat terdeteksi melalui suara tarikan dan hembusan nafas dari penderita. Beberapa contoh gangguan tersebut adalah bronchial, cracle dan pleurisy. Skripsi ini membahas tentang perancangan sistem identifikasi penyakit pernafasan atau paru-paru dengan metode Hidden Markov Model (HMM). Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan penyakit paru-paru. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. Dimulai dengan pembentukan vektorvektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilainilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini, ukuran codebook yang optimal adalah 32, jumlah database yang optimal sebesar 10 (sepuluh) buah. Sementara persentase akurasi sistem secara keseluruhan bervariasi antara 70% hingga 93,33%.

---

Living in high poluted and populated city will give negative effects for our health especially for our respiratory system. The failure of respiratory system can be recognized by its sound during inhale and exhale phases called abnormal sound. It consist of bronchial, cracle, and pleural.

This thesis discusses about lung disease recognition based on its abnormal sound using HMM method. The system consists of two main processes: database construction and diseases recognition. Both of this processes is done with almost exact ways. Each sample is processed through labelling, codebook construction, and HMM parameter construction. The difference is that in recognizing process, sound signal will be compared to database which has been made in prior. The whole process is started with data vectors production by using vector quantization (VQ) which can be used to analyze precisely centroid positions. The centroid will define HMM states and parameters.

A Log of Probability (LoP) will be calculated from the parameter values. The largest value of LoP will be declared as an output of the system. Output of each samples are compared to obtain system accuracy based on variation of sample duration, sample amount, and codebook size. The optimum codebook size in this research is 32 and optimum sample amount in database is 10. Overall, accuracy of the system is variating from 70% up to 93,33%."

"Berdasarkan informasi dari WHO tahun 2008, bahwa di negeri China telah terjadi pencampuran melamin dalam bahan makanan yang mengandung susu seperti susu, biskuit, yogurt dan bahan makanan lainnya. Campuran melamin pada makanan dan minuman dapat mengakibatkan penyakit gagal ginjal, kanker bahkan kematian. Pencampuran melamin sebagai bahan pembuatan makanan dan minuman ditujukan untuk mengelabuhi badan pengecekan kualitas pangan, karena pada melamin terdapat kadar nitrogen 66% yang membuat bahan makanan dan minuman akan terlihat memiliki kandungan protein yang tinggi sehingga bahan makanan dan minuman tersebut dapat dikategorikan normal dan sesuai standar badan pengecekan kualitas pangan. Skripsi ini membahas tentang analisa dan identifikasi kadar melamin pada berbagai bahan makanan dan minuman yang mengandung susu dengan metode Hidden Markov Model (HMM). Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan identifikasi kadar melamin. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu setiap sampel data larutan akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter Hidden Markov Model (HMM). Hanya saja, pengolahan sinyal data pada proses identifikasi mengacu pada database yang telah lebih dulu diproses. Dimulai dengan pembentukan vektor-vektor data dengan proses ektraksi, yang kemudian dicari suatu nilai centroid yang presisi dengan teknik Vector Quantization (VQ) dan kemudian diproses kedalam Hidden Markov Model (HMM) untuk menentukan nilai-nilai parameter yang dibutuhkan. Berdasarkan parameterparameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi jumlah data training dan ukuran codebook. Pada perancangan sistem ini, jumlah database yang optimal dengan menggunakan jumlah data training sebanyak 7 (tujuh) buah dan untuk ukuran codebook yang optimal adalah 128. Sementara akurasi sistem secara keseluruhan bervariasi antara 60% hingga 85%.

---

Based on information from WHO in 2008, many food industry in china added some melamine in milk, biscuit, yogurt, and other food. This can be very harmful because melamine in food can cause many disease for example kidney abortive function, cancer which can lead to the death. The purpose of adding melamine in the food is for cheating government food quality department, because the nitrogen content in melamine is 66%, so the food and drink will be seen contains high protein and categorize a normal food and can pass food quality check.

This final project will dwell on analyze and identification of melamine content in foods using Hidden Markov Model (HMM). The system divide in two process, the making of data base and introducing of melamine content in foods or drink. This both process will be done in almost the same way, that is labialization process of each data, codebook making process, and Hidden Markov Model (HMM) parameter making process. The difference is data signal processing in introducing process will refer to database previously made. Its all start with the making of vectors using quantization vector technique (VQ) which will be use for determine the precision centroid value use for Hidden Markov Model (HMM) state for determine the needed parameters value. Based on this parameters, the maximum probability (Log of Probability) can be count and will show the output of percentage melamine content.

From this layout system, system accuracy will be compare with the amount of data training variation and codebook size. At this layout system, the amount of optimum database will be get by using 7 (seven) data training and the optimum codebook size is 128. Meanwhile, the overall accuracy of the system will be variate from 65% up to 85%."

"Pada dasarnya makanan tidak tahan lama untuk disimpan terlebih makanan yang mengandung kadar air tinggi. Penggunaan pengawet makanan untuk mencegah fermentasi, pengasaman dan menghambat fermentasi, pengasaman atau peruraian lain terhadap makanan yang disebabkan oleh mikroorganisme, misalnya formalin. Masyarakat sangat sukar membedakan pangan segar dengan pangan yang telah dibubuhi formalin karena para produsen atau pedagang biasa menggunakan formalin dalam kadar minimal. Penelitian ini membahas tentang perancangan sistem pengenalan identifikasi konsentrasi formalin pada makanan dengan metode HMM. Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan identifikasi konsentrasi formalin. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Dimulai dengan pembentukan vektor-vektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilai-nilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian, Secara keseluruhan sistem ini memiliki tingkat akurasi yang dicapai antara 61% sampai 87%. Hasil akurasi yang paling tinggi sebesar 87,03% untuk ukuran codebook 64 dengan jumlah 7 data training, sedangkan hasil akurasi yang paling rendah sebesar 61,11% untuk ukuran codebook 64 dengan jumlah 7 data training.

---

Basically perishable foods to be stored especially foods that contain high water content. The use of food preservatives to prevent fermentation, acidification and inhibit fermentation, acidification or other deterioration of food caused by microorganisms. One example of the misuse of food products is the use of synthetic preservatives as food additives, such as formalin. Society is very difficult to distinguish between fresh food and food that has been laced with formaldehyde because of the manufacturers or traders usually use the minimal levels of formaldehyde.

This scientific research discusses about the design of formaldehyde recognition system in food with HMM method. The system consists of two main processes: database construction and formaldehyde recognition. Both of this processes is done with almost exact ways. Each samples will be processed through labelling, codebook construction, and HMM parameter making. The whole process is started with the establishment of data vectors with Vector Quantization techniques (VQ), which can be used to analyze precise centroid positions for state HMM used and the values of parameters.

Based on these parameters, can be calculated the maximum Log of Probability as output of the system. Output of each samples are compared to get system accuracy based on variation of sample duration, sample amount, and codebook size. In the scientific research, the system has the level of accuracy between 61% to 87%. The result of the highest accuracy of 87.03% for codebook size of 64 with the 7 training data, while results in the lowest accuracy of 61.11% for codebook size of 64 with the 7 training data."

"Skripsi ini bertujuan untuk membuat identifikasi iris mata menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi, edge detection dan polarisasi. Proses yang pertama adalah pengambilan citra mata. Kemudian dilakukan proses segmentasi terhadap gambar mata yang didapat tersebut untuk memisahkan bagian iris dan pupilnya. Selanjutnya dilakukan proses polarisasi untuk memisahkan bagian iris dengan pupil kedalam bentuk polar. Hasil polarisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan iris mata dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja, agar dapat mengetahui setiap garis-garis pada iris matanya, serta proses pengenalan iris mata itu sendiri (recognition) yang digunakan untuk mengenali iris mata yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali iris mata yang diuji dengan tingkat akurasi mencapai 100%.

---

A Software of iris identification using hidden markov model is developed. The input image is extracted by using segmentation and polaritation process. The first process is taking of human eye image. Then do the process of segmentation of the image that is to separate iris and pupil from the eyes. Then do the process of polarization to separate iris with the pupil into the polar form. Results of this polarization will be recognized by the user's system.

The process of introduction of human iris in this script use the Hidden Markov Model which is done through two stages of the process of training is to train a system that works, so that each can know the lines on the eye iris, and the introduction of the iris itself (recognition) that is used to identify iris that you want to test. The whole process is created using a software. From the results of the trials obtained, this system can recognize the iris eyes tested with a level of accuracy reached 100%."

"Penambahan pewarna pada produk pangan dimaksdkan untuk memberi atau memperbaiki warna makanan atau minuman serta melindungi zat-zat pada makanan atau minuman yang peka terhadap cahaya selama penyimpanan, sehingga dapat meningkatkan daya tarik konsumen. Hal ini akan mempengaruhi penampilan produk pangan, sehingga semakin menarik maka semakin diminati konsumen. Walaupun beberapa pewarna alami mulai banyak diaplikasikan untuk pewarna pangan, namun pewarna sintetik masih banyak digunakan. Bahkan pewarna sintetis yang dilarang, sering digunakan sebagai produk pewarna pangan. Diantaranya Amaranth, yang merupakan pewarna pangan yang berwarna merah dan dilarang untuk makanan dan minuman. Alasan menggunakan pewarna yang dilarang adalah mudah dibeli, harganya lebih murah, warnanya lebih cerah dan mencolok. Salah satu pewarna alami yang telah dipakai masyarakat antara lain sombo keling untuk mewarnai kerupuk. Keuntungan pewarna alami adalah pewarna ini aman untuk dikonsumsi, sedangkan kerugiannya adalah warna pewarna alami tidak homogen dan ketersediaannya yang terbatas. Analisa pewarna pangan dapat dilakukan dengan berbagai metode, teknik dan cara. Salah satu analisa pewarna adalah dengan menggunakan Hidden Markov Model, karena dapat digunakan untuk mendeteksi zat pewarna secara teliti. Data yang diperoleh yaitu dari pengukuran yang dilakukan di LAB afiliasi Fakultas Matematika dan Ilmu Pengetahuan (FMIPA) Universitas Indonesia menggunakan Spectrophotometer UV - Vis.

---

Addition of colorants in food products intended to provide or improve the color of food or beverages as well as protecting substances in foods or beverages that are sensitive to light during storage, thus increasing consumer appeal. This will affect the appearance of food products, so the more attractive the more consumers demand. Although some natural dyes are being applied to food coloring, but still widely used synthetic dyes. Even the banned synthetic dyes, often used as a food colorant products. Among Amaranth, which is a red food coloring and food and beverages are prohibited. Reasons for using the banned dye is easy to buy, cheaper, brighter colors and flashy.

One of the natural dyes have been used, among others, Sombo Tamilian society to color chips. The advantage of this natural dye is dye safe for consumption, while the loss is a natural dye colors are not homogeneous and its availability is limited. Analysis of food coloring can be done by various methods, techniques and methods. One of the dyes were analyzed using Hidden Markov Model, as it can be used to detect dyes carefully. Data obtained from measurements taken at LAB Affiliated Faculty of Mathematics and Science (Science Faculty), University of Indonesia using a Spectrophotometer UV - Vis."

"Sampai saat ini, serangan jantung masih menjadi penyebab utama kematian dibanyak tempat di dunia. Salah satunya adalah kelainan pada katup jantung yang dapat dideteksi melalui suara murmur pada detak jantung penderita. Skripsi ini membahas tentang perancangan sistem pengenalan penyakit jantung berdasarkan suara detak jantung dengan metode HMM. Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan penyakit jantung. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. Dimulai dengan pembentukan vektorvektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilainilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini ukuran codebook yang optimal adalah 64, jumlah database yang optimal sebesar 10 (sepuluh) buah, dan rentang waktu sampel yang optimal adalah 0,7 detik. Sementara akurasi sistem secara keseluruhan bervariasi antara 60% hingga 85%.

---

Heart attack is still being the number one killer until now all over the world. A part of heart diseases which can be detected by murmur sound and will be explained here is valve anomaly. This thesis is talking about heart disease recognition based on its heart sound system design using HMM method. The system consists of two main processes: database construction and diseases recognition. Both of this processes is done with almost exact ways. Each samples will be processed through labelling, codebook construction, and HMM parameter making. The difference is that in recognizing process, sound signal will be compared to database which has been made before. The whole process is started with data vectors production by vector quantization (VQ) which can be used to analyze precise centroid positions. The centroid will define HMM states and parameters.

A Log of Probability (LoP) will be calculated from the parameter values. The largest value of LoP will be declared as an output of the system. Output of each samples are compared to get system accuracy based on variation of sample duration, sample amount, and codebook size. The optimum codebook size in this research is 64, optimum sample amount in database is 10, and 0.7s sample duration. Overall, accuracy of the system is variating from 60% up to 85%."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metode Hidden Markov Model (HMM) yang telah diprogram ke DSK TMS320C6713. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik. Pada Tahap identifikasi dengan metode HMM tingkat pengenalan bias mencapai 100% dengan menggunakan ukuran codebook 128 bit dan jumlah pelatihan 15 sample dan 7 state HMM.

---

This final project was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement. The reflected waves was recognized using the Hidden Markov Model which was programmed in the DSK TMS320C6713. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic. In the recognition process with Hidden Markov Model (HMM) could reach 100% accuracy using the codebook size of 128 bit, training samples of 15 data and 7 states of HMM."

"ABSTRACTSkripsi ini menganalisa metode machine learning menggunakan HiddenMarkov Model (HMM), yang merupakan alat prediksi stochastic dan probabilitidigunakan untuk mengevaluasi gerakan di dalam pasar valuta asing. Skripsi inimembahas khususnya penerapan metode HMM di pasar valuta asing sebagai alatuntuk memprediksi pergerakan dan hasil dari nilai tukar di dalam pasar, kemudianmenganalisis data yang tersedia, dan akhirnya membuat keputusan berdasarkanhasil yang diperoleh. Data yang digunakan adalah data harga penutupan padapasar valuta asing AUD/USD dalam dua jangka waktu yang berbeda, hargapenutupan per 1 jam dan per 15 menit, dan data yang digunakan diperoleh daribeberapa sumber online. Analisis awal menunjukkan beberapa faktor eksternaldapat mempengaruhi keakuratan hasil. Hasilnya mengindikasi, dengan tidakmemperhitungkan factor-faktor luar lainnya, akurasi yang lebih baik didapatsewaktu menggunakan haraga penutupan jangka waktu yang lebih pendek.

---

ABSTRACTThis bachelor thesis analyses the method of machine learning usingHidden Markov Model, which is a predictive stochastic and probability tool inorder to evaluate the movement inside the foreign exchange market. This paperdiscusses particularly the application of HMM method in the forex (foreignexchange) market, as the tool for forecasting the movement and the outcome ofthe exchange rate inside the market, analyses them, and finally making a decisionbasing on the obtained outcomes. The data used are the closing price of theAUD/USD forex market in two different timeframes, per hour closing price andper 15 minutes closing price, and was obtained from several online foreignexchange sources. Initial analysis suggests several external factors may affect theaccuracy of the results. The results indicate, excluding any external factors, betteraccuracy was obtained when shorter closing price timeframe was used."

"Skripsi ini betujuan untuk merancang sebuah software pendeteksi korona yang terjadi pada peralatan listrik yang mengunakan tegangan tinggi. Metode identifikasi menggunakan Hidden Markov Model (HMM) yang memiliki kelebihan dalam memodelkan persamaan matematika. Software ini meliputi 2 proses utama, yaitu training sebagai proses pengisian database dan identifikasi. Input berupa data audio (*.wav) yang kemudian diolah melalui beberapa tahapan diantaranya labelisasi, pembentukan codebook dan pembentukan parameter HMM. Hal yang harus diperhatikan dalam pengolahan ini adalah waktu pencuplikan, jumlah iterasi dan ukuran codebook yang digunakan, dimana ketiga variabel ini akan dianalis sehingga dapat diketahui nilai masing - masing parameter yang menghasilkan identifikasi dengan akurasi paling tinggi. Akurasi tertinggi yang dapat dicapai software ini hanya sebesar 50% dikarenakan data latih korona yang terbatas.

---

This final project was made to design a corona detection that occured in the electric equipment using very hight voltage, such as electric guardhouse. Identification methode that used was Hidden Markov Model (HMM). It had an advantage in modeling mathematic equations. This software contains 2 main proces, training as filling in the database and identification. The input is audio data which format is (*.wav) then processed pass through many steps, such as : labelisation, forming the codebook and HMM parameters. Factor that influenced to the accuration as the result of the software is duration time, amount of iteration and codebook size. With testing the software, we will know which setting will result the highest accuration. The maximal accuration of the identification is only 50% because of limited training data."

"Dalam skripsi ini dirancang suatu perangkat lunak yang dapat mengidentifikasi tidak hanya nilai nominal tetapi juga keaslian dari mata uang kertas rupiah melalui proses image processing dengan menggunakan Hidden Markov Model. Algoritma image recognition digunakan untuk mengekstraksi pola unik yang terdapat di setiap mata uang dan digunakan mengidentifikasi keaslian menggunakan kamera dengan sinar UV. Sedangkan pola gambar dari nilai nominal dari setiap mata uang juga diambil menggunakan scanner.Setelah dilakukan image pre-processing, kedua pola ini digunakan sebagai data pelatihan dan disimpan dalam database bernama codebook menggunakan kuantisasi vektor. Terdapat 10 buah sampel data yang digunakan sebagai pelatihan dari setiap mata uang mulai dari Rp1000, Rp5000, Rp10.000, Rp20.000, Rp50000 dan Rp100.000. Kedua pola mata uang akan diidentifikasi menggunakan Hidden Markov Model melalui program simulasi.Analisis menunjukkan variasi ukuran codebook, jumlah training, dan tingkat intensitas berpengaruh terhadap akurasi dari perangkat lunak. Berdasarkan hasil uji coba yang dilakukan didapatkan bahwa tingkat akurasi perangkat lunak mencapai 100 % pada ukuran codebook 256 bit dan jumlah pelatihan sebanyak 10 kali. Peningkatan ukuran codebook memperlambat waktu komputasi dari perangkat lunak.

---

In this final project, a software for rupiah bank notes nominal and authenticity identification is developed, using image processing technique and Hidden Markov Model. An image recognition algorithm is applied to extract the unique pattern of each bank note and used to identify the originality using a camera with UV lighting. The image of nominal value of each bank note is also retrieved using a scanner.

After image pre-processing, these two patterns are used as training data and stored in a database called codebook using vector quantization. There are 10 samples taken as training data for each bank note ranged from 1000, 5000, 10000, 20000, 50000 and 100000 rupiahs. Both patterns of a bank note will be recognized using Hidden Markov Model, in a simulation programme.

Result analysis shows codebook size variation, number of training, and the input image intensity influence the identification accuracy. Having this analysis result, the recognition accuracy level reaches 100 % based on 256 codebook size for 10 training test. The analysis also shows that the increment of codebook size will also increase the computing time."