Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Skripsi ini berisi tentang sistem pendeteksian gelombang gempa penyebab tsunami dengan menggunakan metoda Hidden Markov Models (HMM) dengan membandingkan keseluruhan sistem terhadap perubahan ukuran codebook, besarnya iterasi dan durasi sinyal. Pada sistem pendeteksian ini, gelombang gempa yang diterima disampling terlebih dahulu kedalam bentuk diskrit. Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan algoritma General Lloyd Algorithm (GLA) yang selanjutnya akan ditraining dengan metoda HMM dan diidentifikasi. Pada tahap identifikasi gelombang gempa (recognition), ketiga jenis parameter ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh. Peningkatan ukuran codebook, besar iterasi dan durasi sinyal memberikan peningkatan pada persentasi keberhasilan ini. Dari hasil uji coba, tingkat akurasi rata - rata yang diperoleh pada sistem ini adalah untuk durasi pencuplikan 0,1 codebook 32 = 69,1 %, cobebook 64 = ,76,6 % dan codebook 128 = 85 %. Sedangkan untuk durasi pencuplikan 0,5 detik codebook 32 = 72,5 %, cobebook 64 = 73,3 % dan codebook 128 = 81,6 %. Serta untuk durasi pencuplikan 1 detik ukuran codebook 32 = 75 %, codebook 64 = 81,6 % dan codebook 128 = 87,5 %.

---

This skripsi contains a system of earthquake causes tsunami waves by using the method of Hidden Markov Models (HMM) compare with the whole system to change the size of codebook, the size of the Iterations and the duration of the signal. On this system, the earthquake waves which received then take sampling into diskrit form. Diskrit signal is extracted so that the characteristics obtained by using the MFCC (Mel Frequency Cepstrum Coefficient). Vector data and that the algorithm quantized by General Lloyd algorithm (GLA), which will then be trained with the methods and identified HMM.

At the identification stage, the wave changes phase (recognition), this third type of parameters are based on the performance of the level of accuracy obtained. Increasing the codebook size, duration and iteration of the signal gives an increase in the percentage success.

From the results of the testing, the level of accuracy the average obtained in this system is for the duration 0.1 seconds and codebook 32 = 69.1%, cobebook 64 = 76.6% and the codebook 128 = 85%. While for the duration 0.5 seconds and codebook 32 = 72.5%, cobebook 64 = 73.3% and the codebook 128 = 81.6%. And for 1 second duration size codebook 32 = 75%, codebook 64 = 81.6% and the codebook 128 = 87.5%."

"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 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."

"Tingkat kesejahteraan suatu negara dapat dilihat dari angka kematian bayi. Berdasarkan informasi dari WHO salah satu penyebab kematian bayi adalah asfiksia. Asfiksia merupakan kondisi kekurangan oksigen pada jaringan tubuh. Skripsi ini membahas tentang sistem identifikasi kondisi janin dengan menggunakan metode Hidden Markov Model (HMM). Data audio merupakan masukan pada sistem. Data audio ini merupakan hasil konversi gelombang spektrum yang berasal sensor Near Infrared Spectroscopy (NIRS). Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan kondisi janin. Kedua proses ini dilakukan dengan cara yang hampir sama yaitu pelabelan, pembentukan codebook, dan pembentukan parameter HMM. Dari parameter ini, hasil keluaran dapat diketahui dengan menghitung nilai probabilitas maksimum. Pada penelitian ini, digunakan data training sebanyak 5 dan 7 data dengan ukuran codebook 32, 64, 128, 256, 512, dan 1024. Dari hasil pengukuran, ukuran codebook yang optimal adalah 512. Sementara persentase akurasi bernilai 68% sampai 77%.

---

The level of walfare of a country can be seen from its infant mortality rate. Based on WHO information, one of the causes of infant mortality is asphyxia. Asphyxia is the condition of lack of oxygen in body tissue. This final project discusses about identification system of fetal asphyxia condition by using Hidden Markov Model (HMM) method. Audio data is the input of the system. This audio data is the result of conversion of spectrum wave originated from Near Infrared Spectroscopy (NIRS) sensor. This system consists of two main prosesses: database construction and fetal condition recognition. These two processes are carried out with similar ways through labellling, codebook forming, and HMM parameter forming. From the parameter, the output can be detected by calculating the maximum value of Log of Probability. This research uses 5 and 7 training data with codebook size 32, 64, 128, 256, 512, dan 1024. From the calculation result, the optimum codebook size is 512. While the percentage of accuracy is 68% to 77%."

"Tugas akhir ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi retina manusia melalui proses image processing dengan menggunakan Hidden Markov Model. Dalam pembuatan perangkat lunak indetifikasi ini terdiri atas dua bagian, yakni pembentukan database dan proses identifikasi itu sendiri. Pembentukan database akan menghasilkan codebook dan nilai probabilitas HMM. Identifikasi dilakukan dengan mengambil hasil scanning retina dari rumah sakit. Kemudian dilakukan proses normalisasi dan ekstraksi terhadap gambar retina yang didapat untuk memindai pola pembuluh darah kapiler pada retina. Proses pengenalan retina dalam tugas akhir 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 jenis pola pembuluh darah yang ada, serta proses pengenalan retina itu sendiri (recognition) yang digunakan untuk mengenali retina yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali retina yang diuji dengan tingkat akurasi mencapai 100%.

---

This final project is created to design a software that can identify human retina through image processing using hidden markov model. This identification software consist of two part, that are database development and identification itself. The database development produce codebook and HMM probability value. Identification using retinal scanning from hospital. Then the images will be normalisated and extracted to separate retinal vessel.

The identification process of retinal in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of retinal vessel, and the second one is the recognition process of all retinal image. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested retinal image with 100% accuracy."

"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."

"Skripsi ini bertujuan untuk mengenali karakter (berupa huruf dan angka) dari plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan Hidden Markov Model (HMM) sebagai metode pengenalan. Terdapat 3 fase utama yang menentukan keberhasilan dari pengenalan, yaitu : pendeteksian lokasi plat nomor mobil dari citra masukan, segmentasi karakter dari plat nomor, dan pengenalan karakter plat nomor. Dua fase utama adalah fase pra-proses Deteksi lokasi plat nomor dilakukan dengan menggunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Segmentasi karakter plat nomor dilakukan dengan menggunakan vertical dan horizontal projection dari citra. Setelah itu tiap karakter hasil segmentasi dilakukan proses pengenalan dengan Hidden Markov Model.Pembentukan parameter HMM untuk pengenalan dilakukan dengan pembentukan codebook database terlebih dahulu. Citra dari karakter untuk training diubah ke domain frekuensi menjadi bilangan vektor yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook. Dari codebook ini dihitung parameter-parameter HMM untuk tiap karakter. Pada proses pengenalan dihitung besar log of probability HMM yang tertinggi untuk tiap karakter yang menjadi hasil proses pengenalan. Dari percobaan yang dilakukan didapatkan tingkat akurasi sebesar 95 %.

---

This final project's aim is to be able to recognize Indonesian license plate number from digital camera image using Hidden Markov Model as recognition method. The system consists of 3 main phase, which are: License Plate Detection & Extraction, License Plate Character Segmentation & Extraction and Recognition Phase. The first two is the pre-processing phase. The License Plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. The License Plate Character Segmentation is done by using vertical & horizontal projection of the image. Then each character from the segmentation phase is recognized using the Hidden Markov Model.

To acquire Hidden Markov Model's parameters for recognition, we need to make codebook database of the sample character images. The sample character images are transformed from spatial domain to frequency domain to become sample point. The near by sample points are then quantized and become values which will be called centroids/ codewords. These centroids are then saved in a codebook. From the codebook, then the Hidden Markov Model Parameters can be calculated for each character. In the recognition phase, the highest log of probability of Hidden Markov Model of all character is the recognized character. From many simulations that had been tested, the system can achieve 95 % of accuracy."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan secara real-time. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metoda Hidden Markov Model (HMM) yang telah diprogram di dalam perangkat lunak Matlab. 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.

---

This thesis 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 in real-time. The reflected waves was recognized using the Hidden Markov Model which was programmed in Matlab software. 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."