Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSalah satu pendekatan dalam pengenalan objek dengan menggunakan komputer adalah pendekatan fitur. Pendekatan fitur dilakukan dengan mencari fitur-fitur penting atau keypoint-keypoint dari suatu gambar. Scale invariant feature transform (SIFT) merupakan salah satu metode yang cukup populer dalam pengenalan objek berdasarkan pendekatan fitur. Skripsi ini dibuat untuk merancang suatu program untuk mengenali objek kapal perang dengan metode SIFT dan melakukan simulasi serta analisis dari hasil program tersebut. Performa SIFT dalam mengenali objek akan diukur dari persentase kesuksesan mengenali gambar, parameter recall vs 1-precision, dan parameter F1 Score sesuai dengan nilai threshold yang divariasikan. Hasil simulasi menunjukkan bahwa nilai threshold yang paling optimal adalah senilai 0.7 dengan tingkat akurasi sebesar 83,33%.

---

ABSTRACTFeature approach is one of computerized object recognition approaches. Feature approach is done by finding important features or keypoints from an image. Scale Invariant Feature Transform (SIFT) is a popular method in object recognition based on feature approach. This thesis is created to design an object recognition program on battleship applications with SIFT method, do the simulation, and analyze the program results. SIFT?s performance on recognizing object will be measured from successful recognition percentage, recall vs 1- precision, and F1 Score parameter with variated threshold value. Simulation results show that the best threshold value is 0.7 with 83.33% accuration."

"Ekstraksi fitur merupakan tahap penting dalam pengenalan objek. Fitur yang dihasilkan dalam tahapan ini akan sangat menentukan ke-akuratan suatu objek ketika dikenali. Scale Invariant Feature Transform (SIFT) merupakan suatu metode yang memberikan fitur-fitur khas dan invarian terhadap berbagai jenis perubahan pada citra. Pada skripsi ini akan dibahas tentang SIFT sebagai metode ekstraksi fitur pada pengenalan objek. Selain itu juga akan dilakukan perancangan simulasi untuk menguji kinerja dan performansi SIFT jika digunakan pada pengenalan jenis kendaraan. Performa dari SIFT ini akan diukur dari grafik recall vs. 1-precision yang dihasilkan dan lamanya waktu proses.

---

Feature Extraction is an important stage in object recognition. The features generated in this stage will determine the accuracy of object recognition. Scale Invariant Feature Transform (SIFT) is a method which generate a unique features and invariant against various changes in the image. This thesis will discuss about SIFT as a feature extraction method in object recognition. Also a simulation will be design to test the performance of SIFT if used in a vehicle type recognition. The performance of SIFT can be measured from the graph of recall vs. 1-precision and the processing time."

"Batik adalah kain yang dihias dengan menggunakan teknik dekorasi tekstil yang memanfaatkan malam sebagai perintang warna. Seni batik telah dikembangkan sejak lama di beberapa bagian negara Asia termasuk Indonesia. Pemanfaatan teknologi informasi dalam bentuk metode deteksi motif batik dapat mendukung perkembangan industri kreatif karena sistem ini nantinya dapat dijadikan sebagai acuan bagi perkembangan elemen-elemen desain motif batik. Fokus penelitian ini adalah deteksi motif batik yang memiliki karakteristik kemunculan yang berulang, multi translasi, multi skala, dan multi orientasi. Domain batik dengan pola geometrisnya dipilih sebagai area implementasi terkait dengan karakteristik motif batik yang bersifat simetri, kemunculan obyek yang berulang di beberapa lokasi dalam satu bidang kain, dan sering kali obyek-obyek motif batik tersebut telah mengalami perubahan skala ataupun perubahan orientasi. Kondisi tersebut dapat menyebabkan adanya kesalahan deteksi dan kesalahan klasifikasi. Metode deteksi motif batik yang diusulkan menggunakan fitur SIFT dan serangkaian post processing berupa voting Hough Transform, clustering, smoothing, deteksi peak, penambahan jumlah minimum voting dan penggabungan konfigurasi yang memiliki nilai berdekatan. Pada citra kueri dilakukan ekstraksi fitur menggunakan SIFT. Deskriptor yang dihasilkan dicocokkan dengan deskriptor citra template pada basis data. Pada penelitian ini diusulkan metode pencocokan keypoint yang berbeda dengan metode standar pencocokan SIFT. Seluruh pasangan keypoint diurutkan mulai dari yang memiliki jarak terdekat hingga yang paling jauh. Selanjutnya ditentukan nilai ambang jumlah keypoint sebesar 1%, 5% dan 10%. Pasangan keypoint hasil pencocokan dilakukan voting menggunakan Hough Transform terhadap konsistensi pose geometris obyek citra kueri. Sehubungan dengan permasalahan yang dihadapi dalam deteksi motif batik, proses pencocokan deskriptor citra berupa keypoint yang diperoleh melalui ekstraksi fitur, harus dapat dilakukan dengan baik sehingga kualitas deteksi motif batik menjadi lebih baik.Pada penelitian ini dikembangkan pula beberapa metode deteksi obyek yang berfungsi sebagai pengambil keputusan terhadap keberadaan obyek tertentu pada citra kueri. Metode deteksi obyek ini bekerja dengan cara mengambil hingga maksimum 80% dari nilai peak tertinggi yang terbentuk pada ruang Hough (MDOTresh), penggunaan nilai ambang berdasarkan rumusan rata-rata nilai peak yang terendah dan peak yang tertinggi (MDOAverage), penentuan nilai k berdasarkan nilai-nilai peak tertinggi sesuai dengan jumlah obyek yang terdapat pada groundtruth (MDOTopk), mengambil konfigurasi pada peak yang memiliki minimum nilai sebesar 3 voting pada setiap konfigurasi luaran ruang Hough (MDOMin), penentuan representasi obyek berdasarkan keluaran clustering DBSCAN (MDOScan), dan melakukan proses smoothing menggunakan filter Gaussian pada hasil deteksi dengan jumlah minimum voting sebanyak 3 buah (MDOGauss).Kehandalan metode dalam melakukan deteksi diindikasikan dengan ketepatan dalam menentukan jumlah obyek yang terdapat pada citra kueri dan mampu mengenali motif batik walaupun telah mengalami transformasi geometris melalui perpindahan posisi, perbedaan skala, dan perubahan orientasi. Berdasarkan hasil yang telah diperoleh, metode deteksi motif batik untuk data citra kueri dengan obyek tunggal, kombinasi translasi, skala, dan orientasi mencapai nilai kinerja maksimum 95.28% menggunakan MDOTresh, sedangkan pada citra kueri dengan obyek tunggal dan variasi noise mencapai 100% melalui MDOTresh, MDOAverage, dan MDOTopk. Hal ini menunjukkan bahwa metode deteksi motif batik mampu menangani obyek tunggal dengan berbagai kondisi. Pada deteksi motif batik dengan multi obyek, multi translasi, multi skala dan multi orientasi capaian maksimum kinerja metode usulan adalah 92.13%, sedangkan untuk citra kueri dengan multi obyek, multi translasi, multi skala, multi orientasi, dan variasi noise diperoleh capaian kinerja 89.89%. Keduanya diperoleh melalui pendekatan MDOGauss. Pada kondisi ini, penambahan jumlah obyek motif pada citra kueri menyebabkan bertambahnya jumlah obyek yang tidak berhasil dideteksi. Kasus selanjutnya adalah deteksi obyek motif batik dengan multi motif, multi obyek, multi skala, dan multi orientasi dengan luaran ruang Hough berupa jumlah voting absolut mencapai 96.09% untuk MDOTresh. Transformasi geometris pada obyek motif batik berakibat penurunan kontras citra sehingga berpengaruh pada jumlah voting yang dihasilkan. Untuk komposisi motif teratur dengan jumlah maksimum 16 obyek motif batik untuk motif sejenis mendapatkan hasil 100% melalui MDOAverage, sedangkan untuk multi motif 92.59% melalui pendekatan MDOTresh dan MDOAverage.

---

Batik is a fabric printed design of hand-printing textiles by coating with wax. Batik has been developed since a long time in various countries including Indonesia. Nowadays, information technology is being utilized in recognizing batik motif. Therefore, the development of batik motif detection system is expected to support creative industries since the system can be used as a reference for the development pattern design. This study proposes an object recognition system for batik motif based on clustering Scale Invariant Features Transform (SIFT) features in Hough space. Our principal objective is to verify how many instances of the same object to our method detects accurately, when the object motif is posed in different positions, orientations, and scales. The geometric patterns domain is being selected regarding the characteristics of batik motifs. Batik motifs have symmetrical property and repeated in multiple locations. In addition, the objects of batik motif may be changed in terms of scale and orientation. The proposed method in this research consists of the feature extraction process using SIFT and post processing, namely voting Hough Transform, clustering, smoothing and peak detection. The keypoints from query image and the keypoints from template are matched with comparing the Euclidean distance of each keypoints descriptor in query image to all keypoint descriptors in template image. In this study we proposed a new matching keypoints method. All matched keypoints will be sorted from the closets distance to the farthest distance. Then, we determine the number of matched keypoint that will be used in the next process through the threshold 1%, 5%, and 10%. The similarity of primitive pattern and the occurrences of a motif in different location, scale and orientation will interfere the detection process. Consequently, the SIFT local feature representation must be performed well in terms of feature detection and matching.

In this study, several object detection methods are proposed as well based on object’s representation resulted from the voting process in Hough space. Object detection method using thresholding (MDOTresh) is taking 80% of maximum peak value, while object detection method with average threshold (MDOAverage) picks the mean value of minimum and maximum peak in the Hough space. Object detection method Top k (MDOTopk) determines k number of objects from the highest peaks found in the Hough space based on the number of objects in ground truth. Object detection method based on Minimum Voting (MDOMin) considers the voting configurations which have a certain number of votes. In this study the minimum number of votes is tuned to 3 as a valid configuration. Object detection method based on DBSCAN (MDOScan) determines the representation of the object from output clustering. Object detection method using Minimum Voting + Gaussian (MDOGauss) implements smoothing process using Gaussian filter for the output configurations which have a minimum number of votes as 3.

The reliability of batik motif recognition system is indicated by the ability of the system to find the number of object motif contained in query image and to classify the object motif into one of several batik motif classes even though the objects motif have undergone a geometric transformation. The evaluation of the proposed method is employing several data sets. Based on the evaluation result using query images with a single object, combination of translation, scale and orientation, object detection system MDOTresh gained balanced score 95.28%, while for the query image with a single object and scale variation of noise reached 100% through MDOTresh, and MDOAverage. It is apparent that the recognition system is capable of dealing with a single object with a various conditions. In recognition process for query image with multiple occurrences object, multi translation, multi scale and multi orientation, the highest performance is 92.13%, whereas for the image query with multi object, multi translation, multi-scale, multi- orientation, and variations in noise yielded 89.89%. Both are obtained through MDOGauss approach. In this case, increasing the number of object motif in the query image, a greater number of incorrect detections are obtained. The next case is the object motif recognition from query images with multi motif, multi object, multi scale and multi orientation. This data set has 2 outputs from Hough space namely absolute voting number and normalized voting number. The absolute voting number outputs achieved the best performance at 96.09% for the MDOTresh, while the normalized voting number gained 36.92% for MDOGauss. Geometric transformations on the object motif will be decreased contrast of object in the query image so that affected the number of voting resulted. The last data set is a regular texture, composition of the object motif with a maximum numbers are 16 objects. The best performance is 100% for homogeneous motif achieved from MDOAverage, while for multi motif yielded 92.59% achieves from MDOTresh and MDOAverage as the best."

"Sistem pengenalan wajah dapat memberikan hasil yang tepat pada kondisi wajah normal, tetapi dalam lingkungan yang tidak dibatasi menyebabkan hasil pengenalan wajah menjadi tidak akurat, baik pada verifikasi maupun identifikasi. Salah satu masalah yang sering ditemui dalam sistem pengenalan wajah dan terkait dengan sifat intra-class variance pada wajah adalah pose. Penelitian ini bertujuan untuk melakukan pengenalan wajah berdasarkan pose invariant dengan mengimplementasikan Spatial Transformer Netwok (STN) pada arsitektur jaringan ringan MobileFaceNet. STN digunakan sebagai metode penyelarasan wajah untuk menangani variasi pose pada citra input. Berdasarkan evaluasi model, model Single-STN MobileFaceNet memberikan akurasi, AUC dan EER berturut-turut 73.64%, 82.18%, dan 0.2636. Kenaikannya sebesar 1.21% untuk akurasi, 1.56% untuk AUC dan untuk EER turun sebesar 0.0121 dari model Baseline. Penambahan STN pada jaringan ringan MobileFaceNet mempengaruhi hasil verifikasi wajah, tetapi kurang signifikan. Akan tetapi, berdasarkan hasil uji signifikansi McNemar, tidak ada perbedaan yang signifikan dengan adanya metode penyelarasan wajah STN pada model Single-STN MobileFaceNet. Terdapat beberapa kasus pose yang tidak dapat ditangani dengan baik oleh model, seperti pose menengadah atau menengok ke kanan/kiri. Berdasarkan evaluasi robustness model, nilai akurasi, AUC dan EER yang dihasilkan model Single-STN MobileFaceNet berturut-turut 96.86%, 98.51%, 0.0314. Model Single-STN MobileFaceNet termasuk model yang memiliki kinerja baik dalam pengenalan wajah, model mampu membedakan pasangan citra match dan non-match dengan baik pada dataset CFP

---

The face recognition system can give precise results in normal facial conditions, but in an unconstrained environment it can result inaccurate face recognition, both in verification and identification. One of the problems that are often encountered in face recognition system and related to intra-class variance on the face is pose. This study aims to perform face recognition based on pose invariant by implementing Spatial Transformer Netwok (STN) on MobileFaceNet lightweight network architecture. STN is used as a face alignment method to handle pose variations in the input image. Based on the evaluation of the model, the Single-STN MobileFaceNet model provides accuracy, AUC and EER of 73.64%, 82.18%, and 0.2636, respectively. The increase is 1.21% for accuracy, 1.56% for AUC and for EER it is down by 0.0121 from the Baseline model. The addition of STN to the MobileFaceNet lightweight network affects the face verification results, but is less significant. However, based on the results of the McNemar significance test, there is no significant difference with the STN face alignment method in the Single-STN MobileFaceNet model. There are some cases of poses that cannot be handled well by the model, such as looking up or looking to the right/left. Based on the evaluation of the robustness of the model, the values ​​of accuracy, AUC and EER generated by the Single-STN MobileFaceNet model are 96.86%, 98.51%, 0.0314, respectively. The Single-STN MobileFaceNet model includes a model that has good performance in face recognition. This model is able to distinguish match and non-match image well on the CFP dataset."

"Penelitian ini mengembangkan sistem pengenalan entitas bernama pada teks dokumen berbahasa Indonesia menggunakan pendekatan machine learning. Metode dalam machine learning yang digunakan adalah association rules. Entitas yang dikenali pada penelitian ini adalah entitas nama orang, nama organisasi dan nama lokasi. Aturan-aturan untuk mengenali suatu entitas dibuat berdasarkan informasi morfologi dan kelas kata yang digunakan sebagai fitur term/token yang ingin dikenali. Suatu term dapat mempunyai satu fitur (fitur tunggal) atau banyak fitur (fitur berganda). Fitur berganda dapat dibuat berdasarkan informasi morfologi, informasi kelas kata dan gabungan keduanya. Uji coba sistem dilakukan pada beberapa kombinasi penggunaan informasi morfologi dan kelas kata dalam aturan. Hasil uji coba menunjukkan bahwa sistem dapat melakukan pengenalan entitas bernama dengan F-measure tertinggi sebesar 79.39%. Hasil ini diperoleh dengan aturan pengenalan entitas bernama yang dibuat berdasarkan gabungan informasi morfologi dan kelas kata."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"ABSTRAKProses permesinan sangat bergantung pada model yang dibuat, semakin rumit model yang didesain makan semakin sulit dan mahal proses permesinannya. Pada penelitian ini dilakukan identifikasi dan rekognisi fitur prismatic dan fitur slab yang telah diklasifikasikan oleh Jong-Yun Jung.Metode identifikasi fitur hybrid graph dan rule-based yang memanfaatkan file dengan ekstensi .STL yang dikembangkan oleh Sunil dan Pande digunakan sebagai metode dasar untuk mengidentifikasi fitur. Hasil identifikasi fitur kemudian akan diekstrak datanya untuk digunakan dalam menghitung nilai indeks kompleksitas produk dari model yang diteliti. Indeks kompleksitas produk dihitung menggunakan model yang dikembangkan sebelumnya oleh ElMaraghy.Validasi dilakukan dengan membandingkan hasil hitungan dari perangkat lunak dengan metode penghitungan indeks kompleksitas dengan metode STEP oleh M. Sholeh, kemudian perangkat lunak ini diuji untuk menghitung nilai indeks kompleksitas fitur gabungan. Penggunaan 8 slot dan 8 pocket sebagai acuan pembobotan nilai bentuk memberikan nilai indeks kompleksitas produk yang lebih akurat

---

ABSTRACTThe machining process is very dependent on the model created, the more complicated models, designed dining increasingly difficult and expensive process of its machinery. In this research, identification and recognition prismatic features and features slab that has been classified by Jong-Yun Jung. Feature recognition method hybrid, graph and rule-based which used .STL extension file developed by Sunil and Pande is used as a basic method to identify features. The results will then be extracted from feature recognition data to be used in calculating the index values the complexity of products on the model that is being studied. This research used complexity index of product which is a model developed earlier by ElMaraghy. Validation is done by comparing the results of the count of the software with complexity index calculation method with STEP method by M. Sholeh, then this software is tested for calculating the index values the complexity of a combined features model. The use of 8 slots and 8 of pocket as a benchmark scoring on shapes give more accurate complexity index product."

"Sistem pengenalan wajah yang menggunakan pendekatan klasik sejauh ini belum dapat memberikan hasil optimal jika dihadapkan pada tantangan oklusi. Tantangan oklusi yang dikaji pada penelitian ini adalah saat wajah menggunakan masker. Jika seseorang menggunakan aplikasi sistem pengenalan wajah dengan harus membuka masker terlebih dahulu di tempat umum tentunya sangat berbahaya untuk keselamatan dan kesehatan semua pihak. Sehingga dibutuhkan sistem pengenalan wajah yang memiliki performa sistem yang tinggi dengan tantangan oklusi masker. Penelitian ini membangun sistem pengenalan wajah bermasker dengan pendekatan holistic dan partial face. Metode ekstraksi fitur yang digunakan adalah penggabungan metode kurvatur yang menggunakan turunan parsial orde satu dan dua dengan metode analitik seperti gray level co-occurrence matrix (GLCM) dan multi-resolution analysis (MRA) seperti transformasi wavelet diskrit (DWT), scale-space (SS) dan wavelet packet transform (WPT). Pada penelitian ini juga ditemukan kriteria baru (keterbaruan penelitian) yang dinamakan curvature best basis (CBB) untuk memilih basis pada algoritma best basis di dalam WPT. Kriteria baru pemilihan basis terbaik bersifat dinamis dan menggunakan nilai tertinggi dari ukuran statistik standar deviasi dari kurvatur rerata pada koefisien wavelet. Basis terbaik bekerja sebagai fitur terekstraksi yang bekerja di dalam sistem pengenalan. Penelitian ini dievaluasi menggunakan dataset RFFMDS v1.0, RFFMDS v2.0 EYB, dan UBIPr. Hasil penelitian menunjukkan bahwa sistem pengenalan wajah dengan tantangan oklusi masker berhasil dibangun menggunakan pendekatan holistic dengan akurasi pengenalan sistem sebesar 98,11% dan dengan pendekatan partial face dengan akurasi sebesar 98,80%. Kedua hasil akurasi terbaik ini diperoleh dengan metode curvature best basis. Performa sistem pengenalan yang menggunakan metode curvature best basis dengan pendekatan holistic maupun partial face menunjukkan performa tertinggi dibandingkan dengan performa penelitian sebelumnya.

---

The face recognition system has not been able to produce satisfactory results when it applies classical approach to handle occlusion problems. This research evaluated masked face as the occlusion problem. If someone wants to use the face recognition system, he or she needs to take off the mask to accurately use the device. This becomes a risk for the safety to all party. The needs to have a stable high performance face recognition system has arisen. This research built the face recognition system with two approaches, holistic approach and partial face approach. The feature extraction method was combination of curvature of the first and second order of partial derivative and analytical methods such as gray level co-occurrence matrix (GLCM) and multi-resolution analysis (MRA) of discrete wavelet transform (DWT), scale-space (SS), and wavelet packet transform (WPT). A new dynamic criterion inside WPT has been proposed using the highest standard deviation from the mean curvature of wavelet coefficients. The single selected best basis works as extracted feature inside recognition system and it is called curvature best basis. The recognition system was evaluated using RFFMDS v1.0, RFFMDS v1.0 EYB, and UBIPr datasets. The results showed that the accuracy of the holistic approach was 98,11% and the accuracy of the partial face approach was 98,80% for the masked face recognition system. Both results derived from the proposed curvature best basis. The recognition system’s performance with curvature best basis overcome the results from previous works."

"Jenis-jenis alat musik yang digunakan dalam suatu musik adalah salah satu cara menjelaskan musik tersebut. Skripsi ini membahas penggunaan ekstraksi fitur MFCC dan metode klasifikasi k-NN untuk mengklasifikasi alat musik berdasarkan suara yang dihasilkannya. MFCC merupakan sebuah metode yang mampu mengolah sebuah data suara sehingga menghasilkan beberapa fitur yang bersifat numerik. k-NN merupakan sebuah metode klasifikasi yang menggunakan jarak dari fitur tiap-tiap observasi. Pengerjaan skripsi dilakukan dengan mengekstraksi fitur dari data-data suara yang tersedia dengan MFCC lalu menggunakan fitur-fitur yang diekstraksi tersebut untuk metode klasifikasi k-NN. Data yang digunakan adalah data suara alat musik yang tersedia pada dataset Philharmonia Orchestra Sound Samples. Hasil dari penerapan metode klasifikasi k-NN pada skripsi ini menunjukkan bahwa model k-NN mampu meraih nilai akurasi hingga 94,84%.

---