Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu kemampuan dari komunikasi multimedia adalah melakukan proses pengiriman gambar. Dalam proses tersebut akan sangat banyak membutuhkan ruang pengingat serta kanal transmisi. Pengembangan teknologi telekomunikasi dewasa ini lebih banyak ditujukan untuk lebih mengefisienkan penggunaan ruang pengingat dan saluran (kanal) transmisi yang dipakal. Semakin efisien penggunaan ruang pengingat maka akan semakin meningkat kecepatan pengolahan data dan selanjutnya akan meningkatkan kecepatan pengiriman gambar tersebut. Salah satu cara yang ditempuh untuk meningkatkan efisiensi penggunaan pengingat tersebut adalah dengan memampatkan gambar tersebut sebelum dilakukan proses selanjutnya. Dalam tulisan ini dijelaskan dan dibahas salah satu cara untuk mengefisienkan data image tersebut dengan menggunakan bantuan arsitektur jaringan saraf jenis MLP. Jaringan MLP ini dapat digunakan sebagai salah satu altematif untuk pemampatan data gambar dikarenakan kesederhanaan arsitektur dan imptementasinya. Salah satu tahap yang penting dari keseluruhan proses yang terjadi dalam jaringan MLP ini adalah tahap penentuan bobot-bobot hubungan node-node (simpul) jaringan MLP. Proses penentuan bobot-bobot yang biasa disebut sebagai proses learning dan suatu jaringan saraf, akan sangat berpengaruh terhadap sifat (chi) dan unjuk kerja keseluruhan jaringan MLP. Jika konfigurasi berubah maka secara keseluruhan sifat (ciri) maupun unjuk kerja jaringan tersebut akan berubah pula. Dua buah teknik learning yang banyak digunakan dalam proses learning (optimasi) adalah dengan memanfaatkan konsep backpropagation (BP) (metoda steepest descent) dan konsep Levenberg-Marquadt (LM) (salah satu pendekatan metoda Gauss-Newton). Tulisan ini menyajikan perbandingan unjuk kerja dua buah metoda tersebut dalam proses learning jaringan MLP serta gambar recall yang dihasilkannya. Hasil simulasi program menunjukkan bahwa metoda LM memberikan hasil recall gambar yang lebih bagus (high fidelity Irma recall kecil) serta mempunyai kecepatan konvergensi yang lebih tinggi jika dibandingkan metoda BP (SD).

---

One of the capabilities of the multimedia communication is the image communication. With this service, we will use so many memory spaces and transmission tines. Many of the development in telecommunication technologies are aimed to have the higher efficiency in using the memory spaces. The more efficient we use the memory spaces, the higher speed of the image data processing, and finally we can increase the speed of the image transmission.

One of the technique to have more efficiency in using the memory spaces is by compressing the image data before we stored and transmitted them. In this writing, we discussed one of the techniques for solving the image data compression, especially for still picture, by using the architecture of the neural networks. One of those types for this purpose is Multi Layer Perceptron (MLP). The MLP was choice in this purpose because of the simplicity of the architecture and the implementation.

One of the credal stages of the whole process in the MLP network is configuring the link weights of the nodes in the MLP network. Since the link weights are actually internal parameters associated with each node, changing the weights of the node will alter the behavior of the whole MLP network and then will change the MLP's performances.

There are two methods that often have been used in the learning process, the one was backpropagation (BP) method (steepest descent) and the other one was Levenberg-Marquadt (LM) concept (one of the approximations of the Gauss-Newton method). This writing is presenting the comparison between the performances of the LM method to the BP method in the learning process also the results of the recall pictures. The simulation shows that LM method gives the better image recall (higher fidelity) and has the higher convergence speed in the learning process."

"This book gives a comprehensive view of the developed procrustes models, including the isotropic, the generalized and the anisotropic variants. These represent original tools to perform, among others, the bundle block adjustment and the global registration of multiple 3D LiDAR point clouds. Moreover, the book also reports the recently derived total least squares solution of the anisotropic Procrustes model, together with its practical application in solving the exterior orientation of one image. The book is aimed at all those interested in discovering valuable innovative algorithms for solving various photogrammetric computer vision problems. In this context, where functional models are non-linear, Procrustean methods prove to be powerful since they do not require any linearization nor approximated values of the unknown parameters, furnishing at the same time results comparable in terms of accuracy with those given by the state-of-the-art methods.;;"

"Telah dibuat sebuah sistem pakar untuk ''trobleshooting'' komputer, yang diberi nama EXACT (expert system advisor for computer trobleshooting). Sistem pakar ini ditujukan sebagai penasehat perbaikan perangkat keras komputer pribadi IBM PC dan kompatibel. Proses pembuatan EXACT melalui tiga tahapan. Tahap pertama adalah akuisisi pengetahuan. Tahap kedua adalah representasi pengetahuan dan tahap terakhir yaitu pembuatan kelopak sistem pakar. Tahapan operasi EXACT adalah menanyakan gejala kerusakan dan keadaan perangkat keras, memberikan langkah-langkah untuk mengidentifikasi kerusakan, menyimpulkan letak kerusakan komputer, dan memberikan nasehat dan rekomendasi. Bagi pengguna komputer awam, EXACT akan memberikan nasehat bagaimana mengatasi masalah kerusakan komputer. Bagi teknisi, EXACT dapat membantu mengurangi kebingunan yang berhubungan dengan ''troubleshooting'' serta mempercepat proses diagnosa. "

"ABSTRAK Pada penelitian ini, penulis mencoba merealisasikan sistem pelacakan ujung-ujung jari yang diperuntukan untuk interaksi yang lebih baik antara manusia dan komputer serta untuk membantu penangkapan gerak jemari tangan guna pembuatan animasi 3D. Pelacakan posisiujung-ujung jari dilakukan dalam dua proses terpisah yakni: (1) pelacakan posisi dua dimensi (2D) vertical dan horizontal atau posisi (, ) dari citra RGB (red, green, blue); (2) pelacakan dimensi ketiga yaitu () dari citra kedalaman atau depth images yang dikalibrasi, yang kemudian disatukan kedalam pelacakan posisi tiga dimensi (, , ) menggunakan Particle Filter (PF).Posisi 2D atau (, ) ditemukan dengan cara menghitung Convex Hull 2D dari citra hasil binerisasi citra asli. Sedangkan posisi 3D ditentukan menggunakan metode Stephane-Magnenat dari citra kedalaman. Setelah itu, masing-masing ujung jari dilacak oleh beberapa pelacak PFsecara simultan dengan teknologi multithreading.Untuk menguji efektifitas sistem yang dikembangkan penulis membuat modul grafika tangan 3D untuk mensimulasikan gerakan tangan hasil pelacakan. Hasil pelacakan ujung-ujung jari ini kemudian juga digunakan untuk mensimulasikan kontrol pembesaran (zoom-in) danpengecilan (zoom-out) yang banyak dilakukan pada interaksi manusia dengan televisi maupun perangkat tablet melalui pembesaran dan pengecilan objek sederhana seperti bola dengan gerakan jemari tangan. Selain itu, penulis juga mengukur tingkat akurasi, overhead waktukomputasi, dan kemampuan untuk beradaptasi terhadap halangan atau occlusion dalam beberapa skenario eksperimen. Penanganan occlusion dilakukan dengan memprediksi gerakan jari menggunakan suatu model linier.Hasil dari penelitian ini menunjukan bahwa PF merupakan metode yang baik dalam melacak yaitu ditunjukan dengan rata-rata error yang rendah, kurang dari 2. Kemudian untuk penangan occlusion didapat rata-rata error kurang dari 3. Selain itu, Kemampuan sistem baik, yaitu dalam merealisasikan informasi pelacakan ujung jari kedalam animasi tangan 3D dan antar muka alami sederhana sebagai uji kasus ditunjukan dengan kemampuan menirukan gerakantangan dan dalam mengontrol operasi zoom in/out.

---

ABSTRACT This research tried to realize a fingertips tracking system for better interaction betweenhuman and computer as well as to assist fingers motion capture for 3D animation building.Fingertips tracking performed in two separate ways, they are: (1) fingertips tracking in 2Dhorizontal and vertical (x, y) position in RGB (red, green, blue) image. (2) tracking in 3rddimension (z) from calibrated depth image, then incorporated in 3D using particle filter (PF). 2Dposition is found by computing 2D convex hull from extracted binary image. other, found byStephane Magnenat approach in depth image. After that, each fingertips is tracked by several PFat once with multithreading technology.To test the effectiveness of developed system, 3D hand graphic module is applied tosimulate tracked hand motion. Then, tracked fingertips is applied to simulate scale control suchas zoom in/out process commonly done in interaction between human and television or tabletthrough simple scaling object at ball using fingertips. In addition, accuracy, time overhead andocclusion handling is added in several scenario. Occlusion handling is performed by predictingfingertip motion in linier model.The result, PF is reliable method in tracking shown at low average error, less from 2.Then in occlusion handling, obtained average error less from 3. Moreover, System ability isreliable in realizing fingertips tracking information into 3D hand animation and simple naturaluser interface (NUI) as case study in this research, shown by proper system motion copy andscaling object abilities."

"ABTRAKSuatu model tree dipakai untuk mempelajari faktorisasi matriks sparse simetris indefinit dengan cara pemilihan pivot diagonal. Struktur dasar yang digunakan adalah eliminasi tree dan eliminasi delay (eliminasi tertunda). Proses faktorisasi untuk matriks yang indefinit dapat dipandang sebagai suatu barisan transformasi tree yang didasari oleh data/informasi struktural dan data nilai-nilai numerik matriks. Hal tersebut memberikan suatu model dasar untuk mempelajari berbagai aspek numerik dari dekomposisi matriks sparse indefinite"