Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi telah membantu manusia untuk menyelesaikan berbagai masalah. Salah satu perkembangan yang paling penting adalah perkembangan teknologi penglihatan komputer. Bagi tuna netra yang hidup di kawasan perkotaan, hidup mandiri bukan pilihan yang mustahil. Dan bertransaksi dengan menggunakan uang kertas merupakan bagian dari kemandirian tersebut. Teknologi pengenalan citra melalui penglihatan komputer dapat membantu tuna netra untuk mengenali uang kertas. Sistem pengenalan uang kertas pada penelitian ini menggunakan metode Bag of Word sebagai metode klasifikasi denominasi uang kertas. Geometric Verification diimplementasikan untuk mengatasi kelemahan metode Bag of Words di sisi konsistensi spasial dari fitur citra pada saat pengenalan. Untuk mengetahui performa dari sistem, sistem diuji dengan menggunakan empat parameter uji. Parameter uji yang digunakan adalah variasi resolusi citra uji, variasi salt and pepper noise, variasi gaussian noise, dan variasi jumlah citra yang digunakan pada proses voting untuk klasifikasi. Berdasarkan hasil pengujian, sistem bekerja dengan baik dengan akurasi mencapai 82.86% dengan dataset sejumlah 714 citra.

---

Technology has helped people to solve various problems. One of the most important development is computer vision technology. For blind people who live in urban areas, to live independently is not an impossible option. And transaction using physical banknote is part of the independence. Image recognition technology through computer vision can help blind people to recognize the banknote. The banknote recognition system in this study is using Bag of Word as a method for classifying banknotes denomination. Geometric Verification is implemented to overcome the shortcomings of Bag of Words method in spatial consistency of image features during recognition. To determine the performance of the system, the system was tested by using four test parameters. Test parameters used is a variation of test image resolution, salt and pepper noise variations, gaussian noise variations, and variations in the number of images selected for the voting process of the classification. Based on test results, the system works well with the accuracy up to 82.86% with a 714 images dataset."

"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."

"Penggunaan pin dan password bahkan token sudah dianggap ketinggalan zaman sehingga negara berkembang banyak mengembangkan metode transaksi berbasis biometrik. Biometrik yang merupakan karakterisitik biologis yang banyak digunakan saat ini adalah mata, wajah, dan sidik jari. Wajah dan sidik jari dalam kondisi tertentu dapat berubah dan tidak dapat dikenali oleh sebab itu mata atau tepatnya iris adalah pilihan yang tepat untuk digunakan untuk metode autentikasi mengingat mata manusia tidak mudah berubah. Tugas akhir ini berfokus pada pengembangan sistem yang sudah ada sebelumnya mengenai autentikasi menggunakan metode lokalisasi dan normalisasi half-polar pada iris mata. Pengembangan yang dilakukan adalah agar pengenalan dapat lebih akurat dan cepat menggunakan metode segementasi mata dan normalisasi yang berbeda dengan metode half-polar serta membuat pengenalan dapat dilakukan pada mata kiri dan kanan secara bersamaan mengingat Iris pattern pada kedua mata manusia berbeda. Metode-metode segmentasi iris yang diajukan adalah Zeta-v1, Zeta-v2, Zeta-v3, Zeta-v4, Zeta-v5, Zeta-v6 dan Zeta-v7. Hasil pengujian terbaik dari segi performa waktu ditunjukkan oleh metode Zeta-v7 dengan rata-rata 0.0138427 detik. Hasil Pengujian terbaik dari segi akurasi sistem adalah Zeta-v1, dengan persentase penolakan yang salah bernilai 100 dan persentase penerimaan yang benar bernilai 94,90.

---

The use of pin and password and even tokens is considered outdated, so many countries develop biometric based transaction methods. Biometrics which are the most widely used biological characteristics are the eye, face, and fingerprint. The faces and fingerprints in certain conditions can change and can not be recognized. The eye or precisely the iris is the right choice to use for authentication methods considering that the human rsquo s eye is not easily changed.

This final assignment focuses on the development of previous systems of authentication using localization methods and half polar Normalization of the iris. Development is performed to make the recognition more accurate dan faster while using different eye segmentation and Normalization methods. The recognition methods can be used for left and right eyes considering both eyes in human have different iris pattern.

The proposed iris segmentation methods are Zeta v1, Zeta v2, Zeta v3, Zeta v4, Zeta v5, Zeta v6 dan Zeta v7. The best test result based on time performance presented by the Zeta v7 segmentation which shows the average time performance 0.0138427 seconds. The best result based on accuracy presented by Zeta v1 which show the percentage of wrong rejection 100 and percentage of right acceptance 94,90."

"ABSTRAKDeteksi dan pengenalan wajah merupakan salah satu pengolah citra yang dapat digunakan untuk surveillance pada UAV. Namun kasus pengenalan wajah dan deteksi wajah ini merupakan pekerjaan yang sangat sulit dilakukan karena komputer harus dapat melakukan lokalisasi wajah dengan baik kemudian melakukan klasifikasi wajah. Tesis ini membahas penelitian metode deep learning yaitu deteksi wajah dengan menggunakan metode RCNN dan pengenalan wajah dengan menggunakan metode CNN. Eksperimen dengan menggunakan variasi sudut wajah dan jarak wajah terhadap kamera dilakukan untuk mengamati pengaruh parameter terhadap performa model. Hasil penelitian menunjukkan bahwa model RCNN dengan menggunakan satu wajah subjek dapat digunakan untuk melakukan deteksi wajah pada subjek dengan recognition rate sebesar 74% pada parameter IoU > 0.5. Nilai recognition rate pada sistem terintegrasi deteksi danpengenalan wajah sangat tergantung dari hasil prediksi area wajah yang dihasilkan dari model RCNN. Percobaan membuktikan bahwa jarak subjek kamera mempengaruhi recognition rate dari model deteksi wajah.

---

ABSTRACTFace detection and recognition is an image processor that can be used for surveillance on UAVs. However, the case of face recognition and face detection is a very difficult job to do because the computer must be able to do localization of the face well then do face classification. This thesis discusses the research of deep learning methods, namely face detection using the RCNN method and face recognition using the CNN method. Experiments using variations in face angle and face distance to the camera were conducted to observe the effect of parameters on the performance of the model. The results showed that the RCNN model using one subject's face could be used to detect faces on subjects with a recognition rate of 74% on the IoU parameter > 0.5. The value of recognition rate in the integrated detection and face recognition system is highly dependent on the results of the prediction of face areas generated from the RCNN model. Experiments prove that the distance of the camera subject affects the recognition rate of the face detection model."

"Sudah sejak lama tanda tangan menjadi salah satu cara untuk melakukan otentikasi dalam kehidupan sehari-hari mulai dari pengesahan dokumen, surat- surat penting bahkan untuk transaksi perbankan. Namun tingkat keamanan dari penggunaan tanda tangan ini tergolong rendah karena tanda tangan dapat ditiru dengan mudah. Seiring dengan perkembangan teknologi, digunakan teknik verifikasi tanda tangan online untuk meningkatkan keamanan dalam otentikasi tanda tangan. Penelitian ini akan menganalisa performa sistem verifikasi tanda tangan online dengan menggunakan algoritma SVM dan GMM pada database SVC 2004 yang mengandung 7 fitur pada setiap tanda tangan. Database ini memiliki 40 dataset tanda tangan dimana setiap dataset terdiri dari 20 tanda tangan asli dan 20 tanda tangan tiruan atau 1600 tanda tangan secara keseluruhan. Berdasarkan hasil simulasi dengan menggunakan 10 data training, sistem verifikasi GMM menghasilkan FRR sebesar 4,5%, FAR 3% dan waktu komputasi rata-rata 21,3 detik sedangkan pada SVM dihasilkan FRR 2,625%, FAR 1,25% dan waktu komputasi rata-rata 1,84 detik.

---

For a long time, signature has become one of many authentication methods that commonly used in daily life such as document and other obligations authentication, even for banking transaction. However the use of signature could be classified as low level security authentication because it can easily forged. With the advanced of technology, online signature verification has been used to increase the security level in signature authentication.

This research will analyze the performance of online signature verification using SVM and GMM algorithm on SVC 2004 signature database which contains 7 features of each signature. The database has 40 contributors who sign 20 authentic signatures, while 20 other are forged ones. In total the database has 1600 signatures.

Based on simulation results using 10 training data, signature verification using GMM resulted in 4,5% FRR, 3% FAR and average computation time of 21,3 seconds, while SVM has 2,625% FRR, 1,25% FAR and average computation time 1,84 second."

"Emosi atau perasaan manusia adalah salah satu faktor yang tidak dapat dikendalikan dalam aktivitas apapun. Tidak sedikit juga pekerjaan yang seringkali berkaitan dengan emosi manusia terutama di industri hiburan dan juga kesehatan. Oleh karena itu, 1 dekade kebelakang banyak riset yang dilakukan untuk mempelajari emosi manusia secara langsung maupun menggunakan teknologi. Pengembangan model speech emotion recognition berbahasa Indonesia masih sangat sedikit dan oleh karena itu dibutuhkan perbandingan secara spesifik pada penelitian ini diantara dua model classifier yaitu Convolutional Neural Network (CNN) dan juga Multilayer Perceptron (MLP) untuk menentukan model yang menghasilkan akurasi terbaik dalam memprediksi emosi dari suara manusia. Dalam speech recognition secara umum, salah satu faktor penting dalam mendapatkan model dengan akurasi terbaik adalah metode ekstraksi fiturnya. Oleh karena itu, penelitian ini menggunakan 3 fitur untuk melakukan pelatihan terhadap model yaitu Mel-frequency Cepstral Coefficients (MFCC), Mel-Spectrogram dan chroma. Dari 3 fitur ini, divariasikan dan menghasilkan 7 metode ekstraksi yang berbeda untuk digunakan sebagai input pelatihan model. Terakhir, untuk memastikan bahwa model sudah menggunakan parameter terbaik, dilakukan eksperimen dengan membandingkan model yang menggunakan batch size serta activation function yang berbeda. Ditemukan bahwa dengan menggunakan CNN dan fitur gabungan antara MFCC, mel-spectrogram dan juga chroma menghasilkan model dengan skor akurasi 50.6% sedangkan menggunakan MLP dengan fitur yang sama menghasilkan model dengan skor akurasi 58.47%.

---

Emotions or human feelings are one of the factors that cannot be controlled in any activity. There are also many jobs that are often related to human emotions, especially in the entertainment and health industries. The development of speech emotion recognition models in Indonesian is still very little and therefore a specific comparison is needed in this study between two classifier models, namely Convolutional Neural Network (CNN) and Multilayer Perceptron (MLP) to determine the model that produces the best accuracy in predicting the emotion of the human voice.

In speech recognition in general, one of the important factors in acquiring a model with the best accuracy is the feature extraction method. Therefore, this study uses 3 features to train the model, namely Mel-frequency Cepstral Coefficients (MFCC), Mel-Spectrogram and chroma. From these 3 features, they were varied and resulted in 7 different extraction methods to be used as model training inputs.

Finally, to ensure that the model has used the best parameters, an experiment was conducted by comparing models using different batch sizes and activation functions. It was found that using CNN and the combined features of MFCC, mel-spectrogram and also chroma resulted in a model with an accuracy score of 50.6% while using MLP with the same features resulted in a model with an accuracy score of 58.47%."

"The capabilities of artificial neural network (ANN) : generalization, adaptive, and tolerant became a basis in choosing the pattern recognition methods of Javanese charahters...."

"Laporan magang ini bertujuan untuk mengevaluasi proses pengakuan pendapatan dari kontrak dengan pelanggan pada PT AAA yang diterapkan melalui pengisian kertas kerja Analisis Kontrak (AK). PT AAA merupakan perusahaan telekomunikasi yang memiliki beragam jasa antara lain Konektivitas, Internet, serta Teknologi Informasi dan Komunikasi (TIK). Kerangka yang digunakan untuk evaluasi adalah 5 Step Model dari PSAK 72: Pengakuan Pendapatan dari Kontrak dengan Pelanggan. Evaluasi dilakukan dengan membandingkan ketentuan menurut PSAK 72 dengan implementasi pengerjaan Analisis Kontrak (AK) yang dilakukan oleh Konsultan X untuk setiap tahapan dalam 5-Step Model. Hasil dari evaluasi ini menunjukkan bahwa proses pengakuan pendapatan dari kontrak dengan  pelanggan  dari PT AAA telah sesuai dengan PSAK 72. style="text-align: justify;"This internship report aims to evaluate PT AAA’s revenue recognition from contracts with customers which is implemented through fulfillment of working paper Analisis Kontrak (Contract Analysis). PT AAA is a telecommunication company which provides services such as Connectivity, Internet, and Information and Communication Technology (ICT). The framework used in this evaluation is 5-Step Model from PSAK 72: Revenue Recognition from Contracts with Customers. Evaluation is carried out by comparing each of steps according to PSAK 72 with the fulfillment of Analisis Kontrak (AK) by Konsultan X for each step in the 5-Step Model. The result of this evaluation indicates that the revenue recognition process from PT AAA is in accordance with PSAK 72."

"In the current study, two experiments are reported that investigated the effects of simple white noise and mixture of white noise and other sounds on perception of speech. In both experiments, university students were recruited to listen to short sentences under various sound masking conditions. Experiment 1, where standard sets of speakers were used for both speech and masking stimuli, has shown that, compared to baseline where there was no masking sound, the participants had significantly greater difficulties in understanding the sentences where the average level of understanding was 28% for the white noise condition and 20% for the mixed noise condition in which white noise was mixed with pink noise and sounds of running water. In Experiment 2, a test model of the specially designed sound masking speaker was used to present the masking noise. Further, sounds of tweeting birds and healing music were added to the mixed noise from Experiment 1 to create the three masking noise conditions. The average level of understanding for the mixed noise condition was 14%, while that for the bird and music conditions were 24% and 30% respectively. The higher understanding rates for the latter conditions were due to lower volume of the mixed white noise in order to keep the overall volume including the birds and music at 55dB. There were also significant effects of sentence type and reading voice gender, suggesting that auditory legibility does not solely depend on the speech-to-noise sound level ratio, but also on other variables, such as, predictability of the sentences, and clarity of the speech. Feedback at the end of the sessions revealed that the participants found mixed noise less irritating than pure white noise, and they preferred mixed noise with bird tweeting or music even better. Thus, it was concluded that mixed noise with occasional sounds of tweeting birds, was the most suitable masking sound for commercial use, being efficient and not unpleasant."