Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aplikasi computer vision meliputi pendeteksian objek, klasifikasi citra, dan lain-lain. Performa dari aplikasi computer vision ini biasanya kurang baik jika digunakan pada gambar yang kabur. Gambar kabur disebabkan oleh kondisi lingkungan yang melibatkan mikropartikel di udara sehingga menyebabkan penurunan kualitas gambar. Dehazing gambar tunggal diperlukan untuk menjaga kualitas gambar yang baik. Berbagai metode dehazing citra tunggal telah dikembangkan, baik metode berbasis piksel atau deep learning. Berbagai arsitektur deep learning telah dikembangkan untuk mengatasi masalah single image dehazing, salah satunya adalah PDR-Net. Dalam studi ini, penulis mengusulkan modifikasi arsitektur PDR-Net untuk mendapatkan gambar yang direstorasi secara visual sebaik mungkin. Arsitektur Modified PDR-Net (PDR-Net M) yang diusulkan dilatih dengan dua set data, yaitu O-Haze dan Dense-Haze, dan menjalani uji ketahanan menggunakan dataset NH-Haze, SOTS, dan beberapa gambar kabur yang diunduh dari Google Image. Hasil modifikasi PDR-Net menunjukkan hasil terbaik saat restorasi citra citra kabur pada data uji O-Haze dan Dense-Haze, dengan Structural Similarity (SSIM) 0,8042, Peak Signal-to-Noise Ratio (PSNR) 20,65,00perbedaan warna 9,26 , Root Mean Square Error (RMSE) 0.11 dan Naturalness Image Quality Evaluator (NIQE) 3.94. Meskipun pada uji robustness ketiga, PDR Net-Modified mengalami kesulitan dalam restorasi citra karena karakteristik dataset yang sangat berbeda dengan data latih, PDR-Net Modified masih unggul pada uji robustness pertama dan kedua.

---

Computer vision applications include object detection, image classification, and others. The performance of this computer vision application is usually not good when used on blurred images. Blurred images are caused by environmental conditions involving microparticles in the air causing a decrease in image quality. Dehazing a single image is necessary to maintain good image quality. Various methods of single image dehazing have been developed, either pixel-based or deep learning methods. Various deep learning architectures have been developed to overcome the problem of single image dehazing, one of which is PDR-Net. In this study, the authors propose a modification of the PDR-Net architecture to obtain the best possible visually restored image. The proposed Modified PDR-Net (PDR-Net M) architecture was trained with two datasets, namely O-Haze and Dense-Haze, and underwent robustness testing using the NH-Haze dataset, SOTS, and some blurred images downloaded from Google Image. PDR-Net modification results show the best results when restoring blurred images on O-Haze and Dense-Haze test data, with Structural Similarity (SSIM) 0.8042, Peak Signal-to-Noise Ratio (PSNR) 20.65.00 color difference 9.26 , Root Mean Square Error (RMSE) 0.11 and Naturalness Image Quality Evaluator (NIQE) 3.94. Although in the third robustness test, PDR Net-Modified had difficulty in image restoration because the characteristics of the dataset were very different from the training data, PDR-Net Modified was still superior in the first and second robustness tests."

"Kabut merupakan fenomena atmosfer di mana asap, debu dan partikel kering lainnya berada di atmosfer. Kabut ini tentunya dapat memunculkan efek blur dan buram pada citra sehingga dapat mengurangi informasi yang terkandung di dalamnya. Hal ini dapat menyebabkan penurunan performa dari permasalahan pembelajaran mesin, seperti identifikasi dan klasifikasi. Image dehazing merupakan suatu proses yang bertujuan untuk memulihkan gambar yang jelas dari gambar yang rusak oleh kabut atau asap. Terdapat berbagai metode image dehazing yang telah dikembangkan, baik yang berbasiskan pixel intensity dan deep learning. Salah satu metode deep learning yang telah dikembangkan sebelumnya untuk image dehazing adalah Mod PDR-Net. Pada penelitian ini, penulis mengajukan suatu deep network untuk image dehazing baru dengan menggunakan Mod PDR-Net di dalam suatu Conditional Generative Adversarial Network. Data yang digunakan dalam penelitian ini adalah dataset standar citra berkabut luar ruangan. Untuk mengetahui kualitas dari hasil image dehazing yang didapat, penulis membandingkan hasil metode usulan dengan Mod PDR-Net original dan didapatkan bahwa metode usulan memiliki hasil yang lebih baik dibandingkan dengan Mod PDR-Net berdasarkan metrik yang digunakan, yaitu SSIM, RMSE, Delta E, dan BRISQUE dengan nilai berturut-turut sebesar 0.785, 0.109, 9.750. dan 28.375.

---

Haze is an atmospheric phenomenon where smoke, dust, and other dry particles are present in the atmosphere. Haze can create blurring effects in captured images, resulting in reduced information contained in the image. This can lead to performance degradation from machine learning problems, such as identification and classification. Image dehazing is a process that aims to recover a clear image from a hazy image. Various image dehazing methods have been developed, both based on the pixel intensity and deep learning. One of the deep learning methods that has been previously developed for image dehazing is Mod PDR-Net. In this study, the author proposes a deep network for image dehazing by using Mod PDR-Net in a Conditional Generative Adversarial Network. The data used in this study consists of a standard dataset of outdoor hazy images. In order to determine the quality of the obtained image dehazing results, the author compared the result of the proposed method with the original Mod PDR-Net and found that the proposed method has better results than the Mod PDR-Net based on the metric used, namely SSIM, RMSE, !E, and BRISQUE with values respectively 0.785, 0.109, 9.750. and 28.375."

"Citra berkabut terjadi jika cahaya yang diterima oleh media optik dihamburkan dengan media yang keruh, seperti asap dan tetesan air. Citra berkabut dapat direstorasi menjadi citra tanpa kabut dengan proses image dehazing. Salah satu metode untuk melakukan image dehazing adalah statistical prior. Statistical prior digunakan ketika informasi yang diketahui hanyalah citra berkabut, untuk mengestimasi parameter yang tidak diketahui, seperti airlight dan transmisi. Pada penelitian ini penulis menggunakan dua metode statistical prior, yaitu Dark Channel Prior dan Two Peak Channel Prior. Untuk mendapatkan hasil terbaik, penulis melakukan optimasi parameter pada kedua metode yang digunakan. Untuk mendapatkan kualitas hasil image dehazing terbaik, penulis merancang sebuah kerangka kerja (framework usulan dari modifikasi metode Dark Channel Prior yang melibatkan pemisahan daerah langit dan non-langit dan optimasi parameter. Performa metode diuji dengan menggunakan metrik root mean square error (RMSE) dan structural similarity index measure (SSIM). Didapatkan hasil dimana metode usulan mendapatkan hasil evaluasi terbaik, dengan RMSE sebesar 0.063 dan SSIM sebesar 0.942 Untuk dataset SOTS Outdoor. Sementara untuk dataset O-Haze, metode usulan mendapatkan hasil evaluasi terbaik juga dengan RMSE sebesar 0.147 dan SSIM sebesar 0.811.

---

Hazy images occur when the light received by the optical device is scattered by turbid media such as smoke and water droplets. Hazy images can be restored to its clear version by the image dehazing process. It is possible to perform image dehazing using statistical priors. Statistical priors are used when the only known information is the hazy image itself, to estimate the unknown parameters. In this study, the author used two statistical priors, namely Dark Channel Prior and Two Peak Channel Prior. To obtain the best possible results, the author attempted to optimize the parameters of the used methods. Furthermore, to obtain the best possible quality of image dehazing results, the Author proposed a framework using a modification of the Dark Channel Prior method, which involved separating the sky and non-sky areas and parameter optimization. The method performance was evaluated using the root mean square error (RMSE) and structural similarity index measure (SSIM). The results obtained show that the proposed method is able to get the best evaluation results, with an RMSE of 0.063 and SSIM of 0.942 for SOTS Outdoor dataset. For the O-Haze dataset, the proposed method also gets the best evaluation results with an RMSE of 0.147 and an SSIM of 0.811."

"Kabut menjadi salah satu masalah yang terjadi dalam kehidupan sehari-hari dan dapat menyebabkan objek sulit terlihat. Fenomena ini dapat ditangkap oleh kamera dan mengubah informasi mengenai warna dan kontras yang tertangkap pada citra. Perubahan informasi ini berpengaruh besar pada penerapan computer vision dalam melakukan berbagai tugas, seperti deteksi objek, klasifikasi, dan sistem navigasi. Oleh karena itu, perlu dilakukan restorasi citra berkabut. Restorasi citra berkabut ini terus dikembangkan, mulai dari restorasi berbasiskan persamaan fisika hingga deep learning. Uformer menjadi salah satu arsitektur deep learning yang dikembangkan untuk melakukan restorasi citra berkabut dengan menggunakan ide dasar dari Transformer. Pada penelitian ini, dilakukan implementasi Uformer untuk restorasi citra berkabut. Pengujian performa model Uformer dilakukan menggunakan dataset O-HAZE, NH-HAZE, DENSE-HAZE, dan SOTS. Analisis dilakukan secara kuantitatif, kualitatif, dan cross-dataset. Hasil restorasi dari Uformer ini dibandingkan dengan Mod PDR-Net dan Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer menunjukkan bahwa model tersebut belum dapat menandingi hasil dari model Mod PDR-Net dan Mod PDR-Net Based CGAN dalam melakukan restorasi citra berkabut dengan dataset yang digunakan.

---

Haze has become a common problem that happens in daily life and can make objects hard to be seen. This phenomenon can be captured by camera along with changed color and contrast on the captured image. These changes largely affect computer vision tasks, such as object detection, classification, and navigation systems. To mitigate this problem, image dehazing is necessary. Image dehazing has constantly been developed to solve this problem, starting from restoration using the physical model to deep learning approaches. Uformer was introduced as one deep learning architecture for image restoration, inspired by the Transformer architecture. In this research, Uformer has been implemented for image dehazing. The Uformer model performance was evaluated using O-HAZE, NHHAZE, DENSE-HAZE, and SOTS datasets through quantitative, qualitative and cross dataset evaluation. The result showed that Uformer is not able to outperform Mod PDR-Net and Mod PDR-Net Based CGAN for image dehazing on the selected datasets."

"Pendekatan yang paling sederhana untuk memperbaiki mutu suatu citra adalah menggunakan dekonvolusi yang merupakan suatu proses invers filter dengan operator dekonvolusi yang biasa disebut sebagai point spread function (PSF) atau fungsi sebaran titik. Hampir disemua kasus, PSF tidak diketahui. Meskipun demikian pada keadaan sebenarnya nilai PSF dapat ditentukan tanpa harus mengetahui proses pengaburan data observasi.Pada studi ini diperkenalkan suatu teknik iterasi dekonvolusi buta (Iterative Blind Deconvolution, IBD) dan didiskusikan secara teknis detail dari algoritmanya yang digunakan untuk merestorasi citra seismik penampang maupun sayatan yang mengalami pengaburan. Teknik ini bekerja secara iterativ menggunkan algoritma Ricardson-Lucy (RL) untuk mendapatkan operator dekonvolusi terbaik. Hasil studi kami memperlihakan bahwa teknik ini mampu meningkatkan kualitas dari citra seismik yang pada akhirnya membantu untuk interpretasi.

---

The simplest approach to recovering the image through deconvolution is inverse filtering with the deconvolution operator that so-called point spread function (PSF). In most cases the PSF will not be available; however, there are certain situations in which one may be able to find a PSF without a priori knowledge.In this paper, we present an iterative blind deconvolution (IBD) technique and discuss the technical details of this algorithm, which is proposed for the restoration of the blurred image occured on seismic section and seismic slicing of 3D data. This technique is performed iteravely by using the Ricardson-Lucy (RL) algorithm to achiev the best deconvolution operator. Our experience shows that this technique is able to enhance the quality of the seismic image, which is helpful in doing seismic interpretation."

"This paper is devoted to the formulation of a decomposition algorithm using tight wavalet frames, in a multivariate setting....."

"Promoting the image of Maritime Continent of Indonesia can be considered as one of the important aspect from the actualization of Indonesian Archipelagic Outlook (Wawasan Nusantara) or it can be assumed as further development of Wawasan Nusantara...."

"Direktorat Jenderal Bea dan Cukai merupakan suatu instansi yang berada di bawah naungan Departemen Keuangan yang melaksanakan tugas pokok dan fungsi Departemen Keuangan di bidang kepabeanan dan cukai. Berdasarkan Peraturan Menteri Keuangan Nomor : 68/PMK.01/2007 tanggal 27 Juni 2007 tentang Organisasi dan Tata Laksana Instansi Vertikal Direktorat Jenderal Bea dan Cukai, dibentuklah Kantor Pelayanan Utama Bea dan Cukai. Tujuan dibentuknya Kantor Pelayanan Utama Bea dan Cukai atau yang disingkat KPU BC adalah untuk memperbaiki citra dan kinerja Bea dan Cukai.Berkaitan dengan hal di atas maka tujuan dari penelitian ini adalah untuk menggambarkan citra Bea dan Cukai sebelum dan sesudah dibentuknya Kantor Pelayanan Utama Bea dan Cukai.Dalam penelitian ini konsep yang digunakan adalah jenis-jenis citra yang dikemukakan oleh Frank Jefkins yang terdiri dari bayangan (mirror image), citra yang berlaku (current image), citra yang diinginkan (wish image), citra instansi (corporate image), dan citra majemuk (multiple image). Konsep lain yang digunakan adalah konsep citra yang di-down load dari www.pertamina.com dimana citra merupakan akumulasi dari lima citra unsur-unsurnya yaitu citra produk/pelayanan, citra sumber daya manusia, citra budaya, citra sistem, dan citra kinerja.Penelitian ini menggunakan paradigma konstruktivime dengan pendekatan kualitatif. Sedangkan strategi penelitian yang digunakan adalah social construcktivism. Metode pengumpulan data dilakukan dengan teknik wawancara mendalam kepada para stakeholders baik internal maupun eksternal.Berdasarkan analisis data yang telah dilakukan maka terlihat bahwa citra bayangan (mirror image) yang terbentuk terhadap Bea dan Cukai sebelum dibentuknya KPU BC dapat dikatakan negatif dan tidak menguntungkan baik dari segi pelayanan yang diberikan, sumber daya manusia, budaya, sistem, dan kinerja. Namun dengan dibentuknya KPU BC sudah mulai berangsur membaik. Sedangkan citra yang berlaku (current image) yang terbentuk terhadap instansi bea dan cukai sangatlah beragam dan bervariasi baik sesudah maupun sebelum dibentuknya KPU BC baik dari sisi pelayanan, sumber daya manusia, budaya, sistem, dan kinerja. Selain itu citra yang diinginkan (wish image) masih jauh dari harapan dan tidak dapat terpenuhi. Citra perusahaan (corporate image) merupakan akumulasi dari kelima unsur citra tersebut. Dikarenakan citra yang terbentuk sangatlah beragam dan bervariasi antara stakeholders internal maupun eksternal terhadap instansi bea dan cukai baik sebelum maupun sesudah dibentuknya KPU BC maka terbentuklah citra majemuk (multiple image).Kesimpulan dari penelitian ini, dengan dibentuknya KPU BC ternyata belum banyak membawa perubahan citra untuk instansi bea dan cukai. Oleh karena itu selain dilakukan pengawasan yang berkesinambungan maka perlu dibentuk divisi khusus yang menangani masalah kehumasan.Directorate General of Customs and Excise is a unit of Finance Departemen which does main task and function of Finance Departemen specially about customs and excise. Based on The Rule of Finance Ministry Number: 68/PMK.01/2007 date June 27th, 2007 about Organisasi dan Tata Laksana Instansi Vertikal Direktorat Jenderal Bea dan Cukai, Primary Customs Office was established. Primary Customs Office or KPU BC is to improve image and work of Customs and Excise.

This research is to describe the image of Customs and Excise before and after Primary Customs Office was established.

In this research, the concepts which are used are kinds of image which is explained by Frank Jefkin. The images are mirror, current, wish, corporate, and multiple image. The other concept which is used is image concept from www.pertamina.com. Image is the acumulation of five factors of image such as image of product/service, image of human resources, image of corporate culture, image of system, and image of work performance.

This research uses constructism paradigm with qualitative approach. Yet the research strategy is used in this research is social constructivism. The method of data finding was done by in depth interview to several intern and extern stakeholders.

Based on the data analysis, it can be seen that the mirror image of Customs and Excise before Primary Customs Office was established was negative and disadvantage seen from service, human resources, culture, system, and work side. But by Primary Customs Office, the image of Customs and Excise strats better and better. Yet current image of Customs and Excise is vary before and after Primary Customs Office established from service, human resources, culture, system, and work performance side. Beside that, the wish image is far and unfulfilled from the hope of the Directorate General of Customs and Excise. The corporate image is the acumulation of the five factors of image such as image of product/service, image of human resources, image of corporate culture, image of system, and image of work performance. Because the image of Customs and Excise before and after KPU BC which is shaped in the mind of internal and external stakeholdersis so vary so the multiple image has been shaped.

The conclution of the research, KPU BC does not bring the changes of image of Customs and Excise yet. So, beside of watching continously, it is needed to establish a new division which handles public relations problems."

"Teknologi pengolahan citra memiliki banyak penerapan dalam kehidupan dewasa ini. Salah satu nya adalah sebagai metode untuk pengukuran jarak. Keunggulan dari teknologi pengolahan citra adalah kecepatan proses, dan akurasi yang tinggi. Sayangnya, belum ada penelitian yang menguji penerapan metode pengukuran jarka dengan laser dan kamera untuk pengukuran jarak di atas 5m di luar ruangan. Pada penelitian ini dilakukan pengujian metode pengukuran jarak dengan teknologi pengolahan citra menggunakan triangulasi segitiga dengan bantuan laser di ruang terbuka. Dilakukan 4 jenis pengujian yaitu pengaruh jarak kamera dan laser, pengaruh penggunaan lensa tambahan, pengarus resolusi kamera, dan pengaruh cahaya matahari. Berdasarkan hasil pengujian, didapatkan rata-rata nilai bias pada sistem pengukuran sebesar 796,38mm.

---

Image processing technology has many applications in life. One of them is a method for distance measurement. The advantages of image processing technology are process speed, and high accuracy. Unfortunately, no studies have examined the application of accurate measurement methods with lasers and cameras for measuring distances above 5m on the outdoors. In this study, the method of distance measurement with image processing technology was tested using triangulation triangulation with the help of lasers in open space. There are 4 types of testing carried out, namely the effect of camera and laser distance, the effect of using additional lenses, camera resolution driver, and the effect of sunlight. Based on the results of the test, the average value of bias in the measurement system is 796.38mm"

"Citra buram atau blur dapat terjadi akibat gerakan objek, lensa kamera alat akuisisi yang kehilangan fokus, atau getaran saat akuisisi citra. Buram membuat citra menjadi kurang tajam dan tidak fokus pada beberapa bagian pada citra. Buram pada citra mengakibatkan terjadinya penurunan kualitas dan informasi citra sehingga menyebabkan penurunan performa aplikasi computer vision seperti deteksi objek, identifikasi objek, dan klasifikasi. Hal tersebut membuat banyak dikembangkan penelitian restorasi citra buram untuk mengembalikan kualitas citra yang terdegradasi, mulai dari penggunaan metode konvensional hingga metode berbasis pembelajaran mesin. Pada penelitian ini, penulis menggunakan model Swin Transformer UNet dalam merestorasi citra buram. Model ini berbasis Swin Transformer yang diintegrasikan dengan arsitektur UNet. Data citra yang digunakan dalam penelitian ini adalah dataset buram Dual-pixel Defocus Debluring(DPDD) dan Real Depth Of Field(RealDOF). Analisis dilakukan terhadap hasil restorasi citra model secara kuantitatif dan kualitatif. Selain itu, , penulis juga melaksanakan analisis cross dataset untuk melihat kemampuan generalisasi model. Hasil restorasi dibandingkan dengan hasil restorasi model Iterative Filter Adaptive Network(IFAN) yang dianggap sebagai state-of-the-art dalam merestorasi citra buram. Evaluasi hasil restorasi Swin Transformer UNet menunjukkan bahwa model tersebut berhasil mendeteksi daerah buram pada citra dengan baik namun hasil restorasi yang didapat belum sebaik hasil restorasi pada model IFAN dalam merestorasi citra buram pada dataset yang digunakan.

---

Blurred images can occur from the motion of the photographed object, the camera lens of the acquisition tool losing focus, or vibration during image acquisition. Blurring makes the image less sharp and unfocused on some parts of the image. Blur in images results in a decrease in image quality and information, causing a decrease in the performance of computer vision tasks such as object detection, object identification, and classification. This has led to the development of many deblurring image restoration studies to restore the quality of degraded images or image restoration, ranging from the use of conventional methods to machine learning-based methods. In this research, the author uses the Swin Transformer UNet model to restore blurry images. This model is based on Swin Transformer integrated with UNet architecture. The images used in this research come from the Dual-pixel Defocus Debluring (DPDD) and Real Depth Of Field (RealDOF) blur image datasets. The image restoration results are analyzed quantitatively and qualitatively. Additionally, the author also conducts a cross-dataset analysis to see the generalization potential of the model. The restoration results were compared with the restoration results of the Iterative Filter Adaptive Network (IFAN) model which is considered as state-of-the-art in image deblurring. The evaluation of the Swin Transformer UNet restoration model shows that the model successfully detects blurred regions in the image well but the restoration results obtained are not as good as the restoration results in the IFAN model in restoring blurred images on the dataset used."