Hasil Pencarian  ::  Simpan CSV :: Kembali

"Makalah ini membantu tentang pengembangan sistem identifikasi pembicara menggunakan analisis spektra orde tinggi dan jaringan neural sebagai pengklasifikasi pola. Analisa spektra orde tinggi ini perlu dipergunakan untuk mengetahui performasinya dalam mengidentifikasi pembicara berdasarkan suara yang terpendam dalam Gaussian noise. Berkaitan dengan proses pengolahan data hasil analisis spektra orde tinggi memerlukan biaya komputasi yang sangat tinggi, maka kompresi data kemudian dilakukan tanpa mengurangi kandungan informasi yan ada di dalamnya. Kompresi data ini dilaksanakan menggunakan jaringan neural hibrida antara SOM dan LVQ, dengan membangkitkan sejumlah vektor pewakil yang dianggap dapat mewakili seluruh vektor pewakil yang dianggap dapat mewakili seluruh vektor data hasil analisa spektra orde tinggi tersebut. Sebagai salah satu faktor dalam memperbandingkan kinerja analisa spektra orde tinggi ini, maka jumlah vektor pewakil dibatasi bergerak antara 25 hingga 343 buah. Jaringan neural probabillistik yang dipergunakan sebagai pengklasifikasi pola, menunjukkan kinerja yang sangat baik untuk dapat menentukan apakah seorang pembicara dapat teridentifikasi dengan benar. Hasil eksperimen menunjukkan bahwa sistem dapat menentukan dengan tingkat ketelitian 100% pada suara dengan tingkat noise 20 dB dan menurun menjadi 97% untuk SNR dB dan 89% untuk SNR 0 dB."

"Pada tesis ini dilakukan identifikasi sistem homogenisasi dengan menggunakan algoritma neural network, sehingga dapat dijadikan model untuk mengetahui dinamika sistem yang sebenarnya. Identitikasi dengan menggunakan neural network, dilakukan dengan memanfaatkan data tanggapan sistem homogenisasi di pabrik pembuatan susu kental manis. Dengan model hasil identitikasi ini, dapat diketahui bagaimana tanggapan sistem terhadap perubahan tekanan dengan memberikan fungsi step pada sistem lingkar terbuka. Dengan model yang ada, juga dapat diketahui bagaimana hubungan antara viskositas dan tekanan, dengan memberikan fungsi ramp pada sistem lingkar terbuka. Dari kurva hubungan antara viskositas dan tekanan, ternyata terdapat sifat non linearitas pada sistem homogenisasi. Dengan pengetahuan tentang dinamika sistem homogenisasi, maka dapat dilakukun simulasi sistem kendali dengan menggunakan pengendali P!. Tujuan simulasi ini ialah agar dapat diketahui bagaimana karaketeristik sistem sebelum diterapkan pada sistem yang sebenarnya. Dari simulasi yang dilakukan ternyata pengendali PI cukup baik melakukan pengendalian sistem homogenisasi tersebut."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs.

In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6. EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time.

The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6. Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80. In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"Skripsi ini membuat suatu perangkat lunak sistem pengklasifikasi jalan yang berbasis jaringan saraf tiruan. Ratio perbandingan Lalu lintas Harian Rata-rata Bulanan (LHRB) / Monthly Average Daily Traffic (MADT) dengan Lalu-lintas Harian Rata-rata Tahunan (LHR'I) / Annual Average Daily Traffic (AADT) digunakan sebagai komponen untuk tiap bulan dalam pola lalu lintas (traffic pattern) bulanan. Data ini kemudian dimasukkan ke sistem saraf tiruan untuk dikenah pola lalu lintas tiap bulannya selama sate tahun penuh (12 bulan). Sistem ini dapat mengenali pola lalu lintas yang lengkap maupun tidak lengkap dan mengelompokkan jalan-jalan yang memiliki pola lalu lintas yang mirip. Dengan pengklasifikasian ini maka dapat diperoleh informasi mengenai suatu kelas jalan yang memudahkan untuk konstruksi, perbaikan maupun pemeliharaan dari jalan tersebut. Jaringan saraf druan yang digunakan dalam tugas akhir ini memakai topologi jaringan propagasi balik (Backpropagation)."

"Telab dikembangkan Sistem Pengenalan Cacat pada Pengelasan Melat dengan menggunakan analisis multi resolusi sebagai ekstraksi ciri dan jaringan neural buatan sebagai pengklasiflkasinya. Input citra merupakan film Sinar-X dari teknik radiografi beberapa pengelasan metal yang telah didigitalisasi. Ekstraksi ciri menggunakan wavelet dan 14 ciri Harralick untuk mengenali pola tektur dalam citra. Sedangkan jaringan neural buatan yang digunakan adalah Back Propagation dan Probabilistic Neural Network. Pengklasifikasi pengenalan cacat akan dikelompokan menjadi 8 kelas berdasarkan jenis cacat yaitu : kelas 1 (normal), kelas 2 (distributed porosity), kelas 3 (incomplete penetration), kelas 4 (burn through), kelas 5 (cluster porosity), kelas 6 (excessive cap), kelas 7 (excessive penetration) dan kelas 8 (incomplete fussion). Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 83% untuk perbandingan data pelatihan dan data pengujian 1; 1."

"Penelitian ini melakukan studi mengenai sistem identifikasi pembicara berbahasa Indonesia menggunakan SVM. Parameter sistem terdiri atas silence removal, PCA, nilai rata-rata dan varians MFCC. Ujicoba menggunakan data berita berbahasa Indonesia dari televisi dan radio yang disegmen dalam 5, 10, 15 detik dengan jumlah data 26 jam (715 pembicara). Hasil penelitian ini menunjukkan ketepatan pengenalan pembicara sebesar 94-98% untuk kombinasi parameter silence removal dan rata-rata MFCC dengan akurasi terbaik pada segmen waktu 10 detik. Namun dengan bertambahnya jumlah pembicara, ketepatan pengenalan cenderung berkurang. Penelitian ini dapat dikembangkan untuk sistem perolehan informasi data speech berdasarkan siapa yang berbicara dalam suatu sesi data.

---

This research studies speaker identification system for Indonesian speech based on SVM. Parameters of this system are silence removal, PCA, average and varians values of MFCC. The experiments use 26 hours (715 speakers) Indonesian broadcast news from radio and television segmented into 5, 10, 15 seconds.

The results achieve 94-98% identification accuracy for combination of parameters silence removal and average of MFCC. The best accuracy comes from 10 seconds time segment. However, the accuracy falls when the number of speakers increases. This study could be used for speech retrieval system based on who speaks in a speech session."

"Susu merupakan makanan penyempurna gizi pada manusia. Tidak hanya berasal dari sumber hewani seperti sapi dan kambing, akan tetapi susu juga dapat diperoleh dari tumbuhan seperti kedelai dan kelapa. Karakteristik kandungan yang berbeda pada setiap jenis susu memiliki potensi identifikasi yang berbeda-beda, berdasarkan proses pengolahan, nutrisi, kemurnian, kualitas, dan lain-lain. Penelitian ini bertujuan untuk membuat sistem klasifikasi jenis susu dengan metode yang nondestruktif memanfaatkan citra hiperspektral dan algoritma Deep Learning. Penelitian ini memanfaatkan kamera hiperspektral pada rentang Visible and Near-Infrared (VNIR) yang berada pada rentang 400 - 1000 nm. Penelitian ini meggunakan Convolutional Neural Network (CNN) sebagai algoritma pengklasifikasian citra. Sampel susu yang digunakan berasal dari sapi, kambing, kedelai, dan kelapa (santan) dengan total data mencapai 1920. Semua data yang telah diperoleh kemudian dibuat datasetnya sesuai dengan tipe klasifikasi yang akan diuji. Klasifikasi mencakup jenis susu dengan kelas hewani dan nabati, organisme sumber dengan kelas santan, sapi, kambing, dan kedelai, dan proses pengolahannya dengan kelas segar dan (Ultra High Temperature) UHT. Algoritma CNN yang diuji adalah sebanyak 3 arsitektur, yaitu GoogleNet, AlexNet, dan Proposed CNN. Akurasi tertinggi dengan jumlah data 480 terjadi pada klasifikasi proses pengolahan susu kedelai yang mencapai 100% untuk ketiga arsitektur, dengan waktu komputasi 20 detik. Akurasi tertinggi dengan jumlah data 1920 diperoleh pada kelas jenis susu yang mencapai 99,9% untuk arsitektur Proposed CNN dengan waktu komputasi 78 detik. Hasil ini menunjukkan bahwa citra hiperspektral dan algoritma CNN mampu menjadi kombinasi baik untuk mengklasifikasikan jenis susu.

---

Milk is a beverage that completes human nutrition. It is not only produced by animal such as cow and goat, but also can be obtained by plant such as soy and coconut. The nutrition composition contained on milks are different one another. The differences of nutrition composition have their identification potential, such as the processing, nutrition differences, purity, quality, etc. Hence, it is necessary to build a system that able to identify milk types with a nondestructive method utilizing hyperspectral image and Deep Learning algorithm. This research utilized hyperspectral camera at Visible and Near-Infrared (VNIR) range of light (400 – 1000 nm). We used Convolutional Neural Network (CNN) as its image classification algorithm. Milk sample was collected from cow, goat, soy, and coconut and obtained exactly 1920 datas. After the data collected, we created datasets based on type of classification it would be tested. The classification includes milk types with classes of animal-based and plant-based milk, the organisms that produce the milk with classes of coconut, cow, goat, and soy, and the processing method with classes of fresh and Ultra High Temperature (UHT). The tested algorithms of CNN architecture are GoogleNet, AlexNet, and Proposed CNN. The highest accuracy for 480 data was 100% reached by processing method classification of soy milk and the computation took only 20 seconds. Meanwhile, the highest accuracy for 1920 data was 99,9% reached by Proposed CNN architecture and the computation took only 78 seconds. These results showed that hyperspectral imaging and CNN algorithm are suitable for classifying types of milk. "