Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian ini telah dibangun, sistem deteksi dan identifikasi untuk pengenalan dan klasifikasi komponen-komponen sinyal EEG, terhadap sinyal EEG asimetri yang diperoleh dari perekaman pada kanal simetri. Sinyal EEG diperoleh dari 7 nara coba pada dua kondisi pikiran, yaitu rileks dan berpikir (non-rileks). Terhadap koefisien wavelet dari sinyal asimetri yang diperoleh selanjutnya dilakukan analisis Power Spectral Density (PSD). Sistem Klasifikasi dibangun berdasarkan spektrum daya pada daerah gehmbang dan dengan uji hipotesis serta pengetahuan apriori tentang karakteristik energi komponen gehmbang EEG.Penggunaan transformasi wavelet dapat mengatasi sifat non-stasioner, dan modifikasi sistem klasifikasi dengan uji hipotesis, meningkatkan keberhasilan klasifikasi, sehingga pada kondisi rileks memberikan hasil 85% dan kondisi non-rileks sebesar 64%.Dibandingkan metoda yang lain, transformasi wavelet juga dapat mereduksi data tanpa kehilangan informasi yang berarti, Hal ini ditunjukkan oleh penyimpangan rekonstruksi koefisien wavelet terhadap sinyal asliyang kecil.Sementara pengaruh posisi elektroda terhadap keberhasilan pengamatan, diketahui bahwa posisi sentral memberikan keberhasilan terbaik sedangkan kanal occipital terburuk. Kondisi rileks ditunjukkan, hasil spektrum daya rata-rata seimbang untuk kanal yang simetrik dibanding kondisi non-rileks, Kurangnya keberhasilan yang diperoleh pada kondisi berpikir disebabkan kitrangnya konsistensi pada kondisi tersebut, disamping kondisi rileks belum sepenuhnya hilang.

---

In this research a detection and identification system for pattern recognition and classification of wave components of an asymmetric of two symmetrical EEG signal were developed. The EEG signal was obtained from 7 subjects with two conditions, relax and non-relax. The detection and identification was based on the non-symmetry signal recorded on a symmetric channel test of hypothesis and priori learning of energy characteristic of component of the EEG signal.

In the proposed method, the wavelet approximated coefficient of the non-symmetry EEG signal was analyzed using power spectral density (PSD) method. The wavelet transformation is suitable for non-stationary signal, the results were better for non-relax, that was 64%. Alternatively, in the relax condition, the result was 85%.

The advantage of the wavelet transformation with respect to the other methods is that of can reduce the number of data without loss of information. It was shown by small deflection between reconstruction of wavelet and original signal.

In term of the channel position, occipital channel gives best result for relax condition, while central channel for non-relax. The less success of non-relax conditions because of lack of consistency of the condition, where some of alpha waves were remain."

"Terdapat dua masalah besar yang diselesaikan dalam disertasi ini, yaitu masalah pemrosesan sinyal dan masalah aplikasi sinyal EEG dalam pengenalan keadaan emosi. Masalah tersebut diselesaikan dengan metode kecerdasan komputasional yang terdiri dari bagian utama, ekstraksi fitur dan klasifikasi. Pada bagian ekstraksi fitur, pada disertasi ini dibahas penggunaan metode konvensional ekstraksi fitur berbasis power spectrum yaitu dengan Discrete Wavelet Transform DWT , dan penggunaan metode baru ekstraksi fitur yang diajukan yaitu analisis bispektrum dengan filter piramida 3D, serta dengan Relative wavelet bispectrum RWB.Untuk menyelesaikan permasalahan penerapannya pada sistem otomatis pengenal emosi, maka classifier dengan jenis Artificial Neural Network ANN digunakan.Penggunaan DWT dalam metode ekstraksi fitur menunjukkan bahwa fitur Relative Wavelet Energy DWT RWE memberikan recognition rate terbaik, konsep energi relatif ini kemudian digunakan pada metode baru yang diajukan. Pada metode baru ekstraksi fitur menggunakan analisis bispektrum dengan filter piramida 3D, diketahui bahwa persentase mean bispektrum memberikan recognition rate yang terbaik dengan kompleksitas yang lebih rendah 74.22 untuk arousal dan 77.58 untuk valence.Filter non-overlap dengan ukuran alas yang bervariasi memberikan recognition rate tertinggi, khususnya secara signifikan terlihat untuk jenis emosi arousal. Penurunan jumlah channel EEG sampai dengan 8 channel dapat dilakukan untuk menurunkan biaya komputasi. Metode baru ekstraksi fitur yaitu RWB telah diajukan dalam disertasi ini dan menunjukkan pengenalan yang sangat baik mencapai 90 untuk data sinyal EEG orang alkoholik. Semakin besar lag yang digunakan dalam perhitungan korelasi, semakin tinggi recognition rate yang diperoleh.Capaian dari penelitian ini membuktikan bahwa RWB cocok untuk digunakan sebagai metode ekstraksi fitur untuk klasifikasi orang alkoholik, dan dapat dipertimbangkan untuk digunakan pada aplikasi lainnya. Dari keempat classifier yang diujikan, dari segi recognition rate, PNN sedikit lebih unggul daripada BPNN, namun uji sensitivity, specificity dan PPV serta grafik ROC menunjukkan bahwa BPNN merupakan classifier yang lebih baik dibanding PNN. Di sisi lain, waktu komputasi PNN untuk mencapai recognition rate maksimum adalah sekitar 3,5 kali lebih cepat dibanding BPNN.

---

There are two major problems resolved in this dissertation, which are signal processing problem and the problem in EEG signal in the application of recognizing human emotional states. The problems were solved by applying a computational intelligence method consists of two main parts, the feature extraction and the classification. In the feature extraction sub system, this study improved a conventional methods using power spectrum from discrete wavelet transform DWT, and proposed a new method for feature extraction by using bispectrum analysis with 3D pyramid flter, as well as using relative wavelet bispectrum RWB.To solve the problem in the application of EEG signal for automatic emotion recognition system, the artificial neural network ANN classifier was used.The use of DWT in the feature extraction method shows that the relative wavelet energy DWT RWE feature provides the best recognition rate, the relative energy concept was then used in the proposed new feature extraction methods. In the proposed feature extraction using bispectrum analysis with 3D pyramid filters, the mean percentage of bispectrum feature gave the best recognition rate with lower complexity i.e. 74.22 for arousal and 77.58 for valence.Non overlap filters with varied base sizes provided the highest recognition rate, and significantly seen for the arousal emotion. The selection of eight EEG channels can be conducted to lower the cost of computing. A novel feature extraction method, the RWB, showed an excellent recognition for the alcoholic person. The larger the lag used in the correlation calculation in RWB, the higher the recognition rate obtained.The achievements of this study proved that RWB is suitable as a feature extraction method for the classification of alcoholic subjects, and may be considered for use in other applications.Of the four classifiers tested, PNN is slightly superior to BPNN in terms of recognition rate however, the sensitivity, specificity and PPV tests and ROC graph shown that BPNN is a better classifier than PNN. On the other hand, the PNN computing time to reach the maximum recognition rate was about 3.5 times faster than BPNN."

"Dalam teknologi telekomunikasi, pemrosesan sinyal menyandang peran vital. Penerapan teknik tersebut telah merambah ke berbagai bidang seperti halnya bidang pengolahan suara dan ucapan, bidang pengolahan citra, kompresi data, dan estimasi spektral waktu frekuensi.Radar (Radio Detection and Ranging) adalah suatu metode penggunaan gelombang radio untuk mendeteksi kehadiran objek sasaran dan menentukan posisinya (lokasi/jaraknya) serta kecepatannya. Secara umum sinyal echo radar terdiri dari clutter c(t) yang merupakan hamburan dari benda-benda lain, noise n(t) atau derau yang lebih didominasi oleh penerima sendiri (kecuali pada frekuensi rendah), dan sinyal yang mungkin jika ada sasaran.Melalui bentuk pemodelan pembangkitan sinyal echo radar dengan bantuan program berbasiskan Matlab Simulink dan Matlab versi 4.2, maka dapat dianalisa sejauh mana penerapan dari untuk kerja transformasi Wavelet dan membandingkannya dengan transformasi Fourier dalam mengidentifikasi sinyal echo radar . Pemrosesan sinyal ditujukan untuk mengetahui kandungan frekuensi Doppler, dengan kata lain untuk tujuan mengetahui besar kecepatan radial benda terhadap radar. Dalam setiap deteksi diasumsikan selalu ada sasaran yang sudah berhasil dideteksi, sehingga yang harus dilaksanakan adalah mengetahui besar kecepatan radialnya.

---

Signal processing plays an important role in communication technology. Application of the technique has broadly expanded to various fields such as sound and utterance processing, image processing, data compression and frequency time spectral estimation.Radar (Radio Detection and Ranging) is one method of using radio wave to detect the targeted objects, their positions (in terms of location and distance) and speeds. Signally radar echo signal consists of clutter c(t), scattering from other objects, noise n(t) or roaring sound, dominantly controlled by the internal receiver (except for low frequency), and possible signal, when the target exist.In form of radar echo signal erection modeling supported with the program-based Matlab Simulink and Matlab Version 4.2, we may analyze application of Wavelet transforms displays as far as possible and compare to the Fourier transforms to identify radar echo signal. Signal processing is aimed at knowing the Doppler frequency ingredients. In other words, it is purposed to see the objects radial speed against the radar. It is assumed that there are always targeted objects already successfully detected. In this care, it is our task to determine the radial speed."

"Proses perambatan sinyal oleh BTS ke receiver, akan semakin baik apabila dekat dengan BTS dan tidak ada penghalang. Akan tetapi kondisi di lapangan menunjukan banyaknya penghalang baik bangunan maupun vegetasi yang membuat sinyal mengalami penurunan nilai sinyal. Penelitian ini bertujuan untuk mengetahui hubungan kualitas sinyal dengan jarak dari BTS, Kepadatan bangunan dan penggunaan tanah. Kualitas sinyal yang diteliti adalah kualitas sinyal Telkomflexi berbasis CDMA yang berada diluar ruangan (outdorr) dengan melihat Rx, Tx dan Ec/Io.Berdasarkan analisa spasial dan statistik, menunjukkan bahwa pengaruh jarak dari BTS terhadap kualitas sinyal terjadi di BTS Komplek Timah, Kampus UI, Juanda Depok, Depok sto dan Curug Agung, sedangkan pada BTS Beji Timur tidak terdapat hubungan antara kualitas sinyal dengan jarak dari BTS. Adapun hubungan kualitas sinyal dengan kepadatan bangunan terjadi pada semua BTS. Untuk hubungan kualitas sinyal dengan penggunaan tanah hanya terjadi di empat BTS yaitu BTS Komplek Timah, Kampus UI, Juanda Depok dan Curug Agung sedangkanpada BTS Depok sto dan Beji Timur tidak terdapat hubungan antara kualitas sinyal dengan penggunaan tanah.

---

Process of propagation signal from BTS to receiver, will be better if receiver near with BTS and there are no obstacle. Othrewise real condition showing that many obstacle or tree which make decrease of value signal. This research goal to know correlation signal quality with distance from BTS, building density, and land use. Signal quality which researched is Telkomflexi?s signal quality based CDMA at indorr with see Rx, Tx, and Ec/Io.Base on spatial and statistical analysis, show that influence of distance from BTS with signal quality in BTS Komplek Timah, Kampus UI, Juanda Depok, Depok sto, Curug Agung meanwhile in BTS Beji Timur there is no correlation between signal quality with distance from BTS. Correlation wih building density happen on all BTS. Correlation signal quality with land use happen on four BTS which is Komplek Timah, Kampus UI, Juanda Depok and Curug Agung, meanwhile in BTS Depok sto and Beji Timur there is no correlation between signal quality with land use."

"Sinyal dalam konteks telekomunikasi membawa informasi dengan variasi terhadap waktu, termasuk sinyal suara yang bersifat non-stasioner. Kehadiran noise dalam sinyal suara dapat mengurangi kualitas informasi yang ditransmisikan. Penggunaan transformasi wavelet telah menjadi pendekatan yang efektif dalam denoising sinyal suara, namun untuk hasil optimal, diperlukan pemilihan model threshold dan wavelet families yang tepat. Penelitian ini mengeksplorasi kinerja berbagai model threshold dalam denoising sinyal suara. Hasil penelitian menunjukkan bahwa waktu komputasi untuk denoising meningkat seiring dengan peningkatan level dekomposisi, dengan threshold Donoho memiliki waktu komputasi tercepat, diikuti oleh modifikasi, dan acuan Gang Yang [9] paling lambat. Penggunaan wavelet families juga memengaruhi nilai Mean Squared Error (MSE) dan waktu komputasi. Model threshold acuan Gang Yang [9] memberikan MSE terbaik dengan waktu komputasi 119,252 detik pada level dekomposisi 4, sedangkan threshold modifikasi menawarkan waktu komputasi lebih cepat yaitu 87,965 detik dengan MSE hampir setara pada level dekomposisi 2. Peningkatan panjang filter wavelet meningkatkan kompleksitas program dan waktu komputasi, namun efeknya bervariasi pada tiap model threshold. Selain itu, dilakukan denoising pada noise teras rumah (SPL 83,445 dB) dan noise mesin konstruksi (SPL 87,439 dB). Pada noise teras rumah, level dekomposisi 1 dengan Biorthogonal 3.3 (bior33) paling efektif, mengurangi SPL menjadi 40,216 dB. Pada noise mesin konstruksi, level dekomposisi 1 dengan Reverse Biorthogonal 3.3 (rbio33) paling efektif, menurunkan SPL menjadi 69,569 dB. Berdasarkan hal tersebut, dalam memilih model threshold yang optimal, perlu dipertimbangkan nilai MSE dan efisiensi komputasi. Penelitian ini memberikan wawasan penting dalam memilih metode denoising yang efektif untuk meningkatkan kualitas sinyal suara.

---

In telecommunications, signals carry information with variations over time, including non-stationary audio signals. Noise in audio signals can degrade the quality of transmitted information. Wavelet transform is an effective approach for denoising audio signals, but optimal results require appropriate threshold models and wavelet families. This study explores the performance of various threshold models in denoising speech signals. Results indicate that computation time for denoising increases with decomposition levels; the Donoho threshold is the fastest, followed by the modified model, with Gang Yang [9]'s reference model being the slowest. Wavelet family choice significantly impacts Mean Squared Error (MSE) and computation time. The Gang Yang [9] reference model offers the best MSE at SNR 20-27 with a slight computation time increase (119.252 seconds at level 4), while the modified model achieves faster computation (87.965 seconds at level 2) with nearly equivalent MSE. Longer wavelet filters increase program complexity and computation time, varying by threshold model. Additionally, denoising was performed on residential porch noise (SPL 83.445 dB) and construction machinery noise (SPL 87.439 dB). For residential porch noise, decomposition level 1 with Biorthogonal 3.3 (bior33) was most effective, reducing the SPL to 40.216 dB. For construction machinery noise, decomposition level 1 with Reverse Biorthogonal 3.3 (rbio33) was most effective, lowering the SPL to 69.569 dB. Thus, selecting an optimal threshold model involves considering both MSE and computational efficiency. This study provides key insights for effective denoising methods to enhance speech signal quality."

"ABSTRAKPentransmisian sinyal video (video signal) membutuhkan lebar pita frekuensi (bandwidth) dan kapasitas memori yang sangat besar. Untuk mengefisienkan penggunaan bandwidth dan kapasitas memori serta mereduksi biaya transmisi perlu dilakukan proses pemampatan (kompresi) pada sinyal video tersebut. Salah satu teknik kompresi yang banyak digunakan adalah Transform Coding berbasis DCT (Discrete Cosine Transform).Proses transmisi sinyal video dapat dilakukan dengan dua cara yaitu transmisi dengan laju bit yang tetap (Constant Bit Rate/CBR) dan transmisi dengan laju bit yang bervariasi (Variable Bit Rate NBR). CBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang terbatas, sehingga tidak dapat menampung volume data yang ada. Sedang VBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang besar sehingga dapat menampung volume data yang ada. Untuk dapat melayani proses transmisi sinyal video VBR diperlukan suatu media transmisi yang mampu memfasilitasi hal tersebut. Salah satunya adalah jaringan ATM (Asynchronous Transfer Mode). Pentransmisian sinyal video VBR melalui jaringan transmisi ATM dilakukan melalui proses pengkodean data pada sinyal video tersebut dan membentuk kode-kode data tersebut ke dalam bentuk struktur sel ATM melalui proses pemaketan (paketisasi).Proses pemaketan dapat dilakukan dengan menggunakan metode Layered Coding yang membagi data-data menjadi dua prioritas yaitu data prioritas tinggi (High Priority Data/HPD) dan data prioritas rendah (Low Priority Data/LPD), dimana data HPD adalah data-data yang mengandung nilai informasi yang terbesar. Kemudian masing-masing data tersebut dibentuk menjadi paket-paket (sel) ATM dan ditransmisikan melalui kanal yang berbeda.Dari simulasi yang dilakukan diperoleh hasil bahwa metode Layered Coding pada pentransmisian sinyal video VBR dapat mempertahankan kualitas gambar yang dikirim dengan mengirimkan data HPD melalui kanal prioritas tinggi (High Priority Channel). Hilangnya (tidak dikirim) data LPD tidak akan berpengaruh besar pada kualitas gambar yang dihasilkan (PSNR 17,2 dB std 26,5 dB), sedangkan hilangnya sebagian kecil (t 1,5%) data HPD akan menimbulkan pengaruh yang besar (degradasi) pada gambar yang dihasilkan (PSNR 8,62 dB).

---

ABSTRACTGenerally, wide bandwidth and large memory capacities are needed to transmit the video signal. Using bandwidth and memory capacity efficiently and also reducing the transmission cost, the video signal needs a compression process before transmitted. One of the compression technique which is commonly used is Transform Coding based on DCT (Discrete Cosine Transform).The video signal transmission process could be done in two ways i.e. : constant bit rate (CBR) and variable bit rate (VBR). CBR is a constant rate trans-mission which is used in the transmission process where the bandwidth has incapability to accommodate available data volume. VBR is a variable rate trans-mission which is used in the transmission process where the bandwidth has a capability to accommodate available data volume. ATM (Asynchronous Transfer Mode) network is one of the capable transmission media which is used for transmitting the VBR video signal. The VBR video signal transmission through the ATM network has two processes, coding process and packet process.A Layered Coding method is used for the data packet process. This method divides the data into two priorities i.e.: high priority data (HPD) and low priority data (LPD). The HPD is used for the important data stream and the LPD is used for the rest of the data stream (unimportant data). The data (HPD and LPD) is performed into the ATM cells structure and transmitted through a different channel.The simulation results showed that the layered coding method could maintain the VBR video signal quality by transmitting the HPD through a high priority channel. The lost data of LPD does not annoy the reconstructed video quality (PSNR 17.2 dB - 25.5 dB). The lost data of HPD, however, causes degradation in the quality of the reconstructed video (PSNR 8.62 dB)."