Hasil Pencarian  ::  Simpan CSV :: Kembali

"Citra satelit digunakan untuk memperoleh informasi mengenai area permukaan bumi agar dapat digunakan dalam berbagai keperluan. Misalnya, mendeteksi perubahan yang terjadi pada area yang terdampak bencana alam, mendeteksi perubahan area hutan dan lahan pertanian, keperluan keamanan nasional, pengamatan meteorologi, dan sebagainya. Namun citra yang dihasilkan ini biasanya terkontaminasi oleh partikel aerosol di udara yang ditunjukkan dengan adanya kabut atau awan yang mengakibatkan hilangnya informasi mengenai permukaan bumi pada citra tersebut. Salah satu metode yang banyak digunakan untuk proses menghapus awan pada citra satelit adalah Dark Channel Prior (DCP). DCP banyak dikombinasikan dengan beberapa metode untuk meningkatkan hasil yang diperoleh, salah satunya yaitu metode Low-rank. Pada penelitian ini diusulkan penggunaan diagram Voronoi pada metode Low-rank yang telah dikombinasikan dengan metode DCP. Nilai rata-rata PSNR dan SSIM yang diperoleh yaitu 9.93 dan 0.3572. Nilai PSNR dan SSIM yang diperoleh tidak menunjukkan adanya paningkatan dibandingkan dengan metode pembandingnya, namun berdasarkan hasil akhir visualisasi citra yang diperoleh menunjukkan bahwa terdapat peningkatan dalam hasil penghapusan awan. Hal ini menunjukkan masih perlu dilakukan peningkatan rekonstruksi citra agar nilai PSNR dan SSIM yang diperoleh sesuai dengan peningkatan hasil penghapusan awan melalui penggunaan diagram Voronoi.

---

Satellite imagery is used to obtain information about the Earth’s surface area for various purposes. For example, it is used to detect changes in areas affected by natural disasters, monitor changes in forest and agricultural lands, address national security needs, observe meteorological conditions, and more. However, the resulting satellite images are often contaminated by aerosol particles in the air, indicated by haze or clouds, which lead to the loss of information about the Earth’s surface in those images. One widely used method for cloud removal from satellite images is the Dark Channel Prior (DCP). DCP is often combined with several other methods to enhance the results, one of which is the Low-rank method. In this research, the use of the Voronoi diagram for the Low-rank method, combined with the DCP, is proposed. The average PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index) values obtained are 9.93 and 0.3572. The PSNR and SSIM values obtained did not show an increase compared to the comparison method, but based on the final image visualization results obtained, it showed that there was an increase in the cloud removal results. This shows that it is still necessary to improve image reconstruction so that the PSNR and SSIM values obtained are in accordance with the increase in cloud removal results through the use of Voronoi diagram."

"Perkalian matriks sparse dan vektor adalah operasi yang banyak digunakan, misalnya pada metode iterative untuk penyelesaian sistem persamaan linier yang sparse. Ukuran matriks sparse yang digunakan biasanya cukup besar dan memiliki densitas yang rendah. Hal ini mengakibatkan algoritma yang biasa digunakan untuk matriks padat menjadi tidak efisien. Dengan menggunakan karakteristik dari matriks sparse kita dapat menggunakan algoritma yang lebih efisien. Salah satu cara yang biasa digunakan adalah dengan menggunakan struktur data yang khusus untuk matriks sparse. Salah satu struktur data untuk menyimpan matriks sparse adalah compressed storage row (CSR). Tulisan ini memberikan gambaran hasil yang diperoleh pada percobaan perkalian matriks sparse dan vektor (SMVM) menggunakan format CSR dibandingan dengan perkalian matriks dense dan vektor. Selain itu dilakukan optimisasi pada SMVM tersebut dengan menggunakan reordering matriks, fungsi perkalian vektor? vektor yang telah dioptimisasi, penghilangan akses memori tidak langsung, serta static linking. Untuk tiap percobaan dilakukan pengukuran terhadap jumlah operasi bilangan floating point serta waktu yang diperlukan untuk melakukan SMVM. Tiap percobaan diimplementasikan menggunakan bahasa C++ pada sistem operasi Linux. Hasil yang diperoleh pada percobaan tersebut adalah terjadi penurunan waktu yang diperlukan untuk SMVM dengan menggunakan format CSR dibandingkan perkalian matriks dense?vektor. Selain itu reordering matriks dapat lebih mengurangi waktu dengan meningkatkan lokalitas nilai?nilai tidak nol pada matriks. Untuk optimisasi lain yang dilakukan tidak didapatkan hasil yang signifikan. Sedangkan nilai mega jumlah operasi bilangan floating point perdetik (mflop/s) berfluktuasi sesuai dengan struktur matriks yang dioperasikan."

"Computational scientists often encounter problems requiring the solution of sparse systems of linear equations. Attacking these problems efficiently requires an in-depth knowledge of the underlying theory, algorithms, and data structures found in sparse matrix software libraries. Here, Davis presents the fundamentals of sparse matrix algorithms to provide the requisite background. The book includes CSparse, a concise downloadable sparse matrix package that illustrates the algorithms and theorems presented in the book and equips readers with the tools necessary to understand larger and more complex software packages.With a strong emphasis on MATLAB and the C programming language, Direct Methods for Sparse Linear Systems equips readers with the working knowledge required to use sparse solver packages and write code to interface applications to those packages. The book also explains how MATLAB performs its sparse matrix computations."

"Iterative Methods for Sparse Linear Systems, Second Edition gives an in-depth, up-to-date view of practical algorithms for solving large-scale linear systems of equations. These equations can number in the millions and are sparse in the sense that each involves only a small number of unknowns. The methods described are iterative, i.e., they provide sequences of approximations that will converge to the solution.This new edition includes a wide range of the best methods available today. The author has added a new chapter on multigrid techniques and has updated material throughout the text, particularly the chapters on sparse matrices, Krylov subspace methods, preconditioning techniques, and parallel preconditioners. Material on older topics has been removed or shortened, numerous exercises have been added, and many typographical errors have been corrected. The updated and expanded bibliography now includes more recent works emphasizing new and important research topics in this field."

"This is book devoted to the systematic study of sparse graphs and sparse finite structures. Although the notion of sparsity appears in various contexts and is a typical example of a hard to define notion, the authors devised an unifying classification of general classes of structures. This approach is very robust and it has many remarkable properties. For example the classification is expressible in many different ways involving most extremal combinatorial invariants. This study of sparse structures found applications in such diverse areas as algorithmic graph theory, complexity of algorithms, property testing, descriptive complexity and mathematical logic (homomorphism preservation,fixed parameter tractability and constraint satisfaction problems). It should be stressed that despite of its generality this approach leads to linear (and nearly linear) algorithms. "

"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."