Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas analisis perbandingan dua sistem pengenalan rambu lalu lintas yaitu menggunakan metode Generative Learning (GL) dan Support Vector Machine (SVM). GL merupakan metode pengenalan yang baru dikembangkan di mana sampel training dihasilkan dengan memvariasikan sampel yang ada berdasarkan parameter tertentu sehingga dapat mempermudah pembuatan citra untuk training serta dapat memberikan hasil pengenalan yang lebih baik. SVM merupakan metode pengenalan yang telah banyak digunakan dan menggunakan karakteristik vektor untuk memisahkan objek dari latar belakangnya. Sambil berjalan, rambu-rambu lalu lintas direkam oleh kamera video di atas kendaraan bermotor yang hasil rekamannya dianalisis menggunakan kedua metode tersebut. Hasil pengenalan rambu lalu lintas yang dianalisis dalam beberapa kondisi seperti jumlah sampel training, resolusi video, tingkat kecerahan sekitar, dan kecepatan kendaraan kemudian dibandingkan dan dianalisis tingkat akurasinya. Dari hasil percobaan didapat bahwa akurasi pengenalan metode GL lebih baik dibandingkan SVM yaitu dengan persentase masing-masing 95,56% dan 94,67%.

---

This thesis discusses the comparative analysis of two traffic signs recognition system using Generative Learning (GL) and Support Vector Machine (SVM) methods, respectively. GL is a newly developed method in which the training samples are generated by varying samples based on certain parameters which makes it easier to the training images and produce better recognition result. SVM is a method that has been widely used which uses vector characteristics to separate objects from its background. Traffic signs are recorded using a video camera in a moving motorcycle and videos of them are analyzed using both methods. The accuracy of recognition results will be compared under some conditions, such as the number of training imageries, video resolutions, and lighting conditions, and vehicle’s speed. Recognition results showed that GL has better accuracy than SVM, with percentage of 95.56% and 94.67%, respectively."

"Transportation has been a significant industry for big cities for hundreds of years. It is a part of our everyday lives and contributes considerably to a country’s economy. As the population of a certain country keep on increasing as time flies by, the demand for the innovation in the transportation world kept on increasing to keep up with the exponential growth of the industry. One of the technology that is used to handle the increasing demand for transportation analytics is by using big data analytics as it can handle humongous amount of data that are too large or complex to be dealt with traditional data processing application software. Big data analytics has been used through many different kind of applications in the modern era and it has achieve a great number of success in different field of work. A traffic data imputation is proposed in order to solve this problem and there are several imputation methods that are available which has their own plus and minuses. There are traditional data imputation methods that are already used from many years ago such as linear interpolation and regression but it has been proved that this traditional methos still have a low accuracy rating. Hence, a more modernized and more accurate method is introduced which is called the Generative Adversarial Network (GAN).

---

Transportasi telah menjadi industri yang signifikan bagi kota-kota besar selama ratusan tahun. Ini merupakan bagian dari kehidupan kita sheari-hari dan berkontribusi besar terhadap perekonomian suatu negara. Seiring dengan bertambahnya jumlah penduduk suatu negara, permintaan akan inovasi dalam dunia transportasi terus meningkat untuk mengikuti pertumbuhan industri yang eksponensial. Salah satu teknologi yang digunakan untuk menangani peningkatan permintaan ini adalah dengan menggunakan analitik data besar karena dapat menangani data dalam jumlah yang terlalu besar dan kompleks untuk ditangani dengan aplikasi perangkat lunak pengolah data tradisional. Dalam menjalankan Analisa menggunakan analisis data besar, ada masalahnya yang muncul yaiu hadirnya data data yang tidak lengkap. Sebuah metode imputasi data diusulkan untuk mengatasi masalah ini seperti interpolasi linier dan metode yang lebih modern dan akurat digunakan pada skripsi ini yang disebut jaringan berlawanan generatif."

"The book is the third in a series of timely and indispensable books on fertility preservation for cancer patients—the first one focused on advances in basic science research and the second one offered ethical, legal, and social perspectives on the theme. This book elucidates the latest practices and emerging treatments in oncofertility and provides necessary information on the successes, risks, and limitations of fertility preserving technologies. Authoritative and insightful, written by an impressive multi-disciplinary cadre of specialists, this book is a valuable up-to-date resource for all those practicing in this demanding field."

"Radiology illustrated : gynecologic imaging is an up-to-date, image-oriented reference in the style of a teaching file that has been designed specifically to be of value in clinical practice. Individual chapters focus on the various imaging techniques, normal variants and congenital anomalies, and the full range of pathology. Each chapter starts with a concise overview, and abundant examples of the imaging findings are then presented.In this second edition, the range and quality of the illustrations have been enhanced, and image quality is excellent throughout. Many schematic drawings have been added to help readers memorize characteristic imaging findings through pattern recognition. The organization of chapters by disease entity will enable readers quickly to find the information they seek. Besides serving as an outstanding aid to differential diagnosis, this book will provide a user-friendly review tool for certification or recertification in radiology."

"This textbook provides a comprehensive review of gynecological imaging in infancy, childhood, and adolescence. Experts from the disciplines of pediatric radiology, gynecology, surgery, and endocrinology have come together to produce a textbook that, while written primarily from the perspective of the radiologist, will be of value to all professionals involved in the management of these patients. The normal development of the female reproductive tract is described in detail through embryological development, normal childhood appearances, and puberty. Congenital abnormalities are addressed in chapters reviewing structural abnormalities of the reproductive tract and disorders of sex development. A symptoms-based approach is followed in chapters devoted to the assessment of the patient with gynecological pain and disorders of menstruation. Disorders of the breast and the imaging of patients with gynecological neoplasia are considered in dedicated chapters."

"Abstract. Tesis ini mencoba menunjukkan metode perancangan berbasis material dengan mendefinisikan parameter materialitas suatu material untuk menghasilkan bentuk (form-generation). Kesimpulan dari Tesis ini adalah membuat susunan parameter materialitas yang akan digunakan sebagai form-generation dalam generative design. Melalui metode ini material yang umumnya hanya dianggap sebagai pelengkap, mampu menjadi inspirasi utama atau pertimbangan dasar utama dalam proses desain. Yaitu dengan mengintegrasikan material, bentuk dan struktur dalam prosesnya sebagai Generative Design. Mencari integrasi antara ketiganya dapat dilakukan dengan menggunakan pendekatan Material-Based Design. Pendekatan material-based design dilakukan sebagai pencarian untuk menemukan dan membongkar sehingga materialitas suatu material dapat diterjemahkan sebagai parameter sebagai form generation dalam Genetaive Design. Bahan yang dipilih dalam percobaan makalah ini adalah tebu. Untuk menerjemahkan materialitas tebu menjadi parameter desain dalam Material-based design dapt dilakukan melalui proses Materializing dan Morfogenesis untuk menemukan Material System dari maerial tebu tersebut. Materializing adalah pemberian nilai-nilai materialitas yang secara faktual dideskripsikan atau dapat disebut sifat material dari suatu material, dalam kasus tebu, contoh sifat bahan tebu adalah tinggi, berat, kekuatan, warna dan sebagainya. Sedangkan Morphigenesis adalah proses menerjemahkan perilaku yang didefinisikan dari materi menjadi nilai-nilai. Dalam kasus tebu, contoh bahan perilaku adalah respon dari tekstur dan warna kulit tebu terhadap suhu dan kelembaban. Kondisi suhu dan kelembaban dengan nilai yang berbeda membuat tekstur dan warna tebu menjadi beragam, respons ini disebut material behaviour. Tetapi yang penting adalah, karena metode ini didasarkan pada materialitas, bagaimana proses menggambarkan materialitas tebu sangat penting. Saya menggunakan teori dari Tim Ingold (2007) tentang bagaimana materialitas harus didefinisikan. Konsep sederhana materialitas yang ia jelaskan adalah bahwa untuk mengetahui materialitas sesuatu, apa yang diperlukan untuk menggambarkan apa yang membuat sesuatu menjadi sesuatu. Maka menjadi penting untuk melihat tebu, dan bagaimana tebu bisa menjadi tebu. Oleh karena itu, percobaan dan pengamatan kisah di balik tebu menjadi tebu didefinisikan dan kemudian diterjemahkan ke dalam Material-Based DesignAbstract.

---

This thesis tries to show the material-based design method by defining the materiality parameters of a material to produce form (generation). The conclusion of this thesis is to make materiality parameter arrangement that will be used as form-generation in generative design. Through this method material which is generally only considered as a complement, is able to be the main inspiration or the main basic consideration in the design process. Namely by integrating materials, forms and structures in the process as Generative Design. Looking for integration between the three can be done using the Material-Based Design approach. Material-based design approach is carried out as a search to find and dismantle so that materiality of a material can be translated as parameters as form generation in Genetaive Design. The material chosen in this paper experiment is sugar cane. To translate sugarcane materiality into design parameters in Material-based design can be done through the process of Materializing and Morphogenesis to find the Material System of the sugarcane maerial. Materializing is the giving of materiality values that are factually described or can be called the material properties of a material, in the case of sugarcane, examples of the properties of sugarcane material are height, weight, strength, color and so on. Whereas Morphigenesis is the process of translating behavior that is defined from matter into values. In the case of sugar cane, an example of behavioral material is the response of the texture and color of sugarcane skin to temperature and humidity. Temperature and humidity conditions with different values make the texture and color of sugarcane become diverse, this response is called material behavior. But what is important is, because this method is based on materiality, how the process of describing sugarcane materiality is very important. I use a theory from the Ingold Team (2007) about how materiality must be defined. The simple concept of materiality which he explains is that to know the materiality of something, what is needed to describe what makes something becomes something. Then it becomes important to see sugar cane, and how sugar cane can become sugar cane. Therefore, the experiment and observation of the story behind sugar cane to sugar cane is defined and then translated into Material-Based Design."

"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."

"Tugas Akhir ini menelaah least square adversarial autoencoder yang menggunakan least square generative adversarial network sebagai diskriminatornya. Diskriminator tersebut meminimalkan fungsi Pearson χ 2 divergence antara distribusi variabel laten dan suatu distribusi apriori. Adanya diskriminator memungkinkan autoencoder untuk membangkitkan data yang memiliki karakteristik yang menyerupai sampel pembelajarannya. Penelitian ini dilakukan dengan membuat program yang memodelkan least square adversarial autoencoder. Program memodelkan dua jenis autoencoder yaitu unsupervised least square adversarial autoencoder dan supervised least square adversarial autoencoder dengan memanfaatkan dataset MNIST dan FashionMNIST. Unsupervised least square adversarial autoencoder menggunakan variabel laten berdimensi 20 sementara supervised least square adversarial autoencoder menggunakan variabel laten masing-masing berdimensi 2, 3, 4, dan 5. Program diimplementasikan menggunakan framework PyTorch dan dieksekusi menggunakan Jupyter Notebook. Seluruh aktivitas pemrograman dilakukan pada environment cloud yang disediakan oleh Floydhub dan Tokopedia-UI AI Center yang masing-masing menggunakan GPU NVIDIA Tesla K80 dan NVIDIA Tesla V100 sebagai perangkat komputasinya. Proses pembelajaran pada unsupervised least square adversarial autoencoder berlangsung selama dua jam sementara pada supervised least square adversarial autoencoder berlangsung selama enam jam. Berdasarkan hasil eksperimen, nilai mean squared error unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 0.0063 dan 0.0094. Sementara itu, nilai mean squared error supervised least square adversarial autoencoder pada dataset MNIST sebesar 0.0033. Selanjutnya, nilai Frechet Inception Distance unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 15.7182 dan 38.6967. Sementara itu, nilai Frechet Inception Distance supervised least square adversarial autoencoder pada dataset MNIST sebesar 62.512. Hasil tersebut menunjukkan bahwa least square adversarial autoencoder mampu merekonstruksi citra dengan baik, namun kurang mampu membangkitkan citra dengan kualitas sebaik sampel pembelajarannya.

---

This Final Project (Tugas Akhir) investigates the least square adversarial autoencoder that uses least square generative adversarial network as its discriminator. The discriminator minimizes the Pearson χ 2 divergence between the latent variable distribution and the prior distribution. The presence of discriminator allows the autoencoder to generate data that has characteristics that resemble the original data. Python programs were developed to model the least square adversarial autoencoder. This programs try to model two types of autoencoder namely unsupervised least square adversarial autoencoder and supervised least square adversarial autoencoder by utilizing MNIST dataset and FashionMNIST dataset. The unsupervised least square adversarial autoencoder uses latent variables of dimension 20 while the supervised least square adversarial autoencoder uses latent variables with dimensions of 2, 3, 4, and 5, respectively. This programs were implemented using PyTorch and executed using Jupyter Notebook. All of the programming activities are carried out in the cloud environment provided by Floydhub and Tokopedia-UI AI Center, respectively using NVIDIA Tesla K80 GPU and NVIDIA Tesla V100 GPU as their computing resource. Training time in unsupervised least square adversarial autoencoder lasts for two hours while in supervised least square adversarial autoencoder lasts for six hours. The Results of experiments show that the mean squared error of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 0.0063 and 0.0094, respectively. Meanwhile, the mean squared error of supervised least square adversarial autoencoder for MNIST dataset is 0.0033. Furthermore, the Frechet Inception Distance scores of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 15.7182 and 38.6967, respectively. Meanwhile, the value of Frechet Inception Distance score of supervised least square adversarial autoencoder in MNIST dataset is 62.512. These results indicate that the least square adversarial autoencoder is able to reconstruct the image properly, but is less able to generate images with the same quality as the learning sample."

"Studi ini mengangkat arsitektur yang menyeimbangkan berbagai kondisi alam melalui transformasi elemen mikro. Alam semesta dipersepsikan melalui pemahaman terkait dimensi dan skala elemen-elemen yang ada di dalamnya. Performa alam hadir dan dibatasi dalam dimensi ruang dan waktu yang dialami manusia. Melalui tugas akhir ini, penulis mencoba untuk menggali secara mikro mekanisme deformasi bio-chemical-physical yang terjadi secara natural di alam. Studi ini memfokuskan pada mekanisme mikro dari fenomena amorf di alam, secara spesifik, yakni deformasi alam yang terjadi karena lumut, korosi, dan erosi. Pemahaman akan mekanisme mikro tersebut dimanfaatkan sebagai landasan perancangan arsitektur generatif yang merespon isu kontaminasi substansi dalam konteks alam. Temuan kajian ini memungkinkan terjadinya persilangan elemen mikro yang dimanfaatkan untuk menyeimbangkan berbagai kondisi alam melalui proses deformasi.

---

This study explores architecture that balances different natural conditions through micro transformation of natural elements. Nature is perceived through understanding regarding dimension and scale of its elements. Nature performance exists and is limited by space and time dimension. Through this final project, the author tries to explore micro-mechanisms of bio-chemical-physical deformation that occurs naturally in nature and tries to transform and translate these micro-mechanisms in response to issues and macro contexts through bio-chemical engineering. This study focuses on the micro mechanism of natural amorphic phenomenon, specifically regarding natural deformation that exists due to moss, corrosion, and erosion. Understanding of such micro mechanisms is used as the basis of generative architecture that responds to substantive contamination in nature. Findings of this study enable crossover of micro elements that are utilised to balance different natural conditions through the deformation process."

"Pembuatan dataset emosi wajah membutuhkan sumber daya dan waktu yang banyak. Salah satu solusi menyelesaikan permasalahan ini adalah menggunakan Generative Adversarial Network (GAN) untuk melakukan augmentasi data pada data emosi wajah. Namun, jumlah data yang terbatas membuat GAN belum dapat menghasilkan citra yang beragam. Salah satu pendekatan yang dapat dilakukan untuk mengatasi hal tersebut adalah penggunaan energy function untuk membuat probability function yang lebih detail. Penelitian ini bertujuan untuk merancang sebuah model dengan menggunakan EB-GAN dan attention untuk mengatasi masalah translasi gambar dengan emosi Neutral menjadi gambar dengan emosi dasar. Eksperimen yang dilakukan pada penelitian ini bertujuan untuk melakukan modifikasi terhadap arsitektur DINO dengan menambahkan attention untuk meningkatkan kualitas hasil translasi model. Hasil translasi model dievaluasi menggunakan emotion recognition untuk mengetahui akurasi emosi yang dihasilkan. Pada penelitian ini terlihat bahwa penggunaan attention tidak dapat meningkatkan akurasi DINO dikarenakan terdapat banyaknya fitur pembeda antar emosi yang tersebar pada wajah. Pada penelitian ini DINO pada dataset berwarna menghasilkan akurasi sebesar 96.78% dan DINO pada dataset grayscale menghasilkan akurasi sebesar 94.50%. Dalam pembuatan dataset baru, DINO menghasilkan akurasi sebesar 83% untuk dataset berwarna dan 85.6% untuk dataset grayscale.

---

Creating a facial emotion dataset requires a lot of resources. To solve this problem, previous research utilizes Generative Adversarial Networks (GANs) to create artificial data. However due to the limited number of available data, this would affect the GANs itself and would result in generating a less diverse data. One way to solve this problem is to use an energy function to create a more detailed probability function. This research aimed to create a model based on EB-GAN and attention to solve problems during translating a neutral image into an image with a basic emotion. This experiment uses a variation of EB-GAN for image translation, DINO, and modify its architecture by adding attention modules to improve the performance of the model during translation. The result of the experiments are evaluated using emotion recognition systems. This results show that the use of attention did not improve the performance of DINO. This is due the fact that each emotion have multiple features and the location of the features are scattered within a face. This experiment shows that DINO obtained the highest accuracy in both colored (RGB) and grayscale data. DINO obtains a 96.78% accuracy for colored (RGB) data and 94.50% for grayscale data. During the creation of new dataset, DINO obtained an accuracy of 83% for colored (RGB) data and 85.6% for grayscale data."