Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dalam pengenalan objek pada sistem pengawasan lalu lintas dibutuhkan sebuah metode yang mampu membedakan antara objek dan non objek. Salah satu metode umum yang biasa digunakan adalah background subtraction. Background subtraction menjadi bagian awal yang penting dari sebuah aplikasi dalam metode computer vision. Hasil dari background subtraction biasanya digunakan dalam proses pada level yang lebih tinggi. Kami mengajukan sebuah metode Gaussian Mixture Model (GMM) dengan algoritma Hole Filling(HF). Ide utama dari pendekatan yang diajukan karena hasil dari GMM menghasilkan noisy image yang berasal dari kesalahan klasifikasi. Hal ini terjadi karena berbagai situasi (waving trees, rippling water dan illumination change). Metode HF yang sederhana mampu meningkatkan akurasi hingga 97,9% dan Kappa statistic hingga 0,74 dengan mengurangi kesalahan klasifikasi dari GMM. Hasil eksperimen and evaluasi pada pixel level menunjukkan bahwa GMMHF mampu unggul dari metode yang lain. Dengan peningkatan kinerja deteksi kendaraan menggunakan GMMHF, estimasi kecepatan kendaraan mendapatkan perbaikan. GMMHF yang dipadukan dengan Pin Hole model menghasilkan estimasi kecepatan terbaik dibandingkan skenario lainnya, dimana simpangan ratarata sebesar 7,4 Km/jam. .......There is a necessity in traffic control system using camera to have the capability to discriminate between an object and non-object in the image. One of the procedure to discriminate between those two is usually performed by background subtraction. Gaussian Mixture Model (GMM) is popular method that has been employed to tackle the problem of background subtraction. However, the output of GMM is a rather noisy image which comes from false classification. This situation may arise because several conditions in the video input such as, waving trees, rippling water, and illumination changes. In this paper, a version of GMM technique which is combined with Hole Filling Algorithm (HF) classifier is proposed to alleviate those has problems. The experimental result shows that the proposed method improved the accuracy up to 97.9% and Kappa statistic up to 0.74. This result has outperformed many similar methods that is used for evaluation. With improvement of vehicles detection performance using GMMHF, vehicle?s speed estimation also improved. GMMHF that combined with Pin Hole Model produce the best speed estimation compared with other scenarios, where standard deviation is 7,4 Km/hr.

Abstrak :
Pada skripsi ini dibuat perangkat lunak simulasi modulator dan demodulator GMSK ( Gaussian faltered Minimum Shift Keying) yang bertujuan untuk mengetahui proses modulasi yang terjadi pada modulator serta unjuk kerja demodulator dalam menerjemahkan sinyal GMSK termodulasi yang telah dipengaruhi oleh faktor pengganggu, yaitu Additive White Gaussian Noise (AWGN) dan fading Rayleigh. Demodulator yang digunakan adalah demodulator deteksi differensial Z bit. Simulasi ini dibuat dengan bahasa pemrograman Borland Delphi for Windows. Analisa proses modulasi dan demodulasi dilakukan dengan mengamati bentuk-bentuk sinyal yang terjadi pada setiap tahapan proses. Dari uji cobs simulasi maka dapat dianahsa karakteristik unjuk kerja demodulator deteksi differensial Z bit, yaitu berupa laju kesalahan bit atau Bit Error Rate (BER) sebagai fungsi dari perbandingan energi tiap bit terhadap kepadatan noise, EblN. Selain itu dianalisa juga perbandingan unjuk kerja demodulator antara kanal yang tidak dipengaruhi fading Rayleigh dengan kanal yang dipengaruhi fading Rayleigh. Dan pada simulasi ini diperlihatkan juga pengaruh perubahan konstanta BcT terhadap unjuk kerja demodulator. Dari anahsa hasil simulasi tersebut dapat diketahui bahwa fading Rayleigh mengakibatkan penurunan unjuk kerja demodulator, dan dari analisa hash simulasi dapat diketahui jugs bahwa semakin besar harga konstanta BtT, semakin baik unjuk kerja demodulator.

Abstrak :
Penelitian ini bertujuan untuk menghitung cadangan kerugian dengan menerapkan regresi Gaussian Process untuk memperkirakan klaim di masa mendatang. Pemodelan dilakukan pada data asuransi kendaraan bermotor. Hasil estimasi memperlihatkan bahwa metode Regresi Proses Gaussian sangat fleksibel dan dapat diterapkan tanpa banyak penyesuaian. Hasil ini juga dibandingkan dengan metode Chain Ladder. ......This study aims to calculate the allowance for losses by applying Gaussian Process regression to estimate future claims. Modeling performed on motor vehicle insurance data. The estimation results show that the Gaussian Process Regression method is very flexible and can be applied without much adjustment. These results were also compared with the Chain Ladder method.

Abstrak :
Gaussian processes can be viewed as a far-reaching infinite-dimensional extension of classical normal random variables. Their theory presents a powerful range of tools for probabilistic modelling in various academic and technical domains such as Statistics, Forecasting, Finance, Information Transmission, Machine Learning, to mention just a few. The objective of these Briefs is to present a quick and condensed treatment of the core theory that a reader must understand in order to make his own independent contributions. The primary intended readership are PhD/Masters students and researchers working in pure or applied mathematics. The first chapters introduce essentials of the classical theory of Gaussian processes and measures with the core notions of reproducing kernel, integral representation, isoperimetric property, large deviation principle. The brevity being a priority for teaching and learning purposes, certain technical details and proofs are omitted. The later chapters touch important recent issues not sufficiently reflected in the literature, such as small deviations, expansions, and quantization of processes.

Abstrak :
Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing. ......Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions.