Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Pada perusahaan notebook computer, mengatur inventaris komponen untuk pusat servis adalah penting. Meskipun banyak penelitian yang telah dilakukan untuk memprediksi waktu perbaikan dan volume perbaikan pada komponen notebook computer, penelitian mengenai rekognisi pola pada kerusakan komponen di notebook computer terbatas. Pada penelitian ini, dalam rangka untuk memberikan input berharga terhadap praktik manajemen inventaris pada pusat perbaikan notebook computer, riset ini berfokus pada upaya untuk merekognisi pola kerusakan komponen pada notebook computer. Sejarah perbaikan yang bersifat urutan dikumpulkan dari sebuah pusat perbaikan notebook computer di Taiwan dan dijadikan sebagai sekuen observasi pada Hidden Markov Model HMM . Sementara itu, kerusakan komponen dijadikan sebagai hidden states dari model ini. Setelah dilkaukan pre-proses data, struktur HMM yang tidak imbang ditemukan. Untuk menyelesaikan ini, algoritma cellular Genetic Algorithm cGA dengan mekanisme dominansi kromosom digunakan untuk mengestimasi HMM. Lebih lanjut, untuk meningkatkan performa dari algoritma, sebuah fitur adaptif untuk mengganti dominansi rasio kromosom dan sebuah fitur untuk mengestimasi ulang fitness value dengan menggunakan Baum-Welch Algorithm diimplementasikan. Algoritma ini kemudian disebut Adaptive cGA-BW dan setelah itu digunakan untuk mengestimasi HMM dari 2099 sekuen observasi. Sebuah studi komparatif dilakukan terhadap algoritma konvensional untik mengestimasi HMM dan varian cGA lainnya telah dilakukan. Pada penelitian ini algoritma yang diajukan memiliki performa yang lebih baik secara signifikan. Hasil ini dikonfirmasi dengan test Kruskal-Wallis. Untuk mengetahui pola keruskan komponen paling mungkin terjadi, Viterbi Algorithm digunakan untuk menerjemahkan 70 sekuen observasi paling sering terjadi dengan menggunakan model yang telah diestimasi oleh Adaptive-cGA BW.

---

ABSTRACT
For notebook computer companies, managing component inventory for repair service centers is vital. While there are many works performed forecast in repair time and repair volume of components, there is a limited number of research performs the pattern recognition for component failure in notebook computers. This work, in the quest of providing valuable inputs for the inventory management practice of repair service center, will focus recognizing the pattern of component failure in notebook computers. Sequential repair history was gathered from a notebook computer repair service center in Taiwan and treated as sets of observations sequences of a hidden Markov model HMM. Meanwhile, the component failure is treated as the hidden states. The pre processing of raw data is carried out and revealed an imbalanced HMM structure. To tackle this, a cellular Genetic Algorithm cGA with dominance chromosome mechanism is proposed to train the HMM. Furthermore, to enhance the performance of the proposed algorithm, an adaptive feature to switch the dominance chromosome ratio and a feature to re estimate the fitness value using Baum Welch Algorithm is proposed. This proposed algorithm is then called Adaptive cGA BW and, subsequently trained the HMM for 2099 observation sequence instances. A comparative study among conventional algorithm to train the HMM and other variants of cGA is employed. This study shows Adaptive cGA BW performed significantly better than Baum Welch Algorithm. This result is verified by Kruskal Wallis test. To understand the most probable component failure pattern, Viterbi Algorithm based on the HMM trained by Adaptive cGA BW is implemented. The algorithm decoded the 70 most occurring observation sequences to component failure patterns. These patterns are ranked by their probability of happening.

Abstrak :
Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan jenis kawanan ikan dengan metode Hidden Markov Model ( HMM ) dari pendeteksian bentuk fish schooling yang teriihat pada echogram fish finder. Hal ini didasarkan pada teori bahwa ikan mempunyai bentuk schooling atau pergerakan berkelompok dengan struktur dan irama yang unik. Data untuk proses pengenalan diperoleh dari database Balai Penelitian Departemen Kelautan dan Perikanan yang melakukan observasi di laut Jawa pada bulan Desember 2005. Dalam penelitian ini image dari kawanan ikan dengan bentuk tertentu, yang teriihat pada echogram, dibentuk ke matrix dengan sampling dan graylevel quantization kemudian diplot menjadi gelombang dengan durasi tertentu. Gelombang-gelombang tersebut diubah ke domain frekuensi menjadi bilangan vector yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook sebagai data base. Pada proses pengenalan dihitung besar log of probability HMM untuk semua jenis ikan berdasarkan nilai codeword dari nilai sample point ikan. Dari percobaan yang dilakukan didapatkan tingkat akurasi yang cukup tinggi untuk mendeteksi jenis schooling ikan yakni persen akurasi hingga 92%.

Abstrak :
Model Hidden Markov Model-GARCH(1,1) atau HMM-GARCH(1,1) adalah model runtun waktu yang berfungsi untuk memprediksi volatilitas di masa depan dengan mengelompokan volatilitas yang menggunakan konsep HMM. Model ini merupakan perluasan dari model Markov Regime Switching-GARCH(1,1) atau MRS-GARCH(1,1). Volatilitas diketahui mengikuti proses rantai markov yang tersembunyi, dimana proses rantai Markov yang dapat diobservasinya adalah return dari sebuah instrumen investasi sehingga digunakan proses hidden Markov. Pada skripsi ini, akan dibahas mengenai bentuk, metode estimasi, dan metode peramalan pada model HMM-GARCH(1,1). Pengestimasian parameter pada bagian HMM-nya menggunakan algoritma Baum-Welch dan runtun waktu akan dibagi menjadi beberapa bagian menggunakan algoritma Viterbi. Lalu parameter pada bagian GARCH(1,1)-nya akan diestimasi menggunakan metode Maximum Likelihood Estimation. Metode pengestimasian dari HMM-GARCH(1,1) ini kemudian akan diaplikasikan pada indeks Standard & Poor 500 atau S&P500. Hasilnya model HMM-GARCH(1,1) memiliki Mean Squared Error atau MSE dan Bayesian Criterion Information atau BIC yang lebih baik dari model GARCH(1,1). ......Hidden Markov Model-GARCH(1,1) or HMM-GARCH(1,1) model is a time series model to predict future volatility by dividing the level of volatility and using HMM. This model is an extension from Markov Regime Switching-GARCH(1,1) or model MRS-GARCH(1,1) model. Volatility is known to follow a hidden Markov chain process, which the observable Markov Chain is the return from an investment asset. In this undergraduate thesis, it will be discussed the structure, estimation method, and forecasting method of HMM-GARCH(1,1) model. Baum-Welch algorithm is used to estimate the HMM's parameter, and Viterbi algorithm will be used to divide the time series into some regimes. For the GARCH(1,1) part, Maximum Likelihood Estimation is used to estimate the parameter. The parameter estimation method of HMM-GARCH(1,1) will be applied to Standard & Poor 500 Index or S&P500. HMM-GARCH(1,1) have better Mean Squared Error or MSE and Bayesian Criterion Information or BIC compared to GARCH(1,1).

Abstrak :
Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metode Hidden Markov Model (HMM) yang telah diprogram ke DSK TMS320C6713. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik. Pada Tahap identifikasi dengan metode HMM tingkat pengenalan bias mencapai 100% dengan menggunakan ukuran codebook 128 bit dan jumlah pelatihan 15 sample dan 7 state HMM.

---

This final project was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement. The reflected waves was recognized using the Hidden Markov Model which was programmed in the DSK TMS320C6713. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic. In the recognition process with Hidden Markov Model (HMM) could reach 100% accuracy using the codebook size of 128 bit, training samples of 15 data and 7 states of HMM.

Abstrak :
Darah merupakan unsur dalam tubuh manusia yang memiliki peran penting dalam mekanisme kerja tubuh. Banyak informasi penting yang terkandung dalam darah, termasuk informasi penyakit yang diderita seseorang. Pentingnya informasi tersebut ditambah kebutuhan diagnosis dini untuk mempercepat penanganan suatu penyakit, maka citra darah sangat vital sebagai media dalam proses pengenalan penyakit. Dengan menggunakan citra darah, proses pengenalan penyakit menjadi lebih mudah dan cepat karena tidak diperlukan proses reaksi kimia dengan darah. Dalam skripsi ini dilakukan perancangan proses pengenalan penyakit leukemia dari citra darah dengan menggunakan metode Hidden Markov Model (HMM). Prosesnya melibatkan dua tahap proses utama yaitu proses pembentukan database dan proses pengenalan. Pada tahap pembentukan database, citra darah diubah menjadi vector sebagai titik sample dan titik-titik yang terdekat akan dikuantisasi menjadi centroid atau codeword. Kumpulan codeword akan disimpan berupa codebook di dalam database. Pengenalan dilakukan dengan membandingkan besaran log of probability HMM yang dihitung berdasarkan titik sample dari setiap sample citra darah. Dengan menggunakan codebook berukuran 32, 64 dan 128 dengan jumlah repetisi 5 dan 10 kali, diperoleh tingkat akurasi pengenalan penyakit darah antara 60% sampai 82,76%.

---

Blood is a part of human body which plays an important role in the body mechanism. Important informations could be achieved from blood, including information of diseases. This kind of information is very essential in order to diagnose the disease as early as possible. Blood cells in digital format will be easier to analyze using computers and the process itself could be performed faster than conventional methods, since it needs no chemical reactions in the process. In this research, the disease identification for leukemia is performed from blood imageries analyzed using Hidden Markov Model (HMM). The whole process consists of two main processes: database construction and recognition. In the first process, blood image will be transformed to vectors as sample points and the nearest points will be quantized as centroids or codewords. The collection of codewords is built in codebook database. Recognition process is performed by taking the largest value of HMM?s log of probability from sample points of several blood images. Based on the simulation results, using codebook 32, 64 and 128 with repetition 5 and 10 times, the accuration levels of the recognition results are between 60% and 82.76%.

Abstrak :
Skripsi ini berisi tentang pengidentifikasian biometrik melalui pola pembuluh darah telapak tangan dengan menggunakan metode Hidden Markov Model (HMM), dengan membandingkan keseluruhan sistem terhadap perubahan ukuran codebook dan jumlah iterasi. Metode HMM secara garis besar terdiri dari dua tahapan proses, yakni proses training database, dan proses identifikasi. Pada sistem pengidentifikasian ini, gambar pembuluh darah telapak tangan yang digunakan adalah gambar dari database CASIA-MS-PalmprintV1 yang dikumpulkan oleh Chinese Academy of Sciences Institute of Automation (CASIA). Gambar tersebut terlebih dahulu diolah dengan menentukan ROI. ROI yang sudah didapatkan kemudian diekstraksi dengan melakukan penambahan kontras, pengubahan gambar ke biner dan melakukan thinning terhadap garis-garis yang ada pada gambar sehingga pola pembuluh darah terlihat jelas.

---

This thesis contains a biometric identification through palm vein patterns using Hidden Markov Models (HMM), by comparing the overall system to changes in the size of the codebook and the number of iterations. HMM method mainly consists of two stages of the process, first one is database training process, and the identification process. This identification system is using palm vein images from Casia-MS-PalmprintV1 database that collected by the Chinese Academy of Sciences Institute of Automation (Casia). First, images are processed by determining the ROI. ROI then extracted by adding contrast, convert to binary image and do the thinning of the lines in the image so that the pattern of vein clearly visible.

Abstrak :
Sejak awal ditemukannya komputer hingga kini, manusia berinteraksi dengan komputer melalui papan ketik (keyboard). Upaya untuk memberikan kemampuan guna mengenali ucapan oleh komputer akan memperluas lingkup penggunaanya. Meciptakan komputer yang dapat mengenali ucapan manusia merupakan hal yang kompleks dan melibatkan berbagai disiplin ilmu. Dalam skripsi ini akan digrnikan perancangan sistem pengenalan ucapan untuk mengenali ke-6 vokal dalam Bahasa Indonesia dan kata dalam bahasa Indonesia dengan metoda-metoda yang sebagian besar merupakan peniruan dari fungsi (kemampuan) manusia. Metoda-metoda yang digunakan meliputi pemisahan sinyal ucapan dengan bukan ucapan (kesenyapan atau derau latar belakang). Ekstraksi ciri dengan pengkodean prediksi linear (Linear Predictive Code, LPQ yang dapat dengan baik merepresentasikan produksi suara manusia. Jaringan Saraf Tiruan ART 2 yang bersifat adaptif digunakan untuk pengenalan vokal, serta Hidden Markov Model digunakan untuk pengenalan kata karena dapat mendeteksi informasi dari masukan yang temporal.