Hasil Pencarian  ::  Simpan CSV :: Kembali

"The recognition of two dimensional character typewriter and hand written by using back-propagation method. This method is popular in neural-network model. We try to explain back-propagation method application in character recognition practice, helping by neural-network software."

"Japanese letter (kana) is a unique and highly complex character compared to usual Roman's letter, particularly in its hand written form. Japanese letter can be grouped into hiragana and katakana, where both have different writing rules...."

"Jenis ikan yang tergolong dalam ikan jenis sonikrous mempunyai suara yang khas_ Beberapa diantaxanya dapat mengeluarkan lebih dari satu jenis suara. Sebagai contoh ikan wealdish (Cynoscion regalis) jantan akan mengeluarkan suara drumming pada masa bertelur dan suara chartering untuk aktiiitas hidup sehari-bali, sedangkan untuk betina hanya mengbluarkan suara cha!!ering.Untuk dapat mengenali suara ikan tersebut clengan cepat diperlukan suam sarana agar proses identifikasi dapat dilalcukan dengan mudah, Penerapan teknologi voice recognition dapat mempemwdah dan mempercepat proses pengenalan suara ikan. Dengan diketahul suara ikan tersebut mal-za berarti pula dapat diketahui keberadaan jenis ikan dan aktiiitas hidup beberapa jenis ikan tertentu seperti proses bertelur yang terjadi di dalam laut. Penggunaan voice recognition dengan mengaplikasikan hidden mar/:ov model untuk mengidentifikasi suara ikan dapat mengenali dengan baik suara ikan yang dimasukan dalam sistem. Sistem dengan training data berupa sampel suara ikan yang terdiri dari kombinasi beberapa bursi dan satu periode pcnuh dari suara ikan menghasilkan sistem dengan kemampuan recognition yang Iebih baik. Dari percobaan yang dilakukan menunjukan sistem mempunyai tingkat akurasi yang baik sampai sekitar 5O - 90 %."

"Pandemi COVID-19 mengubah pola kehidupan manusia, termasuk sistem perkuliahan yang berubah ke metode daring. Video perkuliahan dengan salindia menjadi salah satu pilihan sarana penyampaian materi kuliah secara daring. Penelitian ini bermaksud menguji keabsahan rancangan sistem yang mampu melakukan segmentasi temporal sesuai topik secara otomatis pada video perkuliahan. Sistem yang diajukan dibagi menjadi tiga sub-sistem yang memanfaatkan teknologi keyframe extraction, optical character recognition (OCR), dan topic modelling. Pertama, video perkuliahan akan diubah menjadi kumpulan keyframe dengan memanfaatkan metode Slide Detector yang dimodifikasi. Selanjutnya, akan dilakukan ekstraksi teks dari frame-frame tersebut menggunakan Tesseract OCR dengan preprocessing tambahan. Akhirnya, BERTopic dengan beragam algoritma clustering dan LDA diuji kemampuannya dalam topic modelling yang berguna untuk mengambil topik yang koheren dari teks tersebut. Penelitian pada tahap keyframe extraction menunjukkan bahwa terdapat peningkatan recall sebesar 0,235-025 dari 0 dan precision sebesar 0,619-0,75 dari 0 pada beberapa video pada Slide Detector termodifikasi. Sebaliknya, penelitian pada tahap OCR menunjukkan bahwa tambahan preprocessing belum bisa membantu meningkatkan performa Tesseract OCR. Pada tahap terakhir, ditemukan bahwa BERTopic lebih unggul daripada LDA dalam menarik topik yang koheren untuk use case penelitian ini. Agglomerative dan KMeans clustering ditemukan lebih optimal untuk kasus video perkuliahan jika dibandingkan dengan metode density-based. Augmentasi data dengan takaran yang sesuai diperlukan untuk mendapatkan hasil sedemikian rupa pada tahap ini. Secara umum, sistem dengan tiga bagian yang diusulkan pada penelitian ini sudah mampu melakukan segmentasi video perkuliahan sesuai tujuan, namun, video perkuliahan bersalindia merupakan dataset yang sangat heterogen dan merancang sebuah sistem yang mampu memanfaatkan dataset tersebut adalah tantangan tersendiri.

---

The COVID-19 pandemic changed the lifestyle of many people, including university lectures that moved to online delivery. Lecture videos with slides became an option to deliver lecture materials online. This work attempts to show a proof of concept for a system design that is able to automatically segment a lecture video temporally based on the topic. The proposed system is divided into three subsystems that make use of keyframe extraction, optical character recognition (OCR), and topic modelling techniques. First, a lecture video will be converted to a collection of keyframes using a modified Slide Detector technique. Next, those frames will be processed using Tesseract OCR with some additional preprocessing steps to extract text. Lastly, BERTopic with various clustering techniques and LDA will be used for topic modelling to obtain a coherent topic from the text extracted earlier. The research in the keyframe extraction step shows that there is an increase of 0.235-0,5 points from 0 for recall and 0,619-0,75 points from 0 for precision for certain videos using the modified Slide Detector. On the other hand, the research in the OCR step shows that the additional preprocessing is not yet able to help increase the performance of Tesseract OCR. At the last step, BERTopic proves to be better than LDA to obtain the coherent topic for this system's use case. Agglomerative and KMeans clustering is better for lecture videos compared to density-based methods. Appropriate amounts of data augmentation is needed to obtain the best results at this step. Overall, the three-part system in this research is able to segment lecture videos as intended, however, lecture videos with slides is a dataset that is very heterogeneous and designing a system to handle all types of videos is a large challenge."

"Pendataan mahasiswa merupakan salah satu aktivitas yang penting dalam operasional sebuah universitas. Terkadang proses pendataan mahasiswa ini terdapat permasalahan, seperti banyaknya proses yang harus dilakukan dan juga banyaknya waktu yang tersita untuk pendataan mahasiswa. Terlebih akibat Covid-19 pendataan mahasiswa khususnya pada pendaftaran langsung yang memerlukan data para mahasiswa menjadi terhambat. Pada tugas akhir ini, mengembangkan teknologi berbasis web yang digunakan untuk sebuah sistem pendataan yaitu membuat aplikasi pendataan mahasiswa berbasis website. Aplikasi pendataan mahasiswa dapat mengenali sebuah karakter pada gambar Kartu Tanda Mahasiswa (KTM) dari hasil pengambilan gambar melalui kamera dan mencatat data dalam bentuk teks. Untuk dapat mengenali sebuah karakter pada sebuah kartu mahasiswa, maka akan digunakan sistem Optical Character Recognition (OCR) yang menggunakan sistem preprocessing. Pada penelitian ini, preprocessing akan dibandingkan untuk dicari untuk mengetahui sistem mana yang paling optimal. Preprocessing akan diuji terhadap jarak dan resolusi kamera. Setalah melakukan pengujian, sistem yang paling optimal adalah sistem yang menggunakan preprocessing binarization dengan jarak pengambilan gambar 10 cm dan diambil dengan resolusi kamera sebesar 16 MP.

---

Student data collection is one of the important activities in the operation of a university. The student data collection process at each university has its own operational standards. Sometimes the student data collection process has problems, such as the number of processes that must be carried out and also the amount of time it takes to collect student data. Especially due to Covid-19, student data collection, especially in direct registration, which requires student data, is hampered. In this final project, developing a web-based application that is used for a data collection system which is website-based student data collection. The student data collection application can get a character in the Student Identity Card image from the results of taking pictures through the camera and record the data in text form. To be able to recognize a character on a student card, an Optical Character Recognition (OCR) system will be used that uses a preprocessing system. In this study, preprocessing will be compared to find out which system is the most optimal. Preprocessing will be tested against camera distance and resolution. After testing, the most optimal system is a system that uses preprocessing binarization with a shooting distance of 10 cm and taken with a camera resolution of 16 MP."