Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Pentransmisian sinyal video (video signal) membutuhkan lebar pita frekuensi (bandwidth) dan kapasitas memori yang sangat besar. Untuk mengefisienkan penggunaan bandwidth dan kapasitas memori serta mereduksi biaya transmisi perlu dilakukan proses pemampatan (kompresi) pada sinyal video tersebut. Salah satu teknik kompresi yang banyak digunakan adalah Transform Coding berbasis DCT (Discrete Cosine Transform).

Proses transmisi sinyal video dapat dilakukan dengan dua cara yaitu transmisi dengan laju bit yang tetap (Constant Bit Rate/CBR) dan transmisi dengan laju bit yang bervariasi (Variable Bit Rate NBR). CBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang terbatas, sehingga tidak dapat menampung volume data yang ada. Sedang VBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang besar sehingga dapat menampung volume data yang ada. Untuk dapat melayani proses transmisi sinyal video VBR diperlukan suatu media transmisi yang mampu memfasilitasi hal tersebut. Salah satunya adalah jaringan ATM (Asynchronous Transfer Mode). Pentransmisian sinyal video VBR melalui jaringan transmisi ATM dilakukan melalui proses pengkodean data pada sinyal video tersebut dan membentuk kode-kode data tersebut ke dalam bentuk struktur sel ATM melalui proses pemaketan (paketisasi).

Proses pemaketan dapat dilakukan dengan menggunakan metode Layered Coding yang membagi data-data menjadi dua prioritas yaitu data prioritas tinggi (High Priority Data/HPD) dan data prioritas rendah (Low Priority Data/LPD), dimana data HPD adalah data-data yang mengandung nilai informasi yang terbesar. Kemudian masing-masing data tersebut dibentuk menjadi paket-paket (sel) ATM dan ditransmisikan melalui kanal yang berbeda.

Dari simulasi yang dilakukan diperoleh hasil bahwa metode Layered Coding pada pentransmisian sinyal video VBR dapat mempertahankan kualitas gambar yang dikirim dengan mengirimkan data HPD melalui kanal prioritas tinggi (High Priority Channel). Hilangnya (tidak dikirim) data LPD tidak akan berpengaruh besar pada kualitas gambar yang dihasilkan (PSNR 17,2 dB std 26,5 dB), sedangkan hilangnya sebagian kecil (t 1,5%) data HPD akan menimbulkan pengaruh yang besar (degradasi) pada gambar yang dihasilkan (PSNR 8,62 dB).

---

ABSTRACT
Generally, wide bandwidth and large memory capacities are needed to transmit the video signal. Using bandwidth and memory capacity efficiently and also reducing the transmission cost, the video signal needs a compression process before transmitted. One of the compression technique which is commonly used is Transform Coding based on DCT (Discrete Cosine Transform).

The video signal transmission process could be done in two ways i.e. : constant bit rate (CBR) and variable bit rate (VBR). CBR is a constant rate trans-mission which is used in the transmission process where the bandwidth has incapability to accommodate available data volume. VBR is a variable rate trans-mission which is used in the transmission process where the bandwidth has a capability to accommodate available data volume. ATM (Asynchronous Transfer Mode) network is one of the capable transmission media which is used for transmitting the VBR video signal. The VBR video signal transmission through the ATM network has two processes, coding process and packet process.

A Layered Coding method is used for the data packet process. This method divides the data into two priorities i.e.: high priority data (HPD) and low priority data (LPD). The HPD is used for the important data stream and the LPD is used for the rest of the data stream (unimportant data). The data (HPD and LPD) is performed into the ATM cells structure and transmitted through a different channel.

The simulation results showed that the layered coding method could maintain the VBR video signal quality by transmitting the HPD through a high priority channel. The lost data of LPD does not annoy the reconstructed video quality (PSNR 17.2 dB - 25.5 dB). The lost data of HPD, however, causes degradation in the quality of the reconstructed video (PSNR 8.62 dB).

Abstrak :
Dalam teknologi telekomunikasi, pemrosesan sinyal menyandang peran vital. Penerapan teknik tersebut telah merambah ke berbagai bidang seperti halnya bidang pengolahan suara dan ucapan, bidang pengolahan citra, kompresi data, dan estimasi spektral waktu frekuensi. Radar (Radio Detection and Ranging) adalah suatu metode penggunaan gelombang radio untuk mendeteksi kehadiran objek sasaran dan menentukan posisinya (lokasi/jaraknya) serta kecepatannya. Secara umum sinyal echo radar terdiri dari clutter c(t) yang merupakan hamburan dari benda-benda lain, noise n(t) atau derau yang lebih didominasi oleh penerima sendiri (kecuali pada frekuensi rendah), dan sinyal yang mungkin jika ada sasaran. Melalui bentuk pemodelan pembangkitan sinyal echo radar dengan bantuan program berbasiskan Matlab Simulink dan Matlab versi 4.2, maka dapat dianalisa sejauh mana penerapan dari untuk kerja transformasi Wavelet dan membandingkannya dengan transformasi Fourier dalam mengidentifikasi sinyal echo radar . Pemrosesan sinyal ditujukan untuk mengetahui kandungan frekuensi Doppler, dengan kata lain untuk tujuan mengetahui besar kecepatan radial benda terhadap radar. Dalam setiap deteksi diasumsikan selalu ada sasaran yang sudah berhasil dideteksi, sehingga yang harus dilaksanakan adalah mengetahui besar kecepatan radialnya.

---

Signal processing plays an important role in communication technology. Application of the technique has broadly expanded to various fields such as sound and utterance processing, image processing, data compression and frequency time spectral estimation. Radar (Radio Detection and Ranging) is one method of using radio wave to detect the targeted objects, their positions (in terms of location and distance) and speeds. Signally radar echo signal consists of clutter c(t), scattering from other objects, noise n(t) or roaring sound, dominantly controlled by the internal receiver (except for low frequency), and possible signal, when the target exist. In form of radar echo signal erection modeling supported with the program-based Matlab Simulink and Matlab Version 4.2, we may analyze application of Wavelet transforms displays as far as possible and compare to the Fourier transforms to identify radar echo signal. Signal processing is aimed at knowing the Doppler frequency ingredients. In other words, it is purposed to see the objects radial speed against the radar. It is assumed that there are always targeted objects already successfully detected. In this care, it is our task to determine the radial speed.

Abstrak :
ABSTRACT
Digital signal processing is concerned with the representation of signals by sequences of number or symbols and the processing of the sequences. The purpose of such processing may be to estimate characteristic parameters of a signal or to transform a signal into a form which is in some sense more desirable. The classical numerical analysis formulas, such as those designed for interpolation, integration, and differentiation, are certainly digital signal processing algorithms.

The early work on speech and the like - topics still of considerable interest and still the object of active research began less than two decade ago. The rapid development of the subject can be appreciated by scanning the issues of the leading journals. Yet the application of digital signal processing has not been without its problems. It is a field which demands sophisticated technology.

Abstrak :
ABSTRAK
Metode pensinyalan adalah metode yang mengkodekan bit-bit input menjadi sinyal yang siap djitransmisikan. Contoh dari metode pensinyalan adalah pensinyalan 8-QAM yang merupkan pensinyalan bandpass dan 4B3T yang merupakan penslnyalan baseband Pensinyalan 8-QAM mempakan suatu metode modulasi yang mengkodekan setiap 3 bit menjadi sinyaf yang dimodulasi amplitudo dan fasa carriemya. Sedangkan pensinyalan 4B3T mengkodckan sinyal menjadi 4 big binmy dan-méhtt&x\SmiSikdniiyainié>iijdHi-3`~l-éihabbli(bérdd)°3§ébeigI1i¥§inya}-~3-rér}zki}j».

Pada skripsi ini disimulasikan pcrbandingan antara metode pensinyalan 8- QAM dengan metode pensinyalan 4B3T yang memiliki perbandingan periode I baud yang nama. Simulasi yang dilakukan bermjuan untuk mcndapatkan parameter uxquk keljja Bit Error Rate (BER) pada kedua metode.

Hasil yang didapat dari simulasi adalah metode 8-QAM memiliki BER yang lebih baik dibandingkm 4B3T pada nilai BER l0`3 dengzm selisih nnai SNR sekimr 6 dB. Dari hasil simujasi dapat dikatakan bahwa unjuk kerja 8-QAM Iebih baik dari 4B3T.

---

Abstrak :
ABSTRAK
Aplikasi-aplikasi transformasi wavelet telah banyak digunakan, terutama aplikasi yang berhubungan dengan sinyal gambar, suara, video, dan sinyal elektrik lainnya. Pada skripsi ini dibahas aplikasi transformasi wavelet untuk memprediksi fluktuasi trafik internasional. Besarnya trafik internasional sangat dipengaruhi oleh faktor teknologi, ekonomi, hubungan bilateral negara satu dengan yang lain dan kerjasama antar operator internasional.

Fluktuasi trafik internasional berupa sinyal satu dimensi. Sinyal ini akan didekomposisi dari level I sampai dengan level 3 dengan menggunakan metode Discrete Wavelet Transform (DWT) untuk fungsi dasar Daubechies 18, Daubechies 12, Daubechies 8 dan Haar . Hasil dekomposisi ini akan berupa sinyal aproksimasi dari filter lowpass dan sinyal detail dari filter highpass. Sinyal aproksimasi ini menggambarkan gambaran umum dari keseluruhan sinyal asli. sedangkan sinyal detail akan menentukan seberapajauh tingkat naik dan turunnya fluktuasi sinyal asli. Sinyal aproksimasi ini nantinya akan menjadi model sinyal pendekatan yang akan diprediksikan pada masa ke depan dengan asumsi kondisi keadaan yang hampir sama. Bentuk sinyal demi pada masa depan akan ditentukan oieh sinyal-siyal detail pada masa sebelumnya demikian pula dengan sinyal aproksimasinya yang dalam hal ini diprediksikan secara polinomial. Metode yang digunakan adalah Regresi Polinomial Selanjutnya proses prediksi fluktuasi sinyal merupakan proses rekonstruksi dari sinyal aproksimasi dan detail hasil prediksi. Untuk mendapatkan fluktuasi yang lebih smooth ditambahkan proses denoising dengan menggunakan metode soft thresholding model Donoho yang telah dimodifikasi dengan menggunakan harga rata-rata dan standart deviasi pada koefisien sinyal detailnya.

Dari hasil simulasi dapat diketahui bahwa dengan penerapan dekomposisi level I untuk fungsi dasar Daubechies 18 dengan kombinasi denoising metode soft thresholding model Donoho modifikasi dengan menggunakan nilai standart deviasi akan didapatkan nilai error prediksi yang terkecil.

---

Abstrak :
Sinyal dalam konteks telekomunikasi membawa informasi dengan variasi terhadap waktu, termasuk sinyal suara yang bersifat non-stasioner. Kehadiran noise dalam sinyal suara dapat mengurangi kualitas informasi yang ditransmisikan. Penggunaan transformasi wavelet telah menjadi pendekatan yang efektif dalam denoising sinyal suara, namun untuk hasil optimal, diperlukan pemilihan model threshold dan wavelet families yang tepat. Penelitian ini mengeksplorasi kinerja berbagai model threshold dalam denoising sinyal suara. Hasil penelitian menunjukkan bahwa waktu komputasi untuk denoising meningkat seiring dengan peningkatan level dekomposisi, dengan threshold Donoho memiliki waktu komputasi tercepat, diikuti oleh modifikasi, dan acuan Gang Yang [9] paling lambat. Penggunaan wavelet families juga memengaruhi nilai Mean Squared Error (MSE) dan waktu komputasi. Model threshold acuan Gang Yang [9] memberikan MSE terbaik dengan waktu komputasi 119,252 detik pada level dekomposisi 4, sedangkan threshold modifikasi menawarkan waktu komputasi lebih cepat yaitu 87,965 detik dengan MSE hampir setara pada level dekomposisi 2. Peningkatan panjang filter wavelet meningkatkan kompleksitas program dan waktu komputasi, namun efeknya bervariasi pada tiap model threshold. Selain itu, dilakukan denoising pada noise teras rumah (SPL 83,445 dB) dan noise mesin konstruksi (SPL 87,439 dB). Pada noise teras rumah, level dekomposisi 1 dengan Biorthogonal 3.3 (bior33) paling efektif, mengurangi SPL menjadi 40,216 dB. Pada noise mesin konstruksi, level dekomposisi 1 dengan Reverse Biorthogonal 3.3 (rbio33) paling efektif, menurunkan SPL menjadi 69,569 dB. Berdasarkan hal tersebut, dalam memilih model threshold yang optimal, perlu dipertimbangkan nilai MSE dan efisiensi komputasi. Penelitian ini memberikan wawasan penting dalam memilih metode denoising yang efektif untuk meningkatkan kualitas sinyal suara. ......In telecommunications, signals carry information with variations over time, including non-stationary audio signals. Noise in audio signals can degrade the quality of transmitted information. Wavelet transform is an effective approach for denoising audio signals, but optimal results require appropriate threshold models and wavelet families. This study explores the performance of various threshold models in denoising speech signals. Results indicate that computation time for denoising increases with decomposition levels; the Donoho threshold is the fastest, followed by the modified model, with Gang Yang [9]'s reference model being the slowest. Wavelet family choice significantly impacts Mean Squared Error (MSE) and computation time. The Gang Yang [9] reference model offers the best MSE at SNR 20-27 with a slight computation time increase (119.252 seconds at level 4), while the modified model achieves faster computation (87.965 seconds at level 2) with nearly equivalent MSE. Longer wavelet filters increase program complexity and computation time, varying by threshold model. Additionally, denoising was performed on residential porch noise (SPL 83.445 dB) and construction machinery noise (SPL 87.439 dB). For residential porch noise, decomposition level 1 with Biorthogonal 3.3 (bior33) was most effective, reducing the SPL to 40.216 dB. For construction machinery noise, decomposition level 1 with Reverse Biorthogonal 3.3 (rbio33) was most effective, lowering the SPL to 69.569 dB. Thus, selecting an optimal threshold model involves considering both MSE and computational efficiency. This study provides key insights for effective denoising methods to enhance speech signal quality.

Abstrak :
ABSTRACT
Spatial Audio Object Coding SAOC merupakan standar pengkodean audio yang diluncurkan oleh Moving Picture Expert Group MPEG yang dapat melakukan kompresi dan koding audio berbasis objek dan telah diaplikasikan ke banyak bidang telekomunikasi, multimedia, dan hiburan. Salah satu kelemahan dari SAOC adalah kurang dapat diandalkan untuk menjamin kualitas audio yang baik untuk aplikasi pemisahan sumber audio. Hasil beberapa penelitian mengungkapkan bahwa ternyata SAOC memiliki struktur sistem yang mirip dengan algoritma pemisahan sumber suara yang bernama Informed Source Separation, Informed Source Separation ISS, yaitu algoritma sistem yang dapat memprediksi sinyal objek audio masukan untuk memisahkan objek audio dengan kualitas yang baik. Pada penelitian ini, telah dirancang algoritma pemisahan sumber audio di MATLAB yang diadopsi dari persamaan matematis standar SAOC serta ditambahkan filter Wienerpada algoritma tersebut. Algoritma yang diajukan diuji dengan memisahkan beberapa rekaman musik profesional dan kualitas audio rekonstruksinya akan dibandingkan dengan algoritma pemisahan sumber audio lain secara objektif. Hasil pengujian menunjukkan bahwa adanya peningkatan nilai Source-to-Distortion Ratio SDR dalam hasil rekonstruksi pemisahan sinyal dengan algoritma SAOC yang ditambahkan filter Wiener dari algoritma pemisahan sumber suara yang lain sebesar maksimum 10,42232904 dB untuk objek audio bass, 13,95175919 dB untuk drum, 17,73005926 dB untuk vokal, dan 8,266838319 dB untuk instrument lain.

---

ABSTRACT
Spatial Audio Object Coding SAOC is an audio coding standard launched by MPEG Moving Picture Expert Group MPEG that can perform audio compression and codingand has already applied to many areas of telecommunications, multimedia, and entertainment. One of the disadvantages of SAOC is low reliability in ensuring good audio quality for audio separation. The results of several studies have found that SAOC has the same structure with an audio source separation algorithm, namely Informed Source Separation, which is an algorithm that can predict audio object signals to separate audio objects while ensuring good output audio quality. In this research, an audio source separation algorithmwhich is adopted from SAOC standard mathematical equation andWiener filter addition has been designed. The proposed algorithm is tested by separating several professional music recordings and thereconstructed audios rsquo quality werecomparedwith other audio source separation algorithms. The results show that there is an increase in Source to Distortion Ratio SDR value of reconstructed audio object that is separated with SAOC algorithmwith addition of Wiener filter compared tootheraudiosource separation algorithmsbymaximum of 10.42232904 dB for bass, 13,95175919 dB for drums, 17,73005926 dB for vocals, and 8.266838319 dB for other instruments.