Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Citra MODIS bersifat multispektral sehingga memiliki kapasitas data yang besar. Kesamaan antara kanal citra pada data MODIS disebut korelasi citra. Korelasi citra antar band dalam data MODIS dapat dijadikan acuan dalam melakukan kompresi secara spektral. Kompresi spektral dengan metode Linear Interband Prediction dilakukan berdasarkan korelasi citra sebagai acuan dalam menentukan citra referensi dan citra hasil prediksi. Kanal citra hasil kompresi dengan linear interband prediction memiliki kapasitas kecil dan kualitas yang hampir sama dengan aslinya. Hasil kompresi dengan Linear Interband Prediction dikompresi lagi secara spasial dengan metode Wavelet. Beberapa variasi Wavelet diterapkan, yakni Haar, Daubechies, Coiflet, Symlet dan Biorthogonal. Diharapkan rasio kompresi pada kompresi ini akan lebih besar, tetap menjaga kualitas citra yakni PSNR > 40dB, dan waktu komputasi yang cepat.

---

MODIS is a multispectral satellite data, which has ultra high data size to store these data. It has to be compressed with spectrally and spatially. Image correlation used as a reference in spectral compression using Linear Interband Prediction method. Spectral compression results are compressed again using wavelet transform. Several family of Wavelet transform applied namely Haar, Daubhecies, Coiflet, Symlet, and Biorthogonal. Experimental results show in compression ratio while maintaining the image quality (PSNR > 40dB) and fast computation time are expected.

Abstrak :
Penulis menemukan beberapa persamaan dan perbedaan penafsiran yang diberikan oleh para responden. Berikut adalah kesimpulan yang penulis buat terhadap penafsiran kedua puluh responden. Penafsiran yang sama terjadi ketika responden tidak memberikan penafsiran secara detil. Misalnya, ketika para responden manafsirkan tokoh pengemudi pada keempat gambar, mereka semua hanya menyebutkan profesi tokoh tersebut. Penafsiran yang mereka hasilkan tidak berbeda satu sama lain. Perbedaan yang terjadi ketika responden memberikan penafsiran secara spesifik/detil. Misalnya ketika para responden menjelaskan kondisi fisik tokoh penumpang pada gambar empat, mereka memiliki perbedaan anggapan terhadap bentuk fisik tokoh tersebut...

Abstrak :
Citra buram atau blur dapat terjadi akibat gerakan objek, lensa kamera alat akuisisi yang kehilangan fokus, atau getaran saat akuisisi citra. Buram membuat citra menjadi kurang tajam dan tidak fokus pada beberapa bagian pada citra. Buram pada citra mengakibatkan terjadinya penurunan kualitas dan informasi citra sehingga menyebabkan penurunan performa aplikasi computer vision seperti deteksi objek, identifikasi objek, dan klasifikasi. Hal tersebut membuat banyak dikembangkan penelitian restorasi citra buram untuk mengembalikan kualitas citra yang terdegradasi, mulai dari penggunaan metode konvensional hingga metode berbasis pembelajaran mesin. Pada penelitian ini, penulis menggunakan model Swin Transformer UNet dalam merestorasi citra buram. Model ini berbasis Swin Transformer yang diintegrasikan dengan arsitektur UNet. Data citra yang digunakan dalam penelitian ini adalah dataset buram Dual-pixel Defocus Debluring(DPDD) dan Real Depth Of Field(RealDOF). Analisis dilakukan terhadap hasil restorasi citra model secara kuantitatif dan kualitatif. Selain itu, , penulis juga melaksanakan analisis cross dataset untuk melihat kemampuan generalisasi model. Hasil restorasi dibandingkan dengan hasil restorasi model Iterative Filter Adaptive Network(IFAN) yang dianggap sebagai state-of-the-art dalam merestorasi citra buram. Evaluasi hasil restorasi Swin Transformer UNet menunjukkan bahwa model tersebut berhasil mendeteksi daerah buram pada citra dengan baik namun hasil restorasi yang didapat belum sebaik hasil restorasi pada model IFAN dalam merestorasi citra buram pada dataset yang digunakan. ......Blurred images can occur from the motion of the photographed object, the camera lens of the acquisition tool losing focus, or vibration during image acquisition. Blurring makes the image less sharp and unfocused on some parts of the image. Blur in images results in a decrease in image quality and information, causing a decrease in the performance of computer vision tasks such as object detection, object identification, and classification. This has led to the development of many deblurring image restoration studies to restore the quality of degraded images or image restoration, ranging from the use of conventional methods to machine learning-based methods. In this research, the author uses the Swin Transformer UNet model to restore blurry images. This model is based on Swin Transformer integrated with UNet architecture. The images used in this research come from the Dual-pixel Defocus Debluring (DPDD) and Real Depth Of Field (RealDOF) blur image datasets. The image restoration results are analyzed quantitatively and qualitatively. Additionally, the author also conducts a cross-dataset analysis to see the generalization potential of the model. The restoration results were compared with the restoration results of the Iterative Filter Adaptive Network (IFAN) model which is considered as state-of-the-art in image deblurring. The evaluation of the Swin Transformer UNet restoration model shows that the model successfully detects blurred regions in the image well but the restoration results obtained are not as good as the restoration results in the IFAN model in restoring blurred images on the dataset used.

Abstrak :
Brand dipahami sebagai nama dari suatu produk yang diciptakan oleh sebuah perusahaan. Namun, keberadaannya bukan sekedar itu, tapi juga memiliki citra yang berhubungan dengan pemikiran dan komunikasi pemasaran secara menyeluruh. Sehingga dalam menghadapi persaingan globalisasi, sebuah strategi dijalankan oleh perusahaan yaitu penyampaian citra brand-nya melalui arsitektur. Arsitektur dalam kasus ini, menjadi media periklanan sebuah Brand.

Peran arsitektur ditekankan pada fungsinya sebagai media untuk penyampaian citra brand kepada masyarakat. Upaya ini dilakukan agar citra dari produk tersebut melekat di hati masyarakat. Untuk maksud tersebut perlu dilakukan kerjasama dengan arsitek yang memiliki ciri khusus pada desainnya. Karena dengan ciri khususnya, ia dianggap mampu menawarkan sebuah citra arsitektur yang turut memperkuat citra dari suatu brand di mata konsumen.

Skripsi ini akan menjelaskan tentang apakah bangunan yang dihasilkan dapat mewakili citra dari sebuah brand atau justru didominasi gaya desain arsiteknya dalam mendesain. Topik ini terkait dengan pemahaman citra brand dan arsitektur yang diterjemahkan melalui beberapa proses pendekatan kreatif. Sehingga, pada akhirnya terbukti bahwa tidak sepenuhnya citra dari suatu brand terwakili pada bangunan. Namun, terdapat manfaat yang diperoleh dari perusahaan tersebut. Manfaat tersebut berupa penggunaan elemen bangunan yang dapat menjadi inspirasi dalam menghasilkan produk suatu brand.

---

Brand is known as the name of a product that was created by a company. However, the existence is not only for that. Brand also has an image that is connected with idea and marketing communication comprehensively. So as in facing the globalization competition, a strategy was undertaken by the company to deliver brand image through architecture. Architecture, in this case, becomes an advertising media of the Brand.

The role of architecture is focused to deliver brand image to the people. This effort is carried out to make the product image adheres in the heart of people. An architect with distinct characters is then important in this regard. It is hoped that the architect could create an architecture image that supports the brand image in the eyes of the consumers.

This script will explain whether the building represent the image of a brand or the style of the architect. This topic relateds to the understanding of brand image and architecture that is transformed through several processes of creative approaches. So, it will be proved that not all of the brand image represented in the building. However, the analysis conclude that architecture also inspires the company to give more characters to the product.

Abstrak :
Dalam beberapa tahun terakhir, penelitian algoritma enkripsi citra menggunakan compressive sensing dan sistem chaotic telah banyak dikembangkan. Dengan memanfaatkan properti yang kompleks dari ergodisitas, tidak mudah untuk diprediksi, dan sensitifitas terhadap keadaan awal dari suatu sistem chaotic, suatu sistem chaotic dapat digabungkan dengan compressive sensing. Banyak algoritma enkripsi yang menggunakan sistem chaotic pada dimensi rendah menanggung risiko keamanan dan ekspansi data enkripsi. Selain itu, algoritma enkripsi menggunakan compressive sensing menghasilkan citra dekripsi dengan kualitas citra yang berbeda dengan citra awal. Penelitian ini bertujuan untuk mengatasi kelemahan ini dengan mengembangkan metode enkripsi citra menggunakan 2D Sine-Chebyshev-ICMIC Map, compressive sensing dan multi-level discrete wavelet transform. Representasi sparse dibentuk menggunakan multi-level discrete wavelet transform dengan mengelompokan koefisien wavelet. Fungsi hash SHA-256 dari citra awal digunakan untuk menghasilkan kondisi awal dari chaotic map sehingga dapat meningkatkan ketahanan terhadap serangan known-plaintext dan chosen-plaintext. Hasil penelitian menunjukkan metode enkripsi citra memiliki ketahanan dan keamanan dari beberapa serangan dengan hasil kompresi yang baik ......In the past few years, the research in image encryption using compressive sensing and chaotic system has grown rapidly. With complex properties of ergodicity, unpredictability, and sensitivity to the initial states of chaotic system, chaotic system can be combined with compressive sensing. There are many encryption algorithm that used low-dimensional chaotic system that suffer security risks and expansion in encryption data. Furthermore, encryption algorithm using compressive sensing gives the differences between the plain image and the decrypted image. This study aims to overcome this weakness by developing image encryption method using 2D Sine-Chebyshev-ICMIC Map, compressive sensing and multi-level discrete wavelet transform by grouping the wavelet coefficient. SHA-256 hash function of the plain image is generated to calculate the initial states of chaotic system. Result from experiments shows that the enryption method has robustness and secure againts some attacks with good compression result

Abstrak :
Visualisasi adalah sebuah tampilan yang dapat membantu atau menciptakan sebuah gambaran dari objek yang ingin ditampilkan secara 3D. Pada kasus ini, Bioimaging adalah salah satu upaya untuk melihat sel-sel yang ada di dalamnya dengan cara sederhana, tetapi diharapkan dengan adanya visualisasi tambahan ini, maka dapat memudahkan dan membantu membaca sel-sel yang ada pada Bioimaging tersebut. Machine learning berperan sebagai penanda otomatis untuk sel-sel yang sudah ditandai atau yang sudah diplot sebelumnya, hal ini akan membantu mengurangi waktu yang akan dimakan ketika akan membaca sel-sel pada bioimaging. Perhitungan jumlah sel pada Bioimaging juga dibutuhkan oleh para dokter sel, karena itu perlu juga adanya pembaca otomatis untuk jumlah sel yang ada pada Bioimaging. Tujuan dari penelitian ini adalah merancang sebuah simulasi dalam rangka proses visualisasi dengan software open source Ilastik, ImageJ dan Vaa3D. Metode yang digunakan adalah metode kombinasi yaitu metode kualitatif dan metode kuantitatif, lebih spesifiknya yaitu model sekuensial atau berurutan. Perangkat lunak yang dikembangkan dapat menghasilkan visualisasi citra yang dipisah menjadi 2 bagian yaitu, bagian kualitatif dan bagian kuantitatif, kualitatif adalah bagian prediksi sel dengan Machine Learning pada Bioimaging, sementara kuantitatif adalah bagian perhitungan sel dari Bioimaging. Metode yang diusulkan memiliki akurasi perhitungan sel sebesar kurang lebih 75 persen, bergantung pada datanya. ......Visualization is a display that can help or create a picture of the object you want to display in 3D. In this case, Bioimaging is an effort to see the cells in it in a simple way, but it is hoped that with this additional visualization, it will make it easier and help to read the cells in the Bioimaging. Machine learning acts as an automatic marker for pre-tagged or plotted cells, this will help reduce the time it will take to read cells in bioimaging. Calculation of the number of cells in Bioimaging is also needed by cell doctors, because of that it is also necessary to have an automatic reader for the number of cells in Bioimaging. The purpose of this study is to design a simulation within the framework of the visualization process with the open source software Ilastik, ImageJ and Vaa3D. The method used is a combination method, namely qualitative methods and quantitative methods, more specifically, sequential or sequential models. The developed software can produce image visualization which is divided into 2 parts, namely, the qualitative part and the quantitative part, the qualitative part is the cell prediction part with Machine Learning in Bioimaging, while the quantitative part is the cell calculation part of Bioimaging. The proposed method has a cell counting accuracy of approximately 75 percent, depending on the data.

Abstrak :
ABSTRAK
Metode Eigenface diimplementasikan pada sistem otentikasi kontinu yang digunakan dalam sistem pengenalan wajah. Proses dimulai sistem dengan deteksi warna kulit, wajah serta kedua mata pengguna melalui suatu kamera. Piksel citra wajah disimpan dan diolah menjadi bentuk vektor fitur. Vektor fitur dari citra uji dan citra latih disubstraksikan dan dinormalisasikan demi mendapatkan jarak Euclidean terdekat sebagai hasil pengenalan. Sistem diuji pada enam parameter pengujian yaitu pengujian terhadap perubahan resolusi, pengujian terhadap noise, pengujian terhadap citra iluminasi rendah, pengujian terhadap perubahan etnis, serta pengujian secara kontinu. Nilai rata-rata akurasi pengenalan yang dicapai oleh rancangan ini berkisar 85.62% pada 240 citra data latih.

---

ABSTRACT
Eigenface method is being implemented in continuous authentication system to recognize faces. The system in this implementation is able to detect user’s skin color, face, and eyes through a camera. Each pixel in the input and template pictures is then stored and converted into feature vectors. Feature vector from the input and template images are then subtracted to find the nearest Euclidean distance which is the recognition result. The five test parameters used are variation of image resolution, noise, low-illuminated test image, user’s ethnicity, and continuous test. This system is able to achieve have up to 85.62% recognition accuracy rate with 240 training data images.

Abstrak :
ABSTRAK
Pengenalan wajah merupakan salah satu topik pada ilmu pengolahan citra yang sering dikembangkan. Salah satu dari metode pengenalan wajah ialah dengan menggunakan jaringan saraf tiruan. Jaringan saraf tiruan mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Metode pembelajaran yang digunakan pada tulisan ini ialah dengan lapisan tersembunyi berbentuk hemisfer yang merupakan pengembangan dari metode backpropagation dengan data masukan yang direduksi oleh algoritma PCA. Metode ini menggunakan informasi sudut wajah pada citra sebagai parameter masukan selain data citra wajah tersebut. Seiring dengan majunya teknologi pengambilan gambar, metode ini dapat digunakan untuk mengenali wajah secara tiga dimensi.

---

ABSTRACT
Face recognition is one of most discussed topics in image processing. A method used for face recognition is using artificial neural networks. Artificial neural network recognizes faces by learning the faces given to train. The learning method proposed in this paper is using hemispheric structure hidden layer which is an improvement of backpropagation algorithm with reduced data as input using principal component analysis algorithm. This method needs face’s angle on the image as parameter inputs instead of only face data. As the technology of capturing image growing, this method can be applied as an algorithm for 3D face recognition.

Abstrak :
Citra berkabut terjadi jika cahaya yang diterima oleh media optik dihamburkan dengan media yang keruh, seperti asap dan tetesan air. Citra berkabut dapat direstorasi menjadi citra tanpa kabut dengan proses image dehazing. Salah satu metode untuk melakukan image dehazing adalah statistical prior. Statistical prior digunakan ketika informasi yang diketahui hanyalah citra berkabut, untuk mengestimasi parameter yang tidak diketahui, seperti airlight dan transmisi. Pada penelitian ini penulis menggunakan dua metode statistical prior, yaitu Dark Channel Prior dan Two Peak Channel Prior. Untuk mendapatkan hasil terbaik, penulis melakukan optimasi parameter pada kedua metode yang digunakan. Untuk mendapatkan kualitas hasil image dehazing terbaik, penulis merancang sebuah kerangka kerja (framework usulan dari modifikasi metode Dark Channel Prior yang melibatkan pemisahan daerah langit dan non-langit dan optimasi parameter. Performa metode diuji dengan menggunakan metrik root mean square error (RMSE) dan structural similarity index measure (SSIM). Didapatkan hasil dimana metode usulan mendapatkan hasil evaluasi terbaik, dengan RMSE sebesar 0.063 dan SSIM sebesar 0.942 Untuk dataset SOTS Outdoor. Sementara untuk dataset O-Haze, metode usulan mendapatkan hasil evaluasi terbaik juga dengan RMSE sebesar 0.147 dan SSIM sebesar 0.811. ......Hazy images occur when the light received by the optical device is scattered by turbid media such as smoke and water droplets. Hazy images can be restored to its clear version by the image dehazing process. It is possible to perform image dehazing using statistical priors. Statistical priors are used when the only known information is the hazy image itself, to estimate the unknown parameters. In this study, the author used two statistical priors, namely Dark Channel Prior and Two Peak Channel Prior. To obtain the best possible results, the author attempted to optimize the parameters of the used methods. Furthermore, to obtain the best possible quality of image dehazing results, the Author proposed a framework using a modification of the Dark Channel Prior method, which involved separating the sky and non-sky areas and parameter optimization. The method performance was evaluated using the root mean square error (RMSE) and structural similarity index measure (SSIM). The results obtained show that the proposed method is able to get the best evaluation results, with an RMSE of 0.063 and SSIM of 0.942 for SOTS Outdoor dataset. For the O-Haze dataset, the proposed method also gets the best evaluation results with an RMSE of 0.147 and an SSIM of 0.811.