Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Abstract Spectral decomposition is an established technique for stratigraphic analysis from seismic reflection data. Interpretation is usually purely qualitative, but in some circumstances the technique can also provide quantitative information about bed thickness, especially near or below seismic resolution. This thesis describes a novel extension of the spectral decomposition technique that improves the accuracy of bed thickness estimation. Thin beds produce periodic notches in the spectrum of the seismic trace. The spacing of these notches, which is inversely proportional to bed thickness, can be accurately measured by calculating the Fourier transform of the spectrum. This so-called cepstrum has local maxima corresponding to the thickness of the thin bed or beds. Since the technique does not rely on picking a single frequency, but instead detects tuning effects from the entire spectrum, it copes better with noise and is also able to resolve overlapping and interfering thin-bed effects. In this thesis, I present examples from two-dimensional synthetic seismic traces, three-dimensional synthetic seismic models and three-dimensional synthetic real data. The result show that in two-dimensional synthetic seismic traces that using this technique can separate reflector better than classic data processing. in three-dimensional seismic traces this technique also work well to show channel possibility and predict their thickness. Cepstral peaks are also a better predictor of thickness than the time difference between the top and base interpreted from the seismic trace. Key Word: Spectral decomposition; bed thickness; cepstrum; spectrum (xii+62) hlm; gbr; lamp; Daftar Acuan : 20 (1963-2006)

Abstrak :
Kebutuhan manusia untuk dapat berinteraksi dengan lebih baik dan lebih mudah ketika berhadapan dengan sistem yang terdiri dari mesin-mesin serta kebutuhan akan sistem keamanan yang lebih baik telah menjadi salah satu pemicu mengapa teknologi speech recognition terus dikembangkan. Sistem pengolahan sinyal yang dipakai di dalam sistem pengenalan suara telah banyak dikembangkan, cara-cara pengolahan sinyal inilah yang akan menghasilkan sebuah hasil akhir yang merupakan sebuah parameter bagi sistem pengenalan suara tersebut, disebut juga dengan front ends. Beberapa front ends yang dikenal saat ini diantaranya adalah Linear Predictive Coefficients (LPC), Linear Predictive Cepstral Coefficients (LPCC), dan Cepstral Transform Coefficients (CC), yang masing-masing datang dengan keunggulan dan kekurangannya masing-masing. Penulisan skripsi ini bertujuan untuk memberikan pengenalan lebih baik terhadap kinerja ketiga front ends tersebut berikut analisa faktor-faktor lain yang dapat mempengaruhi kinerja ketiganya. Hasil akhir yang didapatkan dalam penulisan skripsi ini juga menunjukkan keunggulan metode pengolahan sinyal menggunakan transformasi fourier dibandingkan metode pengolahan sinyal menggunakan teknik prediksi linear, serta adanya keunggulan dan kekurangan yang terdapat pada masing-masing metode LPC dan LPCC apabila keduanya dibandingkan.

Abstrak :
ABSTRAK
Penelitian ini melaporkan tingkat keberhasilan dari sistem speech recognition yang diimplementasikan ke dalam quadcopter sebagai kendali geraknya. Pada sistem speech recognition digunakan metode mel frequency cepstral coefficient MFCC sebagai feature extraction yang kemudian akan di-training menggunakan metode recursive neural network RNN . Metode MFCC sendiri merupakan salah satu metode feature extraction yang paling banyak digunakan untuk speech recognition. Metode tersebut memiliki tingkat keberhasilan yang cukup besar sekitar 80 - 95 . Pada penelitian ini akan digunakan database yang sudah ada dan database yang baru. Database yang sudah ada akan digunakan sebagai media pengukur tingkat keberhasilan metode RNN. Database yang baru akan dibuat menggunakan bahasa indonesia dan kemudian dibandingkan tingkat keberhasilannya dengan hasil dari database yang sudah ada. Suara yang masuk dari microphone akan diolah pada laptop yang telah memiliki modul DSP dengan metode MFCC untuk mendapatkan nilai karakteristiknya. Nilai karakteristik tersebut kemudian akan di-training menggunakan RNN yang hasilnya berupa perintah. Perintah tersebut akan menjadi input kendali bagi single board computer SBC yang hasilnya berupa pergerakan quadcopter.

---

ABSTRACT
This research reports a success rate of speech recognition systems that are implemented into quadcopter as motion control. Speech recognition system is using mel frequency cepstral coefficient method MFCC as feature extraction that will be trained using recursive neural network method RNN . MFCC method is one of the feature extraction method that most used for speech recognition. This method has a success rates about 80 95 . This research will use the existing database and the new database. Existing database will be used for measure the success rate of RNN method. The new database will be created using Indonesian language and then the success rate will be compared with results from an existing database. Sound input from the microphone will be processed on a laptop that has a DSP module with MFCC method to get the characteristic values. The characteristic values then will be trained using the RNN which result is command. The command will become a control input to the single board computer SBC which result is the movement of quadcopter.

Abstrak :
Kelapa kopyor merupakan kelapa yang mengalami kelainan genetik sehingga daging buahnya tidak menempel pada tempurung kelapa. Hal tersebut diakibatkan oleh defisiensi enzim ?-D-galaktosidase yang menyebabkan tekstur dari daging kelapa kopyor unik. Keunikan tersebut menjadikannya memiliki banyak peminat sehingga harganya lebih tinggi, mencapai 4-5 kali lipat dari harga kelapa biasa. Dari penampakan luarnya kelapa kopyor tidak berbeda dibanding kelapa biasa. Selama ini petani maupun penjual menggunakan cara tradisional dengan mendengarkan suara guncangan dari kelapa kopyor untuk membedakannya. Sayangnya, cara tersebut sangat bergantung pada pengalaman dan keterampilan dari pemilahnya. Maka dari itu, pada penelitian ini diajukan metode deteksi kelapa kopyor berbasis pengenalan suara menggunakan Mel Frequency Cepstrum Coefficient MFCC sebagai metode ekstraksi fitur suara dan Dynamic Time Warping DTW sebagai metode pencocokan fitur suara. Objek yang akan dideteksi adalah kelapa kopyor dan kelapa biasa yang sudah tua. Dengan menggunakan kedua metode tersebut, sebuah program telah dibuat untuk dapat mendeteksi kelapa kopyor dengan akurasi sebesar 96.4.

---

Kopyor coconut is a coconut that has genetic abnormalities which cause the coconut meat to not stick to the coconut shell. It is caused by deficiency of enzyme D galactosidase which causes the texture of kopyor coconut meat to become unique. Its uniqueness attracts many enthusiasts resulting in a high economic value, 4 5 times that of the ordinary coconut. From its external appearance, kopyor coconut does not differ with ordinary coconut. To date, both farmers and sellers use a traditional method by listening to the sound of whisk from kopyor coconut to detect them. Unfortunately, it relies heavily on experience and expertise of the person. Therefore, a new detection method is proposed based on sound recognition using Mel Frequency Cepstrum Coefficient MFCC as the method for feature extraction and Dynamic Time Warping DTW as the method for feature matching. Objects that will be detected are kopyor coconuts and ordinary coconut which has grown mature. By using both methods, a program has been developed to detect kopyor coconut with an accuracy 96.4.

Abstrak :
Jenis-jenis alat musik yang digunakan dalam suatu musik adalah salah satu cara menjelaskan musik tersebut. Skripsi ini membahas penggunaan ekstraksi fitur MFCC dan metode klasifikasi k-NN untuk mengklasifikasi alat musik berdasarkan suara yang dihasilkannya. MFCC merupakan sebuah metode yang mampu mengolah sebuah data suara sehingga menghasilkan beberapa fitur yang bersifat numerik. k-NN merupakan sebuah metode klasifikasi yang menggunakan jarak dari fitur tiap-tiap observasi. Pengerjaan skripsi dilakukan dengan mengekstraksi fitur dari data-data suara yang tersedia dengan MFCC lalu menggunakan fitur-fitur yang diekstraksi tersebut untuk metode klasifikasi k-NN. Data yang digunakan adalah data suara alat musik yang tersedia pada dataset Philharmonia Orchestra Sound Samples. Hasil dari penerapan metode klasifikasi k-NN pada skripsi ini menunjukkan bahwa model k-NN mampu meraih nilai akurasi hingga 94,84%.

---

Instrumentation is one way to describe a music. This study discusses the use of MFCC feature extraction and k-NN classification method to classify instruments by the sound they produce. MFCC is a method capable of processing a sound data into a set of numeric features. k-NN is a classification method that uses the distance of the features of each observations. The process of this study uses MFCC to extract the features of available sound data and use these extracted features to fit a k-NN model. The data used in this study are the sound data available in the Philharmonia Orchestra Sound Samples dataset. The result of k-NN model fitting in this study shows that the model is capable of reaching an accuracy of 94.84%.

Abstrak :

Emosi merupakan hal penting yang dimiliki oleh manusia. Banyak riset yang sudah dilakukan untuk menganalisis emosi seseorang secara langsung maupun tidak langsung. Salah satu topik dari machine learning yang berkembang adalah sistem yang mampu mempelajari isi suara manusia untuk menentukan emosi seseorang yang dinamakan speech emotion recognition. Banyak riset yang sudah dilakukan masih menggunakan dataset berbahasa Inggris, untuk itu diperlukan penelitian speech emotion recognition dengan menggunakan dataset berbahasa Indonesia. Pada penelitian ini dilakukan analisa speech emotion recognition menggunakan  4 model berbeda yaitu Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), dan Logistic Regression (LR). Penelitian ini dilakukan dengan menggunakan hasil ekstraksi dari Mel-frequency Cepstral Coefficient (MFCC) yang dimasukkan ke dalam bentuk matriks 2D sebagai input menuju model percobaan. Dataset yang digunakan merupakan cuplikan dialog berbahasa Indonesia dengan karakteristik emosi tertentu yang sudah dikelompokkan terlebih dahulu. Dari percobaan yang telah dilakukan, didapatkan hasil bahwa model SVM memiliki tingkat rata-rata akurasi tertinggi jika dibandingkan dengan model lainnya, yaitu sebesar 59%. Sedangkan untuk model LR, KNN, dan CNN didapatkan tingkat akurasi rata-rata secara berurutan sebesar 54,5%; 53,5%; dan 47,7%.

---

Emotions are important things in human life. A lot of research had been done to analyze persons' emotions directly or indirectly. One of the topics of machine learning that is developing is a system that could understand the content of the human voice to determine a person's emotions called speech emotion recognition. Much of the research that had been done still uses English datasets. Therefore, speech emotion recognition research using Indonesian language datasets is needed. In this study, Speech Emotion Recognition analysis was performed using 4 different models, such as Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), and Logistic Regression (LR). This study was conducted using the extraction outputs from the Mel-frequency Cepstral Coefficient (MFCC) which was converted into a 2D matrix. The output would be used as an input to the model. The dataset used was a snippet of Indonesian dialogue with several emotional characteristics that had been grouped. Based on this study, the results showed that the SVM model had the highest average level of accuracy around 59%. Meanwhile, for the LR, KNN, and CNN models, the average accuracy rate were 54.5%; 53.5%; and 47.7%.