Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dengan semakin lengkapnya fasilitas yang ada pada perangkat mobile, termasuk disediakannya kamera pada perangkat tersebut, salah satu yang dapat dimanfaatkan dari fasilitas ini adalah memotret obyek dan melakukan upload untuk keperluan mobile learning. Pada proses pemotretan, sangat dimungkinkan terjadi blur akibat pengguna kurang stabil dalam memegang perangkat mobile yang kurang stabil. Agar informasi yang terdapat pada gambar tetap dapat disampaikan dengan baik pada pengguna mobile learning lainnya, maka diperlukan proses image enhancement, salah satunya adalah deblurisasi. Selain deblurisasi, diperlukan juga antara lain proses resize gambar agar sesuai dengan ukuran layar pengguna. Namun proses tersebut harus tetap memperhatikan informasi yang berada pada gambar tersebut. Hal itu dimungkinkan dengan menerapkan algoritma seam carving pada saat adaptasi ukuran gambar. Dari hasil penerapan modul-modul deblurisasi dan seam carving pada mobile learning, didapatkan perbandingan kualitas antara gambar sebelum deblurisasi dan setelah deblurisasi. Waktu total yang diperlukan untuk me-load sebuah gambar dihitung, dan dibandingkan dengan nilai obyektif kualitas suatu gambar, yaitu Mean Square Error (MSE), Peak Signal to Noise Ratio (PSNR) dan Blurred Signal to Noise Ratio (BSNR) ......Nowadays, a lot of mobile devices are equipped with more feature other than telephone and SMS, such as camera, enable users to do more with their devices. It includes uploading pictures taken by camera on their phone for mobile learning purpose. It is widely possible that blurs occur in the process of taking the picture. In order to enhance image information to users, one of common method to improve image quality is deblurring. Beside deblurring, adaptation is also needed to deliver image based on user?s phone screen size. It can be achieved by implementing seam carving algorithm when resizing the image. Objective image quality can be obtained by computing MSE and PSNR from original and deblurred images. Total response time to load an image is also identified and then being compare to objective image quality values.

Abstrak :
Dengan semakin lengkapnya fasilitas yang ada pada perangkat mobile, termasuk disediakannya kamera pada perangkat tersebut, salah satu yang dapat dimanfaatkan dari fasilitas ini adalah memotret obyek dan melakukan upload untuk keperluan mobile learning. Pada proses pemrotretan, sangat dimungkinkan terjadi blur akibat pengguna kurang stabil dalam memegang perangkat mobile yang kurang stabil. Agar informasi yang terdapat pada gambar tetap dapat disampaikan dengan baik pada pengguna mobile learning lainnya, maka diperlukan proses image enhancement, salah satunya adalah deblurisasi. Selain deblurisasi, diperlukan juga antara lain proses resize gambar agar sesuai dengan ukuran layar pengguna. Namun proses tersebut harus tetap memperhatikan informasi yang berada pada gambar tersebut. Hal itu dimungkinkan dengan menerapkan algoritma seam carving pada saat adaptasi ukuran gambar. Dari hasil penerapan modul-modul deblurisasi dan seam carving pada mobile learning, didapatkan perbandingan kualitas antara gambar sebelum deblurisasi dan setelah deblurisasi. Waktu total yang diperlukan untuk me-load sebuah gambar dihitung, dan dibandingkan dengan nilai obyektif kualitas suatu gambar, yaitu Mean Square Error (MSE), Peak Signal to Noise Ratio (PSNR) dan Blurred Signal to Noise Ratio (BSNR). ......Nowadays, a lot of mobile devices are equipped with more feature other than telephone and SMS, such as camera, enable users to do more with their devices. It includes uploading pictures taken by camera on their phone for mobile learning purpose. It is widely possible that blurs occur in the process of taking the picture. In order to enhance image information to users, one of common method to improve image quality is deblurring. Beside deblurring, adaptation is also needed to deliver image based on user?s phone screen size. It can be achieved by implementing seam carving algorithm when resizing the image. Objective image quality can be obtained by computing MSE and PSNR from original and deblurred images. Total response time to load an image is also identified and then being compare to objective image quality values.

Abstrak :
Hasil rekaman kamera ponsel rentan memiliki blur terutama jika ada objek bergerak seperti rekaman bahasa isyarat. Hal tersebut membuat usaha untuk melakukan interpretasi bahasa isyarat pada rekaman kamera ponsel menjadi terhambat karena terjadi blur pada bagian tangan peraga bahasa isyarat. Penelitian ini berusaha melakukan perbaikan hasil rekaman peragaan bahasa isyarat yang direkam dengan kamera ponsel menggunakan partial deblur dan DeblurGANv2. Partial Deblur adalah metode deblur yang dikembangkan dalam penelitian ini untuk menghindari melakukan deblur pada bingkai utuh melainkan hanya melakukan deblur pada bagian bingkai yang blur karena pergerakan objek (partial) demi mengurangi waktu deblur. Partial Deblur bekerja dengan mencari partial berdasarkan pergerakan dari dua buah bingkai berdekatan dalam satu sekuens bingkai yang sama. Partial yang telah didapatkan kemudian dilakukan deblur menggunakan DeblurGANv2 dengan pretrained model. Setelah Partial Deblur selesai dikembangkan, performanya dibandingkan dengan deblur bingkai utuh menggunakan DeblurGANv2. Performa yang dibandingkan adalah peningkatan skor blur, waktu yang dibutuhkan untuk deblur, dan analisis subjektif hasil deblur kedua metode. Hasil eksperimen menunjukkan bahwa Partial Deblur berhasil mendapatkan partial yang berisi bagian bingkai yang blur karena pergerakan objek dan peningkatan skor blur bingkai dari deblur bingkai menggunakan DeblurGANv2 hampir sama dengan peningkatan skor blur partial dari Partial Deblur. Selain itu, waktu rata-rata yang dibutuhkan Partial Deblur untuk memproses suatu sekuens hanya 1/8 kali dari pada menggunakan deblur bingkai dengan DeblurGANv2. Namun, hasil analisis subjektif terhadap hasil deblur menunjukkan bahwa DeblurGANv2 yang digunakan untuk melakukan deblur partial dalam metode partial deblur dan deblur bingkai belum berhasil memperbaiki bagian yang blur karena pergerakan objek. ......Video recordings of smartphone cameras are susceptible to blur, especially if exist a fast-moving object like sign language video recordings. Blurs in the area of hands of sign language demonstrator will result in inaccuracies when in the attempt of sign language interpretation using the developed smartphone app. This study tries to improve the results of the sign language demonstration recorded with a smartphone camera using Partial Deblurring and DeblurGANv2. Partial Deblurring is a deblurring method that was developed in this research to avoid doing deblur on the whole frame but only doing deblur parts of the frame that is blurry due to object movement (partial) in order to reduce time cost. Partial Deblurring works by finding partials based on the movement of two adjacent frames in the same frame sequence. Partials that have been obtained are then deblurred using DeblurGANv2 with a pretrained model. After Partial Deblurring has been developed, its performance is compared to full-frame deblurring using DeblurGANv2. The performance compared is the increase in the blur score (using variance of laplacian), time cost for deblur, and subjective analysis of the results of the deblur of the two methods. The experimental results show that Partial Deblurring managed to obtain partials that contain parts of the frame that is blurred due to object movement, and the increase of blur score in the area being deblurred is almost the same as that of full-frame deblurring. In addition, the average time required for Partial Deblurring to process a sequence of frames is only 1/8 times that of using full-frame deblurring. However, the results of the subjective analysis show that the DeblurGANv2 used to perform deblurring in the Partial Deblurring and full-frame deblurring methods has not succeeded in correcting the blurred parts where extreme movements happen.