Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada Skripsi ini membahas tentang proses konversi ucapan menjadi tulisan, Speech-to-Text yang merupakan salah satu aplikasi dari speech recognition. Tujuan dari skripsi ini yaitu bagaimana sistem dapat mengenali sedikitnya 30 kata baik kata dasar walaupun kata jadi yang diucapkan oleh seseorang tertentu (speaker dependent) dan melihat performansi (unjuk kerja) dari sistem dengan parameter codebook dan jumlah framing yang berbeda-beda. Simulasi dibuat dengan menggunakan program Matlab 6.5 dan metode yang digunakan yaitu Hidden Markov Model (HMM). Metode HMM ini telah banyak diapliksikan dalam teknologi speech recognition. Cara yang digunakan dalam simulasi ini yaitu mengenali kata melalui pengenalan terhadap unit katanya yaitu suku kata. Suku kata yang dijadikan sebagai sumber database sebanyak 25 buah, dan dengan menggunakan variabel ukuran codebook dan jumlah training yang berbeda-beda untuk dilihat performansi mana yang memberikan hasil pengenalan terbaik. Dari hasil percobaan dengan simulai ternyata dengan ukuran codebook dan jumlah training yang lebih besar untuk jumlah label 25 memberikan performansi yang lebih baik dan dapat memberikan perbaikan dari kondisi sebelumnya, dalam hal ini memberikan perbaikan dari keberhasilan 8,36 % pada codebook 32 dan training 5 menjadi 81,09 % dengan menggunkan codebook 1024 dan jumlah training 40. Kata-kata yang berhasil dikenali dengan variasi dari 25 suku kata sedikitnya ada 50 kata.

Abstrak :
ABSTRACT
Skripsi ini menganalisa metode machine learning menggunakan Hidden Markov Model (HMM), yang merupakan alat prediksi stochastic dan probabiliti digunakan untuk mengevaluasi gerakan di dalam pasar valuta asing. Skripsi ini membahas khususnya penerapan metode HMM di pasar valuta asing sebagai alat untuk memprediksi pergerakan dan hasil dari nilai tukar di dalam pasar, kemudian menganalisis data yang tersedia, dan akhirnya membuat keputusan berdasarkan hasil yang diperoleh. Data yang digunakan adalah data harga penutupan pada pasar valuta asing AUD/USD dalam dua jangka waktu yang berbeda, harga penutupan per 1 jam dan per 15 menit, dan data yang digunakan diperoleh dari beberapa sumber online. Analisis awal menunjukkan beberapa faktor eksternal dapat mempengaruhi keakuratan hasil. Hasilnya mengindikasi, dengan tidak memperhitungkan factor-faktor luar lainnya, akurasi yang lebih baik didapat sewaktu menggunakan haraga penutupan jangka waktu yang lebih pendek.

---

ABSTRACT
This bachelor thesis analyses the method of machine learning using Hidden Markov Model, which is a predictive stochastic and probability tool in order to evaluate the movement inside the foreign exchange market. This paper discusses particularly the application of HMM method in the forex (foreign exchange) market, as the tool for forecasting the movement and the outcome of the exchange rate inside the market, analyses them, and finally making a decision basing on the obtained outcomes. The data used are the closing price of the AUD/USD forex market in two different timeframes, per hour closing price and per 15 minutes closing price, and was obtained from several online foreign exchange sources. Initial analysis suggests several external factors may affect the accuracy of the results. The results indicate, excluding any external factors, better accuracy was obtained when shorter closing price timeframe was used.

Abstrak :
Tugas akhir ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi retina manusia melalui proses image processing dengan menggunakan Hidden Markov Model. Dalam pembuatan perangkat lunak indetifikasi ini terdiri atas dua bagian, yakni pembentukan database dan proses identifikasi itu sendiri. Pembentukan database akan menghasilkan codebook dan nilai probabilitas HMM. Identifikasi dilakukan dengan mengambil hasil scanning retina dari rumah sakit. Kemudian dilakukan proses normalisasi dan ekstraksi terhadap gambar retina yang didapat untuk memindai pola pembuluh darah kapiler pada retina. Proses pengenalan retina dalam tugas akhir ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja agar dapat mengetahui setiap jenis pola pembuluh darah yang ada, serta proses pengenalan retina itu sendiri (recognition) yang digunakan untuk mengenali retina yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali retina yang diuji dengan tingkat akurasi mencapai 100%.

---

This final project is created to design a software that can identify human retina through image processing using hidden markov model. This identification software consist of two part, that are database development and identification itself. The database development produce codebook and HMM probability value. Identification using retinal scanning from hospital. Then the images will be normalisated and extracted to separate retinal vessel. The identification process of retinal in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of retinal vessel, and the second one is the recognition process of all retinal image. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested retinal image with 100% accuracy.

Abstrak :
Sistem pengenalan ucapan atau Speech Recognition merupakan salah satu teknologi yang dapat mempermudah cara manusia berinteraksi dengan mesin/komputer melalui ucapan. Recognition Experimental System (RES) merupakan sebuah sistem aplikasi Speech Recognition yang menerapkan metode HMM dalam mengenali ucapan man usia. Untuk mendapatkan kemampuan yang ideal dari sistem tersebut terdapat beberapa faktor yang berpengaruh terhadap sistem pengenalan ucapan yaitu faktor jumlah file pelatihan, dialek pembicara, jumlah parameter ekstraksi yang dapat merepresentasikan ciri dari sebuah ucapan serta arsitektur Hidden Markov Model (HMM) yang digunakan. Penelitian ini merupakan pengembangan dari penelitian terdahulu, yang menitikberatkan pada model Bahasa Indonesia yang diterapkan di sistem pengenalan ucapan RES. Dikarenakan banyak dialek bahasa daerah di Indonesia yang berpengaruh terhadap pengucapan Bahasa Indonesia baku, sehingga penelitian ini fokus pada analisis terhadap pengaruh dialek pembicara dalam sistem pengenalan ucapan yang diujikan pad a 4 model HMM yang berbeda. Berdasarkan hasil pengujian, menunjukkan bahwa variasi parameter- parameter yang diekstrak, model HMM yang digunakan serta jumlah state HMM yang optimal berpengaruh terhadap tingkat keberhasilan sistem dalam mengenali ucapan berbahasa Indonesia.

Abstrak :
Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan secara real-time. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metoda Hidden Markov Model (HMM) yang telah diprogram di dalam perangkat lunak Matlab. Perubahan fase pada masing-masing kelompok ikan disebabkan oleh perbedaan pada bentuk dan bahan permukaan ikan, kecepatan ikan, serta formasi susunan ikan dalam suatu kelompok yang strukturnya mengikuti gerakan schooling suatu kawanan ikan. Dimana setiap ikan memiliki karakteristik yang unik.

---

This thesis was made to recognize the kind of fishes from their phase changing by analyzing phase changing of the reflected waves that received from the fishes movement in real-time. The reflected waves was recognized using the Hidden Markov Model which was programmed in Matlab software. Phase changing in the group of fishes was caused by the difference of the fish form, the surface of the fish, the speed of the fish movement, also the formation of fish in a group that make a schooling movement. Because of that, many group of fishes could have unique characteristic.

Abstrak :
ABSTRAK
Pada perusahaan notebook computer, mengatur inventaris komponen untuk pusat servis adalah penting. Meskipun banyak penelitian yang telah dilakukan untuk memprediksi waktu perbaikan dan volume perbaikan pada komponen notebook computer, penelitian mengenai rekognisi pola pada kerusakan komponen di notebook computer terbatas. Pada penelitian ini, dalam rangka untuk memberikan input berharga terhadap praktik manajemen inventaris pada pusat perbaikan notebook computer, riset ini berfokus pada upaya untuk merekognisi pola kerusakan komponen pada notebook computer. Sejarah perbaikan yang bersifat urutan dikumpulkan dari sebuah pusat perbaikan notebook computer di Taiwan dan dijadikan sebagai sekuen observasi pada Hidden Markov Model HMM . Sementara itu, kerusakan komponen dijadikan sebagai hidden states dari model ini. Setelah dilkaukan pre-proses data, struktur HMM yang tidak imbang ditemukan. Untuk menyelesaikan ini, algoritma cellular Genetic Algorithm cGA dengan mekanisme dominansi kromosom digunakan untuk mengestimasi HMM. Lebih lanjut, untuk meningkatkan performa dari algoritma, sebuah fitur adaptif untuk mengganti dominansi rasio kromosom dan sebuah fitur untuk mengestimasi ulang fitness value dengan menggunakan Baum-Welch Algorithm diimplementasikan. Algoritma ini kemudian disebut Adaptive cGA-BW dan setelah itu digunakan untuk mengestimasi HMM dari 2099 sekuen observasi. Sebuah studi komparatif dilakukan terhadap algoritma konvensional untik mengestimasi HMM dan varian cGA lainnya telah dilakukan. Pada penelitian ini algoritma yang diajukan memiliki performa yang lebih baik secara signifikan. Hasil ini dikonfirmasi dengan test Kruskal-Wallis. Untuk mengetahui pola keruskan komponen paling mungkin terjadi, Viterbi Algorithm digunakan untuk menerjemahkan 70 sekuen observasi paling sering terjadi dengan menggunakan model yang telah diestimasi oleh Adaptive-cGA BW.

---

ABSTRACT
For notebook computer companies, managing component inventory for repair service centers is vital. While there are many works performed forecast in repair time and repair volume of components, there is a limited number of research performs the pattern recognition for component failure in notebook computers. This work, in the quest of providing valuable inputs for the inventory management practice of repair service center, will focus recognizing the pattern of component failure in notebook computers. Sequential repair history was gathered from a notebook computer repair service center in Taiwan and treated as sets of observations sequences of a hidden Markov model HMM. Meanwhile, the component failure is treated as the hidden states. The pre processing of raw data is carried out and revealed an imbalanced HMM structure. To tackle this, a cellular Genetic Algorithm cGA with dominance chromosome mechanism is proposed to train the HMM. Furthermore, to enhance the performance of the proposed algorithm, an adaptive feature to switch the dominance chromosome ratio and a feature to re estimate the fitness value using Baum Welch Algorithm is proposed. This proposed algorithm is then called Adaptive cGA BW and, subsequently trained the HMM for 2099 observation sequence instances. A comparative study among conventional algorithm to train the HMM and other variants of cGA is employed. This study shows Adaptive cGA BW performed significantly better than Baum Welch Algorithm. This result is verified by Kruskal Wallis test. To understand the most probable component failure pattern, Viterbi Algorithm based on the HMM trained by Adaptive cGA BW is implemented. The algorithm decoded the 70 most occurring observation sequences to component failure patterns. These patterns are ranked by their probability of happening.

Abstrak :
Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan jenis kawanan ikan dengan metode Hidden Markov Model ( HMM ) dari pendeteksian bentuk fish schooling yang teriihat pada echogram fish finder. Hal ini didasarkan pada teori bahwa ikan mempunyai bentuk schooling atau pergerakan berkelompok dengan struktur dan irama yang unik. Data untuk proses pengenalan diperoleh dari database Balai Penelitian Departemen Kelautan dan Perikanan yang melakukan observasi di laut Jawa pada bulan Desember 2005. Dalam penelitian ini image dari kawanan ikan dengan bentuk tertentu, yang teriihat pada echogram, dibentuk ke matrix dengan sampling dan graylevel quantization kemudian diplot menjadi gelombang dengan durasi tertentu. Gelombang-gelombang tersebut diubah ke domain frekuensi menjadi bilangan vector yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook sebagai data base. Pada proses pengenalan dihitung besar log of probability HMM untuk semua jenis ikan berdasarkan nilai codeword dari nilai sample point ikan. Dari percobaan yang dilakukan didapatkan tingkat akurasi yang cukup tinggi untuk mendeteksi jenis schooling ikan yakni persen akurasi hingga 92%.

Abstrak :
Skripsi ini berisi tentang sistem pendeteksian gelombang gempa penyebab tsunami dengan menggunakan metoda Hidden Markov Models (HMM) dengan membandingkan keseluruhan sistem terhadap perubahan ukuran codebook, besarnya iterasi dan durasi sinyal. Pada sistem pendeteksian ini, gelombang gempa yang diterima disampling terlebih dahulu kedalam bentuk diskrit. Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan algoritma General Lloyd Algorithm (GLA) yang selanjutnya akan ditraining dengan metoda HMM dan diidentifikasi. Pada tahap identifikasi gelombang gempa (recognition), ketiga jenis parameter ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh. Peningkatan ukuran codebook, besar iterasi dan durasi sinyal memberikan peningkatan pada persentasi keberhasilan ini. Dari hasil uji coba, tingkat akurasi rata - rata yang diperoleh pada sistem ini adalah untuk durasi pencuplikan 0,1 codebook 32 = 69,1 %, cobebook 64 = ,76,6 % dan codebook 128 = 85 %. Sedangkan untuk durasi pencuplikan 0,5 detik codebook 32 = 72,5 %, cobebook 64 = 73,3 % dan codebook 128 = 81,6 %. Serta untuk durasi pencuplikan 1 detik ukuran codebook 32 = 75 %, codebook 64 = 81,6 % dan codebook 128 = 87,5 %.

---

This skripsi contains a system of earthquake causes tsunami waves by using the method of Hidden Markov Models (HMM) compare with the whole system to change the size of codebook, the size of the Iterations and the duration of the signal. On this system, the earthquake waves which received then take sampling into diskrit form. Diskrit signal is extracted so that the characteristics obtained by using the MFCC (Mel Frequency Cepstrum Coefficient). Vector data and that the algorithm quantized by General Lloyd algorithm (GLA), which will then be trained with the methods and identified HMM. At the identification stage, the wave changes phase (recognition), this third type of parameters are based on the performance of the level of accuracy obtained. Increasing the codebook size, duration and iteration of the signal gives an increase in the percentage success. From the results of the testing, the level of accuracy the average obtained in this system is for the duration 0.1 seconds and codebook 32 = 69.1%, cobebook 64 = 76.6% and the codebook 128 = 85%. While for the duration 0.5 seconds and codebook 32 = 72.5%, cobebook 64 = 73.3% and the codebook 128 = 81.6%. And for 1 second duration size codebook 32 = 75%, codebook 64 = 81.6% and the codebook 128 = 87.5%.

Abstrak :
Hidden Markov models (HMMs) are discrete-state, discrete-time, stochastic dynamical systems. They are often used to approximate systems with continuous state spaces operating in continuous time. In addition to introducing the basic ideas of HMMs and algorithms for using them, this book explains the derivations of the algorithms with enough supporting theory to enable readers to develop their own variants. The book also presents Kalman filtering as an extension of ideas from basic HMMs to models with continuous state spaces. Although applications of HMMs have become numerous (396,000 Google hits) since they emerged as the key technology for speech recognition in the 1980s, no introductory book on HMMs in general is available. This text aims to fill that gap. Hidden Markov Models and Dynamical Systems features illustrations that use the Lorenz system, laser data, and natural language data. The concluding chapter presents the application of HMMs to detecting sleep apnea in experimentally measured electrocardiograms. Algorithms are given in pseudocode in the text, and a working implementation of each algorithm is available on the accompanying website.