Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Batik adalah kain yang dihias dengan menggunakan teknik dekorasi tekstil yang memanfaatkan malam sebagai perintang warna. Seni batik telah dikembangkan sejak lama di beberapa bagian negara Asia termasuk Indonesia. Pemanfaatan teknologi informasi dalam bentuk metode deteksi motif batik dapat mendukung perkembangan industri kreatif karena sistem ini nantinya dapat dijadikan sebagai acuan bagi perkembangan elemen-elemen desain motif batik. Fokus penelitian ini adalah deteksi motif batik yang memiliki karakteristik kemunculan yang berulang, multi translasi, multi skala, dan multi orientasi. Domain batik dengan pola geometrisnya dipilih sebagai area implementasi terkait dengan karakteristik motif batik yang bersifat simetri, kemunculan obyek yang berulang di beberapa lokasi dalam satu bidang kain, dan sering kali obyek-obyek motif batik tersebut telah mengalami perubahan skala ataupun perubahan orientasi. Kondisi tersebut dapat menyebabkan adanya kesalahan deteksi dan kesalahan klasifikasi. Metode deteksi motif batik yang diusulkan menggunakan fitur SIFT dan serangkaian post processing berupa voting Hough Transform, clustering, smoothing, deteksi peak, penambahan jumlah minimum voting dan penggabungan konfigurasi yang memiliki nilai berdekatan. Pada citra kueri dilakukan ekstraksi fitur menggunakan SIFT. Deskriptor yang dihasilkan dicocokkan dengan deskriptor citra template pada basis data. Pada penelitian ini diusulkan metode pencocokan keypoint yang berbeda dengan metode standar pencocokan SIFT. Seluruh pasangan keypoint diurutkan mulai dari yang memiliki jarak terdekat hingga yang paling jauh. Selanjutnya ditentukan nilai ambang jumlah keypoint sebesar 1%, 5% dan 10%. Pasangan keypoint hasil pencocokan dilakukan voting menggunakan Hough Transform terhadap konsistensi pose geometris obyek citra kueri. Sehubungan dengan permasalahan yang dihadapi dalam deteksi motif batik, proses pencocokan deskriptor citra berupa keypoint yang diperoleh melalui ekstraksi fitur, harus dapat dilakukan dengan baik sehingga kualitas deteksi motif batik menjadi lebih baik. Pada penelitian ini dikembangkan pula beberapa metode deteksi obyek yang berfungsi sebagai pengambil keputusan terhadap keberadaan obyek tertentu pada citra kueri. Metode deteksi obyek ini bekerja dengan cara mengambil hingga maksimum 80% dari nilai peak tertinggi yang terbentuk pada ruang Hough (MDOTresh), penggunaan nilai ambang berdasarkan rumusan rata-rata nilai peak yang terendah dan peak yang tertinggi (MDOAverage), penentuan nilai k berdasarkan nilai-nilai peak tertinggi sesuai dengan jumlah obyek yang terdapat pada groundtruth (MDOTopk), mengambil konfigurasi pada peak yang memiliki minimum nilai sebesar 3 voting pada setiap konfigurasi luaran ruang Hough (MDOMin), penentuan representasi obyek berdasarkan keluaran clustering DBSCAN (MDOScan), dan melakukan proses smoothing menggunakan filter Gaussian pada hasil deteksi dengan jumlah minimum voting sebanyak 3 buah (MDOGauss). Kehandalan metode dalam melakukan deteksi diindikasikan dengan ketepatan dalam menentukan jumlah obyek yang terdapat pada citra kueri dan mampu mengenali motif batik walaupun telah mengalami transformasi geometris melalui perpindahan posisi, perbedaan skala, dan perubahan orientasi. Berdasarkan hasil yang telah diperoleh, metode deteksi motif batik untuk data citra kueri dengan obyek tunggal, kombinasi translasi, skala, dan orientasi mencapai nilai kinerja maksimum 95.28% menggunakan MDOTresh, sedangkan pada citra kueri dengan obyek tunggal dan variasi noise mencapai 100% melalui MDOTresh, MDOAverage, dan MDOTopk. Hal ini menunjukkan bahwa metode deteksi motif batik mampu menangani obyek tunggal dengan berbagai kondisi. Pada deteksi motif batik dengan multi obyek, multi translasi, multi skala dan multi orientasi capaian maksimum kinerja metode usulan adalah 92.13%, sedangkan untuk citra kueri dengan multi obyek, multi translasi, multi skala, multi orientasi, dan variasi noise diperoleh capaian kinerja 89.89%. Keduanya diperoleh melalui pendekatan MDOGauss. Pada kondisi ini, penambahan jumlah obyek motif pada citra kueri menyebabkan bertambahnya jumlah obyek yang tidak berhasil dideteksi. Kasus selanjutnya adalah deteksi obyek motif batik dengan multi motif, multi obyek, multi skala, dan multi orientasi dengan luaran ruang Hough berupa jumlah voting absolut mencapai 96.09% untuk MDOTresh. Transformasi geometris pada obyek motif batik berakibat penurunan kontras citra sehingga berpengaruh pada jumlah voting yang dihasilkan. Untuk komposisi motif teratur dengan jumlah maksimum 16 obyek motif batik untuk motif sejenis mendapatkan hasil 100% melalui MDOAverage, sedangkan untuk multi motif 92.59% melalui pendekatan MDOTresh dan MDOAverage. ......Batik is a fabric printed design of hand-printing textiles by coating with wax. Batik has been developed since a long time in various countries including Indonesia. Nowadays, information technology is being utilized in recognizing batik motif. Therefore, the development of batik motif detection system is expected to support creative industries since the system can be used as a reference for the development pattern design. This study proposes an object recognition system for batik motif based on clustering Scale Invariant Features Transform (SIFT) features in Hough space. Our principal objective is to verify how many instances of the same object to our method detects accurately, when the object motif is posed in different positions, orientations, and scales. The geometric patterns domain is being selected regarding the characteristics of batik motifs. Batik motifs have symmetrical property and repeated in multiple locations. In addition, the objects of batik motif may be changed in terms of scale and orientation. The proposed method in this research consists of the feature extraction process using SIFT and post processing, namely voting Hough Transform, clustering, smoothing and peak detection. The keypoints from query image and the keypoints from template are matched with comparing the Euclidean distance of each keypoints descriptor in query image to all keypoint descriptors in template image. In this study we proposed a new matching keypoints method. All matched keypoints will be sorted from the closets distance to the farthest distance. Then, we determine the number of matched keypoint that will be used in the next process through the threshold 1%, 5%, and 10%. The similarity of primitive pattern and the occurrences of a motif in different location, scale and orientation will interfere the detection process. Consequently, the SIFT local feature representation must be performed well in terms of feature detection and matching. In this study, several object detection methods are proposed as well based on object’s representation resulted from the voting process in Hough space. Object detection method using thresholding (MDOTresh) is taking 80% of maximum peak value, while object detection method with average threshold (MDOAverage) picks the mean value of minimum and maximum peak in the Hough space. Object detection method Top k (MDOTopk) determines k number of objects from the highest peaks found in the Hough space based on the number of objects in ground truth. Object detection method based on Minimum Voting (MDOMin) considers the voting configurations which have a certain number of votes. In this study the minimum number of votes is tuned to 3 as a valid configuration. Object detection method based on DBSCAN (MDOScan) determines the representation of the object from output clustering. Object detection method using Minimum Voting + Gaussian (MDOGauss) implements smoothing process using Gaussian filter for the output configurations which have a minimum number of votes as 3. The reliability of batik motif recognition system is indicated by the ability of the system to find the number of object motif contained in query image and to classify the object motif into one of several batik motif classes even though the objects motif have undergone a geometric transformation. The evaluation of the proposed method is employing several data sets. Based on the evaluation result using query images with a single object, combination of translation, scale and orientation, object detection system MDOTresh gained balanced score 95.28%, while for the query image with a single object and scale variation of noise reached 100% through MDOTresh, and MDOAverage. It is apparent that the recognition system is capable of dealing with a single object with a various conditions. In recognition process for query image with multiple occurrences object, multi translation, multi scale and multi orientation, the highest performance is 92.13%, whereas for the image query with multi object, multi translation, multi-scale, multi- orientation, and variations in noise yielded 89.89%. Both are obtained through MDOGauss approach. In this case, increasing the number of object motif in the query image, a greater number of incorrect detections are obtained. The next case is the object motif recognition from query images with multi motif, multi object, multi scale and multi orientation. This data set has 2 outputs from Hough space namely absolute voting number and normalized voting number. The absolute voting number outputs achieved the best performance at 96.09% for the MDOTresh, while the normalized voting number gained 36.92% for MDOGauss. Geometric transformations on the object motif will be decreased contrast of object in the query image so that affected the number of voting resulted. The last data set is a regular texture, composition of the object motif with a maximum numbers are 16 objects. The best performance is 100% for homogeneous motif achieved from MDOAverage, while for multi motif yielded 92.59% achieves from MDOTresh and MDOAverage as the best.

Abstrak :
Tren adalah suatu pola yang berulang, sementara analisis tren merupakan praktik pengumpulan dan analisis data dalam upaya untuk menemukan pola tersebut. Analisis tren adalah suatu metode untuk memproyeksikan kondisi masa depan berdasarkan data masa lalu hingga saat ini. Tinjauan literatur sistematis, bibliometrik, dan topic modeling adalah beberapa contoh pendekatan yang sering dipakai untuk menangkap fenomena perkembangan tren sains dan teknologi. Penelitian ini bertujuan untuk melakukan pengujian dan implementasi algoritma deteksi topik berbasis clustering yang dikombinasikan dengan analisis kualitatif dalam pendeteksian tren topik untuk mendapatkan gambaran yang menyeluruh mengenai konsep, struktur ilmiah, topik utama, dan perkembangan bidang teknologi big data dan smart sustainable city. Analisis topik dilakukan terhadap kumpulan data bibliografi publikasi ilmiah terkait kedua bidang tersebut yang didapat dari basis data Scopus dan CORE. Pengujian terhadap kinerja algoritma Deep-autoencoder based Fuzzy C-Means (DFCM) untuk deteksi topik dari corpus dokumen publikasi ilmiah menunjukkan bahwa algoritma DFCM menunjukkan kinerja yang baik serta dapat mengungguli kinerja algoritma-algoritma standar yang banyak dipakai untuk pendeteksian topik seperti Non-negatif Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) pada corpus dengan ukuran besar. Analisis hasil clustering terhadap data publikasi ilmiah memberikan gambaran perkembangan dan topik-topik yang menjadi “highlight” dalam periode tertentu, mencari research gap dan mengetahui karakteristik penelitian, serta memprediksi topik penelitian apa saja yang menjanjikan di masa depan. ......A trend is a recurring pattern, while trend analysis is the practice of collecting and analyzing data to find that pattern. Trend analysis is a method for projecting future conditions based on past to present data. Systematic literature review, bibliometrics, and topic modeling are examples of approaches that are often used to capture the phenomenon of the development of science and technology trends. This study examined and implemented clustering-based topic detection algorithms, combined with qualitative analysis, to comprehensively picture the concept, scientific structure, main topics, and developments in big data technology and smart and sustainable city. The topic analysis is performed on collecting bibliographic data from scientific publications related to these two fields obtained from the Scopus and CORE database. In this research, the deep-autoencoder based on the Fuzzy C-Means (DFCM) algorithm's performance for topic detection from the corpus of scientific publication documents was examined. Based on the experiment's results, it can be concluded that the DFCM algorithm shows good performance and can outperform standard algorithms that are widely used for topic detection, such as Non-negative Matrix Factorization (NMF) and Latent Dirichlet Allocation (LDA) on topic detection tasks in huge corpus text. The clustering results analysis on scientific publication data provides an overview of research topics and developments that become "highlights" in a certain period, discover research gaps and characteristics, and predict what research topics are promising in the future.

Abstrak :
Fenomena yang sering ditemukan di lapangan adalah masalah partial discharge pada isolasi khususnya bushing transformator yang seharusnya mampu untuk menahan tegangan tembus yang telah ditentukan. Namun pengukuran dan pendeteksian partial discharge sebagai langkah preventif masih jarang dijumpai, sehingga berakibat pada kegagalan total pada isolasi. Pada penelitian ini dibahas tentang kegagalan isolasi baik padat, cair maupun gas yang merupakan faktor penting terjadinya partial discharge. Bushing merupakan peralatan persambungan yang merupakan titik lemah dari sistem tenaga listrik dan rentan terhadap kegagalan. Sehingga disusunlah berbagai metode untuk pendeteksian partial discharge ini seperti Dissolved Gas Analysis (DGA), pendeteksian emisi akustik, ultrasonik dan infra merah. Pada penelitian ini digunakan kombinasi monitoring partial discharge dengan menggunakan metode emisi akustik dan infra merah yang menunjukkan kemunculan sinyal emisi akustik dengan frekuensi-frekuensi tinggi pada partial discharge dengan energi yang lebih rendah. ......In field work, the most occurrance phenomene is partial discharge on isolation especially for isolation in bushing transformator which should able to resist the penetration voltage that have determined before. However, measurement and detection of partial discharge as preventive step is rare to do, so it can cause a total failure in isolation. This research is purposed to explain more about a total failure on solid, liquid, and gas isolation which is an important factor in partial discharge occurance. Bushing is a conjuction tool which is a weak point from electricity energy system and vulnurable with failure. Therefore, there are several method to detect partial discharge such as Dissolved Gas Analysis (DGA), acoustic emission, ultrasonic dan infra red. In this study used monitoring partial discharge with combining acoustic emission and infrared that show partial discharge of low energy create acoustic emission signal of higher frequency.

Abstrak :
PMSM adalah motor listrik yang bekerja dengan putaran sinkron antara rotor dan medan putar stator, dengan rotor terbuat dari magnet permanen. Rotor terkunci dengan medan putar dan harus terus beroperasi pada putaran sinkron untuk semua keadaan beban. Penambahan beban dapat mengakibatkan hilangnya kekuatan torka dan motor tersebut kehilangan sinkronisasi. Jika beban mekanis pada motor dinaikkan ke titik dimana rotor ditarik keluar dari sinkronisasi, maka motor akan berhenti. Salah satu masalah apabila rotor dan stator tidak sinkron adalah ketika PMSM digunakan sebagai penggerak dalam sistem kendali. Beban yang besar dapat menyebabkan motor menjadi kehilangan sinkronisasi. Pada metode pengendalian tanpa sensor putaran, kondisi ketidaksinkronan ini dapat menimbulkan kesalahan dalam mengestimasi putaran sehingga putaran motor tidak sesuai dengan yang diinginkan. Pada penelitian ini difokuskan untuk mengatasi kesalahan estimasi yang disebabkan oleh kehilangan sinkronisasi akibat motor dikenai beban yang melebihi beban maksimal yang diijinkan. Metode yang digunakan untuk mengatasi terjadinya ketidaksinkronan antara stator dan rotor akibat fenomena kehilangan sinkronisasi meliputi metode untuk mendeteksi kehilangan sinkronisasi akibat beban dari luar yang besar dan metode kompensasi kehilangan sinkronisasi tersebut. Metode ini berbasis konsep bank observer, yaitu menggunakan lebih dari satu observer. Observer yang digunakan adalah observer MRAS ditambah satu observer yang berisi metode hitung putaran yang baru. Penambahan observer ini dikarenakan observer MRAS tidak dapat mendeteksi terjadinya kehilangan sinkronisasi. Oleh karena itu, untuk mendeteksi adanya kehilangan sinkronisasi, penulis mengusulkan metode deteksi kehilangan sinkronisasi ini yang terdiri dari observer untuk estimasi putaran yang lain yang dihitung dari arus stator dan tegangan serta algoritma untuk mengambil keputusan terjadinya kehilangan sinkronisasi. Perbedaan antara putaran estimasi kedua observer digunakan untuk menentukan terjadinya kehilangan sinkronisasi. Apabila terdeteksi terjadinya kehilangan sinkronisasi, maka kehilangan sinkronisasi ini dikompensasi dengan me- reset semua variabel observer MRAS sehingga motor kembali berputar apabila beban dihilangkan. Dengan dihasilkan metode deteksi kehilangan sinkronisasi berbasis bank observer pada sistem kendali motor sinkron permanen magnet tanpa sensor putaran ini diharapkan kinerja pengendalian PMSM tanpa sensor putaran/posisi dapat meningkat. ......PMSM is an electric motor that works in synchronous rotation between the rotor and the stator rotating field, with the rotor made of permanent magnets. The rotor is locked with a rotating field and must continue to operate in synchronous rotation for all load states. Increasing the load can result in a loss of torque strength and the motor loses synchronization. If the mechanical load on the motor is increased to the point where the rotor is pulled out of sync, the motor will stop. One of the problems if the rotor and stator are out of sync is when PMSM is used as a driver in the control system. Large loads can cause the motor to lose synchronization. In the control method without a speed sensor, this asynchronous condition can cause errors in estimating speed so that the motor speed is not as desired. This research focuses on solving the estimation error caused by loss of synchronization due to the motor being subjected to a load that exceeds the maximum allowable load. The methods used to overcome the inconsistency between the stator and the rotor due to the loss of synchronization phenomenon include methods for detecting synchronization losses due to large external loads and the method of compensating for the loss of synchronization. This method is based on the bank observer concept, which uses more than one observer. The observers used were the MRAS observer and an observer containing the new speed calculation method. The addition of this observer is because the MRAS observer cannot detect the loss of synchronization. Therefore, to detect the loss of synchronization, the authors propose a method for detecting loss of synchronization which consists of an observer for other estimated speed calculation from the stator current and voltage and an algorithm for making decisions of synchronization loss. The difference between the estimation speed of the two observers is used to determine the occurrence of synchronization loss. If a loss of synchronization is detected, this loss of synchronization is compensated by resetting all MRAS observer variables so that the motor operates again when the load is removed. By producing a synchronization loss detection method based on bank observer on the permanent magnet synchronous motor control system without speed sensor, it is expected that the PMSM sensorless control performance can be improved.