Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Perkembangan teknologi kontrol terus berlanjut dengan segala ragam pengembangannya, salah satu diantaranya adalah penerapan metode Jaringan Syaraf Tiruan dalam proses kontrol. Kendala yang saat ini dihadapi adalah kenyataan bahwa Jaringan Syaraf Tiruan memiliki respon yang relatif lambat, hal ini dikarenakan panjangnya algoritma sehingga memerlukan waktu komputasi yang lama. Maka dari itu tulisan ini akan membahas tentang pengembangan metode alternatif untuk mendapatkan algoritma Jaringan Syaraf Tiruan yang lebih cepat dan akurat. Ada dua yang sudah berhasil dikembangkan yaitu SOM Fuzzy dan LVQ Fuzzy dengan memfokuskan pada perhitungan jarak antar vektor fuzzy. Dimana, setelah dilakukan pengembangan dan pengujian, metode SOM Fuzzy dan LVQ Fuzzy terbukti mampu meningkatkan recognition dari metode SOM dan LVQ. Dari segi kecepatan, meskipun metode fuzzy yang dikembangkan ini memiliki waktu proses yang sedikit lebih lama daripada metode SOM dan LVQ reguler, namun jika dibandingkan dengan Backpropagation yang memiliki tingkat recognition sama baiknya waktu prosesnya metode fuzzy jauh lebih cepat.

---

The development of control technology continues with all kinds of development, one of them is the application of neural networks in process control. Constraints currently faced is the fact that neural networks have a slow response, this is because the length of the algorithm that requires a long computation time. So this paper will discuss the development of alternative methods to obtain algorithms of neural networks more quickly and accurately.The methods that have been successfully developed is the Fuzzy SOM and Fuzzy LVQ by focusing on the calculation of distance between fuzzy vectors. After development and testing, methods of Fuzzy SOM and Fuzzy LVQ been able to increase recognition of SOM and LVQ methods. In terms of speed, although the methods developed in this fuzzy processing time slightly longer than the regular method of SOM and LVQ, but when compared with a level of recognition Backpropagation as good when the process is fuzzy method is much faster.

Abstrak :
Sinyal yang periodik dapat didekomposisikan ke dalam bentuk sinusoida dengan menggunakan bantuan deret Fourier. Berdasarkan karakteristik sinyal suara yang demikian, maka dapat dilakukan pemodelan dengan mengacu pada bentuk sinusoida. Dengan menggunakan model sinusoida dapat dilakukan proses kuantisasi untuk mengkodekan sinyal suara pada laju yang rendah. Metode sinusoida telah banyak digunakan untuk mengkodekan sinyal suara. Dengan metode tersebut satu blok sinyal suara selebar 20 milidetik sampai dengan 30 milidetik dapat dikodekan dengan menggunakan koefisien deret Fourier. Metode baru yang diusulkan adalah kuantisasi dan rekonstruksi sinyal suara berdasarkan model sinusoida secara segmental. Segmen yang diambil adalah antara satu nilai puncak tertentu menuju ke nilai puncak berikutnya yang berlawanan, bukan berupa blok sinyal dengan panjang yang tetap seperti pada metode sinusoida yang sudah ada. Pengkode yang dirancang terdiri atas bagian enkoder dan dekoder. Enkoder berfungsi untuk mengkodekan sinyal suara pada laju variabel. Sinyal terkode selanjutnya dikirimkan ke penerima. Pada sisi penerima terdapat dekoder berfungsi untuk mengembalikan bentuk sinyal agar sesuai dengan asalnya dengan kualitas yang tidak jauh berbeda. Berdasarkan hasil percobaan diperoleh nilai rata-rata SNR segmental lebih dari 20 dB.

---

Segmental Sinusoidal Model for Speech Signal Coding. Periodic signal can be decomposed by sinusoidal component with Fourier series. With this characteristic, it can be modeled referring by sinusoidal form. By the sinusoidal model, signal can be quantized in order to encode the speech signal at the lower rate. The recent sinusoidal method is implemented in speech coding. By using this method, a block of the speech signal with 20 ms to 30 ms width is coded based on Fourier series coefficients. The new method proposed is quantization and reconstruction of speech signal by the segmental sinusoidal model. A segment is defined as a block of the speech signal from certain peak to consecutive peak. The length of the segment is variable, instead of the fixed block like the recent sinusoidal method. Coder consists of the encoder and the decoder. Encoder works to code speech signal at variable rate. Then coded signal will be transmitted to receiver. On the receiver, coded signal will be reconstructed, so that the reconstruction signal has the near quality compared with the original signal. The experimental results show that the average of segmental SNR is more than 20 dB.

Abstrak :
ABSTRAK
Tesis ini membahas estimasi trispektrum yang digunakan 'untuk pengembangan sistem pengenal suara. Estimasi trispektrum dipakai untuk mendapatkan karakteristik suara berdasarkan analisis spektrum orde 3 (quadruple correlation) dari magnitudo dan rase sinyal suara. Dalam proses ekstraksi ciri dari data trispektrum digunakan teknik optimasi kuantisasi skalar, yaitu dengan mengelompokkan data magnitudo dan fase berdasarkan pembagian ruang estimasi dengan sejumlah pola berdasarkan ciri-ciri data trispektrum. Data magnitudo dan fase pewakil dari masing-masing kelompok (kluster) menjadi masukan sel syaraf di lapis masukan dari JST PB. Spesiflkasi JST PB sebagai pengklasifikasi suara adalah : jumlah sel syaraf (neuron) di lapis masukan sebanyak 18, di lapis tersembunyi sebanyak 5, dan di lapis keluaran sebanyak 10.

Dari beberapa hasil yang diperoleh terlihat bahwa trispektrum mempunyai daya pisah (separabilitas pola) yang cukup baik, tetapi penggunaan estimasi trispektrum ini dihadapkan pada masalah optimasi kuantisasi dan optimasi jaringan pengidasifikasi yang cukup kompleks. Hal ini disebabkan oleh bertambahnya dimensi data trispektrum, clan 1-D (2-D) pada power spektrum (bispektrum) menjadi 3-D, yang berarti terjadi "the curse of dimensionality".

Sistem pengenal suara ini diimplementasikan dengan Bahasa C pada komputer Sun SPARC station 4, dengan sistem operasi UNIX (Solaris) dan memory 32 MR Jumlah data suara yang akan dikenali berasal dari 10 orang yang berlainan, masing-masing sebanyak 20 sampel. Proses pembelajarannya menggunakan algoritma propagasi balik jack-larife-training terhadap sinyal tanpa noise, sedangkan proses pengenalannya menggunakan sinyal dengan SNR co , SNR = 20, SNR = 10, dan SNR = O. Hasil eksperimen menunjukkan bahwa penggunaan estimasi trispektrum pada sistem pengenal suara tahan terhadap noise Gaussian aditip hingga tingkat SNR41.

Abstrak :
ABSTRAK

Sistem pendeteksi kardiomegali dilakukan dengan memeriksa hasil citra radiografi toraks manusia. Pada bagian ekstraksi fitur, citra diproses menggunakan metode Discrete cosine transform. Pada sistem ini, digunakan DCT sebanyak 5 level. Hasil dari proses DCT akan digunakan sebagai input untuk proses selanjutnya, yaitu Learning vector quantization. Bagian klasifikasi menggunakan LVQ terdiri dari dua bagian, yaitu bagian pelatihan dan bagian pengenalan. Bagian pelatihan merupakan bagian dimana sistem dilatih untuk mendapatkan bobot akhir. Bagian pengenalan merupakan bagian yang sistem gunakan untuk mengenali ada atau tidaknya kardiomegali dengan hasil pembelajaran dari bagian pelatihan. Sistem menunjukkan hasil akurasi pengujian yang cukup tinggi, yaitu 97,78% dimana dari 45 citra uji, 44 citra dapat diklasifikasikan dengan baik.

---

ABSTRACT

The detection system of cardiomegaly is conducted by processing human CXR, or chest X-Ray. In feature extraction, X-Ray images are processed using Discrete Cosine Transfom method. In this system, 5-Level DCT is applied. The result of feature extraction is used as input for the next method, which is Learning vector quantization. LVQ consists of two parts, which are the training part and the testing part. The training part is when the system is trained to obtain final weight. The testing part is where system recognizes and decides whether the CXR shows the indication of cardiomegaly based on the knowledge it obtained from the training part. The system shows high testing accuracy, which is 97,78% where 44 out of 45 X-Ray images have been well-diagnosed.

Abstrak :
ABSTRAK
Pada beberapa tahun terakhir, sistem pengenalan wajah telah marak digunakan dalam berbagai aspek sebagai wujud dari kemajuan teknologi. Berbagai penelitian dilakukan untuk terus memperbaiki akurasi dari pengenalan wajah. Pada penelitian ini digunakan metode klasifikasi Learning Vector Quantization dan Fuzzy Kernel Learning Vector Quantization. Data yang digunakan adalah Labeled Face in The Wild-a LFW-a. Database ini tidak memiliki batasan seperti latar belakang, ekspresi, posisi, dan sebagainya. Berdasarkan hasil uji coba menggunakan database LFW-a, sistem pengenalan wajah dengan metode LVQ memiliki akurasi tertinggi 89,33 dan metode FKLVQ memiliki akurasi tertinggi 89,33 pula.

---

ABSTRACT
In recent years, face recognition is widely used in various aspects as a form of technology advancement. Various studies are conducted to keep improving the accuracy of face recognition. In this research, Learning Vector Quantization and Fuzzy Kernel Learning Vector Quantization are used as a method of classification. The data used in this research is Labeled Face in The Wild a LFW a. This database has no restrictions such as background, expression, position, and so on. Based on test results using LFW a database, face recognition using LVQ method has highest accuracy at 89,33 and FKLVQ method has highest accuracy at 89,33 as well.

Abstrak :
ABSTRAK Learning Vector Quantization (LVQ) merupakan salah satu metode yang digunakan dalam jaringan syaraf tiruan atau Artificial Neural Network. Namun untuk data yang bervariasi,performa LVQ mengalami penurunan, hal ini terlihat dari tingkat rekognisi yang diperoleh. Oleh karena itu dikembangkan metode logika Fuzzy yang diperkirakan mampu menaikkan kembali tingkat rekognisi dan performa dari LVQ . Hasil yang diperoleh menunjukkan bahwa dengan logika Fuzzy tingkat rekognisi naik hingga 40 %.

---

ABSTRACT Learning Vector Quantization (LVQ) is one of the method that used in Artificial Neural Network.,but result shows that any data variations have decreasing the recognition rate. Fuzzy Logic developed to increasing and reinstate the recognition rate of LVQ. With Fuzzy logic, the result shows that recognition rate achieve 40% of increasing.

Abstrak :
This paper proposed a hybrid watermarking method that used dither quantization of Singular Value Decomposition (SVD) on average coefficients of Integer Haar Wavelet Transform (IHWT). The wa-termark image embeds through dither quantization process on singular coefficients value. This sche-me aims to obtain the higher robustness level than previous method which performs dither quanti-zation of SVD directly on image pixels value. The experiment results show that the proposed method has proper watermarked images quality above 38dB. The proposed method has better performance than the previous method in term of robustness against several image processing attacks. In JPEG compression with Quality Factor of 50 and 70, JPEG2000 compression with Compression Ratio of 5 and 3, average filtering, and Gaussian filtering, the previous method has average Normalized Correla-tion (NC) values of 0.8756, 0.9759, 0.9509, 0.9905, 0.8321, and 0.9297 respectively. While, the pro-posed method has better average NC values of 0.9730, 0.9884, 0.9844, 0.9963, 0.9020, and 0.9590 respectively.

Paper ini mengusulkan metode watermarking yang menggabungkan kuantisasi dither SVD pada nilai koefisien rata-rata IHWT. Citra watermark disisipkan melalui proses kuantisasi dither pada nilai koe-fisien singular. Skema ini dilakukan untuk memperoleh tingkat ketahanan yang lebih tinggi dari meto-de sebelumnya yang melakukan kuantisasi dither SVD secara langsung pada nilai piksel citra. Hasil percobaan menunjukkan bahwa metode yang diusulkan mempunyai kualitas citra ter-watermark yang layak diatas 38dB. Metode yang diusulkan mempunyai kinerja lebih baik dari metode sebelumnya da-lam hal ketahanan terhadap beberapa serangan citra. Dalam kompresi JPEG dengan Quality Factor 50 dan 70, kompresi JPEG2000 dengan Compression Ratio 5 dan 3, average filtering, dan gaussian filte-ring, metode sebelumnya menghasilkan nilai Normalized Correlation (NC) rata-rata berturut-turut se-besar 0.8756, 0.9759, 0.9509, 0.9905, 0.8321, dan 0.9297. Sementara, metode yang diusulkan meng-hasilkan nilai NC rata-rata yang lebih baik sebesar 0.9730, 0.9884, 0.9844, 0.9963, 0.9020, dan 0.9590 berturut-turut.

Abstrak :
Pada dasarnya, tujuan kompresi gambar adalah bagaimana mendapatkan nilai rasio kompresi rasio yang tinggi, tepat dan gambar rekonstruksi masih dapat dikenali oleh visual manusia. Penentuan rasio kompresi secara tepat adalah hal yang penting dilakukan karena nilai rasio kompresi berhubungan dengan media penyimpanan serta waktu pengiriman gambar. Dengan menggunakan metoda klasifikasi kuantisasi vektor, nilai rasio kompresi yang diinginkan mempunyai range (sebaran) yang besar dan dapat diperkirakan sehingga dijadikan masukan simulasi. Metoda klasifikasi kuantisasi vektor adalah metoda kuantisasi vektor dengan membagi data kedalam blok-blok (sel) ukuran tertentu dan menghasilkan kode yang mewakili blok-blok tersebut dengan cara mengambil data dengan jarak atau distorsi terkecil menurut klasifikasi orientasi subband horizontal, vertikal dan diagonal. Kode itu disebut dengan codebook. Dengan menggunakan metoda klasifikasi kuantisasi vektor, sebagai masukan simulasi adalah nilai variabel rasio kompresi 4,8,16,32 dan 64 maka diperoleh hasilnya adalah gambar rekonstruksi masih dapat dikenali dengan baik pada nilai rasio kompresi 4, 8, 16 dan 32 dimana nilai PSNR masih > 30 dB. Sedangkan nilai rasio kompresi 64, gambar rekonstruksi sudah tidak dapat dikenali lagi karena nilai PSNR sudah < 30 dB sehingga gambar rekonstruksinya mengalami penurunan kontras yang menyebabkan kabur dan bertambahnya efek blocking.

---

Basically, the image compression is to achieve high compression ratio, accurate and recognized image reconstruction. Achieving compression ratio accurately is somewhat important to accomplish. Normally, compression ratio is defined by determining PSNR. By using classification of quantization vector method, getting the compression ratio is likely to do. The unique of this method is that this method can be arranged from 4 up to 64 of compression ratio. The classification of quantization vector method is one of vector quantization methods that classify image data to specified block and process the blocks to produce the representative block by taking minimum distance or distortion according to horizontal, vertical and diagonal energy. Those codes are codebooks. By using the classification of quantization vector method combining with the compression ratio value as an input variable of 4,8,16,32 and 64, the outcome is that reconstructed images of the compression ratio ranged 4, 8,16 and 32 is good with PSNR > 30 dB whereas the compression ratio of 64 is not recommended (PSNR value < 30 dB) for any images particularly for textures images.

Abstrak :
ABSTRAK
Sistem penciuman elektronik terdiri dari 3 bagian yaitu sistem sensor yang merubah besaran aroma menjadi besaran listrik, sistem elektronik yang mengukur besar perubahan frekuensi sensor dan sistem jaringan neural buatan yang melakukan pengenalan aroma. Peningkatan kemampuan pengenalan aroma yang cepat, tepat dan akurat pada sistem neural buatan sangat diperlukan oleh sistem penciuman elektronik ini, untuk itu perlu dikembangkan metode fuzzy learning vector quantization.

Metode FLVQ merupakan metode jaringan neural buatan berbasis pada vector quantization yang mengintegrasikan teuri fuzzy dalam proses pembelajarannya dan mempunyai algoritma yang sederhana tetapi berkemampuan tinggi dalam pengenalan aroma. Pengembangan fuzzy learning vector quantization berfokus pada proses pembelajarannya terutama pada cara merubah fuzziness vektor pewakil. Berdasarkan cara perubahan fuzzinessnya ada tiga variasi FLVQ yang dinamakan FLVQ konstan, yaitu merubah lebar fuzziness vektor pewakil dengan besaran yang konstan; FLVQ variabel, yaitu merubah lebar fuzziness vektor pewakil berdasarkan nilai similaritas; dan FLVQ tunggal, yaitu merubah lebar fuzziness vektor pewakil hanya pada salah satu bagian sisinya.

Hasil Penelitian dengan sampel aroma produk marta tilaar dan aroma etanol menunjukkan bahwa jaringan neural buatan FLVQ mempunyai kemampuan pengenalan yang lebih baik bila dibandingkan dengan propagasi balik.

Abstrak :
Telah dilakukan penelitian terhadap pengembangan algoritma FNGLVQ sehingga memiliki karakteristik adaptif terhadap data input sehingga besaran perubahan vektor referensi memiliki besaran nilai yang adaptif. Karakteristik adaptif didapatkan dengan melakukan modifikasi terhadap perubahan update bobot dengan melakukan penurunan fungsi keanggotaan fuzzy tidak hanya terhadap parameter mean (yang dilakukan pada FNGLVQ awal) namun penurunan dilakukan terhadap kedua nilai min dan max sehingga besaran perubahan nilai min dan max akan bervariasi (tidak konstan seperti FNGLVQ) yang tergantung dari besaran input yang digunakan. Karakteristik ini dapat meningkatkan akurasi dalam percobaan dalam ketiga jenis data, yakni data EKG Aritmia, data pengenalan Aroma dengan 3 campuran, serta data Sleep secara keseluruhan, namun perbedaan nilai akurasi terbesar didapatkan dari pengujian data pengenalan aroma 3 campuran. Pengembangan karakteristik adaptif terhadap algoritma FNGLVQ dilakukan dengan kedua jenis fungsi keanggotaan yakni fungsi keanggotaan segitiga dan fungsi keanggotaan PI, dan FNGLVQ adaptif dengan fungsi keanggotaan PI sedikit lebih baik dibandingkan FNGLVQ adaptif dengan fungsi keanggotaan segitiga. ......This research has been conducted on the development of FNGLVQ algorithms which have adaptive characteristics to the input data so that the amount of change in the reference vector has a magnitude of adaptive value. Adaptive characteristics are obtained by modifying the update changes the weight by doing a fuzzy membership function derivation. This is not only performed on the parameters of the mean (which is done at the beginning FNGLVQ) but they are derivated to both min and max values so that the amount of change in the weight and is continued with min and max values will vary (not constant as in the case of FNGLVQ) which in turn depends on the amount of inputs used. These characteristics may increase the accuracy of the experiment in all three types of data, including data Arrhythmia ECG, data recognition Aroma with 3 mix, as well as overall Sleep data, but the biggest difference is the accuracy of values which have obtained from the test for 3 mixed aroma data recognition. Development of adaptive characteristics of the algorithm FNGLVQ has been performed with both types of membership functions namely triangular membership functions and PI membership functions, and FNGLVQ PI adaptive membership functions has been found to be slightly better than FNGLVQ adaptive triangular membership functions.