Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini melanjutkan dari penelitian sebelumnya mengenai pengenalan wajah tiga dimensi dengan sudut pandang vertikal-horisontal yang beragam. Penelitian ini menggunakan Jaringan Syaraf Tiruan (JST) Hemispheric Structure of Hidden Layer (HSHL). HSHL adalah struktur JST dengan lapis tersembunyi berbentuk hemisfer. Pada penelitian sebelumnya, informasi sudut pandang yang digunakan HSHL dalam proses pengujian diberikan secara manual dan penelitian tersebut memberikan hasil yang bagus.Pada penelitian ini, penulis mencoba untuk membandingkan antara JST HSHL dengan sudut wajah diketahui sebelumnya dengan JST HSHL menggunakan interpolasi spline sebagai pengenal sudut wajah. Selain itu, penulis juga menggunakan Principal Component Analysis untuk ekstraksi ciri dari data masukan.Penelitian ini menyimpulkan bahwa pengenalan wajah menggunakan JST HSHL dengan interpolasi spline sebagai pengenal sudut wajah memberikan tingkat pengenalan yang tidak jauh berbeda dengan JST HSHL yang sudut wajah diketahui. Oleh karena itu, kombinasi antara JST HSHL dengan interpolasi spline memungkinkan untuk diterapkan dalam aplikasi dunia nyata.

---

This research continues from previous researches about 3D face recognition with variation of vertical-horizontal angle face. This research uses Hemispheric Structure of Hidden Layer (HSHL). In the previous research, angle face information is known by the system and the recognition rate is high.In this research, writer try to compare HSHL with known angle face and HSHL with spline interpolation to guess the angle face. Writer also uses Principal Component Analysis to extract features from input data.This research concludes that HSHL with spline interpolation to guess the agle face yields a competitive result with HSHL with known angle face. Therefore, combination of HSHL and spline interpolation is possible to be applied in the real world."

"Penelitian ini melanjutkan penelitian sebelumnya tentang pengenalan wajah tiga dimensi dengan HSHL-NN. HSHL-NN adalah struktur neural network dengan hidden layer yang berbentuk hemisfer. Penelitian sebelumnya citra yang digunakan kondisinya ideal atau normal, dalam kenyataannya citra yang didapatkan tidak selalu ideal.Pada penelitian ini, penulis mencoba untuk melakukan percobaan dengan menggunakan citra yang telah terdegradasi oleh noise untuk menguji kekuatan HSHL-NN. Noise yang dipakai dalam penelitian ini ada empat macam, yaitu Gaussian, poisson, salt & pepper, dan juga speckle. Selain itu, penulis juga menguji hasil estimasi sudut yang telah dihasilkan pada penelitian lain. Citra masukan yang digunakan direduksi menggunakan principal component analysis.Kesimpulan yang didapatkan dari analisis hasil percobaan yang dilakukan adalah HSHL-NN masih dapat mengenali objek dengan baik walaupun citra yang digunakan sebagai data acuan maupun data uji telah terdegradasi dengan noise, selain itu dapat disimpulkan bahwa hasil estimasi sudut yang dijadikan masukan informasi sudut pada HSHL-NN hasilnya sangat baik.

---

This research is a continuation to previous researchs about three dimensional face recognition using HSHL-NN. HSHL-NN is a neural network with its hidden layer structured like a hemispher. In previous researchs, images are ideal, meaning that the quality of image is normal and noise-free. In reality, the taken images would not always ideal, which can be noisy.In this research, writer tried to do experiments using noisy-degraded images to test the strength of the HSHL-NN. There are four kinds of noises used in this research: Gaussian, poisson, salt & pepper, and speckle. Besides doing the experiment with the noise-degraded image, writer also evaluated the result from pose estimation research. Images used in this research are reduced using principal component analysis. This research concluded that HSHL-NN is strong enough to recognize noise-degraded images. On the other hand, the results from experiments with pose estimation as angle input in HSHL-NN is satisfying."

"ABSTRAKKompresi merupakan upaya untuk meningkatkan efisiensi penyimpanan berkas.Tesis ini membahas suatu metodologi kompres dengan menerapkan Differential Codingdalam suatu jaringan neural yang mekanisme kerjanya bersifat unsupervised learningyang disebut Kohonen Self-Organizing Maps (KSOM).Penerapan Differential Coding dalam KSOM (DC-KSOM) ini lebih menekankanpada aspek kualitas rekonstruksi citra dekompres daripada waktu komputasi, danmetode ini merupakan jenis lossy compression. Mekanismenya diawali dengan pra-proses citra, proses clustering blok data, differential coding, dan diakhiri entropiccoding untuk memperoleh citra terkompres. Dengan mempertimbangkan topologicalproperly, Jaringan Neural KSOM (JN-KSOM) berperan untuk mengkuantisasi vektorcitra asli melalui proses pengelompokkan (peng-cluster-an) vektor-vektor pewakil(codebook) dari setiap blok. Proses clustering ini akan mengakibatkan reduksi dimensidata sehingga akan diperoleh hasil kompresi suatu berkas citra.Hasil uji coba penelitian menunjukkan bahwa Root Mean Square Error (RMSE)matriks citra dekompres dengan DC-KSOM adalah 4,29229337, relatif Iebih rendahdibanding TCD yaitu 7,95840738, yang berarti bahwa kualitas citra dekompres hasilkompresi DC-KSOM lebih baik daripada TCD. Dari 10 citra yang dikompres, hasilkompresi dengan DC-KSOM menunjukkan nilai RMSE yang relatif stabil/reliable.

---

"

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Plat nomor merupakan suatu jenis identifikasi kendaraan bermotor. Setiap kendaraan bermotor yang beroperasi dijalanan diwajibkan untuk melengkapi kendaraannya dengan plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) yang sesuai dengan kode wilayah, nomor registrasi dan masa berlaku. Plat nomor di Indonesia terdapat 3 warna yang dipakai yaitu hitam, merah dan kuning dengan masing masing warna untuk fungsi yang berbeda. Dengan jumlah kendaraan di Indonesia, sistem pengenalan plat nomor dibuat secara otomatis bisa di implementasikan untuk memudahkan berbagai hal dalam pendataan plat nomor diantaranya pengecekan plat nomor ketika di area parkir, menemukan kendaraan yang dicuri ataupun mobil yang melanggar lampu merah. Pada penelitian ini terdapat 2 metode yang sering digunakan untuk pengenalan plat nomor otomatis yaitu KNN (K-Nearest Neighbour) dan NN (Neural Network). Setelah dilakukan pengujian menggunakan 3 analisis uji yang sudah dilakukan oleh penulis, akurasi metode neural network berhasil mencapai 88,8% sedangkan pada K-Nearest Neighbor akurasinya mencapai 72,2%. Metode NN lebih baik daripada KNN pada pengujian kali ini disebabkan adanya modifikasi pada variable yang dapat membuat akurasi NN lebih baik daripada KNN. Sedangkan pada metode KNN tidak dapat merubah akurasi yang telah didapatkan.

---

Number plate is a type of motor vehicle identification. Every motorized vehicle operating on the road is required to complete the vehicle with a license plate or Motor Vehicle Number (TNKB) that matches the area code, registration number and validity period. Number plates in Indonesia there are 3 colors used, namely black, red and yellow with each color for different functions. With the number of vehicles in Indonesia, the number plate recognition system is made automatically can be implemented to facilitate various things in number plate registration including checking license plates when in the parking area, finding stolen vehicles or cars that violate red lights. In this study there are 2 methods that are often used for automatic number plate recognition, namely K-Nearest Neighbor and NN (Neural Network). After testing using 3 test analyzes carried out by the author, the accuracy of the neural network method reached 88.8% while the K-Nearest Neighbor accuracy was 72.2%. The NN method is better than KNN in this test due to a modification in the variable that can make the accuracy of NN better than KNN. While the KNN method cannot change the accuracy that has been obtained."

"Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali.

---

A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance."

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Skripsi ini membahas tentang Sistem Pengenalan Kendaraan dengan menggunakan Jaringan Saraf Tiruan (JST). Sistem yang digunakan bersifat off-line, dalam arti bahwa sistem tidak bekeda langsung pads saat kendaraan memasuki suatu tempat lalu sekaligus diambil citranya akan tetapi bekerja dengan pola citra statis kendaraan itu sendiri. Sistem jugs bersifat khusus dan terbatas hanya untuk mengenali 4 jenis kendaraan : sedan, jip, wagon dan mini. Sistem tidak dikembangkan untuk mengenali kendaraan dengan ukuran besar seperti trek dan bus. Jaringan yang dipakai pada skripsi ini disusun dengan topologi kaskade yang menggabungkan antara topologi JST Kohonen SOM dengan topologi JST Backpropagation. Kohonen SOM belajar dalam mode tak disupervisi, yang mampu melakukan proses pemisahan setup data masukan yang berlainan. Masing-masing data masukan dipetakan dengan data keluaran kemudian diajarkan kepada jaringan Backpropagation - bekerja dalam mode disupervisi -, yang kemudian mengingat pola pemetaan data masukan menjadi data keluaran tanpa melalui pendefirusian fungsi pemetaan. Dengan menggabungkan Kohonen SOM dan Backpropagation, diharapkan akaa aiperoleh hasil yang lebih balk daripada bila kedua topologi tersebut bekeda sendiri-sendiri."