Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam tulisan ini akan dibahas koefisien korelasi polychoric yang dapat digunakan untuk menaksir kekuatan hubungan linier antara dua variabel random kontinu dimana data yang teramati adalah data ordinal yang dibentuk oleh kedua variabel kontinu tersebut. Metode untuk menaksir besarnya koefisien korelasi polychoric, yang akan dijelaskan dalam tulisan ini adalah metode taksiran dua tahap. Metode taksiran dua tahap membutuhkan asumsi kenormalan bivariat standar untuk kedua variabel random kontinu awal. Walaupun demikian, akan ditunjukkan (melalui simulasi) bahwa taksiran koefisien korelasi polychoric yang didapat robust terhadap asumsi tersebut. Selain itu, dalam tulisan ini juga akan diberikan simulasi perbandingan antara koefisien korelasi kendall`s tau dengan koefisien korelasi polychoric relatif terhadap koefisien korelasi yang sesungguhnya dan hasilnya menunjukkan bahwa koefisien korelasi polychoric memiliki nilai yang lebih dekat dengan koefisien korelasi yang sesungguhnya."

"Dalam tulisan ini akan dibahas koefisien korelasi polychoric yangdapat digunakan untuk menaksir kekuatan hubungan linier antara duavariabel random kontinu dimana data yang teramati adalah data ordinal yangdibentuk oleh kedua variabel kontinu tersebut. Metode untuk menaksirbesarnya koefisien korelasi polychoric, yang akan dijelaskan dalam tulisan iniadalah metode taksiran dua tahap. Metode taksiran dua tahap membutuhkanasumsi kenormalan bivariat standar untuk kedua variabel random kontinuawal. Walaupun demikian, akan ditunjukkan (melalui simulasi) bahwa taksirankoefisien korelasi polychoric yang didapat robust terhadap asumsi tersebut.Selain itu, dalam tulisan ini juga akan diberikan simulasi perbandingan antarakoefisien korelasi kendall’s tau dengan koefisien korelasi polychoric relatifterhadap koefisien korelasi yang sesungguhnya dan hasilnya menunjukkanbahwa koefisien korelasi polychoric memiliki nilai yang lebih dekat dengankoefisien korelasi yang sesungguhnya."

"ABSTRACTSpatial Audio Object Coding SAOC merupakan standar pengkodean audio yang diluncurkan oleh Moving Picture Expert Group MPEG yang dapat melakukan kompresi dan koding audio berbasis objek dan telah diaplikasikan ke banyak bidang telekomunikasi, multimedia, dan hiburan. Salah satu kelemahan dari SAOC adalah kurang dapat diandalkan untuk menjamin kualitas audio yang baik untuk aplikasi pemisahan sumber audio. Hasil beberapa penelitian mengungkapkan bahwa ternyata SAOC memiliki struktur sistem yang mirip dengan algoritma pemisahan sumber suara yang bernama Informed Source Separation, Informed Source Separation ISS, yaitu algoritma sistem yang dapat memprediksi sinyal objek audio masukan untuk memisahkan objek audio dengan kualitas yang baik. Pada penelitian ini, telah dirancang algoritma pemisahan sumber audio di MATLAB yang diadopsi dari persamaan matematis standar SAOC serta ditambahkan filter Wienerpada algoritma tersebut. Algoritma yang diajukan diuji dengan memisahkan beberapa rekaman musik profesional dan kualitas audio rekonstruksinya akan dibandingkan dengan algoritma pemisahan sumber audio lain secara objektif. Hasil pengujian menunjukkan bahwa adanya peningkatan nilai Source-to-Distortion Ratio SDR dalam hasil rekonstruksi pemisahan sinyal dengan algoritma SAOC yang ditambahkan filter Wiener dari algoritma pemisahan sumber suara yang lain sebesar maksimum 10,42232904 dB untuk objek audio bass, 13,95175919 dB untuk drum, 17,73005926 dB untuk vokal, dan 8,266838319 dB untuk instrument lain.

---

ABSTRACTSpatial Audio Object Coding SAOC is an audio coding standard launched by MPEG Moving Picture Expert Group MPEG that can perform audio compression and codingand has already applied to many areas of telecommunications, multimedia, and entertainment. One of the disadvantages of SAOC is low reliability in ensuring good audio quality for audio separation. The results of several studies have found that SAOC has the same structure with an audio source separation algorithm, namely Informed Source Separation, which is an algorithm that can predict audio object signals to separate audio objects while ensuring good output audio quality. In this research, an audio source separation algorithmwhich is adopted from SAOC standard mathematical equation andWiener filter addition has been designed. The proposed algorithm is tested by separating several professional music recordings and thereconstructed audios rsquo quality werecomparedwith other audio source separation algorithms. The results show that there is an increase in Source to Distortion Ratio SDR value of reconstructed audio object that is separated with SAOC algorithmwith addition of Wiener filter compared tootheraudiosource separation algorithmsbymaximum of 10.42232904 dB for bass, 13,95175919 dB for drums, 17,73005926 dB for vocals, and 8.266838319 dB for other instruments."

"Human pose interpretation using Particle filter with Binary Gaussian Weighting and Support Vector Machine is proposed. In the proposed system, Particle filter is used to track human object, then this human object is skeletonized using thinning algorithm and classified using Support Vector Machine. The classification is to identify human pose,whether a normal or abnormal behavior. Here Particle filter is modified through weight calculation using Gaussian distribution to reduce the computational time. The modified particle filter consists of four main phases. First, particles are generated to predict target?s location. Second, weight of certain particles is calculated and these particles are used to build Gaussian distribution. Third, weight of all particles is calculated based on Gaussian distribution. Fourth, updateparticles based on each weight. The modified particle filter could reduce computational time of object tracking sincethis method does not have to calculate particle?s weight one by one. To calculate weight, the proposed method buildsGaussian distribution and calculates particle?s weight using this distribution. Through experiment using video datataken in front of cashier of convenient store, the proposed method reduced computational time in tracking process until68.34% in average compare to the conventional one, meanwhile the accuracy of tracking with this new method iscomparable with particle filter method i.e. 90.3%. Combination particle filter with binary Gaussian weighting andsupport vector machine is promising for advanced early crime scene investigation."

"Teori kredibilitas adalah salah satu alat kuantitatif untuk memprediksi besar klaim di masa depan dengan menggabungkan pengalaman klaim di masa lalu dari pemegang polis tertentu dan informasi eksternal yang disebut manual rate, yang diperoleh dari pengalaman sekelompok besar pemegang polis. Salah satu teori kredibilitas yang banyak digunakan adalah teori kredibilitas B¨uhlmann yang mengakomodasi heterogenitas paparan risiko. Heterogenitas risiko ini dibedakan oleh parameter risiko yang unik untuk setiap individu. Namun, teori kredibilitas B¨uhlmann membutuhkan asumsi bahwaparameter risiko independen, yang hampir pasti tidak dapat dipenuhi oleh individu yang tinggal di daerah yang sama. Oleh karena itu, estimator kredibilitas B¨uhlmann dengan parameter risiko yang berkorelasi dibentuk dengan memanfaatkan proyeksi ortogonal pada ruang Hilbert, khususnya pada ruang yang berisi kombinasi linear dari besar klaim masa lalu. Selain itu, dalam tugas akhir ini juga dicari estimasi parameter-parameter yang ada dalam estimator kredibilitas. Selanjutnya, estimator kredibilitas B¨uhlmann standar dan estimator kredibilitas B¨uhlmann yang mengasumsikan parameter risiko yang berkorelasi dibandingkan untuk memprediksi besar klaim di masa depan berdasarkan data darisebuah perusahaan asuransi jiwa. Berdasarkan perbandingan dari nilai root mean square error, estimator kredibilitas B¨uhlmann dengan parameter risiko berkorelasi lebih baik dalam memprediksi jumlah klaim di masa mendatang. Didapat hasil ketika korelasinya meningkat, root mean square error menjadi lebih kecil, menunjukkan bahwa penaksir kredibilitas dengan parameter risiko yang berkorelasi lebih cocok untuk data ini. Selain itu, estimator kredibilitas yang diterapkan ke data yang dipartisi berdasarkan homogenitas besar klaim masa lalu menunjukkan performa yang lebih baik daripada saat diterapkan pada data yang tidak dipartisi.

---

Credibility theory is one of the quantitative tools to predict the amount of future claims by combining the experience of the claims in the past of a particular policyholder and external information which is called manual rate obtained from the experience of a large group

of policyholders. One of the credibility theory that is widely used is B¨uhlmann credibility, which accommodates the heterogeneity of risk exposures, noted by risk parameter which is unique for each individual. However, B¨uhlmann credibility requires an assumption that

the risk parameters are independent, which almost surely cannot be fulfilled by individuals living on the same area. Therefore, the B¨uhlmann credibility estimator with correlated risk parameters is formed by utilizing the orthogonal projection in Hilbert space, that is a space containing linear combinations of the amount of past claims. Also, the parameters included in the model are estimated. In addition, the standard B¨uhlmann credibility

estimator and the B¨uhlmann credibility estimator assuming correlated risk parameters are compared to predict the amount of future claim based on data from a life insurance company. Comparing the root mean square error, the credibility estimator with correlated risk parameters is better in predicting the amount of future claim. Also, as the correlation increases, the root mean square error becomes smaller, indicating that the credibility estimator with the correlated risk parameters is more suitable for this data. Moreover, the credibility estimator applied to the data that is partitioned based on the amount of past

claims shows better performance than when applied to unpartitioned data."

"ABSTRAKPentransmisian sinyal video (video signal) membutuhkan lebar pita frekuensi (bandwidth) dan kapasitas memori yang sangat besar. Untuk mengefisienkan penggunaan bandwidth dan kapasitas memori serta mereduksi biaya transmisi perlu dilakukan proses pemampatan (kompresi) pada sinyal video tersebut. Salah satu teknik kompresi yang banyak digunakan adalah Transform Coding berbasis DCT (Discrete Cosine Transform).Proses transmisi sinyal video dapat dilakukan dengan dua cara yaitu transmisi dengan laju bit yang tetap (Constant Bit Rate/CBR) dan transmisi dengan laju bit yang bervariasi (Variable Bit Rate NBR). CBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang terbatas, sehingga tidak dapat menampung volume data yang ada. Sedang VBR digunakan pada proses transmisi menggunakan media transmisi dengan bandwidth yang besar sehingga dapat menampung volume data yang ada. Untuk dapat melayani proses transmisi sinyal video VBR diperlukan suatu media transmisi yang mampu memfasilitasi hal tersebut. Salah satunya adalah jaringan ATM (Asynchronous Transfer Mode). Pentransmisian sinyal video VBR melalui jaringan transmisi ATM dilakukan melalui proses pengkodean data pada sinyal video tersebut dan membentuk kode-kode data tersebut ke dalam bentuk struktur sel ATM melalui proses pemaketan (paketisasi).Proses pemaketan dapat dilakukan dengan menggunakan metode Layered Coding yang membagi data-data menjadi dua prioritas yaitu data prioritas tinggi (High Priority Data/HPD) dan data prioritas rendah (Low Priority Data/LPD), dimana data HPD adalah data-data yang mengandung nilai informasi yang terbesar. Kemudian masing-masing data tersebut dibentuk menjadi paket-paket (sel) ATM dan ditransmisikan melalui kanal yang berbeda.Dari simulasi yang dilakukan diperoleh hasil bahwa metode Layered Coding pada pentransmisian sinyal video VBR dapat mempertahankan kualitas gambar yang dikirim dengan mengirimkan data HPD melalui kanal prioritas tinggi (High Priority Channel). Hilangnya (tidak dikirim) data LPD tidak akan berpengaruh besar pada kualitas gambar yang dihasilkan (PSNR 17,2 dB std 26,5 dB), sedangkan hilangnya sebagian kecil (t 1,5%) data HPD akan menimbulkan pengaruh yang besar (degradasi) pada gambar yang dihasilkan (PSNR 8,62 dB).

---

ABSTRACTGenerally, wide bandwidth and large memory capacities are needed to transmit the video signal. Using bandwidth and memory capacity efficiently and also reducing the transmission cost, the video signal needs a compression process before transmitted. One of the compression technique which is commonly used is Transform Coding based on DCT (Discrete Cosine Transform).The video signal transmission process could be done in two ways i.e. : constant bit rate (CBR) and variable bit rate (VBR). CBR is a constant rate trans-mission which is used in the transmission process where the bandwidth has incapability to accommodate available data volume. VBR is a variable rate trans-mission which is used in the transmission process where the bandwidth has a capability to accommodate available data volume. ATM (Asynchronous Transfer Mode) network is one of the capable transmission media which is used for transmitting the VBR video signal. The VBR video signal transmission through the ATM network has two processes, coding process and packet process.A Layered Coding method is used for the data packet process. This method divides the data into two priorities i.e.: high priority data (HPD) and low priority data (LPD). The HPD is used for the important data stream and the LPD is used for the rest of the data stream (unimportant data). The data (HPD and LPD) is performed into the ATM cells structure and transmitted through a different channel.The simulation results showed that the layered coding method could maintain the VBR video signal quality by transmitting the HPD through a high priority channel. The lost data of LPD does not annoy the reconstructed video quality (PSNR 17.2 dB - 25.5 dB). The lost data of HPD, however, causes degradation in the quality of the reconstructed video (PSNR 8.62 dB)."

"ABSTRAKEmosi merupakan hasil dari aktivitas sensorik manusia baik sadar maupun tidak sadar yang dipicu oleh suatu objek atau situasi yang dialami manusia. Dalam dunia medis, emosi sangat berperan dalam kesembuhan pasien, tenaga medis sering kali mempertimbangkan emosi pasien untuk pengambilan keputusan langkah medis yang harus ditempuh. Saat ini, sistem pendeteksi emosi yang banyak digunakan adalah menggunakan raut wajah, namun sistem ini masih kurang bisa membantu tenaga medis dikarenakan ada pasien yang tidak mau atau tidak bisa memperlihatkan emosi mereka baik secara verbal maupun non-verbal. Oleh karena itu dibutuhkan sistem pendeteksi emosi yang tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Penelitian ini membahas tentang perancangan sistem pendeteksi emosi menggunakan sinyal elektroensefalografi (EEG) dengan menggunakan metode ekstraksi fitur Bispectrum Wavelet. Kemudian untuk detailed coefficient akan diekstrak fiturnya menggunakan Relative Wavelet Bispectrum (RWB) dan untuk approximate coefficient akan di filter menggunakan Non-Overlap 3-D Pyramid untuk kemudian dicari mean%. Sistem pendeteksi emosi dengan menggunakan sinyal EEG dipilih karena untuk mendapatkan sinyal EEG tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Dataset EEG yang digunakan didapatkan dari Database for Emotion Analysis using Physiological Signals (DEAP). Hasil mean yang didapatkan dari implementasi sistem yang diajukan pada skripsi ini adalah 76.6250% untuk valence dan 75.8594% untuk arousal. Hasil ini lebih tinggi 3.1050% untuk valence dan 2.4794% untuk arousal dibandingkan dengan hasil yang didapatkan pada paper

---

ABSTRACTEmotion is a result of humans conscious or unconscious sensorics activities that is triggered by object or situation that the human experienced. In medical world, emotion can be the key for patient healing process, doctor or medical personnel often use patients emotion to make next healing process movement. Nowadays, facial recognition is the most common emotion detection system; however, this emotion detection system is unreliable because it needs patient to show their emotion in verbal or non-verbal ways. Therefore, other emotion detection system that does not depend on humans verbal or non-verbal expression is needed. In this research, emotion detection system using electroencephalography (EEG) signal with Bispectrum Wavelet for its features extraction is discussed. Relative Wavelet Bispectrum will be used to extract features from detailed coefficient, and the approximate coefficient will be filtered and then it mean% will be calculated. EEG signal-based emotion detection system was chosen because EEG signal does not depend on humans verbal or non-verbal expression. Database for Emotion Analysis using Physiological Signals (DEAP) is used in this research. The mean result of the proposed system was 76.6250% for valence and 75.8594% for arousal. This results was higher by 3.1050% for valence and 2.4794% for arousal from the previous system"