Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini berisi tentang perbandingan dari 3 jenis algoritma VQ (Vector Quantization) yaitu Traditional K-Means Clustering, LBG (Linde, Buzo, and Gray), dan Sucessive Binary Split yang digunakan dalam proses pengenalan sinyal akustik (Suara) dari berbagai jenis ikan. Dalam proses pengenalan sinyal akustik ikan yang menggunakan HMM (Hidden Markov Model), sinyal akustik ikan yang akan dideteksi, terlebih dahulu dikuantisasi dengan menggunakan algoritma VQ.Pada sistem pengenalan sinyal akustik ikan, sinyal akustik ikan diubah terlebih dahulu ke dalam bentuk diskrit dengan cara sampling. Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan menggunakan 3 jenis algoritma VQ. Pada tahap pengenalan sinyal akustik ikan (recognition) yang memanfaatkan model HMM, ketiga jenis algoritma VQ ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh.Berdasarkan hasil simulasi, algoritma Sucessive Binary Split merupakan algoritma paling optimum untuk sistem pengenalan sinyal akustik ikan karena memiliki tingkat akurasi tertinggi (pada ukuran codebook < 64) dengan kebutuhan kapasitas memori dan waktu komputasi (saat pembuatan codebook dan model HMM) paling kecil. Untuk memperoleh sistem pengenalan sinyal akuslik ikan dengan tingkat akurasi yang paling baik, algoritma LBG dapat digunakan dengan ukuran codebook > 128 tetapi kapasitas memori dan waktu komputasi yang dibutuhkan makin besar. Tingkat akurasi (recognition rate) pada sistem pengenalan sinyal akustik ikan yang menggunakan VQ dan HMM dapat ditingkatkan dengan memperbesar ukuran codebook, jumlah iterasi algoritma VQ, dan jumlah iterasi pada Baum Welch Algorithm."

"Speech recognition atau pengenalan suara dengan beragam aplikasinya semakin banyak dimanfaatkan diberbagai bidang kehidupan seperti telekomunikasi, sistem keamanan, kedokteran, administrasi dan bidang-bidang praktis lainnya. Karena itulah teknologi ini terus dikembangkan untuk mendapatkan unjuk kerja yang semakin baik. Sejak dimulai pengembangannya, telah banyak metode yang digunakan dengan kemajuan-kemajuan yang berarti dibandingkan metode sebelumnya, termasuk metode yang sampai saat ini terus dikembangkan yaitu metode statistik menggunakan permodelan Hidden Markov. Walaupun masih ada metode lain yang juga memiliki unjuk kerja yang dapat dibandingkan seperti menggunakan jaringan saraf tiruan (neural network). Pada Skripsi ini disimulasikan penggunaan metode permodelan Hidden Markov (HMM) dengan Linear Predictive Coding (LPC) sebagai pengolah sinyal. Parameter-parameter yang dianalisa adalah variasi jumlah data latih, jumlah state, dan jumlah iterasi. Berdasarkan hasil simulasi didapatkan bahwa jumlah data latih memiliki peran terpenting untuk mendapatkan unjuk kerja System yang baik. Sedangkan jumlah state dan jumlah iterasi juga mempengaruhi kemampuan pengenalan walaupun tidak terlalu berarti."

"Sejak awal ditemukannya komputer hingga kini, manusia berinteraksi dengan komputer melalui papan ketik (keyboard). Upaya untuk memberikan kemampuan guna mengenali ucapan oleh komputer akan memperluas lingkup penggunaanya. Meciptakan komputer yang dapat mengenali ucapan manusia merupakan hal yang kompleks dan melibatkan berbagai disiplin ilmu. Dalam skripsi ini akan digrnikan perancangan sistem pengenalan ucapan untuk mengenali ke-6 vokal dalam Bahasa Indonesia dan kata dalam bahasa Indonesia dengan metoda-metoda yang sebagian besar merupakan peniruan dari fungsi (kemampuan) manusia. Metoda-metoda yang digunakan meliputi pemisahan sinyal ucapan dengan bukan ucapan (kesenyapan atau derau latar belakang). Ekstraksi ciri dengan pengkodean prediksi linear (Linear Predictive Code, LPQ yang dapat dengan baik merepresentasikan produksi suara manusia. Jaringan Saraf Tiruan ART 2 yang bersifat adaptif digunakan untuk pengenalan vokal, serta Hidden Markov Model digunakan untuk pengenalan kata karena dapat mendeteksi informasi dari masukan yang temporal."

"Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian. Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode HiddenMarkov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai tingkat akurasi pengenalan sebesar84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

---

ABSTRACTHuman face recognition system is one area that is developing now, where applications can be applied in the field of security (security system) such as permit access into the room, monitoring locations (surveillance), or search for individual identity in the police database. Purpose of this final report is to build a software image of human face recognition using Hidden Markov Models method (HMM) with input Pain Ekspression Subset database and Image itself database applications of GUI. Test results show that the system of face recognition systemstrial comparing the introduction according to the codebook (32, 64.128, 256) and iteration (5, 10). Human face recognition system using Hidden Markov Models (HMM) reached the level of recognition accuracy of 84,28%, with 70 database that consists of 10 individuals with each individual has 7 variations of expressions."

"Darah merupakan unsur dalam tubuh manusia yang memiliki peran penting dalam mekanisme kerja tubuh. Banyak informasi penting yang terkandung dalam darah, termasuk informasi penyakit yang diderita seseorang. Pentingnya informasi tersebut ditambah kebutuhan diagnosis dini untuk mempercepat penanganan suatu penyakit, maka citra darah sangat vital sebagai media dalam proses pengenalan penyakit. Dengan menggunakan citra darah, proses pengenalan penyakit menjadi lebih mudah dan cepat karena tidak diperlukan proses reaksi kimia dengan darah. Dalam skripsi ini dilakukan perancangan proses pengenalan penyakit leukemia dari citra darah dengan menggunakan metode Hidden Markov Model (HMM). Prosesnya melibatkan dua tahap proses utama yaitu proses pembentukan database dan proses pengenalan. Pada tahap pembentukan database, citra darah diubah menjadi vector sebagai titik sample dan titik-titik yang terdekat akan dikuantisasi menjadi centroid atau codeword. Kumpulan codeword akan disimpan berupa codebook di dalam database. Pengenalan dilakukan dengan membandingkan besaran log of probability HMM yang dihitung berdasarkan titik sample dari setiap sample citra darah. Dengan menggunakan codebook berukuran 32, 64 dan 128 dengan jumlah repetisi 5 dan 10 kali, diperoleh tingkat akurasi pengenalan penyakit darah antara 60% sampai 82,76%.

---

Blood is a part of human body which plays an important role in the body mechanism. Important informations could be achieved from blood, including information of diseases. This kind of information is very essential in order to diagnose the disease as early as possible. Blood cells in digital format will be easier to analyze using computers and the process itself could be performed faster than conventional methods, since it needs no chemical reactions in the process.

In this research, the disease identification for leukemia is performed from blood imageries analyzed using Hidden Markov Model (HMM). The whole process consists of two main processes: database construction and recognition. In the first process, blood image will be transformed to vectors as sample points and the nearest points will be quantized as centroids or codewords. The collection of codewords is built in codebook database. Recognition process is performed by taking the largest value of HMM?s log of probability from sample points of several blood images. Based on the simulation results, using codebook 32, 64 and 128 with repetition 5 and 10 times, the accuration levels of the recognition results are between 60% and 82.76%."

"Sistem pengenalan gerakan manusia merupakan teknologi yang penting karena dapat mempermudah pekerjaan manusia dalam berbagai aspek dan membantu manusia yang memiliki keterbatasan. Adapun gerakan yang bisa dikenali adalah gerakan manusia dimana tangan lurus dan berayun, gerakan manusia dimana tangan ditekuk dan berayun, gerakan pergelangan tangan memutar kekanan dan kekiri, serta gerakan tangan ditarik mendekati tubuh dan gerakan tangan mendorong menjauhi tubuh. Salah satu algoritma dalam bidang Artificial Intelligence yang bisa digunakan adalah Hidden Markov Model (HMM). HMM sendiri merupakan suatu permodelan statistika yang dimana sistem yang dimodelkan diasumsikan merupakan proses Markov yang memiliki state/keadaan yang tersembunyi (hidden). Pada penelitian ini digunakan sensor Inertial Measurement Unit sebagai pendeteksi gerakan manusia. Komunikasi antara sensor dengan komputer dilakukan secara nirkabel menggunakan XBee. Sistem yang dibuat dapat mengenali enam gerakan manusia tadi secara real time. Hasil pengujian menunjukkan bahwa HMM dapat mengenali gerakan manusia dengan tingkat akurasi sebesar 88% dalam waktu 0.004 detik.

---

Human motion recognition is an important technology to be developed, as it can facilitate human work and also help people with disabilities. As for motion, sytem could recognize six motion, which is human arms straight and swinging, human hand bent and swinging, hand twisting left, hand twisting right, hand push forward, and hand pull inward. One of Artificial Intelligence algorithm that can be used is HiddenMarkov Model (HMM).

HMM itself is a statistical model where the system which being modelled was assumed as Markov process that has hidden state. This research used Inertial Measurement Unit sensor as human motion detector. Communication between sensor and computer was conducted wirelessly with XBee. This system can recognize six motion real time. From the results show that Hidden Markov Model can recognize human motion with an accuracy rate of 88% within 0.004 seconds."

"Skripsi ini bertujuan untuk mengenali karakter (berupa huruf dan angka) dari plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan Hidden Markov Model (HMM) sebagai metode pengenalan. Terdapat 3 fase utama yang menentukan keberhasilan dari pengenalan, yaitu : pendeteksian lokasi plat nomor mobil dari citra masukan, segmentasi karakter dari plat nomor, dan pengenalan karakter plat nomor. Dua fase utama adalah fase pra-proses Deteksi lokasi plat nomor dilakukan dengan menggunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Segmentasi karakter plat nomor dilakukan dengan menggunakan vertical dan horizontal projection dari citra. Setelah itu tiap karakter hasil segmentasi dilakukan proses pengenalan dengan Hidden Markov Model.Pembentukan parameter HMM untuk pengenalan dilakukan dengan pembentukan codebook database terlebih dahulu. Citra dari karakter untuk training diubah ke domain frekuensi menjadi bilangan vektor yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook. Dari codebook ini dihitung parameter-parameter HMM untuk tiap karakter. Pada proses pengenalan dihitung besar log of probability HMM yang tertinggi untuk tiap karakter yang menjadi hasil proses pengenalan. Dari percobaan yang dilakukan didapatkan tingkat akurasi sebesar 95 %.

---

This final project's aim is to be able to recognize Indonesian license plate number from digital camera image using Hidden Markov Model as recognition method. The system consists of 3 main phase, which are: License Plate Detection & Extraction, License Plate Character Segmentation & Extraction and Recognition Phase. The first two is the pre-processing phase. The License Plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. The License Plate Character Segmentation is done by using vertical & horizontal projection of the image. Then each character from the segmentation phase is recognized using the Hidden Markov Model.

To acquire Hidden Markov Model's parameters for recognition, we need to make codebook database of the sample character images. The sample character images are transformed from spatial domain to frequency domain to become sample point. The near by sample points are then quantized and become values which will be called centroids/ codewords. These centroids are then saved in a codebook. From the codebook, then the Hidden Markov Model Parameters can be calculated for each character. In the recognition phase, the highest log of probability of Hidden Markov Model of all character is the recognized character. From many simulations that had been tested, the system can achieve 95 % of accuracy."

"Sampai saat ini, serangan jantung masih menjadi penyebab utama kematian dibanyak tempat di dunia. Salah satunya adalah kelainan pada katup jantung yang dapat dideteksi melalui suara murmur pada detak jantung penderita. Skripsi ini membahas tentang perancangan sistem pengenalan penyakit jantung berdasarkan suara detak jantung dengan metode HMM. Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan penyakit jantung. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. Dimulai dengan pembentukan vektorvektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilainilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) maksimum yang akan menunjukkan hasil keluarannya. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini ukuran codebook yang optimal adalah 64, jumlah database yang optimal sebesar 10 (sepuluh) buah, dan rentang waktu sampel yang optimal adalah 0,7 detik. Sementara akurasi sistem secara keseluruhan bervariasi antara 60% hingga 85%.

---

Heart attack is still being the number one killer until now all over the world. A part of heart diseases which can be detected by murmur sound and will be explained here is valve anomaly. This thesis is talking about heart disease recognition based on its heart sound system design using HMM method. The system consists of two main processes: database construction and diseases recognition. Both of this processes is done with almost exact ways. Each samples will be processed through labelling, codebook construction, and HMM parameter making. The difference is that in recognizing process, sound signal will be compared to database which has been made before. The whole process is started with data vectors production by vector quantization (VQ) which can be used to analyze precise centroid positions. The centroid will define HMM states and parameters.

A Log of Probability (LoP) will be calculated from the parameter values. The largest value of LoP will be declared as an output of the system. Output of each samples are compared to get system accuracy based on variation of sample duration, sample amount, and codebook size. The optimum codebook size in this research is 64, optimum sample amount in database is 10, and 0.7s sample duration. Overall, accuracy of the system is variating from 60% up to 85%."

"Skripsi ini dibuat untuk mengenali suatu jenis kawanan ikan berdasarkan perubahan fase dengan menganalisis perubahan fase dari gelombang yang dipantulkan oleh gerakan kawanan ikan. Gelombang yang diterima dari hasil pantulan tersebut akan dikenali dengan metode Hidden Markov Model (HMM) yang telah diprogram ke DSK TMS320C6713. 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. Pada Tahap identifikasi dengan metode HMM tingkat pengenalan bias mencapai 100% dengan menggunakan ukuran codebook 128 bit dan jumlah pelatihan 15 sample dan 7 state HMM.

---

This final project 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. The reflected waves was recognized using the Hidden Markov Model which was programmed in the DSK TMS320C6713. 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. In the recognition process with Hidden Markov Model (HMM) could reach 100% accuracy using the codebook size of 128 bit, training samples of 15 data and 7 states of HMM."