Hasil Pencarian  ::  Simpan CSV :: Kembali

"DNA merupakan komponen penting dalam tubuh makhluk hidup dalam kaitannya dengan sintesis asam amino penyusun protein. Informasi mengenai sintesis asam amino tersebut direpresentasikan oleh empat buah karakter nukleotida A, T, C dan G yang mempakan simbol basa-basa nitrogen penyusun DNA. Rangkaian DNA makhluk hidup tersusun atas gen-gen yang panjangnya jutaan bahkan milyaran karakter nukleotida. Namun, yang terpakai sebagai kode genetik dalam sintesis asam amino hanya karakter nukleotida yang terdapat pada suatu daerah pengkodean yang disebut exon dalam setiap gen.Hidden Markov Model (HMM) merupakan salah satu cara yang dapat digunakan untuk memprediksi lokasi exon pada DNA. HMM memiliki dua buah fase, yakni fase training dan fase tes. Sequence-sequence DNA ditraining untuk mendapatkan estimasi matrik transisi dan estimasi matrik emisi melalui proses iterasi. Matrik transisi dan matrik emisi ini kemudian digunakan untuk mengetes sequence DNA yang bersangkutan. Pada skripsi ini, simulasi dilakukan dengan menggunakan tiga jenis organisme, Drosophila melanogaster (lalat buah). Homo sapiens (manusia), serta Zea mays (padi).Data yang diperoleh dari simulasi berupa nilai sensitivity (Sn) dan specificity (Sp) hasil prediksi lokasi exon gen yang bersangkutan. Dari perhitungan nilai akurasi untuk Drosophila melanogaster didapat nilai akurasi Sn sebesar 92.5% dan nilai Sp sebesar 88%, pada Homo sapiens dengan nilai akurasi Sn sebesar 69.7% dan nilai Sp sebesar 44.7% serta pada Zea Mays dengan nilai akurasi Sn sebesar 55.6% dan nilai Sp sebesar 78.6%."

"DNA merupakan komponen penting dalam tubuh makhluk hidup dalam kaitannya dengan sintesis asam amino penyusun protein. Informasi mengenai sintesis asam amino tersebut direpresentasikan oleh empat buah karakter nukleotida A, T, C dan G yang merupakan simbol basa-basa nitrogen penyusun DNA. Rangkaian DNA makhluk hidup tersusun atas gen-gen yang panjangnya jutaan bahkan milyaran karakter nukleotida.Namun, yang terpakai sebagai kode genetik dalam sintesis asam amino hanya karakter nukleotida yang terdapat pada suatu daerah pengkodean yang disebut exon dalam seliap gen.Dengan menggunakan analisis transformasi fourier, lokasi exon-axon pada suatu segmen gen dapat dipredikasikan. Pada teknik ini, rangkaian karakter nukleotida diubah dalam representasi numerik sebagai urutan indikator biner. Jika didefinisikan koefisien-koefisien numerik a, t, c dan g sebagai representasi dari tiap karakter nukleotida, rangkaian karakter nukleotida tersebut dapat ditransformasikan ke dalam spektrum fourier sehingga karakteristik frekuensinya dapat diamati. Dalam hal ini ditetapkan suatu varaibel acak W sebagai perkalian antara koefisien-koefisien numerik dengan variabel acak dari masing-masing urutan indikaror biner. Dengan membuat fungsi optimisasi untuk mendapatkan nilai koefisien-koefisien numerik yang tepat, W merupakan suatu predictor yang sangat baik dalam mengidentifikasi lokasi exon pada suatu segmen gen.Simulasi dilakukan dengan menggunakan tiga segmen gen yang akan diuji. Data yang diperoleh dan simulasi menampilkan grafik spektrum daya dari ketiga segmen gen tersebut yang memperlihatkan puncak pada lokasi di mana terdapat exon pada segmen gen yang bersangkutan. Dari perhitungan nilai akurusi didapatkan bahwa hasil prediksi lokasi exon pada ketiga segmen gen yang diuji memiliki korelasi yang kuat dengan lokasi exon sebenarnya dengan presentase rata-rata di atas 75%."

"DNA (Deoxyribosa Nucleic Acid) merupakan komponen penting dalam tubuh makhluk hidup dalam kaitannya dengan sintesis asam amino penyusun protein. Informasi mengenai sintesis asam amino tersebut direpresentasikan oleh empat buah karakter nukleotida A (Adenine), T (Thymine), C (Cytosine) dan G (Guanine) yang merupakan simbol basa-basa nitrogen penyusun DNA. Rangkaian DNA makhluk hidup tersusun atas gen-gen yang panjangnya jutaan bahkan milyaran karakter nukleotida. Namun, yang terpakai sebagai kode genetik dalam sintesis asam amino hanya karakter nukleotida yang terdapat pada suatu daerah pengkodean yang disebut exon dalam setiap gen.Dengan menggunakan metode filter digital yaitu dengan filter IIR (Infinite Impulse Response) Antinotch, lokasi exon-exon pada suatu segmen gen dari organisme dapat diprediksikan. Pada teknik pengolahan sinyal ini, rangkaian karakter nukleotida yang ada pada sequence DNA diubah dalam representasi numerik sebagai urutan indikator biner (binary indicator sequence) berdasarkan ada atau tidaknya basa nitrogen (A, T, C dan G) pada urutan tersebut. Jika filter IIR Antinotch ini bekerja pada frekuensi antinotch, omega;ω0 =2 π/3, maka filter ini dapat mengidentifikasi daerah yang memiliki period-3-property sebagaimana yang dimiliki oleh daerah pengkodean (coding region) pada suatu rangkaian DNA.Simulasi dilakukan dengan menggunakan tiga segmen gen dari organisme Caenorhabditis Elegans (cacing tanah) yang akan diuji. Dari perhitungan nilai akurasi didapatkan bahwa hasil prediksi lokasi exon pada ketiga segmen gen yang diuji dengan filter beradius pole 0.992 dan panjang impulse response sebesar 718 memiliki korelasi yang kuat dengan lokasi exon sebenamya dengan presentase rata-rata di atas 70%."

"Skripsi ini bertujuan untuk membuat identifikasi iris mata menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi, edge detection dan polarisasi. Proses yang pertama adalah pengambilan citra mata. Kemudian dilakukan proses segmentasi terhadap gambar mata yang didapat tersebut untuk memisahkan bagian iris dan pupilnya. Selanjutnya dilakukan proses polarisasi untuk memisahkan bagian iris dengan pupil kedalam bentuk polar. Hasil polarisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan iris mata dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja, agar dapat mengetahui setiap garis-garis pada iris matanya, serta proses pengenalan iris mata itu sendiri (recognition) yang digunakan untuk mengenali iris mata yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali iris mata yang diuji dengan tingkat akurasi mencapai 100%.

---

A Software of iris identification using hidden markov model is developed. The input image is extracted by using segmentation and polaritation process. The first process is taking of human eye image. Then do the process of segmentation of the image that is to separate iris and pupil from the eyes. Then do the process of polarization to separate iris with the pupil into the polar form. Results of this polarization will be recognized by the user's system.

The process of introduction of human iris in this script use the Hidden Markov Model which is done through two stages of the process of training is to train a system that works, so that each can know the lines on the eye iris, and the introduction of the iris itself (recognition) that is used to identify iris that you want to test. The whole process is created using a software. From the results of the trials obtained, this system can recognize the iris eyes tested with a level of accuracy reached 100%."

"Pemrosesan sinyal genom (Genomic Signal Processing) seperti Deoxyribonucleid Acid (DNA) dan protein dapat dilakukan untuk memprediksi ekson atau coding region suatu gen. Metoda yang paling banyak digunakan adalah Hidden Markov Model (HMM) yang kaya akan struktur matematik dan berpotensi untuk mengetahui lebih banyak tentang sumber sinyal tanpa hams texsedia sumber tersebut.Pada penelitian ini dirancang struktur model yang menggunakan metoda HMM dengan struktur dasar model sesuai struktur ekson pada coding sequence (CDS) sehingga dapat memprediksi ekson DNA Plasmodium falcyarum., Jumlah state model pada struktur dasar adalah 5, 7 dan 9 sedangkan untuk struktur pengembangan ditentukan secara acak yaitu 20. 30, 50 dan 100 stare. Proses training HMM menggunakan algoritma Viterbi dan proses testing HMM menggunakan kedua algoritma yaitu Viterbi dan Baum- Welch sedangkan kinerja model menggunakan parameter Correlation Coejicienr (CC). Sekuen yang digunakan adalah 152 sekuen DNA Plasmodium falciparum dengan panjang minimum 684 pb dan maksimum 10095 pb.Hasil simulasi pada umumnya menghasilkan nilai CC rata-rata lebih baik dengan menggunakan algoritma Viterbi dibandingkan dengan algoritma Baum-Welch. Pada struktur dasar model 9 state menghasilkan nilai CC paling balk dibandingkan dengan struktur dasar model lainnya yaitu 0,7289 dengan menggunakan algoritma Viterbi dan 0,7166 dengan menggunakan algoritma Baum-Welch. Sedangkan untuk pengembangan model diperoleh nilai CC rata-rata paling baik untuk Model 2 dengan 100 store yaitu 0,7827 dengan menggunakan algoritma Baum-Welch dan 0,7820 dengan menggunakan algoritrna Viterbi. Waktu proses resting HMM rata-rata seluruh model hampir dua kali lebih lama dengan algoritma Baum-Welch dibandingkan dengan algoritma Viterbi.Genomic signal processing like as Deoxyribonucleid Acid (DNA) and protein can be done for exon prediction or coding region of the gene. The most used method is Hidden Markov Model (HMM) which has various mathematical structures and potentially capable of learning a great deal of signal source without having to have the source available.

The model structure designed in this research is using the HMM method with based structure model in accordance with exon structure inthe coding sequence (CDS) in order to predict of DNA Plasmodium falciparum. The state number of model in the basic structure are 5, 7 and 9 states, meanwhile the expansions structure was randomly defined having 20, 30, S0 and 100 states. The HMM training process are using the Viterbi algorithm and the HMM testing are using both algorithms, Viterbi and Baum-Welch, meanwhile the performance indicator of the model are using the Correlation Coeflicient (CC). It is using 152 sequences -of DNA Plasmodium falciparum with the minimum length of 634 base-pair (bp) and maximum length of 10095 bp.

In general, the simulation results produced the best average of CC value by using Viterbi algorithm rather then Baum-Welch. In the basic structure of 9 states model produced the best CC value compared with the other basic structure models with 0.7289 using the Viterbi Algorithm and 0.7166 using Baum-Welch. Meanwhile, for the model expansion, the best CC average value is for Model 2 with state number 100 with 0.7827 using the Baum-Welch algorithm and 0.7820 using Viterbi. The average processing time of the HMM tests for all models using the Baum-Welch algorithm are almost two times slower than using Viterbi algorithm."

"Skripsi ini membahas model Predator-Prey yang dibangun untuk menggambarkan interaksi antara Agrotis segetum sebagai predator dan Zea mays sebagai prey dengan infeksi penyakit pada Agrotis segetum. Agrotis segetum terinfeksi dengan Agrotis segetumgranulovirus yang disemprotkan pada Zea mays. Virus itu membuat Agrotis segetum terjangkit infeksi. Pada akhirnya, Agrotis segetum yang terinfeksi akan mati dalam waktu enam hingga dua belas hari. Sebuah model matematika empat dimensi dari persamaandiferensial nonlinear biasa yang dibentuk dengan membagi populasi menjadi populasi predator yang rentan dan terinfeksi (Agrotis segetum), populasi prey yang rentan dan terinfeksi (Zea mays). Proses infeksi dimodelkan dengan fungsi respons Holling Type II. Stabilitas lokal untuk titik-titik keseimbangan kepunahan dan koeksistensi dianalisis menggunakan metode linierisasi dengan matriks Jacobi. Dari model, ada tiga titik keseimbangan dengan semua titik keseimbangan stabil dengan syarat. Simulasi numerik diberikan untuk menunjukkan bagaimana faktor penyakit pada populasi mangsa dapat mempengaruhi interaksi predator dan prey.

---

In this thesis, a predator-prey model is constructed to describe the intercation between Agrotis segetum as predator and Zea mays as prey, with Agrotis segetum is infected with a disease. Agrotis segetum granulovirus which is sprayed on the Zea mays makes Agrotis segetum get infected. In the end, the infected Agrotis segetum will die within six to twelve

days. A four-dimensional mathematical model of ordinary nonlinear differential equations is formed by dividing the population into susceptible and infected predator (Agrotis

segetum) population, susceptible and infected prey (Zea mays) population. The infection process is modelled with the Holling Type II response function. Local stability for the

extinction and coexistence equilibrium points is analyzed using the linearization method with the Jacobi matrix. From the model, there are three equilibrium points, all of them are stable with conditions. Numerical simulations are given to show how disease factors in the prey population can influence predator and prey interactions."

"Pada model hidden Markov (HMM), keadaan saat ini hanya bergantung pada keadaan tepat sebelumnya tetapi tidak bergantung pada observasi tepat sebelumnya. Pada skripsi ini dibahas mengenai tipe lain dari HMM yang disebut sebagai model hidden Markov dengan keadaan yang bergantung kepada observasi( Hidden Markov Model with States Sepending on Observations atau HMMSDO). Pada HMMSDO, keadaan saat ini bergantung pada keadaan dan observasi yang terjadi tepat sebelumnya dengan barisan keadaan tetap memenuhi sifat Markov. Tiga masalah pada HMMSDO, yaitu masalah evaluasi model, optimisasi barisan keadaan, dan estimasi parameter. Pada skripsi ini akan dibahas mengenai HMMSDO, penggunaannya dalam prediksi struktur protein sekunder, beserta analisa implementasinya. Tiga prosedur dalam implementasi adalah estimasi parameter, menghitung likelihood, dan memprediksi barisan struktur protein sekunder. Hasil implementasi menunjukkan adanya pengaruhi nilai awal prosentase keakuratan prediksi dan semakin besar jumlah data training, semakin baik prosentase keakuratan yang dihasilkan. Data yang digunakan adalah data protein immunoglobin dan dapat diunduh pada http://swift.cmbi.ru.nl/gv/pdbfinder/.

---

In the standard hidden Markov model (HMM), the current state depends only on the immediately preceeding state, but does not depend on the immediately preceeding observation. This skripsi presents a new type of hidden Markov model which is called hidden Markov model with states depending on observations (HMMSDO). In HMMSDO, the current state depends on the immediately preceeding state and observation, and the state sequence has Markov property. Three problems in HMMSDO, which are model evaluation, state sequence optimization, and parameter estimation.

This skripsi will gives explanation regarding HMMSDO, the implementation of it in predicting protein secondary structures, and analization of the implementation. Three procedures in the implementation are parameter estimation, computation of likelihood, and prediction of protein secondary structure. The implementation shows that initial parameter value affect the percentage accuracy of predicition and the bigger amount data training used will give better percentage accuracy of prediction. Data that is used is protein from immunoglobin and can be downloaded at http://swift.cmbi.ru.nl/gv/pdbfinder/."

"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."

"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."

"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."