Hasil Pencarian  ::  Simpan CSV :: Kembali

"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/."

"Kanker mulut rahim merupakan kanker yang menempati urutan kedua di dunia dan pertama di negara berkembang, termasuk di Indonesia. Insidensi kanker ini diketahui memiliki keterkaitan yang erat dengan infeksi Human Papillomavirus (HPV). Tipe HPV berdasarkan kemampuannya dalam menginduksi kanker mulut rahim digolongkan menjadi low-risk dan high-risk HPV. Di Indonesia, tipe HPV yang bersifat high risk adalah tipe 16, 18, dan 52. Untuk menekan insidensi kanker mulut rahim di Indonesia, perlu dirancang vaksin chimeric Virus-like Particle (cVLP) yang bersifat polyvalent dengan cara merancang plasmid dan host berbasis protein kapsid L1 melalui prediksi epitope model algoritma Hidden Markov Model (HMM). Studi in-silico dilakukan untuk menentukan sekuens DNA cVLP HMM1 dan HMM2, kemudian dibuat suatu rancangan DNA rekombinan dengan menggunakan plasmid pUC19 dengan menyisipkan sekuens DNA HMM1 dan HMM2 menggunakan enzim restriksi BamH1, EcoR1 dan HindIII, yang dapat mengekspresikan vaksin cVLP tersebut ke dalam host. Prediksi analisis modifikasi pasca translasi dilakukan agar dapat menentukan host yang sesuai untuk ekspresi cVLP HMM1 dan HMM2. Hasil penelitian secara insilico menunjukkan bahwa hasil modifikasi pasca translasi yang terjadi hanya N-glikosilasi. Persentase host yang diprediksikan sesuai untuk ekspresi HMM1 dan HMM2 yang direkomendasikan SuggestES adalah sel mamalia sebesar 64,66% dan 66,67%, dan sel E.coli sebesar 35,34%, dan 33,33%. "

"Penyakit dengue merupakan penyakit yang disebabkan oleh virus dengue dengan empat serotipenya yaitu DENV-1, 2, 3, dan 4. Untuk mengurangi terjadinya penyakit dengue dari keempat serotipe yang ada, maka perlu dirancang vaksin peptida yang bersifat tetravalen dan mencegah infeksi semua serotipe dengue menggunakan protein E (envelope) DENV-3 sebagai backbone. Prediksi epitope sel T protein E DENV1-4 menggunakan server MULTIPRED dengan HLA kelas II DR dan algoritma Hidden Markov Model (HMM), dan prediksi epitope sel B protein E DENV-3 menggunakan Conformational Epitope Prediction (CEP) server. Perancangan vaksin dilakukan dengan mensubstitusikan epitope sel T highest binders protein E DENV-1,2, dan 4 ke dalam epitope sel T non binders backbone protein E DENV-3. Dengan memvariasi posisi epitope pensubstitusi maka diperoleh enam rancangan vaksin peptida dengue yang bersifat tetravalen. Hasil BLASTp menunjukkan keenam rancangan vaksin mempunyai 93% identity dengan protein E DENV-3 native. Struktur tersier vaksin diprediksi melalui homology modeling. Dari hasil analisis struktur tersier diperoleh empat rancangan vaksin yang terbaik, yaitu HMM1-2-4, HMM1-4-2, HMM2-1-4, dan HMM4-1-2 dengan persentase residu non glisin pada disallowed region berkisar 2% dan score VAST 61,5. Prediksi sistem ekspresi protein menghasilkan sel serangga sebagai host yang sesuai untuk mengekspresikan keempat vaksin tersebut. Rancangan DNA rekombinan menggunakan plasmid pBlueBac4.5 sebagai vektor transfer baculovirus dan insersi sekuens DNA vaksin menggunakan enzim restriksi BamH1 dan EcoR1. Prediksi modifikasi post translation menunjukkan hanya modifikasi N-glikosilasi yang paling mungkin terjadi terhadap protein vaksin dalam sel serangga."

"Tugas akhir ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi retina manusia melalui proses image processing dengan menggunakan Hidden Markov Model. Dalam pembuatan perangkat lunak indetifikasi ini terdiri atas dua bagian, yakni pembentukan database dan proses identifikasi itu sendiri. Pembentukan database akan menghasilkan codebook dan nilai probabilitas HMM. Identifikasi dilakukan dengan mengambil hasil scanning retina dari rumah sakit. Kemudian dilakukan proses normalisasi dan ekstraksi terhadap gambar retina yang didapat untuk memindai pola pembuluh darah kapiler pada retina. Proses pengenalan retina dalam tugas akhir 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 jenis pola pembuluh darah yang ada, serta proses pengenalan retina itu sendiri (recognition) yang digunakan untuk mengenali retina yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali retina yang diuji dengan tingkat akurasi mencapai 100%.

---

This final project is created to design a software that can identify human retina through image processing using hidden markov model. This identification software consist of two part, that are database development and identification itself. The database development produce codebook and HMM probability value. Identification using retinal scanning from hospital. Then the images will be normalisated and extracted to separate retinal vessel.

The identification process of retinal in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of retinal vessel, and the second one is the recognition process of all retinal image. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested retinal image with 100% accuracy."

"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%."

"Skripsi ini betujuan untuk merancang sebuah software pendeteksi korona yang terjadi pada peralatan listrik yang mengunakan tegangan tinggi. Metode identifikasi menggunakan Hidden Markov Model (HMM) yang memiliki kelebihan dalam memodelkan persamaan matematika. Software ini meliputi 2 proses utama, yaitu training sebagai proses pengisian database dan identifikasi. Input berupa data audio (*.wav) yang kemudian diolah melalui beberapa tahapan diantaranya labelisasi, pembentukan codebook dan pembentukan parameter HMM. Hal yang harus diperhatikan dalam pengolahan ini adalah waktu pencuplikan, jumlah iterasi dan ukuran codebook yang digunakan, dimana ketiga variabel ini akan dianalis sehingga dapat diketahui nilai masing - masing parameter yang menghasilkan identifikasi dengan akurasi paling tinggi. Akurasi tertinggi yang dapat dicapai software ini hanya sebesar 50% dikarenakan data latih korona yang terbatas.

---

This final project was made to design a corona detection that occured in the electric equipment using very hight voltage, such as electric guardhouse. Identification methode that used was Hidden Markov Model (HMM). It had an advantage in modeling mathematic equations. This software contains 2 main proces, training as filling in the database and identification. The input is audio data which format is (*.wav) then processed pass through many steps, such as : labelisation, forming the codebook and HMM parameters. Factor that influenced to the accuration as the result of the software is duration time, amount of iteration and codebook size. With testing the software, we will know which setting will result the highest accuration. The maximal accuration of the identification is only 50% because of limited training data."

"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."

"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%."

"Model Hidden Markov Model-GARCH(1,1) atau HMM-GARCH(1,1) adalah model runtun waktu yang berfungsi untuk memprediksi volatilitas di masa depan dengan mengelompokan volatilitas yang menggunakan konsep HMM. Model ini merupakan perluasan dari model Markov Regime Switching-GARCH(1,1) atau MRS-GARCH(1,1). Volatilitas diketahui mengikuti proses rantai markov yang tersembunyi, dimana proses rantai Markov yang dapat diobservasinya adalah return dari sebuah instrumen investasi sehingga digunakan proses hidden Markov. Pada skripsi ini, akan dibahas mengenai bentuk, metode estimasi, dan metode peramalan pada model HMM-GARCH(1,1). Pengestimasian parameter pada bagian HMM-nya menggunakan algoritma Baum-Welch dan runtun waktu akan dibagi menjadi beberapa bagian menggunakan algoritma Viterbi. Lalu parameter pada bagian GARCH(1,1)-nya akan diestimasi menggunakan metode Maximum Likelihood Estimation. Metode pengestimasian dari HMM-GARCH(1,1) ini kemudian akan diaplikasikan pada indeks Standard & Poor 500 atau S&P500. Hasilnya model HMM-GARCH(1,1) memiliki Mean Squared Error atau MSE dan Bayesian Criterion Information atau BIC yang lebih baik dari model GARCH(1,1).

---

Hidden Markov Model-GARCH(1,1) or HMM-GARCH(1,1) model is a time series model to predict future volatility by dividing the level of volatility and using HMM. This model is an extension from Markov Regime Switching-GARCH(1,1) or model MRS-GARCH(1,1) model. Volatility is known to follow a hidden Markov chain process, which the observable Markov Chain is the return from an investment asset. In this undergraduate thesis, it will be discussed the structure, estimation method, and forecasting method of HMM-GARCH(1,1) model. Baum-Welch algorithm is used to estimate the HMM's parameter, and Viterbi algorithm will be used to divide the time series into some regimes. For the GARCH(1,1) part, Maximum Likelihood Estimation is used to estimate the parameter. The parameter estimation method of HMM-GARCH(1,1) will be applied to Standard & Poor 500 Index or S&P500. HMM-GARCH(1,1) have better Mean Squared Error or MSE and Bayesian Criterion Information or BIC compared to GARCH(1,1)."

"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."