Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 163798 dokumen yang sesuai dengan query
cover
Muhammad Raihan Azhari
Pengembangan Sistem Verifikasi Keaslian Tanda Tangan Menggunakan Analisis Time Series dan Siamese Recurrent Neural Network = Development of Handwriting Signature Authenticity Verification System Using Time Series Analysis and Siamese Recurrent Neural Network
"Tanda tangan memiliki peran penting dalam konteks sosial, ekonomi, pendidikan. Awalnya, tanda tangan hanya berbentuk tulisan di atas kertas, namun seiring perkembangan tekonlogi digital, tanda tangan online mulai digunakan dan telah diakui secara hukum. Meskipun tanda tangan telah menjadi komponen yang penting, namun kasus pemalsuan tanda tangan masih tinggi. Beragam metode telah dilakukan untuk menyelesaikan permasalahan tersebut, mulai dari metode tradisional hingga penggunaan teknologi. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi keaslian tanda tangan melalui metode analisis time series dan arsitektur model Siamese Recurrent Neural Network yang efisien, memiliki akurasi yang tinggi, serta bersifat writer independent. Dari pengujian yang dilakukan, model yang dilatih menggunakan GRU (Gate Recurrent Unit) yang diimplementasikan dalam arsitektur Siamese RNN merupakan model paling optimal dengan tingkat akurasi pengujian 81.02%, durasi pelatihan selama 680 sekon, serta ukuran model sebesar 37.996 Mb. Data yang digunakan untuk pelatihan model ini didapatkan dengan menggunakan metode pemotongan (truncating) sinyal time series sehingga memiliki panjang 1116 data dan tanpa melakukan proses alignment menggunakan algoritma Dynamic Time Warping. Meskpun demikian, model yang menggunakan Bidirectional LSTM yang dilatih dengan data time series sepanjang 3489 data memiliki akurasi pengujian tertinggi sebesar 85.16%. Namun, model tersebut memiliki durasi pelatihan yang terlama yaitu sebesar 2431.2 sekon dan ukuran model terbesar yaitu 630 Mb.
Handwriting signature has important role at social, economic, and education context. Initially, handwriting signature only write in the paper. However, with the development of digital technology, online handwriting start to be used and has gained legal recognition in law. Although online handwriting signature has become important, there is still many cases of forgery handwriting signature. Various method has already implemented to solve this problem, start from traditional method until technology utilization. This research aims to develop system for handwriting signature authentication verification using time series analysis and Siamese Recurrent Neural Network model architecture that is efficient, highly accurate, and writer-independent. Based on experiments conducted in this research, the model trained using a GRU (Gate Recurrent Unit) implemented in Siamese RNN is the most optimal model generates 81.02% accuracy score, training time of 680 second, and memory size of 37.996 Mb. The data used for training this model was generated from time series signal truncation method resulting time series with data sequence length of 1116, without implementing alignment using Dynamic Time Warping algorithm. However the model utilizing Bidirectional LSTM trained with time series data sequence length of 3489 generates the highest accuracy score of 85.16%. But this model also has longest training time of 2431.2 second and largest memory size of 630 Mb."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Jihad Rafsanjani
Sistem verifikasi keaslian Tanda Tangan Menggunakan Convolutional Slamese Network = System Verification Of Authenticity Signature using Convolutional Slamese Network
"ABSTRAK
Tanda tangan (signature) merupakan sistem biometricyang masuk ke dalam kategori behaviometrickarena dalam pembuatannya sangat berpengaruh dengan kebiasaan seseorang dalam menggoreskan pena. Selain itu untuk pengaplikasian yang lebih luas, tanda tangan tersebut juga dapat digunakan sebagai tanda kehadiran, pelimpahan wewenang, pengajuan anggaran, perizinan dan hampir seluruh kegiatan kesekretariatan lainnya. Untuk membedakan tanda tangan yang asli dengan yang palsu secara komputerisasi dibutuhkan penggunaan metode yang tepat. Convolutional Siamese Networkmampu dan cocok untuk mendeteksi tanda tangan yang bersifat inkonsisten dengan cepat dan memiliki ketahanan (invarian) terhadap penskalaan, transisi, dan rotasi.Pada penelitian ini menggunakan dua macam dataset sebagai bahan uji yaitu dataset CEDAR dan datasetpartisipan yang penulis buat sendiri berdasarkan tanda tangan dari para partisipan yang penulis kenal, kemudian dilakukan beberapa skenario uji coba terhadap kedua jenis dataset citra tersebut. Skenario uji coba pertama dilakukan dengan mencari nilai False Acceptance Rate (FAR)dan False Rejection Rate (FRR)yang bertujuan untuk mengetahui tingkat akurasi program. Skenario uji coba kedua dilakukan dengan mencari nilai Standar deviasi dari kedua datasetyang digunakan yang dimaksudkan untuk mengetahui tingkat konsistensi kerja dari program ini. Skenario uji coba ketiga dilakukan dengan menggunakan Uji Pearson Product Moment (r)yang bertujuan mencari nilai runtuk mengetahui korelasi dua variabel.
Dari beberapa skenario uji coba yang dilakukan didapatkan hasil False Acceptance Rate (FAR)sebesar 42% untuk dataset CEDAR dan 15% untuk dataset yang berasal dari partisipan, sementara False Rejection Rate (FRR)sebesarsebesar 38% untuk dataset CEDAR dan 77% untuk dataset yang berasal dari partisipan. Kemudian didapatkan nilai standar deviasi terbesar dengan nilai 1,28 pada penutur G. Terakhir untuk uji Pearson Product Momentdidapatkan nilai rsebesar 0,131466492
ABSTRACT
Signature is a biometric system that falls into the category of behavior because it is very influential in the making of a person's habit of writing a pen. Besides that for wider application, the signature can also be used as a sign of attendance, delegation of authority, budget submission, licensing and almost all other secretarial activities. To distinguish the original signature with a computerized fake one requires the use of appropriate methods. ConvolutionalSiamese Network is able and suitable to detect inconsistent signatures quickly and has resistance (invariant) to scaling, transitioning, and rotating.In this study, using two types of datasets as test material, namely the CEDAR dataset and the participant dataset that the authors made themselves based on the signatures of the participants who the authors were familiar with, then conducted several test scenarios on the two types of image datasets. The first trial scenario is done by finding the False Acceptance Rate (FAR) and False Rejection Rate (FRR) which aims to determine the level of accuracy of the program. The second trial scenario is done by finding the standard deviation values of the two datasets used which are intended to determine the level ofwork consistency of this program. The third trial scenario is done using the Pearson Product Moment Test (r) which aims to find the value of r to determine the correlation of two variables.From a number of trial scenarios, the False Acceptance Rate (FAR)was 42% for the CEDAR dataset and 15% for the dataset from participants, while the False Rejection Rate (FRR) was 38% for the CEDAR dataset and 77% for the
dataset. from participants. Then the largest standard deviation is obtained with a value of 1.28 inspeakers G. Finally for the Pearson Product Moment test obtained r value of 0.131466492."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dina Chahyati
Pelacakan Orang Banyak Menggunakan Hasil Deteksi Deep Convolutional Neural Network, Siamese Network dan Algoritma Hungarian = Multiple Human Tracking using Deep Convolution Neural Netwok Detection, Siamese Network and Hungarian Algorithm
"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.
Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2019
D-pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Derni Ageng
Sistem prediksi konsumsi energi berbasis recurrent neural network = Energy consumption prediction system based on recurrent neural network
"Perkembangan Internet Of Things (IoT) pada era saat ini sudah semakin berkembang. Jumlah IoT device sudah mencapai 31 miliar perangkat yang tersebar di dunia. IoT adalah suatu objek yang memiliki kemampuan untuk mengirimkan data melalui jaringan tanpa memerlukan interaksi manusia ke manusia atau manusia ke computer. Dalam perkembangannya, dibutuhkannya teknologi Machine Learning untuk mendukung fitur-fitur yang ada pada IoT device, seperti prediksi konsumsi energi pada perangkat IoT. Machine learning diperlukan untuk mempelajari behaviour yang ada pada mesin yang diterjemahkan menjadi kondisi atau kata kata lain yang mencerminkan behaviour tersebut. Dalam implementasinya membutuhkan neural network yang didalamnya terdapat memory untuk mengingat behaviour tersebut sehingga proses learning dari alat menjadi cepat atau disebut dengan Recurrent Neural Network (RNN). Dengan tujuan dapat mengetahui dan memprediksi dari suatu nilai agar dapat memperkirakan besar konsumsi energi yang berakibat pada kenaikkan penggunaan listrik perkapita dalam negeri. Salah satu arsitektur dari RNN yaitu LSTM dapat digunakan untuk menjawab permasalahan. Data yang digunakan berasal dari sebuah alat dispenser. Hasil pengujian LSTM mencapai kategori baik dengan mendapatkan RMSE sebesar 3.9265.
The development of the Internet of Things (IoT) has increasingly developed many features. The number of IoT devices has reached 31 billion devices spread across the world. IoT is an object that has the ability to transfer data over a network without requiring human-to-human or human interaction to a computer. In its development, Machine Learning technology is needed to support features that exist on IoT devices, such as power predictions on IoT devices. Machine learning is needed to study the behaviors that exist on the machine which are translated into conditions or other words that reflect that behavior. For the implementation requires a neural network in which there is memory to remember the behavior so that the learning process of the tool becomes fast or called Recurrent Neural Network (RNN). The purpose of this research is to predict values from consumption energy, which related to average energy consumption on current country. One of the architectures of the RNN, namely LSTM can be used to answer the problem. The data comes from a smart dispenser. The LSTM test results reached a good category by getting RMSE of 3.9265."
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Taqiyuddin
Perbandingan kerja recurrent neural network dan convolutional neural network pada analisis sentimen berbasis teks = Comparison of recurrent neural network and convolutional neural network on text-based sentiment analysis
"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan.
Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec.
Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.
Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.
There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.
The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."
Depok: Fakultas Teknik Universitas Indonesia, 2017
S68746
UI - Skripsi Membership  Universitas Indonesia Library
cover
Mgs. M. Luthfi Ramadhan
Asesmen Kerusakan Bangunan Menggunakan Feature Concatenated Siamese Neural Network pada Data LIDAR = Building Damage Assessment Using Feature Concatenated Siamese Neural Network on LiDAR Data
"Asesmen kerusakan bangunan setelah bencana sangat penting dilakukan untuk membantu operasi tanggap darurat dan penyelamatan. Tetapi asesmen kerusakan bangunan membutuhkan banyak sumber daya untuk melakukannya secara manual. Banyak pendekatan telah diusulkan untuk mengotomatisasi asesmen kerusakan bangunan dengan memanfaatkan teknologi kecerdasan buatan. Beberapa diantaranya menggunakan handcrafted fitur yang dianggap tidak efektif. Penelitian ini mengusulkan sebuah pendekatan yang berdasarkan pada siamese neural network. Fitur ekstraksi, perbedaan fitur, dan klasifikasi dapat dilakukan hanya dengan menggunakan satu model yang terhubung secara end-to-end sehingga klasifikasi dan fitur ekstraksi dapat belajar secara bersama. Penelitian ini juga mengembangkan model siamese neural network dengan menambahkan mekanisme konkatenasi fitur. Konkatenasi ini bertujuan untuk membuat fitur perbedaan berdasarkan tiap-tiap keluaran dari convolution block dan menggabungkanya menjadi sebuah vektor yang berdimensi tinggi. Model ini diuji dalam tiga skenario eksperimen dan telah dibuktikan bahwa penerapan mekanisme konkatenasi fitur tersebut mampu meningkatkan skor f-measure pada model dengan dua dari tiga skenario eksperimen tersebut menunjukan perbedaan performa yang signifikan.
Post-earthquake building damage assessment is a very crucial job to do in order to execute emergency and rescue operations. With that being said, building damage assessment takes a lot of resources if it is done manually. Many approaches have been proposed to automate the process by using artificial intelligence, some of which use handcrafted features that are considered ineffective. This research proposes an approach based on siamese neural network. Feature extraction, feature differentiation, and classification can be performed using only one end-to-end connected model so that classification and feature extraction can learn simultaneously. Furthermore, this research also develope a siamese neural network model by implementing feature concatenation mechanism. This concatenation aims to create difference features based on each output from the convolution block and concatenate them into a high-dimensional vector. This model was tested in three experimental scenarios and it has been proven that the application of the feature concatenated mechanism is able to increase the f-measure score in the model with two out of three experimental scenarios showing a significant difference in perform"
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Yumna Pratista Tastaftian
Deteksi emosi wicara bahasa Indonesia pada podcast dan talkshow dengan menggunakan metode recurrent neural network dan convolutional neural network = Emotion detection on Indonesion language in podcast and talkshow using recurrent neural network and convolutional neural network method
"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.
Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."
Depok: Fakultas Ilmu Kompter Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ilsya Wirasati
Klasifikasi Kanker Hati Menggunakan Convolutional Neural Network dan Gated Recurrent Unit = Classification of Liver Cancer Using Convolutional Neural Network and Gated Recurrent Unit
"Hati adalah salah satu organ yang paling aktif secara metabolik di dalam tubuh dan berfungsi dalam proses homeostatis dan sintetik yang penting untuk kelangsungan hidup manusia. Kanker hati diperkirakan menjadi kanker keenam yang paling sering didiagnosis dan penyebab utama kematian keempat akibat kanker di seluruh dunia pada tahun 2018. Dalam mendeteksi kanker hati, terdapat metode magnetic resonance imaging (MRI) atau computed tomography (CT) yang digunakan. Namun, kurang dari 40% pasien didiagnosis pada tahap awal dan pada kanker hati lanjut hanya pilihan pengobatan paliatif yang tersedia dengan kelangsungan hidup yang buruk. Oleh karena itu, diperlukannya riset-riset terkait metode yang tepat untuk mengklasifikasi kanker hati. Salah satu metode yang dapat digunakan adalah machine learning yang menemukan pola melalui pembelajaran historis dan tren pelatihan data untuk memprediksi karakteristik data baru. Pada tugas akhir ini, dua metode machine learning yang digunakan adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Keutamaan dari CNN adalah adanya konvolusi yang bertugas untuk mengubah input menjadi sekumpulan fitur melalui filter atau kernel. Sedangkan keutamaan metode GRU adalah adanya update gate dan reset gate yang dapat mengingat informasi penting sebelumnya. Pada tugas akhir ini, CNN digunakan dalam mengekstraksi data citra dan GRU digunakan untuk klasifikasi data citra. Penggabungan metode CNN dan GRU menjadi CNN-GRU bertujuan untuk meningkatkan performa dari CNN dalam mengklasifikasi data citra kanker hati. CNN-GRU menghasilkan nilai akurasi terbesar 81,25% sedangkan CNN menghasilkan nilai akurasi terbesar 77,78% dari lima kali percobaan.
The liver is one of the most metabolically active organs in the body and functions in the homeostatic and synthetic processes essential for human survival. Liver cancer is estimated to be the sixth most frequently diagnosed cancer and the fourth leading cause of cancer death worldwide in 2018. In detecting liver cancer, magnetic resonance imaging (MRI) or computed tomography (CT) methods are used. However, less than 40% of patients are diagnosed at an early stage, and in advanced liver cancer, only palliative treatment options are available with poor survival. Therefore, research is needed regarding the right method to classify liver cancer. One method that can be used is machine learning which finds patterns through historical learning and data training trends to predict the characteristics of new data. In this final project, the two machine learning methods used are Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU). The advantage of CNN is a convolution whose task is to convert the input into a set of features through a filter or kernel. Meanwhile, the advantage of GRU method is that can remember important previous information because GRU has reset and update gate. In this final project, CNN is used in extracting image data and GRU is used for image data classification. The combination of the CNN and GRU methods into CNN-GRU aims to improve the performance of CNN in classifying liver cancer image data. CNN-GRU produced the greatest accuracy value of 81.25% while CNN produced the greatest accuracy value of 77.78% from five experiments."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Tusty Nadia Maghfira
Klasifikasi sinyal suara tangisan bayi menggunakan gabungan convolutional dan recurrent neural network = infant cry signal classification using combination of convolutional and recurrent neural network
"Menangis merupakan bahasa pertama yang dikuasai oleh bayi yang baru lahir. Tangisan bayi ini menjadi sinyal untuk orang tua atau pengasuh agar memberikan perlindungan dan kenyamanan yang dibutuhkan oleh bayi. Umumnya bayi membutuhkan pertolongan pengasuhnya ketika merasa haus, mengantuk, tidak dapat bersendawa, mengalami masalah perut dan merasa tidak nyaman. Apabila pertolongan tidak segera diberikan maka dapat membahayakan bayi tersebut. Namun terdapat faktor psikologis dan pengetahuan orang tua yang kurang dalam memahami setiap tangisan bayi. Berdasarkan masalah tersebut, studi klasifikasi arti tangisan bayi menjadi salah satu domain yang mulai dikembangkan agar dapat membantu orang tua dan pengasuh dalam memahami bayi. Berbagai metode diusulkan untuk memberikan hasil terbaik namun terdapat tantangan dalam studi ini yaitu sinyal suara tangis bayi yang susah dikenali karakteristiknya dibandingkan suara verbal dewasa. Oleh karena itu, penelitian ini mengusulkan pengembangan metode gabungan dari CNN dan RNN untuk mengatasi tantangan dan permasalahan pada studi pengenalan tangisan bayi. Hasil akurasi terbaik metode usulan CRNN mencapai 87,31%.
Crying is the first communication language of newborns. Infant cries can be considered as a cue that hopefully motivate parents and caregivers to give affection, safety, and protection to their infants. Generally, infant cries can be caused by many different reasons, for example when they feel hungry, sleepy, uncomfortable, want to burp, and have a stomachache. If the caregivers do not give their need immediately, it may get worse and harm their safety. But there are some psychological factors and lack of knowledge in understanding each infant’s cries. Based on these problems, the study of infant cry classification becomes one of the studies that began to be developed in order to help parents and caregivers understand their infants. Various methods have been proposed to provide the best result, but there is a challenge in this study which is infant cries signal is difficult to recognize compared to adult speech. Therefore, this study proposes the development CNN and RNN combination methods to overcome challenges and problems in the study of infant cry classification. We obtain best result of CRNN performance up to 87,31%."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Fajar Budi Utomo
Rancang Bangun Sistem Monitoring Kesehatan Gedung Menggunakan Analisis Pengolahan Sinyal Dan Deep Neural Network = Design And Development of Structure Health Monitoring System Using Signal Processing Analysis and Deep Neural Network
"Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut.
The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>