Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTingginya pertumbuhan traffic data serta munculnya fitur dan teknologi terbaru seperti internet of thing IoT , mendesak munculnya teknologi komunikasi seluler generasi kelima 5G . Channel coding memiliki peran penting untuk mendukung tiga skenario 5G, yaitu Enhanced Mobile Broadband eMBB , Massive Machine Type Communications mMTC dan Ultra Reliable Low Latency Communication URLLC . Ada tiga kandidat channel coding yang berpotensi untuk memenuhi standar teknologi 5G, seperti yang diidentifikasi oleh 3GPP, yaitu turbo code, low density parity check LDPC code dan polar code.Penelitian ini mensimulasikan dan membandingkan kinerja polar code dan LDPC code berdasarkan parameter yang sesuai dengan skenario mMTC. Evaluasi teknis dilakukan dengan menilai BLER / BER dan coding gain untuk block length yang rendah dengan modulasi QPSK. Hasilnya menandakan bahwa polar code SCL decoder memiliki performa paling unggul dengan nilai coding gain 8.3 dB - 10 dB. Selain itu, polar code SCL decoder juga memiliki nilai Eb/N0 yang lebih kecil dengan perbedaan 1 dB - 3 dB dibanding skema pengkodean lainnya untuk mendapatkan BLER 0.0001. Namun jika ditinjau dari kompleksitas dan waktu decoding, polar code SC decoder mengungguli skema pengkodean lainnya dengan kompleksitas O n log n dan waktu decoding 0.005 s untuk block length 64 bit serta 0.029 s untuk block length 512 bit.

---

ABSTRAKNew features and technologies such as internet of things IoT , has encouraged the development of fifth generation mobile communications technology 5G . Channel coding has an important role to support the three 5G scenarios, i.e. Enhanced Mobile Broadband eMBB , Massive Machine Type Communications mMTC and Ultra Reliable and Low Latency Communications URLLC . There are three potential candidates for the 5G technology standard, as identified by 3GPP, which is turbo code, low density parity check LDPC code and polar code.This research simulates and compares the performance of polar code and LDPC code based on parameters that match the URLLC and mMTC scenarios. The technical evaluation is conducted by assessing BLER BER and coding gain for short block length with QPSK modulation. The result signified that polar code SCL decoder has the best performance with coding gain 8.3 dB 10 dB. In addition, the polar code SCL decoder also has a smaller Eb N0 with a difference of 1 dB 3 dB compared to other coding schemes to get BLER 0.0001. However, in terms of complexity and decoding time, the polar code SC decoder outperforms other coding schemes with complexity of O n log n and decoding time 0.005s for 64 bit block length and 0.029s for 512 bit block length."

"In this paper, the problem of distributed source coding of two correlated image data from the same source using symmetric and asymmetric turbo codes have been addressed...."

"Convolutional coding is used widely today, especially in wireless communication. In trnasmitter, the convolutional encoder generates code from input data....."

"Rangkaian Concatenared Code terdiri dari 2 (dua) jenis yaitu Seria! Concatenated Code (SCC) dan Paralel Concatenated Code (PCC)- Dengan menetapkan mekanisme iterasi pada decoder, kedua jenis rangkaian ini dapat mencapai harga Probability of error minimum untuk SNR yang rendah. Rangkaian PCC melakukan proses encoding dengan cepat tetapi membutuhkan desain interleaver yang khusus. Sebaliknya SCC memiliki waktu proses encoding yang lebih lama tetapi dapat menggunakan random interleaver biasa. Oleh karena itu, untuk mengurangi waktu proses encoding, rangkaian SCC dapat disusun menjadi 3 (tiga) konfigurasi, yaitu konfigurasi Seri, konfigurasi Paralel dan konfigurasi Seri-Paralel.Skripsi ini akan mensimulasikan ketiga konfigurasi rangkaian SCC pada bahasa komputasi teknis SIMULINK MATLAB versi 6.l. Ketiga kontigurasi tersebut menggunakan encoder Convolurional code dan APP Decoder dengan algoritma SISO-MAP. Analisa diiakukan untuk mendapatkan performa dari tiap kongurasi berdasarkan parameter Probability of error, waktu proses, jumlah itelasi dan jumlah tools yang terkait Iangsung dengan biaya (cost).Analisa hasil simulasi menunjukkan jika dibandingkan dengan koniigurasi Seri dan koniigurasi Seri-Paralel, maka konfigurasi Paralel memiliki perfomma yang paling optimum."

"Dalam penelitian ini, algoritma in-house berbasis RED-CNN disusun dan dilatih menggunakan citra fantom PMMA silinder berdiameter 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, dan 2,00 x 10⁵). Model diuji pada citra fantom PMMA berbentuk ellips dengan ukuran 21 x 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, dan 5,00 x 10⁵) untuk mengevaluasi kemampuan denoising dari model dengan menggunakan nilai signal to noise ratio (SNR), peak signal to noise ratio-desibel (PSNR-dB), structural similarity (SSIM) index, dan noise power spectrum (NPS) sebagai parameter. Evaluasi terhadap kemungkinan penurunan kualitas citra juga dilakukan dengan menguji model menggunakan citra fantom homogen dan citra fantom kawat yang diperoleh menggunakan lima nilai mAs berbeda (155 mAs, 200 mAs, 250 mAs, 275 mAs, dan 300 mAs). Hasil menunjukkan bahwa model dapat secara konsisten meningkatkan nilai SNR, PSNR-dB, SSIM dan spektrum noise yang terukur. Hasil yang diperoleh juga menunjukkan adanya kemungkinan citra mengalami over-smoothing apabila model diaplikasikan pada citra dengan tingkat noise lebih rendah, ditandai dengan adanya pergeseran puncak kurva NPS menuju frekuensi spasial rendah dan peningkatan nilai SNR, PSNR-dB, dan SSIM secara terus-menerus. Selain itu, tingkat noise dari data latih yang digunakan dalam proses pelatihan juga mempengaruhi performa akhir dari model. Pada penggunaan data latih dengan tingkat noise lebih rendah, penurunan nilai SNR, PSNR-dB, dan SSIM dan kenaikan kurva NPS yang terukur mengindikasikan tingkat noise lebih tinggi pada citra hasil supresi. Sementara itu, penggunaan data latih dengan tingkat noise lebih tinggi menyebabkan penurunan pada ketajaman citra yang ditandai dengan penurunan nilai frekuensi cut-off dari modulation transfer function (MTF 10%) hingga 45,41% dari citra awal.

---

In this study, an in-house RED-CNN-based algorithm was composed and trained using cylindrical PMMA phantom images with a diameter of 26 cm on five different noise simulation flux values (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, and 2,00 x 10⁵). The model was tested on 21 x 26 cm elliptical PMMA phantom images on five different simulated noise flux values (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, and 5,00 x 10⁵) to evaluate its denoising capability using signal to noise ratio (SNR), peak signal to noise ratio-decibel (PSNR-dB), structural similarity (SSIM) index, and noise power spectra (NPS) values as parameters. Evaluation on possible decrease of image quality was also performed by testing the model using homogenous phantom and wire phantom images acquired using five different mAs values (155 mAs, 200 mAs, 250 mAs, 275 mAs, and 300 mAs). Results show that the model was able to consistently increase SNR, PSNR-dB, SSIM values and the measured noise spectra. It is also shown that there exists a possibility of image over-smoothing when the model was applied on images with less noise, marked by the shift of the NPS curves towards lower spatial frequencies and the continuous increase of SNR, PSNR-dB, and SSIM. Moreover, the noise level of training data used in model training is shown to affect the final performance of the model. On the use of training data with lower noise level, the decrease of SNR, PSNR-dB, and SSIM, and the increase of NPS curves indicate higher noise level in suppressed images. Meanwhile, the use of training data with higher noise resulted on the decrease of denoised images sharpness, as indicated by an up to 45,41% decrease of modulation transfer function cut-off frequency (MTF 10%) from the original images."