Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada kesempatan ini akan dievaluasi metode partisi fuzzy dalam menyelesaikan suatu permasalahan nonlinier dalam hal ini permasalahan klasifikasi. Metode ini mempartisi input space ke dalam bin-bin dan membuat aturan fuzzy dari tiap bin. Keseluruhan aturan fuzzy yang dihasilkan membentuk suatu sistem berbasis aturan fuzzy (sistem fuzzy) yang memodelkan sistem nonlinier dari permasalahan yang diberikan. Metode partisi fuzzy diperkenalkan dan digunakan untuk prediksi unjuk kerja pada masalah kredit industri finansial oleh Yinghua Lin. Pada makalah ini metode partisi fuzzy digunakan untuk menyelesaikan masalah klasifikasi dengan data input dan data output 'Wine Recognition Data'. Metode ini memberikan hasil yang cukup baik terutama ketika dilakukan penambahan kemungkinan lokasi pemartisian, dari maksimum pengenalan 91,67% (tiga lokasi pemartisian) menjadi maksimum 94,44% (lima lokasi pemartisan). Dalam percobaan ini juga diterapkan preprocessing PCA yang mentransformasikan data input ke dalam ruang eigen. Peningkatan yang diperoleh cukup tinggi hingga mencapai tingkat pengenalan 97,22%. Kata kuci: paritisi fuzzy, sistem fuzzy, klasifikasi, PCA."

"Dalam skripsi ini dibahas pemodelan sistem fuzzy statis dan proses penetapan konstanta parameternya. Dalam pemodelan sistem fuzzy statis ada lima hal yang harus ditetapkan, variabel input, subhimpunan fuzzy, fungsi keanggotaan himpunan fuzzy, relasi input-output dan konstanta parameter. Algoritma input-output dalam sistem fuzzy statis diaplikasikan untuk melengkapi proses pemodelan sistem fuzzy statis. Penetapan konstanta parameter, dilakukan sedemikian sehingga eror antara nilai output dari model dan data output yang sebenarnya adalah minimum. Dalam skripsi ini, metode yang akan digunakan dalam menetapkan konstanta parameter adalah metode Least-Square.

---

This mini thesis discusses static fuzzy system modeling and the process of determining its constant parameter. In static fuzzy system modeling, there are five items that must be considered, they are input variables, fuzzy subset, membership function of fuzzy set, input-output relations, and constant parameter. Input-output algorithm in static fuzzy system is applied to complete the static fuzzy system modeling process. Determining constant parameters are done such that the error between output value and real output data is minimum. In this mini thesis, Least-Square method is used in determining the constant parameter."

"Permasalahan yang sering kali ditemui pada saat memilih sebuah kendaraan adalah tidak adanya indikator berupa skor yang dapat membedakan performa antara satu kendaraan dengan kendaraan lainnya. Strategi penilaian untuk menentukan skor kinerja kendaraan dapat dilakukan dengan menganalisis data berkendara yang diperoleh secara langsung (data monitoring) dari sistem internal (On Board Diagnostics) atau sensor eksternal yang dipasang pada kendaraan. Umumnya, performa kendara dipengaruhi oleh spesifikasi komponen penyusunnya. Namun, berdasarkan penelitian sebelumnya, perilaku mengemudi juga dapat mempengaruhi performa dari sebuah kendaraan. Sebagai contoh, perilaku mengemudi dapat mempengaruhi sampai 15% dari total konsumsi bahan bakar pada kendaraan bermotor berjenis mobil penumpang. Dalam rangka meningkatkan performa ekonomi, digunakan metode penilaian terhadap agresivitas pengemudi dalam mengatur kecepatan kendaraan. Di sisi lain, analisis terhadap agresivitas mengemudi pada kondisi akselerasi, deselerasi, dan berputar juga dapat meningkatkan performa kenyamanan penghuni kendaraan. Penilaian terhadap agresivitas akselerasi dan deselerasi dilakukan dengan melihat gradien dari titik lokal minimum dan maksimum dari grafik kecepatan pada berbagai kondisi berkendara, dan agresivitas perubahan sudut kendaraan dilakukan dengan meninjau kondisi berputar. Selanjutnya, nilai rata-rata terbobot gradien akan diolah pada sistem fuzzy Mamdani untuk menghasilkan skor akhir dari performa ekonomi dan kenyamanan kendaraan. Hasil pengolahan menunjukkan bahwa kualitas konsumsi bahan bakar kendaraan pada kondisi lalu lintas macet dan ramai lancar cenderung buruk, dan pada kondisi ramai lancar cenderung baik pada tren kecepatan menurun. Hasil kualitas berputar bervariasi pada tiap kondisi lalu lintas dan kualitas akselerasi serta deselerasi cenderung bernilai menengah.

---

The problem often encountered when choosing a vehicle is the absence of an indicator in the form of a score that can differentiate the performance between one vehicle and another. The assessment strategy to determine the performance score of a vehicle can be done by analyzing driving data obtained directly (data monitoring) from the internal system (On-Board Diagnostics) or external sensors installed on the vehicle. Generally, the performance of a vehicle is influenced by the specifications of its constituent components. However, based on previous research, driving behavior can also affect the performance of a vehicle. For example, driving behavior can affect up to 15% of the total fuel consumption in passenger cars. To improve economic performance, an evaluation method is used to assess the aggressiveness of the driver in controlling the vehicle's speed. On the other hand, analyzing driving aggressiveness in acceleration, deceleration, and turning conditions can also improve the comfort performance of vehicle occupants. The assessment of acceleration and deceleration aggressiveness is done by examining the gradient of the local minimum and maximum points of the speed graph under various driving conditions, and the aggressiveness of changes in the vehicle's angle is assessed by considering the turning conditions. Furthermore, the weighted average gradient values will be processed in the Mamdani fuzzy system to generate the final scores for the economic performance and comfort of the vehicle. The results indicate that the fuel consumption quality of vehicles tends to be poor in congested and heavy traffic conditions, and tends to be good in smooth-flowing conditions with decreasing speed trends. The quality results vary for each traffic condition, and the acceleration and deceleration qualities tend to be average."

"Pengendali fuzzy adaptif tipe tidak langsung terdiri dari pengendali fuzzy dan aturan adaptasi. Pengendali fuzzy menggunakan sistem fuzzy untuk menggantikan fungsi sistem. Sistem fuzzy yang digunakan terdiri dari basis pengetahuan yang fungsi keanggotaan dari himpunan fuzzynya adalah fungsi gaussian, mesin inferensi produk, fuzzifier singleton dan defuzzif er rata-rata tengah_ Basis pengetahuan menyimpan parameter-parameter dari sistem fuzzy yaitu pusat himpunan fuzzy dari bagian MAKA pads aturan JIKA-MAKA fuzzy. Parameter-parameter tersebut perlu disesuaikan agar pengendali dapat monjalankan tugasnya dengan baik Parameter-parameter tersebut disesuaikan dengan menggunakan aturan adaptasi yang diturunkan dengan rnenggunakan sintesis Lyapunov. Langkah-langkah clan sintesis Lyapunov adalah pembentukan persaraaan keadaan dari sistem lingkar tertutup dan penggunaan kriteriakestabilan Lyapunov untuk mencari aturan adaptasi. Pengendali tersebut akan diaplikasikan pads sistem pendulum terbalik dengan simulasi yang disusun menggunakan bahasa C. Kemudian, grafik-grafik yang diperoleh dari simulasi tersebut akan dianalisis untuk menyimpulkan karakteristik-karakteristik dari pengendali fuzzy adaptiftipe tidak langsung pada sistem pendulum terbalik."

"Diketahui bahwa mengendalikan gerakan mundur suatu truk-trailer sampai suatu posisi tertentu merupakan hal yang sulit untuk setiap orang umum, kecuali supir truk ahli yang telah berpengalaman. Hal ini dikarenakan dinamika truk-trailer yang nonlinear dan tidak stabil. Dalam tugas skripsi ini akan dibahas perancangan pengendali fuzzy dengan model sistem fuzzy yang diterapkan pads truk-trailer tersebut dalam mengendalikan truk-trailer tersebut ke posisi yang diinginkan secara mundur. Telah banyak makalah yang membahas pengendalian gerak mundur truk-trailer, tetapi dalam pembahasannya masih mengunakan model sistem dinamika nonlinear. Secara praktis, seorang ahli umumnya mengambarkan suatu proses dengan mengunakan bahasa manusia, sehingga dapat digabungkan menjadi model proses tersebut yang disebut model sistem fuzzy. Dalarn skripsi ini model dinamika truk-trailer dirnodelkan dengan model sistem fuzzy yang digunakan untuk perancangan pengendali umpan batik berupa pengendali fuzzy yang menerapkan sistem fuzzy TSK (Takagi-Sugeno-Kang). Untuk menunjukkan kemampuan sistem pengendali fuzzy di atas dalam mengendalikan truk-trailer tersebut, dilakukan simulasi dengan menggunakan aplikasi MATLAB 5.3."

"ABSTRAKPengenalan emosi melalui analisis ekspresi wajah merupakan bidang riset kecerdasan buatan yang sedang berkembang serta memiliki banyak tantangan. Hal ini disebabkan karena emosi merupakan komponen penting dalam kehidupan manusia terutama dalam berinteraksi dan berkomunikasi, sehingga perlu dikembangkan sebuah sistem cerdas yang mampu mengenali emosi manusia. Permasalahannya adalah banyaknya variasi ekspresi wajah yang menunjukkan emosi manusia. Selain itu, manusia secara subyektif dapat mengekspresikan suatu emosi yang sama dengan beragam cara dan jenis pergerakan komponen wajah yang berbeda, bahkan ambigu antar jenis emosi. Psikolog mengkategorikan emosi menjadi dua kategori, yaitu emosi dasar dan emosi campuran. Penelitian pengenalan emosi dasar (marah, jijik, takut, senang, sedih, terkejut) telah banyak dilakukan, namun pengenalan emosi campuran merupakan tantangan yang belum banyak dieksplorasi karena kompleksitasnya yang tinggi. Kemunculan emosi campuran berbeda dari emosi dasar, karena emosi campuran merupakan kombinasi dari emosi dasar dalam suatu ekspresi wajah. Untuk mengatasi permasalahan subyektifitas dan ambiguitas ekspresi emosi, diperlukan pendekatan fuzzy dalam menganalisis linguistik komponen wajah untuk menentukan jenis emosi. Dalam penelitian ini, diajukan sebuah framework untuk pengenalan emosi berbasis konsep fuzzy emotion yang merupakan representasi pengetahuan pakar psikolog berbasis sistem fuzzy. Tiga tahap dalam framework pengenalan emosi berbasis konsep fuzzy emotion yaitu: ekstraksi fitur wajah dengan Active Appearance Model (AAM) dan analisis geometrik fitur komponen wajah; pemrosesan fitur tingkat tinggi dengan Fuzzy Facial Component Inference System (FFCIS); dan penentuan nilai emosi fuzzy emotion dengan Fuzzy Emotion Inference System (FEIS). Pengujian performa sistem memberikan hasil pengenalan terbaik pada dataset ekspresi wajah extended Cohn Kanade (CK+) dengan akurasi pengenalan linguistik komponen wajah 0.98, dan akurasi pengenalan emosi 0.90. Pengujian pengenalan emosi juga dilakukan menggunakan dataset Indonesian Mixed Emotion Dataset (IMED) yang menghasilkan akurasi pengenalan 0.87. Framework pengenalan emosi berbasis konsep fuzzy emotion berpotensi untuk diterapkan dalam berbagai permasalahan nyata seperti deteksi rasa sakit, deteksi stress, deteksi kebohongan, dan rekonstruksi animasi.

---

ABSTRACTEmotion recognition through facial expression analysis is an emerging research in the area of Artificial Intelligence which is still facing many challenges. Emotions are an important component in human life, especially in an interaction and communication. Therefore, an intelligent system that is able to recognize human emotions needs to be developed. The problem is in the variation of facial expressions that displays human emotions. In addition, humans can subjectively express the same emotions in various ways with different facial component movements, even ambiguous between classes of emotions. Psychologist categorized emotion into two classes, basic emotion and mixed emotion. Basic emotion recognition research (anger, disgust, fear, happy, sadness, surprise) has been done a lot, but mixed emotion recognition is an open challenge that has not been widely explored due to the complexity of the problem. The appearance of mixed emotions is different from basic emotions; mixed emotion is a combination of basic emotions in a facial expression. To overcome the problem of subjectivity and ambiguity of emotion expression, a fuzzy approach is developed to analyze the facial components in determining the type of emotion. In this study, we propose a framework for fuzzy emotion recognition which is a representation of the expert psychologist knowledge based on fuzzy systems. Three stages in the fuzzy emotion recognition: facial feature extraction with Active Appearance Model (AAM) and geometric analysis of facial component features; high level feature processing with Fuzzy Facial Component Inference System (FFCIS); and fuzzy emotion recognition with Fuzzy Emotion Inference System (FEIS). System performance testing provided the best results on extended Cohn Kanade (CK+) facial expression dataset, with the accuracy of linguistic facial component recognition 0.98, and accuracy of fuzzy emotion recognition 0.90. Testing was also done using Indonesian Mixed Emotion Dataset (IMED) dataset which resulted in accuracy of 0.87. The fuzzy emotion recognition has a potential to be applied in various real problems such as pain detection, stress detection, lie detection, and animation reconstruction."

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.

---

Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks.

This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters.

The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."