Compressed Sensing untuk Sinyal Audio dengan Sensor Jamak
|
|
- Dewi Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Compressed Sensing untuk Sinyal Audio dengan Sensor Jamak Muhammad Ibnu Bahrurrahim : Bidang Studi Telekomunikasi Multimedia Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih - Sukolilo, Surabaya ABSTRAK Teknik kompresi data (sinyal) telah banyak dipakai untuk mengefisiensikan penyimpanan dan pengiriman suara atau gambar pada komputer atau ponsel. Teknik baru yang disebut sebagai CS (compressed sensing) tidak memerlukan pencuplikan koefisien dominan secara adaptif karena semua komponen sama pentingnya dan basisnya bersifat overcomplete, dapat diambil yang manapun asal batas minimum jumlah cuplikan terpenuhi untuk rekonstruksi sinyal. Teori CS (Compressed Sensing) memerlukan generalisasi dari hubungan waktu-frekuensi supaya prinsip ketidak pastian tetap berlaku. Perencanaan CS (Compressed sensing) sinyal audio dengan sensor jamak meliputi penempatan sensor audio menggunakan sensor jamak, proses pengukuran dan pengambilan data serta pengolahan data yang berisi perencanaan dan pembuatan sistem kompresi dan rekonstruksi. Parameter yang diukur dalam pengujian meliputi dua hal yaitu pengujian SDR (Signal to Distortion Ratio) untuk perbandingan sinyal asli dengan sinyal rekonstruksi sehingga dapat ditentukan MSE (Mean Square Error) yang menyatakan kinerja dari pengkodean. Hasil dari rekonstruksi menunjukkan bahwa semakin banyak sampling k yang diambil berarti nilai kompresi semakin kecil sehingga nilai SDR (Signal to Distortion Ratio) semakin besar dan rata rata error pengkodean MSE (Mean Square Error) semakin kecil. Teknik CS (Compressed Sensing) berhasil merekonstruksi sinyal kompresi bahkan dengan mengambil sampling terkecil dari sinyal asli. Kata kunci: CS (Compressed Sensing), sampling, BP (Basis Pursuit). 1. PENDAHULUAN Metoda CS (compressed sensing) mengambil komponen dominan dari suatu sistem basis yang bersifat overcomplete, dimana ada banyak sekali kemungkinan memilih basis yang sesuai untuk menyatakan suatu sinyal. Oleh karena itu perlu kendala tambahan agar solusi bisa ditemukan, yakni sinyal yang direkonstruksi dianggap bersifat sparse. Metoda CS memerlukan dua buah basis pada saat melakukan pencuplikan atau sensing, yaitu sparsity basis Ψ dan projection basis Φ. Tingkat koherensi kedua basis menentukan batas minimum banyaknya cuplikan untuk merekonstruksi suatu sinyal secara eksak. Pada Tugas Akhir ini permasalahan yang dibahas adalah kompresi dan rekonstruksi sinyal audio dengan sensor jamak, dimana setiap sensor memiliki data yang berbeda bergantung dari konfigurasi sensor dan hasil rekaman. Tujuan dari kompresi sensing adalah untuk memperkecil kapasitas sinyal tetapi mempunyai hasil rekonstruksi yang mirip dengan sinyal aslinya. Rekonstruksi yang digunakan menggunakan algoritma yang melibatkan operasi linier programming atau sering dikenal dengan BP (basis pursuit). Metode rekonstruksi BP (Basis Pursuit) bertujuan untuk merekonstruksi sinyal audio terkompres menjadi sinyal audio semula. 2. DASAR TEORI 2.1. Konsep Compressed Sensing Compressed sensing merupakan teknik kompresi baru yang dikembangkan dengan prinsip tidak memerlukan pencuplikan koefisien dominan secara adaptif karena semua komponen sama pentingnya, dapat diambil yang manapun asal batas minimum jumlah cuplikan terpenuhi. Basis yang dipakai bersifat overcomplete, dimana ada banyak sekali kemungkinan memilih basis yang sesuai untuk menyatakan suatu sinyal. Oleh karena itu perlu kendala tambahan agar solusi bisa ditemukan, yakni sinyal yang direkonstruksi dianggap bersifat sparse. Ada dua transformasi penting dalam pencuplikan kompresif, yaitu sparsity transform dan projection transform. Transformasi pertama dipakai untuk mencari komponen sparse dari sinyal, sedangkan yang kedua dipakai dalam operasi pengukuran atau pengamatan. Algoritma yang digunakan adalah lossy compression, dimana proses kompresi data dilakukan dengan menghilangkan sebagian data akan tetapi hasil rekonstruksinya mendekati sinyal aslinya. 2.2 Tahap Kompresi Sinyal audio x(t) disampling dengan nyquist ke dalam blok N sample. masing masing blok terdiri dari Nx1 vektor Xk, dimana k bergantung dengan waktu. sample vektor xk dapat di rumuskan : xk = ΨXk (1) 1
2 dimana Ψ adalah matrik NxN yang sama pada fungsi dasar Ψi (t), dan Xk adalah vektor matrik Nx1. Pada sensor kita melakukan pengukuran M non-adaptiv linier untuk Xk, dimana M<< N, hasilnya M x 1 vektor yk, proses pengukuran ini dapat ditulis : yk = Φkxk ( 2) dimana Φk adalah MxN matrik yang merepresentasikan proses pengukuran. Untuk proses kompres sensing pada network, Φk dan Ψ digunakan untuk rekontruksi menggunakan sebuah matrik dengan pemilihan element secara acak. Proses pengukuran dapat di lihat pada gambar 1. Gambar 1 Proses pengukuran compressed sensing menggunakan random Gaussian Dari gambar diatas matrik vektor Mx1 atau disimbolkan merupakan hasil pengukuran dari perkalian matrik MxN dengan matrik Nx1, dimana nilai K<M N. Maka akan diperoleh sub matrik Mx1. Sehingga dapat disimpulkan jika semakin sedikit cuplikan yang diambil semakin efisien data yang dikompresi tetapi memiliki nilai error yang lebih besar jika dibandingkan dengan cuplikan yang banyak. 2.3 Tahap Rekonstruksi Setelah tahap kompresi di ukur kemudian diproses untuk direkonstruksi. Rekonstruksi melibatkan sinyal hasil kompresi sensing untuk dikembalikan menjadi sinyal aslinya yaitu vektor Xk. Konstruksi algoritma utama yang digunakan : BP (Basis Pursuit). Rekonstruksi BP dapat dicari dengan persamaan berikutnya. = argmin 1 s.t = ψ (3) dimana. 1 adalah norm l1 pada umumnya ln norm didefinisikan sebagai : = (4) Dengan begitu BP berusaha untuk mendapatkan solusi dengan mencari l1 norm yang paling kecil. Sinyal K-sparse dapat dengan tepat dikembalikan dengan kompresi sinyal yang mempunyai probabilitas yang tinggi hanya dengan menggunakan M CK log (N) pengukuran Gaussian. Pada proses ini BP menyediakan sebuah koefisien untuk masing masing fungsi dasar dari Ψ. Untuk mencari SDR (Signal to distortion Ratio) dari sinyal kompresi dengan sinyal asli dapat dirumuskan sebagai berikut. SDR = (5) Nilai distorsi ratio merupakan penjumlahan dari sinyal asli dibagi dengan selisih sinyal rekonstruksi dengan sinyal asli. Kinerja dari rekonstruksi sinyal dilihat dari sinyal kesalahan (error) rata-rata atau MSE (Mean Square Error) masing-masing, yang dinyatakan sebagai: MSE =,e(n) = S(N)-(N) (6) S(N) menyatakan sinyal asli dan (N) menyatakan sinyal rekonstruksi. Semakin kecil nilai e(n), maka secara obyektif hasil rekonstruksi semakin baik. Nilai MSE yang besar menandakan terjadinya distorsi yang besar pada sinyal dengan cara mengurangkan sinyal asli dengan sinyal rekonstruksi. 3. SENSOR JAMAK Sumber suara dianggap omnidirectional dan tidak ada refleksi, sinyal penerima pada sensor akan terdapat delay terhadap sinyal asli z(t) pada sumber. xl(t) = α1z(t τl) (7) dimana α1 dan τl adalah berturut-turut redaman dan delay dari l sensor. Gambar 2 menunjukkan contoh set up dengan 4 mikropon. delay dari l sensor dihitung dari : = (8) dimana adalah jarak antara sumber dengan l- sensor, dengan c adalah kecepatan suara (sekitar 344m/s pada 21 derajat calcius). asumsi model sumber, redaman l-sensor dihitung : = (9) Gambar 2 Set Up 4 sensor dari sumber z(t) Keterangan : X1(t) = Sensor1, d1 = Jarak sumber Z(t) dengan sensor 1 X2(t) = Sensor2, d2 = Jarak sumber Z(t) dengan sensor 2 X3(t) = Sensor3, d3 = Jarak sumber Z(t) dengan sensor 3 2
3 X4(t) = Sensor4, d4 = Jarak sumber Z(t) dengan sensor 4 3. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Proses Kompresi Proses kompresi seperti dijelaskan gambar 3 sebagai berikut: 1. Sinyal audio yang akan diolah pada tahap kompresi adalah sinyal X(t) yang periodik terhadap waktu. Terdapat beberapa sinyal X(t) yang akan dikompresi sebanyak length (Xt). 2. Mula mula sinyal audio dengan basis vektor yang mempunyai renggangan pada basis PSI(Ψ). 3. Dari basis vektor tersebut dilakukan proses sampling terhadap basis PHI(Φ) menghasilkan suatu sinyal terkompres. Pada proses sampling tersebut, terjadi pengurangan jumlah sinyal renggangan terhadap sinyal basis PHI(Φ). 4. Hasil pengurangan dari element nya memiliki ukuran yang jauh lebih kecil, hal tersebut dikarenakan tidak keseluruhan data di sample, melainkan hanya sebagian data saja. merepresentasikan sinyal input sebelum dilakukan proses kompresi. 3.2 Proses Rekonstruksi Rekonstruksi seperti dijelaskan gambar 4. dilakukan dengan tahapan sebagai berikut : Gambar 4 Tahap rekonstruksi Gambar 3 Tahap kompresi Sedangkan pada tahap rekonstruksi sinyal terkompres akan direkonstruksi menggunakan algoritma Basis Pursuit untuk mencari nilai selisih terkecil dari sinyal asli, sehingga menghasilkan sinyal rekonstruksi, yang mana sinyal rekonstruksi 1. Sinyal yang akan di rekonstruksi adalah sinyal hasil kompresi x. Vektor yang teramati menunjukkan jumlah cuplikan sebanyak K- sparse dari sinyal asli. 2. Mencari vektor renggangan x dalam kawasan DCT melalui optimisasi P 1 (BP) yaitu min x. Optimisasi ini memiliki arti pilihlah vektor x paling renggang dalam basis PSI (Ψ) yang dapat menjelaskan hasil pengamatan X. 3. Rekonstruksi dilakukan dengan menyusun kembali sinyal X dari vektor basis terpilih. Optimasi ini dapat dilakukan dengan Basis Pursuit yaitu mencari selisih nilai terkecil dengan sinyal aslinya. 4. Sinyal berhasil di rekonstruksi, parameter yang diukur SDR (Signal to Distortion Ratio) dan MSE (mean square error) atau selisih error hasil pengkodean terhadap sinyal asli. 5. Program selesai. 3
4 3.3 Skenario Pengambilan Data 1. Pengukuran skenario 1 untuk konfigurasi jarak yang sama. X 3(t) Gambar 5 Konfigurasi sensor, jarak sama, sudut sama Rancangan ini menggunakan 4 mikropon,, dan yang disusun pada jarak sama dari sumber yaitu 60 cm dengan sudut sama antar sensor 90º. 2. Pengukuran skenario 2 untuk konfigurasi jarak yang berbeda. X 4(t) Gambar 6 Konfigurasi sensor, jarak beda, sudut beda. Keterangan : (t) = 0º (t) = 315º (t) = 225º (t) = 135º X 4(t) d4 d3 d4 d1 = 30 cm = 50 cm = 60 cm = 40 cm 4. ANALISA DAN PEMBAHASAN Pengambilan data untuk sistem sensor jamak dilakukan dengan dua skenario. Sumber suara yang digunakan dalam pengambilan data yaitu sinyal sinus dan sumber suara wicara. Hasil pengambilan data sebagai berikut : z(t) d3 z(t) X 1(t) d2 d1 X 3(t) d2 X 2(t) X 1(t) X 2(t) 1. Pengukuran skenario 1 untuk konfigurasi jarak yang sama. Tabel 1. Pengukuran skenario 1 Jenis Sinyal mikropon Waktu Level suara (ms) (db) Sinus f= 1 KHz fs= 8 KHz level= 0 db Wicara fs= 8KHz level= 0 db Pengukuran skenario 2 untuk konfigurasi jarak yang berbeda. Tabel 2. Pengukuran skenario 2 Jenis Sinyal mikropon Waktu Level suara (ms) (db) Sinus f= 1 KHz fs= 8 KHz level=0 db Wicara fs= 8KHz level=0 db Dari hasil pengukuran di atas data sinyal akan digunakan untuk proses kompresi dan rekonstruksi. Perbedaan level suara yang ditangkap mikropon disebabkan karena posisi mikropon berbeda dan besarnya level suara yang ditangkap mikropon juga bergantung dari pola radiasi sumber suara. Sedangkan waktu tunda di udara juga berbeda karena jarak sumber suara terhadap mikropon berbeda. Sinyal terekam diambil sepanjang N=128 untuk mengurangi proses komputasi yang berat, untuk proses kompresi tidak semua data sepanjang N dilakukan pencuplikan, tetapi hanya beberapa cuplikan saja sebanyak k. Jumlah cuplikan k menunjukkan prosentase kompresi. Tabel 3. Prosentase kompresi k Kapasitas Kompresi Sebelum Sesudah (%) (Byte) (Byte) Pengujian Skenario 1 1. Sinyal Sinus Rekonstruksi menggunakan algoritma basis pursuit dari pengujian diatas mampu merekonstruksi sinyal sinus dengan baik meskipun 4
5 pada sampling paling sedikit dari suatu sinyal. Pada proses kompresi 98% pengambilan sampling sebanyak 2 dari 128, sinyal pada mic1 memiliki nilai SDR db dan MSE sebesar akan tetapi jumlah error pengkodean masih tinggi, sehingga pengambilan sampling 2 belum cukup untuk menampilkan sinyal sepanjang 128. Pada pengujian diatas dilakukan pengambilan sampling lagi dengan k=8 sampling dari 128, sehingga data hasil pengujian kompresi 92% sudah mampu merekonstruksi sinyal dengan SDR db dan MSE seperti ditunjukkan gambar 8 dan 9. Gambar 8. SDR sinyal sinus skenario 1 Gambar 11. MSE sinyal wicara skenario Pengujian Skenario 2 1. Sinyal Sinus Dari pengujian diatas dapat dianalisa bahwa untuk pengambilan sampling sebanyak k=2 pada mic1 belum bisa merekonstruksi sinyal asli. Sehingga SDR dari pengujian k=2 sangat kecil sebesar db dan MSE sebesar Sedangkan pada pengambilan sampling k=8 juga masih belum bisa menunjukan hasil rekonstruksi yang baik. Tetapi pada sampling k=26 maka hasil rekonstruksi sinyalnya baik dengan memiliki SDR db dan MSE sebesar pada mic1, tetapi memiliki kapasitas yang lebih besar dibanding dengan pengambilan sinyal sampling yang sedikit. Hasil pengujian SDR dan MSE sinyal sinus skenario 2dapat diamati pada gambar 12 dan 13. Gambar 9. MSE sinyal sinus skenario 1 2. Sinyal Wicara Sumber sinyal suara tidak dibangkitan dari matlab, tetapi sumber suara rekaman kata compressed sensing yang kemudian direkam dengan konfigurasi skenario 1. Hasil dari pengujian untuk sampling k=2 memiliki nilai SDR yang kecil sebesar db pada mic1 dan MSE sebesar Hal ini menunjukkan bahwa rekonstruksi sinyal tidak berhasil. Sedangkan untuk sampling k=26 memiliki SDR sebesar db. Rekonstruksi dengan sampling k=26 mampu menampilkan bentuk sinyal sesuai dengan MSE sebesar hasil nya ditunjukkan pada gambar 10 dan 11. Gambar 10. SDR sinyal wicara skenario 1 Gambar 12. SDR sinyal sinus skenario 2 Gambar 13. MSE sinyal sinus skenario 2 2. Sinyal Wicara Pada pengambilan sampling k=2 memiliki nilai SDR yang kecil db dan MSE sebesar Hasil ini belum bisa merekonstruksi sinyal, bahkan sinyal rekonstrksi sangat jauh berbeda dengan sinyal aslinya. Proses iterasi dilanjutkan dengan pengambilan sampling sampai k=26 sinyal baru bisa direkonstruksi sudah sesuai dengan sinyal asli dengan SDR sebesar db dan MSE sebesar Hasil pengujian SDR dan MSE dapat diamati pada gambar 14 dan 15. 5
6 Gambar 14. SDR sinyal wicara skenario 2 Gambar 15. MSE sinyal wicara skenario 2 5. KESIMPULAN 1. Semakin banyak sampling k yang diambil pada proses kompresi berarti nilai kompresi semakin kecil sehingga nilai SDR (Signal to Distortion Ratio) semakin besar dan rata rata error pengkodean MSE (Mean Square Error) semakin kecil. 2. Dari pengujian yang sudah dilakukan dengan skenario 1 dan skenario 2 diperoleh data sinyal yang berbeda. Hal ini dipengaruhi oleh jarak yang berbeda dan posisi penempatan sensor yang berbeda. Semakin jauh jarak mikropon dengan sumber semakin kecil intensitas suara yang diterima dengan asumsi tidak terjadi refleksi suara. 3. Dengan melakukan kompresi sebesar 92 % untuk sinyal sinus dan 80% untuk sinyal wicara, hasil rekonstruksi dengan basis pursuit pada teknik compressed sensing bisa menampilkan sinyal asli dengan SDR yang besar dan MSE yang kecil. Penggunaan metode BP (basis pursuit) dapat merekonstruksi sinyal dengan baik bahkan hanya dengan melakukan sampling terkecil DAFTAR PUSTAKA [1] Antony Griffin and Panagiotis Tsakalides,2008, Compressed sensing of Audio signals using multiple sensors, Proc. 16th European Signal Processing Conference (EUSIPCO '08), Lausanne, Switzerland. [2] Bayu S. Andriyan,2008, "Memahami Penginderaan Kompresif dengan MATLABTM", ITB, Bandung. [3] Brandstein M, Ward D,2001, "Microphone Array", Cambridge MA,USA, London, UK. [4] D.Donoho,2006, Compressed Sensing, IEEE Transaction Information Theory,Vol.52. [5] Husni I, M. Syukron. Haikal.,2001, Audio Sampling, <URL: tro/elek35a.html> [6] Kinsler L E, Frey A R, Coppens A.B and Sanders J.V.,1982, Fundamentals of Acoustics, Third edition, John Wiley & Sons, New York, pp [7] Lain McCowan,2004, "A Microphone Array Tutorial", Queensland University of Technology, Australia. [8] Santoso Tri Budi, Huda Miftahul, Operasi Dasar Pada Sinyal, Politeknik Elektronika Negeri Surabaya, Surabaya. [9] Santoso Tri Budi, Huda Miftahul, Proses Perekaman Dan Pengeditan Sinyal Wicara, Politeknik Elektronika Negeri Surabaya, Surabaya. [10] Steven W. Smith, 1998, The Scientist and Engineer's Guide to Digital Signal Processing, California. [11] Universitas Kristen Duta Wacana,2008, Multimedia, Universitas Kristen Duta Wacana, pp 1-2. [12] Yarwood T.M, 1953, Acoustics, Macmillan and Co, London. [13] Ze Nian Li, Mark S. Drew, 2004, Fundamentals of Multimedia, Pearson Prentice Hall, USA. [14] Zwicker, Eberheart,1999, "Psychoacoustics: Facts and Models", Springer, Berlin. [15] <URL: microphones/directional-characteristics.html> BIODATA PENULIS Muhammad Ibnu Bahrurrahim, dilahiran di Tulungagung, 13 Juni Penulis menyelesaiakan pendidikan di SMAN 1 Kauman Tulungagung pada tahun Setelah menamatkan pendidikan di jenjang SMA, penulis melanjutkan studi nya di JurusanTeknik Elektronika Politeknik Elektronika - Negeri Surabaya dan lulus pada tahun Tidak puas hanya dengan gelar Diploma, penulis akhirnya melanjutkan pendidikan dengan masuk di Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember melalui program Lintas Jalur pada tahun mengambil bidang studi Telekomunikasi Multimedia. 6
Apa Compressed Sensing?
1 COMPRESSED SENSING UNTUK APLIKASI PENGOLAHAN CITRA OMRIN TAMPUBOLON 2207100531 DOSEN PEMBIMBING Dr. Ir. Wirawan, DEA Jurusan Teknik Elektro Bidang Studi Telekomunikasi Multimedia Institut Teknologi Sepuluh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciKompresi Audio Secara Terdistribusi Pada Microphone Array
Kompresi Audio Secara Terdistribusi Pada Microphone Array Retnawati, Wirawan, Endang Widjiati Jurusan Teknik Elektro FTI Institut Teknologi Sepuluh November Abstrak Kompresi suara telah banyak dipakai
Lebih terperinciMODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA
MODUL PENGHIUNGAN ENERGI PADA SINYAL WICARA I. UJUAN - Mahasiswa mampu melakukan proses penghitungan energi pada sinyal wicara dengan menggunakan perangkat lunak. II. DASAR EORI.1. Energi Suatu Sinyal
Lebih terperinciPenggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar
Penggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar Bambang Sudarmono Achmad Hidayatno Budi Setiyono Abstrak Permasalahan yang timbul ketika melakukan pengambilan suara
Lebih terperinciCompressed Sensing untuk Aplikasi Pengolahan Citra
Compressed Sensing untuk Aplikasi Pengolahan Citra Omrin Tampubolon NRP : 2207100531 Bidang Studi Telekomunikasi Multimedia Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciSistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan NN
Sistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan Eru Puspita Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih
Lebih terperinciANALISIS DWT SEBAGAI TRANSFORMASI SPARSITY UNTUK PENCUPLIKAN KOMPRESIF PADA AUDIO ANALYSIS OF DWT AS SPARSITY TRANSFORM FOR AUDIO COMPRESSIVE SAMPLING
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 216 Page 1772 ANALISIS DWT SEBAGAI TRANSFORMASI SPARSITY UNTUK PENCUPLIKAN KOMPRESIF PADA AUDIO ANALYSIS OF DWT AS SPARSITY TRANSFORM
Lebih terperinciBAB 1 PENDAHULUAN. kemampuan hardware untuk pengambilan / pencuplikan citra serta
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan jaman penggunaan citra dalam suatu sistem komputer memiliki peran yang semakin penting. Hal ini dikarenakan kemajuan teknik dan kemampuan hardware
Lebih terperinciENHANCED K-SVD ALGORITHM for IMAGE DENOISING
ENHANCED K-SVD ALGORITHM for IMAGE DENOISING Edwin Junius, Reza Alfiansyah, Endra,Universitas Bina Nusantara, mono_unk@yahoo.com, devil.reza12@yahoo.com, ABSTRAK Penelitian ini bertujuan untuk membuat
Lebih terperinciMETODE FAIR-SHARE AMOUNT UNTUK KOMPRESI MENGGUNAKAN KUANTISASI VEKTOR PADA BASIS DATACITRA GRAY LEVEL SEMBARANG DENGAN DERAJAT KEABUAN
METODE FAIR-SHARE AMOUNT UNTUK KOMPRESI MENGGUNAKAN KUANTISASI VEKTOR PADA BASIS DATACITRA GRAY LEVEL SEMBARANG DENGAN DERAJAT KEABUAN Febriliyan Samopa Program Studi Sistem Informasi, Fakultas Teknologi
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS. Muhammad Rizki Anggia
PERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS Muhammad Rizki Anggia Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi internet dalam beberapa tahun terakhir ini, telah membawa perubahan besar bagi distribusi media digital. Media digital yang dapat berupa
Lebih terperinciCOMPARISON OF ONE DIMENSIONAL DCT AND LWT SPARSE REPRESENTATION
COMPARISON OF ONE DIMENSIONAL DCT AND LWT SPARSE REPRESENTATION Endra 1 ; Gusandy 2 ; Kurniawaty 3 ; Yenny Lan 4 Jurusan Sistem Komputer, Fakultas Ilmu Komputer, BINUS University, Jakarta Jln K.H. Syahdan
Lebih terperinciBAB 1 PENDAHULUAN. salah satunya adalah untuk proses image denoising. Representasi adalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sinyal adalah besaran besaran fisik yang berubah ubah terhadap satu atau beberapa variabel bebas. Representasi sinyal sangat penting untuk sinyal proses, salah satunya
Lebih terperinciBAB III PERANCANGAN SISTEM PENYAMA
BAB III PERANCANGAN SISTEM PENYAMA Pembahasan pada bab ini berisi perancangan sistem medan jauh penyuara dalam bentuk program pada perangkat lunak Python yang akan dijalankan oleh Rasberry Pi B. Pada subbab
Lebih terperinciUNJUK KERJA NOISE RISE BASED CALL ADMISSION CONTROL (NB-CAC) PADA SISTEM WCDMA. Devi Oktaviana
UNJUK KERJA NOISE RISE BASED CALL ADMISSION CONTROL (NB-CAC) PADA SISTEM WCDMA Devi Oktaviana - 226649 Bidang Studi Telekomunikasi Multimedia Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciSISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE
SISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Metode penelitian yang digunakan pada penelitian ini adalah denoising
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan pada penelitian ini adalah denoising menggunakan Blind Source Separation dengan metode ICA. Data
Lebih terperinciBAB II DASAR TEORI. sebagian besar masalahnya timbul dikarenakan interface sub-part yang berbeda.
BAB II DASAR TEORI. Umum Pada kebanyakan sistem, baik itu elektronik, finansial, maupun sosial sebagian besar masalahnya timbul dikarenakan interface sub-part yang berbeda. Karena sebagian besar sinyal
Lebih terperinciOPTIMASI LINTAS LAPISAN PADA SISTEM KOMUNIKASI KOOPERATIF DI DALAM GEDUNG
1/6 OPTIMASI LINTAS LAPISAN PADA SISTEM KOMUNIKASI KOOPERATIF DI DALAM GEDUNG Bayu Sampurna 2206 100 180 Institut Teknologi Sepuluh Nopember, Fakultas Teknologi Industri, Jurusan Teknik Elektro Kampus
Lebih terperinciANALISIS PENGURANGAN DERAU PADA SINYAL LOUDSPEAKER MENGGUNAKAN FILTER ADAPTIF KALMAN
SINGUDA ENSIKOM VOL. 6 NO.3 /Maret 4 ANALISIS PENGUANGAN DEAU PADA SINYAL LOUDSPEAKE MENGGUNAKAN FILTE ADAPTIF KALMAN Fitriani Christhien Simbolon, Arman Sani Konsentrasi Teknik Telekomunikasi, Departemen
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1 Diagram Blok Rancangan Penelitian. 24 25 Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program,
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciSISTEM PENYAMA ADAPTIF DENGAN ALGORITMA GALAT KUADRAT TERKECIL TERNORMALISASI
SISTEM PENYAMA ADAPTIF DENGAN ALGORITMA GALAT KUADRAT TERKECIL TERNORMALISASI Oleh Caesar Aji Kurnia NIM : 612008079 Skripsi ini untuk melengkapi syarat-syarat memperoleh Gelar Sarjana Teknik dalam Konsentrasi
Lebih terperinciKontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe 1 Untuk Sistem Pendulum Kereta
Kontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe Untuk Sistem Pendulum Kereta Helvin Indrawati, Trihastuti Agustinah Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Lebih terperinciESTIMASI POSISI ROBOT MOBIL MENGGUNAKAN UNSCENTED KALMAN FILTER. Oleh: Miftahuddin ( )
ESTIMASI POSISI ROBOT MOBIL MENGGUNAKAN UNSCENTED KALMAN FILTER Oleh: Miftahuddin (1206 100 707) Dosen Pembimbing: Subchan, Ph.D Dr. Erna Apriliani, M.Si Abstrak Robot Mobil atau Mobile Robot adalah konstruksi
Lebih terperinciLAPORAN PRAKTIKUM DSP
LAPORAN PRAKTIKUM DSP MODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA Disusun Oleh : Yuli Yuliantini (121014 7021) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro Surabaya Surabaya 2015
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciOPTIMASI PARAMETER PARAMETER LAPISAN FISIK UNTUK EFISIENSI ENERGI PADA JARINGAN SENSOR NIRKABEL
OPTIMASI PARAMETER PARAMETER LAPISAN FISIK UNTUK EFISIENSI ENERGI PADA JARINGAN SENSOR NIRKABEL Miftahur Rohman 1) dan Wirawan 2) Laboratorium Komunikasi Multimedia Jurusan Teknik Elektro, Institut Teknologi
Lebih terperinciBAB II PENCUPLIKAN DAN KUANTISASI
BAB II PENCUPLIKAN DAN KUANTISASI Sebagian besar sinyal-sinyal di alam adalah sinyal analog. Untuk memproses sinyal analog dengan sistem digital, perlu dilakukan proses pengubahan sinyal analog menjadi
Lebih terperinciMODUL 1 PROSES PEREKAMAN DAN PENGEDITAN SINYAL WICARA
MODUL 1 PROSES PEREKAMAN DAN PENGEDITAN SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan proses perekaman dan pengeditan sinyal wicara dengan menggunakan perangkat lunak. II. DASAR TEORI 2.1. Pembangkitan
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciMODUL 3 REPRESENTASI SINYAL DALAM DOMAIN WAKTU DAN DOMAIN FREKUENSI
MODUL 3 REPRESENTASI SINYAL DALAM DOMAIN WAKTU DAN DOMAIN FREKUENSI I. TUJUAN - Mahasiswa mampu menjelaskan perbedaan sinyal wicara dalam domain waktu dan domain frekuensi menggunakan perangkat lunak II.
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciJURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: D-33
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 23019271 D33 Penentuan Posisi Sumber Bising Pada Area Turbine Geared Compressor Set Di PT. Gresik Power Indonesia (The Linde Group) Dengan Beamforming Hade
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil pengindraan atau pengukuran Pengambilan data dari hasil pengindraan atau pengukuran dapat dilihat pada lampiran A, berupa citra asli yang dengan format data.png kemudian
Lebih terperinci2. TINJAUAN PUSTAKA Gelombang Bunyi Perambatan Gelombang dalam Pipa
2 Metode yang sering digunakan untuk menentukan koefisien serap bunyi pada bahan akustik adalah metode ruang gaung dan metode tabung impedansi. Metode tabung impedansi ini masih dibedakan menjadi beberapa
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Diagram Blok Sistem Gambar 3.1 Diagram Blok Sistem. Penjelasan diagram blok sistem di atas adalah sebagai berikut: MATLAB MATLAB berfungsi sebagai tempat membuat program dan
Lebih terperinciIMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL
IMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL Hisar M. Simbolon (1) Sri Suwarno (2) Restyandito (3) hisarliska@gmail.com sswn@ukdw.ac.id dito@ukdw.ac.id Abstraksi Kompresi citra digital
Lebih terperinciPenerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian
JURNAL TEKNIK POMITS Vol. 2, No. 2, (213) ISSN: 2337-3539 (231-9271 Print) A-288 Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi, Wirawan,
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA
Program Studi MMT-ITS, Surabaya 7 Juli 03 PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA Marlon Stivo Noya Van Delsen, *) dan Muhammad Mashuri ) ) Jurusan Statistika,
Lebih terperinciSTUDI DAN IMPLEMENTASI WATERMARKING CITRA DIGITAL DENGAN MENGGUNAKAN FUNGSI HASH
STUDI DAN IMPLEMENTASI WATERMARKING CITRA DIGITAL DENGAN MENGGUNAKAN FUNGSI HASH Fahmi Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jl. Ganesha No.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Kompresi File Pada dasarnya semua data itu merupakan rangkaian bit 0 dan 1. Yang membedakan antara suatu data tertentu dengan data yang lain adalah ukuran dari rangkaian bit dan
Lebih terperinciImplementasi dan Evaluasi Kinerja Kode Konvolusi pada Modulasi Quadrature Phase Shift Keying (QPSK) Menggunakan WARP
JURNAL TEKNIK ITS Vol., No. 1, (215) ISSN: 2337539 (231-9271 Print) A Implementasi dan Evaluasi Kinerja Kode Konvolusi pada Modulasi Quadrature Phase Shift Keying (QPSK) Menggunakan WARP Desrina Elvia,
Lebih terperinciPENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM
PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM Agustina Trifena Dame Saragih 1, Achmad Rizal 2, Rita Magdalena 3 Departemen Teknik Elektro Institut Teknologi Telkom Jl.
Lebih terperinciPenerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian
PRESENTASI TUGAS AKHIR Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi 228175 Dosen Pembimbing Dr. Ir Wirawan, DEA. Ir. Endang Widjiati,
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciANALISIS KINERJA TEKNIK DIFFERENTIAL SPACE-TIME BLOCK CODED PADA SISTEM KOMUNIKASI KOOPERATIF
1/6 ANALISIS KINERJA TEKNIK DIFFERENTIAL SPACE-TIME BLOCK CODED PADA SISTEM KOMUNIKASI KOOPERATIF I Gusti Putu Raka Sucahya - 2206100124 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi
Lebih terperinciPenekanan Derau secara Adaptif pada Pengenalan Ucapan Kata
Penekanan Derau secara Adaptif pada Pengenalan Ucapan Kata Achmad Bayhaki (L2F 002 541) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Semarang, Indonesia trainingmoment@yahoo.com Abstrak
Lebih terperinciANALISIS PERFORMANSI FILTER DIGITAL IIR DARI PROTOTYPE BUTTERWORTH DAN CHEBYSHEV 1
Jurnal Reaksi (Journal of Science and Technology) ANALISIS PERFORMANSI FILTER DIGITAL IIR DARI PROTOTYPE BUTTERWORTH DAN CHEBYSHEV Raisah Hayati Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 1 PENDAHULUAN. Bab 1 Pendahuluan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi terutama pada dunia digital pada saat ini memungkinkan informasi dalam berbagai bentuk dan media dapat tersebar dengan cepat tanpa batas ruang
Lebih terperinciKOMUNIKASI KOOPERATIF MULTINODE PADA JARINGAN NIRKABEL. M.Fadhlur Rahman
KOMUNIKAI KOOPERATIF MULTINOE PAA JARINGAN NIRKABEL M.Fadhlur Rahman - 2206100635 Bidang tudi Telekomunikasi Multimedia Jurusan Teknik Elektro-FTI, Institut Teknologi epuluh Nopember Kampus IT, Keputih-ukolilo,
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciAPLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET
APLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET Anny Yuniarti 1), Nadya Anisa Syafa 2), Handayani Tjandrasa 3) 1,2,3) Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember (ITS) Surabaya Surabaya
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Pembahasan pada bab ini berisi penjelasan cara pengujian beserta hasil pengujian untuk melihat apakah hasil perancangan sistem penyama beserta analisisnya memenuhi sasaran
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciAbstrak. Kata kunci : Redaman hujan, GSTAR, VARIMA.
Pemodelan Multivariate untuk Curah Hujan dan Redaman Hujan di Surabaya Indra Subrata 2207 100 628 Institut Teknologi Sepuluh Nopember, Fakultas Teknologi Industri, Jurusan Teknik Elektro Kampus ITS Sukolilo,
Lebih terperinciKOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM. GEMBONG EDHI SETYAWAN, S.T., M.T. -
KOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM GEMBONG EDHI SETYAWAN, S.T., M.T. gembong@ub.ac.id - http://gembong.lecture.ub.ac.id Apa itu sinyal? Besaran fisis yang berubah menurut waktu, ruang atau variabel-variabel
Lebih terperinciBAB III PENGEMBANGAN TEKNIK KOMPRESI EXISTING DAN SIMULASI
26 BAB III PENGEMBANGAN TEKNIK KOMPRESI EXISTING DAN SIMULASI Berdasarkan tujuan dan batasan penelitian yang telah dijelaskan pada Bab Pendahuluan, penelitian yang akan dilaksanakan adalah menganalisis
Lebih terperinciANALISA KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE HADAMARD
ANALISA KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE HADAMARD Eva Haryanty, S.Kom. ABSTRAK Kompresi data adalah proses mengubah suatu input data menjadi data lain dengan format berbeda dan ukuran yang lebih
Lebih terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET Sarwosri, Rully Soelaiman, dan Esther Hanaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciKAPASITAS KANAL DAN BIT ERROR RATE SISTEM D-MIMO DALAM VARIASI SPASIAL DAERAH CAKUPAN
KAPASITAS KANAL DAN BIT ERROR RATE SISTEM D-MIMO DALAM VARIASI SPASIAL DAERAH CAKUPAN Staf Pengajar Jurusan Teknik Elektro-FT, Universitas Udayana Email : gnr@yahoo.co.id Abstrak Kemajuan teknologi komunikasi,
Lebih terperinciREALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 ABSTRAK
REALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 Nama : Wito Chandra NRP : 0822081 Jurusan Teknik Elektro, Fakultas
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciPEMODELAN KANAL KOMUNIKASI AKUSTIK PADA PERAIRAN DANGKAL
PEMODELAN KANAL KOMUNIKASI AKUSTIK PADA PERAIRAN DANGKAL Taufani Rizal Nofriansyah NRP. 2207 100 004 Dosen Pembimbing : Dr. Ir. Wirawan, DEA Ir. Endang Widjiati, M.Eng.Sc Latar Belakang Kondisi perairan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era globalisasi ini perkembangan teknologi komputer, informasi dan komunikasi yang sangat pesat memicu penggunaannya untuk kebutuhan pertukaran informasi yang semakin
Lebih terperinciPerancangan MMSE Equalizer dengan Modulasi QAM Berbasis Perangkat Lunak
Perancangan MMSE Equalizer dengan Modulasi QAM Berbasis Perangkat Lunak Winda Aulia Dewi 1, Yoedy moegiharto 2, 1 Mahasiswa Jurusan Teknik Telekomunikasi, 2 Dosen Jurusan Teknik Telekomunikasi Politeknik
Lebih terperinciPENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA
PENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA David Abriman Simatupang 1, Irianto 2, Suhariningsih 3 1 Mahasiswa Teknik Elektro Industri PENS-ITS, Surabaya, 2 Dosen Teknik Elektro Industri PENS-ITS,
Lebih terperinciPenentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-771 Penentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4 Mohamad Asfari dan
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XVIII Program Studi MMT-ITS, Surabaya 27 Juli 2013
MENDETEKSI DAN MELOKALISASI SUATU SUMBER SINYAL DENGAN METODE ESTIMASI DIRECTION-OF-ARRIVAL (DOA) DENGAN MENGGUNAKAN ALGORITMA MULTIPLE SIGNAL CLASSIFICATION (MUSIC) Estevao da Costa Guimaraes Electrical
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciSistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD
Sistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD M. Afridon 1, Khairudinsyah 2 Politeknik Negeri Bengkalis Jl. Bathin Alam Sei. Alam, (0766) 7008877 e-mail: mohd_afridon@yahoo.co.id Abstrak
Lebih terperinciMetode Penyimpanan Data Secara Kolaboratif Dalam Jaringan Sensor
Metode Penyimpanan Data Secara Kolaboratif Dalam Jaringan Sensor M. Mufid Mas Udi 2205100010 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciAnalisis Kinerja Modulasi M-PSK Menggunakan Least Means Square (LMS) Adaptive Equalizer pada Kanal Flat Fading
Jurnal Reka Elkomika 2337-439X Juli 2014 Jurnal Online Institut Teknologi Nasional Teknik Elektro Itenas Vol.2 No.3 Analisis Kinerja Modulasi M-PSK Menggunakan Least Means Square (LMS) Adaptive Equalizer
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan dunia digital, terutama dengan berkembangnya internet, menyebabkan informasi dalam berbagai bentuk dan media dapat tersebar dengan cepat tanpa
Lebih terperinciSIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2
SIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2 SUKARMAN Sekolah Tinggi Teknologi Nuklir-BATAN Jl. Babarsari Kotak Pos 1008, DIY 55010 Telp. 0274.489716, Faks.489715
Lebih terperinciTeknik Kompresi Citra Menggunakan Metode Huffman
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 26 A-5 Teknik Kompresi Citra Menggunakan Metode Huffman Tri Rahmah Silviani, Ayu Arfiana Program Pascasarjana Universitas Negeri Yogyakarta Email:
Lebih terperinciALGORITMA TDOA UNTUK PENGUKUR JARAK ROKET MENGGUNAKAN TEKNOLOGI UHF
ALGORITMA TDOA UNTUK PENGUKUR JARAK ROKET MENGGUNAKAN TEKNOLOGI UHF Haris Setyawan 1*, Wahyu Widada 2 1 Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Yogyakarta Jalan Lingkar Selatan Tamantirto
Lebih terperinciSTUDI PENYESUAIAN IMPEDANSI PADA ANTENA ULTRA WIDEBAND
National Conference of Applied Sciences, Engineering, Business and Information Technology. Politeknik Negeri Padang, 15 16 Oktober 216 ISSN:2541-111x STUDI PENYESUAIAN IMPEDANSI PADA ANTENA ULTRA WIDEBAND
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciKOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM. GEMBONG EDHI SETYAWAN, S.T., M.T. -
KOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM GEMBONG EDHI SETYAWAN, S.T., M.T. gembong@ub.ac.id - http://gembong.lecture.ub.ac.id Apa itu sinyal? Besaran fisis yang berubah menurut waktu, ruang atau variabel-variabel
Lebih terperinciTUGAS AKHIR KOMPRESI CITRA BERWARNA DENGAN PENERAPAN DISCRETE COSINE TRANSFORM ( DCT )
TUGAS AKHIR KOMPRESI CITRA BERWARNA DENGAN PENERAPAN DISCRETE COSINE TRANSFORM ( DCT ) Diajukan untuk Melengkapi Tugas Akhir dan Memenuhi Syarat-syarat untuk Mencapai Gelar Sarjana Teknik Fakultas Teknik
Lebih terperinciRUNTUN MAKSIMAL SEBAGAI PEMBANGKIT RUNTUN SEMU PADA SISTEM SPEKTRUM TERSEBAR. Dhidik Prastiyanto 1 ABSTRACT
RUNTUN MAKSIMAL SEBAGAI PEMBANGKIT RUNTUN SEMU PADA SISTEM SPEKTRUM TERSEBAR Dhidik Prastiyanto ABSTRACT Spread spectrum communication is used widely in information era. The system absolutely depends on
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA :38:54
Rekonstruksi Citra pada Super Resolusi menggunakan Projection onto Convex Sets (Image Reconstruction in Super Resolution using Projection onto Convex Sets) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPamampatan dan Rekonstruksi Citra Menggunakan Analisis Komponen Utama.
PEMAMPATAN DAN REKONSTRUKSI CITRA MENGGUNAKAN ANBALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENTS ANALYSIS) Praditya *, Budi Setiono **, Rizal Isnanto ** Abstrak - Saat ini sudah banyak aplikasi berbasis citra
Lebih terperinciSatuan Acara Perkuliahan Arjuni Budi P.
: Overview Sistem Komunikasi Digital Tujuan pembelajaran umum : Para mahasiswa mengetahui ruang lingkup Sistem Komunikasi Digital Jumlah pertemuan : 1(satu) kali 1 menyebutkan elemen-elemen dari Sistem
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang Masalah
1. Pendahuluan 1.1 Latar Belakang Masalah Jumlah pengguna komputer semakin meningkat. Peningkatan jumlah pengguna komputer mengakibatkan penggunaan data digital juga semakin meningkat. Salah satu media
Lebih terperinciSIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT
SIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT ( Kristiawan Purwanto, Tutug Dhanardono) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo
Lebih terperinciBAB I PENDAHULUAN. PSD Bab I Pendahuluan 1
BAB I PENDAHULUAN Pengolahan Sinyal Digital (Digital Signal Processing, disingkat DSP) adalah suatu bagian dari sain dan teknologi yang berkembang pesat selama 40 tahun terakhir. Perkembangan ini terutama
Lebih terperinciSuara bisa dibuat database engine untuk pengenalan kata. Dengan aplikasi ini, dapat secara otomatis melakukan transkripsi suara, sehingga dapat mengur
PEMBENTUKAN BASIS DATA UCAPAN DALAM BAHASA INDONESIA DAN PENGKODEANNYA BERDASARKAN LINEAR PREDICTIVE CODING (LPC) Elly Oktarina zonalee_cho@yahoo.com Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok
Lebih terperinciPerancangan Penyesuai Impedansi antara RF Uplink dengan Antena Pemancar pada Portable Transceiver Satelit Iinusat-01
Perancangan Penyesuai Impedansi antara RF Uplink dengan Antena Pemancar pada Portable Transceiver Satelit Iinusat-01 Adib Budi Santoso 1), Prof. Ir. Gamantyo H., M.Eng, Ph.D 2), Eko Setijadi, ST., MT.,
Lebih terperinciSOLUSI QUIZ #1 SEMESTER I 2014/2015
SOLUSI QUIZ # SEMESTER I 24/25. Untuk kebutuhan streaming video (lengkap visual dan audionya) NTSC 3 fps, dengan resolusi frame 576 x 48 per frame, menggunakan true color 3 B, dan sampling rate audionya
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinci