EMOSI merupakan salah satu fitur penting dan kompleks
|
|
- Yandi Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 1 Klasifikasi Emosi Berdasarkan Gelombang Otak Sinyal EEG Menggunakan Metode k-nearest Neighbour Imania Puspita Sari 1, Dr. Diah Puspito W, ST., M.Sc. 1 and Dr. Ir. Yoyon Kusnendar S, M.Sc. 1 1 Departmen Teknik Komputer, Fakultas Teknologi Elektro, Institut Teknologi Sepuluh Nopember imania.puspita.sari13@mhs.te.its.ac.id, diah@te.its.ac.id, yoyonkusnendar@ee.its.ac.id Abstrak Penelitian mengenai pengenalan emosi pada manusia beberapa diantaranya menggunakan ekspresi wajah, suara, dan sinyal EEG sebagai datanya. Pada penelitian kali ini digunakan sinyal EEG. Electroencephalography atau EEG merupakan suatu teknik pencitraan medis yang mampu mencatat hasil perekaman aktivitas listrik di kulit kepala manusia. Data berupa sinyal EEG didapatkan dari DEAP Dataset yang terdiri dari rekaman gelombang otak 32 orang responden. Selama proses perekaman, setiap responden distimulus dengan beberapa video musik dan diminta melakukan sebuah self assessment terhadap tingkat valence dan arousal. Sinyal EEG yang digunakan diambil dari empat channel yaitu F8, T7, F3, dan C4. Sinyal tersebut kemudian didekomposisi menjadi lima kelompok frekuensi berbeda (alpha, beta, gamma, delta, theta) dan ditransformasikan menggunakan Continous Wavelet Transform fungsi sym8. Proses klasifikasi dilakukan menggunakan metode k-nearest Neighbour dan dilakukan pengujian untuk mengetahui kinerjanya. Dengan mengubah beberapa parameter seperti nilai k, frekuensi, serta channel, maka didapatkan nilai f-measure tertinggi sebesar 0,82 ketika melibatkan frekuensi delta dan 0,78 ketika melibatkan seluruh frekuensi tanpa frekuensi theta. Keywords Emosi; EEG; Wavelet Transform; K-Nearest Neighbour Abstrak Some research on human emotion recognition using facial expressions, voices, and EEG signals as the data. In this research, EEG signal are used. Electroencephalography or EEG is a medical imaging technique which is able to record the electrical activity in the human scalp. The data in the form of EEG signals obtained from DEAP Dataset which is consist of recordings of brain waves 32 people respondents. During the recording process, each of the respondents stimulated with some musicvideos and asked to do a self assessment against the level of arousal and valence. EEG signals that are used are taken from the four channel T7, F8, F3, and C4. Then, the signal is decomposed into five groups of different frequencies (alpha, beta, gamma, delta, theta) and transformed using Continous Wavelet Transform function sym8. The process of classification is performed using k-nearest Neighbour and do testing to know its performance. By changing some parameters such as the value of k, the frequency, and channel, then the f- measure is obtained the highest value in 0.82 when involving delta frequencies and 0.78 when involves the entire frequency without frequency theta. Keywords Emotion; EEG, Wavelet Transform, K-Nearest Neighbour I. PENDAHULUAN EMOSI merupakan salah satu fitur penting dan kompleks yang dimiliki oleh manusia [1]. Keberadaan emosi ini juga penting terkait dengan hubungan antara manusia dan mesin. Tanpa adanya kemampuan mengolah emosi, mesin atau komputer akan kesulitan bahkan tidak bisa berkomunikasi dengan manusia secara alami. Seperti yang kita ketahui bahwa keberadaan mesin kini dapat membantu kerja manusia sehingga lebih mudah, namun hal tersebut tentunya tidak akan tercapai ketika mesin tidak dapat memahami bahasa dan maksud manusia, dalam hal ini yang dimaksud adalah emosi. Beberapa tahun terakhir, penelitian pada bidang Human Computer Interaction (HCI) sedang fokus pada penguatan fungsi mesin dalam mengenali dan memahami emosi manusia. Sebagian besar diantaranya menggunakan pengenalan wajah, namun adapula yang menggunakan sinyal gelombang otak atau Electroencephalograph (EEG) ketika responden diperdengarkan musik atau sebuah video [2]. Electroencephalography (EEG) merupakan teknik pencitraan medis yang memungkinkan untuk membaca aktivitas listrik di kulit kepala yang dihasilkan oleh struktur otak. Electroencephalogram adalah alat untuk merekam aktivitas listrik dari otak dengan menggunakan pena yang menulis di atas gulungan kertas. Tes ini mampu menunjukkan tanda penyakit alzheimer dan epilepsy. Sumber lain menjelaskan bahwa EEG adalah sebuah pemeriksaan penunjang yang berbentuk rekaman gelombang elektrik sel saraf yang berada di otak yang memiliki tujuan untuk mengetahui adanya gangguan fisiologi fungsi otak [3]. Para peneliti meyakini bahwa keadaan otak ikut berubah seiring dengan perubahan yang terjadi pada perasaan seseorang sehingga EEG ini cocok untuk melakukan perekaman adanya perubahan gelombang otak yang berbedabeda sesuai dengan perasaan atau emosi[4]. EEG memiliki beberapa kelebihan sehingga dipilih untuk mempelajari emosi manusia. Beberapa kelebihannya yaitu high-speed, noninvasive dan tidak menimbulkan rasa sakit pada subjek. Hal tersebut penting untuk mendapatkan emosi asli dari subjek [3]. Namun perlu diperhatikan adanya beberapa noise diluar objek pengukuran yang mungkin muncul seperti halnya faktor kelelahan tubuh atapun faktor eksternal lainnya [4]. Electroencephalograph (EEG) dapat didekomposisi ke
2 2 dalam lima frekuensi berbeda yaitu delta, theta, alpha, beta, dan Gamma. Rentang frekuensi tersebut menunjukkan adanya perbedaan kondisi fisik pada seseorang [5], akan tetapi pembagian frekuensi tersebut belum cukup untuk mengenali emosi seseorang. Sebab, dalam sebuah rekaman sinyal EEG terdapat beberapa frekuensi berbeda yang membentuk pola tertentu. Dengan mengalami proses ekstraksi fitur menggunakan Continous Wavelet Transform (CWT) dan metode pengelompokan knn (k-nearest Neighbour), diharapkan dapat mengenali keadaan emosi seseorang. II. D ESAIN S ISTEM DAN I MPLEMENTASI Tujuan dari penelitian ini yaitu dapat mengenali dan mengklasifikasi emosi manusia ke dalam 2 kelompok emosi yaitu emosi senang dan tidak senang. Dengan menggunakan sinyal EEG, berikut ini adalah alur metodologi yang dilalui untuk mencapai tujuan tersebut di atas. 1) Pengumpulan Data Sinyal EEG yang dijadikan input atau masukan untuk proses klasifikasi didapatkan dari DEAP Dataset [6]. Sinyal tersebut merupakan sinyal preprocessed data, sudah dihilangkan noise dan artefact nya serta sudah melalui proses downsample sehingga frekuensi samplingnya menjadi 128 Hz. Kemudian sinyal-sinyal tersebut dipilih sesuai dengan kriteria atau parameter yang sudah ditentukan yakni dengan melihat nilai valence dan arousalnya serta memilih channel tertentu. 2) Preprocessing Data Setelah semua data yang memenuhui kriteria dan parameter dikumpulkan, sinyal-sinyal tersebut akan di dekomposisi ke dalam lima kelompok frekuensi gelombak otak yakni delta, theta, alpha, beta dan gamma. Setelah didekomposisi, sinyal tersebut ditransformasikan dengan menggunakan metode wavelet transform. Wavelet adalah sebuah bentuk gelombang dengan durasi terbatas yang memiliki nilai rerata nol [7]. Jika Fourier Transform mengubah sinyal berdomain waktu menjadi domain frekuensi, maka Wavelet Transform mengubah sinyal berdomain waktu menjadi berdomain skala-waktu. Sedangkan Continous Wavelet Transform adalah jumlah keseluruhan sinyal yang telah dikalikan dengan fungsi wavelet yang berskala atau dapat dilihat pada persamaan 1. Z C(s,τ ) = f (t)ψ(s,τ ) (1) Setelah didekomposisi dan ditransformasikan dengan fungsi CWT, maka didapatkan nilai koefisian CWT untuk setiap kelompok frekuensi. Langkah berikutnya adalah menghitung nilai entropy dari setiap koefisien tersebut. 3) Klasifikasi Data Proses klasifikasi data menggunakan metode KNearest Neighbour. k-nearest Neighbour adalah algoritma supervised learning yang sederhana dan banyak digunakan untuk melakukan proses klasifikasi pada sinyal dan gambar [4]. Pengambilan keputusan pada knn dilakukan berdasarkan nilai mayoritas sejumlah k-titik terdekat dengan data yang akan diklasifikasikan. Dengan kata lain, suatu data uji akan diklasifikasikan berdasarkan data training sejumlah titik yang diinginkan. Menentukan jarak antar titik terdekat dihitung berdasarkan jarak Euclidian dengan perhitungan sebagai berikut [8]: v u p ux (2) di = t (x2i x1i )2 i=1 Gambar 1: Diagram Alur Metodologi Pengklasifikasian Emosi pada Sinyal EEG dengan x1i sebagai data training, x2i sebagai data testing, p sebagai dimensi data dan d adalah jarak atau Euclidian.
3 3 yang berbeda, yaitu perhitungan F-measure ketika menggunakan kelima frekuensi, ketika menggunakan per frekuensi, dan ketika dikurangkan satu frekuensi untuk perfrekuensinya. Gambar menunjukkan perbedaan performansi nilai rata-rata F- measure di setiap channel untuk semua nilai K. Gambar 3: Perbandingan nilai F-measure untuk setiap nilai K Gambar 2: Flowchart Algoritma k-nearest Neighbour Ketepatan algoritma knn, salah satunya dipengaruhi oleh ada tidaknya fitur-fitur yang tidak relevan atau terlalu berpengaruh nilainya selama proses klasifikasi. Beberapa penelitian yang menggunakan knn melakukan percobaan hingga berkali-kali dengan beberapa skenario pengurangan fitur hingga didapatkan fitur-fitur yang berpengaruh terhadap nilai klasifikasi. III. PENGUJIAN Untuk mengetahui bagaimana performansi suatu metode, maka diperlukan suatu proses pengujian. Pada tugas akhir ini, proses pengujian data menggunakan perhitungan F-measure yang persamaannya dapat dilihat pada persamaan 3. F = 2 precision recall precision + recall Pengujian yang dilakukan terdiri dari tiga skenario pengujian dengan data dan parameter yang berbeda-beda. Skenario pengujian yang dilakukan adalah: A. Pengujian Jumlah Channel Total keseluruhan data yang digunakan berasal dari 4 channel yakni channel F8, T7, F3 dan C4. Pengujian pertama ini melibatkan seluruh channel dan menggunakan nilai ratarata f-measure. Diambil nilai rata-rata F-measure karena pada setiap channel menggunakan setidaknya 11 tipe parameter (3) Dengan melihat visualisasi data pada gambar, setiap titiktitik data saling terhubung menjadi suatu garis, dan setiap garis mewakili setiap channel. Garis berwarna biru menyatakan nilai F-measure untuk keempat channel yakni F8, T7, F3, dan C4. Jika dibandingkan dengan 4 single channel lainnya, dapat dilihat bahwa grafik untuk keempat channel menunjukkan konsistensi nilai data dan nilainya relatif lebih tinggi dibanding dengan keempat channel lainnya, nilai maksimum f-measure pada pengujian ini yakni sebesar 0,63. Dengan melihat grafik tersebut dapat disimpulkan bahwa penambahan jumlah channel berpengaruh terhadap kenaikan nilai f-measure. Semakin banyak channel yang digunakan maka nilai f-measure juga semakin tinggi. B. Pengujian Frekuensi Selain melakukan proses pengujian terhadap pengaruh jumlah channel, juga dilakukan pengujia terhadap frekuensi. Pada tahap pengujian frekuensi ini, proses pengujian akan dibagi ke dalam dua jenis yakni pengujian frekuensi tunggal dengan kelima frekuensi dan pengujian dengan pengurangan satu frekuensi dari kelima frekuensi. 1) Pengujian terhadap Frekuensi Tunggal Pada pengujian ini, akan nilai f-measure pada setiap frekuensi akan dibandingkan dengan nilai f-measure pada kelima frekuensi untuk melihat channel atau frekuensi manakah yang berpengaruh terhadap nilai f- measure. Jika dilihat pada gambar, terlihat bahwa nilai f-measure berada di posisi tinggi atau nilai yang relatif lebhh tinggi pada saat menggunakan kelima frekuensi secara bersamaan dan pada saat hanya menggunakan frekuensi Delta. Grafik untuk frekuensi Delta mencapai maksimum dengan nilai f-measure sebesar 0,82. Sedangkan
4 4 terhadap nilai f-measure. C. Pengujian Jumlah K Setelah melakukan proses pengujian terhadap jumlah channel dan variasi penggunaan frekuensi, di tahap pengujian yang ketiga ini yang akan diuji adalah pengaruh perubahan nilai K. Gambar 4: Perbandingan nilai F-measure untuk setiap frekuensi untuk frekuensi lainnya kisaran nilainya masih berada di bawah nilai frekuensi Delta. Melihat sebaran nilai ini, dapat disimpulkan bahwa Frekuensi Delta merupakan Frekuensi yang memiliki pengaruh besar dalam naiknya atau tinggi nya nilai f-measure. 2) Pengujian terhadap Pengurangan Frekuensi Jika pada poin sebelumnya yang diujikan adalah satu per satu frekuensi, maka pada poin ini yang diujikan yakni dengan mengurangkan satu frekuensi. Pengujian ini dilakukan untuk mengetahui frekuensi-frekuensi mana sajakah yang mungkin tidak atau kurang berpengaruh terhadap nilai F-measure khususnya dalam proses pengklasifikasian emosi senang dan tidak. Gambar 6: Perbandingan nilai F-measure untuk setiap nilai K Grafik tersebut menggunakan kelompok frekuensi tanpa Theta dan frekuensi Delta, karena pada pengujian sebelumnya kelompok ini memiliki sebaran nilai f-measure yang lebih tinggi dari kelompok lainnya. Untuk frekuensi delta yang direpresentasikan menggunakan warna jingga, dapat dilihat bahwa grafiknya mengalami kenaikan nilai. Nilai f-measure cenderung meningkat dan semakin tinggi ketika nilai k nya semakin besar dan nilai f-measurenya maksimal pada titik k = 17 dengan angka 0.82 dari skala 0 hingga 1. Sedangkan pada frekuensi tanpa theta, nilai f-measure cenderung menurun dan semakin kecil ketika nilai k nya semakin besar, dan nilai f-measurenya maksimal hanya pada titik k = 5 yakni dengan nilai 0, 78 dari skala 0 hingga 1. IV. KESIMPULAN Gambar 5: Perbandingan nilai F-measure untuk setiap frekuensi Gambar menunjukkan nilai untuk kelompok frekuensi tanpa Theta memiliki nilai yang relatif lebih tinggi bila dibandingkan dengan kelompok frekuensi lainnya yakni dengan nilai maksimum f-measure sebesar 0,78. Selain itu, disusul dengan kelompok frekuensi tanpa Beta. Dengan ini dapat disimpulkan bahwa frekuensi Theta merupakan frekuensi yang paling kurang berpengaruh Dalam tugas akhir ini, proses klasifikasi emosi dari sinyal otak gelombang EEG dilakukan dengan melakukan pengumpulan data dari DEAP Dataset kemudian data yang ada dilakukan ekstraksi fitur berupa nilai entropy dan diklasifikasikan dengan metode knn. Dari tahapan metodologi tersebut hingga proses pengujian, maka didapatkan kesimpulan sebagai berikut : 1) Nilai rata-rata F-Measure cenderung stabil pada angka yang tinggi ketika melibatkan banyak channel bila dibandingkan dengan nilai f-measure untuk single channel seperti yang dapat dilihat pada gambar III-A. 2) Pada pengujian terhadap frekuensi, didapatkan hasil a) frekuensi delta merupakan frekuensi yang paling berpengaruh dalam penelitian ini yakni dengan nilai f-measure sebesar 0, 82 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 4.
5 5 b) frekuensi theta merupakan frekuensi yang paling kurang berpengaruh dalam penelitian ini yakni dengan nilai f-measure untuk tanpa frekuensi theta sebesar 0, 78 dari skala 0 hingga 1, seperti yang dapat dilihat pada gambar 2. 3) Pada pengujian nilai k didapatkan hasil (lihat gambar 6) a) Ketika melibatkan kelompok frekuensi yang banyak, nilai f-measure menurun seiring kenaikan nilai k. Nilai f-measure tertinggi sebesar 0, 78 pada nilai k = 5 yakni ketika pengujian menggunakan seluruh frekuensi tanpa frekuensi theta. b) Ketika melibatkan satu frekuensi, nilai f-measure meningkat seiring kenaikan nilai k. Nilai f-feasure tertinggi sebesar 0, 82 pada nilai k = 17 yakni ketika pengujian hanya menggunakan frekuensi delta. DAFTAR PUSTAKA [1] S. G. Aydin, T. Kaya, and H. Guler, Wavelet-based study of valence arousal model of emotions on eeg signals with labview, Brain Informatics, vol. 3, pp , Jan [2] S. Koelstra, C. Muhl, M. Soleymani, J. S. Lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt, and I. Patras, Deap: A database for emotion analysis ;using physiological signals, IEEE Transactions on Affective Computing, vol. 3, pp , Jan [3] M. Teplan, Fundamental of eeg measurement, IEEE Measurement Science Review, vol. 2, pp. 1 11, [4] M. Murugappan, Human emotion classification using wavelet transform and knn, in 2011 International Conference on Pattern Analysis and Intelligence Robotics, vol. 1, pp , June [5] S. Saeid and C. J.A., EEG Signal Processing. John Wiley Sons, Ltd, [6] I. Patras, Deapdataset : a dataset for emotion analysis using eeg, physiological and video signals, Januari [7] Baharuddin and R. Anggraini, Transmisi citra medis pada kanal wireless, Teknika UNAND, vol. 2, April [8] S. R. Yohanes, L. A. S.M, and S. S. R.U.A, Simulasi sistem pengacak sinyal dengan metode fft, e-journal Teknik Elektro dan Komputer, 2014.
Klasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial Neural Network
Klasifikasi Emosi Melalui Sinyal EEG yang Dihasilkan Otak dengan Menggunakan Discrete Wavelet Transform dan Backpropagation Artificial Neural Network Emotion Classification Through EEG Signal Produced
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciAnalisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu
Lebih terperinciNama : Ricky Shonda Sanjaya NRP :
IDENTIFIKASI AKTIVITAS MENTAL MANUSIA MENGGUNAKAN KOMBINASI PCA (PRINCIPAL COMPONENT ANALYSIS) DAN JARINGAN SARAF TIRUAN PADA SINYAL EEG (ELECTROENCEPHALOGRAM) Nama : Ricky Shonda Sanjaya NRP : 0622006
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBAB I PENDAHULUAN. Penyakit jantung merupakan salah satu penyebab kematian terbesar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung merupakan salah satu penyebab kematian terbesar di Indonesia (Depkes, 2011). Penyakit jantung ini merupakan salah satu penyakit yang tidak
Lebih terperinciWATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION
WATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION Disusun oleh : Nama : Hendra Togi Manalu Nrp : 0522121 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciEKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB
EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB Pembimbing : Ir. Syamsul Arifin, MT. Andi Rahmadiansah, ST. MT. oleh : Bagas Isadewa 2406100077 Teknik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seluruh aktivitas tubuh manusia dikendalikan dan dikuasai oleh otak. Otak manusia mengarahkan seluruh tindakan yang dilakukan oleh manusia. Otak menjadi bagian terpusat
Lebih terperinciBAB I PENDAHULUAN. bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung adalah penyebab kematian terbesar di Indonesia, bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf (EKG). Petugas
Lebih terperinciVerifikasi Sidik Jari Menggunakan Pencocokan Citra Berbasis Fasa Dengan Fungsi Band-Limited Phase Only Correlation (BLPOC)
Verifikasi Sidik Jari Menggunakan Pencocokan Citra Berbasis Fasa Dengan Fungsi Band-Limited Phase Only Correlation (BLPOC) Adryan Chrysti Sendjaja (1022005) Jurusan Teknik Elektro Universitas Kristen Maranatha
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK ECG atau elektrocardiogram merupakan suatu perekaman aktivitas listrik dari pola sinyal detak jantung. Aktivitas listrik dari sel yang dicatat secara grafik dengan perantaraan elektroda intrasel
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database sinyal EKG Pengambilan data dari database Visual Basic 6.0 Discrete Wavelet Transform (DWT) Dekomposisi Daubechies Orde 2
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN K- NEAREST NEIGHBOR
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2870 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN K- NEAREST NEIGHBOR SIMULATION AND ANALYSIS OF MUSIC GENRE
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 terperinciPEMBUATAN APLIKASI PENERIMA DATA EEG TIGA KANAL UNIVERSITAS TELKOM THE MAKING OF DATA RECEIVER APPLICATION IN THREE CHANNEL EEG TELKOM UNIVERSITY
PEMBUATAN APLIKASI PENERIMA DATA EEG TIGA KANAL UNIVERSITAS TELKOM THE MAKING OF DATA RECEIVER APPLICATION IN THREE CHANNEL EEG TELKOM UNIVERSITY Sania Marcellina Bryan 1, Achmad Rizal, ST., MT 2., Sugondo
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Dewasa ini penciptaan video game tidak hanya ditujukan untuk media hiburan saja melainkan juga diperuntukan sebagai media pendidikan bagi berbagai kalangan khususnya
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciABSTRAK Pada tugas akhir ini dibuat sistem pengidentifikasi sinyal EEG, yaitu komponen gelombang alpha, beta dan theta dengan menggunakan transformasi
ABSTRACT This final report is discussed about identification system of EEG signal, named alpha, beta and theta components. The technique are using discrete wavelet tranform and power spectral analysis.
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciIDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION
Identifikasi Kondisi Rileks dari Sinyal EEG (Ekayama dkk.) IDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION Rifky Ekayama *, Esmeralda C. Djamal, Agus Komarudin
Lebih terperinciPENGENALAN EMOSI SESEORANG BERDASARKAN BENTUK BIBIR DENGAN METODE DISCRETE HARTLEY TRANSFORM ABSTRAK
PENGENALAN EMOSI SESEORANG BERDASARKAN BENTUK BIBIR DENGAN METODE DISCRETE HARTLEY TRANSFORM Lucas Sanjaya (1122034) Jurusan Teknik Elektro Email: Lucas_sanjaya93@yahoo.co.id ABSTRAK Ketika berhadapan
Lebih terperinciEKSTRASI CIRI SINYAL EPILEPSI MENGGUNAKAN FAST FOURIER TRANSFORM
EKSTRASI CIRI SINYAL EPILEPSI MENGGUNAKAN FAST FOURIER TRANSFORM Hindarto 1, Ade Efiyanti 2 1, 2 Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sidoarjo Sidoarjo, Jawa Timur (E-mail: hindarto@umsida.ac.id,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wicara atau ucapan adalah cara berkomunikasi yang paling sederhana dan sering digunakan oleh manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi
Lebih terperinciIDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY
IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY Erni Seniwati 1), Ninik Tri Hartanti 2) 1 Sistem Informasi, STMIK Amikom erni.s@amikom.ac.id 2 Sistem Informasi, STMIK Amikom
Lebih terperinciRancang Bangun Sistem Pemantauan Aktivitas Gelombang Otak Secara Real Time Menggunakan Bio Sensor
Rancang Bangun Sistem Pemantauan Aktivitas Gelombang Otak Secara Real Time Menggunakan Bio Sensor Destyan Sulisetyo Nugroho, Iman Fahruzi 2,2 Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway St-
Lebih terperinciAnalisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph
Analisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph Ines Visyeri Yuliani 1,*, Bambang Hidayat 1, Suci Aulia 2
Lebih terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciIDENTIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN REGRESI DAN JARINGAN SYARAF TIRUAN
IDENTIFIKASI SINYAL EEG MENGGUNAKAN KOEFISIEN REGRESI DAN JARINGAN SYARAF TIRUAN Hindarto Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sidoarjo hindartomay@yahoo.com Abstrak Dalam
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciPemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet
Pemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet Setyanto Cahyo Pranoto Pusat Sains Antariksa, Lembaga Penerbangan Dan Antariksa Nasional - LAPAN, Jl. DR.
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi selalu mengalami perkembangan dari tahun ke tahun salah satunya telepon genggam yang semakin canggih, dari era telepon rumah dengan switching yang dilakukan
Lebih terperinciANALISA WATERMARKING MENGGUNAKAN TRASNFORMASI LAGUERRE
ANALISA WATERMARKING MENGGUNAKAN TRASNFORMASI LAGUERRE Muhamad Sofwan & Dadang Gunawan Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia ABSTRAK Teknik watermarking dibagi menjadi dua, yaitu
Lebih terperinciSeminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016
IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky
Lebih terperinciSTEGANALISIS CITRA DIGITAL BERBASIS DISCRETE COSINE TRANSFORM DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR
STEGANALISIS CITRA DIGITAL BERBASIS DISCRETE COSINE TRANSFORM DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR Sheira Banu Nasution 1), Bambang Hidayat 2), I Nyoman Apraz Ramatryana 3) 1),2),3 ) Teknik Telekomunikasi,
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang, Digital Signal Processing (DSP) atau pemrosesan sinyal digital sudah banyak diterapkan di berbagai bidang karena data dalam bentuk digital
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 terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS
Lebih terperinciDeteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 14 ISSN 23030135 Deteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier Dewi Yanti Liliana 1, Muh. Arif Rahman 2, Solimun
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3395
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3395 ANALISIS PERBANDINGAN POLA SINYAL ALFA DAN BETA EEG UNTUK KLASIFIKASI KONDISI RILEKS PADA PEROKOK AKTIF DENGAN MENGGUNAKAN
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
Lebih terperinciAlgoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(PACs) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient
Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(s) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway
Lebih terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
Lebih terperinciBAB II. Tinjauan Pustaka dan Landasan Teori
BAB II Tinjauan Pustaka dan Landasan Teori 2.1 Tinjauan Pustaka Emosi memiliki peranan penting tidak hanya pada perasaan saja melainkan juga pada pola pikir dan pembuatan keputusan. Dalam membangun sistem
Lebih terperinciDAFTAR ISI. Halaman LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK... i ABSTRACT... ii KATA PENGANTAR...iii DAFTAR ISI... v DAFTAR GAMBAR...
ABSTRAK Noise merupakan salah satu kendala yang mempengaruhi kualitas sinyal suara yang ditransmisikan. Noise tersebut dapat berasal dari peralatan komunikasi itu sendiri atau pengaruh dari sumber luar.
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 1.1. Analisa Masalah 3.1.1. Analisa Algoritma Midi (Musical Instrument Digital Interface) merupakan sebuah teknologi yang memungkinkan alat musik elektrik, komputer,
Lebih terperinciSimulasi Sistem Pengacak Sinyal Dengan Metode FFT (Fast Fourier Transform)
1 Simulasi Sistem Pengacak Sinyal Dengan Metode FFT (Fast Fourier Transform) Reonaldo Yohanes Sipasulta (1), Arie.S.M. Lumenta ST, MT. (2), Sherwin R.U.A. Sompie, ST, MT. (3) (1)Mahasiswa, (2)Pembimbing
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh: Ellys Kumala Pramartaningthyas, Melania Suweni Muntini Jurusan Fisika Fakultas Matematika
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinciIDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI
IDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI MUHAMMAD WARDANA 121402024 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciABSTRAK. Kata kunci: biola, Fast Fourier Transform, konversi, nada, not balok. vi Universitas Kristen Maranatha
ABSTRAK Musik merupakan suatu sarana yang dapat membantu manusia dalam menyimpan dan mengapresiasi karyanya dan biasanya digambarkan dalam bentuk notasi balok dengan unsur-unsur paranada, garis birama,
Lebih terperinciDeteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT)
Proudly Present : Presentasi Tugas Akhir Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT) Musa Ibrahim 2208100047 Pembimbing : Dr. Ir. Wirawan, DEA Ir. Endang
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciDEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL
Seminar Nasional Aplikasi Teknologi Informasi 9 (SNATI 9) ISSN: 97- Yogyakarta, Juni 9 DEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL Adiwijaya, D. R.
Lebih terperinciBAB I PENDAHULUAN. Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya
BAB I PENDAHULUAN 1.1. Latar Belakang Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya kontraksi. Kontraksi otot berfungsi untuk menggerakkan bagian-bagian tubuh dan substansi dalam
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Proses pencocokan citra dilakukan dengan mengidentifikasi dan mengukur pasangan titiktitik sekawan antara citra satu dengan citra lainnya untuk objek yang sama pada
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciPEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM)
PEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM) Oleh: ELOK ANGGRAYNI NRP. 2409 100 092 Dosen Pembimbing: Prof. Dr.
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Musik merupakan sarana untuk menyimpan hasil karya seseorang. Dan hampir semua notasi musik dituliskan ke dalam not balok. Not balok adalah susunan nada yang ditulis
Lebih terperinciPITCH INTERVAL SINYAL SENANDUNG UNTUK PENCARIAN LAGU PADA TANGGA NADA PENTATONIS DAN DIATONIS TUGAS AKHIR
PITCH INTERVAL SINYAL SENANDUNG UNTUK PENCARIAN LAGU PADA TANGGA NADA PENTATONIS DAN DIATONIS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
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 I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam situs http://id.wikipedia.org/wiki/lagu dikatakan bahwa lagu merupakan gubahan seni nada atau suara dalam urutan, kombinasi, dan hubungan temporal (biasanya diiringi
Lebih terperinciABSTRAK. PDF created with FinePrint pdffactory Pro trial version
ABSTRAK Scattering Parameters (S-Parameter) merupakan suatu metode pengukuran yang berhubungan dengan daya datang dan daya pantul. Dalam tugas akhir ini dibahas prinsip kerja S-Parameter yang berhubungan
Lebih terperinciDESAIN MESIN PRESENSI BERBASIS IDENTIFIKASI SUARA PENUTUR
REKAYASA LAPORAN PENELITIAN HIBAH BERSAING DESAIN MESIN PRESENSI BERBASIS IDENTIFIKASI SUARA PENUTUR Oleh : Hernawan Sulistyanto, ST, MT Nurgiyatna, ST. MSc DIBIAYAI OLEH DIREKTORAT JENDERAL PENDIDIKAN
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciAplikasi Pengenalan Ekspresi Wajah dengan Teknik Principal. Component Analysis Berbasis Dual-Tree Complex Wavelet Transform
Aplikasi Pengenalan Ekspresi Wajah dengan Teknik Principal Component Analysis Berbasis Dual-Tree Complex Wavelet Transform SKRIPSI diajukan sebagai salah satu syarat untuk gelar kesarjanaan pada Jurusan
Lebih terperinciBAB I PENDAHULUAN. darah. Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Jantung merupakan organ tubuh yang paling fungsional karena peranannya sebagai pemompa darah agar dapat mengalir ke seluruh tubuh melalui pembuluh darah. Penyakit
Lebih terperinciBLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN DISCRETE COSINE TRANSFORM (DCT) BERBASIS ALGORITMA GENETIKA
BLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN DISCRETE COSINE TRANSFORM (DCT) BERBASIS ALGORITMA GENETIKA Disusun oleh : Nama : Aryanto M Nrp : 0722066 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciAktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 537 Aktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android Regilang Monyka Putra *), Firdaus **), Mohammad Hafiz Hersyah
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION
ADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION Disusun oleh : Nama : Dian Eriani Surbakti Nrp : 0822104 Jurusan Teknik
Lebih terperinciPENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG
Proseding Seminar Nasional Fisika dan Aplikasinya Sabtu, 19 November 2016 Bale Sawala Kampus Universitas Padjadjaran, Jatinangor PENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG ARTHA IVONITA
Lebih terperinciArga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
Lebih terperinciPenerapan Watermarking pada Citra berbasis Singular Value Decomposition
Penerapan Watermarking pada Citra berbasis Singular Value Decomposition David Leonard Hasian ( 0522049 ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jln. Prof. Drg. Suria Sumantri
Lebih terperinciPERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR
PERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR Aristian Jovianto Yunus NRP : 1322022 e-mail : aristian_jovianto@yahoo.com ABSTRAK
Lebih terperinciPENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM
PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM Budi Nugroho 1, Febriliyan Samopa 2 1 Jurusan Teknik Informatika, Fakultas Teknologi
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 Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium.
Lebih terperinciAPLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER
APLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER Leo Willyanto Santoso 1, Resmana Lim 2, Rony Sulistio 3 1, 3 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciPENGENALAN SUARA MENGGUNAKAN POHON KEPUTUSAN RELASI ACAK. Disusun Oleh:
PENGENALAN SUARA MENGGUNAKAN POHON KEPUTUSAN RELASI ACAK Disusun Oleh: Nama : Simon Petro Sianiapar Nrp : 0422098 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria
Lebih terperinci