📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 4 dokumenPEMBANGUNAN BASIS DATA CITRA PANORAMIC DAN INTEGRASINYA DENGAN GEO-DATABASE
Sebuah visualisasi mengenai keadaan lingkungan sekitarnya dapat memberikan nilai tambah pada suatu Sistem Informasi Geografis, salah satunya adalah citra panoramic 360°. “Google Street View” merupakan salah satu aplikasi Sistem Informasi Geografi yang menggunakan citra panoramic 360°. Akan tetapi, aplikasi ini hanya dapat memvisualisasikan citra panoramic 360° saja, masih belum dapat terkait dengan informasi tekstual dari objek yang terekam dalam citra panoramic 360° itu sendiri. Oleh karena itu, dibutuhkan suatu teknik yang mengintegrasikan basis data citra panoramic 360° dengan Geo-database yang menyimpan informasi tekstual mengenai objek yang terekam pada citra panoramic 360° tersebut. Tahapan pengolahan data yang dilakukan pada penelitian tugas akhir ini terbagi menjadi 2 bagian utama, yaitu: a. Proses rekonstruksi citra panoramic 360° yang didapatkan dari pengambilan data dengan menggunakan kamera digital biasa. b. Desain dan pembangunan basis data citra panoramic 360° yang diintegrasikan dengan Geo-database serta implementasi dan visualisasi dari sistem aplikasi yang dibangun. Hasil dari tugas akhir ini berupa aplikasi SIG sederhana yang dapat menampilkan citra panoramic 360° sekaligus informasi tekstual mengenai objek yang terekam dalam citra panoramic 360° tersebut.
REKONSTRUKSI SINYAL ECG BERBASIS CITRA KERTAS MENGGUNAKAN TRANSFORMER
Digitasi sinyal electrocardiogram (ECG) dari citra kertas merupakan tantangan penting dalam pengolahan sinyal medis, terutama untuk mempertahankan integritas morfologi dan konsistensi temporal sinyal yang bernilai klinis. Variasi kualitas citra akibat distorsi visual, degradasi kertas, dan perbedaan metode akuisisi sering menyebabkan penurunan akurasi rekonstruksi pada pendekatan konvensional. Penelitian ini mengembangkan sistem digitasi ECG berbasis arsitektur Transformer untuk merekonstruksi sinyal ECG digital langsung dari citra kertas. Tiga arsitektur dibandingkan secara sistematis, yaitu Transformer konvensional, Transformer dengan mekanisme Dynamic Tanh, dan Temporal Convolutional Network (TCN). Evaluasi kuantitatif dilakukan pada test set terkontrol yang mencakup kondisi acuan serta berbagai distorsi visual, menggunakan metrik Pearson Correlation Coefficient (PCC), Root Mean Square Error (RMSE), dan Signal-to-Noise Ratio (SNR). Hasil menunjukkan bahwa Transformer konvensional memberikan kualitas rekonstruksi paling konsisten dengan nilai rata-rata PCC 0.9419, RMSE 4.1567 mV, dan SNR 10.7089 dB, melampaui arsitektur pembanding. Analisis visual pada variasi kondisi distorsi mengonfirmasi ketahanan Transformer dalam mempertahankan struktur morfologi global sinyal. Temuan ini menegaskan bahwa arsitektur Transformer merupakan pendekatan yang paling andal untuk digitasi ECG berbasis citra ketika kualitas rekonstruksi menjadi prioritas utama.
REKONSTRUKSI CITRA MENGGUNAKAN AKTIVITAS GELOMBANG OTAK (ELEKTROENSEFALOGRAFI) BERBASIS VARIATIONAL AUTOENCODER DAN DIFFUSION PADA DATASET MINDBIGDATA MNIST-2B
Elektroensefalografi (EEG) merupakan teknik non-invasif yang merekam aktivitas listrik otak melalui elektroda yang ditempatkan di kulit kepala. Teknologi ini telah banyak dimanfaatkan dalam bidang medis dan neurosains, seperti untuk diagnosis gangguan neurologis, pemantauan tidur, serta pengembangan antarmuka manusiakomputer. Dalam beberapa tahun terakhir, muncul minat besar terhadap pemanfaatan sinyal EEG untuk rekonstruksi citra, yakni proses visualisasi apa yang dilihat atau dibayangkan seseorang berdasarkan aktivitas otaknya. Pendekatan ini berpotensi membuka pemahaman lebih dalam mengenai representasi visual internal manusia serta memperluas aplikasi BCI (Brain-Computer Interface) di bidang kognitif dan klinis. Penelitian ini mengusulkan sistem rekonstruksi citra berbasis sinyal EEG yang menggabungkan VAE (Variational Autoencoder) dan latent diffusion, serta mengevaluasinya pada dataset MindBigData MNIST-2B. Studi ini merupakan yang pertama dalam mengaplikasikan pendekatan tersebut pada dataset ini, yang sebelumnya belum pernah digunakan dalam riset rekonstruksi citra berbasis EEG. Sistem ini dirancang untuk mempelajari representasi laten dari kedua domain (EEG dan citra), serta menghubungkannya melalui proses latent diffusion. VAE dipilih karena kemamiii puannya dalam menghasilkan representasi laten yang efisien, sementara model latent diffusion digunakan untuk menjembatani kesenjangan semantik antar modalitas secara progresif dan stabil. Model yang dikembangkan mencapai akurasi klasifikasi visual sebesar 25%, melampaui performa sebelumnya sebesar 10% pada dataset MNIST-8B yang merupakan superset dari MNIST-2B. Hasil ini menunjukkan bahwa pendekatan VAE dan diffusion mampu menangkap kompleksitas sinyal EEG pada dataset tersebut. Model yang dikembangkan juga mampu merekonstruksi citra digit dari sinyal EEG dengan kualitas visual yang menjanjikan, terutama pada ruang laten berdimensi rendah. Penelitian ini diharapkan dapat berkontribusi pada pengembangan teknologi BCI yang lebih intuitif serta mendorong studi lanjutan dalam decoding persepsi visual manusia secara lebih akurat.
RESTORASI CITRA PENANDA FIDUCIAL DENGAN SUPER RESOLUSI UNTUK PEMANDU PENDARATAN PRESISI PADA QUADROTOR
Pesawat tanpa awak (UAV) semakin banyak digunakan dalam berbagai bidang, seperti pengamatan udara, penanganan bencana, pemetaan, dan pertanian. Salah satu aspek penting dalam operasional UAV adalah kemampuan untuk mendarat secara akurat di posisi yang diinginkan. Namun, akurasi pendaratan berbasis GPS memiliki keterbatasan, sehingga metode alternatif seperti visi komputer mulai dikembangkan. Pendaratan berbasis visi komputer membutuhkan penanda fiducial, seperti penanda ArUco, sebagai referensi. Tantangan yang muncul meliputi keterbatasan resolusi kamera dan efek motion blur akibat gerakan UAV. Pada ketinggian tertentu, penanda fiducial tampak semakin kecil dan buram, sementara motion blur menurunkan ketajaman citra. Super resolusi single-frame berbasis deep learning menjadi solusi untuk meningkatkan resolusi citra sekaligus merekonstruksi citra penanda ArUco yang terpengaruh motion blur. Teknik super-resolusi berbasis interpolasi memiliki keterbatasan dalam menangani motion blur, sedangkan Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) menawarkan kemampuan rekonstruksi yang lebih unggul. ESRGAN dilatih menggunakan dataset yang terdiri dari citra beresolusi tinggi (HR) dan citra beresolusi rendah (LR) dari penanda ArUco. Citra LR dikompresi hingga seperempat ukuran HR, dari 448x448 piksel menjadi 112x112 piksel, dan diberi efek motion blur. Setelah diproses oleh ESRGAN, citra LR menghasilkan keluaran dengan resolusi setara citra HR, yaitu 448x448 piksel. Untuk meningkatkan nilai Structure Similarity Index Method (SSIM), ESRGAN mengintegrasikan Loss Function Structure Similarity Index (LSSIM) ke dalam total loss pada generator. Hasil rekonstruksi dan peningkatan resolusi citra dianalisis menggunakan SSIM, Feature Similarity Index Method (FSIM), dan energi spektrum frekuensi citra. Penelitian ini menggunakan 50 citra penanda ArUco beresolusi 112x112 piksel yang diberi efek motion blur secara acak. ESRGAN menghasilkan rata-rata kemiripan sebesar 84,14% pada SSIM, 82,80% pada FSIM, dan total energi spektrum sebesar 99,90% dibandingkan dengan citra asli. Sebagai perbandingan, metode interpolasi bicubic menghasilkan kemiripan 70,46% pada SSIM, 63,20% pada FSIM, dan total energi spektrum sebesar 92,73%. Kombinasi interpolasi bicubic dengan filter Wiener menghasilkan kemiripan sebesar 69,58% pada SSIM, 62,49% pada FSIM, dan total energi spektrum sebesar 92,53%. Hasil analisis menunjukkan bahwa ESRGAN memiliki kemampuan yang lebih baik dalam merekonstruksi dan meningkatkan citra penanda ArUco yang terpengaruh motion blur. Kualitas citra hasil ESRGAN terlihat dari visualisasi spektrum yang mendekati citra asli, sedangkan metode interpolasi bicubic, baik dengan atau tanpa filter Wiener, menghasilkan spektrum yang lebih gelap di bagian tepi. Total energi spektrum yang hampir identik dengan citra asli hanya ditemukan pada citra hasil ESRGAN. Selain itu, ESRGAN juga menunjukkan nilai SSIM dan FSIM yang lebih tinggi dibandingkan metode lain. Hal ini membuktikan bahwa ESRGAN merupakan metode yang lebih andal untuk meningkatkan kualitas citra UAV, terutama pada quadrotor, yang mengalami gangguan akibat motion blur. Kata kunci: Super Resolusi, Deep Learning, Rekonstruksi. ESRGAN ?