Lane Change Prediction Using Gaussian Classification, Support Vector Classification and Neural Network Classifiers

It is essential for a driver assistant system’s motion planning to take the vehicles moving in the surroundings into account. One of the most crucial driver intentions which should be predicted is lane changing. It has been investigated whether it is possible to reliably classify lane-changing maneuvers in a highway situation using learning algorithms such as Gaussian-classifier, SVM, and LSTM neural networks. Real vehicle trajectories are extracted from the NGSIM US-101 and I-80 datasets. The input for the classifiers is derived from the trajectory by selecting a subset of the features: lateral and longitudinal position coordinates, longitudinal acceleration, and velocity. In such an environment, the vehicle movement is limited, so it has been tested that how sufficient if only the mean and the variance of the derivative of lateral coordinate was taken as input for the classification had been tested. Different strategies for labeling the input sequences were tested.

DETEKSI BORAKS PADA BAKSO BERBASIS IMAGE DENGAN MENGGUNAKAN GAUSSIAN CLASSIFIER

<p><em>Abstrak</em>- Bakso adalah salah satu makanan yang bergizi tinggi dan banyak dikonsumsi oleh masyarakat. Adanya kompetisi pasar, dan harga daging yang relatif mahal menimbulkan persaingan tidak sehat yang merugikan konsumen, yaitu pemberian bahan tambahan pegawet boraks yang dapat mengganggu kesehatan. Secara kasat mata sulit membedakan bakso boraks dan non-boraks dan untuk mendeteksinya bisa dilakukan secara laboratorium dan dilakukan oleh ahlinya. Berdasarkan hal tersebut, dilakukan penelitian bagaimana membangun aplikasi deteksi boraks pada bakso berdasarkan image-nya yang diambil dengan kamera digital. Salah satu metode untuk mendeteksi objek berdasarkan image-nya adalah Gaussian Classifier yang mensyaratkan fitur objek berdistribusi Multivariate Normal (Gaussian) dan dengan menggunakan peluang bersayarat dapat dihasilkan fungsi diskriminan. Langkah-langkah dalam mendeteksi boraks berdasarkan image-nya dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi penentuan sampel image objek bakso, merubah image RGB ke grayscale, dan melakukan estimasi parameter distribusi fitur objek. Sedangkan tahap testing meliputi select image objek bakso yang diuji, merubah image ke grayscale, deteksi boraks boraks dengan fungsi diskriminan dan hasil estimasi parameter distribusi. Hasil training menunjukan ada 4 fungsi diskriminan untuk mendeksi boraks pada bakso. Sedangkan hasil testing dari 70 sampel bakso eksperimen (20 non-boraks, 50 boraks), sistem dapat mendeteksi dengan akurasi 71,4286 %.</p> <p> </p> <p>Kata Kunci: Bakso, Boraks, Fitur, Image, Distribusi Multivariate Normal, Gaussian Classifier</p>

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE

<p><em>Distribusi Multivariate Normal (Gaussian) adalah salah satu distribusi yang sering digunakan, mengingat hampir semua kejadian bisa didekati dengan distribusi tersebut. Dalam mengenali suatu objek dalam bentuk image, fitur objek tersebut kerapkali mengikuti distribusi Multivariate Gaussian dengan parameter mean</em><em> </em><em> dan covariance </em><em> yang berbebeda-beda. Parameter </em><em> dan </em><em> yang berbeda-beda tersebut akan menghasilkan nilai probability density function (pdf) yang berbeda pula. Berdasarakan nilai probability density function ini selanjutnya dapat dibentuk fungsi diskriminan untuk mengenali objek (Gaussian Classifier). Kehandalan Gaussian Classifer dalam mengenali objek dalam bentuk image dipengaruhi oleh 2 faktor utama yaitu ketepatan dan keakuratan dalam pengambilan data objek training yang akan berpengaruh terhadap ketepatan dan keakuratan fitur yang diambil dan asumsi distribusi Multivariate Normal dari fitur objek yang diambil harus terpenuhi. Untuk memenuhi asumsi multivariate distribusi Multivariate Normal maka harus dilakukan pengujian terhadap normalitas distribusi fitur setiap kelas objek. </em></p> <p><strong> </strong></p> <p><strong>Kata Kunci</strong> : <em> Distribusi Gaussian, Parameter Distribusi, Probability Density Function,</em><strong></strong><em> Fungsi Diskriminan</em></p>

Bandit Detection System under Various Noise Levels with Nearest Mean and Gaussian Classifier

The Government Transformation Programme (GTP) is an effort by Malaysia's current Government to address seven key areas concerning the people of the country. The programme was unveiled on 28 January 2010 by the Malaysian Prime Minister Najib Tun Razak. One of the (GTP) agenda is to reduce the crime rate as per its Vision 2020. Thus, in order fulfill this demand and challenge our enthusiasm to create a better place for our beloved country. We proudly presented a bandit detection system under various noise levels with nearest mean and Gaussian classifier. This system to boost the Malaysian police arm forced performance.