Hasil Pencarian  ::  Simpan CSV :: Kembali

"Named Data Networking NDN merupakan arsitektur alternatif yang direncanakan untuk menggantikan infrastruktur yang digunakan saat ini. Prinsip NDN yang menerapkan transmisi data berbasis nama konten membuatnya menjadi arsitektur yang sangat cocok dengan tren internet saat ini yang berbasis pada konten. NDN-RTC merupakan suatu library berbasis bahasa pemrograman C yang digunakan untuk membangun komunikasi videoconferencing secara real-time di atas jaringan NDN. Untuk saat ini pada sistem operasi Linux NDN-RTC hanya mendukung pengiriman data video yang telah direkam sebelumnya. Dalam penelitian ini akan diterapkan penggunaan GStreamer untuk mendapatkan data langsung dari pengguna tanpa harus direkam terlebih dahulu, dan penggunaan ffplay untuk dapat langsung mengakses video yang telah ditransmisi sehingga terbangun real-time videoconferencing. Eksperimen menunjukkan bahwa implementasi tersebut dalam komunikasi satu arah antara producer dan consumer telah mencapai keberhasilan efisiensi fetching data sebesar 97 . Saat diterapkan ke komunikasi dua arah tingkat efisiensi fetching data rata-rata sebesar 23,5 . Penelitian ini juga memaparkan kemungkinan pengembangan lebih lanjut dari NDN-RTC dari segi kualitas video dan pengembangan library NDN-RTC itu sendiri.

---

Named Data Networking NDN is an alternative architecture that is planned to replace the infrastructure currently in use. The NDN principle that implements content based data transmission makes it an architecture that fits perfectly with the current internet trends that is based on content. NDN RTC is a library based on C programming language used to build real rime videoconferencing communication over NDN network. For now on Linux operating system, NDN RTC only supports transmission data from previously recorded video data. This research uses GStreamer to get the data directly from user without recorded first, and ffplay to be able to directly access the video that has been transmitted so as to build real time videoconferencing. Expreriments show that such implementation in one way communication between producer and consumer has achieved a successful fetching efficiency of 97 . When applied to two way communication the average data fetching efficiency rate is 23,5 . This research will also describes the possibility of further development of NDN RTC in terms of video quality and development of NDN RTC library itself."

"Strategi meningkatkan kontribusi revenue layanan berbasis data untuk mempertahankan bisnis legacy fixed wireless access (FWA) melalui pencapaian kualitas layanan yang prima di PT Telkom Divisi Telkom flexi akan dievaluasi dan dianalisis. Alat analisis strategi menggunakan metode Balanced Score Card (BSC) untuk menganalisis manajemen kinerja internal dari sisi keuangan dan non-keuangan dengan seimbang. Data primer diperoleh melalui angket dan kuesioner. Angket dengan metode closed ended question untuk mengetahui pemahaman karyawan terhadap implementasi BSC. Sedangkan, kuesioner dengan format scale response question berbasis skala Likert digunakan untuk mengukur pembobotan KPI."

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."