Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang sistem Text-to-Speech (TTS) untuk Bahasa Indonesia dengan Unit Selection Synthesis sebagai metodenya untuk mensintesa ucapan. Unit yang yang digunakan pada sistem TTS ini berupa suku kata Bahasa Indonesia. Sistem TTS yang dibuat pada skripsi ini memiliki 2 modul utama, yaitu modul Natural Language Processing (NLP) dan modul Digital Signal Processing (DSP). Modul NLP bertugas untuk memroses input teks yang masuk guna mendapatkan informasi dari teks itu berupa unit suku kata dengan pitch dan ToBI (Tone and Break Indices) yang bersesuaian dengan kalimat pada teks masukan, Informasi ini kemudian digunakan oleh modul DSP untuk menghasilkan ucapan. Pada modul DSP ini, metode sintesa ucapan yang digunakan adalah Unit Selection Synthesis yang merupakan generasi ketiga setelah Concatenative Synthesis. Metode Unit Selection Synthesis menggunakan database yang sangat banyak sekali untuk dapat menghasilkan ucapan dengan tingkat kealamian yang tinggi. Untuk tiap unit suku kata memiliki karakteristik seperti pitch, durasi, Mel Frequency Cepstrum Coefficient (MFCC), dan ToBI yang berbeda-beda dengan unit yang lain walaupun suku kata yang digunakan adalah sama. Suku kata dengan karakteristik yang berbeda tersebut diperoleh dari hasil pemotongan file wav suatu rekaman ucapan. Dari segi intellijibilitas, ucapan yang dihasilkan tidaklah baik. Hal ini disebabkan database yang dimiliki sangat kurang dan rekaman ucapan yang dijadikan sumber data memiliki banyak noise sehingga mengganggu proses pemotongan file wav untuk mendapatkan suku kata. Namun tingkat kealamian ucapan yang diperoleh dari sistem TTS ini dapat dikatakan cukup baik karena pitch dari suku kata yang cukup bervariasi sehingga intonasi yang terdengar tidak mendatar saja.

---

This undergraduate thesis discusses about a Text-to-Speech system with Unit Selection Synthesis as it's method to synthesize speech. Units which are used as the units for the synthesizer are Bahasa Indonesia syllables. In this study, the TTS system uses 2 main modules, they are Natural Language Processing module (NLP) and Digital Signal Processing Module (DSP). The NLP module processes input text for retrieving information from the input in the form of syllables with their pitch and ToBI (Tone and Break Indices) associated with the sentences in the text. The retrieved information then used by DSP module to produce speech. The third generation synthesizer after concatenative synthesis, Unit Selection Synthesis, is chosen as the speech synthesizer in the DSP module. To get speech with high naturalness, the synthesizer must uses a large speech database. Each and every syllable has it?s own characteristics such as pitch, duration, Mel Frequency Cepstrum Coefficient (MFCC), and ToBI that are different from other units eventhough the syllables are the same. The author get the syllables by trimming a wav file of recorded speech. From the intelligibility point of view, the quality of the produced speech is not good. It is because the quality of the possessed database is poor and the recorded speech chockablock with noise in such a way that unsettles the process of trimming the wav file in order to get the syllables. Yet, from the naturalness point of view, the quality of the speech could be accepted because of the variety of the pitch of the syllables so that the perceived speech is not monotone."

"Predicting prosody from text for text-to-speech synthesis covers the specific aspects of prosody, mainly focusing on how to predict the prosodic information from linguistic text, and then how to exploit the predicted prosodic knowledge for various speech applications. Author K. Sreenivasa Rao discusses proposed methods along with state-of-the-art techniques for the acquisition and incorporation of prosodic knowledge for developing speech systems."

"Aplikasi multimedia Iewat jaringan sedang banyak dikembangkan dilingkungan kampus yang mempunyai LAN dan WAN. Penggunaan audio digital lewat jaringan membuat aplikasi semakin power-full. Sound database yang besar dan terorganisasi dengan balk merupakan komponen yang sangat penting dalam studio produksi musik. Dalam skripsi ini akan dibahas mengenai penggunaan Interbase 5 dalam menangani sound database. Aplikasi yang akan dibangun mempunyai model clientlserver. Interbase client yang digunakan pada skripsi ini yaitu program aplikasi yang dibuat dalam Delphi 4 . Aplikasi delphi ini akan mengakses sound database yang ada pada Interbase server. Pada bagian akhir akan ditampilkan basil penelitian skripsi ini yang berupa program aplikasi sound player yang dapat memainkan, merekam dan menambahkan file suara seperti midi dan wav kedalam database, Selain itu penuiis juga telah berhasil membuat aplikasi text-to-speech, yang dapat mengubah teks dalam bahasa indonesia menjadi suara."

"Sistem Penilaian Esai Otomatis (SIMPLE-O) dikembangkan oleh Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia untuk ujian bahasa Indonesia. Skripsi ini akan membahas mengenai pengembangan SIMPLE-O untuk penilaian ujian bahasa Indonesia menggunakan metode Gated Recurrent Unit (GRU) dan bahasa pemrograman Python. Terdapat dua dokumen yang akan menjadi input, yaitu jawaban esai dari peserta ujian dan jawaban referensi dari penguji. Kedua jawaban diproses dengan layer GRU yang sama. Selanjutnya, kemiripan antara keduanya dihitung dengan fungsi persamaan. Rata-rata nilai akurasi yang didapatkan adalah 98.84 untuk fase training dan 86.82 untuk validasi

---

The Automatic Essay Assessment System (SIMPLE-O) was developed by the Department of Electrical Engineering, Faculty of Engineering, University of Indonesia for the Indonesian language test. This thesis will discuss the development of SIMPLE-O for the assessment of Indonesian language tests using the Gated Recurrent Unit (GRU) method and the Python programming language. There are two documents that will be input, essay answers from examinees and answer answers from examiners. Both answers are processed with the same GRU layer. Next, the similarity between the two is calculated by the similarity function. The average accuracy value obtained was 98.84 for the training phase and 86.82 for validation"

"Salah satu faktor keberhasilan suatu model pembelajaran dalam machine learning atau deep learning adalah dataset yang digunakan. Pemilihan dataset yang digunakan untuk pelatihan suatu model sangat penting dalam pemrosesan yang dilakukan. Beberapa model deep learning seperti sistem pemrosesan text-to-speech pada model Tacotron2 sangat bergantung dengan dataset yang dipilih. Hal tersebut dikarenakan dalam pelatihan yang dilakukan untuk pembentukan suatu model pada bahasa tertentu harus menggunakan bahasa tersebut agar kualitas dari suara sintesis yang dihasilkan dapat mendekati pelafalan yang seharusnya untuk bahasa yang ditentukan. Pada penelitian ini dilakukan pelatihan yang bertujuan untuk pembentukan model Tacotron2 pada Bahasa Indonesia, sehingga untuk mendapatkan hasil yang lebih baik, maka digunakan dataset berbahasa Indonesia dari rekaman podcast dan talk show. Pada penelitian ini dilakukan dua skenario untuk mendapatkan hasil yang paling optimal. Skenario pertama adalah melakukan pelatihan pada model Tacotron2 menggunakan dataset berbahasa Indonesia yang terdiri dari banyak pembicara. Skenario kedua adalah melakukan pelatihan pada model Tacotron2 menggunakan dataset berbahasa Indonesia yang terdiri dari satu pembicara. Dalam pemrosesan pelatihan untuk pembentukan model Tacotron2 pada Bahasa Indonesia dilakukan dengan menggunakan pre-trained dan hyperparameter berdasarkan penelitian sebelumnya (Shen, et al., 2018). Hasil dari setiap skenario dievaluasi menggunakan Mean Opinion Score (MOS). Kuesioner disebarkan kepada 25 responden untuk menilai kualitas dari suara yang terbentuk berdasarkan kriteria penilaian pada MOS. Suara yang dibentuk oleh model Tacotron2 pada skenario pertama menghasilkan nilai MOS sebesar 4.01. Sedangkan suara yang dibentuk oleh model Tacotron2 pada skenario kedua menghasilkan nilai MOS sebesar 3.78. Hal tersebut menunjukkan bahwa penggunaan dataset berbahasa Indonesia dari rekaman podcast dan talk show dalam pembentukan model Tacotron2 untuk Bahasa Indonesia menghasilkan kualitas yang cukup baik.

---

One of the success factors of a learning model in machine learning or deep learning is the dataset used. The selection of the dataset used for training a model is very important. Some deep learning models such as the text-to-speech processing system in Tacotron2 are highly dependent on the selected dataset. This is because the training for forming a model in a particular language must use the same language so that the quality of the synthetic sound produced can resemble the proper pronunciation and prosody. In this study, training is aimed to form Tacotron2 model in Bahasa Indonesia. So, to get better results, a dataset in Bahasa Indonesia from recorded podcasts and talk shows are developed. Based on the dataset, two scenarios of training were conducted to obtain the most optimal results. The first scenario is to conduct training on the Tacotron2 model using the dataset consisting of many speakers. The second scenario is to conduct training on the Tacotron2 model the dataset consisting of only one speaker. Both scenarios employed the Tacotron2 model and the hyperparameters used in previous work (Shen, et al., 2018).

The results of each scenario are evaluated using the Mean Opinion Score (MOS). Questionnaires are distributed to 25 respondents to assess the quality of the sound formed based on the MOS assessment criteria. The sound formed by the Tacotron2 model in the first scenario produces an MOS value of 4,012. While the sound formed by the Tacotron2 model in the second scenario produces an MOS value of 3.78. This shows that the use of Indonesian language dataset from recorded podcasts and talk shows in the formation of the Tacotron2 model for Bahasa Indonesia produces a good quality."

"Perkembangan teknologi diharapkan dapat menjadi salah satu solusi untuk mengurangi tingkat kelelahan para tenaga medis ICU dengan mempermudah mereka dalam memberikan pelayanan yang lebih efektif dan efisien kepada pasien di ICU. Internet of Things (IoT) sebagai suatu tren baru dalam teknologi dapat membantu tenaga medis dalam memberikan pelayanan kesehatan. Penerapan IoT khususnya di ICU memberikan kemudahan untuk melakukan pengamatan pasien berkelanjutan, mengurangi terjadinya error, dan meningkatkan komunikasi antar tenaga medis yang lebih efisien. Penerapan IoT di ICU membutuhkan beberapa pertimbangan yang dilakukan oleh pihak rumah sakit seperti dari segi kemampuan teknologi, keamanan, kemampuan organisasi, dan lingkungan pendukung. Penelitian ini menggunakan metode ANP (Analytical Network Process) berbasis DEMATEL (Decision-Making Trial and Evaluation Laboratoy)\ untuk melihat secara lebih jelas pengaruh dan prioritas dari faktor-faktor pertimbangan penerapan Internet of Thing (IoT) di ICU pada rumah sakit di Jakarta dan Depok. Selain itu, metode COPRAS (Complex Proportional Asessment) digunakan untuk mengetahui prioritas teknologi yang dapat diterapkan. Hasil dari penelitian ini ditemukan bahwa teknologi pemantauan infus pintar berbasis IoT merupakan prioritas teknologi pertama untuk diterapkan di ICU rumah sakit di Jakarta dan Depok.

---

The development of technology is expected to give a solution to reduce the level of difficulty on medical staff in the ICU by facilitating them in providing more effective and efficient services for patients in the ICU. Internet of Things (IoT) as a new trend in technology can help medical staff in providing health services. The application of IoT especially in the ICU makes it easy to conduct continuous patient observation, reduce

the occurrence of errors, and improve communication between medical staff more efficiently. The implementation of IoT in ICU requires several considerations carried out by the hospital such as in terms of technological capability, security, organizational capability, and supporting environment. This study uses DEMATEL (Decision-Making

Trial and Evaluation Laboratory) based ANP (Analytical Network Process) method to see more clearly the influence and priority of the factors considering the implementation of the Internet of Thing (IoT) in hospital ICUs at Jakarta and Depok. In addition, the COPRAS (Complex Proportional Assessment) method is used to determine technological priorities that can be applied. The results of this study found that IoTbased smart infusion monitoring technology is the first technology priority to be applied in hospital ICUs at Jakarta and Depok.

"

"Upaya pemerintah mengenai peningkatan produksi target satu juta barel minyak pada tahun 2030 harus didukung oleh berbagai sarana yang menunjang peningkatan di industri minyak dan gas. Program tersebut dapat membawa dampak pada peningkatan stuktur lepas pantai. Dalam menunjang operasional eksplorasi dan produksi minyak dan gas dibutuhkan sarana berupa kapal. Salah satu tipe kapal yang banyak digunakan pada kegiatan lepas pantai di sektor hulu migas yaitu kapal jenis Anchor Handling Tug and Supply (AHTS). Kapal AHTS menyumbang valuasi kurang lebih 25% dari keseluruhan nilai pasar kapal lepas pantai global, menjadikannya jenis kapal lepas pantai terbesar kedua dalam hal jumlah porsi pasar. Jumlah nilai pasar kapal penunjang kegiatan lepas pantai diproyeksikan  mencapai $28,20 miliar pada tahun 2031. Pertumbuhan ini dapat dikaitkan dengan meningkatnya permintaan kebutuhan kapal AHTS untuk mendukung kegiatan operasi di sektor hulu migas. Namun dalam proses pengadaan kapal AHTS diperlukan banyak pertimbangan untuk memilih penyedia atau vendor yang paling sesuai dengan kebutuhan. Salah satu upaya untuk penyelesaian masalah tersebut ialah dengan merancang suatu Sistem Pendukung Keputusan (SPK) yang dapat membantu untuk memilih vendor. Karena kriteria bersifat kompleks, SPK akan menggunakan metode Analytical Hierarchy Process (AHP) untuk mendukung proses analisis menjadi lebih efektif. Dengan adanya SPK dapat meningkatkan efisiensi proses dari pengadaan kapal AHTS.

---

The government's efforts to increase the production of one million barrels of oil target by 2030 must be supported by various facilities that support improvements in the oil and gas industry. The program can have an impact on increasing offshore structures. In supporting oil and gas exploration and production operations, facilities in the form of ships are needed. One type of ship that is widely used in offshore activities in the upstream oil and gas sector is the Anchor Handling Tug and Supply (AHTS) type ship. AHTS vessels account for a valuation of approximately 25% of the overall global offshore vessel market value, making them the second largest type of offshore vessel in terms of market share. The total market value of vessels supporting offshore activities is projected to reach $28.20 billion by 2031. This growth can be attributed to the increasing demand for AHTS vessels to support operations in the upstream oil and gas sector. However, in the AHTS ship procurement process, many considerations are needed to choose the provider or vendor that best suits the needs. One of the efforts to solve this problem is to design a Decision Support System (DSS) that can help to select vendors. Because the criteria are complex, the DSS will use the Analytical Hierarchy Process (AHP) method to support the analysis process to be more effective. With the DSS, it can improve the efficiency of the AHTS ship procurement process."

"Skripsi ini membahas mengenai Pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) dengan menggunakan Stacked Bidirectional GRU dengan Manhattan Distance dan Cosine Similarity yang diterapkan untuk menilai jawaban esai bahasa Indonesia. Data yang digunakan pada sistem terdiri dari jawaban esai pelajar dan kunci jawaban dari pengajar. Sistem akan melalui tahapan pre-processing, word embedding, kemudian proses training, dan terakhir proses testing. Data sebelumnya diolah untuk dilakukan training terlebih dahulu dengan memberikan tujuh skenario pengujian agar memberikan selisih dan error yang rendah. Kedua jawaban akan diuji menggunakan dengan variasi hyperparameter sesuai dengan hasil terbaik dari seluruh skenario pengujian, kemudian diukur kemiripan hasil keduanya menggunakan dua jenis metrics yaitu, Manhattan Distance dan Cosine Similarity. Model menggunakan Cosine Similarity menghasilkan rata-rata nilai selisih 1.935 untuk fase training dan 8 untuk fase testing. Sedangkan Manhattan Distance menghasilkan selisih 1.887 untuk fase training dan 9.039 untuk fase testing.

---

This thesis discusses the design of an Automatic Essay Scoring System (SIMPLE-O) using Stacked Bidirectional GRU with Manhattan Distance and Cosine Similarity for Indonesian essay grading. The system utilizes a dataset consisting of student essay answers and corresponding teacher's answer key. The system goes through several stages including pre-processing, word embedding, training, and testing processes. The data is pre-processed and then trained using seven different testing scenarios to achieve low difference and low-error results. The system is evaluated using various hyperparameter settings based on the best results obtained from all testing scenarios. The similarity between the generated scores and the reference scores is measured using two metrics: Manhattan Distance and Cosine Similarity. The Cosine Similarity-based model achieved an average difference of 1.935 during the training phase and 8 during the testing phase. On the other hand, the Manhattan Distance-based model achieved an difference of 1.887 during the training phase and 9.039 during the testing phase."

"

Sektor transportasi adalah sektor konsumsi energi minyak terbesar dan penghasil emisi gas terbesar kedua di Indonesia. Untuk mengatasi hal ini, Pemerintah Indonesia mengeluarkan keputusan presiden untuk mobil listrik di Indonesia, yang menargetkan untuk mempercepat adopsi kendaraan listrik di Indonesia. Beberapa kendala akan dihadapi dalam mengadopsi kendaraan listrik di Indonesia, salah satunya adalah kesiapan stasiun pengisian kendaraan listrik. Dengan nilai investasi tinggi dan beragam teknologi pengisian memaksa pemerintah untuk dapat memilih teknologi yang tepat. Tujuan dari penelitian ini adalah untuk memilih alternatif terbaik untuk memberikan rekomendasi bagi pemerintah Indonesia dalam memilih jenis stasiun pengisian yang tepat untuk Indonesia. Untuk mencapai tujuan tersebut, model berbasis hirarki telah dikembangkan dengan mempertimbangkan sembilan kriteria dan tiga alternatif, yaitu bertukar baterai, induktif, dan konduktif. Penelitian ini menggunakan metode gabungan dari proses hierarki analitik (AHP) dan teknik untuk preferensi pesanan dengan kemiripan dengan solusi ideal (TOPSIS). Analisis mengungkapkan bahwa alternatif pengisian konduktif memegang peringkat pertama di antara semua alternatif yang dipertimbangkan.

 

---

The transportation sector is the largest oil energy-consuming sector and the second-largest emitter of gas emissions in Indonesia. To overcome this, the Government of Indonesia issued a presidential decree for electric cars in Indonesia, which targets to accelerate the adoption of electric vehicles in Indonesia. Several obstacles will be faced in adopting an electric vehicle in Indonesia, one of which is the readiness of an electric vehicle charging station. With a high investment value and a variety of charging technology forces the government to be able to choose the right technology. The objective of this research is to select the best alternative to provide recommendations for the Indonesian government in choosing the right type of charging station technology for Indonesia. In order to accomplish the aim, a hierarchy-based model has been developed by considering nine criteria and three alternatives, namely battery swapping, inductive, and conductive. This research uses the combined method of analytic hierarchy process (AHP) and technique for order preference by similarity to ideal solution (TOPSIS). Analysis reveals that the alternative, ‘Conductive Charging,’ holds the first rank among all considered alternatives.

 

"