Hasil Pencarian  ::  Simpan CSV :: Kembali

"Selama masa pandemi COVID-19, antarmuka suara menggunakan KWS (keyword spotting) semakin sering digunakan pada berbagai sistem elektronik karena minimnya kontak fisik yang diperlukan antarmuka ini. Salah satu sistem yang dapat menggunakan KWS adalah sistem navigasi lift, di mana KWS pada sistem tersebut akan mengenali kata kunci terkait lantai yang ingin dituju pengguna. Dalam penelitian ini, model KWS untuk sistem navigasi lift dibuat menggunakan CNN (Convolutional Neural Network) dan CRNN (Convolutional Recurrent Neural Network) untuk mengenali enam kata kunci spesifik. Selama proses pembuatannya, berbagai hyperparameter CRNN terkait implementasi GRU, batch normalization, dropout layer, optimizer, kernel size, dan batch size diuji pengaruh variasinya terhadap performa CRNN. Dari pengujian tersebut, ditemukan bahwa CRNN menunjukkan performa paling baik ketika GRU yang digunakan bersifat bidirectional dengan dua layer dan 64 hidden unit, kernel size sebesar 3x3, optimizer Adams, batch size sebesar 163, serta penerapan batch normalization layer sebelum dropout layer. Model CRNN yang diperoleh dari kombinasi hyperparameter terbaik kemudian dibandingkan dengan model CNN untuk dievaluasi performa klasifikasinya saat dijalankan pada Raspberry Pi 4B. Berdasarkan hasil akurasi, persentase penggunaan RAM, dan latensi, model CNN menunjukkan performa yang lebih baik daripada CRNN.

---

During the COVID-19 pandemic, voice interfaces using KWS (keyword spotting) are increasingly being used in various electronic systems due to the lack of physical contact required for this interface. One system that can use KWS is an elevator navigation system, where the KWS on the system will recognize keywords related to the floor the user wants to go to. In this study, the KWS model for the elevator navigation system was created using CNN (Convolutional Neural Network) and CRNN (Convolutional Recurrent Neural Network) to identify six specific keywords. During the manufacturing process, various CRNN hyperparameters related to GRU implementation, batch normalization, dropout layer, optimizer, kernel size, and batch size were tested for the effect of their variations on CRNN performance. From these tests, it was found that CRNN showed the best performance when the GRU used bidirectional with two layers and 64 hidden units, kernel size of 3x3, Adams optimizer, batch size of 163, and batch normalization layer applied before dropout layer. The CRNN model obtained from the best combination of hyperparameters is then compared with the CNN model to evaluate its classification performance when run on the Raspberry Pi 4B. Based on the results of accuracy, percentage of RAM usage, and latency, CNN model shows better performance than CRNN."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"ABSTRAKMengetahui mortality rate pada masa mendatang sangat dibutuhkan perusahaan asuransi jiwa untuk dapat menentukan besarnya premi yang harus dibayarkan kepada perusahaan tersebut. Dalam penelitian ini akan dilakukan peramalan tingkat mortalita di Indonesia dengan menggunakan Model Lee-Carter Klasik dan Model Lee-Carter Umum. Selanjutnya, pada model Lee-Carter klasik akan dilakukan estimasi parameter menggunakan 2 cara yang berbeda, cara pertama menggunakan metode Least Square dan Singular Value Decomposition SVD dan cara kedua menggunakan metode Least Square dan Newton Raphson. Sedangkan pada model Lee-Carter umum akan dilakukan estimasi parameter menggunakan metode Least Square dan metode Newton Raphson. Hasil dari estimasi parameter tersebut akan dibandingkan berdasarkan masing-masing model dan metode yang digunakannya. Selanjutnya, hasil estimasi parameter yang bergantung terhadap waktu akan digunakan dalam peramalan tingkat mortalita menggunakan metode Neural Network. Hasil peramalan berupa tabel tingkat mortalita di Indonesia pada masa mendatang.

---

ABSTRACT Knowing future mortality rate is needed by assurance company to decide the value of the premium which has to be paid by the company. this research will forecast the mortality rate in Indonesia by using classical Lee Carter Model and Umum Lee Carter model. Than Lee Carter classical model will be estimated the parameter by using two different mothod. First method is by using Singular Value Decomposition SVD and the second method is by using Least Square and Newton Raphson. The result of parameter estimation will be compared based on each model and method. Then, the result depends on time which will be used in mortality forecasting by using neural network. The result is a table about the mortality rate in the future."

"Peramalan tingkat morbiditas merupakan elemen yang penting bagi pemerintah dalam membuat kebijakan sosial-ekonomi di tahun-tahun mendatang. Begitu pun juga bagi perusahaan asuransi yang memerlukan tingkat morbiditas agar dapat menyediakan produk asuransi yang tepat sasaran di suatu wilayah atau negara. Pada penelitian ini, digunakan model Lee-Carter dalam meramalkan tingkat morbiditas tuberkulosis paru di Indonesia pada tahun 2022, menggunakan data tingkat morbiditas yang tersedia dari tahun 2014 hingga 2021, dan tersedia untuk tujuh kelompok umur, yaitu 0-14, 15-24, 25-34, 35-44, 45-54, 55-64, dan ≥65. Sumber data penelitian diambil dari Profil Kesehatan Indonesia Tahun 2018-2021 yang dirilis oleh Kementerian Kesehatan Republik Indonesia. Peramalan tingkat morbiditas melalui model Lee-Carter dimulai dengan mengestimasi nilai parameter pada model Lee-Carter menggunakan metode Least Square. Kemudian, dilakukan proyeksi nilai parameter yang bergantung waktu pada model Lee-Carter menggunakan metode Simple Moving Average (SMA), Double Moving Average (DMA), Simple Exponential Smoothing (SES), dan Holt’s Linear Trend (HLT). Dari hasil simulasi ditemukan bahwa metode terbaik untuk memproyeksi nilai parameter bergantung waktu untuk satu periode ke depan adalah metode Simple Exponential Smoothing (SES). Nilai proyeksi dari parameter yang diperoleh digunakan untuk menghitung nilai peramalan dari tingkat morbiditas. Hasil peramalan tingkat morbiditas tuberkulosis di Indonesia pada tahun 2022 menunjukkan terjadi penurunan untuk kelompok umur 0-14 tahun, 15-24 tahun, 35-44 tahun, dan 45-54 tahun, sedangkan untuk kelompok umur 25-34 tahun dan ≥65 tahun terjadi peningkatan.

---

Forecasting morbidity rates is an important element for the government in making socio-economic policies in the coming years. Likewise, insurance companies need morbidity rates in order to provide targeted insurance products in a region or country. In this study, the Lee-Carter Model was used to forecast the morbidity rate of pulmonary tuberculosis in Indonesia in 2022, using morbidity rate data available from 2014 to 2021, and available for seven age groups, namely 0-14, 15-24, 25-34, 35-44, 45-54, 55-64, and ≥65. The research data source was taken from the 2018-2021 Indonesian Health Profile released by the Ministry of Health of the Republic of Indonesia. Forecasting the morbidity rate through the Lee-Carter model begins with estimating the parameter values in the Lee-Carter model using the Least Square method. Then, time-dependent parameter values are projected on the Lee-Carter model using the Simple Moving Average (SMA), Double Moving Average (DMA), Simple Exponential Smoothing (SES), and Holt's Linear Trend (HLT). From the simulation results it was found that the best method for projecting time-dependent parameter values for one period into the future is the Simple Exponential Smoothing (SES) method. The projected values of the parameters obtained are used to calculate the forecasting value of the morbidity rate. The results of forecasting the tuberculosis morbidity rate in Indonesia in 2022 showed a decrease for the age groups 0-14 years, 15-24 years, 35-44 years, and 45-54 years, while for the age groups 25-34 years and ≥65 years there was an increase."

"Analisis sentimen adalah salah satu bidang dari Pemrosesan Bahasa Alami yang membangun sistem untuk mengenal opini dalam teks dan mengelompokkan ke dalam sentimen positif atau negatif. Banyak peneliti telah membangun model yang menghasilkan akurasi terbaik dalam melakukan analisis sentimen. Tiga diantaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU), yang merupakan bagian dari deep learning. CNN digunakan karena kemampuannya dalam mengekstrak fitur penting dalam penggalan kalimat, sedangkan LSTM dan GRU digunakan karena kemampuannya yang memiliki memori akan input yang telah diproses sebelumnya. GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM. Ketiga model tersebut dapat digabungkan menjadi model gabungan LSTM-CNN, CNN-LSTM, GRU-CNN, dan CNN-GRU. Penelitian sebelumnya telah membuktikan bahwa model gabungan tersebut memiliki akurasi yang lebih baik dibandingkan dengan model dasar LSTM, GRU, dan CNN. Implementasi model dilakukan pada data ulasan aplikasi berbahasa Indonesia. Hasilnya, didapatkan bahwa hampir seluruh model gabungan memiliki akurasi yang lebih baik dibandingkan dengan model dasar.

---

Sentiment analysis is one of the fields of Natural Language Processing that builds a system to recognize and extract opinion in the form of text into positive or negative sentiment. Nowadays, many researchers have developed methods that yield the best accuracy in performing analysis sentiment. Three particular models are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), which are part of deep learning architectures. CNN is used because of its ability to extract important features from each sentence fragment, while LSTM and GRU are used because of their ability to have a memory of prior inputs. GRU has a simpler and more practical structure compared to LSTM. These models can be combined into combined LSTM-CNN, CNN-LSTM, GRU-CNN, and CNN-GRU model. Former researches have proved that these models have better accuracy compared to standard models. This research is focused on the performance of all the combined LSTM-CNN, CNN-LSTM, GRU-CNN, CNN-GRU models and will be compared to the standard LSTM, GRU, CNN models. Implementation of the model is performed on a collection of application review data in Indonesian text. As a result, almost all of the combined models have better accuracy than the standard models."

"Analisis sentimen adalah studi komputasi yang bertugas mengelompokkan sentimen atau opini dari teks yang ada dalam dokumen, kalimat, atau pendapat ke kelas sentimen positif, negatif, atau netral. Terdapat banyak model deep learning yang terkenal untuk analisis sentimen, dua di antaranya adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), yang termasuk dalam Recurrent Neural Network (RNN). Bidirectional Gated Recurrent Unit (BiGRU) merupakan bagian dari Bidirectional Recurrent Neural Network (BiRNN) yang dapat bekerja secara dua arah dan memungkinkan untuk menangkap pola yang mungkin diabaikan oleh GRU. Untuk meningkatkan kinerja model menjadi lebih baik, beberapa peneliti mencoba menerapkan model hybrid dengan menggabungkan dua atau lebih model deep learning dasar. CNN memiliki keunggulan dalam mendapatkan fitur terpenting, sedangkan BiGRU dapat merepresentasikan kata dengan memperhatikan urutan dengan dua arah. Kedua model tersebut dapat digabungkan menjadi model CNN-BiGRU dan BiGRU-CNN. Implementasi kedua model dilakukan untuk data opini yang diambil dari Twitter mengenai tiga dompet digital, yaitu Gopay, OVO, dan ShopeePay. Hasil penelitian didapat bahwa kedua model memiliki kinerja yang berbeda untuk setiap dataset. Kemudian, didapat bahwa kedua model tersebut memiliki nilai akurasi dan f1 score yang tidak lebih tinggi dibandingkan model dasarnya.

---

Sentiment analysis is a computational study that is used to classify sentiments or opinions from texts in documents, sentences, or opinions into positive, negative, or neutral sentiment classes. There are many well-known deep learning models for sentiment analysis, two of which are the Convolutional Neural Network (CNN) and the Gated Recurrent Unit (GRU), which are included in the Recurrent Neural Network (RNN). The Bidirectional Gated Recurrent Unit (BiGRU) is part of the Bidirectional Recurrent Neural Network (BiRNN) which can work in both directions and allows for capturing patterns that the GRU might ignore. To improve model performance, some researchers are trying to implement a hybrid model by combining two or more basic deep learning models. CNN has the advantage of getting the most important features, while BiGRU can represent words by paying attention to the order in two directions. The two models can be combined into CNNBiGRU and BiGRU-CNN models. The implementation of the two models is used for opinion data taken from Twitter regarding three digital wallets, namely Gopay, OVO, and ShopeePay. The results showed that the two models have different performances for each dataset. Then, it was found that both models have an accuracy value and an f1 score that is not higher than the basic model."

"Artificial Intelligence (AI) telah berkembang sangat pesat sehingga sudah sering terlihat dan digunakan secara umum oleh masyarakat. Salah satu jenis AI yang sering digunakan adalah speech recognition terutama keyword spotting yang disebabkan karena pandemi COVID-19. Implementasi keyword spotting dapat diterapkan pada lift sebagai sistem navigasi agar para pengguna lift tidak perlu melakukan kontak pada tombol, melainkan dapat menggerakkan lift hanya dengan mengucapkan lantai yang dituju. Metode untuk melakukan implementasi keyword spotting pada sistem lift dapat dilakukan dengan banyak metode, namun pada skripsi ini, metode yang diujikan adalah CNN (Convolutional Neural Network) dan MHAtt RNN (Multihead Attention Recurrent Neural Network). Penelitian yang dilakukan memiliki batasan untuk setiap metode agar dapat melakukan klasifikasi enam keyword dan melihat performa kedua metode dalam berbagai skenario yang dapat terjadi dalam lift. Dalam pembentukan model dari MHAtt RNN, dapat diketahui bahwa model memiliki performa terbaik ketika dibentuk dengan jumlah head untuk attention sebesar 8 dan LSTM dengan jumlah unit sebanyak 32. Pelatihan pada model dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0.001 dan decay 0.005 agar pelatihan dapat menghasilkan model yang paling baik. Setelah melakukan pengujian pada berbagai skenario yang dapat terjadi di dalam sebuah lift, didapatkan hasil bahwa secara keseluruhan model CNN memiliki performa yang lebih baik dibandingkan model MHAtt RNN karena memiliki nilai F1-score dan precision yang lebih tinggi.

---

Artificial Intelligence (AI) has grown so rapidly that it has often been seen and used in general by the public. One type of AI that is often used is speech recognition, especially keyword spotting caused by the COVID-19 pandemic. The implementation of keyword spotting can be applied to elevators as a navigation system so that elevator users do not need to make contact with buttons but can move the elevator just by saying the intended floor. There are many methods to implement keyword spotting in elevator systems, but in this thesis, the methods tested are CNN (Convolutional Neural Network) and MHAtt RNN (Multihead Attention Recurrent Neural Network). The research conducted has limitations for each method in order to be able to classify six keywords and see the performance of both methods in various scenarios that can occur in an elevator. In forming the model from MHAtt RNN, it can be seen that the model has the best performance when it is formed with the number of heads for attention of 8 and the LSTM with the number of units of 32. The training on the model is carried out using the Adam optimizer with a learning rate of 0.001 and a decay of 0.005 so that the training can produce the best models. After testing on various scenarios that can occur in an elevator, the results show that the CNN model overall has better performance than the MHAtt RNN model because it has a higher F1-score and precision."

"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.

---

Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."