Hasil Pencarian  ::  Simpan CSV :: Kembali

"Machine Reading Comprehension (MRC) merupakan salah satu task di bidang natural language processing (NLP) dimana mesin memiliki tugas untuk membaca secara komprehensif dari sebuah bacaan (passage) yang diberikan agar dapat menjawab pertanyaan terkait. Metode terkini untuk mengautomasi MRC menggunakan deep learning dengan memanfaatkan pretrained language models (PLMs) berbasis BERT. Dalam menangani kasus MRC sumber daya rendah, digunakan PLM multilingual seperti XLM-R. Namun PLM multilingual memiliki masalah untuk bahasa sumber daya rendah yaitu: bahasa sumber daya rendah yang tidak terepresentasi dengan baik, imperfect cross-lingual embeddings alignment dan instabilitas ketika di fine-tuning pada data berukuran kecil. Penelitian ini mengusulkan beberapa strategi fine-tuning dan metode pembentukan data augmentasi untuk meningkatkan kinerja MRC dibahasa sumber daya rendah. Strategi fine-tuning yang diusulkan adalah 2-step fine-tuning dan mixed fine-tuning. Untuk metode pembentukan data augmentasi yaitu dengan penggunaan data asli, pengaplikasian model machine translation dan perturbasi code-switching. Hasil eksperimen menunjukkan, untuk dataset FacQA (Bahasa Indonesia) dan UIT-ViQuAD (Bahasa Vietnam) diperoleh strategi terbaik dengan kombinasi strategi penggunaan data asli dan metode 2-step finetuning dimana menghasilkan peningkatan kinerja sebesar 3.858%, 2.13% secara berurutan. Untuk dataset FQuAD (Bahasa Prancis), strategi terbaik diperoleh de- ngan kombinasi strategi pembentukan data perturbasi code-switching dan metode mixed fine-tuning dimana menghasilkan peningkatan kinerja sebesar 1.493%.

---

Machine Reading Comprehension (MRC) is one of the tasks in the field of natural language processing (NLP) where the machine has the task of reading comprehensively from a given passage in order to answer related questions. The latest method for automating MRC uses deep learning by utilizing pretrained language models (PLMs) based on BERT. For handling low-resource MRC, multilingual PLMs such as XLM-R are used. However, multilingual PLM has problems for low resource languages: low resource languages that are underrepresented, imperfect cross-lingual embeddings alignment and instability when finetuned on small data.This study proposes several fine-tuning strategies and data augmentation generation methods to improve lowresource languages MRC performance. The proposed fine-tuning strategies are 2-step fine-tuning and mixed fine-tuning. For the method of form- ing augmented data, namely by using data original model, application of machine translation and code-switching pertubation to optimize cross-lingual embeddings alignment in multilingual PLM. The experimental results show that for the FacQA (Indonesian) and UIT-ViQuAD (Vietnamese) datasets, the best strategy is obtained by combining the strategy of using original data and the 2-step fine-tuning method which results in an performance improvement of 3.858%, 2.13%, respectively. For the FQuAD dataset (French), the best strategy was obtained by a combination of code-switching perturbation strategy and mixed fine-tuning method which resulted in an performance improvement of 1.493%. "

"Pneumonia adalah penyakit pada organ pernafasan manusia. Pneumonia disebabkan oleh bakteri, virus, atau jamur, yang menyebabkan alveolus pada paru-paru terisi oleh cairan. Ada beberapa cara untuk pendeteksian pneumonia, dan salah satunya adalah dengan menggunakan pemotretan x-ray ke dada pasien. Melalui beberapa studi, penggunaan pemrosesan gambar pada gambar x-ray dada pasien dengan algoritma Convolutional Neural Network (CNN) telah mendapatkan hasil yang cukup baik untuk mendeteksi pneumonia. Dengan studi terdahulu sebagai acuan, penelitian ini melakukan klasifikasi pneumonia melalui gambar x-ray menjadi positif dan negatif, serta melakukan klasifikasi lebih lanjut dari pneumonia positif untuk membedakan pneumonia yang disebabkan oleh bakteri dan oleh virus. Penelitian juga berfokus untuk mencari metode pengoptimalan transfer learning terbaik menggunakan pretrained CNN model Residual Nework (ResNet) dengan jenis ResNet18, ResNet50, dan ResNet101. Metode dengan hasil terbesar dari penelitian adalah penerapan dropout dan augmentasi data sekaligus pada ResNet50 yang mendapatkan akurasi 91% untuk klasifikasi dua kelas 88,03% untuk klasifikasi tiga kelas.

---

Pneumonia is a respiratory disease that could be caused by bacteria, virus, or fungus. Some of the proven method to detect pneumonia is through x-ray imaging of a person respiratory system. Studies of x-ray images processing using Convolutional Neural Network (CNN) has been conducted before with a good performance result. This research will use preceding studies as reference to classify x-ray image into positive or negative pneumonia, and further will classify the positive result into bacterial infection or viral infection. This research also focused on finding the best optimization transfer learning method to be used on pretrained CNN model ResNet. The best optimization result is to apply data augmentation to dataset and apply dropout layer in the CNN layer using ResNet50, with accuracy of 91% for 2-Class training and 88,03% for 3-Class training."