Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem Ekstraksi Informasi merupakan rangkaian proses untuk mendapatkan informasi dari suatu teks. Salah satu proses dalam Sistem Ekstraksi Informasi adalah Template Relation. Template relation bertugas mengenali relasi antar entitas bernama seperti person, organization, position, dan location. Penelitian ini bertujuan mengembangkan sistem pengenalan relasi antara dua entitas (person-organization, organization-position, position-person) dan relasi antara tiga entitas (personorgnization- position). Pendekatan yang digunakan adalah machine learning dengan model ruang vektor. Pada pendekatan ini terdapat dua proses, yaitu proses training untuk pelatihan sistem dan proses testing untuk pengenalan sistem. Proses training menghasilkan pola-pola relasi untuk digunakan sistem pada tahap testing. Pada proses testing dicari nilai kesamaan (similarity coefficient) dari pasangan entitas pada dokumen testing dengan pola-pola relasi yang dihasilkan sebelumnya. Suatu pasangan entitas bernama dikatakan berhubungan atau berelasi jika nilai kesamaannya berada di atas nilai ambang (threshold). Uji coba menggunakan 120 dokumen yang berasal dari media masa online berbahasa Indonesia (www.kompas.com dan www.republika.co.id). 60 dokumen diantaranya digunakan sebagai dokumen training dan sisanya digunakan sebagai dokumen testing. Hasil uji coba sistem dapat mengenali relasi antar entitas pada teks dokumen dengan nilai F-measure sebesar 76,2% untuk relasi person-organization , 84,5% untuk relasi organization-position, 74,5% untuk relasi position-person, dan Fmeasure sebesar 74,9% pada relasi person-organization-position."

"Artificial Intelligence (AI) model Machine Learning (ML) merupakan perkembangan teknologi yang memiliki potensi untuk berperan sebagai pengambil keputusan dalam kehidupan manusia. Teknolgi harus dijaga agar memberikan dampak positif dalam kehidupan masyarakat sesuai amanat dalamPasal 28C UUD 1945. Pemerintah yang memiliki kewajiban untuk memenuhi hal tersebut. Tujuan dari penelitian ini untuk menganalisa pengaturan terkait AI model ML terkait penggunaan dan pemanfaatan di Indonesia. Penelitian ini juga akan menganlisa peraturan hukum Indonesia dalam melingkupi prinsip Ethical and trustworty AI dalam penyelenggaraan AI model ML. Kemudian penelitian inijuga mengalisa bentuk pertanggunjawaban hukum terkait AI di Indonesia. Metode yang digunakan dalam penelitian ini adalah penelitian yuridis normatif dengan pendekatan kualitif yang bersifat exploratoris. Hasil dari penelitian ini menunjukan Indonesia memiliki sisnas IPTEK untuk mencapai tujuan Pasal 28C UUD 1945. AI yang tergolong dalam sistem elektronik, menjadikan tunduk padaaturan terkait penyelenggaraan sistem elektronik dalam UU ITE. Utilitarian purposes yang melekat pada teknologi AI membuat perlindungan kekayaan intelektual berada dalam perlindungan Paten. Ethical dan trustworthy pada AIdapat dikrucutkan kedalam 5 prinsip utama dalam penggunaan dan pemanfaatan AI dalam industri. Prinsip tersebut adalah Keaman dan Keselamatan, Privasi, Keadilan, Transparansi serta Akuntabilitas. Prinsip ini telah tertanggulangi dalam prinsip dalam strategi nasional kecerdasan Artifisial. Pemenuhan standar produk AI dan Kode Etik yang mengadopsi prinsip ethical and trustworthy AI diperlukan dalam peraturan hukum di Indonesia saat ini. Berdasarkan peraturan yang ada, pertanggungjawaban dalam penyelenggaraan Sistem Elektronik, termasuk AI, menerapkan prinsip praduga bersalah. Besarnya risiko pada AI membuatnya termasuk kedalam dengerous activities, sehingga perlu diterapkan strict liability.

---

Artificial Intelligence (AI) Machine Learning (ML) model is a technologicaldevelopment that has the potential to be a decision maker in human life. According to the article 28C of the UUD 1945, technology must be maintained to has a positive impact on people's lives. Government has the obligation to fulfill this. The purpose of this research is to analyze regulations related to AI model ML about its use and utilization in Indonesia. This research will also analyze Indonesian regulations covering principles of Ethical and trustworthiness of AI in implementation of AI model ML. Then this reasearch also analyzes forms of legal liabiility related to AI in Indonesia. Analysis method used a normative juridical research with a qualitative approach. The results show that Indonesia has Sisnas IPTEK to achieve a possitive impact. AI is classified as an electronic system, making it subject to rules related to the implementation of electronic systems in UU ITE. AI being protect by Paten, because of utilitarian purposes attached to it.

Ethical and trustworthy of AI can be narrowed down into 5 main principles. These are Security and Safety, Privacy, Fairness, Transparency and Accountability. They have been addressed in Stragtegi Nasional Kecerdasan Artifisial. Current regulations require product standard and Code of Ethics that adopts ethical and trustworthy principles of AI. Based on existing regulations, legal liability in operation of Electronic Systems, including AI, applies the presumption of guilt.

Big risk in AI makes it included in dengerous activities, so it is necessary to applystrict liability."

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"Pada suatu sistem transportasi pintar (intelligent transportation system), pendeteksian jalan memiliki peran yang sangat penting untuk membuat sebuah Driving Assistance System (DAS) yang dapat membantu pengemudi saat berkendara dan juga pada kebutuhan Fully Autonomous Self-Driving Vehicle. Transportasi pintar dapat mengenali lingkungan terutama melihat kondisi jalan berkat beberapa sensor yang digunakan salah satunya adalah kamera yang memiliki informasi yang lebih banyak untuk diolah dalam bidang computer vision. Oleh karena itu, penelitian ini memanfaatkan penggunaan kamera secara penuh untuk mendeteksi jalan kemudian melakukan eksperimen kemudi otomatis pada differential drive robot. Penelitian ini diawali dengan membandingkan berbagai macam jenis metode pendeteksi jalan menggunakan traditional programming dan machine learning kemudian mendesain metode pendeteksi yang baru bernama Vertical Object Detection. Metode ini diujikan pada sebuah video berdurasi dua menit yang meliputi jalan dengan marka tepi yang jelas maupun tidak pada lintasan lurus dan berbelok dengan keberhasilan pendeteksian sebesar 95% dengan durasi pendeteksian sebesar 23 ms pada sebuah single board computer Jetson Nano. Selanjutnya, penelitian ini melakukan perancangan mengenai kecepatan dan arah kemudi yang harus diberikan pada robot dengan mempertimbangkan hasil pengukuran objek yang sebenarnya menggunakan single camera yang dipasang pada posisi yang tetap. Pengujian sistem kemudi otonom dilakukan pada dua buah arena yang memiliki skenario yang sesuai dengan kondisi yang dihadapi oleh pengemudi, yaitu pada jalan satu arah dan dua arah. Pada jalan satu arah, robot diuji untuk bergerak pada jalan lurus dan berbelok dengan radius yang berbeda. Pada jalan dua arah, robot diuji untuk dapat berjalan pada lajur kiri atau kanan dengan memperhatikan posisinya terhadap batas jalan berdasarkan hasil pengukuran jarak yang dilakukannya.

---

In an intelligent transportation system, road detection has a very important role to create a Driving Assistance System (DAS) that can help drivers while driving and for the needs of Fully Autonomous Self-Driving Vehicles. Smart transportation can recognize the environment, especially seeing road conditions due to the use of several sensors, one of which is a camera that has more information to be processed in the field of computer vision. Therefore, this study utilizes the full use of cameras to detect roads and then conduct experiments on autonomous driving systems on differential drive robots. This research begins by comparing various types of road detection methods using traditional programming and machine learning and then designing a new detection method called Vertical Object Detection. This method was tested on a two-minute video that includes roads with marked and unmarked edges on a straight and turning road with 95% of success rate that only took 23 ms for a single detection on a single board computer Jetson Nano. Furthermore, this study designs the speed and direction of the steering that must be given to the robot by considering the results of measuring the actual object using a single camera mounted in a fixed position. Testing of the autonomous driving system was carried out in two arenas which had scenarios that matched with the conditions faced by the driver, that is one-way and two-way roads. On a one-way road, the robot is tested to move on a straight and turn with different turning radius. On a two-way road, the robot is tested to be able to walk on the left or right lane by paying attention to its position against the road boundary based on the results of th"