Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Densely Connected Convolutional Networks (DenseNet) merupakan salah satu model arsitektur Deep Learning yang menghubungkan setiap layer beserta feature-maps ke seluruh layer berikutnya, sehingga layer berikutnya menerima input feature-maps dari seluruh layer sebelumnya. Karena padatnya arsitektur DenseNet meyebabkan komputasi model memerlukan waktu lama dan pemakaian memory GPU yang besar. Penelitian ini mengembangkan metode optimisasi DenseNet menggunakan batching strategy yang bertujuan untuk mengatasi permasalahan DenseNet dalam hal percepatan komputasi dan penghematan ruang memory GPU. Batching strategy adalah metode yang digunakan dalam Stochastic Gradient Descent (SGD) dimana metode tersebut menerapkan metode dinamik batching dengan inisialisasi awal menggunakan ukuran batch kecil dan ditingkatkan ukurannya secara adaptif selama training hingga sampai ukuran batch besar agar terjadi peningkatan paralelisasi komputasi untuk mempercepat waktu pelatihan. Metode batching strategy juga dilengkapi dengan manajemen memory GPU menggunakan metode gradient accumulation. Dari hasil percobaan dan pengujian terhadap metode tersebut dihasilkan peningkatan kecepatan waktu pelatihan hingga 1,7x pada dataset CIFAR-10 dan 1,5x pada dataset CIFAR-100 serta dapat meningkatkan akurasi DenseNet. Manajemen memory yang digunakan dapat menghemat memory GPU hingga 30% jika dibandingkan dengan native DenseNet. Dataset yang digunakan menggunakan CIFAR-10 dan CIFAR-100 datasets. Penerapan metode batching strategy tersebut terbukti dapat menghasilkan percepatan dan penghematan ruang memory GPU.

---

ABSTRACT
Densely Connected Convolutional Networks (DenseNet) is one of the Deep Learning architecture models that connect each layer and feature maps to all subsequent layers so that the next layer receives input feature maps from all previous layers. Because of its DenseNet architecture, computational models require a long time and use large GPU memory. This research develops the DenseNet optimization method using a batching strategy that aims to overcome the DenseNet problem in terms of accelerating computing time and saving GPU memory. Batching strategy is a method used in Stochastic Gradient Descent (SGD) where the technique applies dynamic batching approach with initial initialization using small batch sizes and adaptively increased size during training to large batch sizes so that there is an increase in computational parallelization to speed up training time. The batching strategy method is also equipped with GPU memory management using the gradient accumulation method. From the results of experiments and testing of these methods resulted in an increase in training time speed of up to 1.7x on the CIFAR-10 dataset and 1.5x on the CIFAR-100 dataset and can improve DenseNet accuracy. Memory management used can save GPU memory up to 30% when compared to native DenseNet. The dataset used uses CIFAR-10 and CIFAR-100 datasets. The application of the batching strategy method is proven to be able to produce acceleration and saving of GPU memory.

Abstrak :
Diabetes mellitus merupakan salah satu penyakit tidak menular dengan angka kematian tertinggi di dunia. Hal ini terjadi karena tingginya resiko komplikasi yang disebabkan pernyakit tersebut. Salah satu cara pencegahan yang dapat dilakukan adalah dengan melakukan pendeteksian lebih awal, salah satunya dengan menggunakan metode iridologi. Metode ini dapat mendeteksi kerusakan organ tubuh melalui tanda-tanda yang muncul pada iris. Dengan menggunakan metode tersebut penelitian ini dilakukan untuk mengklasifikasi penyakit diabetes menggunakan Convolutional Neural Network. Sistem ini mengevaluasi sebanyak 35 subjek normal dan 14 subjek diabetes. Adapun beberapa tahapan yang dilakukan untuk mengelola citra, di antaranya filtering, grayscaling, normalisasi, segmentasi, dan klasifikasi. Selain itu, sistem ini juga melakukan berbagai variasi untuk memperoleh konfigurasi terbaik, seperti variasi citra segmentasi dan tanpa segmentasi, variasi lebar iris, variasi bagian-bagian pankreas, variasi jumlah k-fold, dan variasi algoritma pengoptimalan menggunakan SGDM, Adam dan RMSProp. Sistem ini memperoleh akurasi sebesar 96,43% dengan variasi citra tanpa segmentasi berukuran  piksel menggunakan algoritma Adam dengan learning rate 0,001.

---

Diabetes mellitus is one of the uncontagious diseases with the highest mortality rate in the world. This happens because of the high risk of complications caused by this disease. One of the preventative ways is to do early detection, one of which is by using the iridology method. This method detects damage to the body's organs through the signs that appear on the iris. Using that method, this study was conducted to classify diabetes using Convolutional Neural Network. This system evaluates 35 normal subjects and 14 diabetes subjects. Several steps are taken to process the image, such as filtering, grayscaling, normalization, segmentation, and classification. Other than that, this system also performs various variations to obtain the best configuration, such as variations in image segmentation and without segmentation, variations in iris width, variations in parts of the pancreas, variations in the number of k-fold, and variations in optimization algorithms using SGDM, Adam and RMSProp. This system obtained an accuracy of 96.43% with variations image without segmentation size pixel using Adam's algorithm with a learning rate of 0.001.

Abstrak :
Hampir separuh dunia bergantung pada makanan yang berasal dari laut sebagai sumber protein utama. Di Pasifik Barat dan Tengah 60% dari ikan tuna ditangkap secara illegal, tidak dilaporkan, dan tidak diatur dengan regulasi dapat mengancam ekosistem laut, pasokan ikan global, dan mata pencaharian lokal. Salah satu solusi yang dapat dilakukan adalah dengan menggunakan kamera keamanan untuk menangkap gambar aktivitas kapal. Pada penelitian ini akan dibuat sistem untuk mengklasifikasi jenis ikan yang ditangkap dari gambar kamera keamanan kapal tersebut. Sistem ini menggunakan model transfer learning yang sudah dilakukan fine tuning dan dilatih menggunakan dataset yang disediakan oleh The Nature Conservancy. Dari penelitian ini didapatkan performa terbaik dengan akurasi 98.19% menggunakan model EfficientNetV2L dan optimizer Stochastic Gradient Descent (SGD) dengan learning rate 1e-4, momentum 0.9, weight decay 1e-6, dan split ratio training testing 80/20. Dengan sistem ini pengolahan data untuk menghitung jumlah penangkapan ikan berdasarkan spesies akan lebih efisien. ......Almost half of the world depends on food that comes from the sea as the main source of protein. In the West and Central Pacific 60% of tuna fish are caught illegally, unreported and unregulated, threatening marine ecosystems, global fish supplies and local livelihoods. One possible solution is to use a security camera to capture images of ship activity. In this study a system will be created to classify the types of fish caught from the ship's security camera images. This system uses a transfer learning model that has been fine tuned and trained using the dataset provided by The Nature Conservancy. From this study, the best performance was obtained with an accuracy of 98.19% using the EfficientNetV2L model and the Stochastic Gradient Descent (SGD) optimizer with a learning rate of 1e-4, momentum of 0.9, weight decay of 1e-6, and split ratio training testing of 80/20. With this system, data processing to calculate the amount of fish caught by species will be more efficient.

Abstrak :
ABSTRAK
Di tengah persaingan e-commerce di Indonesia yang semakin ketat, membuat perusahaan e-commerce dituntut dapat bersaing dalam memberikan nilai tambah layanan bagi pelanggannya agar dapat meningkatkan jumlah pelanggan dan disertai dengan angka pemesanan yang meningkat juga. Hal ini juga berlaku bagi e-commerce dalam industri pariwisata, salah satunya Triptrus. Salah satu tantangan yang dihadapi Triptrus adalah untuk meningkatkan angka conversion rate. Salah satu cara peningkatan angka conversion rate adalah pemberian fitur rekomendasi produk. Penelitian ini bertujuan untuk mencari metode yang dapat memberikan rekomendasi terbaik yang pada akhirnya bertujuan agar dapat meningkatkan angka conversion rate dari Triptrus yang masih rendah. Pada penelitian ini dilakukan pencarian metode rekomendasi yang terbaik disesuaikan dengan data internal yang dimiliki Triptrus. Penelitian ini bermula dari pengumpulan data internal untuk kemudian dibangum model rekomendasi menggunakan beberapa metode. Metode yang digunakan dalam penelitian ini diantaranya collaborative filtering, content based filtering, Hybrid Filtering dan stochastic gradient descent. Berdasarkan hasil penelitian, metode collaborative filtering, content based, dan hybrid kurang mampu memberikan rekomendasi yang cukup baik terhadap data Triptrus. Hasil terbaik dari ketiga metode ini didapatkan metode hybrid dengan nilai error RMSE 0.71. Di sisi lain algoritma stochastic gradient descent dapat memberikan rekomendasi paling baik dan memberikan ratio error RMSE paling kecil yaitu 0.11. Hasil penelitian ini adalah model rekomendasi produk yang dapat memberikan rekomendasi terbaik berdasarkan data internal Triptrus yaitu model yang dihasilkan menggunakan metode stochastic gradient descent.

---

ABSTRACT
Indonesian e commerce markets are getting more tight. This condition forces e commerce companies to provide value added services for their customer in order to increase numbers of customer, which also followed by increasing number of purchases. This also happened in tourism e commerce company, Triptrus. The challenge that triptrus faces is how to increase their conversion rates. One way to increase the number of conversion rate is the provision of a product recommendation feature. The purpose of this research is to find the best recommendation method that can improve conversion rate in Triptrus. In this research we looked for the best recommendation method that adapted to internal data of Triptrus. This research started with gathering internal data that followed by build recommendation based on several methods. Methods that used in this research are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Based on the research result, collaborative filtering, content based, and hybrid lack of capability to give good recommendation. The best result from these three methods is hybrid with an error 0.71. In the other side stochastic gradient descent could gave best recommendation with smallest error ratio RMSE at 0.11. The result of this research is recommendation model that can give best recommendation adapted to Triptrus internal data. Best recommendation model is model that generated by stochastic gradient descent.

Abstrak :
E-learning Management Systems (EMAS) merupakan aplikasi pembelajaran jarak jauh Universitas Indonesia yang memiliki berbagai fitur untuk membantu pendidik dalam proses perkuliahan. Dalam pembelajaran jarak jauh, perilaku mahasiswa memiliki peran penting dalam meningkatkan proses pembelajaran yang berpengaruh pada kelulusan mahasiswa. Pada tugas akhir ini Recurrent Neural Network (RNN) dengan 1 input layer, 1 hidden layer, dan 1 output layer digunakan untuk memprediksi perilaku mahasiswa pada mata kuliah daring X di EMAS, dimana perilaku tersebut berupa aktivitas mahasiswa di EMAS seperti menjawab pertanyaan dalam forum diskusi, melihat berkas pembelajaran dan aktivitas lainnya. Sebelum dilakukan implementasi model RNN, ditentukan terlebih dahulu perilaku mahasiswa yang paling berpengaruh terhadap kelulusan mahasiswa menggunakan feature selection, yaitu Recursive Feature Elimination Random Forest (RFE-RF). Hasil RFE-RF terdapat 3 fitur yang terpilih yaitu Course View (CV), File View (FV) dan Discussion Viewed (DV). Implementasi Model RNN menggunakan optimizer function yaitu Stochastic Gradient Descent (SGD) dan performa model ditentukan berdasarkan Mean Square Error (MSE). Implementasi RNN dilakukan dengan 2 skenario berbeda, yaitu skenario data 75 hari pertama dan skenario data 115 hari. RNN model terbaik menggunakan data 75 hari pertama adalah model dengan jumlah nodes pada input layer, hidden layer, dan output layer secara berturut- turut sebanyak 1, 10 dan 1 dengan 500 epoch, learning rate 0,01, dan perbandingan data training dan data testing adalah 60%: 40%. Nilai MSE untuk fitur CV 0,00055, untuk fitur FV 0,00051 dan fitur DV sebesar 0,00019. Model RNN terbaik menggunakan data 115 hari menghasilkan nilai MSE untuk fitur CV 0,00054, fitur FV 0,00041 dan fitur DV 0,00027. ......E-learning Management Systems (EMAS) is an online learning application from the University of Indonesia with various features to help educators in the lecture process. In online learning, student behavior is important in improving the learning process that affects final student scores. In this final task, Recurrent Neural Network (RNN) with one input layer, one hidden layer, and one output layer is used to predict student behavior in online course X in EMAS. The behavior is student activity in EMAS, such as answering questions in discussion forums, viewing learning files, and other activities. Before implementing the RNN model, the behavior of students who have the most influence on final student scores is determined in advance using feature selection, namely Recursive Feature Elimination Random Forest (RFE-RF). RFE-RF results there are three features selected, namely Course View (CV), File View (FV), and Discussion Viewed (DV). The implementation of the RNN Model using optimizer function stochastic gradient descent (SGD) and the model's performance is determined based on Mean Square Error (MSE). RNN implementation is divided into two different scenarios, the first 75-days data scenario, and the 115-days data scenario. The best RNN models using the first 75 days of data are models with the number of nodes on the input layer, hidden layer, and output layers respectively as much as 1, 10, and 1 with 500 epoch, learning rate 0,01, and comparison of training data and testing data is 60%: 40%. The MSE value for the CV features is 0,00055, FV feature is 0,00051 and DV feature is 0,00019. The best RNN models using 115 days of data generate MSE values for the CV features, which are 0,00054, FV features are 0,00041, and DV features are 0,00027.