Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tugas Akhir ini menelaah least square adversarial autoencoder yang menggunakan least square generative adversarial network sebagai diskriminatornya. Diskriminator tersebut meminimalkan fungsi Pearson χ 2 divergence antara distribusi variabel laten dan suatu distribusi apriori. Adanya diskriminator memungkinkan autoencoder untuk membangkitkan data yang memiliki karakteristik yang menyerupai sampel pembelajarannya. Penelitian ini dilakukan dengan membuat program yang memodelkan least square adversarial autoencoder. Program memodelkan dua jenis autoencoder yaitu unsupervised least square adversarial autoencoder dan supervised least square adversarial autoencoder dengan memanfaatkan dataset MNIST dan FashionMNIST. Unsupervised least square adversarial autoencoder menggunakan variabel laten berdimensi 20 sementara supervised least square adversarial autoencoder menggunakan variabel laten masing-masing berdimensi 2, 3, 4, dan 5. Program diimplementasikan menggunakan framework PyTorch dan dieksekusi menggunakan Jupyter Notebook. Seluruh aktivitas pemrograman dilakukan pada environment cloud yang disediakan oleh Floydhub dan Tokopedia-UI AI Center yang masing-masing menggunakan GPU NVIDIA Tesla K80 dan NVIDIA Tesla V100 sebagai perangkat komputasinya. Proses pembelajaran pada unsupervised least square adversarial autoencoder berlangsung selama dua jam sementara pada supervised least square adversarial autoencoder berlangsung selama enam jam. Berdasarkan hasil eksperimen, nilai mean squared error unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 0.0063 dan 0.0094. Sementara itu, nilai mean squared error supervised least square adversarial autoencoder pada dataset MNIST sebesar 0.0033. Selanjutnya, nilai Frechet Inception Distance unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 15.7182 dan 38.6967. Sementara itu, nilai Frechet Inception Distance supervised least square adversarial autoencoder pada dataset MNIST sebesar 62.512. Hasil tersebut menunjukkan bahwa least square adversarial autoencoder mampu merekonstruksi citra dengan baik, namun kurang mampu membangkitkan citra dengan kualitas sebaik sampel pembelajarannya. ......This Final Project (Tugas Akhir) investigates the least square adversarial autoencoder that uses least square generative adversarial network as its discriminator. The discriminator minimizes the Pearson χ 2 divergence between the latent variable distribution and the prior distribution. The presence of discriminator allows the autoencoder to generate data that has characteristics that resemble the original data. Python programs were developed to model the least square adversarial autoencoder. This programs try to model two types of autoencoder namely unsupervised least square adversarial autoencoder and supervised least square adversarial autoencoder by utilizing MNIST dataset and FashionMNIST dataset. The unsupervised least square adversarial autoencoder uses latent variables of dimension 20 while the supervised least square adversarial autoencoder uses latent variables with dimensions of 2, 3, 4, and 5, respectively. This programs were implemented using PyTorch and executed using Jupyter Notebook. All of the programming activities are carried out in the cloud environment provided by Floydhub and Tokopedia-UI AI Center, respectively using NVIDIA Tesla K80 GPU and NVIDIA Tesla V100 GPU as their computing resource. Training time in unsupervised least square adversarial autoencoder lasts for two hours while in supervised least square adversarial autoencoder lasts for six hours. The Results of experiments show that the mean squared error of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 0.0063 and 0.0094, respectively. Meanwhile, the mean squared error of supervised least square adversarial autoencoder for MNIST dataset is 0.0033. Furthermore, the Frechet Inception Distance scores of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 15.7182 and 38.6967, respectively. Meanwhile, the value of Frechet Inception Distance score of supervised least square adversarial autoencoder in MNIST dataset is 62.512. These results indicate that the least square adversarial autoencoder is able to reconstruct the image properly, but is less able to generate images with the same quality as the learning sample.

Abstrak :
Self-regulated learning adalah keterampilan seseorang untuk belajar dengan menggunakan kemampuannya untuk mencapai tujuan tertentu. Beberapa penelitian menunjukkan penerapan keterampilan self-regulated learning dapat meningkatkan kinerja belajar. Penelitian ini bertujuan untuk mengembangkan aplikasi yang digunakan untuk memfasilitasi keterampilan self-regulated learning pelajar dengan pendekatan User-Centered Design. Tahap penelitian terdiri dari perumusan masalah, pengembangan aplikasi, evaluasi aplikasi, dan penarikan kesimpulan. Aplikasi yang dikembangkan berbasis Android dengan mengacu pada high-fidelity design dari hasil penelitian terdahulu. Aplikasi yang dikembangkan dievaluasi dengan metode diary study dan penilaian System Usability Scale. Pada penelitian ini, responden diary study dibagi menjadi kelompok kontrol dan eksperimental. Kelompok kontrol diminta untuk mengikuti skenario penggunaan aplikasi sedangkan kelompok eksperimental diberi kebebasan untuk menggunakan aplikasi. Berdasarkan pemetaan respons evaluasi, ditemukan bahwa responden dari kelompok kontrol lebih banyak menemukan masalah usability daripada mengungkapkan pengalaman positif. Sementara itu, banyak responden dari kelompok eksperimental yang memberi pendapat mengenai manfaat aplikasi pada proses belajar. Penelitian ini mengungkapkan masalah usability baru pada desain yang tidak ditemukan di penelitian sebelumnya. Dari pemetaan hasil evaluasi dan nilai System Usability Scale, diperoleh rekomendasi perbaikan dan saran untuk pengembangan aplikasi di masa depan. ......Self-regulated learning is a person's skill to learn by using their abilities to achieve certain goal. Several studies have shown that implementation of self-regulated learning skills can improve learning performance. This study aims to develop an application to facilitate students' self-regulated learning skills using User-Centered Design approach. The research phase consists of problem formulation, application development, application evaluation, and conclusions. The application is developed for Android device, based on a high-fidelity design of previous study. The application is evaluated using diary study method and System Usability Scale assessment. Respondents were divided into control and experimental group. Control group respondents were asked to follow scenario on how to use the app while the other group was given the freedom to use the application. Respondents of control group gave lower System Usability Score and experienced more usability when using the application than expressing positive experience. Meanwhile, more respondents from experimental group gave more feedback on how this application may help learning process. This study revealed new usability problems that were not found in the previous study. From the evaluation result mapping and System Usability Scale assessment, recommendations for improvement and suggestions for future application development are obtained