📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenPENGEMBANGAN GIM “FATHOM “ DENGAN LARGE LANGUAGE MODEL (LLM) SEBAGAI KONTROL DIALOG NON-PLAYABLE CHARACTER (NPC)
Mekanisme interaksi dialog pada gim saat ini masih belum natural seperti percakapan sehari-hari, sehingga membatasi kedalaman pengalaman bermain. Implementasi large language model pada non-playable character diperlukan untuk menghadirkan interaksi yang lebih imersif dan menyenangkan. Penelitian berikut bertujuan untuk mengembangkan prototipe gim yang memanfaatkan non-playable character berbasis model bahasa. Pengembangan gim dilakukan dengan metode bertahap dari pendefinisian konsep gim, pengembangan konsep yang menghasilkan dokumen desain gim, dan pengembangan prototipe perangkat lunak gim. Di dalamnya terdapat proses perancangan komponen large language model pada gim dan rekayasa prompt karakter sebagai bagian dari pengintegrasian large language model pada gim. Penelitian ini menghasilkan prototipe gim naratif bertema detektif dengan non-playable character berbasis model bahasa Mistral 7B Instruct v0.2. Gim dikembangkan dengan mengoptimalkan elemen dialog sebagai inti permainan untuk memaksimalkan pemanfaatan large language model. Evaluasi menunjukkan gim memperoleh nilai rata-rata 8,04 pada kriteria kesenangan dan memenuhi kriteria kesediaan fitur dengan 4 dari 6 fungsionalitas berjalan sempurna, sementara dua lainnya mengalami kendala minor. Secara keseluruhan, prototipe berhasil memenuhi tujuan pengembangan gim dengan non-playable character berbasis large language model.
PEMBANGKITAN NATURALISTIC ADVERSARIAL PATCH MENGGUNAKAN GENERATIVE AI UNTUK EVALUASI KETAHANAN TRAFFIC SIGN RECOGNITION SYSTEM
Traffic Sign Recognition System (TSRS) merupakan komponen krusial pada kendaraan otonom, namun sangat rentan terhadap serangan adversarial. Serangan berbasis patch yang ada saat ini seringkali tidak realistis dan tidak tangguh dalam kondisi dunia nyata yang dinamis. Penelitian ini bertujuan untuk mengembangkan sebuah metode pembangkitan adversarial patch yang naturalistik dan efektif untuk mengevaluasi ketahanan TSRS. Metode ini menggunakan Generative Adversarial Network (GAN) dengan menambahkan modul transformasi yang menyimulasikan penempatan dan pencahayaan realistis, serta menargetkan model deteksi objek modern, YOLOv8. Eksperimen dilakukan menggunakan dataset rambu lalu lintas Indonesia yang dikustomisasi dan dataset Quick, Draw! sebagai sumber seed patch untuk meniru vandalisme umum. Hasil eksperimen menunjukkan bahwa patch yang dihasilkan berhasil menurunkan kinerja model target YOLOv8x dengan Attacking Success Rate (ASR) mencapai 8.02% pada metrik mAP50-95 dalam skenario white-box. Serangan ini juga menunjukkan kemampuan transferabilitas yang cukup tinggi, dengan ASR mencapai 9.85% pada model YOLO12x dalam skenario black-box. Namun, survei subjektif yang melibatkan 24 partisipan mengungkap adanya trade-off fundamental: patch yang paling efektif menyerang secara konsisten dinilai paling tidak natural, dengan skor kenaturalan rata-rata untuk adversarial patch (32.6%) lebih rendah dibandingkan dengan seed patch asli (43.1%). Penelitian ini menggarisbawahi tantangan dalam menyeimbangkan efektivitas serangan dan realisme visual, serta memberikan kontribusi berupa kerangka kerja untuk menghasilkan serangan yang lebih realistis guna pengujian ketahanan TSRS.
HODRICK PRESCOTT (HP) FILTER DAN ALGORITMA GENETIKA UNTUK PERAMALAN JANGKA PENDEK STUDI KASUS : KONSUMSI LISTRIK PELANGGAN TAMBAK UDANG DI PLN SUMBAWA
Penelitian ini berfokus pada peramalan jangka pendek atau harian yang dalam hal ini menggunakan studi kasus konsumsi listrik pelanggan tambak udang di PLN Sumbawa yang dipengaruhi oleh faktor cuaca iklim tropis (2 musim). Data bersumber pada data BPO, BMKG, Library Meteostat dari Januari 2019 hingga Juni 2024. Tantangan pada penelitian ini adalah data cuaca yang nonlinear, outlier, korelasi antar fitur, yang mana dapat berpotensi mengurangi akurasi peramalan. Untuk mengatasi masalah tersebut, pada penelitian ini menerapkan Teknik dekomposisi Hodrick-Prescott (HP) Filter guna mengurai data konsumsi listrik menjadi komponen yang lebih sederhana dan mudah dipahami berupa komponen tren dan siklus. Kedua komponen dijadikan fitur tambahan dan digabungkan dengan data cuaca. Kemudian dilakukan penerapan teknik Algoritma Genetika untuk melakukan seleksi untuk menemukan korelasi dan kombinasi antar fitur. Selain itu deteksi outlier menggunakan Inter Quatile Range (IQR) dan interpolate linear akan berguna agar data lebih representative untuk digunakan, dengan model yang digunakan adalah Bidrectional LSTM (BiLSTM) Hasil eksperimen menunjukkan bahwa kombinasi model BiLSTM dengan HP Filter dan Algoritma Genetika menghasilkan nilai yang lebih baik daripada model BiLSTM. Model HP-GA-BiLSTM meningkatkan nilai akurasi R² 0,21% pada pelanggan A. Pada Pelanggan B nilai akurasi R² meningkat sebanyak 1,75%. Pada Pelanggan C nilai akurasi R² meningkat sebanyak 4,06%. Pada Pelanggan D nilai akurasi R² meningkat sebanyak 4,06% sedangkan pada pelanggan E nilai akurasi R² meningkat sebanyak 2,85%. Hal ini membuktikan kombinasi HP Filter dan Algoritma Genetika efektif meningkatkan akurasi model BiLSTM dalam melakukan peramalan konsumsi listrik pelanggan tambak udang di PLN Sumbawa yang dipengaruhi oleh cuaca iklim 2 musim.
IMPLEMENTASI DAN EVALUASI KINERJA PERANGKAT LUNAK PROSESOR RISC-V DUAL-CORE BERBASIS NEORV32 MENGGUNAKAN TOLOK UKUR BERBASIS TUGAS
Karya tulis ini menganalisis eksekusi komputasi paralel pada DuoRisc, sebuah soft-processor RISC-V 32-bit dual-core. Diimplementasikan pada FPGA yang memiliki keterbatasan sumber daya, seperti Zybo Z7020, DuoRisc menawarkan alternatif berkinerja tinggi yang hemat biaya dibandingkan dengan arsitektur set instruksi (ISA) berlisensi. Tugas ini berfokus pada pemahaman dan optimasi kapabilitas komputasi DuoRisc melalui paralelisasi algoritma yang efisien pada sistem memori bersama (shared memory) yang sederhana. Beragam algoritma komputasi seperti perkalian matriks, konvolusi, merge sort, dan demo Tetris diimplementasikan dan dianalisis sebagai kasus uji, yang merepresentasikan berbagai pola komputasi. Analisis mencakup dependensi tugas, pembagian (partisi) tugas, strategi alokasi, dan evaluasi kinerja. Metrik yang digunakan seperti siklus CPU, throughput, dan speedup (percepatan) untuk membandingkan implementasi paralel dengan implementasi serialnya. Temuan utama menunjukkan potensi kuat DuoRisc untuk kinerja paralel pada beban kerja data-parallel yang berat, menghasilkan percepatan ~1,5x-1,6x untuk perkalian matriks dan konvolusi. Namun, percepatan dibatasi oleh komponen serial (~1,4x untuk merge sort) dan overhead yang signifikan pada tugas-tugas kecil atau akibat sinkronisasi yang berlebihan (misalnya, penurunan kinerja pada demo Tetris karena busy-waiting). Karya tulis ini berkontribusi dalam studi kasus empiris dan panduan praktis untuk mengoptimalkan aplikasi multi-core dalam komunitas embedded NEORV32 maupun RISC-V.
PENGEMBANGAN APLIKASI UJIAN BERBASIS WEB UNTUK PENYANDANG DISABILITAS PENGLIHATAN (PDP) DENGAN PENGGUNAAN TEXT TO SPEECH DAN SPEECH TO TEXT
Sistem ujian di Indonesia bagi penyandang disabilitas penglihatan (PDP) masih kebanyakan dilakukan dengan penggunaan kertas braille serta ujian secara lisan. Penggunaan sistem ujian berbasis komputer itu sendiri masih terbatas pada ujian berskala nasional saja. Jumlah PDP di Indonesia secara persentase bisa dibilang kecil di angka 1.5%, namun dengan penduduk Indonesia yang berjumlah 270 juta orang, 1.5%-nya adalah 4 juta penduduk. Teknologi Text to Speech dan Speech to Text yang terus berkembang seiring waktu dapat menjadi salah satu solusi agar dapat menciptakan sebuah sistem ujian berbasis web yang dapat menjadi alternatif pelaksanaan ujian bagi PDP. Pengembangan perangkat lunak akan dilakukan secara bertahap dengan menggunakan metode waterfall, mulai dari Planning, Design, Implementation, Testing. Proses testing dilakukan dengan 3 metode, pengujian dengan skenario, pengujian secara langsung kepada non-PDP dan pengujian secara langsung dengan PDP. Hasil dari pengujian yang dilakukan kemudian akan ditambahkan kepada sistem. Perangkat lunak yang dihasilkan dapat dipergunakan dengan baik oleh PDP, namun masih ada beberapa kekurangan seperti perlunya tambahan perintah suara untuk fungsi khusus atau perlunya tambahan perangkat keras lainnya untuk mempermudah proses ujian.
PENGENALAN MICRO-EXPRESSION MENGGUNAKAN TRANSFER LEARNING DARI MACRO-EXPRESSION DENGAN PENDEKATAN SPASIAL-TEMPORAL
Pengenalan micro-expression merupakan tantangan dalam bidang computer vision akibat durasi ekspresi yang singkat, intensitas rendah, serta keterbatasan data pelatihan. Penelitian ini mengajukan sebuah kerangka kerja spasial-temporal berbasis transfer learning yang efektif untuk mengatasi masalah tersebut. Pendekatan yang diusulkan mengadaptasi dua model state-of-the-art (SOTA) dari domain macro-expression, yaitu DDAMFN++ dan POSTER++, untuk mengekstraksi fitur spasial. Selanjutnya, fitur spasial tersebut diintegrasikan dengan Temporal Convolutional Network (TCN) untuk menangkap dinamika temporal yang sangat penting dalam pengenalan micro-expression. Evaluasi kinerja model dilakukan dengan skema validasi Leave-One-Subject-Out (LOSO) serta cross-dataset validation pada tiga dataset benchmark, yaitu CASME 11, SAMM, dan SMIC. Hasil eksperimen menunjukkan bahwa pendekatan hibrida POSTER++ TCN berhasil mencapai performa terbaik dengan nilai Unweighted F 1-score (UFl) sebesar 90% dan Unweighted Average Recall (UAR) sebesar 90% pada dataset CASME 11 (3 kelas), secara signifikan mengungguli metode-metode baseline. Penelitian ini membuktikan bahwa kombinasi transfer learning dari model ekstraksi fitur spasial yang kuat dengan analisis temporal yang tepat dapat meningkatkan performa pengenalan micro-expression secara efektif.
DETEKSI KERENTANAN SQL INJECTION PADA APLIKASI DENGAN KERANGKA KERJA DJANGO MENGGUNAKAN GRAPH NEURAL NETWORK
Popularitas Python dan kerangka kerja Django dalam pengembangan aplikasi web telah menciptakan risiko keamanan yang signifikan, terutama kerentanan SQL Injection. Meskipun Django memiliki Object-Relational Mapper (ORM) untuk keamanan, pengembang sering kali menggunakan kueri SQL mentah yang membuka celah serangan. Pendekatan deteksi saat ini seperti Static Application Security Testing (SAST) sering kali tidak dapat diandalkan karena menghasilkan banyak false positive. Kelemahan ini muncul karena alat tersebut gagal memahami konteks kode secara menyeluruh, bahkan ketika menggunakan representasi graf tunggal seperti Abstract Syntax Tree (AST), Control Flow Graph (CFG), atau Data Flow Graph (DFG) yang masing-masing memiliki keterbatasan dalam melacak aliran data dan kontrol secara bersamaan. Penelitian ini mengatasi tantangan tersebut dengan mengembangkan sebuah kakas deteksi kerentanan yang memanfaatkan graph neural network melalui model Devign. Inovasi utamanya adalah penggunaan representasi graf gabungan yang mengintegrasikan AST, CFG, dan DFG untuk menangkap semantik program secara komprehensif. Hasil pengujian membuktikan bahwa pendekatan gabungan ini adalah yang paling efektif, dengan mampu mencapai akurasi deteksi sebesar 90.9%. Akan tetapi, kakas yang diusulkan belum dapat mengungguli performa alat analisis statis seperti Bandit, meskipun dibangun di atas representasi graf yang lebih kompleks dibandingkan Bandit yang hanya berbasis AST dan aturan.
IMPLEMENTASI AUTENTIKASI BERBASIS PASSKEY DAN PEMULIHAN BERBASIS SEED PHRASE PADA PASSWORD MANAGER
Ketergantungan pada autentikasi berbasis password menjadi tantangan fundamental dalam keamanan digital. Meskipun password manager ada untuk mengelola kredensial, arsitektur yang umum digunakan saat ini masih bergantung pada satu titik kelemahan kritis: master password. Ketergantungan pada rahasia tunggal ini membuka celah terhadap serangan siber seperti phishing dan credential stuffing, yang dapat mengkompromikan seluruh data pengguna. Kinerja pendekatan saat ini semakin dibatasi oleh mekanisme pemulihan akses yang bergantung pada platform pihak ketiga seperti SMS atau email. Ketergantungan eksternal ini menciptakan vektor serangan baru, penyerang dapat mengambil alih akun melalui pembajakan kartu SIM (SIM swapping) atau serangan pada akun email, menjadikan model keamanan yang ada sebagai rantai kelemahan. Penelitian ini mengembangkan arsitektur password manager baru yang mengubah paradigma keamanan dengan mengimplementasikan passkey berbasis standar FIDO sebagai metode autentikasi utama, sehingga berhasil mengeliminasi kerentanan terkait master password. Sebagai metode pemulihan, digunakan seed phrase kriptografis yang memberikan kedaulatan penuh kepada pengguna. Hasil evaluasi menunjukkan arsitektur ini secara signifikan lebih unggul dari sisi keamanan. Evaluasi kemudahan penggunaan dengan metode System Usability Scale (SUS) menghasilkan skor 75,25, yang mengindikasikan bahwa solusi yang ditawarkan unggul dari sisi kemudahan penggunaan. Meskipun demikian, mekanisme pemulihan berbasis seed phrase teridentifikasi sebagai tantangan baru bagi pengguna awam.
PEMBANGUNAN SISTEM DETEKSI DAN PENCEGAHAN INTRUSI (IDPS) PADA LINGKUNGAN CLOUD
Pesatnya adopsi komputasi awan (cloud computing) menghadirkan tantangan besar dalam aspek keamanan terhadap ancaman seperti Distributed Denial of Service (DDoS), eksploitasi kerentanan, dan port scanning, sementara implementasi Intrusion Detection and Prevention System (IDPS) di lingkungan cloud sering terkendala oleh penurunan kinerja dan konsumsi sumber daya yang tinggi. Untuk mengatasi tantangan tersebut, penelitian ini mengembangkan IDPS berbasis arsitektur cloud-native yang mengintegrasikan deteksi berbasis signature dan anomali menggunakan Zeek untuk analisis jaringan dan Wazuh untuk pemantauan host. Sistem ini diuji di Google Cloud Platform dengan model machine learning Isolation Forest dan Local Outlier Factor (LOF) yang dilatih pada dataset CIC-IDS2017 dan AIT_IDS. Hasil evaluasi menunjukkan bahwa integrasi model Local Outlier Factor (LOF), yang terbukti lebih unggul, mampu meningkatkan deteksi anomali secara signifikan dengan akurasi mencapai 99,83% pada lalu lintas jaringan (Zeek) dan 99,43% pada log sistem (Wazuh) dalam skenario simulasi serangan zero-day. Dari sisi kinerja, pengujian benchmark menggunakan sejumlah tools simulasi menunjukkan bahwa sistem ini sangat efisien, di mana implementasi pada Wazuh bahkan meningkatkan throughput requests/sec pada layanan web sebesar 2,86%. Hasil ini membuktikan bahwa sistem yang dikembangkan tidak hanya akurat tetapi juga efisien, sehingga layak digunakan pada server berspesifikasi rendah di lingkungan cloud.
PENERAPAN QUANTUM FOURIER TRANSFORM PADA HYBRID QUANTUM CONVOLUTIONAL NEURAL NETWORK
Perkembangan Quantum Machine Learning (QML) menawarkan pendekatan alternatif dalam mengatasi keterbatasan skalabilitas dan efisiensi komputasi pada model deep learning klasik, khususnya Convolutional Neural Network (CNN). Studi ini mengusulkan solusi hybrid Quantum Convolutional Neural Network (QCNN) berbasis Quantum Fourier Neural Operator (QFNO) untuk menyelesaikan tugas klasifikasi pola sederhana, yaitu membedakan garis horizontal dan vertikal pada citra biner 4×2 piksel. QFNO dalam penelitian ini diadaptasi dari Fourier Neural Operator (FNO) klasik, yang melakukan transformasi Fourier pada setiap kolom input (mode), menerapkan operasi linier pada sejumlah mode teratas, dan kemudian mengembalikan data ke domain asli melalui invers Fourier transform. Dataset yang digunakan merupakan dataset kustom yang dibuat khusus untuk penelitian ini, terdiri dari 300 gambar yang dibangkitkan secara sintetik. Pendekatan ini juga mengintegrasikan Quantum Fourier Transform (QFT) sebagai komponen utama ke dalam QCNN, dengan menerapkan Quantum Fourier Layer (QFL) sebagai blok transformasi non-linier dalam sirkuit hibrida. Eksperimen dilakukan dengan mengevaluasi tiga tipe desain QFL yaitu sequential, parallel, dan composite yang masing-masing menawarkan trade-off antara kompleksitas serta kedalaman sirkuit dan jumlah qubit. Evaluasi dilakukan berdasarkan akurasi klasifikasi dan performa loss selama pelatihan, dengan variasi jumlah epoch antara 30 hingga 90. Hasil menunjukkan bahwa pendekatan QFL Composite memberikan akurasi tertinggi secara konsisten, serta menunjukkan kemampuan generalisasi lebih baik dibanding varian lainnya. Penelitian ini menekankan kemampuan integrasi QFT dalam jaringan saraf kuantum guna meningkatkan efektivitas klasifikasi visual. Hasil ini memberikan kesempatan untuk penelitian lebih lanjut dalam penggunaan QFNO untuk tugas-tugas pemrosesan citra yang lebih rumit dan aplikatif berbasis arsitektur kuantum.
PEMANFAATAN ARSITEKTUR LONG SHORT-TERM MEMORY DAN GENERATIVE ADVERSARIAL NETWORK DALAM PEMBANGKITAN GAMBAR DARI SINYAL ELEKTROENSEFALOGRAFI
Elektroensefalografi (EEG) adalah salah satu modalitas modern yang digunakan untuk merekam fenomena pada aktivitas otak. Meskipun portabel, sinyal EEG yang jumlahnya terbatas malah mengandung banyak derau. Kompleksnya informasi dalam sinyal menjadi penyebab diperlukannya kecerdasan buatan (AI) untuk mempelajarinya. Apabila berhasil dilakukan, rekonstruksi isi pikiran seseorang dapat dilakukan hanya dengan menautkan seperangkat alat. Set data utama yang digunakan dalam penelitian ini adalah MindBigData 2023 milik David Vivancos, berisi pasangan sinyal EEG dan stimulusnya yang berupa gambar angka digital tertulis tangan (MNIST). Pertama-tama, penelitian ini membahas penerapan beberapa metode konvensional dalam membersihkan derau pada data EEG, seperti penapisan, pengambangan, normalisasi, ICA, dan sebagainya. Ekstraksi fitur dan klasifikasi data dilakukan dengan arsitektur LSTM dan attention. Meskipun hanya memperoleh akurasi sebesar 27%, dan masih dapat dilampaui oleh arsitektur baseline lain (akurasi maksimum: 70%), pembersihan derau dan ekstraksi fitur terbukti dapat mendekatkan representasi sinyal EEG berlabel sama. Sudut dalam cosine similarity dan jarak (Euclidean distance) antardata bersih sudah mengecil dibandingkan data mentah. Hal ini diperkuat dengan visualisasi representasi laten menggunakan t-SNE. Terkahir, penelitian ini membahas pembangkitan gambar MNIST menggunakan arsitektur cDCGAN yang dapat menerima masukan representasi laten dan label untuk membangkitkan gambar dengan terarah, dengan detail yang sesuai stimulus asli. Rata-rata inception score dari model yang menggunakan loss MSE adalah 2,02 dan rata-rata FID sebesar 16,55. Beberapa metrik lain juga turut dilibatkan seperti SSIM (rata-rata: 0,4303), RMSE (rata-rata: 0,2677), PSNR, dan CLIP score. Secara kualitas, gambar yang dihasilkan sudah menampilkan struktur angka. Namun secara metrik, kebanyakan gambar yang dihasilkan model belum mirip dengan gambar asli. Hasil penelitian ini didukung oleh beberapa penelitian sebelumnya, bahwa sinyal dari MindBigData memang sulit untuk diklasifikasikan. Akan tetapi, kombinasi metode denoising, LSTM, dan cDCGAN di sini dapat menjadi acuan bagi penelitian selanjutnya.
SISTEM PENGESTIMASI DENYUT JANTUNG REAL-TIME BERBASIS KAMERA UNTUK MULTISUBJEK PADA PLATFORM KIT AI RASPBERRY PI
Remote photoplethysmography (rPPG) memungkinkan pengukuran denyut jantung secara nirkontak menggunakan kamera, dan berpotensi untuk skenario multisubjek. Penelitian sebelumnya telah mencakup multisubjek, namun belum mendukung real-time dan belum mempertimbangkan deployment dengan sumber daya yang terbatas seperti Raspberry Pi. Penelitian ini bertujuan membangun sistem estimasi denyut jantung real-time berbasis kamera untuk multisubjek pada Kit AI Raspberry Pi. Sistem terdiri dari deteksi wajah, pelacakan wajah, ekstraksi ROI, ekstraksi sinyal rPPG, dan estimasi denyut jantung dalam satu pipeline terintegrasi. Pemilihan komponen didasarkan pada akurasi dan performa real-time, dengan modifikasi pada ekstraksi sinyal rPPG berbasis deep learning. Komponen yang digunakan adalah SCRFD-2.5G untuk deteksi wajah, Centroid Tracker untuk pelacakan wajah, seluruh wajah untuk ekstraksi ROI, DeepPhys yang telah dimodifikasi untuk ekstraksi sinyal rPPG, dan FFT untuk estimasi denyut jantung. Optimasi sistem dilakukan dengan pemecahan window menjadi chunk yang lebih kecil, inferensi batch, dan statistik inkremental. Pengujian meliputi dua skenario: (1) komponen ekstraksi sinyal rPPG yang dimodifikasi, menghasilkan MAE 1,28 bpm dan latensi 29,09 ms; (2) pengujian sistem secara keseluruhan menunjukkan sistem berjalan real-time dengan rata-rata FPS 29,972 dan 0% frame terlewat, tetapi MAE sangat besar yaitu 29,498 bpm. Hal ini disebabkan karena kurangnya kualitas dataset yang dikembangkan sendiri. Disimpulkan bahwa sistem dibangun dengan cara memilih komponen terbaik dari sejumlah alternatif, yang didukung dengan optimasi sistem lanjutan. Dihasilkan sistem yang berjalan dengan baik pada Kit AI Raspberry Pi jika kondisi data optimal.
STUDI DAN EKSPLORASI HYPERPARAMETER PADA QUANTUM CONVOLUTIONAL NEURAL NETWORK
Quantum Convolutional Neural Network (QCNN) menunjukkan potensi besar untuk tugas klasifikasi citra, namun penerapannya terhambat oleh ketiadaan panduan sistematis untuk konfigurasi hyperparameter. Proses pemilihan yang sering kali bersifat trial-and-error menyebabkan kinerja model menjadi suboptimal dan tidak efisien. Penelitian ini mengatasi permasalahan tersebut dengan membangun sebuah kerangka kerja eksperimental untuk melakukan analisis sensitivitas hyperparameter QCNN secara komprehensif. Menggunakan metode constrained grid search, ribuan konfigurasi model dievaluasi pada dataset MNIST, Fashion-MNIST, dan CIFAR-10 dalam dua skenario: lingkungan noiseless dan lingkungan dengan model noise kuantum yang realistis. Hasil analisis menggunakan uji statistik non-parametrik menunjukkan bahwa hampir semua kategori hyperparameter yang diuji, termasuk optimizer, metode embedding, arsitektur ansatz, metode reduksi dimensionalitas, dan fungsi biaya, memiliki dampak yang signifikan secara statistik terhadap kinerja. Ditemukan bahwa pilihan optimizer dan metode embedding data adalah dua faktor paling krusial. Sebuah temuan kunci dari penelitian ini adalah bahwa pilihan hyperparameter secara aktif dan signifikan menentukan ketahanan model terhadap noise, mengungkap adanya trade-off yang jelas antara kinerja optimal dalam kondisi ideal dan ketahanan dalam kondisi noisy. Penelitian ini adalah sebuah panduan praktis berbasis bukti empiris yang dapat membantu peneliti memprioritaskan tuning untuk mencapai kinerja QCNN yang lebih efektif dan efisien.
SISTEM ESTIMASI TINGGI BADAN DENGAN MENGGUNAKAN MODEL REGRESI DALAM APLIKASI MOBILE
Pada saat ini, mengukur tinggi badan merupakan hal yang sangat penting, terutama dalam bidang Kesehatan maupun olahraga. Tinggi badan juga dijadikan tanda pertumbuhan bagi anak-anak. Namun, dalam mengukur tinggi tentu memerlukan alat khusus. Selain itu, diperlukan juga waktu untuk mengukur tinggi tersebut. Untuk mengatasi masalah tersebut dibutuhkan sebuah sistem yang mampu mengestimasi tinggi hanya dengan sebuah gambar yang berisi objek yang ingin diukur dan sebuah smartphone. Pengembangan sistem estimasi tinggi badan manusia dilakukan dengan mengkombinasikan dan mengintegrasikan Mediapipe, model estimasi kedalaman, model regresi, dan aplikasi mobile. Mediapipe digunakan untuk mengetahui koordinat kepala, kaki, dan titik tengah badan objek manusia pada gambar. Model MiDaS digunakan untuk mengetahui estimasi kedalaman objek dalam sebuah gambar. Untuk model regresi terdapat tiga model, yaitu RandomForest, SVR (Support Vector Regression), dan KNN (K-Nearest Neighbors) yang dibandingkan hasil pengujian estimasinya untuk digunakan pada modul regresi (estimasi tinggi badan). Berdasarkan analisis hasil pengujian terhadap data uji, terdapat 3 model regresi yang diuji dimana yang paling baik hasilnya adalah Random Forest dengan error MAE adalah 2.94 cm dan RMSE adalah 5.33 cm. Aplikasi mobile yang telah dikembangkan dan diintegrasikan dengan modul-modul yang dibutuhkan, yaitu modul MiDaS, YOLO, modul regresi, dan Mediapipe berhasil memberikan fleksibilitas pada pengguna dalam estimasi tinggi, namun hasil yang diberikan kurang baik.
PENGENALAN UCAPAN TUMPANG TINDIH MENGGUNAKAN MODEL BAHASA BESAR DAN AKUSTIK BIMODAL DENGAN LOW-RANK ADAPTATION (LORA)
Ucapan tumpang tindih dapat secara signifikan menurunkan akurasi sistem Automatic Speech Recognition (ASR). Integrasi Model Bahasa Besar dengan Model Audio dalam arsitektur bimodal menawarkan solusi potensial untuk masalah ini. Namun, strategi pelatihan yang optimal untuk memaksimalkan performa sistem tersebut masih perlu dieksplorasi lebih lanjut. Penelitian ini bertujuan untuk mengatasi ucapan tumpang tindih menggunakan sistem Model Bahasa Besar dan Audio Bimodal melalui analisis komparatif terhadap beberapa strategi pelatihan. Strategi yang diuji meliputi pelatihan bertahap dengan membandingkan urutan adaptasi komponen bahasa dan akustik.. Strategi ini juga dibandingkan dengan pelatihan kedua bagian sekaligus. Hasil menunjukkan bahwa urutan pelatihan berpengaruh signifikan terhadap akurasi. Pendekatan yang mengadaptasi LLM sebelum model akustik menghasilkan performa terbaik dengan Word Error Rate (WER) sebesar 8,96%. Sementara itu, adaptasi menggunakan LoRA pada pendekatan yang sama juga unggul dengan WER 9,07% dan 28,3% lebih hemat dalam penggunaan GPU Hours. Kedua pendekatan ini lebih unggul dibandingkan pelatihan gabungan (9,35%) dan pendekatan yang mendahulukan komponen akustik (9,62%). Kontribusi utama penelitian ini adalah analisis yang menunjukkan bahwa urutan pelatihan komponen memengaruhi WER akhir sistem ASR bimodal.