Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menangani masalah pengenalan emosi dalam percakapan berbahasa Indonesia, yang penting untuk aplikasi seperti pengenalan ucapan, interaksi manusiamesin, dan analisis sentimen. Untuk mengatasi kompleksitas data suara dan teks, penelitian ini menggabungkan Word Embedding (Word2Vec) dan spektrum suara (MFCC) menggunakan Convolutional Neural Network (CNN). Word2Vec mengubah dataset suara menjadi representasi teks vektor, sementara MFCC digunakan untuk ekstraksi fitur dari spektrum suara. Model yang dikembangkan dievaluasi dengan dataset percobaan berbahasa Indonesia, dan pendekatan Weighted Average Ensemble yang mengintegrasikan kedua metode ini mencapai akurasi 70%. Hasil ini menunjukkan bahwa integrasi teknologi Word Embedding dan analisis spektrum suara dapat meningkatkan akurasi pengenalan emosi dalam bahasa Indonesia. Penelitian ini berkontribusi signifikan terhadap teknologi pengenalan emosi dan berpotensi meningkatkan interaksi manusia dengan teknologi serta aplikasi dalam analisis sentimen dan pengolahan bahasa alami.

---

This research addresses the issue of emotion recognition in Indonesian language conversations, which is crucial for applications such as speech recognition, humanmachine interaction, and sentiment analysis. To tackle the complexity of voice and text data, this study combines Word Embedding (Word2Vec) and sound spectrum analysis (MFCC) using Convolutional Neural Network (CNN). Word2Vec is used to convert voice datasets into vector text representations, while MFCC is employed for feature extraction from the sound spectrum. The developed models were evaluated using an experimental dataset in Indonesian, and the Weighted Average Ensemble approach, which integrates both methods, achieved an accuracy of 70%. These results indicate that integrating Word Embedding technology and sound spectrum analysis can significantly enhance the accuracy of emotion recognition in Indonesian conversations. This research contributes significantly to the development of emotion recognition technology and has the potential to improve human interaction with technology, as well as applications in sentiment analysis and natural language processing."

"This book provides readers with an up-to-date account of the use of machine learning frameworks, methodologies, algorithms and techniques in the context of computer-aided design (CAD) for very-large-scale integrated circuits (VLSI). Coverage includes the various machine learning methods used in lithography, physical design, yield prediction, post-silicon performance analysis, reliability and failure analysis, power and thermal analysis, analog design, logic synthesis, verification, and neuromorphic design."

"Pada penelitian ini dirancang High efficiency Concurent Multiband RF Power Amplifier Class-E dengan teknologi CMOS 0.18um type N, yang beroperasi pada frekuensi GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 Mhz, dan LTE 2600 Mhz, dengan menggunakan dua metode perancangan. Rancangan pertama menggunakan metode multiband Class-E Power Amplifier yang konvensional, dan perancangan kedua dengan menambahkan rangkaian Driver Stage untuk menghasilkan Insertion loss yang lebih besar. input matching dan output matching dirancang dengan menggunakan komponen lumped. Tujuan dari perancangan ini adalah untuk mencapai Insertion loss (S21) bernilai lebih besar dari 15 dB dan Return loss (S11) dibawah -15 dB, Tegangan supply 5 Volt, memenuhi standar kestabilan (K > 1), dan Power Added Efficiency >50%, Rancangan ini disimulasikan menggunakan program Advanced Design System (ADS). Hasil simulasi perancangan dengan metode rangkaian driver stage mempunyai nilai S21 sebesar 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Serta nilai S11 sebesar -15.270 dB, -24.404 dB, -19.974 dB, dan -16.584 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Dan nilai maksimum PAE sebesar 52.98% pada frekuensi-frekuensi tersebut.

---

In this research is designed High efficiency Concurent Multiband RF Power Amplifier Class-E with 0.18𝜇m CMOS type N, which operates at GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 MHz, and LTE 2600 MHz, using two method of design. First design is using a Conventional Multiband Power Amplifier Class-E and the second design is by adding a Driver Stage to the circuit to achieve much higher Insertion loss. The input matching and output matching is design using lumped component.

The aim of this design is to achieve result of Insertion loss) above 15 dB and Return loss below -15 dB, supply voltage 5 V, power added efficiency above 50%, this design is simulated using Advanced Design System (ADS).

The simulation results using a driver stage circuit shows that S21 of 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. And S11 of -15.270 dB, -24.404 dB, -19.974 dB, and -16.584 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. In terms of maximum PAE was obtain 52.98% at those frequencies."

"Curah hujan merupakan unsur iklim yang memiliki keragaman dan fluktuasi yang tinggi di Indonesia. Hal ini membuat curah hujan merupakan unsur iklim yang paling dominan untuk mencirikan iklim di Indonesia. Berdasarkan gerakan udara naik untuk membentuk awan, terdapat tiga tipe hujan yaitu konvektif, orografik, dan gangguan. Pengukuran terhadap curah hujan dapat dilakukan dalam berbagai metode, salah satunya dengan menggunakan pengukuran jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini dilakukan perhitungan radar cuaca dengan menggunakan machine learninguntuk mengkaji keakuratan perhitungan data radar cuaca terhadap estimasi curah hujan di Pulau Biak, Indonesia. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Kabupaten Biak diolah menggunakan algoritma yang berbeda, yaitu Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting Extreme Gradient Boosting. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat digunakan untuk memprediksi estimasi curah hujan konvektif di Pulau Biak, Indonesia. Berdasarkan penelitian yang sudah dilakukan, didapatkan hasil R2 pada algoritma Decision Tree sebesar 0,70; Random Forest 0,60; Adaptive Boosting sebesar 0,42; Gradient Boosting sebesar 0,71 dan Extreme Gradient Boosting sebesar 0,73. Hasil analisis menunjukkan bahwa algoritma Extreme Gradient Boosting dapat memberikan estimasi curah hujan paling baik di Pulau Biak, Indonesia.

---

Rainfall is an element of climate with high diversity and fluctuation in Indonesia. This makes rainfall the most dominant climate element to characterize the climate in Indonesia. Based on the movement of rising air to form clouds, there are three types of rain: convective, orographic, and disturbance. Rainfall can be measured in various methods, one of which is by using remote measurement, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on the estimated rainfall value on Biak Island, Indonesia. The product of weather radar is reflectivity (Z) data. The use of machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Biak Regency is processed using five different algorithms: Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting, and Extreme Gradient Boosting. The result of this study will show the best algorithm that can be used to predict convective rainfall estimation in Biak Island, Indonesia. Based on the research that has been done, the R2 results obtained on the Decision Tree algorithm of 0.70; Random Forest 0.60; Adaptive Boosting of 0.42; Gradient Boosting of 0.71 and Extreme Gradient Boosting of 0.73. The analysis shows that the Extreme Gradient Boosting algorithm can estimate the best rainfall in Biak Island, Indonesia."

"Daerah ekuator memiliki curah hujan yang tinggi karena terletak di dekat garis khatulistiwa, dimana matahari menghasilkan energi yang sangat tinggi sepanjang tahun. Ini berdampak pada habitat biologis, siklus air global, dan kehidupan sehari- hari manusia. Informasi curah hujan yang akurat penting untuk mitigasi bencana, pengelolaan sumber daya udara, dan pemodelan iklim. Pengukuran terhadap curah hujan dalapat dilakukan dengan berbagai metode, salah satunya dengan menggunakan metode jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini, dilakukan perhitungan radar cuara dengan menggunakan machine learning untuk mengkaji keakuratan perhitungan data radar cuaca terhadap nilai estimasi curah hujan di Pontianak. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Pontianak diolah dengan metode perbandingan menggunakan empat algoritma tree-based machine learning: Decision Tree, Random Forest, Adaptive Boosting, dan Gradient Boosting. Perbandingan ini bertujuan untuk mendapatkan nilai estimasi curah hujan. Algoritma Decision Tree menghasilkan nilai akurasi RMSE sebesar 0,693 dan korelasi R2 sebesar 0,449; Random Forest menghasilkan RMSE 0,642 dan R2 0,527; Adaptive Boosting menghasilkan RMSE sebesar 0,725 dan R2 sebesar 0,395, serta Gradient Boosting menghasilkan RMSE sebesar 0,561 dan R2 sebesar 0,638. Disimpulkan bahwa algoritma Gradient Boosting dapat memberikan estimasi curah hujan terbaik di Pontianak, Kalimantan Barat, Indonesia.

---

Equatorial regions have high rainfall because they are located near the equator, where the sun produces very high energy throughout the year. This impacts biological habitats, the global water cycle, and people's daily lives. Accurate rainfall information is vital for disaster mitigation, air resource management, and climate modeling. Rainfall can be measured using various methods, one of which is a long- range method, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on estimated rainfall values in Pontianak. The product of weather radar is reflectivity data (Z). Machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Pontianak was processed utilizing a comparative method using four tree-based machine learning algorithms: Decision Tree, Random Forest, Adaptive Boosting, and Gradient Boosting. This comparison aims to obtain estimated rainfall values. The Decision Tree algorithm produces an RMSE accuracy value of 0.693 and an R2 correlation of 0.449; Random Forest produces an RMSE of 0.642 and R2 0.527; Adaptive Boosting produces an RMSE of 0.725 and R2 of 0.395, and Gradient Boosting has an RMSE of 0.561 and an R2 of 0.638. It was concluded that the Gradient Boosting algorithm can provide the best rainfall estimates in Pontianak, West Kalimantan, Indonesia."