Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSkripsi ini bertujuan untuk menganalisis penerapan policy transfer yang difasilitasi oleh GIZ melalui program CIM Returning Experts yang diharapkan dapat memperkuat berbagai aktor lokal dalam menunjang pembangunan di Indonesia. Penelitian ini menggunakan lima dimensi dari teori Policy transfer yang diperkenalkan oleh Evans (2017) yaitu: Agen dari Transfer Kebijakan; Bentuk dari Tranfer Kebijakan; Proses Pembelajaran yang Berorientasi Kebijakan; Hambatan Terhadap Proses Transfer Pembelajaran Kebijakan, dan Luaran dari Proses Transfer Kebijakan dengan pendekatan positivist. Teknik pengumpulan data dilakukan secara mixed method berupa penyebaran kuesioner, wawancara mendalam dan studi kepustakaan. Berdasarkan hasil analisis, policy transfer paling umum terjadi berupa transfer pengetahuan, pengalaman, dan jejaring yang didapatkan oleh para returnees semasa di Jerman. Selain itu, hibridasi (penggabungan gagasan/pembelajaran kebijakan dengan budaya lokal) merupakan proses policy transfer yang paling dominan terjadi. Upaya policy transfer yang dilakukan oleh para returnees terbukti dapat membantu memperkuat berbagai aktor lokal di tempat mereka bekerja melalui pertukaran gagasan, pembaharuan metode, maupun advokasi kebijakan dalam menunjang pembangunan di Indonesia.

---

ABSTRACT

This thesis aims to analyze the implementation of policy transfer facilitated by GIZ through the CIM Returning Experts Program expected to strengthen various local actors in supporting development in Indonesia. This study employs five dimensions of policy transfer theory introduced by Evans (2017), namely: Agents of Policy Transfer; Form of Policy Transfer; Policy-Oriented Learning Process; Obstacles to The Process of Transferring Policy Learning; and The Output of The Policy Transfer Process using the positivist approach. Data collection techniques were carried out using mixed-method in the form of questionnaires, in-depth interviews, and literature studies. Based on the analysis result, the most common policy transfer occurs in the form of knowledge transfer, experience, and networking obtained by returnees during their stay in Germany. In addition, hybridization (combining ideas/learning policies with local culture) is the most dominant policy transfer process occurring. The policy transfer efforts carried out by the returnees have proven to help strengthening various local actors in their respective work places through exchange ideas, method renewals, and policy advocacy in supporting development in Indonesia.

"

""Phyl Speser's personality comes across in the text-complicated, intrigued, highly rational, insightful, rich in context, and fun. She had me smiling throughout. This work represents the next chapter of the technology transfer profession's development, where it will be all about getting to market with a studied awareness of value. Phyl gives us the tools to get there with a great read, just the focus we are needing in the profession.""

"Disertasi ini merupakan aplikasi metode penelitian Soft Systems (SSM) based AR for theoretical research interest (Cronholm and Goldkuhl, 2003) untuk menganalisa transfer teknologi dengan pendekatan institusional. Tranfer teknologi dilihat pada industri otomotif Jepang di Indonesia dalam konteks perjanjian ekonomi Indonesia Jepang. Metode SSM berbasis riset tindakan diterapkan pada sebuah perusahaan otomotif afiliasi Jepang di Indonesia. Temuan penting dalam disertasi ini adalah transfer teknologi yang terjadi bukanlah hanya proses pemindahan pengetahuan seperti kajian-kajian non sosiologi lakukan selama ini. Transfer teknologi merupakan sebuah institusi ekonomi yang berisi relasi sosial yang dibangun berdasarkan nilai dan norma yang dimaknai bersama, dengan kata lain transfer teknologi merupakan konstruksi social (Granovetter, 1992). Disertasi ini juga berhasil menjawab kelemahan konsepsi embeddedness sebagai kunci terbentuknya kepercayaan dalam konstruksi sosial yang dianggap membutuhkan spesifikasi secara teoritis (Nee 2003 : 24). Secara empiris, ditemukan bahwa embeddedness di tingkat mikro juga terjadi di tingkat meso dan makro karena individu-individu yang terlibat di mikro juga merupakan bagian dari struktur yang lebih tinggi. Dengan demikian kerangka institusional yang dikemukakan oleh Nee (2003) melengkapi analisa transfer teknologi konstruksi sosial mulai dari tingkat mikro sampai dengan meso. Dengan demikian konstribusi riset ini adalah kajian sosiologi ekonomi dan berbasis institusi lainnya yang berfokus pada analisa institusi ekonomi atau institusi lainnya sebagai konstruksi sosial mampu menganalisa sebuah konstruksi sosial hingga ke struktur meso dan makro dalam kerangka analisanya.

---

This dissertation is an application of Soft Systems research method (SSM) based AR for theoretical research interest (Cronholm and Goldkuhl, 2003) to analyze technology transfer in the framework of the institutional approach. Technology Transfer was seen in the Japanese automotive industry in Indonesia in the context of Indonesia Japan Economic Partnership Agreement 2008-2012. SSM-based action research method was applied to a Japanese affiliated automotive company's in Indonesia. An important finding of this dissertation is that the technology transfer that occurs empirically was not only a knowledge transfer process as non- sociological studies had done so far. Technology transfer is an economic institution that containing social relationships that constructed on values and norms that interpreted among the groups.In other words, the transfer of technology is a social construction (Granovetter, 1992). This dissertation also managed to answer the need of theoretical specification the conception of embeddedness as a key to the formation of the trust in the social construction (Nee 2003: 24). Empirically, it was found that embeddedness in the micro level also occurred at meso and macro levels since individuals involved in the micro are also part of the higher structures. Thus the institutional framework proposed by Nee (2003) completed the analysis of the social construction of technology transfer from the micro to the meso level. Finally, the contribution of this research is the study of economics sociology and other institution based sociology which focus on the analysis of economic institutions or other institutions as social constructions are able to analyze a social construction from micro level to the meso and macro level within the framework of analysis."

"ABSTRAKTujuan utama dari bantuan tunai bersyarat adalah untuk memberikan kesejahteraanyang lebih baik pada penerima manfaat yang ditargetkan. Namun demikian,implementasi program yang buruk dapat meningkatkan perilaku anti sosial sepertikriminalitas. Dalam kasus Indonesia, akan menarik untuk melihat bagaimana ProgramKeluarga Harapan (PKH), salah satu program bantuan tunai bersyarat andalan negara inimempengaruhi kejahatan. Penelitian ini menggunakan dua set data utama, yaitu SurveiSosial Ekonomi Nasional (Susenas) dan Potensi Desa (Podes). Dengan menggunakanIV Probit, hasil penelitian menunjukkan bahwa tidak terdapat endogeneity antara modalsosial dan kejahatan. Maka, pengaruh PKH terhadap probabilitas rumah tangga untukmenjadi korban kejahatan secara langsung, bukan melalui modal sosial. PKHberkorelasi negatif terhadap probabilitas rumah tangga untuk menjadi korban kejahatan.

---

ABSTRACTThe main objective of Conditional Cash Transfer is to provide better well-being on thetargeted beneficiaries. Nevertheless, the poor implementation of the programs couldincrease anti social behavior like crime. In the case of Indonesia, it will be interestingto see how Program Keluarga Harapan (PKH), one of the countrys flagshipConditional Cash Transfer affect crime. This study utilizes two main data sets, whichare Survei Sosia lEkonomi Nasional (Susenas) and Potensi Desa (Podes). Using IVProbit, result show that there is no endogeneity between social capital and crime. Thus,the influence of PKH on the probability of households to be victims of crime directly,not through social capital. PKH has negatively correlated with the probability ofhouseholds to become victims of crime."

"

Perkembangan teknologi pemrosesan ucapan sangat pesat akhir-akhir ini. Namun, fokus penelitian dalam Bahasa Indonesia masih terbilang sedikit, walaupun manfaat dan benefit yang dapat diperoleh sangat banyak dari pengembangan tersebut. Hal tersebut yang melatarbelakangi dilakukan penelitian ini. Pada penelitian ini digunakan model transfer learning (Inception dan ResNet) dan CNN untuk melakukan prediksi emosi terhadap suara manusia berbahasa Indonesia. Kumpulan data yang digunakan dalam penelitian ini, diperoleh dari berbagai film dalam Bahasa Indonesia. Film-film tersebut dipotong menjadi potongan yang lebih kecil dan dilakukan dua metode ekstraksi fitur dari potongan audio tersebut. Ekstraksi fitur yang digunakan adalah Mel-Spectrogram dan MelFrequency Cepstral Coefficient (MFCC). Data yang diperoleh dari kedua ekstraksi fitur tersebut dilatih pada tiga model yang digunakan (Inception, ResNet, serta CNN). Dari percobaan yang telah dilakukan, didapatkan bahwa model ResNet memiliki performa yang lebih baik dibanding Inception dan CNN, dengan rata-rata akurasi 49%. Pelatihan model menggunakan hyperparameter dengan batch size sebesar 16 dan dropout (0,2 untuk Mel-Spectrogram dan 0,4 untuk MFCC) demi mendapatkan performa terbaik.

---

Speech processing technology advancement has been snowballing for these several years. Nevertheless, research in the Indonesian language can be counted to be little compared to other technology research. Because of that, this research was done. In this research, the transfer learning models, focused on Inception and ResNet, were used to do the speech emotion recognition prediction based on human speech in the Indonesian language. The dataset that is used in this research was collected manually from several films and movies in Indonesian. The films were cut into several smaller parts and were extracted using the Mel-Spectrogram and Mel-frequency Cepstrum Coefficient (MFCC) feature extraction. The data, which is consist of the picture of Mel-spectrogram and MFCC, was trained on the models followed by testing. Based on the experiments done, the ResNet model has better accuracy and performance compared to the Inception and simple CNN, with 49% of accuracy. The experiments also showed that the best hyperparameter for this type of training is 16 batch size, 0.2 dropout sizes for Mel-spectrogram feature extraction, and 0.4 dropout sizes for MFCC to get the best performance out of the model used.

"

"Tanaman padi (Oryza Sativa) telah menjadi sumber pangan pokok bagi masyarakat Indonesia selama ribuan tahun. Dengan seiring bertambahnya jumlah masyarakat di Indonesia setiap tahunnya, tentunya kebutuhan akan tanaman padi semakin meningkat. Oleh karena itu, perlu adanya pemanfaatan teknologi untuk meningkatkan produksi serta mempertahankan kualitas padi untuk mempertahankan kualitas padi untuk memenu kebutuhan pangan masyarakat Indonesia. Penyakit yang umum menyerang tanaman padi di Indonesia adalah penyakit blas (blast), hawar daun (blight) dan tungro. Dalam penelitian ini, penulis menggunakan transfer learning dengan model DenseNet201 dan ResNet-50 untuk mengklasifikasi penyakit tanaman padi pada citra daun secara akurat. Data yang digunakan dalam penelitian ini diambil dari online database yang berisi 240 citra daun tanaman padi dengan 3 penyakit yang berupa penyakit blas (blast), hawar daun (blight) dan tungro. Selanjutnya, penulis menggunakan teknik preprocessing seperti resizing dan normalization serta berbagai macam teknik augmentasi seperti rotasi, zoom dan lain-lain untuk meningkatkan kinerja model dalam mengklasifikasi penyakit tanaman padi. Hasil penelitian ini menunjukkan bahwa model DenseNet201 memiliki kinerja yang jauh lebih baik dibandingkan dengan model ResNet-50 dalam mengklasifikasi penyakit tanaman padi. Evaluasi dari kinerja model dilihat dari nilai akurasi serta running time dimana model DenseNet201 memiliki akurasi testing sebesar 93,34% dan running time pada tahap training selama 74,7083 detik.

---

Rice (Oryza sativa) has been a staple food source for Indonesian people for thousands of years. With the increasing number of people in Indonesia every year, of course the need for rice plants is increasing. Therefore, it is necessary to use technology to increase production and maintain the quality of rice to maintain the quality of rice to meet the food needs of the Indonesian people. Diseases that commonly attack rice plants in Indonesia are blast, leaf blight and tungro disease. In this study, the authors used transfer learning with DenseNet201 and ResNet-50 models to classify rice plant diseases on leaf images accurately. The data used in this study were taken from an online database containing 240 images of rice leaves with 3 diseases, namely blast, blight and tungro. Furthermore, the authors use preprocessing techniques such as resizing and normalization as well as various kinds of augmentation techniques such as rotation, zoom and others to improve the performance of the model in classifying rice plant diseases. The results of this study indicate that the DenseNet201 model has a much better performance than the ResNet-50 model in classifying rice plant diseases. Evaluation of the model's performance is seen from the accuracy value and running time where the DenseNet201 model has a testing accuracy of 93.34% and the running time at the training stage is 74.7083 seconds."

"Metadata statistik memiliki peran yang sangat penting bagi masyarakat. Dengan adanya metadata statistik, kita dapat mengetahui segala informasi mengenai semua kegiatan statistik yang dilakukan. Pada penelitian ini kami akan membangun sistem Closed Domain Question Answering (CDQA) mengenai metadata statistik (CDQA-Metadata Statistik). Sistem ini dibangun dengan menggunakan metode transfer learning pada data human question dan automatic question. Penggunaan metode transfer learning digunakan karena benchmark yang besar mengenai metadata statistik belum ada sama sekali. Pada penelitian ini kami akan menggunakan arsitektur retriever(BM25)-reader(IndoBERT) berbasis transfer learning. Ada tiga eksperimen utama yang kami lakukan. Hasil eksperimen pertama kami menunjukkan bahwa pada data human question model twostage fine-tuning (human) yang merupakan model dengan metode transfer learning secara statistik sangat signifikan mengguguli model non transfer learning dengan peningkatan exact match sebesar 53 kali lipat dan f1-score sebesar 9 kali lipat. Kemudian pada data automatic question, model two-stage fine-tuning (automatic) yang merupakan model dengan metode transfer learning secara statistik signifikan mengguguli model non transfer learning dengan peningkatan 80 kali lipat untuk exact match dan 13 kali lipat untuk f1-score. Hasil eksperimen kedua kami menujukkan bahwa sistem CDQAMetadata Statistik berbasis transfer learning secara statistik signifikan lebih baik pada data automatic question dibandingkan data human question. Hal ini mungkin disebabkan pada data automatic question memiliki term-of overlap yang lebih banyak dibandingkan data human question. Lalu pada hasil eksperimen ketiga menunjukkan bahwa pada data human question, penambahan data automatic question saat fine-tuning tidak dapat meningkatkan performa CDQA-Metadata Statistik. Begitu juga pada data automatic question, penambahan data human question saat fine-tuning ternyata tidak dapat meningkatkan performa CDQA-Metadata Statistik.

---

Statistical metadata plays a very important role in society. With statistical metadata, we can find out all the information regarding all statistical activities carried out. In this research we will build a Closed Domain Question Answering system (CDQA) regarding statistical metadata (CDQA-Statistical Metadata). This system was built using the transfer learning method on human question and automatic question data. The use of the transfer learning method is used because large benchmarks regarding statistical metadata do not yet exist. In this research we will use a retriever (BM25)-reader (IndoBERT) architecture based on transfer learning. There were three main experiments we conducted. The results of our first experiment show that in human question data the two-stage fine-tuning (human) model, which is a model using the transfer learning method, is statistically very significantly superior to the non-transfer learning model with an increase in exact match of 53 times and f1-score of 9 times. Then in the automatic question data, the two-stage fine-tuning (automatic) model, which is a model using the transfer learning method, statistically significantly outperforms the non-transfer learning model with an increase of 80 times for exact match and 13 times for f1-score. The results of our second experiment show that CDQA-Metadata Statistik system based on transfer learning significantly as statistics get better performance in automatic question data than in human question data. This is because automatic question data have more term-of overlap than human question data. Then the results of the third experiment show that for human question data, the addition of the automatic question data during fine-tuning cannot improve the performance of CDQA-Metadata Statistics. Likewise for automatic question data, the addition of a human question data during fine-tuning apparently did not improve the performance of CDQA-Metadata Statistics."

"Pandemi COVID-19 yang semakin mengkhawatirkan telah membatasi masyarakat dalam melakukan kontak fisik dengan benda-benda pada fasilitas umum. Berbagai sarana interaksi yang membutuhkan kontak fisik telah digantikan dengan alternatif yang mendukung interaksi secara contactless. Elevator merupakan salah satu fasilitas umum yang paling sering digunakan masyarakat, maka perlunya alternatif dari penggunaan tombol pada elevator untuk mengurangi kemungkinan tersebarnya virus. Perkembangan teknologi computer vision telah menghasilkan banyak implementasi yang bermanfaat, salah satu implementasi tersebut adalah pendeteksian objek. Pada penelitian ini, dilakukan perancangan dan implementasi dari deep learning untuk menghasilkan model pengenalan gestur tangan secara real-time yang ditujukan untuk diterapkan sebagai sarana interaksi dengan elevator. Metode transfer learning digunakan karena dapat menghasilkan model yang akurat tanpa perlu menggunakan dataset yang besar. Perancangan model dilakukan menggunakan Tensorflow Object Detection API dan SSD MobileNetV2 sebagai pre-trained model yang telah dilatih dengan dataset Microsoft COCO. Model yang telah dilatih dengan jumlah training steps sebesar 11000 menggunakan Dataset A pada nilai threshold 0.7 dapat mendeteksi 8 gestur tangan dengan nilai akurasi mencapai 90% berdasarkan uji coba real-time yang dilakukan.

---

The increasingly worrying COVID-19 pandemic has limited people from making physical contact with objects in public facilities. Various means of interaction that require physical contact have been replaced with alternatives that support contactless interaction. Elevators are one of the public facilities that are most often used by the public, so there is a need for alternatives to using buttons on elevators to reduce the possibility of spreading the virus. The development of computer vision technology has resulted in many useful implementations, one of which is object detection. In this research, the design and implementation of deep learning and artificial neural network is carried out to produce a real-time hand gesture recognition model that is intended to be applied as a means of interaction with elevators. The transfer learning method is used because it can produce accurate models without the need to use large datasets. The model design is carried out using the Tensorflow Object Detection API and SSD MobileNetV2 as a pre-trained model that has been trained with the Microsoft COCO dataset. The model that has been trained with the number of training steps of 11000 using the Dataset A at a threshold value of 0.7 can detect 8 hand gestures with an accuracy reaching up to 90% based on real-time trials carried out."

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."