Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDensely Connected Convolutional Networks (DenseNet) merupakan salah satumodel arsitektur Deep Learning yang menghubungkan setiap layer beserta feature-maps ke seluruh layer berikutnya, sehingga layer berikutnya menerima inputfeature-maps dari seluruh layer sebelumnya. Karena padatnya arsitektur DenseNetmeyebabkan komputasi model memerlukan waktu lama dan pemakaian memoryGPU yang besar. Penelitian ini mengembangkan metode optimisasi DenseNetmenggunakan batching strategy yang bertujuan untuk mengatasi permasalahanDenseNet dalam hal percepatan komputasi dan penghematan ruang memory GPU.Batching strategy adalah metode yang digunakan dalam Stochastic GradientDescent (SGD) dimana metode tersebut menerapkan metode dinamik batchingdengan inisialisasi awal menggunakan ukuran batch kecil dan ditingkatkanukurannya secara adaptif selama training hingga sampai ukuran batch besar agarterjadi peningkatan paralelisasi komputasi untuk mempercepat waktu pelatihan.Metode batching strategy juga dilengkapi dengan manajemen memory GPUmenggunakan metode gradient accumulation. Dari hasil percobaan dan pengujianterhadap metode tersebut dihasilkan peningkatan kecepatan waktu pelatihan hingga1,7x pada dataset CIFAR-10 dan 1,5x pada dataset CIFAR-100 serta dapatmeningkatkan akurasi DenseNet. Manajemen memory yang digunakan dapatmenghemat 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 menghasilkanpercepatan dan penghematan ruang memory GPU.

---

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

"Telah diteliti penggunaan memori untuk file cache. Hal ini dimaksudkan untuk meningkatkan unjuk kerja jaringan komputer lokal, juga untuk memanfaatkan bagian memori extended yang masih belum banyak termanfaatkan dalam suatu komputer IBM PC AT 286. Jaringan komputer yang dipakai' menggunakan sistem Novell-Netware, sedang fasilitas untuk komunikasinya menggunakan protokol IPX (Internetwork Packet eXchange). Dan basil penelitian ini didapatkan bahwa waktu akses berkas di file cache dari ukuran 10 kbyte sampai 80 kbyte lebih kecil dan 0,0549 detik. Sedang waktu akses berkas di jaringan lokal yang digunakan 0,10989 detik untuk ukuran berkas 10 sampai 20 kbyte dan 0,164835 detik untuk ukuran berkas 30 sampai 80 kbyte."

"Penelitian ini mengkaji penggunaan model Jaringan Saraf Tiruan (Artificial Neural Networks - ANN) untuk memprediksi temperatur awal transformasi martensit (Ms) pada paduan Cu-Al-Mn. Model ANN yang terdiri dari satu lapisan input, dua lapisan tersembunyi, dan satu lapisan output ini menggunakan metode gradient descent digunakan dalam proses pelatihan secara iteratif. Dengan memanfaatkan data dari Shape Memory Materials Database yang disediakan oleh NASA GRC secara open access, studi ini mengembangkan model regresi linear yang memprediksi suhu transformasi martensit awal (Ms) pada paduan Cu-Al-Mn. Evaluasi efektivitas dan akurasi model dilakukan dengan menggunakan dua paduan, yaitu paduan Cu- 24,12Al-3,13Mn (% atomik) dan Cu-25,92Al-3,6Mn (% atomik), dimana temperatur transformasi martensit awal (Ms) dari kedua paduan ini telah diperoleh. Secara khusus, studi ini menghasilkan sebuah persamaan yang bisa digunakan untuk memprediksi Ms. Persamaan yang diperoleh dari hasil pelatihan model ANN dengan validasi menggunakan data paduan yang spesifik, telah menunjukkan kemampuannya dalam mengkorelasikan variabel yang relevan dengan hasil yang diinginkan namun dengan beberapa limitasi.

---

This study examined the use of an Artificial Neural Network (ANN) model to predict the Martensite Start (Ms) transition temperatures in Cu-Al-Mn alloys. The ANN model which consisted of an input layer, two hidden layers, and an output layer, utilized the gradient descent method for iterative training processes. Utilizing data from the Shape Memory Materials Database provided by NASA GRC with open access, this study developed a linear regression model that predicts the starting temperature of martensitic transformation (Ms) in Cu-Al-Mn alloys. The effectiveness and accuracy of the model were evaluated using two alloys, namely the Cu-24.12Al-3.13Mn (at. %) and Cu-25.92Al-3.6Mn (at. %) alloys, from which the Martensite Start (Ms) transition temperature were obtained. Specifically, this study produced a linear regression equation that can be used to predict Ms. The equation, derived from the ANN model training results with validation using specific alloy data, has demonstrated its capability to correlate relevant variables with the desired outputs under various limitations."

"Skripsi ini membahas tentang pengaruh memori pada hunian milik orang yang merantau. Pada dasarnya manusia senang menetap tetapi saat ada intervensi berupa perpindahan, pola kehidupan tersebut akan berubah. Dua responden berlatar belakang keluarga Minang - yang memiliki tradisi merantau dalam sistem adatnya - dan saat ini merantau ke Depok digunakan sebagai narasumber studi kasus. Melalui perbandingan hunian sebelum merantau dengan hunian saat ini di Depok, baik dari segi aktivitas maupun kondisi tempat tinggalnya, terlihat bahwa memori berpengaruh penting dalam membentuk tempat untuk menghadirkan kembali sense of home di perantauan. Namun, di sisi lain, proses merantau berdampak pada pengikisan memori itu sendiri.

---

This thesis discusses about the influence of memory on the habitation of perantau. Basically humans like to settle but when there is intervention of migration, their patterns of life will change. Two respondents from Minang family background - which has a tradition of merantau in their tradition system - and at this moment merantau to Depok were used as case study resources. Through the comparison of their habitation before merantau with current habitation at Depok, both in terms of activity and living conditions, it appears that memory is an important influence in shaping the place to bring back a sense of home in perantauan. However, on the other hand, merantau impacted on deletion of memory itself."

"Perubahan fungsi memori dapat terjadi pada pekerja las akibat pajanan mangan dan aluminium. Efek nikotin pada rokok dapat meningkatkan fungsi memori dalam waktu singkat namun merusak pada pajanan lama. Terdapat juga kontribusi radikal bebas rokok terhadap gangguan memori. Penelitian ini bertujuan membandingkan fungsi memori pekerja pengolah logam berdasarkan kebiasaan merokok yang diukur kadar kotininnya.Metode: Desain penelitian potong lintang, subyek penelitian 97 pengolah logam. Pajanan logam lingkungan diukur dengan Atomic Absorbsion Spectrophotometry. Data dikumpulkan dengan kuesioner dan pemeriksaan neuropsikiatri Becks Depression Inventory II, digit span backward, dan Rey Osterrieth Complex Figure Test mengukur fungsi memori pada skor panggil tundanya. Pajanan rokok diukur dengan indeks Brinkmann dan kadar kotinin plasma subyek penelitian.Hasil: Kadar logam berat di lingkungan adalah 4x10-6 mg/m3 untuk mangan dan 1x10-6 mg/ml3 untuk aluminium dan masih di bawah ambang batas nasional. Fungsi memori pekerja perokok sedang (median 10,7{8-13,5}) lebih rendah dibandingkan bukan perokok (median 23{7-34}) (p=0,02). Median skor fungsi memori kelompok kadar kotinin darah ≥ 14 mg/ml adalah 23(5-34) yang tidak berbeda bermakna dengan fungsi memori kelompok dengan kadar kotinin darah < 14 mg/ml yaitu 21(7-35) (p=0,826).Kesimpulan: Ada perbedaan fungsi memori antara kelompok perokok sedang dan bukan perokok pada pekerja pengolah logam dengan kadar logam lingkungan di bawah ambang batas nasional, sedangkan berdasarkan pembagian kadar kotinin darah tidak ada perbedaan fungsi memori yang bermakna.

---

Background and Objective: Changes in memory function as a result of manganese and aluminium exposure is a potential risk to metal workers. The effect of tobacco?s nicotine can enhance memory in short term but damaging in long term. Tobacco?s free radical is also a contributing factor in disrupting memory function. This study was conducted to compare the memory function of metal workers based on the metal fume exposure and their smoking habit.Methods: This cross-sectional study consist of 97 metal workers. Metal fume exposure in the workplace measured using Atomic Absorbsion Spectrophotometry. Data collected through interview, neuropsychiatric examination with Becks Depression Inventory II, Digit Span Backward, and Rey Osterrieth Complex Figure Test to measure memory function by means of the delayed recall score. Smoking exposure evaluated by Brinkmann Index and analyzing cotinine in blood.Results: Metal exposure in the workplace are 4x10-6 mg/m3 for manganese and 1x10-6 mg/ml3 for aluminum, below national limit. Memory function of moderate smokers (10,7{8-13,5}) are lower than non smokers (23{7-34}) (p=0,02). Workers with blood cotinine level ≥ 14 mg/ml have memory function 23(5-34) not significantly different with those whose blood cotinine level < 14 mg/ml {21(7-35)} (p=0,826).Conclusions: Exposed by metal fume below national exposure limit, there is a statistically significant distinction between group of non smokers and moderate smokers metal workers in their median score of memory function which is not shown by comparison of memory function based on blood cotinine level."

"Manusia sangat peka terhadap kekurangan oksigen, terutama pada susunan syaraf pusat, maka penerbang yang melakukan terbang pada ketinggian 18.000 kaki tanpa menggunakan oksigen tambahan akan mengalami hipoksia, dan penurunan daya ingat jangka pendek ( DIJP ). Untuk meningkatkan keamanan terbang, maka dilakukan penelitian terhadap 134 penerbang TNI AU yang sedang melaksanakan Indoktrinasi dan Latihan Aerofisiologi di Lakespra Saryanto. Penelitian ini menggunakan desain eksperimen laboratorium tanpa kontrol, yaitu dengan memajankan subyek di dalam simulator ruang udara bertekanan rendah ( RUBR ) yang setara dengan 18.000 kaki selama 20 menit. Sebelum dilakukan pengambilan data DIJP di dalam RUBR, semua subyek diperiksa dan diseleksi untuk persyaratan penelitian dan terbang dengan RUBR. Di dalam RUBR subyek diminta untuk mengerjakan soal-soal tes psikologi digit simbol sebanyak 20 lembar, dengan waktu satu menit setiap lembar, kemudian di lanjutkan ke lembar berikutnya, sehingga di dapatkan nilai kasar, yang kemudian di standarisasi dengan z score pada setiap lembarnya, hasilnya dianalisis dengan variabel umur, tekanan darah, Indeks masa tubuh (IMT), kadar hemoglobin, kadar gula darah, denyut jantung dan faal paru (FVC dan FEV1). Hasil dan Kesimpulan : Setelah dilakukan standarisasi, didapatkan nilai rata-rata DIJP 51,91 %, simpang baku 20 %, koefisien variasi 38,53 % ( dengan uji K-S for normality, program SPSS versi 4 didapatkan 2-tailed p = 0,573 jadi sebaran nifai DIJP masih sesuai dengan kurve Gause). Antara DIJP dengan umur mempunyai korelasi negatip, bermakna ( r = - 0,221; p = 0,005 ), berarti makin tua umur, maka DIJP semakin menurun. Antara DIJP dengan IMT mempunyai korelasi negatip, bermakna ( r = - 0,1799 ; p = 0,019 ), makin tinggi IMT semakin menurun kemampuan DIJP. Antara DIJP dengan Hb mempunyai korelasi positip, bermakna ( r = 0,165 ; p = 0,028 ), berarti semakin tinggi kadar Hemoglobin semakin baik DIJP. Sedangkan antara DIJP dengan variabel lainnya tidak bermakna, tetapi meskipun demikian sesuai dengan teori disebutkan bahwa meskipun tidak bermakna belum tentu tidak ada buhungan antara variabel tersebut dengan DIJP, mungkin mempunyai hubungan ( korelasi) yang sangat lemah.

---

Human being is very sensitive to oxygen leak condition, especially on central nerves system. Hypoxia and decreasing of short term memory (STM) will affect the pilot who flight at the height of 18.000 feet without extra oxygen. The study was done to 134 Indonesian Air Force pilot to increase the flight safety. The study design is a laboratory experiment without control. Subjects were exposed for 20 minutes inside the chamber at simulated altitude of 18.000 feet height, after they passed physical examination and selection for " chamber flight " requirement. In the chamber subjects were requested to fill twenty sheets digit symbol physiological test for one minute per sheet. The result were standardized into z score for each sheet. The results were analyzed with age variable, blood pressure, Body mass index (BMI), Hemoglobin (Hb), blood sugar concentration, hart rate and respiratory systems (FVC and FEV1), to see whether the association exist.

Result and conclusion : The average of STM is 51,91 %, with 20 % of standard deviation, with K -S for normality test using SPSS program version 4 the STM distribution followed the Gauze curve. A negative correlation was found significant between STM with age, that more older the subject, STM will decrease ( r = - 0,221 ; p = 0,005 ). There is also a negative correlation and significant result between STM with BMI, means more higher BMI will decrease the STM ( r = - 0,1799 ; p = 0,019) Between S T M and Hb have significant and positive correlation, means more higher Hb the better the STM (r= 0,165 ; p = 0,028 ), and there is no correlation between STM and the other variables, but as theoretical said, even though there is no correlation with STM, it does not mean that there is no association between these variables with STM, but it is too weak to notice."

"ABSTRAKNeural networks merupakan salah satu pendekatan yang sering digunakan dalam melakukan analisis data. Dalam perkembangannya, neural networks mencapai kesuksesan dalam berbagai bidang, mulai dari pengenalan gambar, representasi bahasa,hingga bio informatika. Beberapa penelitian terakhir menunjukkan bahwa model neural networks memiliki kekurangan dalam melindungi informasi yang terdapat dalam training set agar tidak dapat dieksploitasi oleh pihak-pihak yang tidak berkepentingan. Kekurangan ini dapat dieksploitasi dengan membuat sebuah model yang dapat menentukan apakah seseorang berada dalam training set atau tidak, dan hasilnya dapat digunakan untuk melanggar privasi orang tersebut. Eksploitasi ini disebut dengan serangan membership inference. Serangan membership infrerence dapat dihindari oleh model yang memenuhi kriteria differential privacy, yaitu probabilitas keluaran dari model pada dua database yang berbeda pada satu baris pada dasarnya mirip. Pada tesis ini, dikembangkan algoritma optimisasi berbasis gradien seperti Momentum, Nesterov, RMSProp dan Adam yang memenuhi kriteria differential privacy. Algoritma yang dikembangkan digunakan untuk melatih model neural networks agar memenuhi kriteria differential privacy. Eksperimen yang dilakukan menunjukkan bahwa algoritma yang dikembangkan dapat digunakan untuk melatih model neural networks dan menghasilkan model yang lebih akurat dibandingkan algoritma stochastic gradient descent yang memenuhi kriteria differential privacy. Diperlihatkan juga pengaruh penjaminan privasi terhadap akurasi model yang dilatih menggunakan algoritma yang dikembangkan, yaitu penjaminan privasi yang lebih kuat menghasilkan akurasi model yang lebih rendah, dan sebaliknya.

---

ABSTRACT

Neural networks is one of the popular approach to analyze data. It has showed excellent ability to tackle complex problems in various domain, e.g., computer vision,language representation, and bioinformatics. At some point, neural network model may leak some information about the training data. This leakage could be exploited by adversaries to violate individuals in the training data. Membership inference attack is one kind of attacks that could be used by the adversary. This attack can be mitigated by using differentially private models. In this thesis, differentially private optimization algorithms, i.e., momentum, nesterov, rmsprop, adam, were developed. These algorithms then used to train a differentially private neural networks model. It was shown by the experiments conducted that these algorithms can be used to train a neural networks model, and yields better model accuracy compared to stochastic gradient descent algorithm. The tradeoff between privacy and utility is also studied."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."