Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagian besar pendeteksian objek menggunakan horizontal anchor untuk menemukan horizontal bounding box (HBB). Hal ini menjadi masalah ketika sebagian besar citra berupa background dan jarak antara objek sangat rapat sehingga mengakibatkan misallignment pada bounding box. Horizontal anchor perlu diganti dengan rotation anchor dengan tambahan nilai sudut untuk menemukan oriented bounding box (OBB). Melalui proses dua tahap untuk menemukan HBB dan OBB menjadi tidak efisien dan menambah biaya komputasi yang tinggi. Salah satu metode untuk mengatasinya adalah box boundary-aware vector berbasis satu tahap menggunakan ResNet. Kelemahan ResNet memiliki sequential layer yang kurang efektif mengekstraksi fitur saat down-sampling. Pada penelitian ini diusulkan modifikasi pada pada encoder dengan mengganti menggunakan ResNext101. Selain itu juga diusulkan adanya penambahan Residual Unit pada blok dasar. Adanya kardinalitas dengan desain homogen dan arsitektur multi-branch dengan sedikit hyper-parameter, ResNext lebih efektif menangkap informasi dibandingkan dengan Resnet. Eksperimen yang dilakukan terbukti menghasilkan performa yang lebih baik dengan nilai mAP dan F1-Score berturut-turut 89,45 % dan 88,10 % untuk dataset HRSC serta 83,89 % dan 95,97 % untuk dataset UCAS-AOD

---

Most object detection uses horizontal anchors to find horizontal bounding boxes (HBB). This becomes a problem when most of the image is in the form of background and the distance between objects is very tight, resulting in misalignment on bounding box. The horizontal anchor needs to be replaced with a rotation anchor with an additional angle value to find the oriented bounding box (OBB). Going through a two-stage process of finding HBB and OBB becomes inefficient and adds high computational costs. One method to overcome this is a one-stage based box boundary-aware vector using ResNet. The weakness of ResNet is that it has a sequential layer which is less effective at extracting features during down-sampling. In this study, it is proposed to modify the encoder by replacing it with ResNext101. In addition, it is also proposed to add Residual Units to the base block. Due to cardinality with a homogeneous design and a multi-branch architecture with few hyper-parameters, ResNext captures information more effectively than Resnet. The experiments have been proven to produce better performance with mAP and F1- Score values of 89.45% and 88.10% for the HRSC dataset and 83.89% and 95.97% for the UCAS-AOD dataset, respectively.

"

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Convolutional Neural Network (CNN) banyak digunakan untuk menyelesaikan masalah klasifikasi gambar karena kinerjanya yang baik, namun untuk masalah klasifikasi berbasis vektor yang menggunakan jaringan saraf convolutional jarang digunakan. Para peneliti cenderung menggunakan metode lain dari jaringan saraf tiruan, seperti jaringan saraf Backpropagation (BPNN), probabilitas jaringan saraf (PNN), sebagai pengklasifikasi untuk masalah klasifikasi berbasis vektor. Dalam penelitian ini, digunakan Vector-based CNN untuk mengklasifikasi masalah 6 kelas, 12 kelas, dan 18 kelas dari tiga campuran aroma menggunakan 4, 6, 8, dan 16 buah sensor. Untuk membandingkan kinerja Vector-based CNN, Backpropagation Neural Network juga digunakan untuk mengklasifikasikan masalah klasifikasi aroma yang sama. Hasil percobaan menunjukkan bahwa Vector-based CNN menghasilkan tingkat pengenalan yang cukup tinggi dibandingkan dengan Backpropagation neural network.

---

Convolutional Neural Network (CNN) is widely used in image classification problems because of its good performance, however, Vector-based classification using a convolutional neural network is rarely utilized. Researchers tend to use another method of artificial neural networks, such as Backpropagation neural network, probability neural networks, as the classifier for Vector-based classification problems.

In this paper, we would like to use a CNN classifier in the problems of 6,12, and 18 classes of three mixture of odor using 4, 6, 8, and 16 channels of sensors. In order to compare the performance of the Vector-based Convolutional Neural Network, Backpropagation Neural Network is also used to classify the same Vector-based odor classification problems.

The Experiment results show that Vector-based convolutional neural network yields a quite high recognition rate compare with that of Backpropagation neural network."

"Perbuatan melawan hukum adalah suatu setiap perbuatan melanggar hukum, yang membawa kerugian kepada seorang lain, mewajibkan orang yang karena salahnya menerbitkan kerugian itu, mengganti kerugian tersebut. Skripsi ini membahas mengenai penerapan perbuatan melawan hukum yang telah dilakukan oleh Bank sehubungan dengan terjadinya pembobolan SDB milik Bank yang disewa oleh nasabah. Analisis terhadap perbuatan melawan hukum yang dibahas dalam skripsi ini dilakukan dengan mengacu pada kentuan dalam Kitab Undang - Undang Hukum Perdata, khususnya mengatur mengenai perbuatan melawan hukum, sewa - menyewa, dan penitipan barang, dan Undang - Undang Nomor 7 Tahun 1992 Tentang Perbankan, khususnya mengatur mengatur mengenai SDB. Atas hal ini, penulis berpendapat bahwa Bank telah melakukan perbuatan melawan hukum yang mengakibatkan kerugian kepada nasabah atas terjadinya pembobolan SDB milik Bank.

---

An Illegal Act is every actions by a party that against the law causing damage towards other party shall be oblige to compensate the damage towards other party. This Thesis is focusing on the implementation of an illegal Act that Bank has been done in connection with the burglary of SDB. The analysis of the illegal act in this thesis refers to Indonesian Civil Code, focusing on the article that regulate about tort, lease agreement, and deposits agreement, and Law Number 7 Year 1992 in Banking, focusing on the article that regulate about SDB. Therefore, authors consider that Bank has commited an illegal act causing damage towards the client in connection with the burglary of SDB."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"ABSTRACTCrack detection in concrete structures is an important task in the inspection of buildings to ensure their safety and serviceability. Previous studies relating to crack detection via image-processing and machine learning techniques generally involve the complex modelling of cracks and the extraction of hand crafted crack features. This approach often fails to apply to images from a real environment. This paper proposes a new image-based crack detection system using a combined model of classifiers, namely a Convolutional Neural Network (CNN) and a Support Vector Machine (SVM), which was proven to perform better than the methods involving the handcrafted features. In the proposed technique, a CNN is used in extracting deep convolutional features from the RGB images of cracks and an SVM classifier is used as an alternative to a softmax layer to enhance classification ability. The combined model automatically extracts features and determines whether or not an image patch belongs to a crack class. A dataset of 550 images are collected by a digital camera from various locations, and from the results, it is concluded that the proposed method is able to identify cracks on concrete surface with an accuracy of 90.76 %"

"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.

---

Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."

"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.

---

Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."

""

"ABSTRAKPada saat ini gedung bertingkat tinggi semakin banyak diminati karena jumlah lahan yang tersedia semakin terbatas. Salah satu bentuk denah gedung yang sering digunakan adalah denah gedung berbentuk huruf U. Denah berbentukU ini sering digunakan pada gedung apartemen dan hotel karena dianggap efektif dalam menampung luas area bangunan yang diinginkan pada tanah yang tidak terlalu luas namun semua sisi ruang pada gedung tetap mendapatkan akses pemandangan ke arah luar. Gedung yang dianalisa pada tesis ini adalah gedung yang memiliki denah berbentuk U yang memiliki ketidakberaturan horizontalyang divariasikan terhadap perbandingan panjang dan lebar denah gedung serta juga terhadap ketinggiannya, yaitu H:D = 5:5, 4:5 dan 2,25:5 dengan ketinggian 20 dan 30 lantai. Variasi sudut dalam panjang dan lebar denah dibuat lebih dari 15% dari ukuran terbesar denah struktur gedung dalam arah sisi yang ditinjau. Pada SNI 03- 1726-2002 maupun SNI 1726:2012 terdapat penalti terhadap gedung yang memiliki ketidakberaturan horizontal. Pada SNI 03-1726-2002, gedung yang memiliki ketidakberaturan harus dianalisa berdasarkan analisa respons dinamik. Namun pada SNI 1726:2012, gedung yang memiliki ketidakberaturan horizontal harus memenuhi pasal - pasal yang direferensikan. Tujuan dari penelitian ini yaitu untuk mengetahui perbedaan hasil analisa dan desain akibat ketidakberaturanhorizontal tersebut terhadap SNI 03-1726-2002 dan SNI 1726:2012 serta untuk mengetahui berat tulangan yang memiliki kenaikan berat tulangan yang paling kecil dari variasi yang ada. Dari hasil penelitian diketahui bahwa gaya gempa rencana SNI 1726:2012 lebih besar daripada SNI 03-1726-2002 danmenghasilkan kenaikan berat tulangan yang cukup signifikan akibat hal tersebut serta akibat dari penalti ketidakberaturan horizontal. Dari keenam variasi pemodelan, presentase kenaikan berat tulangan yang paling kecil adalah model H:D = 2,25:5 30 Lantai sebesar 5,6%.

---

ABSTRACTMultistories building is now become popular since the available space ofland is being limited. One type of shape are often used is U shapped plan.Ushapped plan usually applied for apartement and hotel building that considered effective to accommodate required building are on limited land space without reducing access to obtain landscape for all room on building. Building that will be analyzed on this thesis has horizontal irregularities of U shapped plan which is varying in term of length and with of plan and building hight, that is H:D = 5:5, 4:5 and 2,25:5 and height of 20 and 30 floor.Variation of reentrant corner in term of length and width of plan is 15% of greather plan dimension of building on considered side.Both SNI 03-1726-2002 and SNI 1726:2012 give penalty to building that has horizontal irregularities. In accordance of SNI 03-1726-2002, dynamic response analysis should apply to irregular building. However, SNI 1726:2012 irregular building should comply with references section. Purpose of this research is to obtain comparison of analysis result of horizontally irregular building based on SNI 03-1726-2002 and SNI 1726:2012 and to obtain which model will resulting minimum increase of reinforcement weight. Analysis has shown that SNI 1726:2012 resulting higher seismic design force than SNI 03-1726-2002 and producting significant increase of reinforcement weight due to horizontlly irregular penalty. The minimum incrase of reinforcement weight in percentage is shown to model H:D = 2,25:5 with 30 floor is 5,6%."