Hasil Pencarian  ::  Simpan CSV :: Kembali

"Para penyandang tunarungu berkomunikasi menggunakan bahasa isyarat resmi di Indonesia, yaitu SIBI (Sistem Isyarat Bahasa Indonesia). Dengan menggunakan aplikasi penerjemah Bahasa isyarat ke teks akan membantu komunikasi antara tunarungu maupun non-tunarungu. Dengan menggunakan pre-trained model CPM (EdvardHua, 2018) akan mendapatkan informasi berupa titik-titik skeleton seperti titik tangan, bahu, dan siku. Informasi titik skeleton itu akan digunakan untuk memprediksi kata. Namun, proses tersebut perlu berjalan secara real-time, yaitu ketika pengguna membuka kamera maka akan langsung mendapatkan respon. Untuk mencapai itu diperlukan mobile deep learning framework, sehingga proses inference bisa menjadi lebih cepat dengan bantuan runtime GPU. Penelitian ini berfokus menjalankan inference menggunakan mobile deep learning framework untuk implementasi modul ekstraksi skeleton secara real-time pada Android. Pada penelitian ini digunakan Tensorflow mobile (runtime hanya CPU), MACE, dan SNPE. Dilakukan pengukuran dari sisi latency, penggunaan energi, penggunaan memori, penggunaan daya, dan perubahan suhu. Hasil pengukuran menunjukkan bahwa penggunaan MACE dan SNPE dengan runtime GPU menghasilkan latency yang lebih kecil dibandingkan penggunaan CPU. Penggunaan CPU menyebabkan thermal throttling, sehingga terjadi penurunan kinerja. Dengan runtime GPU menghasilkan penggunaan energi, memori, dan daya yang lebih sedikit dibandingkan CPU. Kenaikan suhu ketika menggunakan runtime GPU lebih kecil dibandingkan CPU.

---

People with hearing impairments use the official sign language in Indonesia, namely SIBI (Sistem Isyarat Bahasa Indonesia). Using a sign language-to-text translator application will help the communication between people with hearing impairments and people without hearing impairment. By using the pre-trained CPM model (EdvardHua, 2018), the information in the form of skeleton points such as the points of the hands, shoulders, and elbows will be obtained. The skeleton point information will be used to predict its translation words. However, the translation process needs to be run in real- time, which is when users open their cameras then they will immediately receive a respond. To achieve that goal, we need a mobile deep learning framework, with the result that the inference process is faster with the help of the GPU runtime. This research focuses on running inferences using a mobile deep learning framework to implement real-time skeleton extraction module in Android. This research uses Tensorflow mobile (runtime only for CPU), MACE, and SNPE. Measurements of the latency, energy usage, memory usage, power usage, and temperature change were taken. The measurement results show that the use of MACE and SNPE with GPU runtime is in lower latency than with the use of CPU. Measurement with CPU usage causes thermal throttling, resulting in decreased performance. Measurement with GPU runtime results in lower usage of energy, memory and power compared to the measurement with CPU. The temperature increase when using the GPU runtime is lower than when using the CPU."

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.

---

Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks.

This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters.

The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."

"Pencurian identitas menjadi ancaman kejahatan di dunia maya pada masa kini, khususnya transaksi online. Untuk mengatasi masalah tersebut, voice biometrics dikembangkan untuk keamanan identitas. Penelitian ini mengusulkan skema voice biometrics pada algoritma deep learning Convolutional Neural Network (CNN) Residual dan CNN Depthwise Separable Convolution (DSC) dengan fitur ekstraksi \hybrid Discrete Wavelet Transform (DWT) dan Mel Frequency Cepstral Coefficients (MFCC) serta mengembangkan pembuatan data suara untuk pengguna ber-Bahasa Indonesia dalam waktu 25 menit. Skema tersebut ditargetkan untuk meningkatkan kinerja akurasi. Penelitian ini mengembangkan 2 model simulasi yang terpisah, yaitu model CNN Residual dan CNN DSC. Untuk setiap pengujian model, hasilnya dibandingkan dengan CNN Standard. Hasil pengujian pertama menunjukkan kinerja terbaik, model CNN Residual ini mampu meningkatkan kinerja validasi akurasi training voice biometrics 98.6345%, presisi 99,91% dan akurasi 99,47% pada speaker recognition (siapa yang bicara?), serta akurasi speech recognition (apa yang diucapkan?) 100%. Hasil pengujian kedua menunjukkan kinerja terbaik, model CNN DSC ini mampu mengurangi kinerja training parameter dan mampu mempercepat kinerja waktu proses training voice biometrics menjadi 5,12 detik. Sehingga hasil kinerja tersebut dapat mengurangi beban komputasi dan lebih baik dalam kinerja akurasinya. Dapat disimpulkan bahwa CNN Residual dan CNN DSC telah mengungguli CNN Standard. Sehingga pengembangan skema voice biometrics dapat diaplikasikan untuk identifikasi dan verifikasi/autentikasi suara user secara akurat, efisien dan cepat untuk aplikasi keamanan identitas dalam transaksi perbankan.

---

Theft of identity is a threat to cybercrime today, especially online transactions. To overcome this problem, voice biometrics was developed for identity security. This research proposes a voice biometrics scheme on deep learning algorithms the CNN Residual and CNN Depthwise Separable Convolution (DSC) with Hybrid of Discrete Wavelet Transform (DWT) and Mel Frequency Cepstral Coefficients (MFCC) Feature Extraction and develops voice data establishment for Indonesian users within a short period of time 25 minutes. The scheme is targeted to improve accuracy performance. This research developed 2 separate models, i.e. CNN Residual and CNN DSC model. For each model testing, the results are compared with the CNN Standard. The results of the first testing show the best performance, the CNN Residual model is able to improve the performance of training accuracy validation on voice biometrics of 98.6345%, precision of 99.91% and accuracy of 99.47% on speaker recognition (who is speaking?), and accuracy on speech recognition (What is uttered?) of 100%. The results of the second testing show the best performance, the CNN DSC model is able to reduce the performance of training parameters and is able to accelerate the performance of the voice biometrics training process time to 5.12 seconds. So that the performance results can reduce the computational load and and better in its accuracy performance. It can be concluded that CNN Residual and CNN DSC have outperformed CNN Standard. So that the development of voice biometrics schemes can be applied for identification and verification/authentication of the user's voice accurately, efficiently and quickly for identity security applications in banking transactions."

"ABSTRAKProyek Engineering Procurement Construction Commissioning (EPCC) memiliki tahap uji coba untuk mencapai unjuk kinerja yang disyaratkan dalam kontrak sebelum pabrik dapat diserahterimakan ke pemilik. Proyek ini memiliki tantangan yang sangat besar, seperti fase overlaps dan saling ketergantungan antar aktivitas, rincian aktivitas yang sangat akurat, dan ketidakpastian dalam akurasi prediksi yang timbul selama proyek berlangsung. Banyak penjadwalan proyek EPCC tidak selaras dengan jadwal commissioning. Oleh karena itu, pengaturan waktu dan sumber daya menjadi faktor penting dalam keberhasilan penyelesaian commissioning pabrik. Makalah ini bertujuan untuk meminimalkan keterlambatan commissioning melalui peningkatan penjadwalan commissioning pada proyek pabrik industri pengolahan gas dengan menggunakan metode Analytical Hierarchy Process (AHP) dan Critical Path Method (CPM). Metode AHP menghasilkan prioritas sistem commissioning yang kemudian digunakan dalam penjadwalan menggunakan metode CPM. Hasil menunjukkan jadwal commissioning durasi pendek, karena beberapa kegiatan paralel antara pre-commissioning dan konstruksi. Durasi waktu penyelesaian commissioning berkurang dari 309 hari menjadi 293 hari.

---

ABSTRACTEngineering Procurement Construction Commissioning (EPCC) project has a trial/testing phase to achieve the performance guarantee required in the contract before the plant handed over to the operator. This project has enormous challenges, such as overlapping phases and interdependencies between activities, very accurate details of activities, and uncertainties in the accuracy of predictions that arise during the project. Many EPCC project scheduling is not aligned with commissioning schedule. Therefore, time and resource arrangements are an important factor in the successful completion of plant commissioning. This paper aims to minimize commissioning delays by increasing commissioning scheduling in gas processing industry plant projects using the Analytical Hierarchy Process (AHP) and Critical Path Method (CPM). AHP method produces a commissioning system priorities, then used in CPM scheduling. The results showed a short duration commissioning schedule, because of some parallel activities between pre-commissioning and construction. The duration of completion commissioning time reduces from 309 days to 293 days."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Katarak menjadi penyebab kebutaan tertinggi di Indonesia. Dilaporkan oleh Kementrian kesehatan RI bahwa hasil survey yang dilakukan terhadap penduduk dibeberapa kota besar di Indonesia sebanyak 3% mengalami kebutaan, dan 81% dari nilai tersebut diakibatkan oleh katarak. Cara yang paling ampuh dalam mengatasi katarak ialah operasi dan perawatan setelahnya. Namun, diperlukan biaya 70 juta rupiah untuk operasi satu mata. Salah satu cara yang dihimbau ialah dengan mendeteksi dini pada kelainan mata. Pemeriksaan dilakukan oleh seorang spesialis mata yaitu Ophtalmology, dengan menggunakan bantuan fundus image mata dapat merepresentasikan keadaan pasien. Oleh karena itu diperlukan cara yang mampu mendeteksi katarak secara otomatis. Proses pembelajaran mesin menjadi cara yang banyak digunakan dalam menyelesaikan berbagai masalah, seperti masalah supervised atau masalah unsupervised. Untuk mengklasifikasi pasien katarak atau normal, dapat dibantu dengan metode Convolutional Neural Network (CNN) dengan model arsitektur VGG16 yang merupakan metode pembelajaran dengan algoritma deep learning biasa digunakan sebagai metode penyelesaian masalah gambar. Fundus image mata akan diekstrak menjadi fitur map yang akan menjadi ciri dari data. Kemudian setiap fitur map diolah melalui lapisan lainnya. Setiap lapisan berisikan parameter yang perlu dioptimasi agar proses pembelajaran data menjadi mudah dan efektif. Oleh karena itu diperlukan metode optimasi yang dapat mencari parameter terbaik yang dapat meminimumkan fungsi loss. Pada penelitian ini, dibangun metode optimasi RAdam berbasis Lookahead yang mampu mempercepat proses komputasi dan mempertahankan stabilitas dari learning rate. Dari hasil eksperimen pengklasifikasian fundus image mata katarak dan mata normal menggunakan model CNN dengan arsitektur VGG16 dan optimasi Lookahead-RAdam mendapatkan nilai loss 0,00608, akurasi 97,5% dan waktu lama proses 2388,081 detik.

---

Cataracts are the leading cause of blindness in Indonesia. It was reported by the Ministry of Health of the Republic of Indonesia that the results of a survey conducted on the population of several big cities in Indonesia were 3% blind, and 81% of this value was caused by cataracts. The most effective way to deal with cataracts is surgery and aftercare. However, it costs 70 million rupiah for one eye surgery. One of the recommended ways is for early detection of eye disorders. The examination is carried out by eye specialists, namely Ophthalmologists, using the help of a fundus image of the eye to represent the patient's condition. However, specialists in Indonesia are not evenly distributed throughout the country. Therefore, we need another way that can detect cataracts automatically. The machine learning approach is an approach that is widely used to solve various problems, such as supervised problems or unsupervised problems. There are many methods to help classify cataract or normal patients, one of which is by the Convolutional Neural Network (CNN) with the VGG16 architectural model which is a learning method with deep learning algorithms commonly used as a method of solving image problems. The Fundus image of the eye will be extracted into a feature map that will characterize the data. Then, each feature map is processed through other layers. Each layer contains parameters that need to be optimized so that the data learning process becomes easy and effective. Therefore, we need an optimization method that can find the best parameters that can minimize the loss function. In this study, constructed the RAdam optimization based Lookahead which is able to accelerate the computation process but also maintain the stability of the learning rate. From the experimental results of the classification of the fundus images of cataract and normal eye using the CNN model with the VGG16 architecture and the optimization Lookahead-RAdam, the value of loss is 0.00608, accuracy of 97.5% and a processing time of 2388.081 seconds."

"GPU atau singkatan dari Graphical Processing Unit merupakan mikroprosesor khusus yang berfungsi memercepat proses rendering grafik 2 dimensi atau 3 dimensi. GPU telah digunakan di beberapa perangkat seperti sistem yang telah ditanam, telepon genggam, komputer, workstation, dan game console. Penggunaan GPU sangat membantu efisiensi penggunaan waktu dalam proses perhitungan. Struktur paralel yang dimilikinya membuat efektivitas GPU lebih baik dibandingkan Control Processing Unit (CPU). Saat ini penggunaan GPU tidak hanya di bidang ilmu komputer saja, kemampuan yang dimiliki GPU dalam proses perhitungan yang rumit dan berulang-ulang menyebabkan penggunaanya telah dimanfaatkan di berbagai bidang. Dalam bidang kedokteran, GPU dimanfaatkan dalam mendiagnosis sebuah penyakit, sementara pada bidang akuntansi GPU digunakan dalam perhitungan data yang sangat banyak. Pada penelitian ini akan dijelaskan mengenai efektivitas penggunaan GPU dalam menjalankan sebuah program dan aplikasi serta perbedaannya dengan penggunaan CPU biasa."

"ABSTRAKTesis ini membahas mengenai manajemen operasional pada salah satu bank di Indonesia. Kegiatan operasional yang dianalisis adalah proses pencairan kredit, khususnya segmen otomotif, karena proses tersebut merupakan proses penting dalam operasional perbankan. Analisis berfokus pada penggunaan Critical Path Method (CPM) untuk mendapatkan gambaran terkait jalur kritis dari proses dan Program Evaluation and Review Technique (PERT) untuk mendapatkan kemungkinan tercapainya penyelesaian proses sesuai dengan target yang ditentukan. Hasil analisis menunjukkan bahwa hampir setiap aktivitas dalam proses tersebut merupakan jalur kritis dan adanya kemungkinan sebesar 77% proses dapat diselesaikan sesuai target waktu yang ditetapkan.

---

ABSTRACT

This thesis discusses the operational management at one of the banks in Indonesia. The operational activity discussed in this thesis is related to credit disbursment process, in particular the automotive segment, because the process is an important process in the banking operations. Analysis focuses on the use of Critical Path Method (CPM) to get an overview of the process related to the critical path and Program Evaluation and Review Technique (PERT) to give possibility in completing the process in accordance with the specified target. The analysis showed that almost every activity in the process is in the critical path and the possibility is 77% that process can be completed on targeted time."