Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABTRAKSuatu model tree dipakai untuk mempelajari faktorisasi matriks sparse simetris indefinit dengan cara pemilihan pivot diagonal. Struktur dasar yang digunakan adalah eliminasi tree dan eliminasi delay (eliminasi tertunda). Proses faktorisasi untuk matriks yang indefinit dapat dipandang sebagai suatu barisan transformasi tree yang didasari oleh data/informasi struktural dan data nilai-nilai numerik matriks. Hal tersebut memberikan suatu model dasar untuk mempelajari berbagai aspek numerik dari dekomposisi matriks sparse indefinite"

"ABSTRAKPengurutan merupakan proses penting yang banyakdigunakan untuk membantu pembuatan laporan sehinggadiperoleh data urut dan mudah dibaca, disamping itu jugadigunakan sebagai sarana (tools) untuk eksekusi algoritmeyang lebih kompleks. Kebutuhan pengolahan data dan informasi yang lebihcepat semakin dirasakan perlu. Penggunaan prosesor cepatpun kadang-kadang masih belum cukup. Untuk memenuhikebutuhan tersebut, implementasi pada komputer paraleldilakukan. Tesis ini bertujuan untuk mengkaji implementasipengurutan eksternal paralel pada jaringan komputerdengan sarana perangkat lunak PVM (Parallel VirtualMachine). Keuntungan implementasi pada PVM adalah tidakperlu mengadakan perangkat keras paralel, karena PVMmampu memanfaatkan jaringan komputer heterogen yang sudahada sebagai suatu sistem komputer paralel. Jaringankomputer yang dipakai terdiri dari lima stasiun kerja SUNSPARC Station 1+ yang dihubungkan melalui protokol TCP/IPEthernet dengan topologi jaringan bus. Lambatnya message passing pada jaringan komputer yangdipakai berhasil dikurangi pengaruhnya dengan mengaturukuran paket yang dikirim. Keserialan jalur I/O diatasidengan menghubungkan tiap prosesor dengan satu cakramnyasendiri, sehingga akses bersama terhadap satu cakramdikurang i. Dengan perbaikan tersebut, speedup maksimumyang diperoleh dengan konfigurasi lima prosesor danvariasi data antara 5000 sampai dengan 25000 rekor adalah3,6 dan efisiensinya 71,12 %. Data yang digunakanberstruktur rekor, yang terdiri dari tiga field alphanumerik dengan panjang 50 bytes/rekor."

"

Pengenalan emosi dasar melalui ekspresi wajah menjadi domain penelitian yang berkembang saat ini. Berbagai metode machine learning telah digunakan untuk permasalahan ini. Dewasa ini, metode deep learning terbukti lebih robust untuk penyelesaian domain pengenalan emosi dasar. Salah satu metode deep learning yang dapat digunakan adalah deep belief network-deep neural network (DBN). Metode ini sebelumnya berhasil diujikan untuk pengenalan citra CIFAR-10 dan MNIST, namun masih belum digunakan untuk dataset citra emosi wajah. Oleh karena itu, pada penelitian ini, kami menggunakan DBN-DNN untuk pengenalan emosi dasar. DBN-DNN diujikan dengan 2 (dua) skema eksperimen yakni DBN-DNN dimensi penuh dimensi tereduksi. Hasil dari kedua skema menunjukkan bahwa DBN-DNN berhasil diujikan pada dataset citra wajah MUG, CK+, dan IMED untuk pengenalan 7 (tujuh) kelas emosi dasar yaitu marah, jijik, takut, senang, netral, sedih, dan terkejut. Skema DBN- DNN dimensi penuh, berhasil mendapatkan akurasi pengenalan emosi dasar pada citra wajah dataset MUG sebesar 94.07%, dengan waktu komputasi yang cukup lama yakni 7 jam 13 menit. Berbeda halnya dengan pengenalan DBN- DNN dimensi penuh pada citra wajah dataset CK+ dan MUG, meskipun waktu yang dibutuhkan saat pengenalan cukup singkat yakni 11 menit untuk  CK+ dan 7 menit untuk IMED, akurasi yang didapatkan masih cukup kecil yakni 40.64% untuk CK+ dan 44.43% untuk IMED. Kecilnya akurasi pengenalan CK+ dan IMED, dipengaruhi oleh jumlah data yang kurang banyak, berbeda dengan MUG yang mencapai 9805 data. Sehingga, DBN-DNN kurang optimal dalam melakukan proses pembelajaran pada kedua dataset tersebut, CK+ dan IMED. Sedangkan, pada skema DBN-DNN dimensi tereduksi, akurasi berhasil meningkat baik untuk pengenalan pada dataset MUG, CK+ dan IMED. Akurasi pengenalan pada MUG mencapai 94.75%, CK+ 52.84%, dan IMED 56.58%. Waktu komputasi yang diperlukan dalam pengenalan pun juga lebih efisien khususnya pada dataset MUG, menjadi 3 jam 45 menit termasuk proses reduksi dimensi SVD di dalamnya. Hal ini berbeda untuk dua dataset lain, CK+ dan IMED, keduanya membutuhkan waktu cukup lama untuk proses reduksi dimensi karena SVD menggunakan jumlah dimensi 16384 untuk mendekomposisi matriks. Namun, jika waktu yang digunakan untuk proses DBN-DNN nya saja relatif lebih singkat dari DBN-DNN dimensi penuh, yakni 2 menit untuk CK+ dan 1 menit untuk IMED.

 

---

Facial emotion recognition using facial expression has been popular in these past years. There are many machine learning methods used for recognition tasks.  Currently, the most robust method for this domain is deep learning. One type of deep learning method that can be used is the deep belief network – deep neural network (DBN-DNN). Although DBN-DNN has been used for recognizing CIFAR-10 and MNIST datasets, it has not yet been used for facial emotion recognition. Hence, in this research, we attempt to use the DBN-DNN for recognizing facial emotions. This research consists of two experimental schemes, DBN-DNN with full dimension and DBN-DNN with the reduced dimension. The result of these experiments shows that using the MUG facial emotion dataset, DBN-DNN has successfully recognized 7 (seven) classes of basic emotions, angry, disgust, fear, happy, neutral, sadness, and surprise. DBN- DNN with full dimension has successfully reached 94.07% accuracy for recognizing 7 ( seven) basic emotions from the MUG dataset, even the run time needed is not efficient, 7 hours and 13 minutes. Meanwhile, the CK+ dan IMED dataset is not quite good at accuracy, even the run time is quite short, 11 minutes for CK+ dataset and 7 minutes for the IMED dataset. The accuracy for the CK+ dataset reaches 40,64% and 44.43% for the IMED dataset. This accuracy occurs because of the lack number of data that is processed by DBN-DNN. DBN-DNN is good at a lot of the number of data, like MUG with 9805 data. On the other hand, DBN-DNN with reduced dimension has successfully reached higher accuracy for MUG (94.75%), CK+ (52.84%) and IMED (56.58%) The run time also more efficient, especially on MUG Dataset (3 hours and 45 minutes). But, CK+ and IMED need a longer time for finishing the dimensionality reduction with SVD. Its because the number of dimensions processed by SVD uses a full dimension of the matrix, 16384. Hence, it needs more time to run the SVD. But, the time need for processing DBN-DNN after finishing the SVD, only need 2 minutes for CK+ dataset and 1 minute for IMED dataset.

 

"

"This book is intended as a self-contained guide to the entire field of bioinformatics, interpreted as the application of information science to biology. There is a strong underlying belief that information is a profound concept underlying biology, and familiarity with the concepts of information should make it possible to gain many important new insights into biology. In other words, the vision underpinning this book goes beyond the narrow interpretation of bioinformatics sometimes encoun- tered, which may confine itself to specific tasks such as the attempted identification of genes in a DNA sequence."

"This text serves well as a follow-on text to Python Programming Fundamentalsby Kent D. Lee and published by Springer, but does not require you to have readthat text. In this text the next steps are taken to teach you how to handle largeamounts of data efficiently. A number of algorithms are introduced and the need forthem is motivated through examples that bring meaning to the problems we face ascomputer programmers. An algorithm is a well-defined procedure for accomplishinga task. Algorithms are an important part of Computer Science and this textexplores many algorithms to give you the background you need when writingprograms of your own. The goal is that having seen some of the sorts of algorithms presented in this text, you will be able to apply these techniques to other programs you write in the future."

"Penelitian ini mengeksplorasi efektivitas penggunaan neural rerankers yang telah dilatih sebelumnya dalam meningkatkan kinerja model berbasis text matching seperti BM25 untuk digunakan dalam deteksi pertanyaan duplikat pada consumer health forum. Studi ini juga meneliti metode agregasi hasil reranking dari berbagai neural rerankers untuk menghasilkan performa yang lebih baik dibandingkan penggunaan reranker individual. Metode reranking pertama menggunakan BM25, diikuti oleh reranking kedua menggunakan model neural seperti cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, dan lainnya. Tahap ketiga melibatkan teknik rank fusion seperti Borda Fuse, Condorcet, dan Weighted Combsum. Hasil menunjukkan bahwa kombinasi reranking dengan neural reranker secara signi kan meningkatkan efektivitas model BM25, terutama saat menggunakan teknik rank fusion yang lebih canggih seperti Weighted Combsum. Studi ini menyarankan bahwa agregasi hasil reranking dapat mengatasi kelemahan individual reranker dan memberikan hasil yang lebih konsisten dan efektif. Penelitian ini membuka jalan untuk eksplorasi lebih lanjut dalam optimisasi kombinasi model untuk pencarian informasi yang lebih akurat dan e sien.

---

This study explores the effectiveness of using pre-trained neural rerankers in improving the performance of text matching based models such as BM25 for use in duplicate question detection in textitconsumer health forum. This study also examines the method of aggregating reranking results from various neural rerankers to produce better performance than using individual rerankers. The rst reranking method used BM25, followed by the second reranking using neural models such as cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, and others. The third stage involves rank fusion techniques such as BordaFUSE, Condorcet, and Weighted COMBSUM. Results show that the combination of reranking with neural rerankers signi cantly improves the effectiveness of the BM25 model, especially when using more advanced rank fusion techniques such as Weighted COMBSUM. This study suggests that aggregation of reranking results can overcome the weaknesses of individual rerankers and provide more consistent and effective results. This research paves the way for further exploration in model combination optimization for more accurate and ef cient information retrieval."

"Arsitektur jaringan overlay P2P berjenjang terstruktur (structured hierarchical P2P) sangat sesuai untuk jaringan heterogen karena mempertimbangkan keberagaman kapabilitas peer. Pada penelitian ini diusulkan pendekatan baru mekanisme rejoin yang dinamakan collective rejoin, dimana proses rejoin dilakukan secara per kelompok, sebagai alternatif dari pendekatan individual rejoin yang selama ini diterapkan pada arsitektur P2P berjenjang terstruktur berbasis Chord. Setiap kelompok yang mengalami kegagalan superpeer akan menunjuk normal peer dengan kapabilitas tertinggi dalam kelompoknya sebagai superpeer baru. Superpeer baru ini yang akan mengirimkan pesan rejoin ke sistem. Dengan pendekatan ini, jumlah trafik rejoin akan jauh berkurang dibandingkan pendekatan individual rejoin, sehingga konsumsi bandwidth untuk overhead trafik pengelolaan dapat dikurangi. Kinerja pendekatan collective rejoin ini dievaluasi dengan menggunakan parameter: variasi nilai rasio superpeer, tingkat dinamika jaringan (churn), ukuran jaringan, dan tingkat kesibukan jaringan (lookup query rate). Evaluasi kinerja dilakukan dengan mengamati jumlah trafik yang dihasilkan oleh proses rejoin pada saat terjadi kegagalan superpeer (rejoin traffic load), rasio antara lookup query yang berhasil diselesaikan terhadap seluruh lookup query yang terjadi (successful lookup rate), dan banyaknya hop yang harus ditempuh untuk menyelesaikan sebuah lookup query (lookup query cost). Nilai efisiensi diperoleh berdasarkan penghitungan penghematan penggunaan bandwitdh yang dapat dilakukan oleh pendekatan collective rejoin. Pada seluruh parameter yang diujikan, pendekatan collective rejoin menghasilkan jumlah trafik rejoin yang lebih sedikit dibandingkan dengan pendekatan individual rejoin. Hal ini dibarengi juga dengan successful lookup rate yang rata-rata lebih baik, dengan tanpa meningkatkan lookup query cost. Rasio superpeer dan ukuran jaringan berpengaruh signifikan terhadap nilai efisiensi. Sedangkan pada pengujian terhadap parameter tingkat dinamika jaringan dan tingkat kesibukan jaringan, nilai efisiensi relatif tetap. Hasil simulasi menunjukkan bahwa pendekatan collective rejoin efektif jika diterapkan pada jaringan P2P berjenjang terstruktur dengan ukuran kelompok yang besar (pada penelitian ini, dengan rasio superpeer terbesar adalah 10%).

---

By considering the diversity of p overlay network architecture is weeer capability, structured hierarchical P2Pll suited for heterogeneous networks. In this research, a new approach of rejoin mechanism is proposed, called collective rejoin, whereby rejoin process is done per group. Each group that experiences a superpeer failure will appoint a normal peer that has highest capabilities in the group as the group's new superpeer. This new superpeer will send rejoin message to the system. Using this approach, the number of rejoin traffic is less than individual rejoin. In turn, it will decrease the bandwidth consumption of management traffic overhead The collective rejoin approach performance is evaluated using parameters: variety of superpeer ratio, network dynamics level (churn), network size, and overlay network activities level (lookup query rate).

Performance evaluation is conducted by observing the number of rejoin traffic, the successful lookup rate, and the lookup query cost. The efficiency value is obtained by calculating bandwidth consumption saving by the collective rejoin approach. On all tested parameters, the collective rejoin approach produces fewer rejoin traffics than the individual rejoin approach. The successful lookup rate of collective rejoin is outperform the individual rejoin. The lookup query cost of the collective rejoin can be maintained at the same value as in the individual rejoin. Superpeer ratio and network size significantly impact the efficiency. Meanwhile, networks dynamic and activities provide a relative stable efficiency. The results show that the collective rejoin approach is useful for large group size hierarchical structured P2P (in this research the maximum superpeer ratio is 10%)."