Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang hubungan Indonesia dengan Australia ketika diberlakukannya The Agreement on Maintaining Security (AMS) pada tahun 1995-1999. Penelitian ini merupakan penelitian sejarah diplomasi yang memfokuskan pada bidang pertahanan dan keamanan, khususnya tentang persetujuan keamanan yang dibuat oleh Indonesia dan Australia pada tahun 1995. Metode yang digunakan dalam penelitian ini adalah metode sejarah dengan menggunakan sumber-sumber tertulis. Perbedaan penelitian ini dengan penelitian lain yang sejenis yaitu ruang lingkup permasalahannya yang menjadikan The Agreement on Maintaining Security (AMS) sebagai fokus pembahasan. Hasil dari penelitian ini menjelaskan bahwa AMS membuat hubungan kedua negara berada pada titik yang terdekat dibandingkan periode-periode sebelumnya. Akan tetapi, ternyata AMS tidak dapat bertahan lama karena persetujuan ini berakhir pada tahun 1999. Selain itu, dalam penelitian ini terdapat beberapa hasil temuan yang tidak menjadi perhatian khusus dari penelitian sebelumnya. Hasil-hasil temuan itu diantaranya proses negosiasi, respon dalam negeri dari kedua negara, serta implementasi dan dampaknya.

---

This thesis discusses the relationship between Indonesia and Australia on the implementation of the Agreement on Maintaining Security (AMS) in 1995-1999. This research is a research on history of diplomacy that focuses on the field of defense and security, especially regarding the security agreements made by Indonesia and Australia in 1995. The method used in this study is the historical method using written sources. The difference between this research and other similar studies is the scope of the problem which makes the Agreement on Maintaining Security (AMS) the focus of the discussion. The results of this study explain that AMS causes the relation between the two countries reached the closest point compared to the previous periods. However, it turned out that AMS could not last long because this agreement ended in 1999. In addition, in this study there were several findings that were not of particular concern from the previous researches. The findings include the negotiation process, the domestic responses from the two countries, also the implementation and impacts."

"White Matter Hyperintensities (WMHs) merupakan neuroradiological features yang dapat dilihat pada T2-FLAIR brain MRI sebagai bagian putih (hyperintensities) dan merupakan karakteristik dari small vessel disease (SVD). Informasi detail terkait WMHs (lokasi, volume, dan distribusi) sangat diperlukan untuk membantu penanganan pasien. Akan tetapi melakukan segmentasi otomatis pada WMHs merupakan tantangan tersendiri karena ukuran, bentuk, dan letak WMHs yang tidak menentu. Hasil evaluasi dapat berubah bila test set berasal dari dataset yang berbeda dari train set, karena setiap dataset akan memiliki karakteristik yang berbeda. Penelitian ini mengusulkan model bernama Probabilistic Multi-compound Transformer (Probabilistic MCTrans) yang menggantikan model U-Net pada Probabilistic U-Net menjadi model MCTrans. Secara penelitian sebelumnya, model MCTrans dapat menyelesaikan permasalahan long-range dependencies dan model Probabilistic U-Net dapat menangkap ambiguitas dari citra medis, serta akan melakukan evaluasi cross-dataset robustness untuk mengetahui performa model bila train set berbeda sumber dari test set. Dari hasil evaluasi menunjukan bahwa Probabilistic MCTrans memiliki performa yang lebih rendah dibandingkan dengan Probabilistic U-Net. Akan tetapi Probabilistic MCTrans memiliki performa lebih baik dibandingkan dengan MCTrans. Hal tersebut dapat terjadi karena ambiguitas yang ditangkap Probabilistic MCTrans lebih banyak dari Probabilistic U-Net dan ambiguitas banyak terjadi di border WMHs. 

---

White Matter Hyperintensities are neuroradiological features that often seen in T2-FLAIR brain MRI as hyperintensities and characteristic of small vessel disease (SVD). Detailed information of WMHs (i.e. location, volume, and distribution) are needed in clinical research to help treat patients. However, automatic segmentation on WMHs is still challenging due to uncertain volume, shape, and location of WMHs. Evaluation results may change if test set came from different dataset as train set, because every dataset have their own characteristic. In this study, we propose a model called Probabilistic Multi-compound Transformer (Probabilistic MCTrans), that replace U-Net from Probabilistic U-Net’s with MCTrans. In previous study, model MCTrans can solved long-range dependencies problem and model Probabilistic U-Net can capture ambiguity in biomedical image, also we would like to evaluate on cross-dataset robustness to determine performance model when the train set differs in source from the test set. The evaluation results show that Probabilistic MCTrans has a lower performance than Probabilistic U-Net. However, Probabilistic MCTrans has better performance than MCTrans. Furthermore, the ambiguity captured by Probabilistic MCTrans is more than Probabilistic U-Net and the ambiguity is around the border of WMHs. "