Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sifat lingkungan bawah air yang kompleks menjadi sebuah tantangan untuk analisis citra bawah air. Citra bawah air sering mengalami distorsi warna dan visibilitas buruk karena penyerapan dan penghamburan. Hal ini menyebabkan kualitas citra menjadi buruk dan sulit dimengerti, sehingga membuat sistem analisis citra sulit diterapkan di bawah air. Banyak metode yang telah dikembangkan untuk mengatasi tantangan ini. Akan tetapi, setiap metode memiliki keterbatasannya masing-masing. Metode konvensional, seperti metode berbasis physical dan non-physical, sering kali tidak cukup untuk mencakup beragam kondisi bawah air. Sementara itu, metode deep learning cenderung memiliki beban komputasi berat. Metode ini juga berpotensi untuk tidak dapat beradaptasi pada data yang berbeda karena parameter yang sudah tetap setelah pelatihan. Untuk mengatasi keterbatasan kedua metode, penelitian ini mengadopsi pendekatan hybrid GL-Net+CHE yang merupakan model restorasi yang menggabungkan metode konvensional dan deep learning. Modifikasi dari model tersebut, Mod GL-Net+CHE, dilakukan pada komponen deep learning. Dari hasil evaluasi kuantitatif pada data uji UIEB, Mod GL-Net+CHE memperoleh nilai terbaik dengan SSIM 0.9015, PSNR 21.6835, dan 00 9.4205. Namun, berdasarkan hasil evaluasi kualitatif pada data UIEB dan uji robustness pada data UCCS, perbedaan antara model baseline (GL-Net+CHE) dan model modifikasi (Mod GL-Net+CHE) tidak signifikan. Pada ablation studies, ditemukan bahwa hasil kuantitatif Mod GL-Net+CHE lebih baik ketika hanya menggunakan komponen deep learning saja. Akan tetapi, observasi dari beberapa sampel menunjukkan bahwa hasil kuantitatif tidak selalu merefleksikan hasil kualitatif. Hingga saat ini, membandingkan performa model restorasi dan mengukur kualitas citra masih menjadi tantangan.

---

The complex nature of underwater environments poses a challenge in underwater image understanding. Underwater images often have color distortion and poor visibility due to absorption and scattering. These phenomenons negatively affect the quality and the interpretability of the images, which becomes a hindrance in underwater vision-related tasks. Many methods have been developed to overcome this problem. However, each of them has its own limitations. Conventional methods, such as physical-based and non-physical based, are often not sufficient enough to cover a wide variety of underwater scenes. Deep learning methods, on the other hand, have a heavy computational cost. It might also be unable to adapt to different datasets due to its fixed parameters after training. To overcome the limitations of both approaches, this research adopts a hybrid approach, GL-Net+CHE, a restoration model that combines conventional and deep learning methods. A modification of this model, named Mod GL-Net+CHE, is proposed, which modifies the deep learning component of the baseline model. Based on the quantitative evaluation on the UIEB dataset, Mod GL-Net achieves the best SSIM, PSNR, and ΔE₀₀ with value 0.9015, 21.6835, and 9.4205 respectively. However, based on the qualitative evaluation, there are no significant differences between the baseline and modified model. Ablation studies also show that Mod GL-Net+CHE performs better when only the deep learning component is used. However, further observation shows that quantitative results do not always reflect qualitative result. To this day, comparing the performance of underwater images restoration models and measuring the quality of underwater images remains challenging."

"Pola hidup WFH (Work From Home) sebagai dampak pandemi Covid-19 menyebabkan konsumsi listrik yang tadinya berasal dari gedung perkantoran menjadi terdistribusi pada perumahan sebagai tempat masyarakat bekerja. Hal tersebut menyebabkan konsumsi listrik di perumahan meningkat dan dibutuhkan cara untuk mengontrolnya. Prediksi penggunaan listrik pada jangka waktu pendek dapat digunakan sebagai solusi, sehingga dapat dibuat perencanaan biaya listrik yang lebih awal serta mendeteksi anomali ketika hasil prediksi berbeda jauh ketika dibandingkan dengan penggunaan secara aktual. Agar pendeteksian anomali dan prediksi konsumsi dapat dilakukan secara maksimal, diperlukan suatu model dengan akurasi yang tinggi. Penelitian ini menggunakan hybrid model sebagai forecasting model yang belakangan ini terus berkembang. Penggunaan hybrid model dipertimbangkan untuk digunakan karena dapat menciptakan suatu model yang komprehensif. Implementasi hybrid model menggabungkan ETS (Error, Trend, and Seasonality) sebagai model untuk memprediksi komponen linear dan ANN (Artificial Neural Network) sebagai untuk komponen non-linear dari dataset. ANN menggunakan SCA (Sine-Cosine Algorithm) sebagai algoritma optimasinya untuk mempercepat konvergensi dari pelatihan model dengan akurasi yang tetap terjaga. Hybrid model digunakan untuk memprediksi konsumsi listrik AC dan penerangan pada gedung S FTUI (Fakultas Teknik Universitas Indonesia) dengan kuantisasi data per hari dan per jam. Pada kuantisasi data per hari hybrid model dibandingkan dengan model individu yaitu ETS, ANN, dan SCA-ANN, dan juga dibandingkan dengan hybrid model dengan GA (Genetic Algorithm) sebagai algoritma metaheuristiknya dan hybrid model tanpa algoritma metaheuristik (backpropagation menggunakan Adam). Pada perbandingan tersebut hybrid model menjadi model terbaik dengan MSE sebesar 43,494 dan SMAPE 51.6 pada data AC, dan MSE sebesar 5,928 dan SMAPE sebesar 44.5 pada data penerangan. Pada kuantisasi data per jam, hybrid model tidak dapat memprediksi konsumsi listrik dengan baik

---

WFH (Work From Home) is a new lifestyle that is developed due to the Covid-19 pandemic, and resulted to the distribution of electricity consumption from office buildings to residential area where people lives. That increases residential area’s electricity consumption, and something is needed to control the increase. Shortterm electricity consumption can be used as a solution, so electricity cost can be planned earlier, and anomaly can be detected when there is an unusual pattern in the consumption. To maximize the performance of anomaly detection and consumption prediction, a specific model with high accuracy is needed. This research uses the recently much developed hybrid model as the forecasting model. The use of hybrid model is considered because it can create a comprehensive model. The implementation of hybrid model combines ETS (Error, Trend, and Seasonality) to predict the linear components and ANN (Artificial Neural Network) to predict the non-linear components from the dataset. ANN uses SCA (Sine-Cosine Algorithm) as an optimization algorithm to speed the convergence process while maintaining the accuracy of the prediction. Hybrid model is used to predict the electricity consumption of FTUI (Fakultas Teknik Universitas Indonesia) S building’s air conditioning and lighting which is quantized to daily and hourly data. When quantized as daily data, the hybrid model is compared to ETS, ANN, and SCA-ANN as an individual model, and compared to a hybrid model with GA (Genetic Algorithm) as its metaheuristic algorithm, and hybrid model without any metaheuristic algorithm (backpropagation using Adam). In the comparison, hybrid model is the best model with MSE value of 43,494 and SMAPE value of 51.6 when used in air conditioning data, and MSE value of 5,928 and SMAPE value of 44.5 when used in lighting data. When quantized as hourly data, hybrid model cannot predict the electricity consumption well."

"Penelitian ini bertujuan untuk membandingkan tingkat motivasi kerja dan tingkat keterikatan kerja antara pekerja dengan model kerja hybrid dan non-hybrid di Jakarta. Hipotesis utama yang diajukan adalah bahwa pekerja dengan model kerja hybrid akan memiliki tingkat motivasi kerja dan tingkat keterikatan kerja yang lebih tinggi dibandingkan dengan pekerja dengan model kerja non-hybrid. Partisipan penelitian ini terdiri dari 321 pekerja dalam rentang usia 18-45 tahun di Jakarta, dengan kategori kelompok hybrid sebanyak 115 partisipan dan kelompok non-hybrid sebanyak 206 partisipan. Metode yang digunakan adalah desain penelitian komparatif. Pengumpulan data dilakukan menggunakan instrumen pengukuran Motivation at Work Scale (MAWS12) dan Utrecht Work Engagement Scale (UWES-9) yang valid serta reliabel. Hasil pengujian statistik dengan Mann-Whitney menunjukkan bahwa terdapat perbedaan yang signifikan antara kelompok hybrid dan non-hybrid dalam tingkat motivasi kerja serta tingkat keterikatan kerja (p < 0,05). Implikasi dari hasil ini adalah pentingnya penerapan model kerja hybrid sebagai strategi untuk meningkatkan motivasi kerja dan keterikatan kerja.

---

This study aims to compare the levels of motivation at work and work engagement among employees with hybrid and non-hybrid work models in Jakarta. The main hypothesis proposed is that employees with hybrid work model will have higher levels of motivation at work and work engagement compared to those with non-hybrid work model. The participants of this study consisted of 321 workers aged 18-45 years in Jakarta, with 115 participants in the hybrid group and 206 participants in the non-hybrid group. A comparative research design was utilized in this study. Data collection was conducted using valid and reliable instruments, Motivation at Work Scale (MAWS-12) and Utrecht Work Engagement Scale (UWES-9). The findings of the study using Mann-Whitney statistical method indicate that there are significant differences between the hybrid and non-hybrid groups in terms of motivation at work and work engagement (p < 0.05). The implications of these results highlight the importance of implementing hybrid work model as a strategy to enhance motivation at work and work engagement among employees."