Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengusulkan pengembangan model monolingual untuk Natural Language Inference (NLI) dalam bahasa Swahili untuk mengatasi keterbatasan model multibahasa saat ini. Studi ini melakukan fine-tuning pada model SwahBERT yang sudah dilatih sebelumnya untuk menangkap hubungan semantik dan nuansa kontekstual unik dalam bahasa Swahili. Komponen penting dari penelitian ini adalah pembuatan dataset SwahiliNLI, yang dirancang untuk mencerminkan kompleksitas bahasa Swahili, sehingga menghindari ketergantungan pada teks bahasa Inggris yang diterjemahkan. Selain itu, kinerja model SwahBERT yang telah di-fine-tune dievaluasi menggunakan dataset SwahiliNLI dan XNLI, dan dibandingkan dengan model multibahasa mBERT. Hasilnya menunjukkan bahwa model SwahBERT mengungguli model multibahasa, mencapai tingkat akurasi sebesar 78,78% pada dataset SwahiliNLI dan 73,51% pada dataset XNLI. Model monolingual juga menunjukkan presisi, recall, dan skor F1 yang lebih baik, terutama dalam mengenali pola linguistik dan memprediksi pasangan kalimat. Penelitian ini menekankan pentingnya menggunakan dataset yang dihasilkan secara manual dan model monolingual dalam bahasa dengan sumber daya rendah, memberikan wawasan berharga untuk pengembangan sistem NLI yang lebih efisien dan relevan secara kontekstual, sehingga memajukan pemrosesan bahasa alami untuk bahasa Swahili dan berpotensi menguntungkan bahasa lain yang menghadapi keterbatasan sumber daya serupa.

---

This research proposes the development of a monolingual model for Natural Language Inference (NLI) in Swahili to overcome the limitations of current multilingual models. The study fine-tunes the pre-trained SwahBERT model to capture Swahili's unique semantic relationships and contextual nuances. A critical component of this research is the creation of a SwahiliNLI dataset, crafted to reflect the intricacies of the language, thereby avoiding reliance on translated English text. Furthermore, the performance of the fine-tuned SwahBERT model is evaluated using both SwahiliNLI and the XNLI dataset, and compared with the multilingual mBERT model. The results reveal that the SwahBERT model outperforms the multilingual model, achieving an accuracy rate of 78.78% on the SwahiliNLI dataset and 73.51% on the XNLI dataset. The monolingual model also exhibits superior precision, recall, and F1 scores, particularly in recognizing linguistic patterns and predicting sentence pairings. This research underscores the importance of using manually generated datasets and monolingual models in low-resource languages, providing valuable insights for the development of more efficient and contextually relevant NLI systems, thereby advancing natural language processing for Swahili and potentially benefiting other languages facing similar resource constraints."

"Pencarian korban pada daerah bencana biasanya memiliki kondisi medan yang tidak menguntungkan bagi penyelamat sehingga bisa menyebabkan korban yang ingin diselamatkan tidak mendapatkan penanganan dalam tepat waktu. Sistem pencarian korban berbasis Multi-UAV (Unmanned Aerial Vehicles) muncul sebagai solusi untuk memfasilitasi operasi pencarian yang lebih mudah. Penggunaan perangkat Multi-UAV dalam pencarian korban memerlukan aliran data yang besar, sering kali membebani jaringan dan protokol yang ada, mengakibatkan ketidakstabilan dalam latensi dan penurunan FPS (Frame Per Second). FogVerse, framework dengan model komunikasi Publish-Subscribe, menawarkan solusi dengan sistem yang peka terhadap throughput, sehingga menstabilkan latensi dan meningkatkan FPS, terutama di daerah bencana dengan keterbatasan konektivitas internet. Sistem pencarian korban berbasis Multi-UAV beroperasi dengan mendeteksi manusia di daerah bencana dengan model deep learning. Penelitian ini mengatasi tantangan dalam pencarian korban dengan Multi-UAV dan juga menunjukkan faktor-faktor yang dapat memengaruhi latensi, seperti penggunaan CPU (Central Processing Unit), Memori, dan GPU (Graphics Processing Unit) dari komponen yang terlibat dalam sistem. Di antara berbagai model, model YOLOv8n yang telah dilakukan transfer learning dipilih dan dibandingkan dengan model awal sebelum transfer learning. Model tersebut menunjukkan peningkatan dibanding model aslinya, termasuk peningkatan precision/recall sebesar 0.384/0.562, peningkatan mAP sebesar 0.555, dan pengurangan waktu inferensi sebesar 2.2 ms. Model itu sendiri menunjukkan peningkatan latensi rata-rata sekitar 9.775 milidetik di semua skenario. Meskipun berkinerja sedikit lebih baik dalam hal FPS dengan 1 atau 2 UAV, model awal YOLOv8n umumnya mencapai FPS yang lebih tinggi ketika digunakan 3 atau 4 UAV. Arsitektur Multi UAV FogVerse memberikan FPS yang lebih unggul dan latensi yang lebih stabil dibandingkan dengan arsitektur Centralized, meskipun memiliki memori dan GPU usage yang lebih tinggi. Namun, keunggulan FPS-nya menurun dengan penggunaan UAV yang lebih banyak, menunjukkan tantangan alokasi sumber daya, sementara arsitektur Centralized mempertahankan penggunaan sumber daya yang konsisten tetapi mengalami lonjakan latensi dan frame loss yang lebih tinggi.

---

The search for victims in disaster-stricken areas typically involves challenging terrain conditions for rescuers, potentially resulting in delayed assistance for those in need. A Multi-UAV (Unmanned Aerial Vehicles) based victim search system emerges as a solution to facilitate more efficient search operations. The use of Multi-UAV devices in victim searches generates substantial data streams, often overwhelming existing networks and protocols, leading to instability in latency and decreased FPS (Frame Per Second). FogVerse, a framework with a Publish-Subscribe communication model, offers a solution with a system that is sensitive to throughput, thereby stabilizing latency and improving FPS, especially in disaster-stricken areas with limited internet connectivity. The Multi-UAV based victim search system operates by detecting humans in disaster areas with a deep learning model. This research addresses challenges in victim searches with Multi-UAV, while also shows factors that can influence latency, such as CPU (Central Processing Unit), Memory, and GPU (Graphics Processing Unit) usage of the components involved in the system. Across different models, the transfer-learned YOLOv8n model is chosen and compared to its original model. The transfer-learned model shows enhancements over the original model, including an increase in precision/recall by 0.384/0.562, an mAP improvement of 0.555, and a reduction in inference time by 2.2 ms. The model itself shows an average latency improvement of approximately 9.775 milliseconds across all scenarios. Although it performs slightly better in terms of FPS with 1 or 2 UAVs, the standard YOLOv8n model generally achieves higher FPS when 3 or 4 UAVs are used. The Multi UAV FogVerse Architecture provides superior FPS and more stable latency compared to the Centralized architecture, despite higher memory and GPU usage. However, its FPS advantage decreases with more UAVs, suggesting resource allocation challenges, while the Centralized architecture maintains consistent resource usage but suffers from higher latency and frame loss."

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran ow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara e sien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang mem- bandingkan FCT antara ow yang mengandung data telemetry dan ow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the ow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and ef ciently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between ows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."