Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dunia digital saat ini, penggunaan perangkat lunak telah menjadi bagian penting dalam kehidupan sehari-hari dan bisnis. Perangkat lunak harus diuji secara ketat untuk menghindari kerugian finansial dalam proses memperbaiki perangkat lunak. Perangkat lunak yang bebas dari cacat dapat meningkatkan fungsionalitas bisnis secara signifikan. Karena itu, memprediksi cacat pada perangkat lunakmenjadi sangat penting dalam industri teknologi. Tujuan dari prediksi cacat pada perangkat Lunak (Software Defect Prediction - SDP) adalah untuk menemukan kemungkinan malfungsi pada perangkat lunak. Penelitian ini mengusulkan pendekatan pemilihan fitur hibrida (filter dan wrapper) berdasarkan metode pengambilan keputusan multi kriteria (Multi Criteria Decision Making - MCDM) dan metode optimisasi Rao untuk memilih fitur yang lebih informatif untuk meningkatkan tingkat prediksi cacat pada perangkat lunak. Fungsi kecocokan (fitness function) yang diusulkan mengukur kecocokan solusi kandidat dengan menggunakan tingkat akurasi prediksi cacat pada perangkat lunak dan rasio fitur pada himpunan data yang dipilih. Kinerja metode yang diusulkan dievaluasi menggunakan tiga himpunan data acuan NASA yang populer (PC5, JM1, dan KC1) dan dibandingkan dengan metode state-of-the-art. Dalam penelitian acuan yang ditulis oleh Thirumoorthy et al. (2022), metode yang diajukan menunjukkan kinerja yang lebih baik daripada algoritma pembanding. Namun, saat peneliti mencoba mereplikasi penelitian acuan, metode yang diajukan tidak menghasilkan peningkatan kinerja yang signifikan.

---

Software has become an important part of business. The software must be tested in order to prevent substantial financial loss. Defect-free software saves business money and effort to fix defects that occurs. Predicting software defects in advance is a crucial task in the software industry. The goal of Software Defect Prediction (SDP) is to predict bugs in software using software metrics as it’s features in the dataset. This paper proposes a hybrid feature selection (using filter–based) approach based on the multi criteria decision making (MCDM) method and the Rao optimization method for selecting informative features to improve the software defect prediction rate. The proposed work measures the fitness value of possible solution using defect prediction rate and feature selection ratio. The performance of the proposed method is evaluated using three popular benchmark NASA datasets (PC5, JM1, and KC1) and compared with the state-of-the-art methods. In the referenced paper written by Thirumoorthy et al. (2022), the proposed method demonstrated better performance than the comparative algorithms. However, when this paper attempted to replicate the cited study, the proposed method did not yield significant performance improvements."

"Rust adalah bahasa pemrograman sistem yang dikenal akan fitur keamanannya seperti ownership dan borrowing yang menjamin keamanan pada memori. Namun tidak semua keamanan dijamin oleh compiler Rust. Salah satunya karena adanya keyword unsafe yang tidak dicek oleh compiler. Prusti adalah alat verifikasi formal untuk bahasa Rust. Penelitian ini bertujuan untuk mengevaluasi seberapa akurat Prusti dalam memverifikasi program Rust. Eksperimen dilakukan dengan melakukan uji coba pada topik seperti conditional, operasi matematika, recursion, loop, indexing, borrowing dan fungsi unsafe. Program tersebut diverifikasi menggunakan Prusti lalu keluaran dari verifikasi dibandingkan dengan hasil yang diharapkan. Hasil penelitian menunjukkan Prusti akurat dalam memverifikasi program sederhana, namun memiliki keterbatasan untuk menangani fitur Rust yang belum didukung oleh Prusti seperti keyword unsafe. Untuk penelitian lanjutan, disarankan memperluas cakupan eksperimen ke fitur Prusti lainnya. Meskipun demikian, penelitian ini telah menunjukkan potensi Prusti dalam meningkatkan jaminan keamanan program Rust.

---

Rust is a systems programming language known for its safety features such as ownership and borrowing that guarantee memory safety. However, not all security aspects are guaranteed by the Rust compiler. The presence of the unsafe keyword allows code to bypass compiler checks. Prusti is a formal verification tool for the Rust language. This study aims to evaluate the accuracy of Prusti in verifying Rust programs. Experiments were conducted by evaluating topics such as conditionals, mathematical operations, recursion, loops, indexing, mutable borrows, and unsafe functions. The programs were verified using Prusti, and the outputs were compared with the expected results. The results show that Prusti is quite accurate in verifying simple programs but has limitations regarding Rust features that are not yet supported by Prusti, such as unsafe code. For further research, it is suggested to expand the scope of experiments to other Prusti features. Nevertheless, this study has demonstrated Prusti’s potential in enhancing the security assurances of Rust programs."

"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.

---

SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

"Tesis ini membahas dan menjelaskan mengenai implementasi algoritma Line Hough Transform dan Circular Hough Transform dalam mendeteksikemungkinan keberadaan garis dan lingkaran pada citra karakter numerik dan operator matematika sederhana hasil tulisan tangan. Ciri ini akan digunakan sebagai nilai karakteristik dalam proses pengenalannya dimana proses pengenalanini juga memerlukan validasi terhadap tiap garis dan lingkaran yang ditemukan melalui proses grouping dan trending, baik pada penerapan LHT maupun pada penerapan CHT. Untuk tahap identifikasi perhitungan matematika sederhana setelah proses pengenalan tiap karakternya, memanfaatkan hasil segmentasi objek sehingga posisi suatu karakter dapat diketahui. Penentuan range nilai yang digunakan dalam validasi trend lines dan trend circles LHT dan CHT pada sistem ini dilakukan melalui analisis sejumlah data sampel. Pendeteksian garis dan lingkaran ini juga sangat dipengaruhi oleh nilai threshold yang diberikan sebagainilai ambang batas dalam melakukan voting accumulator array. Dalam penelitian ini, nilai threshold diperoleh dari hasil uji coba dan threshold yang cocok yang diimplementasikan pada sistem merupakan suatu fungsi yang relatif terhadap ukuran segmentasi objek. Penerapan teknik segmentasi dan thinning dalam penelitian ini juga memperkecil effort yang harus dikerjakan oleh sistem pada pemrosesan LHT dan CHT. Hasil pengujian sistem melalui beberapa skenario eksperimen memberikan nilai rata-rata precision untuk uji coba pengenalan karakter-karakter secara individual sebesar 98.13% dan rata-rata recall nya sebesar 94% terhadap 450 citra yang diujikan, sedangkan nilai akurasi untuk ketepatan pengenalan dan perhitungan matematika hasil tulisan tangan diperolehsebesar 90%.

---

This thesis discusses and explains about the implementation of Line Hough Transform and Circular Hough Transform algorithm to detect the possible presence of lines and circles on the handwriting image of numeric characters and

simple math operators. These characteristics will be used as characteristic values in recognition phase where this process also requires validation of each line and each circle that is found through grouping and trending process, either on implementation of LHT or CHT. For identification of simple mathematical calculation phase after recognition process of each character, the results of object segmentation are used to determine the position of characters. The definition of range values that is used in trend lines and trend circles validating process from LHT and CHT in this system was obtained from the analysis of a number of

training data. This lines and circles detection is also heavily influenced by threshold value in voting accumulator array. In this study, the threshold value is obtained from the test results and the match one is implemented in this system as a function relative to the size of the object segmentation. The object segmentation and thinning techniques also minimize the effort on processing LHT and CHT.

The results of testing the system through several experimental scenarios give an average precision value of 98.13% and an average recall value of 94% for individual characters recognition trials on 450 testing images. The accuracy for recognition and identification of mathematical calculation on handwriting images

is 90%."

"Indonesia menempati peringkat ke-4 di dunia sebagai negara dengan kasus tuberkulosis terbanyak, setelah India, China, dan Afrika Selatan (WHO,2012). Upaya yang dilakukan untuk mengendalikan kasus tuberkulosis adalah menerapkan strategi pengobatan Direct Observed Treatment Shortcourse (DOTS) dalam waktu 6-9 bulan. Membangun sebuah model agar dapat memprediksi hasil pengobatan tuberkulosis sangat dibutuhkan untuk membantu para tenaga medis untuk mensupervisi setiap pasien berdasarkan kondisinya dan status resikonya. Penelitian ini menggunakan metode dynamic bayesian networks. Metode dynamic bayesian networks juga digunakan untuk mengidentifikasi independensi variabel pada penyakit tuberkulosis. Dalam penelitian software CaMML versi 1.4.1 digunakan untuk membangun struktur graf dynamic bayesian networks dan package Netica J-API yang berbasis Java untuk memvisualisasikan serta evaluasi graf. Evaluasi dilakukan dengan mengukur nilai akurasi dengan membentuk matriks konfusi dan menghitung logarithma loss. Tingkat akurasi struktur graf dalam memprediksi hasil pengobatan tuberkulosis sebesar 76,47% pada eksperimen 1 dan 100% pada eksperimen 2. Hal ini menunjukkan bahwa struktur graf yang terbangun dapat digunakan untuk model dalam mengidentifikasi keterkaitan variabel dalam data pengobatan TB. Selain itu, identifikasi hubungan variabel hasil pengobatan tuberkulosis dengan variabel data yang lain bersifat dependen atau indepeden dapat dilakukan melalui struktur dynamic bayesian networks dengan menggunakan algoritma d-separation.

---

Indonesia ranks 4th in the world as the country with the most cases of tuberculosis, after India, China, and South Africa (WHO, 2012). Efforts to control tuberculosis cases are implemented by the Direct Observed Treatment Shortcourse (DOTS) treatment strategy within 6-9 months. Building a model that can predict the outcome of tuberculosis treatment is needed to help the medical staff to supervise each patient based on the condition and status of the risk. This research use dynamic Bayesian networks method. Dynamic bayesian networks method is also used to identify independency of the variables on tuberculosis treatment data.

In this research, CaMML version 1.4.1 software is used to construct the graph of dynamic bayesian networks and Java based Netica-J API package is used to visualize and evaluate the graph. For evaluation, this research measure the value of accuracy obtained from a confusion matrix and calculate the logarithmic loss. In the first experiment, accuracy prediction of graph structure is 76,47% and in the second experiment the accuracy prediction is 100%. The result can be used as the model to identify the independency of variables in tuberculosis treatment data. In addition, identification of the relationship between tuberculosis treatment outcome variable and other variables are dependent or independent can be known using d-separation algorithm."

"Pada pengembangan sistem, dibutuhkan sebuah mekanisme untuk menjamin bahwa sistem tersebut berjalan dengan benar tanpa error atau rsquo;bug rsquo;. Sejauh ini, hal yang biasa dilakukan adalah dengan testing, tetapi hal ini sulit dilakukan untuk mencakup semua kemungkinan. Untuk sistem yang membutuhkan tingkat correctness yang tinggi, seperti misalnya pada hardware , perlu mekanisme yang dapat menjamin kebenaran program untuk semua kemungkinan input. Ada solusi lain yang dapat menjamin kebenaran program untuk semua kemungkinan input, yaitu dengan verifikasi formal. Verifikasi formal dilakukan dengan pemodelan matematika. Salah satu sistem yang membutuhkan tingkat correctness yang tinggi adalah sistem bilangan floating-point. Hal ini terkait dengan pengalaman yang dialami Intel pada tahun 1994. Salah satu bahasa standar dalam membangun sebuah sistem digital atau hardware adalah VHDL. Ada beberapa tools yang bisa dilakukan untuk verifikasi formal, salah satunya adalah HOL theorem prover. Penelitian ini melakukan formalisasi operasi aritmatika VHDL dan konstruksi terkait yang dilakukan dengan menggunakan HOL Theorem Prover. Hasilnya adalah sebuah framework yang berisi formalisasi beberapa algoritma aritmatika dasar VHDL dan konstruksi terkaitnya. Framework ini kemudian dapat digunakan untuk memverifikasi modul VHDL yang memanfaatkan aritmatika VHDL dan konstruksi terkaitnya.

---

In system development, a mechanism is needed to ensure that the system runs correctly without error or rsquo bug rsquo . So far, testing is a common solution, but it rsquo s hard to cover all error possibilities. For systems that require a high level of correctness, such as hardware systems, there is a need for a mechanism that can ensure the correctness of the program for all possible inputs. There is another solution to do the task, i.e. by formal verification. Formal verification is done by mathematical modeling. One system that requires a high level of correctness is the floating point number system. This is related to the experience of Intel in 1994.

One of the standard languages in developing a digital system or a hardware is VHDL. There are several tools that can be used for formal verification, one of which is HOL Theorem Prover. This research conducts a formalization of VHDL arithmetic operation and the related constructions done by using HOL Theorem Prover. The result is a framework which contains the formalization of some basic VHDL arithmetic algorithms and the related constructions. This framework can then be used to verify VHDL modules that utilize the VHDL arithmetic and the related constructs."

"SIBI (Sistem Isyarat Bahasa Indonesia) merupakan bahasa isyarat resmi yang digunakan oleh penyandang tunarungu di Indonesia untuk berkomunikasi sehari- hari baik dengan sesama penyandang tunarungu maupun orang non-tunarungu. Adanya aplikasi penerjemah gerakan Bahasa isyarat ke teks akan sangat membantu proses komunikasi antara tunarungu dan non-tunarungu. Salah satu fitur yang dibutuhkan untuk pengembangan model penerjemah SIBI adalah informasi kerangka manusia (skeleton). Penelitian ini bertujuan untuk mengembangkan metode ekstraksi fitur kerangka manusia dari citra video telepon pintar untuk melatih model pembelajaran mesin LSTM (Long Short-Term Memory) pengenal gerakan kata dasar SIBI. Metode ekstraksi fitur yang dikembangkan menggunakan Haar Cascade untuk identifikasi titik bahu, algoritma Lucas-Kanade untuk melacak titik tangan, dan menggunakan interpolasi antara titik bahu dan tangan untuk mengidentifikasi titik siku. Dari titik-titik skeleton tersebut, dihitung sudut antara bahu dan lengan atas, serta bahu dan lengan bawah. Hasil ekstraksi digunakan sebagai input untuk model pembelajaran mesin LSTM yang telah dikembangkan sebelumnya. Penelitian ini berhasil mengembangkan metode ekstraksi skeleton yang saat dimasukkan ke model LSTM menghasilkan model dengan akurasi terbaik hingga 84.64%. Model dengan akurasi terbaik tersebut adalah model LSTM 2 layer dan dilatih dengan parameter jumlah hidden unit 512, jumlah batch 100, dan iterasi training 1800 epoch.

---

SIBI (Indonesian Language Sign System) is the official sign language system used by deaf people in Indonesia to communicate with each other and with non-deaf people. An application that can translate the sign language movement from video to text would be very useful to help communication between deaf and non-deaf people. One of the features needed to develop a model to translate sign language gesture is the subject’s skeleton. This research aims to develop a method to extract skeleton feature from smartphone video image to be used to train an LSTM (Long Short-Term Memory) machine learning model to translate gestures of SIBI base words. The developed method used Haar Cascade to identify shoulder points, Lucas-Kanade Algorithm to track hand points, and interpolate elbow points based on the location of previously known shoulder and hand points. From those skeleton points, the angles between shoulder and upper arm, and the shoulder between upper and lower arm are computed. This extraction result is then fed into a previously- developed LSTM machine learning model as training data. This research successfully develops a skeleton extraction method that when fed into LSTM model resulted in a model that can achieve accuracy up to 84.64%. This best model is LSTM with 2 layers, and trained with 512 hidden units, 100 batch size, and 1800 training epoch."

"Terdapat aplikasi-aplikasi yang mempunyai kesamaan dalam hal fitur-fitur namun berbeda dalam fungsi. Hal ini memotivasi penggunaan Software Product Line Engineering (SPLE). SPLE menentukan fitur-fitur yang umum dan bagaimana fitur-fitur tersebut menghasilkan aplikasi yang bervariasi. Aplikasi SPLE dapat digunakan sebagai layanan pembuatan web. Namun, menjalankan banyak aplikasi produk memerlukan suatu sistem monitoring untuk memantau semua aplikasi. Penelitian ini mencoba menangkal permasalahan tersebut dengan menerapkan sistem monitoring yang terpusat. Sistem monitoring ini diterapkan untuk memonitor dan mendeteksi masalah dalam menjalankan aplikasi produk. Problem tersebut dapat berupa masalah performa dan error dari aplikasi, aplikasi tidak berjalan, atau kekurangan kapasitas CPU, memori, dan disk. Aplikasi produk dimonitor dengan mendapatkan metrik yang menggambarkan performa aplikasi. Log dari aplikasi produk juga didapatkan untuk membantu debugging suatu problem yang timbul. Pada sistem ini, terdapat Prometheus, Promtail, dan Loki yang berperan dalam mengumpulkan metrik dan log. Data yang sudah dikumpulkan ini diakses oleh Grafana untuk visualisasi data dan mendeteksi problem yang terjadi. Untuk memverifikasi kinerja sistem sebagai jawaban dari masalah utama penelitian ini, sistem ini diujikan dalam beberapa skenario. Terdapat 3 jenis skenario yang diujikan, skenario matinya aplikasi produk atau aplikasi monitoring, skenario penggunaan CPU, memori, dan disk yang tinggi, serta skenario terjadinya error dalam aplikasi produk. Penelitian juga menganalisis Beban sistem monitoring dan kemungkinan penerapan monitoring sebagai variabilitas dalam SPLE. Dengan penerapan ini, diharapkan sistem monitoring dapat mendeteksi problem dan membantu developer dalam menyelesaikan problem. Penelitian ini diharapkan dapat membuktikan bahwa monitoring dapat diterapkan ada SPLE.

---

There are applications that are similar in terms of features but different in functionality. This motivates the use of Software Product Line Engineering (SPLE). SPLE defines common features and how they result in varied applications. SPLE applications could be used as web development services. However, running many product applications requires a monitoring system to monitor all applications. This research tries to counteract the problem by implementing a centralized monitoring system. This monitoring system is implemented to monitor and detect problems in running applications. These problems can be in the form of performance issues and errors from the application, the application not running, or lack of CPU, memory, and disk capacity. Applications are monitored by obtaining metrics that describe application performance. Logs of applications are also obtained to help debug a problem that arises. In this system, Prometheus, Promtail, and Loki are responsible for collecting metrics and logs. The data that has been collected is accessed by Grafana for data visualization and problem detection. To verify the performance of the system as an answer to the main problem of this research, this system is tested in several scenarios. There are 3 types of scenarios tested, unexpected application shutdown, high resource usage, and error occurrence in applications. The research also analyzed the resource usage by monitoring system and the possibility of implementing monitoring options as a variability in SPLE. With this implementation, it is expected that the monitoring system can detect problems and assist the developers in solving problems. This research is expected to prove that monitoring can be applied to SPLE."

"Tujuan utama dari deteksi perubahan (change detection) adalah untuk mendeteksi perbedaan pada dua citra satelit di wilayah yang sama tetapi diambil pada waktu yang berbeda. Deteksi perubahan merupakan salah satu masalah penginderaan jauh yang cukup sulit karena perubahan yang ingin dideteksi (real-change) bercampur dengan perubahan semu (pseudo-change). Hal ini terjadi akibat adanya faktor perbedaan kecerahan, perbedaan kelembapan, perbedaan musim dan lain-lain yang terdapat pada kedua citra. Kemunculan Vision Transformer (ViT) sebagai model state-of-the-art pada berbagai permasalahan di Computer Vision turut serta menggeser peran Convolution Neural Network (CNN) di bidang deteksi perubahan. Walaupun ViT mampu menangkap interaksi jarak jauh long-range attention dari setiap patch citra, akan tetapi kompleksitas komputasinya meningkat secara kuadratik terhadap jumlah patch. Salah satu solusi untuk mengurangi kompleksitas komputasi pada ViT adalah dengan mereduksi matriks Key (K) dan Values (V) pada mekanisme Self-Attention (SA). Akan tetapi, reduksi tersebut menurunkan efektivitas ViT akibat adanya informasi yang hilang, sehingga terjadi trade-off antara efektivitas dan efisiensi pada metode deteksi perubahan. Untuk mengatasi masalah tersebut, penulis mengembangkan metode deteksi perubahan baru bernama WaveCD dengan memanfaatkan dekomposisi Discrete Wavelet Transform (DWT) untuk mereduksi matriks K dan V. Selain berfungsi untuk mereduksi data, dekomposisi DWT juga berfungsi untuk mengekstraksi fitur-fitur yang penting yang mewakili citra sehingga data awal dapat diaproksimasi melalui proses Inverse Discrete Wavelet Transform (IDWT). Pada dataset CDD, hasil evaluasi WaveCD mencapai kenaikan nilai IoU sebesar 14.7% dan F1-score sebesar 8% terhadap nilai evaluasi metode pembanding, SwinSUNet. Sedangkan pada dataset LEVIR-CD, hasil evaluasi WaveCD mencapai kenaikan nilai IoU sebesar 4% dan F1-score sebesar 2%

---

Change detection is a remote sensing task for detecting a change from two satellite imagery in the same area while being taken at different times. Change detection is one of the most difficult remote sensing tasks because the change to be detected (real-change) is mixed with apparent changes (pseudo-change) due to differences in the two images, such as brightness, humidity, seasonal differences, etc. The emergence of a Vision Transformer (ViT) as a new standard in Computer Vision, replacing Convolutional Neural Network (CNN), also shifts the role of CNN in the field of DP. Although ViT can capture long-range interactions between image patches, its computational complexity increases the number of patches quadratically. One solution to reduce the computational complexity in ViT is to reduce the Key (K) and Values (V) matrices in the Self-Attention(SA) mechanism. However, this reduction also reduces the effectiveness of ViT due to missing information, resulting in a trade-off between the effectiveness and efficiency of the method. To solve the problem, we developed a new change detection method called WaveCD. WaveCD uses Wave Attention (WA) instead of SA. WA uses the Discrete Wavelet Transform (DWT) decomposition to reduce the K and V matrices. Besides reducing the data, DWT decomposition also serves to extract important features that represent images so that the initial data can be approximated through the Inverse Discrete Wavelet Transform (IDWT) process. On the CDD dataset, WaveCD outperforms the stateof-the-art CD method, SwinSUNet, by 14.7% on IoU and 8% on F1-score. While on the LEVIR-CD dataset, WaveCD outperforms SwinSUNet by 4% on IoU and 2% on F1-score."