RP-RQ-RO

NO. JUDUL RP RQ RO
PENELITIAN

1 RE2C: A lexer Untuk generator RE2C adalah penyusun Algoritma ekstraksi

generator lexer yang ekspresi reguler: ia submatch yang
based on mengoptimalkan mengubah ekspresi diimplementasikan
lookahead- seperti RE2C reguler menjadi mesin dalam RE2C
TDFA adalah penting negara hingga dan merupakan
bahwa kode yang mengkodekannya pengembangan
dihasilkan sebagai program teoritis yang penting
setidaknya secepat dalam bahasa target. dan peningkatan
dan hemat memori Inti dari RE2C adalah praktis yang berguna.
seperti kode yang algoritma lookahead- Hal ini
ditulis tangan, dan TDFA yang memungkinkan
tidak ada overhead memungkinkannya seseorang untuk
jika ekstraksi melakukan ekstraksi memprogram
submatch tidak submatch yang cepat penganalisis leksikal
digunakan. dan ringan. algoritma yang mampu
yang digunakan dalam melakukan ekstraksi
RE2C dan memberikan submatch tanpa
contoh konstruksi menggunakan pasca-
TDFA.decomposition) pemrosesan manual
atau penggunaan
fungsi pencarian
string.
2 acdecom—A tidak ada paket acdecom adalah memberikan
Python module perangkat lunak modul Python untuk fungsionalitas yang
for acoustic non-komersial dekomposisi diperlukan untuk
wave yang tervalidasi gelombang suara di dekomposisi mode
decomposition dan saluran aliran. Ini dalam berbagai
in flow ducts terdokumentasi mewujudkan aplikasi. Selain itu, ini
yang saat ini lingkungan yang divalidasi terhadap
digunakan untuk mudah digunakan banyak set data
tujuan ini. Untuk untuk memfasilitasi akustik aliran dengan
tujuan ini, kode pasca-pemrosesan ketelitian tinggi.
yang diterbitkan bidang aliran-akustik Publikasi jurnal ilmiah
dalam makalah ini dari eksperimen dan peer-review yang
menyediakan simulasi. Kode yang menggunakan kode
kerangka kerja dipublikasikan berguna acdecom dapat
yang mudah untuk penelitian dan ditemukan di
digunakan untuk pengembangan di Referensi. untuk
 ilmuwan, peneliti, bidang akademis dan prosedur
dan insinyur: salah industri yang eksperimental, dan di
satu yang mengandalkan Referensi. untuk
memfasilitasi pembuatan dan prosedur numerik.
karakterisasi mitigasi suara yang Kode acdecom juga
akustik komponen disalurkan, seperti digunakan dalam
saluran melalui sistem HVAC, proyek terapan untuk
dekomposisi mode kompresor turbo, pipa mengukur HVAC-
akustik yang knalpot, mesin jet, noise fan-noise , dan
sebagian besar muffler, peredam untuk desain
diotomatiskan dan suara, dan liner. peredam suara .
dapat disesuaikan. Rutinitas acdecom
divalidasi terhadap
banyak kumpulan
data. Lebih jauh, itu
telah digunakan untuk
banyak publikasi dan
kontribusi konferensi.
Untuk
menyederhanakan
penggunaan,
dokumentasi kode
diilustrasikan dengan
contoh dari
eksperimen dan
simulasi.
3 dm_control: kontrol dan Paket perangkat lunak OpenAI Gym
Software and robotika juga dm_control adalah
mencakup
tasks for memerlukan kumpulan pustaka
continuous rangkaian tugas Python dan rangkaian sekumpulan domain
control yang dirancang tugas untuk agen yang telah menjadi
dengan baik pembelajaran
tolok ukur populer
sebagai lapangan penguatan dalam
bermain standar, simulasi artikulasi dalam RL
di mana tubuh. Infrastruktur berkelanjutan.
pendekatan baru mencakup
yang berbeda pembungkus untuk Rangkaian tugas yang
dapat dievaluasi mesin fisika MuJoCo lebih baru seperti
dan dibandingkan. dan perpustakaan
Meta-world SURREAL
Mengaktifkan untuk manipulasi
kemajuan tersebut model prosedural dan RLbench dan IKEA
adalah tujuan penulisan tugas. telah diterbitkan,
dm_control. Rangkaian tugas
untuk memenuhi
 mencakup Rangkaian permintaan
Kontrol, serangkaian
rangkaian tugas yang
tugas standar yang
dimaksudkan untuk memfasilitasi studi
berfungsi sebagai tolok kontrol multi-skala,
ukur kinerja, kerangka
multi -tugas transfer,
kerja gerak dan
kelompok tugas, dan dan meta-learning.
serangkaian tugas
manipulasi dengan
lengan robot dan batu
bata yang dipasang
bersama. Laporan
teknis tambahan dan
tutorial interaktif juga
disediakan.
4 Artificial Salah satu ciri Pertanian Industri di sektor
cognition for utama yang menyumbang 6,4% pertanian
applications in membedakan dari seluruh produksi menghadapi
smart manusia, dari ekonomi dunia. tantangan, seperti
agriculture: A segala sesuatu di Setidaknya di sembilan hasil panen,
comprehensive dunia adalah negara di dunia, kesehatan tanah dan
review kecerdasan (Pivoto pertanian merupakan tanaman, gulma dan
et al., 2018). sektor ekonomi yang penyakit dapat
Pendekatan untuk dominan. Pertanian diatasi dengan
membuat tidak hanya bantuan teknologi
komputer, robot, menyediakan bahan berbasis kecerdasan
atau mesin apa bakar bagi milyaran buatan. Dengan
pun berpikir orang tetapi juga bantuan alat-alat
dengan cara kesempatan kerja bagi yang tersedia
manusia berpikir banyak orang. Industri efisiensi juga dapat
dan menyelesaikan pertanian mencari ditingkatkan secara
masalah adalah pendekatan inovatif drastis. Hal ini dapat
Artificial untuk meningkatkan disimpulkan dari studi
Intelligence hasil panen karena dengan dukungan
(Sukhadia et al., perubahan iklim yang pertanian presisi,
2020; Shah et al., tidak terduga, pertanian yang lebih
2020a, Shah et al., peningkatan pesat pragmatis dapat
2020b; Kundalia et dalam pertumbuhan dilakukan dengan
al. , 2020). Dalam penduduk dan menggunakan
kata-kata Profesor masalah keamanan pendekatan ilmiah
McCarthy, pangan. Dengan seperti penginderaan
kecerdasan buatan demikian, kecerdasan jauh, GPS, analisis
adalah "ilmu dan buatan dalam data, dll. Yang
teknik pembuatan pertanian yang juga membantu
mesin cerdas, disebut "Kecerdasan meningkatkan hasil
terutama program Pertanian" secara pertanian dan
komputer cerdas". progresif muncul mengurangi potensi
'AI' dasar telah ada sebagai bagian dari risiko lingkungan.
selama beberapa revolusi teknologi Selain itu, dengan
dekade, melalui industri. Tujuan dari bantuan perangkat
program berbasis makalah ini adalah lunak pengenal citra,
aturan yang untuk meninjau jaringan saraf tiruan
memberikan berbagai aplikasi dan banyak alat
tampilan dasar kecerdasan pertanian penyakit lainnya
'kecerdasan' dalam seperti pertanian dapat dideteksi di
konteks tertentu. presisi, deteksi pabrik pada tahap
Kemajuan, penyakit, dan fenotipe awal. Karena deteksi
bagaimanapun, tanaman dengan penyakit pada tahap
telah dibatasi - bantuan berbagai alat awal kesehatan
karena algoritma seperti pembelajaran tanaman dapat
untuk menangani mesin, pembelajaran dipantau dan
banyak masalah mendalam, produktivitas dengan
dunia nyata terlalu pemrosesan gambar, kualitas tinggi dapat
kompleks bagi jaringan saraf tiruan, diperoleh dengan
orang untuk pembelajaran dalam, kerugian yang
memprogram saraf konvolusi. minimal atau dapat
dengan tangan jaringan, teknologi diabaikan.
(Parekh dkk., 2020; Wireless Sensor Kecerdasan buatan di
Patel dkk., 2020a, Network (WSN), bidang pertanian juga
Patel dkk., 2020b; komunikasi nirkabel, dapat memecahkan
Shah dkk. al., robotika, Internet of masalah seperti
2019a, Shah dkk., Things (IoT), algoritma kelangkaan sumber
2019b, Shah dkk., genetika yang daya serta
2019c). Bagaimana berbeda, logika fuzzy penyelesaian tenaga
jika kesulitan dan visi komputer kerja secara luas.
dapat ditransfer untuk beberapa nama. Cara tradisional
untuk membuat Dengan bantuan membutuhkan
prediksi kompleks, teknologi ini, tenaga kerja untuk
optimasi data dan penggunaan bahan memperoleh ciri-ciri
spesifikasi fitur, kimia dalam jumlah tanaman seperti
dari pemrogram ke besar dapat dikurangi, tinggi tanaman,
program? Ini yang akan mengurangi warna daun, indeks
adalah janji pengeluaran, luas daun, kandungan
kecerdasan buatan meningkatkan klorofil, biomassa dan
modern. kesuburan tanah hasil yang memakan
Kesadaran bersama dengan banyak waktu.
 terhadap masalah peningkatan Dengan bantuan
yang muncul, produktivitas. berbagai teknik yang
bersama dengan dibahas, fenotipe
keinginan throughput tinggi
mendesak untuk yang cepat dan tidak
menanamkan merusak akan terjadi
kecerdasan buatan dengan keuntungan
dalam aplikasi operasi yang fleksibel
yang lebih besar dan nyaman, akses
mengarah pada data sesuai
pengembangan permintaan, dan
sistem kecerdasan resolusi spasial.
buatan reaktif Makalah ini berupaya
memberikan
pemikiran
otomatisasi di bidang
pertanian untuk
meningkatkan
kualitas tanaman
dengan produktivitas,
dan dengan upaya
dan waktu yang
minimal.
5 Implementation AI adalah Pertanian memainkan Industri pertanian
of artificial teknologi baru peran penting dalam menghadapi berbagai
intelligence in
di bidang sektor ekonomi. tantangan seperti
agriculture for
optimisation of
pertanian. Otomatisasi di bidang kurangnya sistem
Peralatan dan pertanian adalah irigasi yang efektif,
irrigation and
mesin berbasis perhatian utama dan gulma, masalah
application of
pesticides and AI, telah topik yang muncul di dengan pemantauan
seluruh dunia. tanaman akibat tinggi
herbicides membawa
Populasi meningkat tanaman dan kondisi
sistem
pesat dan dengan cuaca yang ekstrim.
pertanian saat
peningkatan ini Tetapi kinerja dapat
ini ke tingkat
permintaan makanan ditingkatkan dengan
yang berbeda.
dan lapangan kerja bantuan teknologi
Teknologi ini juga meningkat. Cara dan dengan demikian
telah tradisional yang masalah ini dapat
meningkatkan digunakan petani diselesaikan. Ini
produksi belum cukup untuk dapat ditingkatkan
tanaman dan memenuhi dengan berbagai
meningkatkan persyaratan tersebut. teknik yang
pemantauan Dengan demikian, c digerakkan oleh AI
waktu nyata, Teknologi ini seperti sensor jarak
pemanenan, menghemat jauh untuk deteksi
pemrosesan penggunaan air yang kadar air tanah dan
dan pemasaran berlebihan, pestisida, irigasi otomatis
(Yanh et al., herbisida, menjaga dengan bantuan GPS.
2007). kesuburan tanah, juga Masalah yang
Teknologi membantu dalam dihadapi para petani
penggunaan tenaga adalah bahwa teknik
terbaru dari
manusia yang efisien penyiangan yang
sistem
dan meningkatkan tepat dapat
otomatis yang
produktivitas serta mengatasi sejumlah
menggunakan
meningkatkan kualitas. besar tanaman yang
robot dan
Makalah ini mensurvei hilang selama proses
drone pekerjaan banyak penyiangan. Robot
pertanian telah peneliti untuk otonom ini tidak
memberikan mendapatkan hanya meningkatkan
kontribusi yang gambaran singkat efisiensi, tetapi juga
luar biasa di tentang implementasi mengurangi
sektor berbasis otomasi di bidang kebutuhan akan
pertanian. pertanian saat ini, pestisida dan
Berbagai sistem penyiangan herbisida yang tidak
sistem berbasis melalui robot dan perlu. Selain itu,
komputer drone. Berbagai petani dapat
berteknologi metode penginderaan menyemprot
tinggi air tanah dibahas pestisida dan
dirancang bersama dengan dua herbisida secara
untuk teknik penyiangan efektif di pertanian
menentukan otomatis. mereka dengan
berbagai Implementasi drone bantuan drone, dan
parameter dibahas, berbagai pemantauan
metode yang tanaman juga tidak
penting seperti
digunakan oleh drone lagi menjadi beban.
deteksi gulma,
untuk penyemprotan Sebagai permulaan,
deteksi hasil
dan pemantauan kekurangan sumber
dan kualitas
tanaman juga dibahas daya dan pekerjaan
tanaman dan dalam makalah ini. dapat dipahami
banyak teknik dengan bantuan
lainnya (Liakos kekuatan otak buatan
et al., 2018). manusia dalam
Makalah ini masalah agribisnis.
mencakup Dalam strategi
teknologi yang konvensional,
digunakan sejumlah besar
untuk irigasi tenaga kerja
otomatis, diperlukan untuk
penyiangan mendapatkan
dan karakteristik tanaman
penyemprotan seperti tinggi
untuk tanaman, tekstur dan
meningkatkan kandungan tanah,
produktivitas dengan cara ini
pengujian manual
dan
yang membosankan.
mengurangi
Dengan bantuan
beban kerja
berbagai sistem yang
para petani.
diperiksa, fenotipe
Berbagai teknik
throughput tinggi
penginderaan yang cepat dan tidak
tanah otomatis merusak akan terjadi
dibahas (Wall dengan sisi positif
dan King, dari aktivitas yang
2004). dapat disesuaikan
Hemalatha dan dan menguntungkan,
Sujatha (2015) akses atas
mengumpulkan permintaan ke
sensor suhu informasi dan tujuan
dan spasial.
kelembaban
untuk menutup
lubang loop
prediksi
kendaraan.
Robot yang
digunakan
dalam
penginderaan
dilokalisasi
oleh modul
GPS dan lokasi
robot ini
dilacak
menggunakan
peta google.
Data dari robot
diambil melalui
protokol
nirkabel
Zigbee. Hasil
pembacaan
ditampilkan
pada layar LCD
16x2 yang
terintegrasi
dengan
mikrokontroler
LPC2148.
Teknik
penyiangan
otomatis
terbaru dibahas
dan penerapan
drone untuk
tujuan
penyemprotan
di lapangan
dibahas diikuti
dengan jenis
penyemprot
yang
digunakan
pada UAV.
Lebih lanjut
tentang drone,
pemetaan dan
pemantauan
hasil dibahas
dimulai dengan
garis besar
proses
pemetaan hasil
diikuti dengan
pemrograman
perangkat
lunak dan
pengarahan
tentang
perhitungan
serta proses
kalibrasi.
 Akhirnya
pemrosesan
peta hasil ini
diterangi.
6 Image Pengelolaan hama Aplikasi agrokimia Uji lapangan dari
processing adalah bagian dengan penyemprot prototipe yang
based real- penting dari siklus konvensional dikembangkan
time variable- budidaya tanaman menghasilkan dilakukan dalam
rate chemical untuk hasil panen pemborosan bahan mode VRA dan CRA
spraying yang lebih baik. kimia terapan, yang (Gbr. 9). Awalnya,
system for Penyemprot tidak hanya prototipe yang
disease control konvensional meningkatkan dikembangkan
in paddy crop menggunakan kerugian ekonomi dioperasikan dalam
bahan kimia tetapi juga mencemari mode CRA, di mana
pertanian pada lingkungan. Untuk laju aplikasi bahan
tingkat yang mengatasi kekurangan kimia rata-rata
seragam, yang ini, sistem diamati 504,17 L / ha
mengarah pada penyemprotan kimia dengan deviasi
penggunaan bahan dengan laju variabel standar relatif 1,75%.
kimia yang waktu nyata berbasis Prototipe yang
diterapkan secara pemrosesan gambar dikembangkan
berlebihan, tidak dikembangkan untuk kemudian
bijaksana, dan aplikasi bahan kimia dioperasikan dalam
kurang efektif. pertanian yang tepat mode VRA dengan
Penyemprotan pada tanaman padi aktivasi kamera, di
yang seragam ini yang sakit berdasarkan mana laju aplikasi
menghasilkan informasi keparahan bahan kimia
pemborosan penyakit tanaman. bervariasi dari 296,67
bahan kimia yang Sistem yang L / ha hingga 338,33 L
digunakan dan dikembangkan terdiri / ha. Tingkat aplikasi
akhirnya dari web camera untuk bahan kimia rata-rata
meningkatkan akuisisi citra, laptop selama mode VRA
biaya untuk pengolahan ditemukan sebesar
pengendalian citra, mikrokontroler 319,5 L / ha dengan
penyakit. Jumlah untuk mengontrol deviasi standar relatif
bahan kimia yang fungsi sistem, dan 5,11%. Persen
diterapkan nosel penyemprot pengurangan bahan
mencemari berbantuan solenoid kimia terapan per
lingkungan dan valve. Metode satuan luas bervariasi
berdampak buruk segmentasi citra dari 33,88% menjadi
bagi kesehatan berbasis chromatic 40,47% selama mode
pekerja pertanian aberration (CA) VRA dibandingkan
dan konsumen digunakan untuk dengan mode CRA,
makanan. Selain mendeteksi daerah seperti yang
itu, hal ini juga tanaman padi yang diberikan pada Tabel
menyebabkan sakit. Sistem 2. Oleh karena itu,
berkembangnya selanjutnya sistem yang
resistensi hama menghitung tingkat dikembangkan
yang diwariskan keparahan penyakit menunjukkan
terhadap pestisida tanaman padi, penghematan bahan
(Park et al., 2007). berdasarkan katup kimia minimum
Intervensi solenoida yang tetap 33,88% dibandingkan
teknologi canggih terpasang selama dengan konvensional
seperti sensor, durasi waktu tertentu penyemprotan
mikrokontroler, sehingga jumlah bahan seragam.
dan alat perangkat kimia pertanian yang Penghematan bahan
lunak di bidang diperlukan dapat kimia yang dicapai
pertanian, disemprotkan pada dengan prototipe
memungkinkan tanaman padi yang yang dikembangkan
penggunaan bahan sakit. Kinerja lapangan dapat berupa
kimia terapan dari prototipe stokastik dan
secara tepat penyemprot yang terutama bergantung
dengan mengatur dikembangkan pada variabilitas yang
tingkat aplikasi dievaluasi dalam mode ada dalam tingkat
sesuai dengan aplikasi laju variabel keparahan penyakit
persyaratan (VRA) dan aplikasi laju tanaman di lapangan.
khusus lokasi. konstan (CRA). Hasil Jika tingkat
Metode ini disebut pengujian lapangan keparahan penyakit
aplikasi tingkat menunjukkan tinggi di seluruh
variabel (VRA), dan pengurangan minimal lapangan, maka
secara signifikan 33,88% bahan kimia penghematan bahan
dapat mengurangi yang diterapkan saat kimia akan rendah.
jumlah bahan beroperasi dalam
kimia yang mode VRA
digunakan dan dibandingkan dengan
biaya mode CRA. Oleh
pengendalian karena itu, sistem yang
penyakit. Tinjauan dikembangkan tampak
literatur di atas menjanjikan dan dapat
menunjukkan digunakan secara luas
bahwa teknik untuk mengurangi
pemrosesan biaya pengelolaan
gambar dengan hama serta untuk
perangkat keras mengendalikan
elektronik yang pencemaran
diperlukan dan lingkungan akibat
sistem bahan kimia pertanian
penyemprotan tersebut.
dapat berhasil
digunakan untuk
penyemprotan
bahan kimia
pertanian dengan
laju variabel pada
tanaman yang
sakit. Oleh karena
itu, tujuan dari
penelitian ini
adalah untuk
mengembangkan
teknik pengolahan
citra berbasis
sistem
penyemprotan
kimia dengan
kecepatan variabel
secara real-time
untuk memastikan
penggunaan yang
tepat dari bahan
kimia masukan
berdasarkan
tingkat keparahan
penyakit tanaman.
Untuk mencapai
tujuan ini,
penelitian ini
dilakukan dengan
tujuan khusus
sebagai berikut (1)
Untuk
mengembangkan
algoritma
pemrosesan citra
untuk estimasi
real-time tingkat
keparahan
penyakit tanaman.
(2) Untuk
mengembangkan
sistem
 penyemprotan
dengan kecepatan
variabel untuk
aplikasi bahan
kimia pertanian
yang tepat
berdasarkan
tingkat keparahan
penyakit tanaman.
(3) Untuk
mengevaluasi
kinerja sistem
penyemprotan
kimia dengan laju
variabel yang
dikembangkan
dalam kondisi
lapangan.
7 Evaluation of Kebutuhan akan Penggunaan model Hasil eksperimen dari
optimization kecerdasan buatan desain matriks
ketahanan pangan
techniques in dalam memprediksi bersama dengan
predicting adalah salah satu penurunan kadar air kode dan faktor
optimum tantangan global di pada pengeringan aktual diberikan pada
moisture irisan kentang Tabel 2. Percobaan
zaman kita. Selain
content (Ipomoea batata) digunakan untuk
reduction in produksi produk menjadi fokus mengevaluasi efek
drying potato pertanian yang penelitian ini. Model tunggal dan interaktif
slices yang digunakan adalah dari waktu
dibutuhkan tidak sistem inferensi neuro pengeringan,
mencukupi, salah fuzzy adaptif (ANFIS), kecepatan udara
jaringan saraf tiruan pengeringan dan
satu tantangan
(JST) dan metodologi suhu pengeringan
utama dengan permukaan respons terhadap penurunan
masalah (RSM). Parameter yang kadar air kentang.
dipertimbangkan Kadar air terendah
ketahanan pangan adalah waktu 18,9% basis kering
adalah pengolahan pengeringan, (db) diperoleh pada
kecepatan dan suhu waktu pengeringan
pasca panen yang
udara pengeringan. 180 menit, kecepatan
tidak memadai dan Analisis kapabilitas dan udara pengeringan
teknik pengawetan sensitivitas dari ketiga 3,5 m / s dan suhu
model tersebut pengering 90 ° C.
yang tidak dievaluasi
memadai. Selain menggunakan
koefisien korelasi (R2)
itu, sebagian besar
dan beberapa fungsi
tanaman pangan error statistik seperti
pertanian mudah average relative error
(ARE), root mean
rusak dan
square error (RMSE),
musiman. Jika Hybrid Fractional Error
produk pertanian Function (HYBRID) dan
absolute rata-rata
ini tidak diawetkan kesalahan relatif
dan disimpan (AARE). Hasil
penelitian
dengan baik, maka
menunjukkan bahwa
akan rusak dan ketiga model
menjadi tidak menunjukkan perilaku
prediksi yang signifikan
sehat untuk dengan R2 sebesar
dikonsumsi 0,998, 0,997 dan 0,998
masing-masing untuk
manusia.
ANFIS, JST dan RSM.
Pengawetan Fungsi kesalahan yang
pangan sangat dihitung dari ARE (RSM
= 1.778, ANFIS = 1.665
penting karena
dan ANN = 4.282) dan
meningkatkan RMSE (RSM = 0.0273,
ANFIS = 0.0282 dan
pengawetan,
ANN = 0.1178)
penyimpanan, dan menyarankan harmoni
kemudahan yang baik antara nilai
eksperimental dan
transportasi
prediksi. Disimpulkan
produk pertanian bahwa meskipun
tersebut sekaligus ketiga model
memberikan prediksi
memitigasi yang memadai dan
kenaikan harga sesuai dengan data
eksperimen, RSM dan
produk pertanian
ANFIS memberikan
yang tidak terduga. prediksi model yang
lebih baik daripada
JST.