No Judul Penulis Tahun Metode

Model ini memiliki

dua Arsitektur
Jaringan Saraf Tiruan
Captioning Gambar menggunakan convolution neural
Rachel Calvin dan Shravya
1 Convolutional Neural Jaringan dan
Suresh
2021 network (CNN) dan
Jaringan Saraf Berulang yang lainnya adalah
Recurrent
Neural Network
(RNN).

Juntao Zhang, Ziyue
Menggunakan Jaringan Saraf Zhang, Ying Weng, Simon
2 Berulang untuk Kecerdasan Gosling, Hui Yang,
Prediksi Ketinggian Air di Waduk Chenggang Yang, Wenjie
Li, Qun Ma
Recurrent Neural
Network (RNN),
Artificial Neural
2020
Network, (ANN),
Long Short-Term
Memory (LSTM)

Jaringan saraf
Ekstrapolasi Respon Impedansi berulang (RNN),
Pengiriman Daya Jaringan yang Osama Waqar Bhatti, Memori jangka
3 menggunakan Jaringan Syaraf Madhavan Swaminathan
2019
pendek panjang
Berulang (LSTM),
penghilangan gradien
 Segmentasi Objek Video Aliran Optik dan
Mirko Kalezi, Petar
4 menggunakan Aliran Optik dan
Sekulić, Slavko Kovačević
2020 Jaringan Saraf
Jaringan Saraf Berulang Berulang

Yonas Yehualaeshet
Transceiver Basis Berbasis
Tefera, Tewodros Kibatu,
Jaringan Saraf Berulang Prediksi Recurrent Neural
5 Kegagalan Sistem Catu Daya
Bethelhem Seifu Shawel, 2020
Network (RNN).
Dereje Hailemariam
Stasiun
Woldegebreal

6
7
8
9
10
 Permasalahan Kesimpulan Keterangan

Captioning gambar adalah bidang yang

menarik perhatian besar terhadap dirinya
sendiri. Ini adalah salah satu bidang yang
telah terbukti sangat berguna dan karenanya
menarik semua pekerjaan penelitian lanjutan.
Dalam karya ini, Flickr8k_Dataset digunakan
karena terbukti memiliki ukuran yang optimal
Karena peningkatan pesat dalam jumlah data
untuk penelitian. Ada berbagai kumpulan data
yang dihasilkan di Internet, telah membaca
lain, seperti MS COCO dan Fickr30k untuk
masalah peningkatan kesulitan dalam
beberapa nama yang juga telah terbukti
mengatur data. Terlepas dari ketersediaan
memberikan hasil yang substansial dan stabil.
sejumlah besar data mentah, tidak layak untuk
Kombinasi CNN dan LSTM menarik karena
mengubahnya menjadi data yang banyak akal
memberikan hasil yang layak saat bertindak
karena sifatnya yang sangat tidak terorganisir
dalam mode encoder-decoder. CNN bertindak
sebagai encoder yang memasukkan gambar
dan mengekstrak fitur yang diperlukan untuk
teks gambar. Ini, ketika diteruskan ke LSTM,
mengubah wawasan dalam bentuk kalimat,
mengurangi kesalahan tata bahasa semaksimal
mungkin.

Singkatnya, sejauh hasil eksperimen dari lima

reservoir telah dianalisis, model RNN yang
kami usulkan berkinerja lebih baik daripada
ANN dan LSTM. Dibandingkan dengan
Pengelolaan sumber daya air dalam jangka model LSTM, model RNN memiliki
panjang menghadapi tantangan besar karena parameter yang lebih sedikit, sehingga lebih
meningkatnya kebutuhan air dari jumlah cocok untuk kumpulan data yang kecil.
penduduk yang terus bertambah dan variasi Dibandingkan dengan model JST, keluaran
penggunaan air yang sangat besar pada waktu model RNN saat ini berhubungan dengan
dan tempat yang berbeda keluaran sebelumnya, sehingga lebih cocok
untuk pengolahan data sekuensial. Oleh
karena itu, model deret waktu baru yang kami
usulkan berdasarkan RNN efisien dalam
prediksi cerdas ketinggian air di waduk.

Kami menunjukkan bahwa sampel respons

frekuensi berkorelasi dalam ruang frekuensi.
Kami memperlakukan respons frekuensi
jaringan pengiriman daya sebagai data yang
Sering kali respons impedansi dari jaringan
diurutkan dan menggunakan jaringan saraf
pengiriman daya perlu diekstrapolasi untuk
berulang untuk mengekstrapolasi respons
menentukan apakah ada resonansi yang terjadi
impedansi atas frekuensi. Metode kami
di sekitar atau di luar respons terbatas pita
memberikan ekstensi bandwidth 66% dalam
yang diberikan. Jika model sirkuit tidak
kesalahan MSE 8x10− 3. Pekerjaan masa
tersedia, ini bisa menjadi latihan yang rumit.
depan termasuk mengembangkan metode
untuk ekstrapolasi lebih lanjut dan
mendefinisikan keyakinan terikat untuk
kesalahan.
 Eksperimen ini merupakan bukti konsep dan
penelitian awal di bidang ini. Kami
mengharapkan hasil yang lebih baik dengan
Ada beberapa versi dari kumpulan data ini
menggunakan teknik data augmentation
karena terus ditingkatkan setiap tahun. Untuk
sebagai pembelajaran hanya pada70
tujuan makalah ini, DAVIS 2017 digunakan,
Mempertahankan Interpolasi Korespondensi
atau lebih khusus lagi, DAVIS 2017
untuk Aliran Optik (EpicFlow) dapat menjadi
Semisupervised di mana di setiap urutan video
langkah lebih lanjut dalam meneliti
beberapa contoh dianotasi.
segmentasi objek video sebagai peningkatan
yang dibenarkan untuk implementasi aliran
optik kami saat ini.

Infrastruktur telekomunikasi seluler semakin

meningkat jumlah dan kompleksitasnya
Dalam jaringan telekomunikasi seluler, Base
seiring dengan perkembangan teknologi baru
Transceiver Station (BTS) adalah infrastruktur
dan permintaan yang semakin meningkat.
utama yang menghubungkan pelanggan
Dengan demikian pemeliharaan, pemantauan,
dengan jaringan seluler. BTS secara geografis
dan penugasan sumber daya dari keseluruhan
tersebar di seluruh area layanan jaringan dan
sistem menjadi salah satu tantangan utama
ribuan alarm indikasi kesalahan dihasilkan
bagi seorang operator. Terutama berusaha
oleh BTS biasa setiap hari. Dengan demikian,
untuk mengelola infrastruktur selalu dengan
pemeliharaan BTS secara proaktif sebelum
kegiatan pemeliharaan korektif membutuhkan
terjadi gangguan bermanfaat untuk menjamin
usaha dan sumber daya yang cukup besar. Ini
pengoperasian jaringan yang tepat dan
juga akan mengurangi kinerja seluruh sistem
mengurangi biaya operasion
yang mengarah pada pemanfaatan sumber
daya yang buruk dan hilangnya pendapatan.