VR vs AR

Virtual Reality (VR) dan Augmented Reality (AR) adalah dua teknologi yang
memanipulasi persepsi manusia terhadap dunia nyata. Meskipun keduanya berhubungan
dengan pengalaman realitas yang ditingkatkan, cara implementasinya dan tujuannya
berbeda.

Virtual Reality (VR):

Definisi: VR menciptakan lingkungan sepenuhnya baru yang terpisah dari dunia nyata.
Ini menghadirkan pengguna ke dalam dunia digital yang sering kali dapat diakses dan
diinteraksi dengan menggunakan headset VR khusus.
Tujuan: Tujuan utama VR adalah memberikan pengalaman yang sepenuhnya imersif dan
terpisah dari kenyataan fisik. Pengguna benar-benar tenggelam dalam lingkungan
buatan yang dapat berkisar dari simulasi permainan hingga pelatihan profesional
atau pengobatan medis.
Augmented Reality (AR):

Definisi: AR, di sisi lain, memperkaya dunia nyata dengan lapisan informasi
digital. Ini menambahkan elemen-elemen digital ke pandangan dunia nyata melalui
perangkat seperti smartphone, kacamata pintar, atau headset AR.
Tujuan: Tujuan utama AR adalah memperkaya atau meningkatkan persepsi pengguna
tentang dunia fisik. Ini bisa melibatkan menampilkan informasi tambahan, objek
virtual, atau visualisasi data langsung di atas dunia nyata.
Perbedaan utama antara VR dan AR adalah sejauh mana pengguna terhubung dengan dunia
nyata. Dalam VR, pengguna sepenuhnya terisolasi dari dunia fisik dan tenggelam
sepenuhnya dalam lingkungan digital buatan. Di sisi lain, AR mempertahankan koneksi
dengan dunia nyata dan menambahkannya dengan elemen-elemen digital.

Contoh penggunaan VR dan AR:

VR: Pengguna dapat menggunakan headset VR untuk merasakan sensasi terlibat dalam
permainan, menjelajahi dunia virtual, atau mengalami simulasi pelatihan.

AR: Aplikasi AR di smartphone dapat menampilkan informasi produk saat pengguna

mengarahkan kamera ke suatu barang, atau sistem navigasi AR dapat menunjukkan arah
di jalan secara langsung di dunia nyata.

Keduanya, VR dan AR, telah menemukan berbagai aplikasi di berbagai industri,

termasuk hiburan, pendidikan, kedokteran, desain industri, dan sektor bisnis
lainnya. Dengan terus berkembangnya teknologi, kedua konsep ini terus mengalami
peningkatan dan diperluas dalam hal fungsionalitas dan penerapannya

>> RNN
Ciri khas utama RNN adalah adanya siklus atau loop yang memungkinkan
informasi untuk diambil dari langkah sebelumnya dalam urutan dan diintegrasikan ke
dalam proses pada langkah saat ini. Oleh karena itu, RNN cocok untuk tugas-tugas
yang melibatkan data urutan, seperti teks, waktu deretan, dan audio.
LSTM (Long sort-term Memory) dan GRU (gated Recurrent Unit) adalah jenis RNN
yang telah dimodifikasi untuk memungkinkan pemeliharaan informasi dalam jangka
waktu yang lebih lama, sehingga mereka lebih efektif dalam menangani tugas-tugas
yang melibatkan hubungan jarak jauh dalam data urutan.

>> CNN
Ciri khas utama CNN adalah penggunaan lapisan konvolusi (convolutional
layers) untuk mengekstrak fitur-fitur lokal dari input, yang dapat mencakup
informasi spasial seperti tepi, sudut, dan tekstur dalam citra. Selain itu, CNN
juga menggunakan lapisan pooling (pooling layers) untuk mengurangi dimensi spasial
data dan mengurangi jumlah parameter yang diperlukan.
Beberapa komponen utama dari CNN meliputi:

1. Lapisan Konvolusi (Convolutional Layer): Bertanggung jawab untuk mengekstrak

fitur-fitur lokal dari input dengan menerapkan operasi konvolusi pada data. Setiap
lapisan konvolusi memiliki beberapa filter yang dapat mempelajari pola-pola khusus.

2. Lapisan Pooling (Pooling Layer): Digunakan untuk mengurangi dimensi spasial data
dengan mereduksi ukuran gambar. Pooling umumnya dilakukan dengan mengambil nilai
maksimum (max pooling) atau nilai rata-rata (average pooling) di dalam suatu area
tertentu.

3. Lapisan Fully Connected (Fully Connected Layer): Merupakan lapisan yang terdiri
dari neuron-neuron yang terhubung sepenuhnya, mirip dengan lapisan dalam jaringan
saraf feedforward biasa. Lapisan ini digunakan untuk klasifikasi akhir atau
regresi.

CNN telah berhasil digunakan dalam berbagai aplikasi, termasuk pengenalan gambar,
pengenalan wajah, kendaraan otomatis, dan banyak lagi. Keunggulan utamanya adalah
kemampuannya untuk mengekstrak dan memahami fitur-fitur hierarkis dari data gambar.