A) Penggunaan layar komputer untuk menampilkan gambar.
B) Bidang studi yang memungkinkan komputer untuk menafsirkan dan memahami informasi visual dari dunia nyata.
C) Proses penyaringan dan peningkatan kualitas gambar visual.
D) Studi tentang cara kerja penglihatan manusia.

A) Meningkatkan kualitas gambar dan mengurangi kebisingan untuk analisis yang lebih baik.
B) Mengubah dimensi gambar.
C) Mengaburkan gambar untuk efek artistik.
D) Melakukan distorsi acak pada gambar.

A) Menciptakan citra cermin dari citra asli.
B) Menghilangkan warna dari sebuah citra.
C) Menggabungkan beberapa citra menjadi satu.
D) Membagi sebuah citra menjadi wilayah atau objek yang bermakna untuk analisis.

A) Kesalahan Kuadrat Rata-rata
B) Akurasi
C) R-kuadrat
D) Skor F1

A) Regularisasi dropout
B) Menambahkan lebih banyak lapisan pada jaringan
C) Menggunakan ukuran batch yang lebih kecil
D) Meningkatkan tingkat pembelajaran (learning rate)

A) Memindahkan gradien selama proses propagasi balik (backpropagation).
B) Memindahkan gambar antar perangkat yang berbeda.
C) Memindahkan piksel gambar ke gambar yang baru.
D) Menggunakan model yang sudah dilatih sebelumnya dan melakukan penyesuaian (fine-tuning) untuk tugas tertentu.

A) Menormalisasi nilai input.
B) Mengurangi dimensi spasial dari input.
C) Meningkatkan jumlah parameter.
D) Memperkenalkan non-linearitas ke dalam jaringan.

A) Sigmoid
B) Tanh
C) ReLU (Rectified Linear Unit)
D) Linear

A) Mengaburkan gambar untuk melindungi privasi.
B) Mengubah gambar menjadi skala abu-abu.
C) Meringkas kinerja model klasifikasi menggunakan nilai positif benar, positif palsu, negatif benar, dan negatif palsu.
D) Membuat gambar komposit.

A) Transformasi Fitur Invarian Skala
B) Teknik Penyaringan Gambar Selektif
C) Pelacakan Wajah Terintegrasi Parsial
D) Segmentasi Fitur dan Tekstur Gambar

A) Kumpulan data spam
B) ImageNet
C) Kumpulan data lirik lagu
D) Kumpulan data cuaca

A) Jaringan Neuron Terkomputerisasi
B) Jaringan Neural Konvolusional
C) Jaringan Neuron Kompleks
D) Jaringan Neuron Terkontrol

A) Softmax
B) Tanh
C) ReLU
D) Sigmoid

A) Klasifikasi gambar
B) Deteksi objek
C) Segmentasi gambar
D) Ekstraksi fitur

A) Lapisan pooling
B) Lapisan aktivasi
C) Lapisan konvolusi
D) Lapisan terhubung penuh

A) Cross-Entropy Loss (Kerugian Cross-Entropy)
B) L1 Loss (Kerugian L1)
C) Mean Squared Error (Kesalahan Kuadrat Rata-rata)
D) Binary Cross-Entropy Loss (Kerugian Cross-Entropy Biner)

A) Menerapkan filter warna pada gambar.
B) Mengidentifikasi dan membatasi objek-objek individual dalam sebuah adegan.
C) Mengubah gambar menjadi hitam putih.
D) Menghaluskan intensitas piksel.

A) Menambahkan noise pada gambar
B) Meningkatkan resolusi gambar
C) Teknik pengurangan noise "non-local means"
D) Memutar gambar

A) Analisis Komponen Utama (PCA)
B) K-Nearest Neighbors (KNN)
C) Jaringan Saraf Konvolusional (CNN)
D) Mesin Vektor Dukungan (SVM)

A) Mengaburkan batas-batas gambar.
B) Menormalisasi histogram gambar.
C) Mendeteksi tepi objek.
D) Memetakan satu gambar ke bidang gambar lainnya.

A) AlexNet
B) ResNet (Jaringan Residual)
C) VGGNet
D) InceptionNet

A) Pembelajaran Transfer (Transfer Learning)
B) Reduksi Dimensi PCA (PCA Dimensionality Reduction)
C) Penyuntikan Kebisingan (Noise Injection)
D) Pemotongan Gambar (Image Cropping)

A) Transformasi Fourier
B) Pengaburan Gaussian
C) Equalisasi histogram
D) Metode Lucas-Kanade