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

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

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

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

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

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

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

A) ReLU (Rectified Linear Unit)
B) Sigmoid
C) Tanh
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) Pelacakan Wajah Terintegrasi Parsial
B) Transformasi Fitur Invarian Skala
C) Teknik Penyaringan Gambar Selektif
D) Segmentasi Fitur dan Tekstur Gambar

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

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

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

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

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

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

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

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

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

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

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

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

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