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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

A) VGGNet
B) AlexNet
C) ResNet (Jaringan Residual)
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) Metode Lucas-Kanade
D) Equalisasi histogram