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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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