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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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