Topik Tugas Akhir

Pemrosesan data stream yang datang dengan kecepatan tinggi memerlukan model yang dapat memberikan hasil prediksi yang cepat dan akurat. Meskipun deep neural networks adalah tate-of-the-art dalam machine learning, kinerjanya menangani data real-time masih perlu banyak pengembangan. Penelitian-penelitian sebelumnya telah mengadaptasikan model deep learning (DL) untuk menangani data streaming dengan mengefisienkan waktu pemrosesan, salah satunya adalah dengan kerangka DL dual-pipeline asinkron. Kerangka ini memungkinkan membuat prediksi data yang datang dan memperbarui model secara bersamaan  menggunakan dua lapisan terpisah.

Judul 1:
- menerapkan model DL dual-pipeline asinkron pada data stream
- mengevaluasi bagaimana kecepatan aliran mempengaruhi kinerja model DL dual-pipeline asinkron
- optimasi parameter untuk meningkatkan kinerja DL dual-pipeline asinkron.

Judul 2:
- Komparasi algoritma Leveraging Bagging dengan DL dual-pipeline asinkron

Judul 3:
- Komparasi algoritma Stochastic Echo State Networks dengan DL dual-pipeline asinkron

Resources:
https://hevodata.com/learn/data-streams-in-data-mining/
https://www.cs.ucr.edu/~eamonn/time_series_data_2018/
https://arxiv.org/abs/1810.07758
https://paperswithcode.com/dataset/ucr-time-series-classification-archive
https://github.com/pedrolarben/deep-learning-online-classification

Dosen pembimbing: AM