Normalisasi Tabel

Dalam mata kuliah basis data, ada satu materi yang cukup berat, yaitu normalisasi tabel. Prinsip dasarnya adalah database relasional dimana ada aturan-aturan tertentu yang mengharuskan database designer mengikuti standar yang baku. Postingan berikut sedikit berdiskusi apa saja yang perlu diperhatikan dalam menormalisasi sebuah tabel.

Multivalue

Ini merupakan prinsip dasar database relasional dimana satu field/kolom dalam satu record tidak boleh berisi lebih dari satu item. Misalnya tabel transaksi pembelian barang, tidak boleh ada satu field, misalnya barang, yang berisi item-item barang yang dibeli. Di sini lah letak perbedaan basis data relasional dengan objek. Dalam basis data objek, isi field (diistilahkan dengan atribut) bisa multivalue dalam bentuk array.

Functional Dependency & Transitive Dependency

Dalam tabel transaksi terdapat dua ketergantungan yakni ketergantungan fungsi dan transitif. Jika Unnormalize Form (UNF) berisi field-field dalam transaksi (termasuk yg multivalue), dan 1NF yang berisi para kandidate key, 2NF berisi tabel-tabel yang mendukung ketergantungan fungsi, misalnya dalam pembelian barang, tabel yang terkait adalah tabel penjualan, detil penjualan dan barang.

Sementara itu ketergantungan yang sifatnya transitif, misalnya pelanggan, suplier, kasir/teler, dan lain-lain dipecah dalam 3NF. Ada level yang lebih rumit dan khusus, diberi nama Boyce-Code Normal Form (BCNF), biasanya terjadi ketika suatu field misalnya harga barang yang mengikuti wilayah cabang tertentu, padahal wilayah bukan merupakan primary key.

Surrogate Key

Dalam detil transaksi, misalnya detil pembelian, terkadang dibuat suatu surrogate key yang agar praktis dibuatkan/di-generate secara otomatis oleh sistem (increment). Mengapa harus dibuatkan surrogate key, silahkan simak video yang merupakan materi kuliah berikut. Semoga sedikit membantu.

Computer Vision

Perkembangan Artificial Intelligence (AI) saat ini sangat cepat baik dalam metode dasar maupun penerapan di lapangan. Banyak instansi yang membutuhkan AI, dari kedokteran, pertanian, hingga pertahanan dan keamanan. Salah satu penerapannya adalah dalam Computer Vision.

Image Processing

Terkadang banyak yang bingung apa perbedaan image processing dengan computer vision. Keduanya sama-sama mengelola gambar/citra, hanya saja computer vision lebih dalam lagi, dimana sebuah model dibuat untuk mampu mengenali sebuah gambar. Sementara itu, image processing memiliki tugas pokok hanya mengolah gambar. Biasanya bekerja sebagai pre-processing sebelum masuk ke modul computer vision, misalnya merubah citra berwarna menjadi hitam putih, merubah ukuran/dimensi gambar, merotasi dan hal-hal yang mengkonversi gambar agar bermanfaat.

Walaupun terlihat sederhana tetapi penerapannya sangat penting, misalnya konvolusi yang merubah gambar besar menjadi gambar yang berukuran lebih kecil tetapi tidak merubah “ciri” dari gambar aslinya. Metode ini digunakan dalam Convolution Neural Network (CNN) bersama dengan Pooling (memperkecil ukuran/dimensi gambar) yang ternyata meningkatkan performa Neural Networks.

Pengenalan Gambar

Sebenarnya untuk mengenali gambar merupakan kemampuan yang sudah dimiliki oleh manusia. Namun jika yang harus dikenali sangat banyak, atau harus selalu “on” 24 jam, tentu saja manusia tidak sanggup. Oleh karena itu riset yang mengembangkan model seperti manusia yang mampu mengenali gambar sangat bermanfaat. Akurasinya pun saat ini kian mendekati 100%.

Selain aspek kuantitatif dalam mengenali gambar, terkadang model pengenalan gambar harus mampu mengenali gambar jauh melebihi mata manusia, misalnya dalam mendeteksi foto rontgen, sel-sel mikroskopis, dan mineral di dalam bumi. Bahkan dalam mengenali tutupan lahan, model melebihi kemampuan mata manusia mengenali foto satelit, mengingat sensor satelit, misalnya Operational Land Imager (OLI) memiliki 9 band frekuensi, dimana mata manusia hanya mampu melihat beberapa band frekuensi saja.

Surveillance System

Selain gambar statis, computer vision juga berkembang untuk mendeteksi video. Biasanya diterapkan pada CCTV keamanan. Jika ada objek mencurigakan, sistem akan memberikan warning sehingga dapat bekerja 24 jam dan selalu waspada, hal yang tidak mungkin dilakukan oleh seorang staf keamanan. Sekian semoga tertarik riset di bidang ini.

Praktek Basis Data dengan Google Colab

Google Colab merupakan media pembelajaran pemrograman yang praktis karena baik bahasa pemrograman maupun mesin/harware disediakan oleh Google. Dengan mengandalkan laptop jadul atau handphone bisa dilaksanakan, asal memiliki koneksi internet. Bahasa yang digunakan adalah bahawa Python yang sangat cocok untuk machine learning. Bagaimana untuk pengolahan basis data?

SQLite

SQLite disediakan dalam satu library yang harus diinstal terlebih dahulu sebelum diimpor. Data diletakan baik dengan koneksi ke Google Drive atau diletakan secara temporal di folder pada Google Colab.

# CREATING THE TABLE
import sqlite3
conn = sqlite3.connect(‘unisma.db’)
print(“Opened database successfully”);
conn.execute(”’
CREATE TABLE IF NOT EXISTS data_siswa(nama text,
matkul text,
dosen text,
nilai integer);”’)
conn.commit()
print(“Table created successfully”);
conn.close()

Setelah Tabel terbentuk, silahkan dimasukan data-datanya misalnya sebagai berikut. Pastikan terisi dengan baik.

# INSERTING VALUES
conn = sqlite3.connect(‘unisma.db’)
conn.execute(“INSERT INTO data_siswa VALUES(‘wahyu’, ‘matematika’, ‘malikus’, 72);”)
conn.execute(“INSERT INTO data_siswa VALUES(‘budi’, ‘bahasa’, ‘amin’, 90);”)
conn.execute(“INSERT INTO data_siswa VALUES(‘linda’, ‘matematika’, ‘malikus’, 91);”)
conn.execute(“INSERT INTO data_siswa VALUES(‘wahyu’, ‘bahasa’, ‘amin’, 75);”)
conn.execute(“INSERT INTO data_siswa VALUES(‘linda’, ‘bahasa’, ‘amin’, 90);”)
conn.execute(“INSERT INTO data_siswa VALUES(‘budi’, ‘matematika’, ‘malikus’, 60);”)
conn.commit()

Untuk menggunakan query silahkan menggunakan instruksi SELECT untuk mengetahui isi dari data/tabel yang ada. Bahasa standar SQL dapat diterapkan pada SQLite. Tentu saja untuk implementasi diharapkan menggunakan Python di lokal komputer kita. Google colab cukup baik untuk media pembelajaran atau sebagai penguji algoritma yang akan diterapkan pada system.

conn.close()
conn = sqlite3.connect(‘unisma.db’)

cursor = conn.execute(”’ SELECT nama
                          FROM data_siswa
                          WHERE matkul=’matematika’;”’)

for row in cursor:
  print(row)
conn.close()

Hasil:

  • (‘wahyu’,)
  • (‘linda’,)
  • (‘budi’,)

Untuk lebih jelasnya silahkan lihat video saya berikut, sekian semoga bisa membantu.

 

Pendidikan Berbasis Outcome

Tidak bisa dipungkiri, pendidikan cenderung berorientasi pensuplai tenaga kerja. Walaupun pada kenyataannya tidak selalu demikian, bahkan siswa yang di masa depan sukses ternyata berwirausaha, alias punya perusahaan sendiri. Tetapi jumlahnya sangat sedikit, maka mau tidak mau prinsip pemenuhan kebutuhan akan tenaga kerja jadi fokus utama, apalagi di negara kita yang menjadi pusat produksi perusahaan-perusahaan multinasional. Postingan ini sekedar menyampaikan seminar tadi pagi oleh Asosiasi PT Infokom (APTIKOM) tentang OBE, MBKM, dan ACM 2020.

SKKNI

Kementerian tenaga kerja, di tahun 2000, memperkenalkan Standar Kompetensi Kerja Nasional Indonesia (SKKNI) agar tenaga kerja Indonesia memiliki standar. Nah, oleh karena itu perguruan-perguruan tinggi di tanah air waktu itu diharuskan memiliki kurikulum berbasis SKKNI.

Seiring perjalanan waktu, berbagai standar kompetensi nasional bermunculan lewat LSP-LSP yang menerbitkan sertifikat kompetensi standar Badan Nasional Sertifikasi Profesi (BNSP). Kemudian dilanjutkan dengan lulusan yang diwajibkan memiliki pendamping ijasah, salah satunya sertifikat BNSP, dengan harapan lulusannya memiliki kompetensi tertentu. Hal ini untuk menghindari lulusan perguruan tinggi di Indonesia yang tidak kompeten, alias tidak bisa langsung kerja. Sangat memberatkan perusahaan-perusahaan yang merekrut karena harus memberikan pelatihan khusus terlebih dahulu.

Outcome Based Education (OBE)

OBE melandaskan prinsip pendidikan dengan melihat sasarannya. Metode ini sudah diperkenalkan pada tahun 1994 tetapi baru masif diterapkan pertama kali tahun 2005 di Hongkong. Negara-negara Asia Tenggara sendiri baru mulai menerapkannya pada tahun 2017. Hal ini karena akreditasi internasional berbasis OBE, jadi mau tidak mau kampus-kampus jika ingin berstandar internasional menerapkan OBE.

Prinsipnya sangat sederhana, misal seseorang ingin menjadi jaksa, maka lembaga pendidikan akan menarik mundur dengan mempersiapkan materi pendidikan apa saja yang dibutuhkan untuk mencapai kompetensi jaksa tersebut. Tentu saja di sini dalam dunia pendidikan bukan jaksa yang dituju tetapi kompetensi yang dibutuhkan untuk jaksa, karena jurusan hukum tidak selalu memilih jaksa sebagai profesi, begitu juga jurusan lainnya, seperti ilmu komputer yang menghasilkan lulusan dengan bidang pekerjaan yang luas. Namun tetap saja harus memiliki kompetensi minimal agar lulus.

Kurikulum Berbasis OBE

Antara SKKNI dan OBE saling terkait, karena SKKNI menjadi rujukan kompetensi-kompetensi yang sudah terstandar di Indonesia. Lembaga pendidikan hanya meramu kompetensi apa saja yang dibutuhkan lulusan suatu program studi. Jadi diawali dengan menentukan profil lulusan dalam bentuk Capaian Pembelajaran Lulusan (CPL) maka prodi mempersiapkan Capaian Pembelajaran Mata Kuliah (CPMK). CPL aslinya berjumlah puluhan kalau mengikuti SKKNI, dan masalah muncul karena lembaga pendidikan harus melakukan evaluasi untuk menilai apakah siswa mencapai kompetensi-kompetensi tersebut. Jadi prodi biasanya menurunkan dari puluhan menjadi beberapa saja, tidak jauh-jauh dari 10 CPL, yang harus memasukan juga softskill. Misal ada 12 CPL maka prodi harus merinci menjadi CPMK dalam bentuk mata kuliah yang tiap mata kuliah memiliki beberapa CPMK.

CPMK yang merupakan capaian terkecil harus memasukan beberapa kompetensi dari SKKNI, dengan harapan lulusan memiliki kompetensi tertentu. Nah, CPMK tiap mata kuliah itu harus dijabarkan dalam 16 pertemuan. Misal satu mata kuliah ada 8 CPMK, maka ke-16 pertemuan tersebut harus mengadopsi 8 CPMK tersebut. Satu CPL bisa terdiri dari CPMK dalam beberapa mata kuliah tergantung jurusannya. Nah, repotnya, nanti program studi harus memetakan CPMK-CPMK tersbut disertai dengan evaluasinya (komponen penilaian akhir setelah ujian akhir semester). Jadi tiap semester seorang mahasiswa dapat dihitung berapa ketercapaian CPMK dan berhak lulus jika seluruh capaian terpenuhi.

CC 2020

Khusus untuk dunia informatika dan komputer, tahun lalu sudah dikeluarkan Computing Curriculla 2020. Berbeda dengan tahun-tahun sebelumnya yang membagi tegas menjadi TI, SI, SK, SE, dan lain-lain jurusan komputer, CC 2020 agak sedikit melonggar.

Jadi ketika suatu jurusan, misal teknik komputer (CE), maka boleh saja memasukan materi-materi bidang lainnya, namun khusus yang berwarna kuning harus ada. Kalau bisa yang abu-abu juga, mungkin dunia saat ini sedikit berubah karena adanya keterkaitan antara satu jurusan dengan jurusan lainnya. Ditambah lagi fenomena Gap Skill dimana ada beberapa skill yang tidak bisa disediakan oleh satu bidang komputer tertentu.

Merdeka Belajar Kampus Merdeka (MBKM)

Mendikbud, Nadiem Makarim, mencetuskan MBKM yang dapat diintegrasikan dengan OBE. Hal ini juga dalam rangka efisiensi di mana tiap mahasiswa bisa belajar tidak hanya dari kampus sendiri, melainkan dari kampus lain dan industri. Dengan kata lain, kompetensi-kompetensi tertentu dapat dicapai tidak hanya lewat tatap muka di kampus/kelas, melainkan juga industri/dunia kerja. Silahkan simak link Youtube lengkapnya di bawah ini, sekian semoga bisa membantu.

Peer Review

Jika searching di internet, peer review masih memiliki problem yang harus diselesaikan. Terlepas dari polemik itu, ada jenis jawaban yang dikenal dengan istilah trivial, yaitu jawaban sementara yang ada dan lebih baik jika tanpa ada jawaban sama sekali. Saya teringat kuliah dosen matematika saya ketika menjelaskan jawaban trivial dengan ilustrasi perang dunia di mana Jerman akan menyerang Inggris dengan rudal-rudal dan pesawat tempurnya. Inggris berhasil menemukan alat seperti radar saat ini (waktu itu masih jadul) yang mampu mendeteksi objek bergerak yang menuju Inggris. Hal ini memudahkan pertahanan mereka dan alat tersebut bisa dikatakan ‘penyelesaian masalah’. Namun suatu waktu alat tersebut mendeteksi objek yang jumlahnya banyak sekali, walaupun hal tersebut dirahasiakan namun bocor juga. Rakyat Inggris sudah pasrah waktu itu, hanya bisa berdoa karena serangan dengan jumlah sebanyak itu sangat sulit dilawan. Namun ternyata, objek yang dideteksi itu hanya sekelompok burung yang bermigrasi. Jawaban dengan alat tersebut dikatakan jawaban trivial.

Dalam dunia akademis kita mengenal artikel ilmiah yang terindeks, misalnya Scopus. Dengan perorganisasian dan kontrol kualitas yang katanya ketat, Scopus banyak dijadikan patokan artikel yang berkualitas oleh universitas-universitas di seluruh dunia. Banyak yang dijadikan syarat kelulusan, khususnya mahasiswa doktoral yang memang tugas utamanya melakukan riset. Banyak komentar-komentar yang tidak menyukai Scopus, dari istilah kapitalis yang mengambil untung dari ‘penderitaan’ periset di seluruh dunia hingga kualitas artikel-artikelnya yang diragukan. Tetapi dengan banyaknya kelemahan dan problem-problem yang ada, jika tidak menggunakan indeksasi yang bagus (misalnya Google Scholar yang bisa dimodif oleh author)s, akibatnya kualitas riset jadi diragukan. Sebenarnya ada alat kontrol lain, misalnya paten, tetapi tentu saja sangat sulit karena hanya segelintir orang saja yang bisa. Jadi banyak kampus-kampus yang terpaksa mengandalkan Scopus, WoS, dan indeks berkualitas lainnya karena lebih praktis dalam kontrol kualitas walau membutuhkan biaya tambahan yang kebanyakan ujung-ujungnya ditarik dari mahasiswa.

Problem utama dari riset ilmiah ujung-ujungnya adalah peer review, yang menjadi andalan Scopus karena menentukan kualitas artikel yang dipublikasikan. Tanpa ada peer review jangan harap jurnalnya terindeks di Scopus. Dari Youtube atau media sosial lainnya mulai bermunculan postingan yang anti peer review. Salah satu poin utama dari penolakan peer review adalah adanya ketergantungan yang amat besar dengan peer review. Jika ada ilmu-ilmu baru yang belum pernah dijumpai oleh reviewer, dengan hak-haknya menilai terkadang di-reject. Misalnya Anda ahli matematika, ketika mereview artikel Albert Einstein mengenai E=mc^2 sangat sulit menerimanya, apalagi biasanya artikel dibatasi dengan panjang naskah, padahal butuh penjelasan yang tidak mudah. Banyak definisi-definisi yang harus dipresentasikan karena ilmu yang baru. Yang mereview terkadang tidak mengetahui siapa yang menulis (blind review), ada keraguan karena ilmu baru yang si reviewer pun butuh ‘kuliah’ oleh sang penemu.

Kondisi memang sedikit rumit. Namun tanpa menggunakan peer review kontrol kualitas hanya mengandalkan ‘orang dalam’. Kalau kampus sekelas Harvard, MIT, Stanford, dan sejenisnya yang banyak riset yang didanai oleh industri mungkin tidak masalah. Kampus-kampus biasa, apalagi di Indonesia yang saat tulisan ini ditulis peringkatnya sudah mulai tertinggal jauh dari kampus-kampus Malaysia, tentu saja dipertanyakan kualitasnya. Memang ada pilihan lain, yakni external examiner, namun walau ‘eksternal’, tetap saja dipilih oleh kampus yang ujung-ujungnya dicari yang ‘mempermudah’.

Untunglah saya bukan menteri yang harus mengambil keputusan yang sangat menentukan masa depan dunia riset dan pendidikan tinggi. Agak sedikit membingungkan ketika dimerger antara riset dengan pendidikan. Mudah-mudahan riset kian berkualitas dan bukan sebaliknya hanya pendidikan yang maju tetapi riset terbengkalai. Apalagi kondisi dunia yang sedang mengalami pandemi, serta beberapa bidang sedang mengalami disrupsi. Saya yakin pemerhati di seluruh dunia sedang memikirkan hal ini, tetapi di negara kita yang masih dibilang ‘belum maju’ mau tidak mau harus mengikuti standar yang ada. Solusi trivial mungkin lebih baik dari pada tidak ada solusi.

Inspirasi

Inspirasi merupakan hal-hal yang memicu sesuatu. Terkadang inspirasi membutuhkan sumber, sehingga sering disebut sumber inspirasi. Bisa dari terciptanya sebuah karya, jawaban terhadap suatu permasalahan, atau sekedar penyaluran hobi. Sumber inspirasi bisa berasal dari mana saja, tidak harus dari hal-hal besar dan ‘wah’, bahkan bisa dari orang biasa bahkan yang dianggap biasa saja, bagi orang tertentu bisa jadi sumber inspirasi.

Upgrade Diri

Ketika pindah ke kampus di daerah Bekasi, saya cukup kaget juga karena dari list, sebagian besar dosen tidak memiliki jafung, yang dalam istilah kemdikbud ‘tenaga pengajar’. Dosen-dosen pun masih S1 waktu itu, karena memang belum ada kewajiban S2.

Seiring berjalannya waktu, pangkat naik yang waktu itu lektor merupakan tertinggi di fakultas tempat saya bernaung. Alhasil, karena pangkat tertinggi dan sudah S2, LLDIKTI (waktu itu namanya kopertis) meminta kampus yang memiliki dosen berpangkat Lektor dan S2 untuk mengikuti sertifikasi dosen (serdos), dan ternyata waktu itu saya lulus. Dan setelah itu, dosen-dosen lain pun berbondong-bondong menyelesaikan syarat-syarat serdos, yang tunjangannya lumayan.

Begitu juga waktu itu ketika ada tawaran dari DIKTI untuk pelatihan bahasa Inggris di UGM, iseng-iseng daftar dan ternyata terpilih ikut pelatihan IELTS di UGM 3 bulan. Hasilnya lumayan, skor 6.0 memenuhi syarat masuk kampus LN khusus teknik. Kalau humaniora sepertinya minimal 6.5 bahkan 7. Waktu itu sebenarnya tidak ada fikiran untuk kuliah di LN namun karena terinspirasi oleh rekan-rekan yang sudah berangkat duluan setelah pelatihan bahasa, akhirnya setelah sekali gagal/ditolak beasiswanya, lulus juga. Waktu itu lagi-lagi jadi yang pertama studi lanjut S3, dan entah mengapa tidak sampai satu tahun (semester berikutnya) rekan saya sudah ada yang studi lanjut juga, dengan biaya dari kampus.

Sharing

Berbagi pengalaman terkadang bisa menularkan ke orang lain. Sharing memang sederhana, tidak usah mikir, karena hanya menceritakan apa yang dialami saja. Tidak ada maksud tertentu, dan kebanyakan tidak dibayar, alias gratis. Namun ternyata hasilnya lebih efektif dari diklat, kursus, dan sejenisnya. Sharing/berbagi pengalaman ternyata bisa menginspirasi rekan-rekan kita, khususnya yang menghargai dan menghormati. Memang di mana saja pasti ada usaha-usaha untuk menjegal/menggagalkan tapi jumlahnya sedikit. Yang mensuport justru yang lebih cepat mengikuti jejak yang disuport nantinya, bahkan beberapa melampaui pencapaian saya, ada yang ke Inggris, Amerika, dan ada yang siap-siap ke Jepang.

Kondisi COVID pun sepertinya tidak menghalangi mereka-mereka yang sudah terinspirasi. Bahkan usia pun tidak menghalangi. Sekian postingan singkat mengisi weekend, semoga menginspirasi.

Beraktivitas Tanpa ‘Baper’

Bawa Perasaan (BaPer) terkadang sangat dibutuhkan, khususnya dalam memahami dan berempati terhadap suatu hal. Namun bila berlebihan bisa mengganggu fisik dan mental. Maklum kondisi saat ini yang tidak menentu. Banyak cara yang bisa dilakukan, misalnya cuek, jangan mudah menyimpulkan, menyadari kita tidak bisa mengatur fikiran orang lain, dan lain-lain (link). Postingan ini sedikit membahas kondisi dimana fikiran tidak terbawa hanyut, baik dengan suasana maupun perasaan.

Flow

Konsep flow ditemukan oleh psikolog-psikolog di barat ketika perang dunia berakhir (link). Jika diingat-ingat pasti seseorang pernah merasakan kondisi flow dimana ketika beraktivitias ada rasa bahagia, tenang, dan waktu seperti berhenti, denyut jantung rendah tapi fokus dan konsentrasi tinggi. Seorang atlit ketika bertanding dan masuk dalam kondisi flow akan menunjukan kualitas terbaiknya. Ketika bermain pun tidak ada rasa khawatir kalah atau menang. Oiya, untuk mencapai flow terlebih dahulu Anda menguasai aktivitasnya, tidak mungkin mencapai flow ketika misalnya bertanding catur tetapi Anda sendiri tidak mengerti cara bermainnya, bukannya flow malah stres.

Mindfulness

Flow memang sulit untuk diulangi, tetapi beberapa peneliti menyelidiki hubungan flow dengan konsep meditasi yang dikembangkan di timur. Daripada fokus bagaimana mencapai flow ada baiknya mengkondisikan tubuh dan fikiran kepada kondisi-kondisi pendukung flow. Ciri kondisi flow yang tenang, denyut jantung rendah, dan sejenisnya ternyata bisa dibalik prinsipnya. Dengan mencapai gelombang otak tertentu yang tenang (gelombang alpha), merasa bahagia, dan sejenisnya maka secara perlahan memasuki kondisi flow (terkadang disebut juga dengan istilah zone). Banyak yang meyakini Einstein ketika bekerja selalu dalam keadaan flow, ketika diuji darah antara bangun tidur dan sebelum tidur dalam kualitas yang sama baiknya.

Vipassana

Sangat sulit mencapai gelombang alpha yang tenang secara sengaja. Cara paling gampang adalah vipassana. Dengan memperhatikan nafas (masuk dan keluar) secara perlahan jumlah fikiran di kepala akan berkurang (konon jumlahnya dalam saat yang sama ratusan). Oiya, makin banyak fikiran di kepala bukan makin baik, malah kita terjebak seperti monyet yang gelisah loncata ke sana ke mari.

Jangan khawatir, bagi kita yang aktif, teknik ini dapat dilaksanakan tanpa harus menyediakan waktu dan tempat tertentu. Lakukan saja dalam aktivitas sehari-hari. Tentu saja dalam sehari sebisa mungkin menyediakan waktu dan tempat. Untuk yang beragama bisa dilaksanakan ketika beribadah.

Berlatih

Terkadang saya sering mencoba mempraktikan bagaimana beraktivitas tanpa baper agar menghasilkan kondisi flow yang optimal. Atau jika tidak mencapainya, ada usaha mengarah ke sana. Apapun tekniknya, misalnya vipassana, lakukan saja aktivitas sederhana, misalnya yang sering saya lakukan adalah bermain catur online. Ketika bermain jangan lupa nafas, dari awal bermain sampai akhir (menang/kalah). Jika lupa dengan nafas berarti gagal karena artinya terbawa perasaan (entah gembira karena menang atau kecewa karena kalah). Flow tidak memperdulikan kita menang atau kalah, melainkan hanya bahagia, tenang, dan khusyuk ketika beraktivitas.

Untuk dosen/pengajar bisa dengan mencoba ketika mengajar. Jangan sampai terbawa suasana, dan pastikan dari awal sampai akhir tetap tenang, bisa memperhatikan nafas atau untuk yang level lebih lanjut memperhatikan fikiran.

Beberapa hari yang lalu kita lihat motogp berlangsung dalam keadaan dimana ada pembalap yang meninggal karena kecelakaan. Jika tidak bisa masuk ke kondisi flow dapat dipastikan mereka membalap dalam kondisi ‘baper’ dan terbukti beberapa terjatuh dan tidak optimal. Oiya, jika ingin melihat kebiasaan-kebiasaan aneh orang ternama silahkan baca link ini. Sekian, semoga bisa mengisi libur lahirnya Pancasila hari ini.

Kompetisi Deep Learning

Tidak hanya American atau Indonesian’s Idol, ternyata ada juga kompetisi model Deep Learning dengan nama ImageNet Large Scale Visual Recognition (ILSVR) Challenge (lihat link resminya). Kompetisi berlangsung dari tahun 2010 hingga tahun 2017. Entah mengapa berhenti di tahun itu, mungkin karena akurasinya yang sudah sangat tinggi mirip kecerdasan manusia.

LeNet

Model ini digagas oleh pakar Deep Learning ternama, Yann LeCun di tahun 98. Mungkin nama “Le” diambil dari “LeCun”. Dengan keterbatasan hardware jaman itu tetapi model ini bekerja sangat baik dengan konsep konvolusi, sehingga sering disebut Convolusion Neural Network (CNN atau ConvNet).

Yann LeCun

AlexNet

Model ini sesuai namanya digagas oleh Alex dan kawan-kawan tahun 2012. Tahun sebelumnya dimenangkan oleh organisasi ternama, yakni Xerox. Model AlexNet banyak dikembangkan oleh organisasi-organisasi lain yang juga memenangkan kontes ILSVRC.

Alex Krizhevsky

GoogLeNet

Google dengan peneliti-penelitinya mampu menang di kontes tahun 2014. Dengan modul insepsi-nya yang mengurangi jumlah parameter AlexNet yang sebesar 60 juta menjadi 4 juta saja.

VGG Net

Model ini memang kalah oleh GoogLeNet, tetapi karena sifatnya yang terbuka, sangat disukai oleh komunitas visi komputer. Akurasinya pun hanya selisah 1 % saja dari GoogLeNet. Berbeda dengan GoogLeNet yang berbasis LeNet dari Yann LeCun, VGG Net berbasis AlexNet.

ResNet

Model ini singkatan dari Residual Neural Network yang menggunakan konsep residual. Gate yang ada di ResNet diterapkan dengan baik oleh Recurrent Neural Network (RNN) untuk data yang berbasis waktu (temporal).

Tokoh DL: Yann Lecun (Fb), Geoffrey Hinton (Google), Yoshua Bengio (Univ Montreal), Source: Link

Untuk menyaingi model-model di atas, walaupun tidak mustahil, sepertinya bagi mahasiswa-mahasiswa kita agak sulit. Hal ini karena model-model di atas dibuat oleh tim dari organisasi-organisasi besar seperti Xerox, Google, Facebook, dan puluhan lainnya. Mungkin kita bisa mengambil metode-metode itu untuk diterapkan di piranti-piranti kecil dan sederhana agar lebih bermanfaat, terutama pada aplikasi-aplikasi online untuk mendukung UMKM. Semoga bisa menginspirasi.

Runtuhnya Para Raksasa

Baru saja terdengar kabar bahwa sebuah perusahaan retail besar di tanah air akan menutup gerainya pada bulan Juli 2021 ini. Mungkin pembaca sudah tidak asing lagi mengingat beberapa perusahaan memang mengalami disrupsi. Bahkan maskapai kebanggaan kita pun terancam. Mereka kalah bukan karena pesaing melainkan karena alur bisnis yang sudah berubah, ditambah dengan kondisi pandemi. Mungkin bukan hanya saya yang paling “bete” antri di kasir ketika berbelanja, pembaca pasti juga. Antri yang menyedihkan adalah antri ketika bayar, karena sudah antre, duit keluar pula.

Distance is Matter

Ada prinsip geografi bahwa lokasi sangat menentukan. Kalau tidak percaya, tinggal saja dekat jalur Gaza sana. Walau tidak ikut ribut, terkadang ada saja rudal yang nyasar ke arah kita. Nah, dalam kasus retail banyak yang lebih suka ke mini market-mini market kecil yang letaknya dekat rumah. Toh, sama saja dengan retail besar yang kadang juga menawarkan diskon atau promo, idola para ibu-ibu.

Nah, sepertinya prinsip ini akan bergeser juga ke bisnis lain. Gawatnya ke pendidikan nih. Pemerintah saja sudah menerapkan zonasi untuk pendidikan, yang mengindikasikan sekolah tidak perlu jauh-jauh. Kampus-kampus swasta yang bakal terkena dampaknya, seperti informasi dari rekan saya di Jogja. Jika dahulu ada prinsip kuliah merantau, kos, dan sejenisnya tetapi banyak yang mencari lokasi terdekat, apalagi kalau swasta. Untuk kampus negeri mungkin masih bersedia kuliah jauh.

Kampus merdeka sudah ada gejala-gejala sharing resource dimana mahasiswa bisa lintas kampus untuk belajar. Yang kekurangan mahasiswa akan dikompensasi oleh yang kelebihan mahasiswa. Nah, pengajar pun bisa berbagi ilmu dengan kampus-kampus lain.

Kesombongan Tidak Laku

Di Indonesia, dengan Nitizen +62 nya memang terkenal ganas. Tidak boleh sedikit pun kesombongan, karena efeknya bakal dibully. Dengan basis pelayanan, sebuah organisasi harus memperhatikan tingkat kepuasan konsumen jika tidak ingin ditinggal.

Kesombongan hanya akan mengurangi jumlah teman. Kabarnya Israel pun mulai menggunakan prinsip mencari teman dalam menghadapi Palestina. Kemajuan teknologinya digunakan untuk mencari partner sebanyak mungkin demi memuluskan cita-citanya. Kabarnya ada sekitar 6 negara arab yang mulai bermitra. Di asia tenggara saja tinggal beberapa negara yang masih enggan bermitra, termasuk negara kita dan Malaysia (karena persemakmuran Inggris sepertinya otomatis bermitra, minimal bersikap dua kaki).

Sebenarnya saat ini tidak etis kalau ada sombong sedikit pun di hati, karena kondisi pandemi. Termasuk sombong dengan cara menganggap remeh COVID, tidak pakai masker, atau terang-terangan menghina vaksinasi seperti di salah satu grup yang saya ikuti, upss ..

Fikiran dan Imunitas

Baru saja saya mengunjungi rekan kerja yang hampir dua bulan masuk ICU karena COVID-19. Alhamdulillah sudah sehat kembali. Banyak hal-hal yang saya ketahui berkaitan dengan penyakit aneh ini. Dimulai dari proses terkenanya hingga efek yang ditinggalkan dari virus baru ini.

Berfikir Yang “Iya Iya”

Banyak yang mengatakan dalam pandemi ini jangan terlalu berfikir keras, menjaga asupan nutrisi dan istirahat yang cukup. Sehingga jika ada yang sakit karena sedang kuliah, mengerjakan laporan, proyek, dan lain-lain maka yang disalahkan adalah terlalu banyak berfikir.

Ketika saya tanya seminggu sebelum positif COVID-19 apa yang dikerjakan, ternyata sedang mengerjakan deadline seminar hasil. Sudah dapat ditebak, kambing hitamnya adalah deadline tersebut, tentu saja selain si virus itu.

Di sini berfikir yang “iya-iya” istilah saya sebagai lawan dari berfikir yang “tidak-tidak” alias, berfikir yang tidak ditujukan untuk menyelesaikan problem utama. Misalnya seorang mahasiswa ketika mengerjakan tugas, laporan, dan sejenisnya tidak fokus ke problem utamanya melainkan ke hal-hal lain seperti deadline yang jika terlewati harus mundur satu semester, harus bayar SPP lagi, kena penalti, dan sejenisnya. Sepertinya hal itu yang membuat imunitas turun, bukan karena memikirkan hal-hal utama, yang bisa jadi hal-hal utama itu sudah selesai, tinggal membuat laporannya saja.

Nah, berfikir yang “tidak-tidak” itulah yang kadang membuat seseorang tidak bisa istirahat dengan baik, kurang asupan nutrisi sehat, dan prilaku-prilaku negatif lainnya. Sementara proses berfikir dan bekerja tentu harus dijalankan. Kondisi pandemi yang diperkirakan masih berjalan lama memaksa kita tetap harus bekerja agar roda perekonomian tetap berjalan. Tidak mungkin “ngumpet” saja di rumah. Kondisi Indonesia yang lebih baik dari Malaysia, konon karena berhasil menyeimbangkan antara protokol kesehatan dengan tetap beraktifitas. Walaupun tentu saja ada yang “ngeyel” dengan melanggar protokol kesehatan. Ada juga yang termakan hoax, tidak mendukung program pemerintah seperti vaksinasi, tidak mudik, dan lain-lain.

Menjaga Hati

Selain fikiran kita dianugerahi dengan hati, berupa naluri untuk melakukan tindakan yang baik. Informasi dari rekan saya ketika dia ikhlas dan menerima kondisi yang diberikan tuhan, tiba-tiba kondisi membaik. Menerima sakit yang mungkin karena dosa-dosa kita di masa lalu bisa saja menjadi obat mujarab. Toh, manusia tidak mungkin lepas dari kesalahan. Ada informasi beberapa rekan yang katanya sudah ikhlas kalau meninggal justru malah sehat kembali dibandingkan dengan konon katanya orang yang tidak terima kalau dirinya ditimpa musibah COVID-19.

Bicara santai, guyon, dan hal-hal lain yang tidak terlampau serius mungkin sangat membantu kesembuhan rekan saya. Ada pula yang menganjurkan nonton film-film lucu ketika dirawat. Banyak hal-hal lain yang tentu saja masih perlu riset yang mendalam oleh orang-orang di bidangnya. Yang jelas berfikir yang negatif, ribut, dan sejenisnya menurut saya bisa menurunkan imun dan meningkatkan resiko terinfeksi. Semoga pembaca sekalian selalu dilimpahi kesehatan dan pandemi ini segera berakhir, Amiin.

Relasi Antar Kelas – Komposisi

Komposisi merupakan relasi antar kelas yang lebih ketat dibanding agregasi (lihat pos yang lalu), sedikit berbeda dibanding inheritance yang bersifat generalisasi/spesialisasi. Masih dengan kasus yang sama berikut ini.

Diagram kelas Unified Modeling Language (UML) di atas memperlihatkan relasi antara kelas Dosen dan Mahasiswa “Membimbing”. Teknik di atas sering muncul di buku karangan Alan Denis (System Analysis & Design – an OO Approach with UML).

Karakteristik agregasi antara dua kelas adalah independen. Jika dihapus satu objek yang berelasi, objek lain masih ada, sementara komposisi tidak. Ada istilah Wadah (Container) dan Isi (Contain). Jika wadah dihapus maka isi ikut terhapus juga. Misalnya komputer yang memiliki komponen prosesor, ram, mainboard, dan lain-lain dihapus, maka komponen otomatis ikut terhapus.

Secara kode mirip dengan agregasi, hanya saja isi, dalam hal ini isi, misalnya dosen pembimbing, dibangkitkan dalam objek yang berperan sebagai wadah, misal mahasiswa.

Pada agregasi, objek mahasiswa y (si Wahyu) memiliki dosen pembimbing x (Rahmadya). Jika objek y dihapus (ketik saja “del y” di colab) x masih ada. Nah, untuk komposisi dosen pembimbing y (Ujang) diletakan di dalam y sebagai wadah. Jika y dihapus/delete dosen pembimbing pun terhapus, berbeda dengan agregasi yang masih ada x tersisa. Berikut secara UML bagaimana notasi agregasi dan komposisi.

Namun dalam implementasinya antara agregasi dan komposisi hanya garis saja seperti dalam buku Alan Dennis et al, kecuali jika ingin merinci diagram kelasnya. Untuk inheritance harus dicantumkan dalam diagram simbolnya, karena atribut dan metode ada di kelas induk. Jika tidak diberi simbol panah khawatir pembaca akan bingung kemana atribut dan metode lainnya yang berada di kelas induk. Untuk lebih jelasnya silahkan lihat video Youtube berikut ini.

 

Deep Learning dalam Kehidupan

Bagi mahasiswa IT, bahkan orang-orang non-IT pun, mengenal konsep Deep Learning (DL). Walau aslinya adalah Neural Networks (NN) dengan banyak layer yang terlibat, orang awam menganggap metode tersebut merupakan metode ampuh, terkini, dan menyerupai kecerdasan manusia. Postingan ini tidak membahas konsep DL yang kompleks, yang membuat akhir pekan tambah pusing, melainkan prinsip dasarnya, yaitu “mendalam”.

Multitasking vs Deep Thinking

Pesatnya informasi, khususnya dari media sosial membuat kita menerima gempuran informasi, yang dalam istilah Big Data, velocity dan variety. Akibatnya fikiran kita akan berusaha mengolah informasi yang diterima tersebut. Karena banyaknya maka sudah pasti tidak bisa mendalam terhadap satu bagian karena akan kehabisan waktu. Akibatnya fikiran terlatih untuk berfikir dangkal (shallow – mirip judul lagunya Lady Gaga). Fikiran dangkal yang beralih cepat ke fikiran lainnya dalam dunia meditasi merupakan sumber kegelisahan, dan dalam dunia modern dikenal dengan gelombang beta.

Ketika pekerja sibuk membaca WA, Fb, Youtube, dan sejenisnya, akibatnya tugas utama untuk menyelesaikan problem akan terganggu. Hal ini sering dialami oleh pelajar dan mahasiswa. Jangan bangga dulu kalau Anda dikenal orang yang multitasking, karena semua hal-hal mendasar, berbobot, dan penemuan-penemuan penting bukan berasal dari multitasking, melainkan Deep Thinking.

Kejelasan Arah

Sayangnya pendidikan kita sejak dulu tidak mengarahkan dari awal. Kalau seorang anak berbakat misalnya pilot, maka konsep pendidikan yang benar adalah dari seorang pilot ditarik mundur kompetensi-kompetensi apa saja yang perlu dipelajari dan harus disediakan oleh lembaga pendidikan. Termasuk juga dokter, teknisi, dan sejenisnya. Jika si anak hobi dan suka bisnis, tentu saja langsung diarahkan ke pendidikan bisnis dan ekonomi. Sehingga pelajar menjadi efisien dalam belajar serta lebih mendalam. Saat ini yang terjadi pelajar kita diminta mempelajari segala hal, yang akibatnya dangkal.

Konsep multidisiplin pun tetap memerlukan pemikiran mendalam. Hanya saja seorang peneliti harus memahami bidang lain yang berkolaborasi saja. Silahkan menjadi seorang generalis, tetapi jangan lupakan berfikir mendalam. Seorang Bill Gates yang sudah menjadi generalis pun menyempatkan menghabiskan 50 buku dalam setahun.

Membaca merupakan salah satu berfikir mendalam. Tentu saja bukan hanya membaca judul berita yang sering dijumpai dalam share berita di medsos yang terkadang yang men-share pun belum membaca seluruh tulisan tersebut.

Memulai Deep Thinking

Untuk berfikir mendalam perlu mengurangi multitasking di kepala kita. Sebagai bahan renungan, di jaman offline sebelum pandemi, ketika ada seminar, kita masuk ke ruangan, menyimak pemateri dan memperoleh insight dari seminar. Tetapi di jaman online, banyak webinar-webinar yang di awal-awal pandemi penuh antusias, tetapi lama kelamaan mulai kendor karena ketika webinar berlangsung, pendengar karena mengakses di rumah, di jalan, dan di manapun, tidak sanggup mengurangi jumlah multitasking di kepala. Akibatnya tidak sanggup berfikir mendalam, hanya ingin mendapat e-sertifikat, dan penyakit multitasking muncul yaitu gelisah, bosan, dan jenuh.

Untuk mengurangi jumlah fikiran yang ada di kepala banyak caranya. Salah satunya meditasi, sembahyang, merenung, dan sejenisnya, tergantung agama dan keyakinan masing-masing. Jika sulit menghadapi gangguan ponsel, ada baiknya dimatikan terlebih dahulu gadget kita, terutama yang mulai menulis skripsi/tesis/disertasi. Saya sempat mengalami kondisi dimana ketika di luar negeri mengerjakan naskah paper dalam 2 minggu, ketika di tanah air ternyata membutuhkan 2 bulan dengan kualitas yang tidak sebaik yang pertama. Hal ini terjadi karena ketika di tanah air banyak yang harus difikirkan, alias multitasking.

Prioritas

Tentu saja hal-hal yang kita jumpai tidak bisa dikerjakan secara mendalam seluruhnya. Oleh karena itu menentukan skala prioritas juga penting. Yuk mulai berfikir mendalam, dimulai dengan menghabiskan bacaan, dan jika Anda sudah sampai kalimat terakhir ini, Alhamdulillah, berarti sudah bisa sedikit berfikir mendalam.

Random Forests dengan Google Colab Python

Decision Tree (DT) merupakan metode machine learning klasik yang memiliki keunggulan dari sisi interpretasi dibanding Deep Learning (DL). Memang akurasi Deep Learning, terutama yang digunakan untuk mengolah citra sudah hampir 100% tetapi beberapa domain, misalnya kesehatan membutuhkan model yang dapat dilihat “isi” di dalamnya. Kita tahu bahwa DL sering dikatakan “black box” karena tidak dapat diketahui alur di dalamnya. Nah, di sinilah DT digunakan karena memiliki keunggulan dari sisi transparansi. Bahkan ketika DT terbentuk kita bisa memprediksi secara manual hasil akhir dengan melihat alur DT tersebut tanpa bantuan komputer. Silahkan lihat pos saya terdahulu tentang DT.

Nah, karena data yang besar terkadang DT sangat sulit terbentuk. Seorang peneliti dari IBM bernama Tin Kam Ho membuat algoritma DT di tahun 1995 (saya baru masuk S1 FT UGM waktu itu). Prinsipnya adalah membuat DT-DT kecil secara acak kemudian digunakan untuk memprediksi melalui mekanisme voting. Misalnya kita ingin memprediksi sesuatu dengan enam buah Trees di bawah ini.

Jika hasilnya 2 Yes dan 4 No maka secara voting hasil prediksinya adalah No karena yang terbanyak No. Oiya, Tree yang dibentuk di atas ketika memilih root dan node tidak perlu menggunakan kalkulasi njlimet seperti DT yaitu dengan Entropi dan Gain Information.

Bagaimana menerapkan lewat bahasa pemrograman? Python memiliki library Scikit Learning untuk Random Forests. Oiya, jika ingin melihat kode di dalam library tersebut silahkan buka saja Source di Github yang disediakan oleh Scikit Learning. Jika ingin memodif silahkan tiru-amati-modifikasi source code tersebut, khususnya para mahasiswa doktoral yang fokus ke metode. Untuk lebih jelasnya silahkan lihat link Video saya di Youtube berikut ini. Sekian, semoga bermanfaat.

Break Sejenak ..

Semoga pembaca yang budiman selalu aktif dan banyak kesibukan. Agar sukses sepertinya butuh ruang untuk mengistirahatkan fikiran dan jasmani. Apalagi di masa pandemi ini. Postingan ini sedikit meredakan ketegangan kita, terutama saya sendiri.

Ingat ada seorang tukang daging yang sibuk memenuhi pesanan. Saking sibuknya dia tidak sempat beristirahat dan mengasah pisaunya. Ketika ada anjuran untuk mengasah, dia selalu menolak karena kesibukan. Padahal, dengan mengasah beberapa menit, hasil potongannya akan lebih cepat, efisien, tanpa tenaga yang berlebih akibat pisau yang kian tumpul. Begitu juga dengan kehidupan kita sehari-hari. Kita terkadang lupa untuk mengistirahatkan fikiran.

Gelombang Otak

Ada banyak gelombang otak, umumnya kita masuk pada gelombang beta. Beberapa aliran agama, Hindu dan Budha mengatakan gelombang ini dengan mengibaratkan fikiran seperti monyet yang lompat sana lompat sini. Kita jadi sulit fokus terhadap satu hal. Fikiran dengan gelombang ini biasanya berkarakter multitasking. Tentu saja otak sejatinya tidak bisa multitasking, hanya mirip seperti itu akibat perpindahannya yang sekelebat. Akibatnya tidak ada ketenangan, yang dalam agama Islam diibaratkan nafsu mutmainah, jiwa yang tenang.

Jika Anda makan sambil baca WA atau nonton TV, dapat dipastikan fikiran akan bercabang, sehingga Anda tidak bisa menikmati santapan makanan. Gelombang yang fokus ke satu fikiran, atau setidaknya hanya beberapa fikiran saja, adalah gelombang Alpha. Ada yang lebih dalam, disebut gelombang Tetha, namun gelombang ini terjadi ketika tidur pulas. Tentu saja kalau tidur kita tidak produktif. Namun sangat bermanfaat untuk istirahat karena gelombang ini memicu hormon pertumbuhan yang membuat Anda awet muda.

Mindfulness

Beberapa literatur menganjurkan Mindfulness dalam keseharian karena yang dapat merasakan apa yang difikirkan, dan tidak hanyut ke dalamnya. Bahkan beberapa tradisi, misalnya di Tibet, jika kita tidak bisa melihat apa yang terjadi dalam fikiran, kita belum bisa disebut manusia .. waduh, apa dong. Silahkan buku link di Youtube yang membahas masalah ini. Ternyata tidak dimonopoli oleh ajaran agama tertentu. Bahkan di Amerika Serikat, sudah ada alat yang mampu memantau gelombang otak. Beberapa sudah membantu mengatasi trauma veteran-veteran perang, maklum .. hobi perang.

Banyak metode-metode yang digunakan untuk sampai ke gelombang alpha, baik yang jadul seperti Cittanupassana dan Vipassana, hingga dengan bantuan audio. Saya sempat mencoba beberapa alat bantu tersebut dan lumayan membantu. Tentu saja namanya alat bantu ya hanya membantu. Tetap saja sebaiknya mengandalkan diri sendiri. Cittanupassana memang sulit karena kita harus sampai melihat diri kita yang melihat objek.Misalnya kita melihat monyet, maka Cittanupassana harus bisa melihat diri kita yang sedang melihat monyet. Maaf, contohnya monyet lagi.

Vipassana lebih mudah karena hanya butuh satu objek untuk pegangan, misalnya nafas, lafal tertentu yang sering kita jumpai ketika sembahyang. Sebenarnya intinya fikiran fokus hanya ke satu hal tertentu di masa kini, jangan memikirkan masa lalu dan masa depan, hidup di masa kini. Lakukan saja yang bisa dilakukan saat ini, jangan terlalu bersedih akibat dampak COVID yang lalu atau menanti terus kapan kejelasan pandemi berakhir, mudah-mudahan sih tak lama lagi.

Dari Neural Networks ke Deep Learning

Neural Networks (NN) merupakan machine learning yang sudah dikenal lama. Pasang surut metode ini dapat dijumpai dari rekam jejak penelitiannya. Dari problem utama exclusive or (XOR) yang tidak dapat dikerjakan hingga ditemukannya backpropagation membuat metode ini timbul tenggelam. Termasuk kisah para pelopor bidang ini, dari yang sempat kuliah lagi di kedokteran hingga ada yang harus cuti karena tidak ada uang kuliah. Maklum bidang yang waktu itu masih baru dan belum jelas apakah bisa diselesaikan atau tidak.

Walter Harry Pitts & Jerome Lettvin, Cognitive Science, Source: Link.

Peran Google

Di tahun 2000-an ketika menyusun tesis, laptop yang saya gunakan untuk memproses NN sempat “hang” karen mengelola citra tanda tangan yang berukuran besar. Beberapa peneliti waktu itu, terutama yang dari Indonesia, mengurangi resolusi menjadi sangat kecil, mirip dengan seven segment agar bisa diproses. Terpaksa waktu itu saya menggunakan prinsip encoder agar tidak membuat vektor yang panjang, jadi prinsipnya hanya pencocokan pola, bukan identifikasi pola. Toh hanya digunakan untuk sistem absensi.

Ternyata perkembangan NN, khususnya untuk menangani citra berukuran besar sangat pesat, terutama ditemukannya CNN oleh Yann Lecun. Prinsip konvolusi dibantu dengan pooling mampu menurunkan resolusi citra hingga berukuran kecil tanpa menghilangkan “ciri” lewat preprocessing yang terintegrasi dengan NN. Di sinilah konsep DL muncul, yang di awal-awal sering disebut Deep Neural Network karena memiliki layer dan neuron yang banyak dan dalam.

Tokoh DL: Yann Lecun (Fb), Geoffrey Hinton (Google), Yoshua Bengio (Univ Montreal), Source: Link.

Peran utama Google cukup besar dengan menyediakan konsep tensorflow, serta menyediakan Google Colab untuk dipakai bersama. Hal ini tak luput dari perkembangan hardware yang kian cepat dan murah, terutama memori dan Graphic Processing Unit (GPU) yang bekerja paralel, ditambah lagi Tensor Processing Unit (TPU) yang bekerja hingga level matriks. Saat ini DL mampu memproses citra dengan memasukan unsur waktu/temporal dengan Recurrent Neural Network (RNN) dengan salah satu andalannya Long Short Term Memory (LSTM).

Bagaimana Riset DL Untuk Pemula?

Problem yang muncul adalah bagaimana memulai riset di bidang yang sangat cepat perkembangannya. Beberapa metode seperti VGG, AlexNet, dll bahkan memiliki akurasi yang mendekati 100% sehingga pemula akan kesulitan jika ingin mengalahkan metode-metode tersebut, bisa-bisa kelamaan kuliah doktoralnya.

Untuk mahasiswa master sepertinya tidak ada masalah, karena dengan membandingkan beberapa metode DL untuk kasus terapan di domain tertentu, kemudian membahas mana yang cocok. Nah, mahasiswa doktoral harus menemukan kebaruan/novelty dar metode-metode tersebut. Agak sulit memang tetapi pilihan ada dua, fokus ke metode atau ke domain dimana metode tersebut dipakai. Untuk metode, jika sulit mengalahkan akurasi, bisa mencoba improve di sisi efisiensi, ringan, dan bisa diterapkan di alat-alat kecil (embed). Atau hibrid/menggabungkan dengan metode lain baik di core-nya atau di parameter tertentu, silahkan searching riset-riset terkini.

Untuk fokus ke domain, kita harus belajar penerapan DL, misalnya jika untuk kedokteran, mau tidak mau harus mempelajari bidang spesifik kedokteran tersebut. Misalnya DL untuk mendeteksi COVID lewat hembusan nafas yang di kita dikenal dengan GeNose. Untuk optimasi lahan, misalnya, kita harus mempelajari data spasial serta konsep-konsep Sistem Informasi Geografis.

Bahasa Pemrograman

Saat ini Python masih menjadi andalan untuk menerapkan DL. Banyak contoh-contoh program yang dishare oleh peneliti-peneliti, misalnya via Github. Ketik saja di Google dengan kata kunci: “Colab <metode>”, maka kita segera menemukan Share program Python metode yang dicari tersebut. Tentu saja untuk yang ingin menerapkan ke piranti mobile atau embed terpaksa harus belajar bahasa lain seperti C++ atau Java dan Android.

Berikut video Youtube contoh mempelajari DL, sekaligus bagaimana mengelola data via Google Drive yang efisien dan murah-meriah. Sekian semoga tertarik.