Memilih Ekosistem yang Baik

Mungkin Anda pernah mendengar istilah ekosistem dalam biologi. Ternyata dalam kehidupan sehari-hari kita mengenal juga ekosistem dalam arti lingkungan tertentu di sekitar kita. Ketika belajar di kampus kita memiliki ekosistem perkuliahan yang terdiri dari teman, dosen, tata usaha dan lain-lain. Namun jika dilihat walaupun kuliah di kampus yang sama, dua orang mahasiswa akan memiliki ekosistem yang berbeda. Ada yang suka belajar kelompok, ada yang suka demo, pacaran, luntang-lantung dan segala ekosistem yang dipilih oleh seorang mahasiswa.

Ada pepatah, jika Anda berteman dengan pedagang parfum, Anda akan terimbas wanginya. Silahkan pilih, dan saat ini tidak ada paksaan untuk masuk ke ekosistem tertentu. Tentu saja di awal, terkadang ketika sudah masuk, sulit untuk keluar. Nah, untuk para calon mahasiswa ada baiknya berhati-hati memilih ekosistem di kampus. Sesuaikan dengan minat dan niat yang baik karena terkadang ekosistem yang baik pun di dalamnya ada oknum-oknum yang menyesatkan.

Dalam dunia kerja ekosistem agak sedikit berbeda dengan ketika kuliah, karena persaingan sangat ketat. Memilih teman yang salah bisa berakibat fatal. Oleh karena itu kemampuan memilih rekan yang baik sangat penting. Beberapa pakar menyarankan menghindari ‘eneg’ alias energi negatif yaitu seseorang yang dapat melemahkan kinerja tim nya di suatu organisasi, misalnya selalu mengeluh, tidak puas, banyak tuntutan, memaksakan kehendak dan hal-hal lain yang seharusnya bisa Anda rasakan.

Bagaimana jika salah masuk? Di sini keberanian untuk hijrah sangat diperlukan. Menolak terkadang pekerjaan yang sulit tapi bisa jadi penyelamat Anda. Ekstrimnya, Anda harus berani keluar dari pekerjaan yang tidak cocok. Pernah beberapa tahun bekerja di bank, berangkat pagi pulang sore, menyelesaikan problem yang tidak ada habisnya. Mungkin cocok di awal, tetapi lama-kelamaan ketika tidak ada yang dilakukan lagi, mau tidak mau banting stir ke karir sebelumnya sebagai pengajar, walaupun tipe introvert seperti saya tidak cocok. Toh, keinginan untuk berbagi pengalaman dapat memperlancar proses transfer iptek dan pengalaman.

Bidang-bidang lain pun tidak jauh berbeda. Slash, gitaris Gun and Roses pun di akhir grup sebelum bubar merasakan kehampaan karena merasi ‘nothing I can do’. Atau gitaris deep purple yang bosan memainkan lagu jadul yang itu-itu saja. Puncaknya meninggalkan grupnya bahkan ketika sedang manggung.

Di era online saat ini, mencari ekosistem berupa komunitas mudah sekali dengan bantuan media sosial. Tetapi manusia ternyata memerlukan sumber inspirasi. Terkadang tuntutan kapitalis memaksa pendidikan menyediakan manusia instan yang hanya diajari satu aspek pekerjaan tertentu. Bahkan saat ini Google bisa melatih seseorang beberapa bulan setara dengan sarjana yang empat tahun. Mungkin saja, tetapi banyak hal-hal tertentu yang ‘dipotong’. Bisa jadi yang dipotong tersebut sangat dibutuhkan oleh peserta didik secara tidak langsung.

Ada satu cerita di amerika, seseorang wanita berkirim surat ke seorang aktor film star trek terkenal, James Doohan. Dia mengatakan berniat untuk bunuh diri. Si aktor memintanya ke tempat tertentu karena diundang di situ. Setelah pertemuan itu, si wanita tidak lagi berkomunikasi. Delapan tahun kemudian di luar dugaan si wanita itu berkirim kabar. Dia mengucapkan terima kasih karena telah menyelamatkan hidupnya lewat pertemuan dulu, sekaligus mengabarkan kalau dia baru saja memperoleh master di bidang elektronika. Oiya, james doohan di star trek berperan sebagai ‘scooty’ sang kepala insinyur yang mungkin diidolakan oleh si wanita yang mau bunuh diri itu, yang ternyata mahasiswa elektro. Nah, ternyata selain belajar bidang tertentu, mahasiswa terkadang memerlukan sesosok figur yang bisa secara langsung berkomunikasi, bekerja sama, dan melihat langsung sepak terjang orang yang diidolakan, yang tidak dapat diperoleh lewat online atau program instan lainnya. Sekian, untuk para mahasiswa baru, selamat berjumpa dengan ekosistem yang baru.

Install Bluestacks di Windows 11

Bluestacks adalah aplikasi yang menjalankan handphone di laptop/PC. Aplikasi ini sangat membantu mahasiswa yang mengerjakan tugas akhir pemrograman mobile. Selain itu, karena gratis, mahasiswa tidak perlu membayar biaya lisensi. Cara menginstall pun mudah, tinggal klik saja.

Proses Instalasi

Masuk ke situs resminya: https://www.bluestacks.com/id/index.html lalu unduh aplikasi Bluestacks versi 5 atau 10 yang tersedia. Berikut ini versi 10 atau ditulis versi X.

Setelah file exe diunduh, jalankan program tersebut untuk langsung mengunduh file installer sebesar kira-kira ratusan Mb.

Setelah mengecek dan ekstrak file instaler yang telah diunduh, Bluestacks melanjutkan proses instalasi. Tunggu sampai selesai.

Memulai Aplikasi di Handphone

Pastikan Bluestacks X telah selesai diinstal. Silahkan jalankan aplikasi android anda di Laptop. Selamat mencoba. Berikut tampilan aplikasi matlab mobile lewat Bluestacks X atau Bluestacks versi 10. Untuk mulai menggunakan aplikasi tersebut sama dengan memulai HP baru yang tentu saja kita sudah mengerti karena hampir semua orang punya HP. Dimulai dari login gmail dan seterusnya. Berikut ini contoh aplikasi Matlab yang dijalankan di Bluestacks X. Sekian, semoga bermanfaat.

Menghitung Mean Intersection over Union (mIoU)

Pada postingan yang lalu telah dibahas cara menghitung matriks konfusi. Matriks ini dapat digunakan untuk menghitung akurasi. Saat ini perhitungan akurasi dengan Mean Intersection over union (miou) banyak dipakai mengingat metode ini memberikan perhitungan yang ketat. Hal ini sangat memudahkan analisa dimana % akurasi model saat ini yang sudah sangat akurat (90% lebih).

Dengan perhitungan yang ketat diharapkan model usulan dapat dengan mudah membandingkan antara satu metode dengan metode lainnya. Prinsip dasarnya adalah mIoU membandingkan intersection prediksi dan ground truth (aktual) dengan union (gabungan) prediksi dan ground truth.

Secara logis, IoU lebih kecil dari % acurasi karena bagian penyebut hanya melihat sisi prediksi saja, yakni Area of Overlap/area of Prediction. Secara matematis persamaan berikut menunjukan IoU dengan tambahan False Negative (FN) yang merupakan sisi ground truth yang salah tebak.

Jika pada postingan yg lalu akurasi dapat langsung dihitung dengan menjumlahkan diagonal matriks konfusi sebelum dibagi total area, mean IoU dihitung dengan cara mererate seluruh IoU tiap-tiap kelas/segmen. Misal kasus berikut:

Matriks konfusi di atas menunjukan baris sebagai prediksi dan kolom sebagai nilai aktual/groundtruth. Misal, kita ingin menghitung IoU kelas ke-3 (yang berwarna kuning di atas). Dari rumus 8 di atas True Positive (TP) sebesar 62.413. Berikutnya menghitung False Positive (FP) dan False Negative (FN).

Nilai yang disorot warna hijau di atas merupakan FP dimana memprediksi kelas ke-3 tetapi hasilnya kelas yang lain. Sementara nilai yang disorot warna merah menunjukan nilai FN dimana ‘memprediksi yang bukan kelas ke-3 tetapi secara aktual (kolom) adalah kelas ke-3. Koding Matlab adalah sebagai berikut untuk kelas ke-3.

  • iou_3=matriks(3,3)/(sum(matriks(3,1:end))+sum(matriks(1:end,3))-matriks(3,3))

Bisa saja Anda menggunakan teknik yang lain misalnya menjumlahkan satu persatu tiap elemen, tapi lebih panjang sebagai berikut. Tapi yang penting logikanya mengerti.

  • iou_3=matriks(3,3)/( matriks(3,3)+ matriks(3,1)+ matriks(3,2)+ matriks(3,3)+ matriks(3,4)+ matriks(3,5)+ matriks(3,6)+ matriks(1,3)+ matriks(2,3)+ matriks(4,3)+ matriks(5,3)+ matriks(6,3)

Untuk menghitung rata-rata IoU, atau disingkat mIoU, caranya adalah menghitung IoU seluruh kelas, lalu merata-ratakannya seperti rumus 9. Diperoleh miou = 0.6391. Selamat mencoba.

Matriks Konfusi (Confusion Matrix)

Mengetahui performa model yang dirancang merupakan kewajiban bagi perancang model. Fungsinya adalah menjamin kualitas model usulan sebelum diimplementasikan. Apalagi jika model yang dirancang merupakan mesin pemelajaran (machine learning) yang memang mengandalkan data latih dan data uji dalam proses pemodelannya.

Salah satu metode yang biasanya digunakan dalam menghitung performa sebuah model adalah matriks konfusi. Prinsipnya sangat sederhana yaitu membandingkan hasil prediksi dengan data aktual. Data aktual untuk beberapa bidang, misalnya segmentasi semantik, sering disebut ground truth.

Menghitung Matriks Konfusi

Prinsip kerja menghitung matriks konfusi adalah dengan membandingkan ‘head-to-head’ hasil prediksi dengan ground truth. Pertama-tama adalah mengkonversi matriks menjadi vektor. Biasanya untuk data citra yang berupa piksel 2D, sehingga harus dikonversi menjadi vektor baris/kolom.

  • prd=reshape(prediksi,1,[]);
  • gt=reshape(groundtruth,1,[]);
  • matriks=confusionmat(prd,gt)

Perhatikan fungsi confusionmat adalah fungsi membuat matriks konfusi dimana parameter pertama, prd akan menjadi baris pada matriks konfusi, sementara parameter kedua, gt, akan menjadi kolom.

Angka-angka di atas merupakan jumlah elemen, misalnya baris kedua kolom kedua (192965) artinya ada sebanyak 192.965 elemen dimana prediksi kelas ke-2 yang sama dengan aktualnya (kelas ke-2 juga). Secara gampangnya, diagonal pada matriks konfusi merepresentasikan dengan jumlah yang tepat.

Menghitung Akurasi

Karena diagonal merepresentasikan jumlah prediksi yang tepat, maka prosentase akurasi merupakan jumlah yang tepat (elemen diagonal) dibagi dengan seluruh data. Secara sederhana program menghitung matriks konfusi di atas dilanjutkan dengan:

  • [baris,kolom]=size(matriks);
  • total=0;
  • for i=1:baris
  • total=matriks(i,i)+total;
  • end
  • akurasi=total/(sum(matriks,’all’))

Jika dijalankan akan menghasilkan akurasi dari matriks konfusi tersebut. Untuk Matlab, menghitung akurasi dapat dilankukan langsung dengan fungsi classperf dari matriks yang akan dibandingkan.

Perhatikan ‘CorrectRate’ gambar di atas yang menunjukan akurasi sebesar 0,8966 atau 89,66%. Untuk melihat hasil akurasi dengan cara mengetik akurasi.CorrectRate pada command window. Bagaimana dengan perhitungan jenis lainnya? Akan kita bahas pada postingan berikutnya, yaitu Mean Intersection over Union (mIoU) yang saat ini menjadi standar perhitungan akurasi, khususnya segmentasi semantik.

Publish MS Word 365 ke WordPress

Publish dari word ke wordpress biasanya sudah ada fasilitasnya. Namun untuk MS Word 365 tidak ada menu publishnya. Untungnya Office 365 menyediakan template untuk publish ke wordpress.com lewat template yang diunduh di link resminya: https://templates.office.com/en-us/blog-post-tm02843595

Tekan tombol Download di kanan bawah untuk mengunduh file dotx, standar template microsoft word. Simpan di lokasi yang sering digunakan, misalnya documents.

Kalau sudah seperti tampilan di atas, tata caranya mirip dengan publish word pada non versi 365. Silahkan tekan Manage Accounts untuk mendaftarkan akun wordpress agar bisa secara otomatis publish ke www.wordpress.com. Contohnya adalah postingan ini menggunakan template dotx office 365.

Oiya, sebelumnya save as file template karena akan digunakan untuk postingan yang lain. Atau jangan disimpan ketika sudah selesai mengetik di template. Ok, selamat mencoba.