e-book Reader

Ketika berangkat kuliah saya pernah beli tablet Android yang lumayan keren, disertai pena stylus. Saat kuliah pun praktis tidak perlu membawa buku catatan yang berat. Selain mencatat bisa juga memotret tulisan di papan tulis. Salah satu yang tidak nyaman adalah dari sisi kesehatan mata, yang tidak bisa berlama-lama karena radiasi, terutama sinar biru, sehingga mata butuh limit untuk recovery, alias screen time. Bayangkan bagaimana perihnya mata ketika membaca ratusan halaman. Kalau cuma satu atau beberapa paper/artikel ilmiah sih tidak masalah tapi untuk yang buku, terasa juga di mata. Buku kertas saja sudah bikin mata ‘pegal’ apalagi buku elektronik/ebook.

Seperti biasa selepas ujian akhir saya pulang ke Indonesia. Di pesawat saya lihat bule cowok dengan kaos oblong antri masuk pesawat langganan, Air Asia. Sambil menunggu masuk terlihat dia membaca di alat mirip tablet yang berukuran lebih kecil dari tablet tetapi lebih besar dari handphone. Sepertinya beratnya tidak lebih berat dari smartphone. Yang uniknya, ketika dilihat ternyata seperti kertas buku. Waktu itu saya fikir mungkin itu hanya teknologi display yang menyerupak kertas dan tetap saja radiasinya berbahaya bagi mata.

E-Ink

Setelah lulus baru sadar ada teknologi yang saat ini sudah bebas Paten, yaitu E-Ink. Disebut bebas paten karena setelah paten sekitar tahun 95an berarti sekarang perusahaan bebas memakai paten yang sudah free tersebut. Berbagai vendor sudah berusaha memproduksi dengan teknik-teknik dan fasilitas baru yang memanjakan konsumen. Salah satunya adalah e-reader Android. Dahulu e-reader memang alat bantu Amazon untuk membaca e-book dengan produknya bernama Kindle. Namun, kelemahannya adalah tidak bisa membaca selain Amazon, seperti Gramedia Digital, i-pusnas, dan lain-lain.

Tadinya saya fikir ini merupakan versi sehat dari tablet dengan sinar yang ramah dengan mata. Tapi ternyata istilah e-ink adalah tinta yang berupa elektron statis di layar. Silahkan lihat video youtube ini jika ingin tahu prinsip kerjanya. Dalam kondisi tanpa daya pun tetap terlihat karena memang seperti tinta.

Selain bebas dari gangguan seperti notifikasi WA, email, dan godaan main game, membaca dengan e-reader mirip dengan membaca buku kertas. Bahkan seperti membawa perpustakaan di tangan. Karena prinsipnya seperti printing, tentu saja ada delay ketika refresh. Jangan harap bisa dipakai untuk main game, nonton film, dan sejenisnya.

Battery Life

Alat ini dibuat semirip mungkin dengan buku kertas, yaitu tidak terlalu membutuhkan daya/charge. Kindle yang saya miliki bisa seminggu baru dicharge jika dibaca terus. Kalau dibaca hanya untuk waktu luang tertentu saja bisa sampai sebulan. Kalau tablet karena ada OS yang memang bukan hanya untuk baca saja perlu membawa charger. Sangat merepotkan untuk orang yang suka bepergian. Saat ini untuk versi yang berwarna masih lumayan mahal, kira-kira dua kali lipat lebih mahal.

Untuk plus minus antara Kindle dan e-Reader Android (seperti gambar di atas) perlu pembahasan lebih lanjut. Tapi yang jelas, jika Anda tidak terlalu sering membaca maka membeli e-reader tentu saja mubazir, seperti banyak youtuber yang mengecam alat ini, yang membandingkan dengan tablet karena tidak bisa untuk ‘macem-macem’. Tapi untuk yang gila baca, silahkan dicoba ..

Krisis Doktor

Terkejut juga ketika mendengar rekan seperjuangan saya S3 di Thailand dikabarkan meninggal dunia. Masih muda, ketua program studi, usia tiga tahun di bawah saya. Yang sedang S3 pun tidak kalah beritanya, banyak juga yang telah pergi mendahului. Berita yang kian membuat para dosen-dosen baik junior maupun senior berfikir beberapa kali untuk lanjut kuliah ke jenjang tertinggi. Sebagai informasi, dari situs resmi pemerintah menunjukan dosen berpendidikan S3 masih seperempat dari dosen berpendidikan tertinggi S2.

Untuk berbicara di level dunia memang sangat sulit, bahkan di asia tenggara pun kita kalah dengan tetangga dekat (Lihat). Dibanding AS yang memiliki 9.850 per 1 juta orang, kita hanya 143 orang doktor/1 juta orang. Ok, lupakan semua itu, yang penting adalah bagaimana membuat semangat dosen-dosen muda kita kan.

1. Anggap saja Doktoral Main-Main

Sambil mendengarkan suara burung perkutut, sore itu seperti biasa saya nongkrong di warung kopi langganan para mahasiswa di tempat saya kuliah. Waktu ujian memang kurang menyenangkan karena wajah-wajah para mahasiswa tidak seperti biasanya. Wajah yang tegang, cemas, pasrah, dan sebagainya membuat kita ikut juga tertular. Termasuk rekan-rekan mahasiswa dari Indonesia. Namun beberapa ada juga yang santai, tidak terpengaruh hal tersebut.

Acara minum kopi merupakan sarana kumpul dan berbincang dengan teman seperjuangan. Terkadang solusi ditemukan saat itu, bukan saat duduk serius di meja belajar kamar. Bahkan solusi yang ‘strategis’ dan ‘illogical’ bisa muncul, yang bisa men-cut atau mem-bypass jalan menuju lulus. Nah, rekan saya merupakan mahasiswa jurusan mekatronika yang menurut saya cukup sulit, mengingat eksperimen membutuhkan alat-alat yang harus dibeli. Tidak seperti saya, eksperimen hanya menggunakan laptop subsidi kampus. Iseng saya bertanya, ‘sebenarnya yang dicari mahasiswa doktoral apa ya?’. Di luar dugaan, dia hanya menjawab riset S3 itu hanya main-main. Di sini main-main maksudnya adalah tidak serius. Jadi, jangan berfikir luaran S3 adalah paten, atau bahkan nobel prize. Walaupun kalau bisa ya hebat banget. Mirip pesan DIKTI ketika melepas para mahasiswa bahwa dana bagi negara kita sangat penting, jadi fokus saja lulus secepat mungkin. Bahkan beberapa referensi mengatakan bahwa disertasi kita seharusnya merupakan ‘tulisan terburuk’ kita. So, tulisan kita setelah lulus harus lebih baik lagi. Dan alasan berikut ini juga mendukung ‘main-main’ itu.

2. Paper Tidak bisa untuk naik Pangkat

Ini sedikit di luar nalar. Salah satu syarat lektor kepala ternyata paper yang bukan bagian dari disertasi. Banyak lulusan S3 yang sudah ‘kelelahan’ mengerjakan laporan dengan hasil paper ilmiah, ketika mau naik pangkat ditolak syarat khususnya karena bagian dari disertasi. Repot juga. Jadi info ini sangat mendukung point 1 di atas, alias ngapain serius banget kalau ujung-ujungnya harus riset yang 75% berbeda dari disertasi atau riset saat kuliah S3 dulu. Tapi, untungnya paper yang jadi syarat naik pangkat (syarat khusus) boleh jurnal nasional Sinta 2, tidak harus terindeks Scopus atau bereputasi, tentu saja khusus dosen yang sudah doktoral.

Kita sudah berbeda jaman dengan pendahulu-pendahulu kita, seperti di film Oppenheimer di jamannya mahasiswa doktoral adalah ‘ultimate’ ilmuwan yang bisa mendobrak jaman. Lanjut ke generasi berikutnya, jika Anda mengenal bahasa Rubi and Rails, itu merupakan karya disertasi mahasiswa S3, termasuk juga database no-sql ‘mongo-db’.

3. Santai

Berbeda dengan jaman dulu, justru saat ini mahasiswa tidak bisa santai padahal hiburan makin banyak, baik para ekstrovert, maupun introvert seperti saya tersedia juga hiburan. Orang jaman dulu mungkin hanya mengandalkan merokok sambil ngopi. Bahkan kabarnya mahasiswa di era 90-an yang kuliah di Thailand nonton McGyver di TV sambil mendengarkan radio karena di TV di dubbing bahasa Thailand, sementara bahasa Inggrisnya dari radio .. hehe. Ya, memang resikonya saya sudah beberapa teman kuliah dari negara lain mengatakan saya malas, tapi ya tetap santai, toh saya lulus duluan ujung-ujungnya.

Menghitung Jumlah Parameter Pada Model Deep Learning

Ilmu terus berkembang dengan cepat, khususnya bidang computer science, bidang yang dulunya di bawah elektronika dan MIPA matematika. Beberapa organisasi, misalnya IEEE yang merupakan organisasi electrical and electronic engineering masih memasukan ilmu komputer dalam wilayah kerjanya. Istilah-istilah baru yang tidak ada pada bidang induknya membuat computer science terpaksa memisahkan diri dari teknik elektronika maupun MIPA. Pada postingan ini kita akan membahas satu istilah penting dalam Deep Neural Network atau dengan nama lain Deep Learning, yaitu istilah parameter.

Sebenarnya ada istilah lain yaitu fitur (feature) yang kalau dalam matematika bisa disebut variabel. Atau kalau bidang basis data dikenal dengan nama field yang merupakan kolom dalam database terstruktur. Mengapa parameter dalam ilmu komputer unik? Hal ini terjadi karena parameter yang kalau dalam matematika biasanya sudah konstan/fixed, pada ilmu komputer malah justru hal tersebut yang akan dimanipulasi/dikomputasi.

Bayangkan saja sebuah garis pemisah y = m*x + c misalnya, di sini m merupakan gradien dan c merupakan konstanta. Tugas classifier adalah membuat garis pemisah y yang tepat memisahkan sekelompok data, dengan cara mencari nilai m dan c yang optimal agar garis tersebut berada di antara dua kelas, misalnya kelas + dan -. Di sini m dan c merupakan parameter yang harus dicari agar persamaan tersebut optimal memisahkan. Dalam neural network, m dan c adalah bobot dan bias. Nah, bagaimana dengan fitur X? Nah, untuk ilmu komputer, ternyata fitur itu tidak sekedar variabel yang fix. Misalnya sebuah citra 32 x 32 akan memiliki fitur sebanyak 32 x 32 = 1024, yang kemudian diolah oleh neural network dengan beberapa layernya. Namun dengan konvolusi, misalnya pada jaringan Convolutional Neural Network (CNN) dengan filter berukuran 3×3 sebanyak tiga buah akan menghasilkan 3 buah citra baru dengan besar yang tidak jauh berbeda dari sebelumnya tetapi memiliki jumlah fitur yang makin banyak, unik juga bukan.

Seberapa besarkan jumlah fitur yang ada pada jaringan terkini, misalnya U-Net, network deep learning yang biasa digunakan sebagai semantic segmentation model. Oke, di sini kita coba dengan Matlab, model U-Net tersebut kita panggil.

Kemudian dengan memasukan script sederhana berikut ini akan diperoleh jumlah parameternya:

  • lgraph = layerGraph(net);
  • output = lgraph.Layers(end).Name;
  • prob = lgraph.Layers(end-1).Name;
  • lgraph = removeLayers(lgraph,output);
  • lgraph = removeLayers(lgraph,prob);
  • dlnet = dlnetwork(lgraph);
  • numparams = 0;
  • for i = 1:size(dlnet.Learnables,1)
  • numparams = numparams + numel(dlnet.Learnables.Value{i});
  • end
  • numparams

Sungguh di luar dugaan, ternyata parameter yang harus disetel saat proses yang dikenal dengan nama training sebesar 31-an juta parameter.

Dulu mungkin mustahil, sekarang dengan hardware yang kian canggih, khususnya dari sisi Graphic Processing Unit (GPU), sebuah laptop sederhana pun, misal i5 processor, mampu menjalankan dengan cepat proses segmentasi/klasifikasinya. Ok, semoga informasi singkat ini bisa menginspirasi.

Mengatasi Google Drive yang Penuh

Google merupakan raksasa IT yang hampir menguasai internet. Beberapa situs melaporkan Google sebagai situs nomor 1, misalnya situs similarweb.

Walaupun situs pencarinya mulai terancam dengan searching berbasis AI, misalnya ChatGPT, fasilitas lainnya tentu saja sulit ditinggalkan oleh konsumen, salah satunya adalah cloud storage, yaitu penyimpanan bernama Google Drive yang secara cuma-cuma diberikan sekitar 15 Gb.

Penyimpanan ini sangat fleksibel karena dapat mengakomodir sesorang yang sangat mobile. Hanya dengan koneksi internet, kita dapat menyimpan dan mengunduh data dari Google Drive. Tingkat keamanannya pun cukup baik mengingat Google menggunakan skema two-factors authentication (2FA). Selain itu fasilitas sharing juga sangat bermanfaat. Oiya, Anda yang menggunakan Google Colab juga sangat terbantu dengan Google Drive ini mengingat Google Colab dapat terhubung dengan Google Drive sehingga pemrosesan Big Data dapat dilakukan.

Salah satu kendala dari Google Drive adalah kapasitasnya yang terbatas, yakni 15 Gb. Sebenarnya kapasitas ini cukup besar, hanya saja karena dipergunakan setiap hari terkadang kapasitasnya mulai menipis. Beberapa siswa memiliki problem tidak bisa upload soal tugas di Google Classroom karena kapasitas Google Drive nya penuh sehingga harus ‘dibersihkan’ atau berlangganan untuk mendapatkan kapasitas di atas 15 Gb.

1. Transfer Ownership

Untuk mengatasi hal tersebut ada dua fungsi Google Colab yang dapat dimanfaatkan untuk mengatasi storage yang penuh, yaitu transfer ownership. Mengapa hal ini perlu dilakukan? Alasannya hanya satu, untuk menyelamatkan data di cloud, mengunduh sebesar puluhan giga membutuhkan kuota yang besar, disamping itu perlu menyiapkan ruang harddisk. Jadi, ada baiknya ‘menitipkan’ file ke Google Drive lain. Tentu saja dengan mendaftarkan akun baru yang sebesar 15 Gb juga.

Untuk melakukan Transfer Ownership, sebelumnya file dishare ke akun target. Misalnya Google Drive saya yang mulai menipis, padahal akun tersebut merupakan akun utama yang sudah lama dipakai. Sayang kalau tidak dipakai lagi mengingat jurnal dan korespondensi lain masih menggunakan akun tersebut.

Jika kita tekan ‘Storage (87% full)” maka akan muncul jendela yang memberitahukan file apa saja yang ukurannya besar yang memenuhi Google Drive. Misalnya kita akan mem-backup file terbesar saya.

2. Sharing File

Langkah pertama adalah men-share file tersebut ke akun backup kita. Nah, di sini untuk transfer ownership mengharuskan Gmail yang sejenis. Seperti Anda ketahui akun Gmail ada dua jenis, Gmail institusi dan Gmail.com. Jika email institusi maka Anda hanya bisa mentransfer ownership pada institusi yang sama.

Cara sharing seperti biasa, ada baiknya tidak full share, melainkan hanya mengundang email tertentu saja, lebih aman. Selanjutnya ketika sudah share, lakukan share lagi pada file tersebut tapi di sini kita melanjutkan proses transfer ownership.

Perhatikan, storage sekarang menjadi 83% full, alias bertambah 4%, lumayan. Tentu saja akun backup saya akan bertambah juga, dan lama kelamaan pun penuh. Memang ada baiknya menyimpan di harddisk backup yang saat ini harganya kian murah. Tapi resiko rusak, hilang, corrupt dan terkena virus harus siap dihadapi.

Untuk jelasnya silahkan lihat video berikut ini, terima kasih.

Mencoba Sendiri Teknologi AI Terkini

Beberapa waktu yang lalu saya menonton film berjudul mission impossible. Film ini mengisahkan suatu AI yang memiliki kecerdasan sendiri sehingga bisa berfikir sendiri. Salah satu yang bisa mengalahkannya hanya akses ke kode sumber yang terkunci oleh dua kunci yang digabungkan, yang dalam istilah bank ‘dual custody’, dipegang dua individu berbeda. Di sini kita dikenalkan dengan bahasa dan dampak AI jika tidak terawasi dengan baik.

Nah, postingan kali ini saya memberikan informasi bagaimana dengan cepat mengerjakan proyek sederhana AI, khususnya machine learning dengan proses pembelajaran dari data yang diinputkan. Dengan demikian model dapat mengetahui dan melakukan inferensi/prediksi terhadap keluaran yang harus dilakukan. Tidak perlu menginstall aplikasi apapun, karena di sini kita menggunakan dua aplikasi berbasis online yaitu: 1) teachable machine, dan 2) google colab. Yuk, kita mulai.

1. Teachable Machine

Sebelum masuk ke situs buatan Google tersebut, ada baiknya kita memahami transfer learning. Istilah ini adalah istilah belajar hal baru tanpa melupakan pengetahuan yang lama. Misalnya kita belajar integral, kita tentu saja tidak menghapus pengetahuan yang lama, misalnya diferensial atau aljabar. Jadi ilmu yang lama tetap ada.

Teachable machine menggunakan beberapa model terkenal, biasanya berbasis tensorflow, yang sudah diajarai data sebelumnya, misalnya mengenali 1000 kelas objek dari puluhan juta gambar yang memang dimiliki dengan baik oleh Google. Setelah itu kita hanya mengajari model yang sudah diajari tersebut untuk mengenali hal baru, misalnya memakai masker atau tidak.

Jika model sudah mengenali masker kita tinggal memakai engine hasil training tersebut untuk kebutuhan kita. Di sini kita untuk eksperimen menggunakan Google Colab.

2. Google Colab

Aplikasi online ini adalah aplikasi berbasis python, khususnya jupyter notebook, yang dapat diakses gratis. Selain menyediakan environment dan software programming python, situs ini juga menyediakan server disertai GPU (dulu gratis sekarang bayar). Untuk data jangan khawatir karena dengan mudah terhubung dengan Google Drive yang sudah sebagian besar orang mengenal lokasi penyimpanan cloud ini. Jadi dengan hanya terhubung ke internet, lewat browser, kita dapa membuat aplikasi AI. Tentu saja Google Colab hanya untuk testing model yang kita buat, jika sudah ok tinggal kita implementasikan di desktop, web, maupun perangkat mobile.

Untuk mempelajari Google Colab, syaratnya Anda harus menguasai dasar-dasar Python, syukur-syukur sudah menguasai Jupyter Notebook dengan instruksi-instruksi PIP yang menginstall Library. Walaupun terkadang Google Colab sudah menginstall library-library yang ada saat ini terkadang ada saja library yang tidak terpasang, bahkan dalam video berikut ini ada yang perlu diupgradi pip-nya.