Aplikasi Scratch .. Melatih Berfikir Komputasi Pada Anak

Scratch adalah sebuah platform pemrograman visual yang dirancang untuk membantu anak-anak dan remaja belajar pemrograman dan keterampilan komputasi dasar dengan cara yang menyenangkan dan interaktif. Scratch menggunakan blok-blok kode yang dapat disusun bersama-sama seperti puzzle, sehingga memudahkan pengguna untuk memahami konsep pemrograman dasar seperti urutan, kondisi, dan pengulangan. Buka link Scratch.

Pilih “Create” untuk membuat proyek baru. Ada istilah ‘Sprite’ dan ‘Background’ yang beruturut-turut artinya aktor dan lingkungannya.

Pilih latar belakang untuk game Anda dengan mengklik ikon latar belakang di sudut kanan bawah layar. Bisa juga dengan memilih lingkungan yang tersedia.

Tambahkan karakter atau objek game dengan mengklik ikon “Sprite” di sudut kanan bawah layar. Bisa juga dengan upload gambar sendiri. Langkah yang penting adalah membuat kode dari blok yang tersedia. Kode berikut (dengan even, control, dan motion) menginstruksikan si ‘meong’ berputar terus (instruksi repeat) dan even ketika green flag ditekan.

Silahkan pelajari video tutorial yang tersedia dan explore fasilitas-fasilitas yang tersedia. Lihat ilustrasi video berikut.

Iklan

Install dan Running PHP dari Folder

AI merupakan salah satu bidang yang luas, dengan konsep-konsep yang dapat dijalankan khusus dengan aplikasi misalnya Jupyter Notebook, Google Colab, serta environment lain yang memudahkan mendisain AI. Namun untuk implementasi ada baiknya memahami penggunaannya. Salah satu yang paling banyak dipakai adalah aplikasi berbasis Web, misalnya dengan bahasa PHP (PHP: Hypertext Preprocessor).

A. INSTAL XAMPP

1. Untuk menginstal PHP, lebih mudah dengan XAMPP yang satu paket dengan basis data (MySQL). Buka link resminya.


2. Unduh versi terkini. Jalankan file yang telah diunduh. Di sini lokasi sedikit dirubah dari default-nya. Lanjutkan dengan meneken Next>.


B. RUNNING PHP SERVER

1. Jika sudah selesai, kita tinggal menjalankan XAMPP lewat XAMPP control panel.


2. Namun terkadang untuk praktek, lebih mudah menjalankan lewat direktori letak file-file php berada dengan mengetik: php -S localhost:8000. Jika php tidak ditemukan, silahkan ikuti seting Environment.

Diploma

Waktu sekolah dasar, ibu pernah ‘gosip’ bahwa tetangga sebelah anaknya tidak lulus-lulus sarjana muda. Ada juga anak tetangga yang lain yang kembali lagi dari SMA khusus ilmu kimia ke SMA biasa, saya lupa namanya Lemia kalo ga salah. Sekarang namanya Lembaga Pendidikan Khusus Kimia (LPKK). Katanya sulit banget. Ada lagi yang ambil STM Telkom, sulit di mata pelajaran digital.

Waktu berjalan, setelah kuliah enam tahun lamanya, ternyata lulus diploma mudah sekali. Teringat dosen waktu S1 dulu bilang kalau kalian sudah lulus mata kuliah ‘merencana mesin’ berarti setara dengan D3. Padahal merencana mesin sendiri lebih sulit dari skripsi. Sialnya saya dapat ‘C’ karena komputer berisi gambar AutoCad dijual kakak saya.

Hingga saat ini saya pun masih berkecimpung mengajar di Diploma 3, program studi yang saat ini kian menyusut, karena tanggung, kalah bersaing dengan sarjana. Ketika Nadim menjadi mendikbud, usaha untuk membangkitkan Diploma terasa belum mampu, malah sarjana ikut men-take over jatah-jatah jurusan diploma, misalnya hibah. Banyak sih program-programnya, tapi ya itu .. kebanyakan ditolak proposalnya.

Uniknya alumni D3 ternyata banyak yang siap pakai. Bahkan beberapa menjadi pemiliki perusahaan, minimal CV. Memang, mahasiswa D3 sudah pasti mengenal ‘medan’ kerja mereka, dibanding S1 yang terkadang penuh dengan teori. Repotnya makin tinggi dosen (khususnya yang selesai studi lanjut) terkadang ‘lupa’ kalau yang diajar adalah mahasiswa diploma dan sarjana yang harusnya fokus ke aplikasi, bukan menemukan novelty. Kasihan juga lah. Dari pada menjalankan program di Google Colab untuk misalnya sentimen analysis, alangkah baiknya tugas akhir diarahkan menjalankan sentiment analysis dalam suatu framework PHP, misal CI, laravel, Node JS, dan sejenisnya. Skill tersebut yang dibutuhkan pengembang. Kalau Google Colab mungkin jika ingin fokus ke penemuan metode, yang biasanya cocok untuk mahasiswa S2 dan S3.

Namun, ibarat menemukan metode tertentu ya seharusnya memahami metode yang ada terlebih dahulu. Ibarat menemukan metode gali sumur yang terbaru, sudah pasti harus memahami teknik-teknik gali sumur terlebih dahulu. Nah video berikut membahas langkah awal praktik Artificial Intelligence dengan bantuan bahasa Python di Jupyter Notebook, Google Colab, hingga implementasi di PHP dan Flask. Semoga bermanfaat.

Perplexity – Ask Anything

Artificial Intelligence sudah merambah ke mana-mana, salah satunya adalah tools untuk tempat bertanya – Perplexity. Masukan hal yang ingin ditanyakan, misalnya “LSTM”.

Tidak hanya menjawab, situs ini memberikan referensi lanjut untuk mempelajari hal tersebut, misalnya referensi ke-5 d2l. Klik saja, langsung mengarah ke situs tempat referensi tersebut berada.

Untuk pertanyaan yang ‘to the point’ bisa menggunakan ChatGPT. Tentu saja untuk membuat artikel, referensi membutuhkan sumber tertentu, entah itu buku, jurnal, ebook, dan sejenisnya. Kemunculan AI membuat gaya belajar kita berbeda dengan sebelumnya. Kemampuan metakognitif sangat diperlukan oleh pelajar untuk secara cepat fokus ke hal-hal yang tidak dimengerti saja.

Hibah Matching Fund – Kedaireka

Pekerjaan dosen selain mengajar adalah meneliti. Hasil penelitian selanjutnya dipublikasikan agar bermanfaat bagi sesama. Beberapa dipatenkan agar memberikan manfaat ekonomis bagi penelitinya. Penelitian sendiri membutuhkan dana yang terkadang sulit ditentukan besar kecilnya.

Dana penelitian bisa berasal dari beragam sumber, salah satunya adalah dari pemerintah, lewat mekanisme hibah penelitian. Jenis-jenis hibah (sering diistilahkan skema) sangat banyak, dan yang saat ini termasuk baru adalah hibah matching fund. Hibah ini merupkan gabungan pendanaan dari pemerintah maupun mitra swaste. Silahkan kunjungi situsnya.

Pada situs tersebut dapat diunduh panduan yang menjelaskan langkah-langkah pengajuan proposalnya. Namun di sini saya hanya berbagi pengalaman, termasuk keluh kesah yang dialami.

1. Menemukan Mitra

Untuk menemukan mitra, mudah saja. Selain lewat MOU atau MOA dari kampus, bisa juga lewat situs kedaireka karena tiap mitra bisa mengajukan diri untuk bekerjasama. Tapi biasanya mitra yang sudah kenal lebih mudah, karena mereka sudah percaya dengan pengusul.

2. Seleksi Pitching

Sebelumnya ada seleksi proposal yang berisi upload-upload dokumen penting, dari proposal hingga surat-surat dengan tanda-tangan di atas materai, dimulai dari kesepakatan dengan mitra, pernyataan bahwa pengusul tidak sedang kuliah, dan lain-lain, yang jelas menghabiskan beberapa materi 10 ribu.

Ok, materai mungkin tidak jadi soal, yang jelas ada kegiatan baik silaturahmi antara mitra dengan pihak kampus pasti terjalin. Jelas, network sangat penting saat ini. Kampus saya sendiri mengirimkan hampir 10 proposal, namun hampir semuanya gagal di proses pitching, yaitu proses wawancara online (via zoom) dengan reviewer dari pemerintah. Mitra pun diwajibkan untuk hadir, kalau tidak sudah dipastikan gagal.

3. Proposal Lengkap

Jika pithcing lolos, selanjutnya ada beberapa tahap yang bisa dilihat dari panduan resminya. Salah satunya adalah proposal lengkap. Jika dulu kita langsung mengajukan proposal lengkap, sekarang sebelum proposal lengkap melewati berbagai tahapan. Bagi dosen atau kampus sepertinya tidak jadi masalah kalau ditolak. Toh, sudah kebal berkali-kali ditolak. Nah, kali ini agak sedikit sedih ketika mengabari mitra bahwa proposal ditolak, khususnya pada tahap pitching. Mereka yang sudah meluangkan waktu, bertemu berkali-kali meeting, terkadang menyusun proposal dan diskusi bareng ternyata tidak bisa lanjut. Apalagi jika ditanya ‘dimana letak gagalnya?’.

Berbeda dengan pejabat yang anaknya sliweran pakai jeep rubicon, atau perwira dengan ajudan yang banyak, seorang dosen hanya mengandalkan mengajar dan proyek-proyek di sela-sela kesibukannya. Keyakinan akan keberkahan saja yang membuat mereka tangguh. Untungnya saya hanya peserta yang tinggal mengajukan proposal, presentasi, dan menunggu hasil. Seandainya saya jadi reviewer, rasanya berat sekali menolak mitra dan peneliti yang sedang berusaha menjalin kerjasama. Sebagai penggembira, kami yang berasal dari kampus sederhana, turut bergembira memasarkan program kampus merdeka, dari menunggu lama saat mengantri wawancara, sampai unggah video ke Youtube .. agar kemdikbud terkenal di seluruh dunia. Saat tulisan dibuat, keesokan harinya ada sosialisasi, silahkan lihat link youtube, rekamannya.

Analisa Sentimen dengan Generative Pre-trained Transformer (GPT)

Generative Pre-Trained Transformer (GPT) merupakan salah satu engine pada ChatGPT dalam memberikan respon terhadap pertanyaan ketika chatting. Biasanya analisa sentimen menggunakan Naïve Bayes, SVM, Random Forest, Neural Network, Gradient Boosting, dan yang terkini BERT. Namun GPT ternyata dapat digunakan untuk analisa sentimen.

Berikut ketika saya tanya konten: “Pemerintahan saat ini sangat buruk. Tidak banyak membantu masyarakat. Hanya menguntungkan pemilik modal atau orang-orang kaya saja.” Ternyata jawabannya di luar dugaan, tidak hanya menebak dengan baik, penjelasannya pun masuk di akal.

Untuk yang tertarik dengan sentiment analysis, tidak ada salahnya menggunakan model GPT untuk menganalisa sentimen. Tentu saja perlu pengecekan kecepatan proses mengingat saat ini masih Naïve Bayes yang paling cepat, walaupun kalah akuran dengan lainnya.

Kebanyakan riset menganalisa konten twitter yang memang gaya bahasanya ‘jeplak’ tanpa ‘tedeng aling-aling’ sehingga sangat mudah untuk analisa sentimen. Bagaimana dengan media masa dengan bahasa yang terkadang penuh dengan retorika, majas, ironi, dan sejenisnya. Misal saya menanyakan sebagai berikut:

Menurut anda, kalimat: “pemerintahan saat ini sungguh hebat, para koruptor, politikus licik, dan kutu loncat politikus sangat dimanjakan”, bersentimen positif atau negatif? Jawabannya sungguh di luar dugaan:

Kalimat “pemerintahan saat ini sungguh hebat, para koruptor, politikus licik, dan kutu loncat politikus sangat dimanjakan” sebenarnya bersentimen negatif, meskipun secara tertulis dapat diartikan sebagai sentimen positif.

Dalam kalimat tersebut, meskipun ada pengakuan positif terhadap pemerintahan saat ini yang disebut sebagai “sungguh hebat”, namun ungkapan selanjutnya menyatakan bahwa para koruptor, politikus licik, dan kutu loncat politikus sangat dimanjakan. Ungkapan tersebut jelas menunjukkan pandangan negatif terhadap pemerintahan, karena pemerintah yang hebat tidak akan memanjakan atau mendukung keberadaan koruptor, politikus licik, dan kutu loncat politikus.

Dalam analisis sentimen, kalimat-kalimat seperti ini cenderung dikategorikan sebagai sentimen negatif karena mengungkapkan pandangan atau evaluasi yang tidak menyenangkan atau merugikan terhadap suatu subjek atau topik.

Gimana? Perlu jadi pertimbangan dong model GPT untuk analisa sentimen?

Instal ChatGPT Desktop

Jika tertarik dengan ChatGPT tidak salahnya instal versi desktop. Link ini bisa jadi rujukan: https://github.com/lencx/ChatGPT. Oiya, sebagai informasi, syarat untuk ChatGPT adalah:

  • Email
  • No HP

Jika satu no HP digunakan untuk lebih dari satu akun gmail maka ada pesan/warning seperti berikut: ‘This phone number is already linked to the maximum number of accounts’.

Kecuali jika menggunakan fasilitas yang berbayar. Silahkan baca-baca dulu link di atas. Ada warning yang menyebutkan ada kasus hacker memodifikasi kode ini untuk kepentingan jahat. Oleh karena itu instal dengan kode sumber dari pembuat aslinya saja. Kalo sudah yakin, bisa unduh installernya.

 

Di sini hanya diberikan contoh untuk versi Windows-nya. Oiya, kabarin untuk yang versi Mac di kolom komentar ya jika ada yang memakai IOS.

Setelah mengarahkan lokasi instalasi program, tunggu hingga proses instalasi selesai dalam waktu kurang dari 1 menit.

Seperti versi web-nya, di sini kita diminta log in terlebih dahulu. Gunakan saja cara cepat log in dengan Googl (Continue with Google) setelah menekan tombol Log In.

Klik saja Next ketika muncul notice di awal penggunaan. Selanjutnya aplikasi ChatGPT versi desktop sudah kita gunakan. Silahkan gunakan untuk hal-hal yang bermanfaat ya.

Selamat Datang AI

Beberapa film menunjukan dampak positif dan negatif dari penggunaan AI di dunia. Dari film ‘AI’ dengan tokoh utamanya robot anak, robocop robot polisi, hingga yang membahayakan seperti David dalam film “Prometheus” (diberi kemampuan berkehendak, akhirnya merusak satu planet, hingga berambisi menjadi tuhan).


Banyak yang mengkhawatirkan masuknya AI tanpa adanya batasan. Mungkin karena bisa dimanfaatkan untuk kejahatan, atau bisa merugikan di kemudian hari walau saat ini mungkin belum terasa dampaknya. Salah satu AI yang cukup mengganggu misalnya engine pada catur (www.lichess.org atau www.chess.com), membuat wasit membutuhkan alat bantu apakah seseorang menggunakan engine atau tidak, hingga perlu AI juga untuk mendeteksi pemain menggunakan engine atau tidak.

Yang saat ini heboh adalah chatgpt (https://chat.openai.com/chat) dengan kemampuan seperti google tapi mampu berkomunikasi layaknya manusia. Beberapa waktu yang lalu saya memiliki masalah (vektorisasi data NLP dengan TF-IDF yang keluarannya tidak sesuai dengan jumlah record). Dengan google saya perlu mencari kasus-kasus yang mirip, dan mentok ke problem-problem yang sering terjadi saja.

Uniknya ketika masih mentok, belum ada jawaban yang fix, dia bertanya “bisa mengirim sample kode?”. Nah ketika saya paste potongan kode ke chatgpt, makhluk buatan ini langsung menjelaskan detil disertai revisi kodenya dimana [‘text_column’] harus ditambahkan, tidak hanya transform(db_df).

Bahkan Scopus sendiri memasukan ChatGPT sebagai Co-Author artikel ilmiah. Hal ini menyamakan level AI layaknya Co-Author saat ini (manusia). Kita tunggu saja apakah ChatGPT bisa sebagai First Author, dari merancang riset, menulis, submit dan lain-lain.

Aplikasi ini juga mengancam pengajar (guru dan dosen) dalam proses pembelajaran, terutama dalam tugas dan ujian. Mesin-mesin plagiasi perlu mencari cara apakah suatu tulisan dibuat manusia ataukah engine AI. Di Perancis, aplikasi ini dianggap ‘high risk’ dan diband (Link).

Bagaimana jika seorang teroris membuat ChatGPT palsu kemudian secara diam-diam chat dengan anak-anak muda dan melakukan doktrinasi ke remaja-remaja yang masih labil yang tanpa sadar si remaja itu chat dengan manusia yang menyamar sebagai engine dan mengajarkan hal-hal berbahaya.

Selama idola, fans, role model masih manusia, entah itu atlit, artis, guru dan dosen, keberadaan kita masih dibutuhkan. Guru dan dosen pun jadi sadar bahwa tidak hanya transfer ilmu dan skill saja yang diiperoleh dari institusi pendidikan melainkan akhlak, teladan yang baik, hingga bertambahnya network/jaringan/circle. Sekian, semoga bisa menginspirasi.

Menginstall Composer Untuk Aplikasi-Aplikasi Framework PHP

Postingan yang lalu membahas menjalankan aplikasi yang telah dibuat dengan framework Laravel. Diperlukan aplikasi Composer yaitu sebuah tool dependency manager untuk bahasa pemrograman PHP. Dengan menggunakan Composer, kita dapat mengelola dan mengatur dependensi (library atau package) yang diperlukan oleh sebuah proyek PHP.

Secara lebih spesifik, Composer memungkinkan kita untuk:

  • Menginstal dan mengupdate library atau package PHP dengan mudah.
  • Mengelola versi dari library atau package yang digunakan pada proyek kita.
  • Menyediakan autoload sehingga kita tidak perlu lagi melakukan require manual pada setiap file.

Silahkan buka situs resminya, lalu download Composer-Setup.exe. Setelah itu jalankan saja.

Pilih saja install for all users untuk mudahnya.

Di sini kita diminta mengarahkan letak file php.exe yang kita gunakan.

Untuk XAMPP biasanya terletak di folder XAMPP/php.exe. Atau jika ingin langsung ke arah file bisa menggunakan Config pada XAMPP Control Panel yang akan mengarahkan ke folder apache.

Atau bisa juga dengan searching langsung saja. Pilih saja file php.exe hasil pencarian.

Proses selanjutnya adalah instalasi. Jika tidak punya Proxy, lewatkan saja dengan menekan tombol Next.

Sebelumnya, jika kita ingin menambah Path bisa dengan men-ceklis pada pilihan path. Tampak seperti gambar di bawah informasi letak php, versinya, serta lokasi Path. Jika sudah yakin, tekan saja Install untuk melanjutkan proses instalasi.

Jika sudah, tunggu hingga selesai. Selamat, kita telah berhasil menginstall composer. Untuk penggunaannya silahkan lihat post yang lalu untuk menjalankan aplikasi Laravel.

Memasang Aplikasi Web Yang Dibuat dengan Framework LARAVEL

Terkadang kita diminta menginstal/memasang aplikasi dengan framework laravel yang telah dibuat programer. Ikuti langkah-langkah berikut ini:

1. Unduh aplikasi yang telah dibuat programmer, biasanya dari Github atau Google Drive.

2. Ekstrak jika masih berformat ZIP.

3. Pada lokasi folder, klik kanan dan masuk ke terminal

4. Ketik: composer update pada terminal, tunggu beberapa saat

5. Buka folder aplikasi laravel, disarankan menggunakan sublime text atau visual studio code untuk mempermudah beralih antar file. Jika sudah ada file .env pekerjaan lebih mudah, anggap saja kita belum memiliki. Lakukan rename pada file .env.example menjadi .env.

6. Berikutnya adalah mengisi APP KEY pada file .env. Ketik: php artisan key:generate pada terminal. Pastikan muncul pesan: Application key set successfully. Pastikan APP KEY sudah terisi.

7. Lihat kembali gambar di atas pada bagian DB_. Isi host, port, nama database dan root. Jika belum ingin dipassword, biarkan saja password kosong.

8. Masuk ke phpmyadmin pada browser untuk membuat database seperti pada file .env.

9. Selanjutnya adalah migrasi data dengan mengetik pada terminal: php artisan migrate. Tunggu hingga proses migrasi selesai.

10. Cek di phpmyadmin, pastikan muncul tabel-tabel yang terpasang.

11. Terakhir, jalankan server laravel dengan mengetik: php artisan serve. Pastikan server hidup dan buka browser dengan alamat: http://127.0.0.1:8000. Selamat, kita telah berhasil memasang sebuah aplikasi yang dibuat dengan framework LARAVEL.

Mudahnya Membandingkan Metode LVQ, Naïve Bayes, SVM, dan Random Forest

Saat ini metode-metode machine learning sepertinya sudah established sehingga pengguna tinggal memilih metode apa yang cocok. Beberapa jurnal juga sudah menyediakan laporan tentang kinerja metode-metode yang ada termasuk bagaimana meng-improve nya.

Kalau dulu kita harus membuat kode, menyiapkan data latih, validasi, dan testing, sekarang data sudah tersedia, misal daya IRIS pada Python. Bagaimana dengan metode? Seperti postingan yang lalu, kita bisa gunakan Chat GPT.

A. LVQ

Linear Vector Quantization (LVQ) adalah salah satu jenis jaringan saraf buatan yang digunakan untuk klasifikasi. LVQ digunakan untuk mengklasifikasikan suatu data ke dalam kategori yang telah ditentukan sebelumnya. Masukan kata kunci: “bagaimana membuat lvq dengan contoh data iris python?”.

Kopi kode dengan mengklik pojok kanan atas. Lalu paste di Visual Studio Code (saya sarankan menggunakan editor praktis dan gratis ini).

Jika ada pesan No Module … berarti harus instal library dengan PIP. Lihat google bagaimana menginstal library tersebut. Setelah selesai, run visual studio code Anda. Oiya, instal dulu Python di visual studio code, buka terminal dan lihat hasil runnya.

Akurasi LVQ untuk dataset IRIS ternyata 86.67%. Berikutnya kita coba Naïve Bayes.

B. Naïve Bayes

Masukan kata kunci: “bagaimana klasifikasi naive bayes data iris python?” seperti sebelumnya, dengan mengganti LVQ dengan Naïve Bayes.

Algoritma Naive Bayes bekerja dengan menghitung probabilitas kelas target dari suatu data berdasarkan probabilitas masing-masing fitur yang terdapat pada data tersebut. Algoritma ini memiliki tiga jenis dasar yaitu Naive Bayes Gaussian (untuk data yang berdistribusi normal), Naive Bayes Multinomial (untuk data yang terdiri dari frekuensi hitung), dan Naive Bayes Bernoulli (untuk data biner).

Dengan cara yang sama, copas kode masukan ke Visual Studio Code, jalankan dan ternyata diperoleh akurasi di atas LVQ, yakni 96.67%.

C. Support Vector Machine (SVM)

SVM sangat terkenal karena keampuhannya, namun kurang disukai karena proses yang lambat. Support Vector Machine (SVM) adalah salah satu algoritma pembelajaran mesin yang digunakan untuk klasifikasi dan regresi. SVM bekerja dengan membuat sebuah hyperplane (bidang pemisah) yang dapat membedakan antara kelas-kelas data pada sebuah ruang fitur (feature space).

SVM bertujuan untuk mencari hyperplane yang optimal, yaitu hyperplane yang memberikan margin terbesar (jarak terbesar antara hyperplane dan data dari setiap kelas) antara kelas-kelas data. Margin adalah jarak antara dua hyperplane yang sejajar dan melewati data terdekat dari masing-masing kelas. Dalam hal ini, SVM mengambil data yang berada di dekat hyperplane untuk membuat keputusan kelas.

Ternyata akurasinya cukup ampuh, 100%. Jauh di atas Naïve Bayes, apalagi LVQ.

D. Random Forest (RF)

Ada satu model machine learning klasik yaitu Random Forest (RF) yang cukup terkenal. Random Forest (hutan acak) adalah salah satu algoritma pembelajaran mesin yang populer untuk masalah klasifikasi dan regresi. Algoritma ini menggabungkan konsep dari dua teknik pembelajaran mesin, yaitu pohon keputusan (decision tree) dan teknik bootstrap aggregating atau bagging.

Dalam algoritma Random Forest, beberapa pohon keputusan dibangun secara acak dengan menggunakan subset acak dari fitur-fitur dataset. Hal ini dilakukan untuk menghindari overfitting, yang dapat terjadi ketika sebuah pohon keputusan dibangun pada semua fitur.

Metode ini ternyata cukup akurat, sama dengan SVM, 100% akurat.

Bagaimana untuk publikasi jurnal? Tentu saja saat ini jurnal membutuhkan novelty atau kontribusi. Jika tulisan ini akan dipublish di jurnal internasional, pasti ditolak karena tidak ada kebaruan baik dari metode, maupun dataset implementasi.

Improve Metode vs Domain Implementation

Bagi peneliti ilmu komputer biasanya menemukan metode yang lebih baik dari yang ada sekarang, baik dengan murni baru atau hybrid/penggabungan dengan metode yang ada agar dihasilkan metode baru yang lebih cepat dan akurat.

Terkadang bidang tertentu, seperti kedokteran, SIG, keuangan dan lain-lain dapat menerapkan metode yang telah ada. Hal ini terkadang dianggap kontribusi, terutama pada bidang-bidang yang memang jarang disentuh Machine Learning.

Ditolak atau tidaknya naskah terkadang dilihat dari hal tersebut, jika fokus ke perbaikan metode, maka jika tidak ada model usulan, pasti ditolak. Tapi jika fokus ke domain implementation, jika pada pembahasan hanya membahas akurasi model maka dipastikan naskah tidak tepat, karena seharusnya pembahasan fokus ke domain implementation (impak terhadap domain baik dari sisi sistem atau kebijakan). Sekian semoga bermanfaat.

Tata Ruang Online Indonesia

Dinas Tata Ruang adalah sebuah lembaga pemerintah di Indonesia yang bertanggung jawab dalam pengelolaan tata ruang sebuah kota atau daerah. Tugas dari dinas ini meliputi perencanaan, pengaturan, pengawasan, dan pengendalian tata ruang pada wilayah kerjanya.

Tugas dari Dinas Tata Ruang sangat penting dalam memastikan bahwa pengembangan wilayah kota atau daerah dapat berlangsung secara teratur, efektif, dan efisien, sehingga dapat memberikan manfaat yang optimal bagi masyarakat dan lingkungan sekitarnya.

Gistaru Indonesia

Gistaru Indonesia (https://www.tataruang.id/gistaru/) adalah sebuah situs web yang menyediakan berbagai informasi tentang perencanaan tata ruang dan wilayah di Indonesia. Situs ini dikelola oleh Direktorat Jenderal Tata Ruang Kementerian Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia.

Pada situs Gistaru Indonesia, pengguna dapat menemukan berbagai informasi mengenai peraturan perencanaan tata ruang, regulasi tata ruang, perencanaan kota dan daerah, serta berbagai informasi terkait tata ruang dan wilayah di Indonesia. Situs ini juga menyediakan akses ke berbagai dokumen perencanaan tata ruang, seperti Rencana Tata Ruang Wilayah (RTRW) dan Rencana Detail Tata Ruang (RDTR) yang tersedia di berbagai kota dan daerah di Indonesia.

Mengakses Gistaru Indonesia

Setelah menceklis syarat dan ketentuan, arahkan saja ke lokasi wilayah yang ingin kita lihat peraturan tata ruangnya. Lakukan zoom beberapa kali hingga sesuai dengan resolusi yang diinginkan, misalnya untuk level kabupaten.

Tekan layer list di bilah kiri gistaru untuk membuka informasi layer yang akan ditampilkan. Tekan Add data+ untuk meminta gistaru menampilkan data tata ruang. Ada tiga pilihan:

  • Kategori RTR
  • Jenis RTR dan
  • Wilayah

Pilih saja misalnya kategori DAERAH, jenis RTR RTRW Kabupaten/Kota dan pilih wilayah Provinsi Jawa Barat. Lanjutkan dengan menekan Konfirmasi. Ada dua pilihan lagi yang muncul:

  • RTRW KAB/KOTA PROVINSI JAWA BARAT POLA RUANG, dan
  • RTRW KAB/KOTA PROVINSI JAWA BARAT STRUKTUR RUANG

Misal kita pilih yang pertama. Maka wilayah Jawa Barat akan muncul RTRW-nya, misal gambar berikut yang menunjukan wilayah Kabupaten Bekasi, Jawa Barat.

Arahkan mouse ke warna tertentu, nanti gistaru akan memberi informasi jenis penataan ruangnya. Sangat bermanfaat bagi investor di seluruh dunia yang ingin mengetahui tata ruang di Indonesia. Sekian, semoga bermanfaat.

Belajar dengan Mudah Lewat Chat GPT

Bagi para dosen dan guru pasti pernah merasakan adanya perubahan dalam proses belajar mengajar. Kalau dulu pengajar menjadi pusat/central dari ilmu pengetahuan, saat ini sudah tidak lagi. Banyak media yang menjadi rujukan, bahkan dengan kualitas yang lebih baik. Tinggal searching di Google, jawaban tersedia. Apakah peran guru dan dosen tergantikan? Ternyata peran sebagai role model, sumber inspirasi, motivator, dan aspek lain yang tidak dapat digantikan dengan mesin masih dibutuhkan.

Chat GPT merupakan salah satu sumber belajar besutan Microsoft yang siap bertarung dengan Google yang merajai mesin pencarian. Chat GPT berfungsi layaknya guru, teman belajar, atau sejenisnya sehingga terkesan mirip berkomunikasi dengan manusia. Caranya mudah, akses saja situs resminya: https://chat.openai.com/. Lakukan sign up dengan dua pilihan, daftar atau sign up with email, pilihan favorit saya adalah with Google Email. Setelah diminta mengisi nama dan memasukan nomor telepon untuk dikirimi kode (lewat Whatsapp jika punya atau SMS) kita tinggal try saja.

Misal kita akan belajar bagaimana mengkoneksikan python dengan database mysql kita. Ketik saja di kolom chating dengan kalimat manusiawi, “Bagaimana menghubungkan python dengan database mysql?”. Jawaban langsung mengalir.

Ternyata kode program juga ditampilkan sehingga kita bisa langsung copas. Chat GPT juga bisa jadi rekan virtual kita untuk memilih metode apa yang kita gunakan, misalnya berkaitan dengan kasus contoh di atas, yaitu mengakses Mysql dengan python.

Nah, jelas kan? Di sini yang saya gunakan adalah SQL Alchemy karena berkonsep Object Relational Mapping (ORM), khususnya yang menggunakan PHP yang terintegrasi dengan Python, berbeda dengan Django yang memang basisnya murni Python.

Oiya, untuk anak-anak kita bisa juga kok menanyakan apapun, yang berkaitan dengan pelajaran ke Chat GPT, selamat belajar ya.

Transfer Learning

Salah satu tugas machine learning adalah proses training. Proses ini memerlukan sumber daya yang besar. Selain itu diperlukan pula data yang banyak dari ribuan hingga jutaan. Nah, untuk menghemat biasanya digunakan proses transfer learning.

Di sini transfer yang dimaksud adalah menggunakan model deep learning yang telah dilatih oleh pihak lain untuk kita latih dengan pengetahuan yang baru sesuai dengan bidang khusus tertentu. Model yang dilatih oleh pihak lain dikenal dengan istilah pretrained model. Banyak vendor yang menyediakan pretrained, salah satunya adalah tensorflow.

Prinsip kerjanya adalah model pretrained dengan kemampuan mengklasifikasi 1000 kelas misalnya, jika kita akan menambahkan 10 kelas baru, maka cukup mengganti beberapa layer bagian luar dari 1000 kelas menjadi 10 kelas selanjutnya dilatih dengan data 10 kelas tersebut. Sebelumnya layer yang sudah dilatih oleh pretrained dibekukan (freeze).

Misal ada model pretrained yang bisa membedakan benda-benda tertentu seperti meja, kursi, piring, dan gelas. Jika kita diminta membedakan gelas tertentu seperti cangkir, gelas anggur, gelas antik, dan lain-lain, kita tinggal melatih ulang model pretrained dengan kelas gelas yang baru dan model bisa membedakan meja, kursi, pring, dan gelas-gelas tertentu. Berikut video bagaimana menggunakan transfer learning dengan MATLAB dan Python.

Run Python di Apache

Postingan yang lalu membahas bagaimana menjalankan python di web dengan framework terkenal python, yaitu flask. Ada kemungkinan python akan menggeser php di masa yang akan datang mengingat tren python yang terus meningkat mengalahkan php. Saat ini apache masih menjadi andalan untuk web server php. Oleh karena itu perlu mengintegrasikan python dengan server favorit tersebut.

XAMPP sebagai software yang banyak dipakai untuk menjalankan php dengan databasenya (mysql atau mariadb) dapat diintegrasikan dengan python. Berikut ini tekniknya untuk yang berbasis windows.

Pada dasarnya ada dua hal yang harus dilakukan:

  • Set httpd.conf
  • Menambah header di file python (*.py)

Untuk yang linux agak sedikit rumit mengingat adanya hak akses khusus ke folder-folder linux, misal ubuntu. Silahkan dicoba.