Calculating the Number of Parameters of the Deep Learning Model

Deep learning (DL) is a development of the Neural Network where the number of layers is much more. In the past, neural networks were not able to handle many layers, now due to the development of methods and hardware, models with a large number of layers (even hundreds) can be done.

To improve DL performance, it is sometimes necessary to analyze the design model. In addition to accuracy, sometimes models with high performance in terms of speed are needed. To find out the performance, it is sometimes necessary to analyze floating point operations, namely the computation of computational complexity in DL. Check out the following video.

Currently, FLOPs are no longer relevant for the current hardware conditions that work in parallel. The calculation of processing time can be an alternative which of course will differ from one machine to another, but for comparison it does not matter (as long as running on the same machine). Another method is to calculate the number of parameters of a model. A large number of parameters certainly affects performance, so a system with a small number of parameters with an accuracy that is not much different is a topic that is now being studied a lot, especially those that can work for small computers or mobile phones. Here’s how to find out the number of parameters in Matlab. For Python the TensorFlow library automatically calculates the number.

Membuat Grafik untuk Jurnal

Grafik merupakan salah satu alat bantu menjelaskan dalam sebuah jurnal. Ada pribahasa “satu gambar lebih baik dari 1000 kata”. Tentu saja jika gambarnya ok dan mudah dimengerti. Oiya, grafik dalam jurnal masuk dalam kategori gambar (Figure). Oleh karena itu perlu membuat grafik sejelas mungkin.

Banyak mahasiswa menggunakan Excel untuk membuat grafik, padahal hasilnya kurang ok untuk jurnal, apalagi jurnal internasional. Salah satu aplikasi yang dapat digunakan untuk membuat grafik yang cukup baik adalah Matlab. Misalnya link berikut menunjukan jurnal Elsevier yang membolehkan submission berupa Matlab viewer.

Selain itu Matlab figure bisa juga terkoneksi ke Visio untuk memberi kustomisasi lebih lanjut, seting warna, ukuran dan jenis garis, dan lain-lain. Untuk lebih jelasnya silahkan lihat video berikut ini. Selamat mencoba.

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.

Running JApplet Pada Browser

JApplet merupakan fasilitas java yang dapat berjalan pada web lewat browser (chrome, mozilla, safari, dll). Berbeda dengan PHP yang terletak di sisi server (server side), applet berjalan di sisi klien (client side). Versi terbaru dari Applet adalah JApplet yang mempermudah programmer merakit GUI pada Netbeans.

Karena sifatnya yang berjalan di sisi klien, beberapa browser menganggap Applet berbahaya dan tidak lagi disarankan, seperti flash yang lebih dulu dihentikan operasinya. Apalagi dengan bahasa Java yang powerful, jika Applet itu dibuat oleh pihak yang tidak bertanggung jawab, akan merugikan pengguna karena sifatnya yang ‘mengunduh’ dan ‘eksekusi’ di komputer klien. Namun, Chrome masih melihat manfaat Applet sehingga memasukan ekstensinya agar bisa menjalankan browser: https://chrome.google.com/webstore/detail/cheerpj-applet-runner/bbmolahhldcbngedljfadjlognfaaein/related.

Namun Applet tidak bisa dijalankan tanpa menggunakan server, oleh karena itu terlebih dahulu harus menginstall server, misalnya Apache pada XAMPP.

Build Applet pada Netbeans setelah selesai dirakit dan dites. Sisipkan dengan kode berikut di bagian body.

<applet code=TicTacToe.class

archive=”TicTacToe.jar”

width=120 height=120>

</applet>

Misalnya kelas yang akan diakses ‘TicTacToe.class’ dengan JAR hasil build ‘TicTacToe.jar’. Ekstensi ‘class’ merupakan hasil build (atau clean and build). Jalankan aplikasi via browser dengan mengakses alamat web, dan jalankan extension chrome utk applet. Tunggu beberapa saat dan pastikan aplikasi berjalan dengan baik.

Silahkan lihat video youtube ini untuk lebih jelasnya, selamat mencoba.

The Simple Feynman

Seperti anak-anak yang lain, saya sempat khawatir dengan ujian akhir SMA (dulu namanya EBTANAS) dan saringan masuk PTN (dulu namanya UMPTN). Wajar, pengetahuan dari SD – SMA harus dikuasai sebanyak mungkin agar bisa menjawab soal-soal yang ditanyakan. Nah, momok terberat adalah fisika yang memang lingkup pertanyaan sangat liar. Dengan sedikit modifikasi narasi, terkadang siswa yg jago menghafal rumus pun kewalahan. Lalu bagaimana dong?

Di akhir orde lama, ada seorang fisikawan yang menerima hadiah nobel, bernama Richard Feynman. Dengan memperkenalkan sebuah fenomena fisik yang tadinya rumit menjadi serderhana lewat diagram Feynman. Ternyata selain konten dari temuannya, malah metode belajarnya yang banyak diikuti oleh para ilmuwan hingga saat ini.

Ternyata prinsip dasarnya adalah sederhana, yaitu menjelaskan dengan tepat. Ini merupakan skill dasar bagi seorang pengajar, entah itu guru maupun dosen. Contohnya, kita pernah membaca ayat suci, biasanya sulit dimengerti walaupun sudah baca artinya. Kalau pun mengerti, tidak lama lupa lagi. Bandingkan dengan kalau mendengar dari KH Zainuddin MZ, dengan penjelasan dan ilustrasi-ilustrasi yang kadang ‘mengocok perut’, sampai sekarang masih terngiang-ngiang. Yang paling ekstrem adalah Gus Dur dengan istilah-istilah simple-nya.

Saya pernah heran mengapa ketika kuliah tidak faham-faham satu bagian tertentu pelajaran, tetapi ketika lulus dan mengajar barulah mengerti. Hal ini karena ketika belajar saya harus bisa mengajarkan kembali. Di situlah peran ilmunya Feynman, bagaimana menjelaskan ke orang lain. Ketika kuliah dulu, memang sering saya jumpai dosen yang senang lihat siswanya pusing. Nah, karena pernah merasakan pusingnya masa kuliah, saya merasakan pentingnya memberikan penjelasan ke siswa dengan mudah.

Walau di era multimedia penjelasan dengan animasi, video dan suara dapat mempermudah pemahaman, tetapi tetap saja bahasa merupakan hal utama dalam menjelaskan satu konsep. Cara paling mudah belajar menjelaskan adalah menggunakan kalimat sendiri terhadap satu konsep tanpa menghapal buta. Mirip ketika menulis artikel ilmiah yang harus mem-parafase kalimat agar tidak terkena plagiarisme karena mirip dengan sumber lain.

Silahkan buat sesederhana mungkin, tetapi seperti kata Einstein, jangan menjadi terpotong yang hasilnya jadi tidak lengkap. So, fokus ke penjelasan se jelas-jelasnya yang bahkan ketika Anda jelaskan satu konsep, anak SD pun faham.

Kecerdasan Emosional Sang Penyelamat

Memang enak memiliki IQ yang tinggi seperti Prof. Habibie atau A. Einstein. Ada problem, dalam waktu sekejap dapat diselesaikan. Apalagi bagi pelajar dan mahasiswa. Tugas yang berat tidak terasa, hanya dalam sekejap selesai sudah, dan bisa lanjut nonton, jalan-jalan, atau mainan HP.

Itu yang saya rasakan ketika SMA dulu, terkadang iri dengan mereka yang ‘di atas rata-rata’, tanpa susah payah dalam memahami sesuatu. Nah, bagaimana menyikapi kecerdasaan yang rata-rata seperti saya contohnya?

Di atas langit ada langit. Itulah pepatah kuno yang kadang bisa membuat kita ‘pede’ ketika menghadapi orang ‘super’ di sekolah. Kalau saya kalah oleh yang lain, pasti ada saja saya yang menang dari yang lain. Tiap manusia ada kelemahan dan juga kelebihan. Beruntunglah jika diberi kesabaran, ketabahan, dan aspek kecerdasan emosi lainnya.

Mengapa tipe kecerdasan emosional tersebut penting? Sebagai contoh, jika mereka mampu memecahkan problem 1 jam, dan anda 3 jam atau bahkan seharian, tidak apa-apa, toh selesai juga. Nah, jika ada problem yang oleh orang-orang ‘super’ itu bisa dikerjakan dalam 3 jam tapi ketika jam ke-dua mereka menyerah, toh tidak ada gunanya kecerdasan yang padahal 1 jam lagi beres. Bahkan kalah oleh orang yang rata-rata yang beres dikerjakan dalam satu atau dua hari misalnya.

Bahkan ketika kelas 1 SMA karena pusingnya dengan mata pelajaran kimia, saya sempat utak-atik sampai pagi, padahal harus ke sekolah esoknya. Benar saja, si ibu guru menegur saya “ikut ronda ya?”. Toh, ujung-ujungnya hasilnya di atas mereka yang kecerdasannya di atas rata-rata.

Masa SMA yg singkat tapi paling berkesan

Bagaimana dengan studi doktoral? Nah, di sini kecerdasan emosional menentukan mengingat hampir semua problem mahasiswa doktoral itu tidak ada/belum ada yang menyelesaikan. Pembimbing pun kebanyakan tidak/belum menyelesaikan. Mereka hanya bisa memberi saran saja. Sangat penting untuk menjaga ‘ritme’ agar tetap fokus, menjalin komunikasi yang baik dengan promotor, termasuk juga hubungan dengan keluarga. Banyak mahasiswa yang bermasalah keluarganya ketika kuliah karena kurang menjaga hubungan dengan suami/istri, anak, dan kerabat lainnya.

Jangan bermimpi ketika mengambil doktoral anda melihat jawaban jelas di ujung. Ganti judul, tema, ganti metode, sudah hal yang lumrah ketika penelitian berjalan. Jika tidak tahan dan kurang sabar, pasti akan stress. Banyak rekan saya yang meninggal ketika pandemi karena kemungkinan besar sistem imun di tubuhnya menurun karena tuntutan riset doktoral. Sabar, mampu menunda kesenangan, dan tidak takut keluar dari zona nyaman mutlak diperlukan. Jika tidak mau berubah mana mungkin bisa berubah dari master menjadi doktor.

Kondisi ekstrem lain adalah walau otak kita tidak mampu terkadang, pihak-pihak, rekan sejawat, dan teman ngobrol/ngopi terkadang bisa membantu. Banyak mahasiswa doktoral yang lulus dengan bantuan orang lain, tentu saja sebagian, entah itu membantu mengolah data, penarikan sample, pembuatan program, model dan lain-lain. Hal itu lumrah dilakukan, yang penting konsep utama si mahasiswa mengerti. Nah, di sini saya sering melihat rekan-rekan yang awalnya biasa-biasa saja ternyata lulus dengan cepat, sementara yang ‘melejit’ di awal ternyata terbengkalai di akhir karena kurang ‘tahan’ atau tidak sabar.

Kadang ide berasal dari rekan di tempat ngobrol

Tentu saja tiap orang banyak kelemahan yang harus di atasi, seperti saya misalnya. Ada dua rekan saya dari negara lain yang mengatakan saya malas, lambat, dan sejenisnya. Tapi memang rata-rata orang Indonesia santai, mungkin sudah bawaan budaya kita, apalagi saya yang orang Jogja. Ketika sadar hal itu, maka saya mengambil sikap untuk lambat tapi terus menerus, hingga kagetnya ternyata lulus duluan (bersamaan dengan satu rekan saya yang lain). So, jangan berkecil hati.

Ucapan selamat dari pak atase kebudayaan Indonesia saat wisuda

Thanks to My Student

Every scientist should do a research. This activity is part of three main tasks of lecturer in Indonesia, called ‘Tri Darma’ beside other activities, i.e., the teaching and social service activity. There is a requirement in Indonesia that every research should be published in a journal or conference. This outcome is called ‘luaran’. Of course, there are many levels of publisher based on the quality of the journal/conference. In journal we have quartile in Scopus (Q1 to Q4) as well as impact factor in web of science (WoS). The minimum requirement is the publication in a national journal.

To do the research, a scientist need a lot of collaboration to another scientist that usually a lecturer or student. The ethic should be considered, for example, a student thesis in publication should be arranged where the student as first author. The lecturer if he/she want as the first author, he should do his/her own research or writing a review paper about his/her student research. If the lecturer find the improvement by compiling the results from previous student’s work he/she can publish a paper where he/she become a first author.

Publishing a paper is a hard work that need a lot of resources. Therefore, everyone should appreciate to another scientist result. And I respect to all my students that has successfully published our research. Thank you very much.

Santai, Tapi Pertahankan Minat & Fokus

Berbeda dengan S2 yang tingkat kelulusannya di dalam negeri hampir 100%, S3 ternyata tidak semudah itu. Banyak rekan-rekan saya yang berguguran (bahkan dalam makna sebenarnya). Postingan ini sedikit memberi gambaran bagi Anda yang ingin melanjutkan ke jenjang terakhir keakademikan.

Melihat rekan-rekan banyak menjumpai hambatan ketika S3, seorang rekan saya bertanya. Pertanyaannya sederhana tapi ‘to the point’, yaitu ‘sanggupkah saya melanjutkan s3?’. Jawaban yang sulit.

Banyak webinar-webinar dan doctoral bootcamp yang membahas kiat-kiat studi lanjut. Berbeda dengan S2 yang hanya berkutat dengan adanya dana baik beasiswa maupun biaya sendiri, jenjang S3 mengharuskan calon mahasiswa memahami benar alur perjalanan seorang mahasiswa doktoral. Namun karena panjangnya alur tersebut, pada postingan ini akan berfokus pada mental.

Karena bukan psikolog, tulisan ini sekedar pengalaman pribadi. Benar atau tidaknya tergantung kondisi, bisa jadi sedikit berbeda dengan kondisi pembaca sekalian.

Biasa Saja

Pertama-tama yang perlu diperhatikan adalah ketika mengambil suatu pelatihan, pendidikan, upgrading, atau apapun sebutannya adalah adanya kebanggaan. Boleh saja, tetapi jangan terlalu lama, kembalilah berpijak ke bumi.

Ibarat dunia selfi yang cenderung foto makanan dulu sebelum dimakan, mulailah dengan langsung saja makan. Membaca atau mengetik, langsung saja lakukan. Dulu, guru Biologi saya pernah menyindir siswanya yang tidak paham2 dengan menyuruhnya ‘langsung membaca’ dan jangan menganggap membaca atau mengerjakan tugas dengan ritual yang perlu persiapan panjang seperti yasinan, atau malah membakar kemenyan, mandi kembang, dan sejenisnya.

Jangan Baper

Di sini baper artinya ‘bawa perasaan’ yang bukan hanya dari sisi negatif (sakit hati, emosi, tersinggung, dan lain-lain) melainkan juga yang positif (tertarik, semangat, dan berapi-api). Maklum, namanya ‘mainan’ baru cenderung melupakan yang lain yang bahkan lebih penting. Banyak teman-teman yang punya karakter ‘hangat-hangat tahi ayam’, alias semangat di awal saja. Melihat metode baru, software terkini, dan hal-hal wah lainnya terkadang latah. Skill yang kita miliki bertahun-tahun jangan sampai dilupakan, ingat ada prinsip 10000 jam untuk menjadi ahli. Bisa jadi kita melihat kita kurang ahli, padahal sesungguhnya menurut pandangan orang kita ahli. Mungkin ada kebosanan dan ingin hal-hal baru, padahal banyak hal-hal yang bisa kita kembangkan dari keahlian yang sudah dimiliki, dari pada mencari hal-hal baru dan mulai dari nol lagi, hanya karena Anda sangat bersemangat.

Steady State

Dalam dunia fisika ada istilah steady state atau kondisi tunak. Biasanya dialami oleh mahasiswa S3 ketika sudah proposal dan masa kondisi transient terlewati. Waktu yang lama dengan progress yang sepertinya tidak secepat kondisi transient (kuliah + membuat proposal) terkadang membuat kita lupa, tahu-tahu waktu sudah mendekati limit. Saya ingat rekan saya berkata disertasinya tidak ada manfaat dan kontribusi bagi lingkungan. Ya, namanya novelty terkadang terasa tidak ada manfaatnya, seperti De Morgan yang menemukan teori-teori logikanya tetapi oleh rekan-rekan jamannya dianggap ilmu yang tak berguna, bahkan dikira orang ‘sinting’. Ternyata ketika komputer ada, baru sadar logika-nya dapat diterapkan.

Oiya, banyak kerjaan-kerjaan mahasiswa S3 yang harus dikerjakan, bahkan tanpa kita yakin berhasil atau tidak. Namanya saja mencari kembali (research), kalau dalam pencarian tidak ketemu ya sabar saja. Ada juga kerjaan remeh temeh yang terpaksa dikerjakan walau tidak menarik. Nah, ini dia yang penting, ketika Anda santai mengerjakan sesuatu yang ‘garing’, ‘membosankan’, ‘ga keren’, atau istilah lain yang menggambarkan hal-hal yang membuat enggan melakoni, artinya Anda sudah siap menjadi mahasiswa doktoral. Banyak yang gagal karena enggan melepas kaki yang masih di dermaga (jabatan, tunjangan, proyek, dll) sementara kaki lain sudah di perahu (studi lanjut). Yuk .. lanjuuuut.

Teka-Teki Based Education

Kita mengenal teka-teki silang (TTS), entah yang benar atau versi Cak Lontong yang menjengkelkan, tetap menarik. Berbeda dengan menonton film atau mendengarkan musik, bermain teka-teki melibatkan otak yang aktif. Hampir mustahil ketika menjawab teka-teki kita tertidur, bandingkan dengan kegiatan pasif lainnya. Bahkan ketika sedang di kelas tidak jarang mahasiswa/siswa yang tertidur.

Pertanyaan

Prinsip utama belajar adalah menjawab pertanyaan. Bapaknya para nabi pun, Ibrahim, mempertanyakan Tuhan. Sempat menganggap matahari dan bulan sebagai tuhan. Walau akhirnya ditunjukan, tetap saja prinsip berfikirlah yang dijadikan makna peristiwa tersebut.

Tidak hanya konsep, pertanyaan pun dalam segala bidang termasuk skill/keterampilan. Bagaimana menulis yang baik, memrogram komputer dengan cepat, dan lain-lain adalah pertanyaan yang harus dijawab oleh peserta didik.

Kita memang biasa diberi pertanyaan, namun terkadang tidak jarang kita dihadapi situasi harus bertanya. Ketika pertama kali belajar di negeri rantau, salah satu skill penting adalah bertanya. Anehnya, waktu itu saya sulit sekali meramu pertanyaan yang efisien, di mana letak grocery, library, dan lain-lain.

Luaran

Sebagai informasi, istilah ini adalah istilah hasil dari suatu riset yang didanai, misalnya oleh pemerintah. Uang yang dibelanjakan harus menghasilkan satu karya yang disebut luaran, bisa berupa prototipe, paten, atau artikel ilmiah. Berbeda dengan proyek yang pelaporan dananya sesuai dengan belanja, tentu saja riset berbeda. Bayangkan saja misalnya Einstein yang menemukan rumus E=MC2 jika misal didanai, agak sulit mempertanggungjawabkan lewat struk belanja. Paling-paling habis untuk beli kertas, tinta, atau obat encok. Jadi jika dulu peneliti kita menghabiskan waktu risetnya untuk berfikir bukti belanja, saat ini paradigmanya dirubah menjadi luaran yang dihasilkan.

Misalnya R. Oppenheimer, selain mengajar dia juga meneliti reaksi nuklir. Luarannya? Selain artikel ilmiah lurannya juga fenomenal: bom atom Hiroshima dan Nagasaki. Serem juga ya. (hmm .. Jangan sembarangan nanya luaran ke dosen teknik ya).

Jadi salah satu cara agar tidak tertidur ketika belajar, membaca, webinar, dan aktivitas pembelajaran lainnya ya carilah pertanyaan yang harus kita jawab, minimal dari acara yang sedang diikuti. Kalau tidak, dijamin webinar selesai, semua left, tinggal Anda sendiri karena ketiduran, upsss. Hahaha .. pengalaman pribadi.

Mengatasi Font Mendeley Terlalu Kecil

Mendeley merupakan andalan mahasiswa, khususnya yang sedang mengerjakan skripsi, tesis, maupun disertasi (lihat cara memasukan plugin). Banyak masalah yang kerap muncul, tetapi sebagian besar dapat diselesaikan. Nah, untuk masalah huruf yang terlalu kecil terkadang agak menjengkelkan, seperti tampak pada gambar di bawah ini.

Pusing juga bacanya. Tidak ada setting font di Mendeley desktop. Salah satu cara adalah sebagai berikut.

  • Pertama-tama tutup dahulu Mendeley Anda.
  • Lanjutkan dengan Klik Kanan pada Icon Mendeley.
  • Pilih Properties dan lanjutkan dengan menekan tab Compatibility.
  • Tekan Change high DPI Settings hingga muncul jendela baru.
  • Checklis Override High DPI scalling Behaviour dan pilih System.

Tutup dengan terlebih dahulu menekan Apply dan OK. Buka kembali Mendeley Anda dan pastikan tampilan font membesar seperti berikut ini.

Lumayan lebih besar dan untuk yang bermasalah di mata mudah-mudahan postingan ini sedikit membantu. Berikut rincian tata cara di Youtube-nya.

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.

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.

Review Artikel Ilmiah Yuk

Reviewer merupakan pekerjaan yang gampang-gampang susah. Disebut gampang karena mungkin sudah takdirnya manusia gampang sekali mencari kesalahan. Silahkan Anda tulis beberapa paragraf dan minta orang membaca, dijamin orang lain akan memberikan respon, dari kesalahan seperti grammar atau typo hingga komentar lainnya. Nah susahnya adalah harus berfikir kritis terhadap beberapa halaman naskah ilmiah yang berisi penelitian terkini. Postingan ini sedikit memberi gambaran bagaimana seorang reviewer bekerja dan bagaimana proses menjadi reviewer.

Direview

Langkah paling mudah adalah melihat hasil review artikel yang kita tulis. Terkadang memang menyakitkan, tetapi dari situ kita tahu bagaimana mereka bekerja dan menemukan titik lemah manuskrip kita. Oleh karena itu disarankan untuk mensubmit artikel ke jurnal yang berkualitas yang ada proses reviewnya. Tentu saja biasanya jurnal internasional karena jurnal nasional sebagian besar berdasarkan permintaan atau mungkin pertemanan. Jangan putus asa ketika ditolak berkali-kali. Mungkin langkah awal dengan mensubmit ke seminar internasional.

Publish di Jurnal Internasional Bereputasi

Jurnal bereputasi biasanya minimal kuartil dua (Q2) baik open access atau tidak. Proses review memang berat, apalagi yang gratis. Namun sekali Anda publish, dijamin nama Anda sudah siap menjadi reviewer, tentu saja sebagai penulis pertama. Dari pengalaman saya ketika ada naskah yang mirip temanya dengan tulisan yang sudah publish, entah dari mana informasinya tawaran review langsung datang. Nah, sebaiknya jangan Anda tolak, apalagi alasannya tidak ada bayarannya.

Sertifikat Pertama

Tawaran review pertama saya justru dari jurnal Q1, dengan topik yang tidak jauh berbeda sehingga dengan mudah saya mereviewnya. Memang ada tawaran dari beberapa jurnal predator, biasanya bercirikan menawarkan review yang bidangnya tidak sesuai dengan saya. Ketika selesai mereview dan artikel tersebut publish, Anda akan mendapat sertifikat reviewer, misalnya Elsevier. Nah, uniknya setelah beberapa kali mereview jurnal tersebut, dan hasilnya memuaskan, pesaing akan menawarkan Anda mereview, misalnya web of science (WoS) yang merupakan pesaing Scopus. Mereka sepertinya sangat mengandalkan reviewer-reviewer untuk menjaga kualitas jurnal yang dikelolanya. Pernah Elsevier meminta saya mengisi kuesioner yang ujung-ujungnya minta dibandingkan dengan jurnal saingannya.

Memahami Persyaratan dan Proses Review

Salah satu persyaratan reviewer adalah kemampuan membaca, terutama naskah berbahasa Inggris. Jika Anda malas membaca dipastikan tidak akan optimal dalam mereview. Bisa-bisa naskah yang bagus karena hanya melihat sekilas tetapi Anda tolak. Publisher terkenal tidak akan memakai kembali reviewer yang tidak membaca, yang terlihat dari hasil reviewernya yang ala kadarnya. Nah, bagaimana kita menilai baik-buruknya hasil reviewer kita? Caranya mudah saja. Biasanya setelah ada decision di suatu manuskrip, seluruh reviewer bisa melihat hasil review reviewer lainnya. Jika tidak jauh berbeda dengan mayoritas reviewer biasanya sudah ok. Bisa dibayangkan jika tiga reviewer accepted atau mayor/minor revision, tetapi Anda menolaknya. Ditambah lagi rincian reviewnya tidak rinci. Oiya, tipikal review adalah sebagai berikut:

  • Menulis kata pembuka, misalnya tulisa ini membahas blablabla. Dilanjutkan dengan hal-hal yang harus diperbaiki dengan rincian sbb:
  • Mayor Issues, berisi hal-hal utama yang harus diperbaiki, metode, data, dan hal-hal lain yang missing
  • Minor Issues, berisi hal-hal kecil yang perlu diperbaiki, misalnya istilah-istilah yang rancu, salah-salah ketik, dan hal-hal editing lainnya.

Alur di atas minimal mayor revision. Jika Accepted atau minor revision biasanya tidak perlu dirinci mayor atau minor issues. Tentu saja boleh saja tanpa membagi menjadi mayor atau minor issue, tetapi teknik di atas sangat baik yang saya lihat ketika reviewer pertama menulis review-nya. Biasanya reviewer pertama profesor yang pakar di bidangnya.

Terakhir dan yang terpenting adalah memutuskan, apakah diterima, ditolak mayor/minor revision. Di sini sangat berat, terutama ketika me-reject. Beberapa kali saya mereject karena naskah yang tidak sesuai dengan kondisi terkini atau kondisi jurnalnya. Misal jurnal geoinformatika, kebanyakan studi area minimal di level kota/kabupaten. Jika hanya lingkup kecil biasanya tidak diterima. Atau untuk ilmu komputer, metode yang diusulkan sudah banyak ditemukan, dan hanya mereplikasi saja tanpa adanya improvement.

Memahami Manfaat Mereview

Memang dari sisi finansial mereview hampir tidak ada. Mungkin beberapa conference membayar karena memang ada deadline dimana suatu seminar sudah fix waktu pelaksanannya. Untuk jurnal di bawah naungan Scopus, mereka menggratiskan selama sebulan untuk mengakses Scopus. Sebulan karena proses review memang max sebulan. Namun terlepas dari itu, manfaat utama mereview adalah kita bisa mengikut perkembangan ilmu terkini. Ibarat kita sudah nonton film yang filmnya baru akan dipublish tahun depan. Oleh karena itu di sinilah ada satu etika dari reviewer untuk tidak membocorkan naskah bahkan proses review kepada orang lain, sehingga tidak bisa saya tampilkan di postingan ini. Mungkin salah satu manfaat psikis dari mereview adalah kita ingin juga menghasilkan tulisan yang bagus, biasanya ketika dihadapkan dengan manuskrip yang oke.

Untuk dosen sepertinya tidak ada masalah untuk menjadi seorang reviewer karena memang kesehariannya sudah dihadapkan dengan bimbingan dan menguji tugas akhir/skripsi para mahasiswa. Sadari saja ketika menguji dengan seolah-oleh menjadi reviewer, bukan algojo atau kakak kelas yang mengopspek adik-adiknya. Sekian semoga tertarik menjadi reviewer.

Reviewer Juga Ada Sertifikat Kompetensinya

Tips and Tricks for Undergraduate and Graduate Research on Machine Learning

Machine learning merupakan topik yang menjadi perhatian peneliti-peneliti ilmu komputer saat ini, terutama karena perkembangan pesat Deep Learning beserta perangkat keras pendukungnya seperti CPU, GPU, dan memory. Dari diploma hingga doktoral riset machine learning sangat menarik perhatian industri maupun pengguna. Hal ini terjadi karena salah satu karakteristik dari industri 4.0 adalah artificial intelligence, dimana machine learning termasuk di dalamnya.

Tip dan Trik Untuk Diploma dan S1

Sesuai dengan tujuan dari program diploma dan S1 yang menerapkan teori yang diperoleh dari bangku kuliah, maka riset untuk mahasiswa S1 menuntut skill dalam membuat aplikasi sederhana. Selain menerapkan ilmu yang diperoleh, mahasiswa S1 diharuskan mengikuti tren terkini teknologi yang ada agar bisa bersaing di dunia kerja. Untungnya materi sudah tersedia di internet, tinggal mahasiswa menentukan ke mana arah minatnya. Mahasiswa S1 saat ini diwajibkan memiliki sertifikat kompetensi sebagai pendamping ijazah.

flyer

Tip dan Trik Untuk Master dan Doktor

Master dan doktor merupakan kelanjutan dari jenjang sebelumnya, sering disebut dengan istilah pascasarjana (graduate atau post-graduate). Nah, sedikit berbeda dengan mahasiswa S1, mahasiswa pascasarjana tidak fokus ke pembuatan aplikasi melainkan memperbaiki metode yang ada atau menemukan metode baru yang lebih baik. Biasanya kampus mensyaratkan luaran berupa jurnal atau seminar, jika master seminar internasional, doktor jurnal internasional yang terindeks.

Problem saat ini yang muncul adalah beberapa aplikasi menyediakan library atau tools yang dikhawatirkan tidak mendidik pengguna mengetahui algoritma di dalamnya. Namun fungsi-fungsi yang tersedia dapat dilihat, misalnya Matlab dengan m-file nya, sementara Python dengan fungsi-fungsi yang ada di kelas fungsi tersebut. Oleh karena itu diperlukan pemahaman mengenai bahasa pemrograman berorientasi objek. Tantu saja ada juga yang share kode Python untuk kode tertentu. Mengapa harus mengetahui struktur kode program? Karena untuk jenjang S3 terkadang perlu memodifikasi kode baik untuk meningkatkan performa maupun hybrid dengan metode lain.

Untuk deep learning, beberapa metode yang terkenal merupakan pemenang kontes machine learning, dengan akurasi yang amat tinggi hingga mendekati 100%. Sepertinya untuk menandinginya cukup sulit bagi mahasiswa-mahasiswa kita, walaupun tidak mustahil. Namun ada baiknya fokus ke sisi lain seperti kecepatan, ringan, dan mudah dilihat strukturnya (deep learning bercirikan “black box” yang tidak dimengerti struktur di dalamnya). Machine learning sendiri memiliki banyak metode di luar deep learning dan syaraf tiruan lainnya, beberapa teknik terkini berbasis computer vision seperti haar cascade terkadang lebih cepat dan efisien. Berikut rekaman seminar kemarin.