Empat Tahunan Studi Doktoral

“I confer upon you a degree of doctor of philosophy”. Ketika rektor mengucapkan kalimat tersebut, selesailah sudah kuliah saya di kampus tua itu. Kampus yang dibentuk ketika perang dingin USA dan Rusia berlangsung di tahun 1959. Selama lima tahun kurang 3 bulan saya lalui di kampus yang terkenal sulit dan lama lulusnya, terutama di jurusan keras Computer Science and Information Management (CSIM).

Kisruh Saat Kedatangan

Awal perkuliahan di awal Agustus menyulitkan proses administrasi dengan pemberi beasiswa (DIKTI) yang mewajibkan penerima beasiswa (karyasiswa) menghadiri pembekalan pra keberangkatan di bulan September. Sepertinya DIKTI menyamakan dengan kampus dalam negeri yang perkuliahan dimulai pada bulan September. Terpaksa harus balik lagi ke Indonesia untuk mengikuti acara tersebut.

Masalah lain yang rumit adalah pembayaran biaya kuliah. Masalah ini muncul karena seperti biasa, DIKTI agak telah beberapa bulan dalam pencairan. Walaupun Guarantee Letter (GL) DIKTI sangat ampuh, repotnya ketika berangkat GL belum jadi. Setelah bolak-balik ke bagian pendaftaran (registry), akhirnya masalah daftar ulang beres.

Course Work Problem

Setelah masalah daftar ulang beres, ternyata muncul masalah baru yaitu nilai MID perkuliahan (course work). Beda dengan Jepang yang menganut S3 dengan riset (by research), AIT menganut course work + research. Jadi perkuliahan diwajibkan sebelum riset. Repotnya karena harus balik lagi ke tanah air, nilai mid semester berantakan, dan efeknya merembet ke nilai akhir. Padahal syarat boleh riset, IPK (GPA) minimal 3.50.

Problem Kandidasi

Kandidasi adalah sidang yang harus diikuti oleh mahasiswa doktoral yang ingin melanjutkan ke tahap berikutnya setelah tahap course work yaitu, tahapan riset. Program doktoral di AIT adalah “the highest degree in AIT that shows academic and research achievement”, seperti dikatakan oleh wakil rektor ketika acara wisuda. Maka mahasiswa doktoral dituntut bagus dalam perkuliahan (akademik) dan riset.

Problem Syarat Publikasi

Walaupun tergolong pintar, beberapa mahasiswa doktoral di kampus sulit menembus jurnal internasional. Selain waktu yang tidak jelas, kriteria lolos atau tidaknya sangat ketat dan subyektif. Dosen pembimbing hanya bisa mengarahkan saja dan tidak bisa berbuat apa-apa ketika siswa bimbingannya ditolak terus oleh pengelola jurnal. Akibatnya banyak yang pulang dulu beberapa tahun menunggu naskah yang akan dipublikasi diterima salah satu editor jurnal.

Jika sudah, maka syarat terakhir adalah pengecekan disertasi oleh profesor external sebelum sidang terbuka. Syarat ini tidak begitu rumit karena waktu pembuatan yang bisa diprediksi oleh mahasiswa. Berbeda dengan jurnal yang lama prosesnya tidak jelas, dari beberapa bulan hingga kalau sial bisa beberapa tahun.

Dan yang dinanti-nanti oleh pelajar, yaitu wisuda, akhirnya bisa dilalui jika publikasi selesai. Toga ber-strip tiga pun berhak dipakai. Akhirnya tinggalah kenangan dari seorang alumni. Sekian, semoga bisa menginspirasi.

Seminar Nasional “SINERGI” Univ. Islam 45 Bekasi

Kampus homebase saya sudah mengadakan seminar nasional tiga kali tetapi baru kali ini (yang ketiga) saya mengikutinya. Kebetulan memang masih di Thailand, berkutat dengan riset. Memang agak sulit melaksanakan seminar nasional saat ini karena tuntutan “terindeks Scopus” yang harus berupa seminar internasional. Namun prinsip “yang penting jalan, ada peserta atau tidak, ga masalah” memaksa dilaksanakannya agenda tahunan fakultas teknik tersebut.

Yang menarik dari seminar nasional adalah mudah dipahami (karena bahasa Indonesia) dan interaksi antara pembicara dan peserta sangat erat. Karena giliran teknik komputer yang diminta mencari nara sumber, langsung saja meminta dedengkot asosiasi informatika dan komputer (APTIKOM), Prof. Zainal A. Hasibuan untuk menjadi keynote speaker.

Prof Zainal yang dikenal dengan nama Prof Ucok mengetengahkan tema “sains dan teknologi berbasis renewable dan sumber daya sustainable: Peluang dan tantangan”. Sedikit dijelaskan revolusi industri 1 sampai 4.0, serta karakteristik teknologi saat ini yang bersifat “disruptive”. Seperti biasa, ketika saya mengetahui satu hal, ketika ikut seminar pasti saja ada hal baru yang tidak saya ketahui sebelumnya. Itulah manfaatnya seminar, bertukar fikiran dan ide-ide. Berikut hal-hal unik:

Tiap Thesis pasti ada Anti-Thesis

Prinsip ini pasti ada. Ketika ojek pangkalan terdisrupsi, muncul gojek yang kemungkinan besar diisi oleh para ojek-ojek pangkalan. Ketika pemerintah menggalakkan publikasi ilmiah yang terindeks Scopus pun ada saja yang tidak menyetujuinya dengan alasan tertentu. Pembicara menganjurkan silahkan anti Scopus tetapi harus menciptakan temuan yang terbukti dan diakui dunia internasional.

Big Data

Disinggung juga kasus Facebook yang ternyata memang diakui bahwa digunakan untuk menggiring opini untuk pemenangan calon tertentu (presiden/walikota/dll). Ada anekdot yang diutarakan. Dulu jaman orde baru, lebih canggih dari saat ini karena 3 bulan sebelum pemilu sudah tahu siapa presidennya (tentu saja selalu Suharto). Namun saat ini dibantah, karena setahun sebelum pemilu sudah dapat ditebak siapa presiden terpilihnya, dengan menganalisa big data yang berserakan di dunia maya.

Revolusi Industri 1,2,3 dan 4.0 ada di Indonesia

Walaupun saat ini sudah masuk revolusi industri 4.0 tetapi revolusi industri sebelumnya masih ada di negara kita. Saran beliau adalah ketika menerapkan teknologi, fokuslah ke kearifan lokal, termasuk kekayaan khas masing-masing wilayah. Misalnya memudahkan distribusi pada usaha kecil dan menengah. Dengan bantuan aplikasi online, diharapkan dapat memangkas biaya-biaya yang tidak diperlukan.

Jangan Panik dengan Penamaan Jurusan

Hebohnya ketika presiden RI menganjurkan pendirian jurusan kopi atau bisnis online, sebaiknya jangan disikapi terlalu serius. Sebenarnya bidang-bidang tersebut ada semua jurusannya di Indonesia. Pengalaman beliau ketika main ke Jepang, jurusan-jurusan spesifik yang saat ini sedang “in” di tanah air dapat disisipkan pada jurusan-jurusan yang telah ada. Mengapa? Karena ilmu-ilmu dasarnya tidak jauh berbeda dengan yang dikembangkan dari dulu hingga saat ini.

Kelemahan Bangsa

Prof Ucok menyampaikan data-data yang mengkhawatirkan, yaitu daya saing bangsa kita di bawah Singapura, Thailand, Malaysia dan Vietnam. Waduh .. Ternyata bangsa kita yang suka fokus ke wacana, debat sana sini, dan melupakan bekerja sama, salah satu khas bangsa kita yang terlupakan yaitu “Gotong Royong”.

Mungkin itu saja yang bisa di-share, pembicara berikutnya di luar bidang saya yaitu Material Teknik dan Konstruksi. Namun tetap saja pelajaran berharga dapat dipetik dari kedua pembicara (Dr. I Nyoman dan Hotma Prawoto). Pembicara terakhir yang menurut saya adalah seorang motivator banyak memberi insight dalam mengajar. Sedikit banyak pengalamannya mirip dengan saya yaitu sebelum mengajar menjadi praktisi dulu (bekerja di suatu perusahaan). Dosen-dosen yang langsung mengajar setelah lulus selayaknya bertanya kepada praktisi karena insinyur berbeda dengan saintis, atau bahkan sarjana teknik, banyak aspek-aspek yang tidak pasti ketika bekerja di lapangan. Habibie pun mengatakan “pengalaman tidak bisa dipelajari, tetapi dilalui”. Sekian, semoga bermanfaat.

Konversi Kode String ke ASCII di Matlab

Iseng-iseng buka tulisan yang lalu tentang enkripsi karena materi mulai masuk ke pemrosesan teks, ternyata banyak yang lupa. Salah satunya adalah konversi dari string ke kode ASCII. Kode ini sangat diperlukan ketikan mengkonversi dari satu ASCII ke yang lainnya dalam rangka enkripsi.

Menambah dengan Nol

Dulu pernah belajar kode ASCII pada mata kuliah bahasa rakitan ketika membahas masalah interupt. Ternyata hingga saat ini tidak berubah.

Bagaimana mengetahui kode ASCII selain dengan tabel di atas jika menggunakan Matlab? Caranya mudah yaitu tambahkan saja string dengan nol, beres sudah. Misal huruf ‘A’ maka:

  • >> teks=’A’
  • teks =
  • A
  • >> ascii=teks+0
  • ascii =
  • 65

Di sini 65 merupakan kode HTML, yang berbeda dengan HEXA (41). Jika sudah, kita dengan mudah mengenkripsi suatu kata, misalnya “Rahmadya” dengan algoritma “tambahkan kode ASCII tiap huruf dengan satu”.

Mengenkripsi Kata

Fungsi yang diperlukan adalah CHAR untuk menampilkan kode ASCII ke string. Masukan ke command window instruksi berikut ini.

  • >> teks=’Rahmadya’
  • teks =
  • Rahmadya
  • >> enkripsi=teks+1
  • enkripsi =
  • 83 98 105 110 98 101 122 98
  • >> char(enkripsi)
  • ans =
  • Sbinbezb

Perhatikan Sbinbezb itu adalah kode enkripsi yang dihasilkan. Untuk mendekripsi caranya mudah, yaitu dengan mengurangkan satu kode tersebut.

  • >> dekripsi=ans-1
  • dekripsi =
  • 82 97 104 109 97 100 121 97
  • >> char(dekripsi)
  • ans =
  • Rahmadya

Perhatikan kode aneh “Sbinbezb” setelah dienkripsi adalah “Rahmadya”. Semoga hal sepele ini bermanfaat.

Cara Berfikir Problem Solving, Ternyata tak Cukup

Waktu itu saya datang ke tukang servis tablet karena tidak bisa charging. Setelah hampir satu jam diutak-atik akhirnya selesai juga masalahnya. Tablet yang selama ini nganggur tidak terpakai (padahal tipe note yang ada pena stylus nya) akhirnya bisa digunakan lagi (buat main game oleh anak saya).

Menyelesaikan suatu problem terkadang mengasyikan, mirip dengan main video game. Namun apakah “menyelesaikan problem” merupakan teknik terbaik dalam manajemen? Ternyata beberapa literatur menyatakan tidak. Untuk menjawabnya perlu mengenal kuadran yang menggambarkan antara urgent dengan important.

Kuadran I: Penting dan Mendesak

Kuadran ini perlu ditangani sesegera mungkin, jika tidak maka akan mengalami beberapa masalah. Tentu saja perlu kebijaksanaan dalam menentukan apakah suatu hal itu penting dan mendesak. Jika tidak, maka masuk ke kuadran II. Di kuadran I ini “problem solving” bermain.

Kuadran II: Penting dan Tidak Mendesak

Jika di kuadran I, keahlian dalam menyelesaikan problem sangat dituntut, pada kuadran II ini yang dituntut adalah kemampuan seseorang menganalisa suatu hal penting sedari awal, sebelum hal penting tersebut menjadi urgent. Beberapa ahli manajemen (lihat 7 habit effective people post2 yg lalu) menganjurkan fokus ke kuadran II ini.

Dicontohkan seorang manajer penjualan yang cenderung fokus ke masalah urgent dan penting terus. Sehingga lupa melihat aspek-aspek lain sebelum terjadi kondisi urgent. Beberapa perusahaan besar hancur karena fokus ke persaingan dengan kompetitor (penting dan mendesak), padahal musuh besarnya adalah bisnis baru dengan model baru (online application). Beberapa perusahaan ada yang berhasil karena sudah mengantisipasinya sebelum berubah menjadi urgent, misalnya TELKOM di negara kita.

Seorang mahasiswa yang bertipe kuadran II tidak akan fokus hanya ke ujian, atau tugas akhir saja. Sebelum ujian atau bimbingan, mereka terkadang melihat aspek-aspek penting yang tidak urgen seperti berkomunikasi dengan dosen pembimbing, menyiapkan paper-paper rujukan, mencari literatur-literatur terkini dan hal-hal lainnya sebelum waktunya.

Kuadran III: Tidak Penting & Tidak Mendesak

Dalam keseharian kita kerap menjumpai kuadran ini. Perlu diingat prinsip pareto, 80% hasil berasal dari 20% kerja. Jadi kerja/proses yang sebesar 80% (dari 20%) lainnya adalah hal yang sia-sia yang biasanya di kuadran ini.

Kuadran IV: Tidak Penting tapi Mendesak

Pada kuadran ini sebagian hal mendesak tidak penting bagi kita. Tetapi mungkin penting bagi orang lain. Sebaiknya kita bisa berkata “NO” agar kita bisa berfokus ke kuadran I kita.

Kembali ke judul di atas, sebaiknya kita tidak terlalu fokus ke problem solving, walaupun kesannya OK ternyata ada hal lain yang lebih penting, yaitu menjaga agar tidak terjadi problem. Di sinilah pentingnya sifat Proaktif. Tentu saja perlu kemampuan menyeleksi dan mengkategorikan hal-hal yang kita jumpai, pentingkah, urgen-kah, dan sejenisnya. Juga perlu disiplin karena terkadang hal-hal yang penting karena tidak urgen tidak kita jalankan karena sifat “besok aja”, “nanti juga bisa”, dll. Teringat saya eks BOS saya dulu mengatakan “Do Something!!” ketika menjaga 40 cabang bank di wilayah utara Jakarta agar selalu online dan transaksi berjalan dengan baik. Sekian, semoga bermanfaat.

Makan2 setelah selesai instal server wilayah Jabotabek dulu

Hari Pendidikan Nasional (HARDIKNAS) di Jaman Now

Belakangan ramai diperbincangkan di grup WA tentang prinsip-prinsip dasar Ki Hajar Dewantara (nama aslinya RM Suwardi Suryaningrat). Walaupun terkadang melenceng ke esensi asalnya, yaitu membahas keluarnya beliau dari lingkungan keraton paku alaman, “Tut Wuri Handayani” tetap menjadi andalan KEMDIKBUD.

Arti dari “Tut Wuri Handayani” adalah dari belakang memberi dorongan. Uniknya adalah prinsip yang dicetuskan akhir abad 19 ternyata cocok dengan generasi milenial saat ini. Generasi yang gemar mengeksplorasi sendiri hal-hal yang diminati. Cocok dengan era disrupsi. Mungkin pembaca postingan ini ada yang masuk generasi – z, generasi yang dari kecil sudah mengenal dunia online, semoga bermanfaat. Ada hal-hal yang perlu diasah:

Nilai Dengar yang Tinggi

Banyak keluhan dari para pengguna lulusan generasi milenial yaitu tinggi tingkat perputaran pegawai, alias sering keluar masuk pekerjaan. Tidak cocok, mudah sekali mereka pindah. Biasanya ada gap antara generasi tua dengan yang muda di suatu institusi. Karena yang tua memiliki kuasa dan yang muda memiliki kreativitas tinggi tidak memiliki titik temu, akhirnya yang muda biasanya keluar mencari tempat lain yang bisa mengembangkan diri-nya.

Beberapa pemerhati karir menyarankan generasi milenial untuk meningkatkan nilai dengarnya. Maksudnya adalah meningkatkan hal-hal yang membuat ucapan/ide mereka selalu didengar oleh generasi tua yang biasanya atasan mereka. Karena tiap orang punya hasrat, kesukaan, dan selera sendiri, maka generasi milenial selayaknya mampu membaca hal tersebut dari generasi tua. Misal, mereka selalu bicara keuntungan/omset, pelanggan baru, dan sejenisnya, maka jika kita punya beberapa ide yang bisa menambah omset/pelanggan baru tentu akan melotot matanya dan serius mendengarkan, walaupun gaya bahasanya santai dan tidak serius. Tapi jika kita paksakan bicara teknologi, hi-tech, dan sejenisnya, walaupun berbusa-busa terkadang tidak didengarkan. Ada prinsip banyak mendengarkan terlebih dahulu dari pada langsung berbicara. Dan disarankan berbicara bukan karena kita harus berbicara, tetapi memang perlu berbicara.

Banyak Pemimpin Baik, Tetapi “Best Leader” selalu Loyal

Beberapa pionir seperti Zukenberg, Bill Gates, Steve Jobs, dan lain-lain memiliki karakter yang tidak jauh berbeda yaitu sangat loyal dengan perusahaannya. Entah itu perusahaan sendiri atau tidak .. tidak jadi masalah. Generasi milenial harus melihat hal tersebut. Pendiri-pendiri aplikasi online seperti GOJEK, ALIBABA dan lain-lain, memiliki hal serupa.

Terkadang ada kepuasan tersendiri ketika membangun suatu institusi dari kecil hingga besar dibanding pindah-pindah mencari institusi yang besar. Walaupun saat ini ada gap antar generasi di kebanyakan institusi tetapi jika memiliki “nilai dengar” yang tinggi, tidak jadi masalah. Toh beberapa pakar organisasi tidak mendefinisikan leadership hanya dengan jabatan tertentu. Seorang pegawai biasa pun bisa memiliki leadership yang baik asalkan memiliki tingkat inovasi yang tinggi. Oiya, leadership itu beda dengan managerial. Jika managerial melakukan sesuatu dengan benar, leadership melakukan sesuatu yang benar. Merakit piranti sesuai dengan SOP itu managerial tetapi menemukan piranti yang cocok dengan kondisi saat ini itu membutuhkan jiwa leadership.

Tipe Machine Learning

Walaupun kecerdasan buatan (Artificial Intelligent), Machine Learning, dan Deep Learning berbeda tetapi satu sama lain berhubungan. Deep Learning, yang dimotori oleh Jaringan Syaraf Tiruan lapis banyak, adalah salah satu jenis Machine Learning. Machine Learning itu sendiri adalah salah satu jenis dari kecerdasan buatan.

Machine Learning yang merupakan proses induksi ada tiga jenis. Penerapannya beragam, dari pengenalan gambar, pengenalan suara, pengenalan bahasa, dan lain-lain. Berikut ini jenis-jenisnya:

1. Suppervised Learning

Kebanyakan Machine Learning diterapkan pada jenis ini. Alur prosesnya antara lain: 1) memilih basis pengetahuan untuk menyelesaikan problem. Bandingkan jawaban dengan hasil sesungguhnya, 2) jika jawaban salah, modifikasi basis pengetahuan. Langkah 1) dan 2) diulangi terus hingga jawaban mirip dengan hasil sesungguhnya. Basis pengetahuan itu sendiri diistilahkan dengan Model. Jika disimpulkan suppervised learning memiliki pola:

{ input, correct output }

Dua tipa aplikasi terkenal dari machine learning jenis ini adalah klasifikasi dan regresi. Jika klasifikasi membagi dalam kelas-kelas yang diskrit, regresi bukan dalam kelas melainkan harga tertentu. Masalah yang sering dijumpai adalah Overfitting, yaitu adanya anomali dimana akurasi training yang bagus ketika diaplikasikan dalam kondisi real jatuh. Hal ini terjadi karena proses training tidak mampu menghasilkan generalisasi dari data dalam artian terlalu kaku mengikuti data training.

Namun terkadang klasifikasi dan regresi bekerja sama membentuk sistem seperti support vector regressin, juga neural network regression. Biasanya mengklasifikasi dulu baru meregresi hasil pastinya.

2. Unsuppervised Learning

Berbeda dengan suppervised learning, pada unsuppervised learning tidak diperlukan hasil sesungguhnya (correct output). Pada mulanya hal ini sulit dimengerti, tetapi dapat diterapkan untuk kasus yang memang tidak ada hasil sesungguhnya. Polanya adalah sebagai berikut:

{ input }

Salah satu representasi dari aplikasi unsuppervised learning adalah pengklusteran (clustering) dimana data training diinvestigasi karakteristiknya sebelum dikategorisasi.

3. Reinforcement Learning

Machine learning ini memasukan aspek optimasi dalam pembelajarannya. Jadi selain input, beberapa output dengan grade/kualitasnya digunakan untuk training. Biasanya diterapkan dalam bidang kontrol dan game plays.

{ input, some output, grade for this output }

Clustering dan Classification

Dua aplikasi tersebut serupa tapi tak sama. Untuk jelasnya kita ambil kasus pembagian kelas siswa menjadi IPA dan IPS. Jika kita memiliki data dengan label (output) IPA jika nilai IPA lebih besar dari IPS dan begitu pula sebaliknya kelas IPS jika nilai IPS lebih besar dari IPA, maka karena proses learningnya memiliki target/label/output, maka masuk kategori suppervised learning dan otomatis masuk domain klasifikasi. Namun jika kebanyakan guru IPA-nya “killer”, maka dikhawatirkan seluruh siswa masuk kelas IPS. Disinilah peran pengklusteran. Di awal kita tidak memiliki output tertentu, biarlah data yang membagi menjadi dua, baru diselidiki mana kelompok kelas IPA mana IPS. Tetapi waspadalah, jangan sampai kita membagi dua kategori (cluster) yang salah, bukannya IPA dan IPS malah kelas IPA dan IPS yang bagus dan kelas IPA dan IPS yang jelek, alias membagi siswa menjadi dua kategori siswa pintar dan siswa yang perlu lebih giat belajar (kata Kho Ping Hoo tidak ada orang pintar dan bodoh, tetapi tahu dan tidak tahu). Semoga bermanfaat.

Blank Password Problem di Mac OS

Maklum namanya baru menggunakan macbook, masih adaptasi. Setelah membuat dual OS di Macbook (dengan Windows), iseng-iseng mencoba setting password “blank” di Mac OS, malah bingung sendiri. Maksud “blank” di sini adalah dibuat tanpa password. Lumayan jadi buka tutup laptop tanpa password. Tetapi setelah di restart, bingung sendiri ketika mau login di-enter tidak bisa (padahal tanpa setting password).

Ditekan enter tidak bisa, tekan bola dan nama “Herlawati” tidak bisa juga. Ternyata iseng-iseng tekan alt+enter muncul isian baru dimana user name tidak muncul dan harus mengetik ulang.

Lanjutkan dengan menekan panah kiri di samping “Enter password”. Pastikan muncul logo dan nama saja.

Tinggal ditekan gambar bola-nya, akhirnya berhasil login. Repot juga. Langsung saya isi password saja lah, karena lebih repot kalau tanpa password. Lagi pula untuk instalasi baru, misalnya Microsoft Office, untuk install diperlukan password. Oiya, HINT itu ternyata alat bantu untuk mengingat password, misalnya “tanggal lahir”, “nama suami”, dll jika paswordnya itu (muncul ketika salah tiga kali). Tentu saja jangan sampai bisa ketebak orang lain yang tidak berhak. Demikian sharing sederhana saya.

Tujuh Kebiasaan Orang Efektif – Visualisasi

Lanjutan dari post yang lalu. Salah satu kelebihan manusia dibanding makhluk lainnya adalah visualisasi selain dari kesadaran diri. Einstein sendiri menyebutkan “Imagination Is More Important Than Knowledge”. Sebenarnya apa itu visualisasi? Dan bagaimana bisa mempengaruhi prestasi/kinerja seseorang?

einstein-imagination

Komponen Visualisasi

Visualisasi secara fisik terletak di bagian kanan otak. Selain visualisasi, komponen lainnya adalah imajinasi, afirmasi, kemampuan bahasa dan relaksasi, serta dialog terhadap diri sendiri. Banyak pakar yang sudah meneliti, salah satunya disebutkan dalam buku karangan Covey, yaitu Dr. Charles Garfield, yang meneliti performa para astronot di NASA. Dia melihat bagaimana para astronot latihan/gladi resik terus menerus sebelum ke ruang akngkasa. Sehingga pengalaman latihan itu masuk ke bawah sadar seolah-olah telah melaksanakan sesungguhnya. Begitu juga atlit-atlit ternama pun melakukan visualisasi sebelum tanding sesungguhnya, dan hasilnya kebanyakan memenangi pertandingan tersebut.

Jadi jika ingin sukses melakukan suatu kegiatan tertentu, maka dengan memvisualisasikan secara real di fikiran akan menciptakan “internal comfort zone” yang membuat diri seolan-olah telah terbiasa dan telah mencapai target/tujuannya. Akibatnya ketika menghadapi situasi sesungguhnya, tubuh dan fikiran sudah terbiasa. Bahkan beberapa literatur, seperti “the secret“, menganjurkan cara ini agar alam semesta membantu mencapai tujuan yang divisualisasikan dengan jelas. Kalau diistilahkan oleh Prof. Yohanes Surya, “mestakung: semesta mendukung“.

Kesadaran dan Imaginasi

Kesadaran sering dijumpai dalam literatur-literatur keagamaan, misalnya dalam agama Budha pada meditasi. Agama lain pun sama, misalnya retreat-retreat tertentu. Di sini perang hati bahkan lebih penting dari fikiran, dan memunculkan aspek-aspek lainnya seperti empati, khusyuk/fokus, sepenuh hati/ikhlas, dan bentuk-bentuk lainnya.

Namun bisa saja visualisasi digunakan untuk mencapai hal-hal yang negatif di segala bidang. Kita sebaiknya memvisualisasikan kondisi negara yang baik dan dengan demikian visualisasi para elit-elit yang negatif dapat kita kalahkan karena toh, jumlah orang baik di republik ini saya yakin jauh lebih banyak, tinggal visualisasi positif saja yang kita butuhkan. Abaikan berita hoax dan sejenisnya.

Beberapa rekan yang selalu memikirkan studi lanjut ke LN, misalnya Jepang, Eropa, Aussie, dll, kebanyakan akhirnya berangkat dan lulus juga. Oiya, ketika memvisualisasikan, pastikan tidak ada keraguan dalam hati, karena jika tidak, keraguan itulah yang terealisir. Selamat mencoba.

Ambil Kuliah Doktoral, Sulitkah?

Dulu di awal 2000-an, ketika bekerja di IT suatu bank, saya iseng mengajar honorer di satu kampus dekat tempat kerja. Ketika itu yang bergelar master masih jarang. Kalau ada, kesannya wah. Waktu itu masih didominasi MM dan MMSI untuk yang dari komputer. MM di sini magister management yang khusus untuk manajemen IT. Sementara itu, MT sepertinya sudah mulai banyak bermunculan, termasuk MIT yang diterbitkan oleh jurusan teknik elektro.

Aturan Magister untuk Dosen

Tidak perlu waktu lama untuk S2 bermunculan di sana-sini. Bahkan terkesan mudah sekali untuk mendapatkan gelar magister. Hal ini sebenarnya untuk memenuhi kebutuhan dosen yang harus bergelar master (S2). Banyak institusi pendidikan membuka program pasca sarjana magister. Beberapa rekan “dipaksa” untuk kuliah lagi, bahkan ada yang “hilang” nomor induk dosennya (NIDN) karena masih bergelar sarjana (S1).

Setelah mengambil S2, dulu sempat berfikir jangan-jangan kasusnya sama untuk yang S3. Dosen harus bergelar Doktor. Dan nanti banyak dibuka program S3 yang lulusnya mudah. Namun ternyata tidak berlaku untuk doktoral. Untunglah segera berangkat kuliah lagi tak perduli sulit atau tidaknya ikut program doktor.

Pemilihan Jurusan

Ketika mengurus surat ijin kuliah ke kopertis 4 (sebentar lagi akan diganti namanya), baru sampai meja pertama langsung ditanya ijazah magister-nya. Ternyata harus sama. Jika tidak sama (atau serumpun) tidak akan diijinkan. Kebetulan waktu itu sama, S2 Ilmu Komputer dengan kampus tujuan Computer Science. Ternyata ada faedahnya juga. Hati-hati, jangan asal ambil doktor. Dosen saya dulu pernah curhat, ketika sudah jenuh di kampusnya sekarang, ingin mendaftar ke kampus lain yang lebih baik (menurutnya) ternyata ditolak karena gelak doktornya tidak sama dengan homebase kampus tujuan. Kejadian itu mirip dengan yang terjadi di kampus ketika akreditasi. Satu dosen bergelar doktor tidak terhitung menaikan nilai akreditasi karena jurusannya beda (harusnya komputer tetapi ambil teknologi pertanian).

Sulitkah?

Dosen saya pernah “nyindir”, katanya mahasiswa doctoral jaman dulu menciptakan Bahasa pemrograman baru. Wah, repot juga kalo diterapkan standar seperti itu. Walaupun dipermudah, ternyata tetap sulit karena berbeda antara S2 dan S3. S3 harus benar-benar memoles dengan hal-hal yang baru. Repotnya lagi hal-hal baru terus bermunculan, sehingga satu temuan segera menjadi usang. Itu mungkin yang membuat S3 tak kunjung lebih mudah dari sebelumnya.

Perang Doktor?

Beberapa kampus di tanah air sudah tidak menulis lagi gelar. Mirip dengan luar negeri, karena memang sudah kebanyakan doktor. Setidaknya hanya memanggil Dr. X. Mungkin jika masih sedikit, banyak yang manggil pak doktor, tetapi kalau semuanya doktor tentu saja agak rancu. Semuanya bakal nengok. Kalau panggilan prof, mungkin masih bisa karena memang masih sedikit.

Nah, jika sudah banyak yang doktor, apa yang terjadi. Tentu saja akan ada persaingan. Tentu saja bersaing dalam hal riset (kuantitas dan kualitas). Doktor yang tidak sama homebase dengan jurusan kedoktorannya, tadi sudah dijelaskan akan kalah duluan. Jadi sebelum bertarung di riset, ada baiknya para calon mahasiswa doktoral perlu memilih jurusan yang tepat. Salah pilih, rugi dua kali, energi yang dikeluarkan untuk kuliah tetapi hasilnya tidak begitu sebanding. Beberapa program “Doctoral Bootcamp” sepertinya bagus untuk langkah awal agar tidak salah pilih. Tentu saja cukup satu atau dua kali. Kalau berkali-kali ikut tapi tidak berangkat-berangkat, pasti ada yang tidak beres (studi literatur, toefl/ielts, dan hal-hal lainnya).

Mungkin itu saja dasar-dasarnya. Untuk yang lebih “advance” silahkan baca kasus-kasus yang terjadi, misalnya pada kasus di situs ini. Di situ dibahas keluh kesah mahasiswa doktoral yang salah pilih hingga salah asuhan. Sekian semoga sedikit banyak bermanfaat.

Tujuh Kebiasaan Orang Efektif – Proaktif vs Reaktif

Ada satu buku karangan Covey “The 7 Habits of Highly Effective People” yang cukup menarik. Sebelum masuk ke apa saja kebiasaan-kebiasaan tersebut, dibahas sikap yang baik, proaktif atau reaktif.

Reaktif

Mungkin ini sikap alamiah kita yang merupakan bawaan dari unsur hewan. Reaktif di sini adalah respon terhadap kondisi yang menimpa. Misalnya diturunkan dari jabatan, maka reaksi di dalam hati misalnya: “pimpinan tidak mempercayai saya”, atau “ada orang yang memfitnah saya”, dan sebagainya.

Satu saran yang menurut saya sangat baik dalam bab itu adalah kita adalah makhluk yang bebas. Bebas di sini adalah bebas dalam menentukan sikap kita terhadap suatu keadaan. Apapaun yang terjadi, kita bebas memilih apakah bahagia atau kecewa. Memang kita tidak bisa bebas dari “circle of influence” diri kita. Kita mau tidak mau ikut aturan kerja kalau tidak tentu saja bisa dipecat. Tetapi kita juga bebas bersikap, berkarya, berinisiatif, dan karakter-karakter lain yang termasuk dalam lawan dari reaktif, yaitu proaktif.

Proaktif

Dalam buku tersebut dikisahkan sebuah kantor yang memiliki bos yang kurang bisa menciptakan suasana yang baik sehingga para bawahan cenderung bersikap reaktif. Pimpinan tersebut cenderung hanya menjalankan intruksi ke bawahan, harus begini, harus begitu, dan sejenisnya. Terkadang menyalahkan bawahan jika kurang baik hasilnya. Tapi ada satu bawahan yang bersikap proaktif. Dari pada berkata dalam hati, “bos kurang menghargai saya”, dia cenderung berkata, “Aku haru bisa menyelesaikan tugas secepatnya”, atau “aku harus bisa mengajak rekan-rekan menjadi tim yang kuat”, dan sejenisnya. Hasilnya ternyata bisa membuat kantor itu bertahan. Kalau dalam bahasa jaman now, mungkin orang proaktif tidak “baper-an”, aliash bawa-bawa perasaan. Sikap proaktif biasanya timbul karena istilah berikut.

End Mind

Sebenarnya ini istilah lain dari tujuan (goal). Orang yang sibuk belum tentu efektif. Terutama jika tidak mengetahui tujuan dari yang dikerjakannya. Jika mengetahui tujuan, seseorang akan tangguh, tidak begitu terpengaruh “circle of influence”, seperti misalnya kantor dengan seorang bos pada contoh kasus di atas. Jika tujuan suatu tim sepakbola adalah memenangkan turnamen, tidak ada yang mengeluh atau baper ketika dicadangkan oleh pelatih. Jika tujuannya ingin menjadi negara jadi maju, tidak akan mengeluh tidak terpilih jadi caleg, cabup, cagub, cawalkot, atau capres, termasuk simpatisannya juga. Perang kata-kata di medsos, cacian, hinaan dan sejenisnya, bagi orang yang proaktif tidak masalah selama tujuan utama selalu diingat, toh pilihan sikap ada di tangan kita dan kita bebas memilih apa sikap yang kita ambil, membalas dengan cacian juga, menumpahkan emosi, atau bersabar, tetap bersahabat, dan tetap bekerja sama membangun bangsa.

Referensi

Kemajuan Teknologi Informasi India

Indonesia dan India sama-sama pernah dijajah. Jika Indonesia dijajah Belanda, India oleh Inggris. Namun tidak dapat dipungkiri kemajuan teknologi India mengungguli negara kita yang masih asyik bertengkar sendiri. Dari sisi waktu merdeka-nya, Indonesia sebenarnya lebih dahulu merdeka. Tapi mengapa hal ini bisa terjadi.

Tanggal 14 April 2018 yang lalu di acara pelantikan pengurus APTIKOM JABAR, Prof Iping sedikit membicarakan topik tersebut. Profesor penggagas berdirinya asosiasi perguruan tinggi informatika dan komputer (INFOKOM) sedikit bercerita.

Peran Mahatma Gandhi

Bapak bangsa India tersebut mengatakan di hadapan rakyatnya. Dia bertanya apakah bangsanya ingin seperti saat dijajah, ataukah ingin setara dengan sang mantan penjajahnya (Inggris)? Atau bahkan bisa menjajah balik, bukan dalam arti sesungguhnya, melainkan lewat ekonomi.

Untuk itu diperlukan empat tingkatan yang harus ditempuh India agar bisa setara dan mengimbangi negara penjajahnya dalam hal pendidikan dan pengajaran. Tanpa melalui empat tingkatan tersebut, India tidak akan bisa bersaing dengan Inggris.

Tingkat pertama adalah ketika mengajarkan apakah yang diajarkan sudah sesuai dengan semestinya. Misalnya ketika mengajarkan “algoritma” benar-benar sudah mengajarkan hal-hal yang perlu diajarkan. Di sini pentingnya konten. Berkembang pesatnya ilmu tentu saja menuntut pengajar untuk terus belajar dan mengembangkan materi pembelajarannya.

Berikutnya adalah tingkatan kedua dimana seorang pengajar harus mengetahui cara bagaimana membuat peserta didiknya mampu menyerap apa yang diajarkan. Harus dipastikan siswa memahami konsep yang benar. Metode belajar banyak dikembangkan saat ini, seperti Flipped Learning, Student Center Learning (SCL), pendidikan jarak jauh (PJJ), dan sejenisnya.

Tingkat ketiga jujur saja saya sedikit blank karena mengantuk. Apa yang diajarkan ke siswa semestinya berguna dan bermanfaat. Ajarkanlah apa-apa yang sekiranya berguna dan bermanfaat. Di jepang misalnya, mahasiswa IT tahun pertama (untuk tingkat sarjana) ada mata pelajarn keterampilan mengetik. Jadi harapannya para mahasiswa akan cepat dalam mengetik. Sehingga mempermudahkan mereka mengetik coding, membuat laporan dan sejenisnya. Tingkat keempat, seperti diutarakan oleh pembicara berikutnya, Prof Ucok, adalah level “ma’rifat”. Maksudnya adalah siswa diharapkan memiliki visi ke depan yang mampu beradaptasi dengan kondisi yang akan datang yang sulit diprediksikan saat ini. Bekal yang cukup diharapkan mampu digunakan oleh mahasiswa untuk menghadapi era yang belum diketahui saat ini.

Ketika merdeka, India segera mengelola institusi-institusi pendidikan dengan baik. Negara ini walaupun sudah mengarah menjadi negara maju masih banyak menghadapi masalah-masalah, seperti kemiskinan, kesenjangan dan sejenisnya. Jumlah SKS S1 di sana yang berjumlah 190 sks jauh melebihi negara kita yang di kisaran 150-an SKS (saya sendiri 160-an ketika di UGM dulu). Bahkan isi mata kuliahnya tidak seperti negara kita yang ada kewarganegaraan, agama, dan sejenisnya, mereka langsung ke Science. Memang ilmu sosial mereka kurang mendapat fokus dibanding ilmu pasti/alam.

Walau demikian, negara kita diprediksi ikut rombongan INDIA dan CHINA yang akan pesat perkembangannya di tahun-tahun yang akan datang, asalkan bonus demografi (lonjakan usia produktif) dapat tersalurkan dengan baik, yang lagi-lagi membutuhkan peran pendidikan untuk mempersiapkannya. Semoga tugas berat Ristek-Dikti dan Diknas dapat berjalan sesuai harapan.

Menormalkan Data Untuk Range Sempit

Beberapa literatur, seperti (Hagan, M. T., Demuth, H. B., & Beale 1997) merekomendasikan penggunakan normal Euclidis (Euclidean) untuk menormalkan data agar hanya berada pada rang [0,1]. Alasannya adalah keortogonalan matriks konversi yang mempermudah Jaringan Syaraf Tiruan (JST) dalam proses pelatihan (Training). Postingan kali ini memperkenalkan teknik yang sering digunakan pada proses peramalan (Forecasting) dengan rentang data tertentu yang sempit, misalnya range [0.2,0.9]. Caranya adalah dengan menggunakan rumusan di bawah ini (Siang 2009):

dengan b dan a adalah data maksimum dan minimum. x’ adalah hasil konversi dari harga awal x. Perhatikan ketika x adalah data maksimum maka x’ akan berharga 0.7+0.2 sementara jika sebaliknya, x data minimum, maka 0 + 0.2 yang cocok dengan range dari 0.2 hingga 0.9. Tetapi ketika ingin dipresentasikan kembali hasil peramalan ke nilai real-nya perlu konversi kembali dengan formula:

Entah mengapa saya cenderung menggunakan normal Euclidis (fungsi normalize atau dengan memanfaatkan norm jika tidak ada fungsi normalize). Untuk versi 2013 sepertinya sudah ada fungsi normalize. Berikut tampilan Matlab jika ada fungsi yang bersangkutan. Semoga bermanfaat.

  • >> help normalize
  • — help for dfilt.normalize —
  • normalize Normalize coefficients between -1 and 1.
  • G = normalize(Hd) normalizes the feed-forward coefficients between -1
  • and 1 and returns the gain G due to normalization. Subsequent calls to
  • normalize will not change the feed-forward coefficients and G will
  • always return the gain used in the first normalization.

 

  • See also dfilt.denormalize.
  • Copyright 1988-2004 The MathWorks, Inc.

Referensi

Hagan, M. T., Demuth, H. B., & Beale, M., 1997. Neural Network Design, Boston: PWS Publishing Co.

Siang, J.J., 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Yogyakarta: Penerbit Andi.

 

Simulasi Membutuhkan Bilangan Random

Simulasi mencoba menjalankan suatu model seolah-olah mengikuti kenyataan yang ada. Simulasi banyak diterapkan dalam permainan. Misalnya pemain bola, C. Ronaldo, dalam game memiliki akurasi tinggi dalam mencetak gol, tetapi tentu saja tidak selalu tendangannya akurat, seperti kenyataan di lapangan sesungguhnya. Jadi ketika pemain tersebut mengeksekusi, program harus membangkitkan suatu bilangan acak dalam rentang akurasinya sehingga bisa saja tendangannya (misal pinalti) tidak berhasil.

Fungsi “rand” di Matlab

Salah satu fungsi di Matlab yang membangkitkan bilangan random adalah fungsi rand. Fungsi ini membangkitkan bilangan acak dari nol hingga satu dalam pecahan. Ketik saja “rand” pada command window maka akan dimunculkan bilangan pecahan yang dimaksud.

Silahkan ketik help rand di command window maka akan muncul tata cara penggunaannya. Bahkan ada varian lagi dari fungsi tersebut di bagian akhir help (suggestion). Untuk membuat bilangan random yang dalam rentang tertentu, misal 9 hingga 10 butuh trik kusus, misalnya rand*10 atau 9+rand.

Contoh Kasus

Program berikut mensimulasian fungsi tangga dari suatu rangkaian masa dan suspensi. Disimulasikan beberapa komposisi pegas dan peredam yang menghasilkan beberapa kemungkinan. Perlu pengetahuan fungsi alih (transfer function) dan juga penggunaan fungsi plot pada Matlab. Buku command window.

  • figure
  • hold

Dua instruksi di atas akan menyiapkan satu gambar yang akan digunakan untuk menangkap output tiap-tiap komposisi pegas peredam. Fungsi hold membuat grafik menangkap lebih dari satu komposisi.

  • m=100;
  • for i=1:4
  • c=rand*10;
  • k=rand*10;
  • model=tf([1],[m c k])
  • step(model)
  • end

Kemudian Matlab mengeksekusi kode di atas dengan jumlah loop sebanyak empat kali. Tiap loop mencetak (fungsi step) model yang dalam bentuk fungsi alih tersebut. Massa diset 100 karena memang tidak terlalu berubah (massa motor, mobil, dan sebagainya cenderung tetap). Di sini nilai hanya sebagai contoh saja (tanpa satuan, dan standar yang telah ditentukan dalam perancangan elemen mesin). Selamat mencoba.

Variabel Dinamis pada Fungsi Alih Simulink Matlab

[m.kul,ruang,dosen,jur:t-pemodelan-simulasi,software,rahmadya-phd,t-kom-d3]

Berbicara mengenai fungsi alih, mau tidak mau harus sedikit kilas balik ke materi pengenalan pengaturan (tek. Kendali). Untuk mudahnya ambil kasus sederhana suspensi kendaraan (post terdahulu). Fungsi alih suatu sistem suspensi adalah:

Fungsi Alih = 1/(ms^2+cs+k)

m, c dan k berturut-turut massa (Kg), peredam (N.s/m), dan konstanta pegas (N/m). Kemudian untuk memasukan variabel dinamis fungsi alih, buka simulink dengan mengetik simulink pada command window Matlab.

Memasukan Variabel Dinamis

Untuk mensimulasikan sistem suspensi pada model simulink masukan tiga diagram blok antara lain: masukan tangga, fungsi alih, dan keluaran yang ditangkap oleh scope. Masukan tangga berada di bagian SOURCE, fungsi alih di bagian CONTINUOUS, dan scope pada bagian SINK. Caranya adalah dengan mendrag ke lembar model.

 

Atur fungsi alih (transfer function) agar diperoleh persamaan di awal tulisan ini. Gunakan variabel m, c dan k yang mewakili massa, peredaman, dan kekakuan pegas.

Tekan ganda transfer function dan isikan sebagai berikut. NOTE: Nilai m, c dan k di sini berupa variabel yang jika langsung dijalankan akan memunculkan pesan kesalahan.

Mengisi Variabel lewat Command Window

Bagaimana memasukan m, c, dan k? Mudah saja, kembali ke command window, ketikan saja tiga variabel itu dengan bilangan.

>> m=100;

>> c=20;

>> k=5;

Kembali ke jendela model. Tekan tombol RUN pada jendela model yang berupa segitiga warna hijau. Pastikan tidak muncul error. Lanjutkan dengan mengklik ganda SCOPE untuk melihat grafiknya.

Atur komposisi c dan k agar diperoleh respon yang halus (smooth). Bagaimana terapan ke program GUI-nya? Sepertinya butuh postingan tersendiri karena ada sedikit masalah saat praktek tadi, yaitu data m, c, dan k tidak terkirim ke jendela model.

 

Sanggupkah ANFIS Mengenali Pola Gambar?

[m.kul/ruang/dosen:pengenalan-pola/software/rahmadya]    

Adaptive Neuro-Fuzzy Inference System (ANFIS) merupakan gabungan Jaringan Syaraf Tiruan (JST) dengan Fuzzy Inference System (FIS). Cara kerja neuron pada JST (lihat JST sederhana) lebih sederhana dibanding dengan ANFIS (lihat post dasar2 ANFIS). Pada ANFIS jumlah neuron harus mengikuti jumlah masukan dan fungsi keanggotaan (membership function) tiap masukan. Selain itu tiap bilangan numerik (crisp) masukan harus dikonversi menjadi fuzzy sets. Akibatnya butuh proses komputasi dibanding JST yang langsung meneruskan masukan numerik ke pembobotan di neuron.

Kasus Citra Hitam-Putih

Citra hitam-putih (B/W) hanya mengenal dua angka yaitu 1 dan nol yang merepresentasikan citra (beberapa peneliti menganjurkan dengan 1 dan -1), sehingga tiap masukan hanya mengenal dua nilai itu. Secara intuitif JST lebih praktis dibanding ANFIS karena kemampuan fuzzy dari ANFIS tidak berfungsi jika hanya bernilai biner (1 dan 0). Tetapi jika kasusnya RGB atau CMYK dengan range bilangan yang cukup besar 0 hingga 255 maka peran fuzzy pada ANFIS jadi penting.

Masalah Jumlah Masukan pada ANFIS

Jika menggunakan data angka 1 sampai 5 yang direpresentasikan dengan matriks berukuran 5×3 maka kita memiliki vektor berukuran 1×15 untuk tiap-tiap angka. Jadi ada 15 input pada ANFIS-nya. Ketika dipraktekan di kelas, baik Matlab 2013 maupun 2014 dengan prosesor i5 dan RAM 4 Gb, anfisedit pada Matlab tidak sanggup.

Pesan kesalahan tersebut muncul di tahap Generate FIS yaitu setelah tombol OK ditekan. Matlab tidak sanggup meng-create ANFIS dengan masukan sebanyak 15. Berikut ini dicoba dengan mereduksi tiap angka menjadi 5 masukan.

Rule akan terbentuk sebanyak 32 buah kombinasi dari MFs (membership function) dengan satu masukan dengan masukan lainnya. Ketika di-training dengan hybrid method dihasilkan ANFIS yang siap dipakai.

Mereduksi Jumlah Masukan

Cara mereduksi masukan adalah dengan menerapkan fungsi imresize pada Matlab. Fungsi ini akan menghasilkan citra yang lebih kecil ukurannya. Tapi tentu saja akan sedikit berbeda dengan citra sebelum direduksi. Selain itu citra yang tadinya berbentuk biner berubah menjadi real. Misal kita memiliki image angka dua dengan ukuran 5×3 (atau vektor sepanjang 15 kolom).

  • >> duaReal
  • duaReal =
  • 1 1 1
  • 0 0 1
  • 1 1 1
  • 1 0 0
  • 1 1 1

Jika diterapkan fungsi imshow akan diperoleh image angka 2 (lihat yang berwarna putihnya).

  • imshow(duaReal,’InitialMagnification’,5000)

Selanjutnya kita reduksi dengan fungsi imresize. Perhatikan di bagian akhir (0.75) menyatakan persentasi pengecilan dari ukuran sebenarnya.

  • >> duaCrop=imresize(duaReal,.75)
  • duaCrop =
  • 0.6902 0.8532 1.0162
  • 0.4380 0.7667 1.0654
  • 0.8851 0.2718 0.2707
  • 0.9837 0.9288 0.9316

Gambar berikut adalah pengecilan menjadi setengahnya (kiri) dan diperbesar 3 kali lipat (kanan). Sepertinya yang diperkecil tidak begitu jelas.

Jadi bagaimana, sanggupkah ANFIS mengenali pola citra? Sepertinya perlu membatasi jumlah masukan kira-kira 5 sampai 10 untuk laptop rata-rata. Selain itu perlu preprocessing untuk mereduksi pola. Jangan lupa, perhatikan batas pengecilan maksimal agar citra masih dikenali, dan terhindar dari false positive. Sekian, selamat mencoba.