Selama ini untuk kepraktisan saya menggunakan wordpress template untuk membuat postingan di wordpress. Ketika mencoba membuat langsung dari wordpress.com ternyata agak ribet juga untuk yang rata kanan kiri. Hal ini karena tidak ada pilihan justify di wordpress, yang ada hanya rata kiri, center dan rata kanan.
Memang lebih mudah dengan template jika dengan word 365 [link], atau langsung share di microsoft word 2007 [link] atau 2016. Ternyata tombol untuk rata kanan tersembunyi di sebelah kanan hyperlink, yakni tombol menu yang diklik terlebih dahulu.
Tinggal klik ‘Rata kanan kiri’ untuk meratakan sisi kiri dan kanan pragraf kita. Hasilnya tampak seperti postingan ini. Sekian, semoga bermanfaat.
Kita pernah mendengar istilah-istilah konversi dari bahasa Inggris ke bahasa Indonesia. Di sini banyak yang bermasalah mengingat keterbatasan bahasa kita. Salah satunya adalah dalam bidang Machine Learning (termasuk juga Deep Learning). Postingan ini sedikit mengupas problem yang muncul, khususnya pada skripsi/tugas akhir mahasiswa.
Prediksi
Istilah ini muncul ketika fuzzy. inference system (FIS) muncul. Istilah inference ketika diterjemahkan artinya prediksi. Nah, munculah istilah ini pada mesin-mesin yang dengan masukan variabel-variabel tertentu dihasilkan prediksinya. Nah, saat ini jika istilah ini digunakan akibatnya jadi rancu karena istilah ini sangat umum. Kita bisa saja memprediksi kurs dolar beberapa hari ke depan, bisa saja mengatakan memprediksi nilai tertentu masuk dalam kelas apa, atau memprediksi nilai kontinyu tertentu dari fitur-fitur input. Tentu saja istilah itu seharusnya diganti berturut-turut menjadi proyeksi (forcasting), klasifikasi, dan regresi.
Klasifikasi
Klasifikasi adalah proses memasukan suatu set dalam kelas-kelas tertentu, misalnya pada model deteksi kanker, suatu set data dimasukan dalam kelas positif kanker atau negatif kanker, jika dua kelas. Jika lebih dari dua kelas, bisa saja kanker, kanker jinak, bukan kanker, pengapuran, dan lain-lain. Istilahnya dulu disebut multiclass untuk membedakan yang dua kelas. Nah, saat ini model ML hampir lebih dari dua kelas, jadi istilah multiklas sudah jarang disebut, baik dalam konten apalagi dalam judul artikel ilmiah. Untuk akurasi biasanya menggunakan matrix confusion. Sekali lagi jika diindonesiakan jadi matriks kebingungan .. bingung kan??
Regresi
Regresi mirip dengan klasifikasi, hanya saja outputnya bukan kelas tapi nilai tertentu yang biasanya bilangan real pecahan. Nah, untuk mengecek akurasinya tentu saja tidak bisa dengan matriks konfusi (saya lebih suka istilah ini daripada matriks kebingungan) karena sangat sulit nebak benar angka kontinyu yang tak hingga. Biasanya menggunakan Mean square Error (MSE).
Proyeksi
Nah ini merupakan prediksi jenis lain. Atau sebaiknya kata prediksi tidak dipakai ya karena terlalu umum. Langsung saja peramalan (projection). Salah satu syarat proyeksi adalah adanya data time-series. Misalnya prediksi harga saham maka variabel yang mempengaruhi adalah harga saham itu sendiri tapi berbeda waktunya (sequantial). Walaupun saat ini proyeksi dikombinasikan dengan regresi dengan eksternal input (dalam contoh ini selain harga saham, misalnya inflasi) yang bisa saja memengaruhi nilai proyeksi.
Nah istilah-istilah spesifik lainnya silahkan searching di internet baik definisi maupun paper-paper yang membahasnya. Jika object detection bermaksud mendeteksi (dengan pointer tertentu, misal kotak berwarna) kelas tertentu dalam satu gambar, segmentasi dan instan segmentasi bermaksud mengklasifikasi piksel gambar/citra/video menjadi warna tertentu yang merepresentasikan kelasnya. Misalnya segmen di video jalan raya, segmentasi semantik akan memberi warna objek tertentu, misal orang, mobil/kendaraan lain, pedesterian, rambu lalulintas dan lain-lain. Bagaimana instance segmentation? Ini merupakan tingkat yg lebih advance dari segmentasi semantik yang membedakan warna pada kelas yang berbeda, instance segmentation membedakan kelas yang sama, misalnya ada tiga ayam maka ada tiga warna untuk tiap-tiap ayam.
Klasterisasi (Clustering)
Ini sangat berbeda dengan klasifikasi dkk karena di sini data yang digunakan sebagai data training tidak memiliki label/kelas tertentu. Oiya, data training merupakan bahan baku model machine learning saat proses training untuk membuat model. Jadi jangan menggabungkan Naive bayes atau KNN dengan K-Means karena merupakan domain problem yang berbeda (yang satu klasifikasi, yang lain clustering). Tentu saja ada kombinasi problem, misalnya antara SVM yang klasifikasi dengan SVR yang regressi.
Jadi ketika menggunakan istilah-istilah itu sebaiknya dipahami dahulu agar tidak membingungkan orang lain. Contoh di atas hanya sebagian saja, silahkan selidiki problem lain misalnya optimization.
Beberapa situs penyedia server gratis banyak tersedia, misalnya webhost [Link]. Sayangnya tidak bisa digunakan untuk AI berbasis python, hanya php dan sejenisnya (javascript). Beberapa bisa memiliki akses ke konsol untuk menginstal library python, namun ada kalanya diminta memasukan kartu kredit, walau gratis, ini cukup memberatkan.
Untungnya saat ini ada situs yang menyediakan deployment gratis berbasis python. Di sini kita bisa menjalankan AI yang berbasis Python dan diakses via website, namanya Streamlit Sharing [Link]. Urutan langkahnya adalah sebagai berikut:
1. Konversi aplikasi menjadi python (bukan ipynb).
2. Buat menjadi format Streamlit (dengan library streamlit). Tentu saja kita harus memasangnya dengan PIP biasa.
3. Mengupload aplikasi py dengan streamlit tersebut ke Github. Di sini fungsinya agar Streamlit menerima aplikasi python yang telah dibuat.
Untuk jelasnya dapat dilihat pada video youtube berikut ini. Sekian selamat mencoba dan mendeploy sendiri aplikasi python berbasis web dengan Streamlit.
Di tahun 90-an salah satu bahasa pemrograman adalah bahasa visual basic. Karakteristik bahasa satu paket visual studio dimana compiler, tampilan dan sejenisnya tersedia full. Namun saat ini ketika pemrograman web berkembang pesat dimana satu aplikasi memanggil fungsi-fungsi lain yang tidak ada di komputer programmer membuat programmer era 90-an harus terbiasa dengan hal ini.
Jika dicari di Youtube, saat ini sedang ada pergeseran programmer dari menggunakan akses full lengkap dari bahasa pemrograman menjadi menggunakan aplikasi teks editor sederhana lalu mengujinya menggunakan komputer lain di server yang sering disebut server development. Pernah saya menjadi project manager, salah satu programmer menggunakan Mac Book dengan processor M1 yang bertipe mobile untuk membuat kode Node-JS. Bagaimana dengan Python? Tentu saja jika untuk testing, bisa menggunakan google cloud yang menginstall Jupyter notebook di server tersebut, selain tentu saja dengan Google Colab. Video ini sedikit membahas hal tersebut.
Jadi laptop tidak terbebani dengan beban seperti server testing. Itu kalau satu bahasa pemrograman, jika ada banyak repot juga.
Untuk pemrograman basis data, banyak juga yang menyediakan server gratisan, seperti berikut [Link]. Selain menyediakan domain, juga menyediakan web server untuk file-file php, html, css, dll, dan database management system dengan MySQL. Lihat video singkat ini:
Namun untuk PHP yang ada Python di dalamnya, tentu saja membutuhkan vendor lain, misalnya heroku. Jadi sepertinya laptop sedikit demi sedikit mulai bergeser karena banyaknya penyedia cloud. Menarik untuk terus memantau perkembangan ini.
Model merupakan konsep yang menggambarkan kondisi real. Awalnya disebut model matematis, tetapi untuk mempersingkat biasanya disebut model saja. Ada model fisika, teknik, dan ada juga model ilmu sosial, misalnya pada faktor-faktor yang berpengaruh satu sama lain. Model yang ada biasanya merujuk pada penelitian sebelumnya, jadi kita tidak diperbolehkan asal membuat model tanpa ada rujukan. Misalnya pada postingan ini model yang mengecek apakah faktor-faktor pelayanan, kepuasan dan loyalitas saling berpengaruh.
Banyak tools yang dapat digunakan, misalnya LISREL dan AMOS. LISREL merupakan model yang telah lama dikenal, sementara AMOS merupakan tool baru yang kini menjadi bagian dari IBM yang sudah terlebih dahulu terkenal dengan SPSS. Postingan yang lalu telah dibahas model analisis Jalur [Link], nah kali ini kita coba untuk Confirmatory Factor Analysis. Silahkan lihat tayangan berikut yang mengilusrasikan secara singkat CFA dengan AMOS graphic.
Saat ini nonton youtube terkadang lebih mudah dibanding membaca. Tapi bagi pembaca yang terbiasa membaca terkadang menonton bisa menghabiskan waktu beberapa menit hingga beberapa jam. Tentu saja ini sangat membosankan jika diminta mencari ringkasannya. Namun, saat ini perkembangan Artificial Intelligence (AI) sudah dapat mempermudah pekerjaan kita. Postingan ini bermaksud memperkenalkan Anda bagaimana cara cepat mengetahui isi video tanpa perlu menonton full link video youtube, misalnya:
Langkah pertama adalah membuka video tersebut, dilanjutkan dengan menekan view transcript di bagian bawah video tersebut. Setelah tombol ditekan maka transkript akan muncul di bawah. Berikutnya tinggal Anda kopi dan paste saja di sembarang text editor.
Anda bisa membacanya atau dengan menanyakan ChatGPT apa ringkasan atau isi dari transkrip tersebut dengan prompt> rangkum, tulisan ini tentang apa: < paste naskahnya>. Anda akan menerima jawaban yang lengkap. Selamat mencoba.
Teknik Informatika/Ilmu Komputer dengan Sistem Informasi saling bersinergi. Ketika pertama kali merancang device layar sentuh, Apple pada mulanya divisi Teknik Informatika, dengan programmer-programmernya, membuat tablet terlebih dahulu. Ketika sudah selesai, bekerjalah orang Sistem Informasi. Hasil survey ternyata mengejutkan, user banyak yang menginginkan device yang segenggam tangan ukurannya dan mudah dibawa-bawa. Melihat hasil tersebut, segera Apple bekerja cepat membuat device yang lebih kecil dikenal dengan nama Iphone. Hasilnya, sesuai dengan riset, ternyata laku keras.
Sulit dikatakan mana yang lebih penting TI atau SI. Ketika saya di Bank, lulusan SI kebanyakan mengutak-atik schedulling, project analisis, termasuk kebutuhan personel, dan sebagainya. Tentu saja jika dilihat dari salary, melebihi lulusan TI. Namun, tentu saja kebutuhannya pun tidak sebanyak orang TI, waktu itu sekitar 1: 10an.
Beberapa tools sangat diperlukan untuk analisis survey, sebagai contoh video singkat ini yang menggunakan AMOS untuk analisis jalur (path analysis)
Aplikasi Web masih menjadi sentral aplikasi-aplikasi yang ada karena kelebihan-kelebihannya. Jika aplikasi desktop terkendala dengan aksi-aksi pembajakan, mirip game-game era 90-an, maka game-game saat ini mulai dari mobile legend, free fire, pubg, dan lain-lain yang mengharuskan koneksi internet, pembajakan sulit dilakukan. Source code akan aman karena berada di server, berbeda dengan game offline yang bisa digunakan tanpa diketahui sudah berapa kali diinstall.
Android studio masih menjadi andalan utama para pengembang aplikasi mobile. Beberapa mahasiswa mengeluh berat-nya aplikasi pembuat mobile app tersebut, maklum budget mahasiswa terbatas. Sementara lab terkadang karena banyaknya aplikasi-aplikasi yang terinstall untuk praktikum, lambat ketika dijalankan.
Saat ini, beberapa tools sudah dapat digunakan tanpa perlu menginstall misalnya dengan library Buildozer di Python [link] maupun tools online, misalnya MIT App Inventor [link]. Video singkat ini menggambarkan hanya kurang dari 2 menit, konversi ke Apk berhasil dibuat.
Akhir tahun merupakan tanggal dimana laporan proyek harus diserahkan. Jika laporan proyek tidak selesai, pinalti siap menanti. Sepertinya sudah biasa, programer yang jago coding, tetap saja ketika diminta menyelesaikan laporan mengenai sistem yang dibuatnya, kalang kabut juga. Mungkin efek dari kebiasaan saat kuliah dulu. Fokus ke coding atau buat alat, tapi kurang fokus ke laporan. Padahal laporan sangat penting, terkait dengan dokumen spesifikasi program. Perlu diketahui, apapun model pengembangan sistem, tetap harus ada pengembangan dari versi pertama lanjut kedua dan seterusnya.
Untungnya saat ini banyak tools untuk mempermudah membuat laporan, khususnya terkait diagram, baik objek (UML) maupun proses (DFD), hingga database (ERD). Tools tersebut ada yang sekedar gambar, seperti Visio, tapi ada juga yang bisa dilanjutkan ke kode, misalnya Rational Rose dari IBM. Nah, kali ini kita coba Enterprise Architect (EA) yang fokus ke pembangunan diagram yang terintegrasi. Salah satu yang powerful dari aplikasi ini adalah sangat ringan dibuka dari komputer standar (i5 ke atas prosesornya).
Bagi pembuat laporan tentu saja kemudahan dalam copas dari model ke laporan word. Nah, EA tidak perlu mengekspor, cukup dengan blok dan copas ke ms word, sangat praktis. Hasilnya pun lengkap, dan yang terpenting, satu file project dapat dibuat menjadi modul-modul yang terintegrasi seperti membuka file pada explorer. Berikut video singkat bagaimana membuat salah satu diagram terkenal UML, activity diagram. Diagram ini versi lebih praktis dari flowchart yang agak ribet dalam percabangan/decision.
Aplikasi web dibuat guna mengatasi keterbatasan aplikasi desktop yang harus terlebih dahulu menginstal program. Dulu waktu kerja di bank, ketika satu komputer teller rusak, saya diminta menggantikan dengan komputer yang baru, setelah instal sistem operasi dilanjutkan dengan instal aplikasi Branch Teller (BT) [link]. Prosedurnya cukup rumit, mendaftarkan IP computer ke local server terlebih dahulu, dan lain-lain. Tidak lama kemudian, muncul aplikasi baru berbasis Web, tinggal menyediakan komputer yang berisi sistem operasi, daftarkan sertifikat ke local server, komputer siap pakai, tanpa menginstal terlebih dahulu.
Waktu itu handphone masih motorola, nokia, dan sejenisnya, bahkan blackberry pun waktu itu masih dipakai oleh Obama saja. Kemunculan Smartphone, yang dipelopori oleh Samsung dan Iphone menuntut akses aplikasi via mobile. Ketika sebelumnya harus membuka komputer, menjalankan browser dan mengakses url tujuan, dirasa sangat lambat dan kurang praktis. Muncullan aplikasi berbasis android (APK) yang memudahkan pengguna menjalankan aplikasi.
Ada aplikasi yang murni berjalan di smartphone ketika diinstal, ada yang harus login atau terhubung ke server. Nah, kebanyakan saat ini aplikasi terhubung ke server, dimana proses berjalan di server bukan di client. Kelemahan ketika berjalan di client adalah aplikasi dapat dibajak, padahal beberapa aplikasi, membutuhkan iklan. Jika diinstal di client, mirip aplikasi windows jaman dulu (*.exe atau *.com) tentu saja iklan tidak berjalan karena aplikasi bisa dijalankan offline.
Untuk membuat aplikasi mobile, banyak software yang mendukung pemrograman mobile. Kebanyakan harus menginstal terlebih dahulu, misalnya Android Studio. Nah, saat ini aplikasi yang bisa membuat apk tanpa harus menginstall softwarenya karena online, yakni MIT App Inventor [link]. Jika Anda hanya mengkoneksikan Web, cara tercepat adalah dengan me-mobile-kan browser. Berikut video tutorialnya.
Jika dilihat dari tren framework web dari Google [link] maka dapat dilihat, untuk Indonesia, bahasa PHP masih banyak peminatnya, sementara untuk dunia, Python yang mendominasi.
PHP masih banyak digunakan sebagai bahasa pemrograman web. Banyak vendor hosting server cloud menggunakan bahasa ini, salah satunya adalah webhost [link]. Karena gratis, maka sangat cocok untuk mahasiswa mempublish website rancangannya.
Untuk program studi yang tidak memiliki fasilitas server bisa menggunakan webhost. Kode dapat diakses dari manapun, tidak mengandalkan server lokal yang biasanya menggunakan XAMPP dan sejenisnya.
Untuk ilustrasi, silahkan lihat video berikut yang menghasilkan aplikasi berbasis web.
Untuk database yang tidak memerlukan banyak relasi biasanya penggunaan Google Sheet sudah cukup memadai. Dengan men-sharing Sheet yang dibuat, data bisa diakses oleh pengguna lain sehingga mudah dalam pengelolaannya. Jika selama ini sharing memerlukan akses membuka Google Sheet, banyak masalah muncul akibat penggunaannya yang tidak ‘user friendly’, misalnya ada kolom atau cell tertentu yang terhapus, dan masalah lainnya. Oleh karena itu postingan kali ini kita menggunakan aplikasi web (HTML + Javascript) untuk mengakses data Google Sheet.
1. Membuat Tabel
Misal kita akan membuat tabel harga satuan barang untuk keperluan bangunan seperti semen, pasir, dan lain-lain. Buka Google Sheet [link]. Buat tabel baru dengan nama misalnya barang. Buat dua kolom dengan dengan nama kolom: Nama dan Harga.
Selanjutnya adalah membagi (share) dengan setingan full access (anyone with link + sebagai editor). Agar bisa melakukan proses input ke tabel tersebut.
Salin link tersebut agar bisa diakses oleh orang lain. Di sini kita perlu membuat Application Programming Interface (API) sebagai penghubung data dengan program lain.
2. Membuat API
Dengan API maka program yang dibuat tidak perlu mensinkronkan program dengan platform database yang digunakan, misal MySQL, Oracle, SQL Server, dan lain-lain. Asalkan API tersedia maka program tidak perlu menggunakan driver untuk terkoneksi dengan basis data tersebut. Untuk mudahnya, gunakan saja Sheet.Best [link].
Setelah menekan START FREE login dengan Google Anda, lalu buat koneksi baru. Isi link Google Sheet yang sebelumnya sudah dishare full access. Isi field-field yang dibutuhkan, seperti Identification dan Connection URL.
Tunggu beberapa saat hingga proses koneksi selesai. Untuk melihat link API yang baru saja dibuat, tekan DETAILS di bagian bawah CONNECTION.
Selamat, kita telah berhasil membuat API dari Google Sheet. Link teredia tinggal menekan Copy di samping link API. Untuk mengujinya, paste saja di browser, dan pastikan JSON muncul.
3. Mengakses API via HTML
Pada dasarnya ada 2 jenis akses web, yaitu Server Side dimana kode ada di server seperti PHP, Dotnet, Flask, Django, dan client side, misalnya Javascript. Tentu saja kalau data penting, perlu login dan akses diletakan di server (server side) ketika beroperasi. Di sini karena hanya fokus mempermudah penginputan kita menggunakan Client-Side dengan Javascript. Jadi tidak diperlukan server, asalkan tim/pengguna memiliki file HTML, aplikasi dapat dijalankan.
Silahkan gunakan bantuan dari situs-situs yang memberikan edukasi pembuatan HTML [link], atau bisa menggunakan ChatGPT [link]. Untuk chatGPT gunakan saja prompt awal: ‘buatkan kode html menampilkan tabel dengan judul kolom Nama dan Harga’. Jika sudah muncul jawaban, gunakan prompt kedua ‘isikan tabel dari data API: <isi url API>’.
Lanjutkan dengan prompt ketiga: ‘tambahkan di bagian atas tabel isian/form input Nama dan Harga barang yang datanya isiannya dikirim ke API: <link API>.
Jika ingin hasil yang lebih cantik juga tabel terupdate otomatis ketika tombol tambah produk ditekan, tambahkan prompt keempat: ‘buat tabel otomatis terupdate ketika tombol tambah produk ditekan dan percantik dengan CSS’. Hingga dihasilkan sebagai berikut.
Pengelola program studi pasti mengenal Penetapan, Pelaksanaan, Evaluasi, Pengendalian dan Peningkatan yang diisitlahkan dengan PPEPP. Ini merupakan siklus yang mengandalakan Sistem Penjaminan Mutu Internal (SPMI). Karena konsep, tentu saja sangat rumit bagi yang baru mengenalnya. Oke, jika Anda sudah mengenal metode backpropagation learning dalam machine learning, bisa kita pahami dengan menganalogikan PPEPP dengan proses learning tersebut.
Penetapan
Penetapan merupakan inti dari rencana meningkatkan mutu. Di sini berisi keputusan resmi berupa indikator yang akan dicapai. Dalam machine learning (ML) ibarat target output dari model yang akan dilatih.
Pelaksanaan
Ketika target disertai input yang menghasilkan target tersebut tersedia, maka proses pelatihan berjalan. Dalam pelaksanaannya, model diberi bobot dan bias tertentu, kemudian forward propagation berjalan. Di sini input tertentu diharapkan menghasilkan output sesuai dengan target. Output mengikuti kalkulasi input berdasarkan bobot dan bias yang diset.
Evaluasi
Dalam akreditasi, evaluasi berusahan mencari praktik baik, praktik buruk, dan praktik baru ketika proses pelaksanaan selesai. Nah, di sini jika output sesuai dengan target maka dikatakan praktik baik terjadi, begitu pula sebaliknya. Dalam proses learning, evaluasi ini menghasilkan error, misalnya dihitung dengan standar Mean Square Error (MSE).
Pengendalian
Tahap ini terjadi ketika diketahui adanya praktik buruk, maupun praktik baru yang belum jelas baik atau buruknya. Dalam ML berupa error. Nah, proses pengendalian bermaksud membuat rekomendasi dan revisi terhadap bobot dan bias pada model yang dilatih.
Peningkatan
Tahap ini berisi optimalisasi, yaitu bagaimana meningkatkan, menyesuaikan dan menyelaraskan output dengan targetnya, dalam kampus diistilahkan Indeks Kenerja Utama (IKU) yang berpatokan standar nasional DIKTI, dan Indeks Kinerja Tambahan (IKT) yang berdasarkan kampus yang ingin melebihi standar nasional DIKTI. Bisa jadi adanya perubahan target jika sulit tercapai, atau target yang tidak relevan.
Jadi jika PPEPP berjalan dengan baik, secara logika organisasi akan berkembang ke arah yang lebih baik. Nah, oleh karena itu target yang tepat perlu dibuat karena proses akan mengikuti target tersebut. Makin banyak iterasi yang dibutuhkan, tentu saja membutuhkan waktu dan biaya yang besar, jadi gunakan proses yang efisien dan efektif agar tidak perlu membutuhkan iterasi (dalam backpropagation diistilahkan dengan epoch) yang banyak. Semoga tulisan ini bisa memudahkan pemahaman terhadap PPEPP dalam akreditasi program studi.
Dari SD kita sudah belajar membaca, menulis, berhitung, dan lain-lain. Saat belajar biasanya dimulai dari yang sederhana kemudian lanjut ke yang sulit. Hal tersebut wajar, karena jika langsung sulit dipastikan siswa akan ‘down’.
Waktu terus berjalan, teknologi berkembang, hingga munculah Artificial Intelligence (AI) yang memanjakan siswa. Waktu ada kalkulator pun guru sudah cemas dan khawatir, siswa kurang teliti dalam berhitung, apalagi jika ada AI?
Ternyata kalkulator, komputer, dan aplikasi-aplikasi vertikal (SPSS, rapidminer, dll) tidak membuat mahasiswa kurang kompeten. Alat-alat tersebut ternyata bisa juga dimanfaatkan untuk alat bantu memahami ilmu yang akan dipelajari. Sebagai contoh untuk yang belajar jaringan syaraf tiruan (JST) dalam memahami fenomena dapat menggunakan ChatGPT dan alat simulator lain (misalnya MATLAB).
Salah satu buku yang menurut saya menarik adalah buku karangan Englebrecht dalam membahas JST. Dia menerangkan konsep network dimulai dari satu neuron terlebih dahulu, umpan maju dan mekanisme learning. Dengan 1 neuron penjelasan lebih sederhana.
Beragam jenis JST diturunkan dari model di atas, yang diperkenalkan pertama kali oleh Pitt. Untuk jalur balik backpropagation dengan beragam learning rule sangat mudah dipelajari (SGD, Widrow-hoff, delta rule, dll).
Nah, dengan AI kita bisa dengan mudah mengimplementasikan model matematik tersebut untuk network dengan 1 neuron.
Perhatikan bagaimana Delta Rule melakukan perubahan bobot dan bias dibanding SGD dimana yang satu menggunakan error, SGD dengan gradien yang diambil dari derivatif/turunan sinyal output. Juga pada bagian bias-nya. Termasuk dengan chatGPT bisa juga langsung menanyakan grafik boundary, dengan Google Colab. Ini contoh untuk kasus penyelesaian logika AND, nah silahkan coba kasus lainnya. Di sini ternyata untuk logika XOR tidak bisa dengan 1 neuron.
Salah satu kendala pembaca paperless adalah hilangnya kesan membaca buku, dari aromanya, bolak-balik halaman, dan kesan-kesan lainnya yang ada pada buku kertas. Selain itu masalah terpenting adalah kesehatan mata. Berbeda dengan buku yang terlihat dengan memantulkan sinar, pada buku digital (paperless) yang dibaca lewat monitor LCD biasa sinar mengarah ke mata, walaupun sudah jenis yang paling nyaman sekalipun seperti layar AMOLED.
Saat ini e-reader yang memanfaatkan teknologi e-ink sepertinya mulai dicari. Hal ini karena prinsipnya yang menyerupai tulisan di kertas. Dari yang berjenis Kindle, KOBO yang ber sistem operasi sendiri, hingga Onyx, Meebooox, yang ber sistem operasi Android. Masing-masing punye kelemahan dan kelebihan masing-masing. Oiya, jika Anda belum memahami apa itu e-ink silahkan lihat video ini ketika Kindle ‘dihajar’ habis-habisan .. dan uniknya ketika kondisi sudah mati total, tinta elektroniknya masih mencetak lho.
Jika siang hari LCD membutuhkan sinar untuk menampilkan gambar, e-ink justru malah tidak perlu sinar karena prinsipnya yang mencetak tulisan/gambar di dinding layar. Sinar hanya berfungsi seperti lampu belajar yang menerangi buku, di e-reader berarti menerangi tulisan e-ink yang tercetak, jadi aman banget di mata. E-reader Android saat ini banyak dicari, tapi saya masih setia dengan Kindle karena ringan operasinya, mirip buku yang tidak perlu dicas. Baterai bisa tahan 2 bulanan karena memang minim proses di Kindle. Salah satu keluhan yakni tidak bisa reflow text dapat diatasi dengan mengkonversi terlebih dahulu di PC atau Laptop Anda. Jika sudah, Anda tinggal baca dengan nyaman, walau ribuan halaman, mata tidak capai. Lihat video ini yang mengilustrasikan bagaimana membaca paper ilmiah. Jenis bacaan ini membutuhkan persamaan matematis dan gambar/tabel yang jika dengan reflow text biasa hasilnya berantakan, tapi dengan k2pdfopt.exe yang memang diperuntukan untuk Kindle hasilnya ok, bahkan untuk paper 2 kolom tetap nyaman dibaca.
Kalau novel yang berisi hanya tulisan mudah saja, tinggal langsung dikirim ke Kindle online yg langsung mengkonversi menjadi MOBI, atau ekstensi lain standar Kindle. Untuk e-reader Android memang praktis tapi sepertinya sayang, boros energi, kalau hanya untuk dipakai membaca layaknya buku. Kecuali memang ingin membaca perpusnas, gramedia online, dan novel-novel online yang ada di playstore.
Kalau Paper? Tentu saja jatuhnya lebih mahal. Beberapa teman kadang lebih suka print sebelum dibaca tetapi masalahnya butuh biaya, kertas, tinta printer, seperti kasus saya yg macet tintanya dan harus sering-sering dibersihkan (head cleaning), dan barusan flushing karena mampet parah dengan cara seperti video berikut.
Rahmadya Trias Handayanto 