Memanfaatkan Zoom Cloud untuk Pembelajaran Jarak Jauh

Dalam upaya memutus mata rantai penyebaran COVID 19 di Indonesia, Presiden Joko Widodo mengumumkan kebijakan social distance, dimana masyarakat dihimbau untuk beraktivitas produktif dari rumah masing-masing. Hal ini disampaikan Presiden Jokowi dalam konferensi pers di Istana Bogor pada Senin (16 Maret 2020). "Kebijakan belajar dari rumah, bekerja dari rumah, dan ibadah dari rumah perlu terus digencarkan untuk mengurangi pengurangan penyebaran virus Covid-19," ujar Presiden Jokowi.

Untuk mendukung kebijakan bekerja dan belajar dari rumah, banyak aplikasi dan platform teknologi yang bisa digunakan. Beberapa diantaranya adalah Skype dari Microsoft, Connect Wise Control, Hangout dari Google, Cisco Webex dan tentu saja Zoom Clouds. Nah yang akan kita bahas saat ini adalah Zoom Clouds. Aplikasi Zoom Clouds merupakan aplikasi yang dengan fitur-fitur yang dimilikinya, mendukung model pembelajaran jarak jauh antara dosen atau guru dengan siswa-siswanya. Aplikasi yang merupakan jenis meeting online application dengan konsep screen sharing ini memungkinkan pengajar bertatap muka dengan siswanya sampai lebih dari 100 orang partisipan. Perangkat yang digunakan bisa PC atau laptop atau smartphone. Jadi dalam satu sesi, dosen atau guru bisa langsung mengajarkan materi kepada siswa-siswanya baik secara oral, ataupun menggunakan media bantu seperti power point atau yang lainnya.

Zoom sendiri dikembangkan sejak tahun 2011 oleh seorang insinyur kepala dari Cisco Systems dan unit bisnis kolaborasinya, WebEx. Pelopornya adalah Eric Yuan, lulusan Stanford University yang sebelumnya pernah menjabat wakil presiden bidang teknik di Cisco. Berama dengan David Berman dari WebEx, mereka meluncurkan layanan Zoom sejak Januari 2013, dan empat bulan berikutnya mengklaim sudah mendapatkan satu juta partisipan.

Zoom berkembang pesat dan banyak disukai penggunanya karena memiliki fitur yang cukup lengkap. Penggunaan aplikasi secara gratis diberikan cukup menarik dengan beberapa fitur seperti berikut:

• Mampu menampung hingga 100 partisipan 
• Jumlah pertemuan (meeting) tidak terbatas 
• Dapat melakukan share screen kepada semua partisipan sehingga siswa dapat melihat apapun yang dosen atau guru tampilkan di layar seperti slide power point, video pembelajaran dan lain-lain. 
• Meeting satu orang dengan satu orang dapat dilakukan tanpa pembatasan waktu. 

Meskipun demikian versi gratis ini memiliki kelemahan bahwa untuk sekali pertemuan (meeting) dalam satu kelompok dibatasi maksimal hanya sampai 40 menit saja. Jika membutuhkan waktu lebih, kita bisa mengulangnya dengan meeting baru.

Jika Anda tertarik menggunakan Zoom Cloud bisa mengunduh panduan berikut ini.
Download Panduan Zoom Clouds.

Atau berikut ini:
Download Cadangan

Read more »

Bahan Workshop Python & Machine Learning - Dies Natalis XVI FTI UKSW

Dalam Rangka Dies Natalis FTI UKSW XVI, Fakultas Teknologi Informasi UKSW menyelenggarakan Workshop Python & Machine Learning pada tanggal 26-27 September 2019.

Berikut adalah materinya (silahkan diunduh).

HARI 1
1. Dasar-Dasar AI dan Machine Learning - unduh disini
2. Cara Kerja Machine Learning - unduh disini
3. Python Introduction - unduh disini
4. Google Colab and Basic Python Coding - unduh disini

HARI 2
1.  Mengenal Library Python (unduh disini)
2.  Metode Regresi Linear (unduh disini)
3.  Metode Klasifikasi (unduh disini)
4.  Metode Clustering (unduh disini)

Unduh lain-lain
- Unduh Latihan 1 (Basic Python)
- Unduh Dataset Gaji - untuk Latihan

Suplemen pembelajaran juga dapat di lihat pada video berikut ini.

KONSEP AI DAN MACHINE LEARNING

- Pengantar AI: https://youtu.be/DLjuQuwfHlw - Sejarah dan Perkembangan AI: https://youtu.be/Kibn74NMWVM - Mengenal Machine Learning - https://www.youtube.com/watch?v=-G5-k... - Algoritma pada Machine Learning - https://youtu.be/f0sPXqlw464

PYTHON FOR MACHINE LEARNING

1.   Introduction to Python and ML - https://youtu.be/6tKZcF9mckQ
2.   Menggunakan Anaconda - https://youtu.be/YjxjXkXVKwE
3.   Menggunakan Jupyter Notebook - https://youtu.be/tg4KT1oN2js
4.   Menggunkaan Spyder - https://youtu.be/4jXIjjznHpg
5.   Aturan Penulisan Python - https://youtu.be/4xyXvDJr7tg
6.   Syntax Python - https://youtu.be/YRDEdpsj_9M
7.   Variabel pada Python - https://youtu.be/CkIvBLhzRHw
8.   Aturan Variabel pada Python - https://youtu.be/d3EFAGgEIJE
9.  Tipe Data pada Python - https://youtu.be/lDzmbOEvhIY
10. List dan Tupple - https://youtu.be/wrLWw-3GF7A
11. Tentang Numpy - https://youtu.be/EDjRyJdgoy4
12. Matriks - https://youtu.be/d6o5zcSeCYQ

Terima kasih..

Read more »

Telah Terbit: Buku Fundamental Of Python For Machine Learning, dilengkapi Video Pembelajaran

Artificial intelligence (AI) dan machine learning saat ini kembali memasuki fase booming setelah beberapa dekade mengalami pasang surut. Kecerdasan Buatan kembali digandrungi, dimana penerapannya dilakukan secara masive pada aplikasi-aplikasi bisnis dan social media jaman now seperti Facebook, Twitter, Google, Amazon, dan bahkan berbagai aplikasi besar dari Indonesia seperti Go-jek, Tokopedia, dan sebagainya.

Dari sisi Bahasa Pemrograman, Python menjadi salah satu pilihan terbaik untuk mengimplementasikan machine learning, mengingat kelengkapan library yang dibutuhkan untuk metode tersebut. Sejak di-release pada tahun 1991 bahasa pemrograman inipun berkembang pesat dan bahkan menjadi 3 besar most wanted bahasa pemrogaman bersama dengan Java dan Bahasa C/C#/C++.

Untuk itulah Penerbit Gava Media Yogyakarta akhirnya menerbitkan sebuah buku yang berjudul Fundamental of Python for Machine Learning : Dasar-Dasar Pemrograman Python untuk Machine Learning. Buku ini dirancang dengan struktur pembahasan yang meliputi 3 bagian besar yaitu

1. Konsep Machine Learning dan Kecerdasan Buatan
2. Dasar-Dasar Pemrograman Python untuk Machine Learning 
3. Penerapan Machine Learning Menggunakan Python 

Aplikasi machine learning meliputi beberapa algoritma baik Supervised maupun Unsupervised Learning. Beberapa studi kasus dibahas secara lengkap dari pemahaman algoritma, mengolah dataset sampai pada training dan testing serta visualisasi hasil dari model machine learning yang dikembangkan.

Buku ini juga dilengkapi dengan video pembelajaran pada channel Youtube The W Channel. Berikut adalah beberapa video yang telah disiapkan:

1. Introduction - https://youtu.be/6tKZcF9mckQ
2. Menggunakan Anaconda - https://youtu.be/YjxjXkXVKwE
3. Menggunakan Jupyter Notebook - https://youtu.be/tg4KT1oN2js
4. Menggunkaan Spyder - https://youtu.be/4jXIjjznHpg
5. Aturan Penulisan Python - https://youtu.be/4xyXvDJr7tg
6. Syntax Python - https://youtu.be/YRDEdpsj_9M
7. Variabel pada Python - https://youtu.be/CkIvBLhzRHw
8. Aturan Variabel pada Python - https://youtu.be/d3EFAGgEIJE
9. Tipe Data pada Python - https://youtu.be/lDzmbOEvhIY
10. List dan Tupple - https://youtu.be/wrLWw-3GF7A
11. Tentang Numpy - https://youtu.be/EDjRyJdgoy4
12. Matriks - https://youtu.be/d6o5zcSeCYQ

Saat ini masih dilakukan pembuatan video lanjutannya.

Berikut adalah Profil lengkap Buku:

• Judul Buku : Fundamental of Python for Machine Learning : Dasar-Dasar Pemrograman Python untuk Machine Learning.
• Penulis : Teguh Wahyono
• Ukuran : 16 x 23 cm
• Tebal : x + 150 hal
• ISBN : 9786025568404
• Tahun : Desember 2018
• Harga : 59.000 (Pulau Jawa)

Referensi:

1. Penerbit Gava Media Yogyakarta
2. Tokopedia

Read more »

[Artificial Intelegence] Time Series Forecasting: dari Statistik ke Supervised Learning

Data time series adalah data-data yang disusun menurut runtun waktu pada periode tertentu. Bisa harian, mingguan, bulanan, atau yang lainnya. Misalnya, data penjualan barang secara harian dalam satu tahun, data fluktuasi harga saham selama 1 tahun, data cuaca dalam jangka waktu tertentu dan sebagainya. Seperti contoh pada gambar di bawah adalah data time series suhu rata-rata harian Kota semarang selama 5 tahun.

Berbagai Jenis Data Time Series

Berdasarkan variasi datanya, data time series terdisi dari beberapa jenis yaitu data yang bersifat trend, cyclical, seasonal dan irregular/random. 

Komponen Data Time Series (Sumber: ITfeatures)

Penjelasan:

• Data Trend adalah kondisi data time series dimana data memiliki kecenderungan naik kecenderungan turun dari waktu ke waktu.  Trend naik misalnya data pendapatan per kapita, data jumlah penduduk.  
• Data Seasonal adalah data yang muncul secara reguler dan mempunyai pola tetap dari waktu ke waktu.  Contoh data ini seperti data iklim, data penjualan pakaian (cenderung meningkat dan menurun opada kondisi tertentu), dan sebagainya.  
• Data Cyclical hampir sama dengan musiman, tetapi gerak siklis mempunyai jarak waktu muncul dan sebab yang berbeda-beda, yang tidak pasti dimengerti.  Contohnya adalah industri mobil yang memiliki gerakan siklis 5 tahun, sedangkan konstruksi bangunan mempunyai gerakan siklis antara 15-20 tahun.  
• Data Random atau Irregular memiliki gerakan yang  tidak teratur sehingga sulit diprediksi. Kondisi ini dipengaruhi oleh misalnya kejadian bencana alam, perang atau sebab-sebab tidak terduga lainnya.  

Model Prediksi Berbasis Statistik

Seiring dengan perkembangan ilmu statistik, data-data time series ini dikembangkan untuk membuat model prediksi atau peramalan. Peramalan untuk nilai-nilai masa depan yang didasarkan pada kondisi masa lampau dari data-data time-series tersebut.   Ilmu statistik mengembangkan peramalan menggunakan data time series dengan teknik pemulusan (smoothing), dekomposisi (decomposition) dan regresi.

• Teknik pemulusan melakukan prediksi dengan mendasarkan pada prinsip rata-rata dari kesalahan masa lalu (averaging smoothing past errors). Metode ini menambahkan nilai ramalan sebelumnya dengan persentase kesalahan antara actual value dengan forecasting value.  
• Teknik dekomposisi melakukan prediksi dengan membagi data time series menjadi beberapa komponen baik dari trend, cyclic, seasonal dan random, selanjutnya mengkombinasikan prediksi dari komponen-komponen tersebut.  
• Teknik Regresi merupakan metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih variabel. Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis sehingga dapat digunakan untuk melakukan prediksi.

Model Prediksi Berbasis Machine Learning

Ilmu komputasi modern mengembangkan model prediksi menggunakan pengenalan pola atau pattern recognition. Ilmu itulah yang dikenal dengan machine learning, yaitu mesin yang mampu belajar dari pola-pola data yang diberikan kepadanya. Salah satu metode belajarnya adalah Supervised learning (pembelajaran yang terarah atau diawasi). Dengan model tersebut akurasi prediksi dari data time-series dapat ditingkatkan secara signifikan.

Permasalahan yang muncul adalah bagaimana melakukan transformasi model peramalan data time series dari statistik univariat dan multivariat ke data yang bisa diolah secara supervised learning? Mengingat bahwa data supervised membutuhkan data yang berlabel.  

Berikut adalah gambaran konversi yang bisa dilakukan.

Transformasi Data

Supervised learning memiliki karakteristik pola input (X) dan pola output (Y), sehingga algoritma dapat belajar bagaimana memprediksi pola output dari pola input.

Bagaimana melakukan Transformasi?

Bahasa Phyton memiliki fungsi utama untuk membantu mengubah data deret waktu menjadi model Supervised Learning yaitu fungsi Pandas shift(). Dengan adanya DataFrame, fungsi shift() dapat digunakan untuk membuat salinan kolom yang forward ke depan (baris dari nilai NaN yang ditambahkan ke depan) atau ditarik kembali (baris nilai NaN ditambahkan ke bagian akhir). Ini adalah perilaku yang dibutuhkan untuk membuat kolom menjadi dataset time series dalam format supervised learning. Perhatikan contoh di bawah ini.

Dari data di atas bisa di konversi menjadi dua kolom dengan menggunakan fungsi shift() seperti berikut ini.

Bersambung..

Literatur :

• Time Series Forecasting (Medium.Com) 
• Machine Learning Mastery
• IT Features

Read more »

[Python for Machine Learning] Contoh Prediksi Sederhana dengan Simple Regresi Linear

Ada banyak cara melakukan prediksi menggunakan machine learning. Salah satunya yang paling sederhana adalah menggunakan Regresi Linear.

Simple Regresi Linear adalah salah satu metode yang biasa digunakan untuk menguji sejauh mana hubungan sebab akibat antara dua buah variabel. Kedua variabel tersebut sering disebut sebagai variabel faktor penyebab (X) terhadap variabel akibat (Y). Variabel X seringkali disebut sebagai Predictor, sedangkan variabel Y sering kali disebut sebagai Response.

Simple Regresi Linear seringkali dipergunakan untuk melakukan prediksi atau peramalan baik tentang karakteristik baik yang bersifat kualitas maupun yang kuantitas.  Selanjutnya model persamaan Simple Regresi Linear adalah seperti berikut ini :

Y = a + bX

Dimana :

• Y = variabel akibat atau response yang juga disebut sebagai dependent variable.
• X = variabel penyebab atau predictor yang juga merupakan independent variable. 
• a  = konstanta
• b = koefisien regresi, yaitu besaran response yang ditimbulkan oleh predictor.

Berikut adalah studi kasus sederhana untuk membuat machine learning dengan menerapkan metode Simple Regresi Linear.  Sebuah penelitian dilakukan untuk mengetahui pengaruh biaya promosi terhadap pendapatan penjualan sebuah perusahaan.  Simple regresi linear akan digunakan untuk memprediksi nilai penjualan yang akan diperoleh berdasarkan beaya promosi yang dikeluarkan. Disamping itu hasil machine learning juga akan bisa melihat korelasi antara Biaya Promosi  dengan nilai penjualan yang diperoleh. Output lain yang bisa diperoleh adalah grafik korelasinya antara kedua variabel tersebut.

Berikut adalah kode-kode programnya.

Bacaan lengkap tentang topik ini ada di buku Fundamental of Python for Machine Learning, Penerbit Gava Media Yogyakarta, 2018.

Read more »

[Python for AI] Instalasi Python Menggunakan Anaconda

Jika Anda akan menggunakan bahasa pemrograman Python, maka Anaconda adalah salah satu paket idola karena di dalamnya sudah berisi berbagai tools untuk melajalankan Python seperti Spyder dan Jupyter Notebook. Sehingga   kita tidak harus menginstalnya secara terpisah-pisah. Anaconda (Anaconda Distribution) dibuat oleh Continuum, dapat digunakan secara gratis, memiliki banyak package dan tool termasuk Python distribution di dalamnya.  Conda memiliki package management system dan environment management system untuk mempermudah pengelolaanya. Distribusi ini dapat beroperasi pada sistem operasi Windows, Linux, OS X dan Windows. Tadinya ini dibuat untuk membuat package untuk Python, sekarang ia bisa melakukan itu untuk software lainnya.

Unduh Installer Anaconda

Instalasi Anaconda bisa dilakukan dengan mengunduh installer-nya terlebih dahulu di website repo continuum (https://repo.continuum.io/archive). Pada repository tersebut Anda bisa memilih versi Anaconda sesuai kebutuhan, tentunya disesuaikan dengan versi Python yang diinginkan. Sebagai contoh yang akan diinstall ini menggunakan Anaconda 3 versi 4.2.0 untuk Windows 64 bit. Gambar di bawah menujukkan installer yang telah berhasil di unduh.

Proses Instalasi

Setelah mengunduh dan mendapatkan master instalasi, berikut adalah langkah-langkah yang harus dilakukan.

• Double klik installer Anaconda seperti yang ada pada di atas, dan akan muncul tampilan seperti di bawah ini.

• Klik tombol Next untuk melanjutkan proses dan selanjutnya akan tampil kotak Licence Agreement seperti di bawah ini.

• Bacalah terlebih dahulu poin-poin yang ada di dalam kotak License Agreement, dan jika Anda setuju, tekan tombol I Agree untuk melanjutkan. 

• Kotak dialog yang tampil berikutnya seperti pada gambar di atas adalah kotak pemilihan tipe instalasi. Disarankan pilih default saja atau All User (tipe instalasi untuk semua user dalam komputer). Setelah itu tekan Next dan akan muncul tampilan untuk memilih Destinaton Folder atau folder lokasi instalasi.
• Anda bisa memilih lokasi instalasi dengan menekan tombol Browse. Tetapi jika tidak ada kebutuhan khusus, disarankan untuk membiarkan pilihan default saja, yaitu melakukan instalasi pada folder Program Files.
• Setelah memilih folder lokasi instalasi, tekan tombol Next dan akan muncul kotak dialog Advanced Installation Options sebagai berikut.

• Untuk opsi instalasi di atas, juga disarankan untuk membiarkannya default saja dengan memilih 2 opsi yang disediakan. Selanjutnya klik tombol Install.
• Proses instalasi berjalan, tunggu sampai selesai prosesnya.

• Selanjutnya setelah instalasi selesai, Anda bisa mencoba membuka Anaconda Navigator pada start menu windows. 

Jika Navigator terbuka seperti pada gambar di atas, maka instalasi telah berhasil, tetapi  jika tidak perlu di cek apakah proses instalasi sudah dilakukan dengan benar.

Read more »