Kang Ghani

Cara Mengatasi Explorer Keluar Sendiri atau Not Responding setelah Klik Kanan pada Quick Access

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 10 Mar 2021 23:34:00 +0000

Permasalahannya adalah ketika klik kanan di Quick Access maka Explorer akan keluar sendiri atau kalau enggak ya not responding. Ini juga terjadi ketika klik kanan lalu open in new windows.

Sebenarnya permasalahan ini sudah lama saya alami tapi saya menghiraukannya karena masih bisa dilakukan dengan cara yang lain, tapi ga tau kenapa ada terbesit buat ngebenerinnya.

Setelah mencari-cari di internet ketemulah satu pertanyaan dan jawaban di halaman support forum Microsoft. Penyebabnya adalah bisa jadi karena service diluar sistem Windows atau context menu yang rusak.

Jadi untuk mengatasinya inilah yang saya lakukan berdasarkan dari petunjuk support Microsoft:

Tekan Windows + R, ketik msconfig, tekan Enter.
Hilangkan centang Load Startup Items.
Klik tab Services.
Centang Hide All Microsoft Services.
Klik Disable All.
Apply, Ok, dan restart.

Sekarang coba klik kanan di Quick Access apakah sudah bisa atau belum.

Kalau saya sendiri sih belum, maka yg saya lakukan selanjutnya adalah:

Download ShellExView.
Klik pada kolom Company agar terurut berdasarkan pembuatnya.
Pilih semua baris kecuali Company Microsoft.
Klik dot merah ata klik kanan Disable All.
Restart.

Sampai di sini dicoba kembali klik kanan pada Quick Access apakah masih keluar sendiri atau tidak.

Kalau saya sendiri alhamdulillah sudah bisa, sudah normal kembali.

Kalau temen-temen juga sudah normal maka selanjutnya adalah mengaktifkan kembali baris yang kemungkinan normal yg tadi di-disable lalu restart. Kalau setelah diaktifkan kembali tapi masalahnya muncul kembali, maka baris tersebutlah yang bikin error, disable kembali baris tersebut dan restart.

Terimakasih yang sudah membaca.

Cara Mengatasi Stuck saat Login atau Install Adobe Creative Cloud

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 09 Mar 2021 12:37:00 +0000

Jadi ceritanya ada update terbaru dari aplikasi Adobe Illustrator yg sering saya pakai untuk freelance, namun saat saya cek ternyata dari dulu saya installnya di hard disk, bukan di SSD, pantas saja kadang suka lelet buat buka nya, maka dari itu saya pengen fresh install lagi semuanya, termasuk aplikasi Adobe Creative Cloudnya buat diinstall di SSD.

Sebelum fresh install saya hapus semua aplikasi Adobe yang ada, termasuk preferencesnya dan aplikasi backgroundnya. Untuk menghapus semuanya saya pakai bantuan AdobeCreativeCloudCleanerTool. Namun tetap masih ada file bawaannya yg tertinggal, ini saya hapus secara manual.

Saya download online installer creative cloud, menjalankannya, login seperti biasa. Nah masalahnya muncul disini, login loading loop-nya ga berhenti-berhenti padahal email password sudah benar dan internet pun lancar.

Saya coba hapus file yg ada di AppData tapi masih stuck, loopnya ga berhenti. Coba pakai offline installer Creative Cloud tapi masih tetep ga bisa login.

Coba install browser Chrome biar loginnya dari sana, tapi masih tetep error, ditulisannya sih You've successfully signed in. Feel free to close this browser tab and return to where you previously left off. Tapi tetep ga ngelanjutin ke aplikasinya. Coba klik If your browser is not responding, sign in here, tapi sama saja ga bisa, ga ada respon.

Akhirnya cari sana-sini dapet deh clue-nya, yaitu ada di Registry, kemungkinan hasil dari hapus semua data Adobe mengakibatkan registry-nya error atau rusak.

Jadi yg saya lakukan untuk mengatasi login loop yang ga berhenti-berhenti saat install Adobe Creative Cloud adalah dengan:

Hapus manual semua data adobe yg masih ada, seperti di AppData, Program Files, dan lainnya kalau masih ada.
Pakai CCleaner yg versi free, scan registry, lalu Fix semuanya.
Buka installer Adobe Creative Cloud
Sekarang sudah bisa login dan memulai instalasi, Selesai deh.

Terimakasih yg sudah membaca, semoga bermanfaat.

Mengenal List, Tuple, Set, dan Dictionary di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 02 Mar 2021 02:43:00 +0000

Terdapat 4 macam tipe data di Python yang bisa digunakan untuk memasukkan banyak data ke dalam satu variabel (Array), yaitu List, Tuple, Set, dan Dictionary. Pada postingan ini kita akan mengetahui perbedaannya, kegunaan dan operasi yang bisa dilakukan dengan masing-masing tipe data tersebut.

List

Data pada List bersifat tersusun, index dari List dimulai dari 0, jika ada data tambahan maka data tersebut akan disimpan ke urutan paling akhir.

List dibuat menggunakan tanda kurung siku.

iniList = ["Tasik" , "Bandung", "Jakarta"]

# menampilkan List
print(iniList) 
# hasil : ['Tasik', 'Bandung', 'Jakarta']

# tampilkan nilai  index pertama
print(iniList[1]) 
# hasil : Bandung

# tampilkan jumlah element
print(len(iniList)) 
# hasil : 3

# cek tipe data
print(type(iniList)) 
# hasil : <class 'list'>

Data pada List dapat berisi nilai duplikat dan dapat diubah, itu berarti kita bisa menambahkan data, mengubah data, dan menghapus data.

iniList = ["Tasik" , "Bandung" , "Jakarta" , "Medan" , "Palembang" , "Palembang"]

# mengubah nilai List index 0
iniList[0] = "Tasikmalaya"
print(iniList)
# hasil : ['Tasikmalaya', 'Bandung', 'Jakarta', 'Medan', 'Palembang', 'Palembang']

# menghapus nilai List di index tertentu, misal index 1
iniList.remove(iniList[1])
print(iniList)
# hasil : ['Tasikmalaya', 'Jakarta', 'Medan', 'Palembang', 'Palembang']

# menghapus nilai List tertentu
iniList.remove("Palembang")
print(iniList)
# hasil : ['Tasikmalaya', 'Jakarta', 'Medan', 'Palembang']

# menambahkan nilai List
iniList.append("Jogjakarta")
print(iniList)
# hasil : ['Tasikmalaya', 'Jakarta', 'Medan', 'Palembang', 'Jogjakarta']

# menambahkan  nilai List di index tertentu, misal index 1
iniList.insert(1, "Semarang")
print(iniList)
# hasil : ['Tasikmalaya', 'Semarang', 'Jakarta', 'Medan', 'Palembang', 'Jogjakarta']

# menambahkan nilai List per-element
iniList.extend(["Ciamis" , "Banjar"])
print(iniList)
# hasil : ['Tasikmalaya', 'Semarang', 'Jakarta', 'Medan', 'Palembang', 'Jogjakarta', 'Ciamis', 'Banjar']

List bisa berisi dengan tipe data yang berbeda-beda.

iniList = ["Tasikmalaya" , 23 , True]
print(iniList)
# hasil : ['Tasikmalaya', 23, True]

Tuple

Data pada Tuple bersifat tersusun, indexnya dimulai dari 0, dan datanya tidak bisa diubah.

Tuple dibuat dengan menggunakan tanda kurung biasa.

iniTuple = ("Bandung" , "Garut" , "Tasikmalaya" , "Ciamis" , "Banjar")

# menampilkan Tuple
print(iniTuple) # hasil : ('Bandung', 'Garut', 'Tasikmalaya', 'Ciamis', 'Banjar')

# tampilkan nilai index pertama
print(iniTuple[1]) 
# hasil : Garut

# tampilkan jumlah element
print(len(iniTuple)) 
# hasil : 5

# cek tipe data
print(type(iniTuple)) 
# hasil : <class 'tuple'>

Tuple bisa berisi dengan tipe data yang berbeda-beda dan bisa berisi data yang duplikat.

iniTuple = ("Tasikmalaya" , "Tasikmalaya" , 23 , True)
print(iniTuple)
# hasil : ('Tasikmalaya', 'Tasikmalaya', 23, True)

Set

Data pada Set bersifat tidak tersusun, tidak memiliki index, tidak bisa menyimpan data yang duplikat dan datanya tidak bisa diubah.

Set dibuat dengan menggunakan tanda kurung kurawal.

iniSet = {"Bandung" , "Garut" , "Tasikmalaya" , "Ciamis" , "Banjar"}

# menampilkan Set
print(iniSet)
# hasil : {'Ciamis', 'Banjar', 'Bandung', 'Garut', 'Tasikmalaya'}

# menampilkan jumlah element
print(len(iniSet)) 
# hasil : 5

# menampilkan tipe data
print(type(iniSet)) 
# hasil : <class 'set'>

Set dapat menyimpan tipe data yang berbeda-beda.

iniSet = {"Tasikmalaya" , 23 , True}
print(iniSet)
# hasil : {'Tasikmalaya', True, 23}

Dictionary

Dictionary digunakan untuk menyimpan data dengan format perpasangan {key : value}. Sifatnya tersusun, dapat diubah, dan tidak dapat menyimpan data yang duplikat.

Dictionary dibuat dengan tanda kurung kurawal serta memiliki pasangan key : value.

Dictionary bisa memuat berbagai macam tipe data.

iniDictionary = {
    "Nama" : "Irfan",
    "Umur" : 23,
    "Alamat" : "Tasik",
    "Pelajar" : True,
    "Hobi" : ["Gambar" , "Baca" , "Nulis"]
}

# menampilkan dictionary
print(iniDictionary)
# hasil : {'Nama': 'Irfan', 'Umur': 23, 'Alamat': 'Tasik', 'Pelajar': True, 'Hobi': ['Gambar', 'Baca', 'Nulis']}

# menampilkan nilai key : Nama
print(iniDictionary["Nama"])
# hasil : Irfan

# edit data Nama
iniDictionary["Nama"] = "Irfan Muhammad Ghani"
print(iniDictionary)
# hasil : {'Nama': 'Irfan Muhammad Ghani', 'Umur': 23, 'Alamat': 'Tasik', 'Pelajar': True, 'Hobi': ['Gambar', 'Baca', 'Nulis']}

# menghapus pasangan
iniDictionary.pop("Pelajar")
print(iniDictionary)
# hasil : {'Nama': 'Irfan Muhammad Ghani', 'Umur': 23, 'Alamat': 'Tasik', 'Hobi': ['Gambar', 'Baca', 'Nulis']}

# menambahkan pasangan baru
iniDictionary["Pelajar"] = True
print(iniDictionary)
# hasil : {'Nama': 'Irfan Muhammad Ghani', 'Umur': 23, 'Alamat': 'Tasik', 'Hobi': ['Gambar', 'Baca', 'Nulis'], 'Pelajar': True}

# menampilkan Hobi index pertama
print(iniDictionary["Hobi"][0])
# hasil : Gambar

# menampilkan tipe data
print(type(iniDictionary))
# hasil : <class 'dict'>

Kesimpulan

Dari penjelasan di atas, bisa kita simpulkan dengan tabel di bawah:

Tipe	Tersusun	Edit Data	Data Duplikat	Campur Tipe Data	Pembuatan Dengan
List	✅	✅	✅	✅	[ ]
Tuple	✅	❌	✅	✅	( )
Set	❌	❌	❌	✅	{ }
Dictionary	✅	✅	❌	✅	{key:value}

Mengenal Operator di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Mon, 01 Mar 2021 03:20:00 +0000

Untuk melakukan operasi kepada variable dan nilai diperlukan suatu operator. Misal untuk penjumlahan kita menggunakan tanda plus ( + ).

Operator di Python dibagi menjadi:

Operator aritmatika.
Operator assignment.
Operator perbandingan.
Operator logika.
Operator identitas.
Operator membership.
Operator bitwise.

Operator Aritmatika Python

Operator aritmatika digunakan untuk melakukan operasi matematika pada nilai numerik.

Operator	Nama	Contoh
+	Penjumlahan	x + y
-	Pengurangan	x - y
*	Perkalian	x * y
/	Pembagian	x / y
%	Sisa hasil bagi	x % y
**	Pangkat	x ** y
//	Membagi dengan hasil bulat	x // y

Contoh:

x = 5
y = 2

print(x + y) # 7
print(x - y) # 3
print(x * y) # 10
print(x / y) # 2.5
print(x % y) # 1
print(x ** y) # 25
print(x // y) # 2

Operator Assignment Python

Operator assignment digunakan untuk memasukkan nilai kepada variabel.

Operator	Contoh	Sama Seperti
=	x = 5	x = 5
+=	x += 3	x = x + 3
-=	x -= 3	x = x - 3
*=	x *= 3	x = x * 3
/=	x /= 3	x = x / 3
%=	x %= 3	x = x % 3
//=	x //= 3	x = x // 3
**=	x **= 3	x = x ** 3
&=	x &= 3	x = x & 3
\|=	x \|= 3	x = x \| 3
^=	x ^= 3	x = x ^ 3
>>=	x >>= 3	x = x >> 3
<<=	x <<= 3	x = x << 3

Operator Perbandingan Python

Operator perbandingan digunakan untuk membandingkan dua nilai, hasilnya adalah nilai True atau False.

Operator	Nama	Contoh
==	Sama	x == y
!=	Tidak Sama	x != y
>	Lebih dari	x > y
<	Kurang dari	x < y
>=	Lebih dari sama dengan	x >= y
<=	Kurang dari sama dengan	x <= y

Contoh:

x = 5
y = 10
print(x == y) # False
print(x != y) # True
print(x > y) # False
print(x < y) # True
print(x >= y) # False
print(x <= y) # True

Operator Logika Python

Operator logika digunakan untuk menggabungkan kondisi bersyarat dan menghasilkan nilai True atau False.

Operator	Deskripsi	Contoh
and	Bernilai True apabila kondisi keduanya benar	x < 5 and x < 10
or	Bernilai True apabila salah satu atau keduanya benar	x < 5 or x < 4
not	Membalikkan hasil	not(x < 5 and x < 10)

Contoh:

x = 5
print(x < 5 and x < 10) # Fa;se
print(x < 5 or x < 10) # True
print(not(x < 5 and x < 10)) # True

Operator Identitas

Operator identitas digunakan untuk membandingkan object, apakah object satu dengan lainnya berisi object yang sama dan memiliki lokasi memori yang sama.

Operator	Deskripsi	Contoh
is	Bernilai True apabila kedua variable memiliki objek yang sama	x is y
is not	Bernilai True apabila kedua variable tidak memiliki objek yang sama	x is not y

Contoh:

x = ["Irfan","Muhammad"]
y = ["Irfan","Muhammad"]
z = x

print(x is y) # false
print(x is z) # true
print(x == y) # true

Operator Membership

Operator membership digunakan untuk mengecek apakah suatu nilai terdapat di dalam suatu array.

Operator	Description	Example
in	Bernilai True apabila nilai tertentu terdapat pada suatu array.	x in y
not in	Bernilai True apabila nilai tertentu tidak terdapat pada suatu array	x not in y

Contoh:

x = ["Irfan","Muhammad"]
print("Irfan" in x) # true

Operator Bitwise

Operator bitwise digunakan untuk membandingkan nilai biner.

Operator	Nama	Deskripsi
&	AND	Menghasilkan nilai 1 apabila keduanya bernilai 1
\|	OR	Menghasilkan nilai 1 apabila salah satu atau keduanya bernilai 1
^	XOR	Menghasilkan nilai 1 apabila salah satunya bernilai 1
~	NOT	Membalikkan nilai bit
<<	Shift left	Menggeser biner ke kiri
>>	Shift right	Menggeser biner ke kanan

Contoh:

print(bin(0b111 & 0b101)) # hasil 0b101
print(bin(0b111 | 0b101)) # hasil 0b111
print(bin(0b111 ^ 0b101)) # hasil 0b10
print(bin(~0b101)) # hasil -0b110
print(bin(0b100 << 0b10)) # biner 0b100 digeser sebanyak 2 bit ke kanan (0b10 = 2), hasil 0b10000
print(bin(0b100 >> 0b10)) # biner 0b100 digeser sebanyak 2 bit ke kiri (0b10 = 2), hasil 0b1

Operasi pada Strings di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Sat, 27 Feb 2021 23:00:00 +0000

Untuk memasukkan nilai string kita bisa menggunakan tanda kutip satu ( ' ) atau tanda kutip dua ( " ).

x = "Irfan Muhammad Ghani"

Selain memasukkan nilai string secara satu baris, kita juga bisa memasukkan nilai string dengan baris lebih dari satu dengan menggunakan tanda kutip 3x.

x = """Nama saya Irfan Muhammad Ghani
Hanya seorang manusia biasa"""
print(x)

String adalah Array

String atau teks di Python adalah suatu array. Python tidak memiliki tipe data character, yang ada adalah string dengan panjang 1.

Index dari string dimulai dari 0, misal untuk mengambil huruf pertama pada string bisa dengan:

x = "Hey, Saya Irfan"
print(x[0]) # output: H

Looping pada String

Karena string adalah suatu array, kita bisa melakukan perulangan pada sebuah string menggunakan perulangan for.

for x in "Irfan":
    print(x)

Output:

I
r
f
a
n

Mendapatkan Nilai Panjang String

Untuk mengetahui panjang dari string, bisa menggunakan len().

x = "Hey, Saya Irfan"
print(len(x)) # output: 15

Cek Keberadaan Kata pada String

Kita bisa mengecek keberadaan suatu kata atau rangkaian karakter pada suatu string dengan:

txt = "Nama saya Irfan Muhammad Ghani"
print("Irfan" in txt)

# atau dengan percabangan
cek = "Muhammad"
if cek in txt:
    print(cek, "ada di txt yang berisi", txt)

Output:

True
Muhammad ada di txt yang berisi Nama saya Irfan Muhammad Ghani

Kita juga bisa mengecek ketidakberadaan kata dengan menambahkan not sebelum in.

txt = "Nama saya Irfan Muhammad Ghani"
print("Irfan" not in txt)

# atau dengan percabangan
cek = "Dodit"
if cek not in txt:
    print(cek, "tidak ada di txt yang berisi", txt)

Memotong String

Kita bisa memotong atau mengambil bagian tertentu dari suatu string.

Untuk mengambil karakter dari depan ke posisi tengah (3):

a = "Irfan"
print(a[:3]) # output: Irf

Untuk mengambil karakter dari posisi tengah (3) sampai akhir:

a = "Irfan"
print(a[3:]) # output: an

Untuk mengambil dari rentang tertentu misal dari 2 ke 6:

a = "Muhammad"
print(a[2:6]) # output: hamm

Split

Kita bisa memisahkan string dengan suatu separator. Misal separatornya adalah spasi:

a = "Irfan Muhammad Ghani"
print(a.split(" ")) # output: ['Irfan', 'Muhammad', 'Ghani']

Upper Case dan Lower Case

Untuk membuat karakter string menjadi upper case atau huruf besar semua, bisa menggunakan upper() dan untuk membuat karakter menjadi lower case atau huruf kecil semua, bisa menggunakan lower().

a = "Irfan Muhammad Ghani"
print(a.upper()) # output: IRFAN MUHAMMAD GHANI
print(a.lower()) # output: irfan muhammad ghani

Menghapus Whitespace

Untuk menghapus spasi di awal dan atau di akhir string, bisa menggunakan strip().

a = "           Irfan   "
print(a.strip()) # output: Irfan

Mengganti String

Untuk mengganti kata atau susunan karakter tertentu, bisa menggunakan replace().

a = "Tasikmalaya"
print(a.replace("malaya", "mahgaya")) # output: Tasikmahgaya

Menggabungkan String

Untuk menggabungkan string, bisa dengan menggunakan operator +.

x = "Irfan"
y = "Muhammad"
z = "Ghani"
print(x + " " + y + " " + z) # output: Irfan Muhammad Ghani

Memasukkan Karakter yang Tidak Bisa dimasukkan ke String

Contohnya seperti di bawah ini, akan ada error karena terdapat tanda petik yang diapit oleh dua tanda petik:

print("Mereka disebut penguasa "Shadow Economy" dari China")

Maka untuk mengatasinya adalah dengan menggunakan backslash ( \ ) lalu diikuti karakter yang tidak bisa dimasukkan.

print("Mereka disebut penguasa \"Shadow Economy\" dari China")

Mengenal Tipe Data di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Fri, 26 Feb 2021 23:00:00 +0000

Di pemrograman, tipe data merupakan hal yang penting. Variabel dapat menyimpan data dengan berbagai macam tipe, dan macam-macam tipe tersebut memiliki kegunaannya masing-masing.

Tipe Data Bawaan Python

Berikut adalah tipe data bawaan yang terdapat pada Python:

Teks	str
Angka	int, float, complex
Koleksi (Array)	list, tuple, range, dict, set
Boolean	bool
Binary	bytes, bytearray, memoryview

Mengatur Tipe Data

Kita tidak perlu mendeklarasikan/mengatur tipe data pada suatu variabel. Tipe data akan diatur secara otomatis ketika memberikan sebuah nilai kepadanya.

Tipe Data	Contoh
str	x = "Irfan Muhammad Ghani"
int	x = 23
float	x = 23.5
complex	x = 2j
list	x = ["Bandung", "Jakarta", "Semarang"]
tuple	x = ("Bandung", "Jakarta", "Semarang")
range	x = range(5)
dict	x = {"nama" : "Irfan", "umur" : "23"}
set	x = {"Bandung", "Jakarta", "Semarang"}
frozenset	x = frozenset({"Bandung", "Jakarta", "Semarang"})
bool	x = True
bytes	x = b"Hello"
bytearray	x = bytearray(5)
memoryview	x = memoryview(bytes(5))

Mengatur Tipe Data Spesifik

Karena Python secara otomatis mengatur tipe data dari suatu variabel, jika kita ingin menentukannya secara spesifik (casting) kita bisa menggunakan fungsi:

Tipe Data	Contoh
str	x = str("Irfan Muhammad Ghani")
int	x = int(23)
float	x = float(23.5)
complex	x = complex(2j)
list	x = list(("Bandung", "Jakarta", "Semarang"))
tuple	x = tuple(("Bandung", "Jakarta", "Semarang"))
range	x = range(5)
dict	x = dict({nama = "Irfan", umur = 23})
set	x = set(("Bandung", "Jakarta", "Semarang"))
frozenset	x = frozenset(("Bandung", "Jakarta", "Semarang"))
bool	x = bool(0)
bytes	x = bytes(0)
bytearray	x = bytearray(5)
memoryview	x = memoryview(bytes(5))

Fungsi tersebut digunakan juga untuk mengkonversi tipe data, misal dari integer ke string:

x = 23
y = "umur "
z = y + str(x)
print(z)

# Output: umur 23

Mengenal Variabel di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Thu, 25 Feb 2021 23:00:00 +0000

Pada artikel ini kita akan mengetahui apa itu variabel di Python, bagaimana membuat suatu variabel, bagaimana tata penulisan variabel, bagaimana memasukkan nilai kedalam suatu variabel, mengetahui perbedaan variabel global dan variabel lokal, dan bagaimana menampilkan nilai dari suatu variabel.

Variabel

Variabel adalah tempat untuk menyimpan suatu nilai.

Membuat Variabel

Python tidak memiliki perintah untuk mendeklarasikan sebuah variabel.

Sebuah variabel dibuat ketika kita memasukkan suatu nilai kepadanya.

Contoh:

i = 1
j = 5
print(i)
print(j)

Kita tidak perlu mendeklarasikan tipe suatu variabel, dan bahkan tipe suatu variabel bisa berubah setelah mengganti nilainya.

Contoh:

i = 1
print(i)
i = "Irfan" # sekarang menjadi string
print(i)

Case Sensitive

Nama dari suatu variabel bersifat case sensitive, huruf a dan A adalah variabel yang berbeda.

Contoh:

a = 2
A = 4
print(a)
print(A)

Output:

2
4

Penamaan Variabel

Sebuah variabel dapat menggunakan nama yang pendek (seperti i atau j) atau dengan nama yang lebih deskriptif (seperti jumlah, nama, tanggalLahir, dsb). Terdapat aturan penamaan pada Python:

Harus diawali dengan huruf atau underscore.
Tidak bisa diawali oleh angka.
Hanya menggunakan karakter alpha-numeric dan underscore (A-z, 0-9, dan _).
Case sensitive (umur dan Umur adalah variabel yang berbeda).
Jangan ada spasi.

Contoh benar:

umur = 23
umur_pengguna = 23
_umur_pengguna = 23
umurPengguna = 23
UMURPENGGUNA = 23
umurpengguna = 23

Contoh salah:

1umurpengguna = 23
umur-pengguna = 23
umur pengguna = 23

Penulisan Nama Variabel yang Panjang

Biasanya nama variabel yang panjang ditulis sedimikan rupa agar mudah dalam pembacaannya. Biasanya mengacu pada 3 jenis ini:

# Camel Case
umurPengguna = 23

# Pascal Case
UmurPengguna = 23

# Snake Case
umur_pengguna = 23

Menggunakan Tanda Kutip Satu atau Dua?

Tipe data string bisa menggunakan keduanya, bisa dengan tanda kutip satu atau tanda kutip dua.

Contoh:

nama = "Irfan"
# sama saja seperti
nama = 'Irfan'

Memasukkan Banyak Nilai ke Banyak Variabel

Kita bisa memasukkan banyak nilai ke banyak variabel sekaligus dalam satu baris:

nama, umur, alamat = "Irfan", 23, "Tasik"
print(nama, umur, alamat)

Memasukkan Satu Nilai ke Banyak Variabel

Kita bisa memasukkan nilai yang sama ke banyak variabel sekaligus dalam satu baris:

i = j = k = 23
print(i, j, k)

Memisahkan Kumpulan Nilai

Apabila kita memiliki kumpulan nilai dalam bentuk list, tuple, dsb. Python bisa memisahkannya/unpack/mengekstraknya ke dalam variabel yang berbeda.

Contoh:

murid = ["Andi", "Bagas", "Caca"]
nama_a, nama_b, nama_c = murid

Casting

Jika kita ingin menentukan tipe dari suatu variabel, kita bisa melakukannya dengan casting.

Contoh:

i = str(23) # i = '3' 
j = int(23) # j = 23 integer
k = float(23) # k = 23.0 float

Cara Mengetahui Tipe Data

Kita bisa mengetahui tipe data dengan fungsi type().

Contoh:

i = 5 
print(type(i))

Output:

<class 'int'>

Variabel Global dan Lokal

Variabel global adalah variabel yang letaknya berada di luar fungsi. Variabel global bisa digunakan untuk siapapun yang berada di dalam atau di luar fungsi.

Variabel lokal adalah variabel yang letaknya di dalam fungsi. Variabel lokal hanya bisa digunakan di dalam suatu fungsi.

Contoh:

nama = "Irfan" # variabel global

def myFunc():
    print("nama saya", nama)

myFunc()

Jika kita membuat suatu variabel yang sama di dalam suatu fungsi, variabel tersebut akan bersifat lokal dan hanya bisa digunakan di dalam fungsi. Variabel global yang memiliki nama yang sama akan memiliki sifat dan nilai yang tetap.

Contoh:

nama = "Irfan" # global

def myFunc():
    nama = "Ghani" # lokal
    print("nama saya", nama)

myFunc()
print("nama saya", nama)

Output:

nama saya Ghani
nama saya Irfan

Untuk membuat variabel global di dalam sebuah fungsi, bisa dengan menggunakan keyword global.

Contoh:

def myFunc():
    global nama # global
    nama = "Ghani"

print("nama saya", nama)

Menampilkan Nilai Variabel

Biasanya kita menggunakan perintah print untuk menampilkan output pada suatu variabel. Kita bisa menuliskan formatnya dalam berbagai macam cara:

nama = "Irfan"
umur = 23

# print 1 variabel
print(nama)

# print lebih dari 1 variabel
print(nama, umur)

# gabung dengan teks
print("Nama saya", nama, "umur", umur)

# gabung dengan teks dengan format
print("Nama saya {0} umur {1}".format(nama, umur))

Output:

Irfan
Irfan 23
Nama saya Irfan umur 23
Nama saya Irfan umur 23

Mengenal Syntax Tata Penulisan Kode di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 24 Feb 2021 23:00:00 +0000

Mengeksekusi Kode Python

Kita bisa mengeksekusi kode python langsung dari CMD. Buka CMD, lalu ketik "python".

C:\Users\Irfan Muhammad Ghani>python

Lalu tulis kodenya dan enter untuk menjalankan.

>>> print("hello world")
hello world

Untuk menulis dan menjalankan kode Python dengan cara yang lebih mudah, kita bisa menggunakan VS Code.

Python Indentation

Sebagaimana yang kita tahu pada artikel pengenalan Python, Python menggunakan aturan indent dalam penulisannya.

Indentation mengacu pada spasi di awal baris kode (kode yang menjorok ke dalam atau menekan tombol tab atau spasi sebelum baris kode).

Di bahasa pemrograman lain indentation digunakan hanya untuk memudahkan dalam pembacaan kode secara visual, namun indentation pada Python ini sangatlah penting.

Python menggunakan indentation untuk menentukan blok dari suatu kode, misalnya seperti pada perulangan, fungsi, klas, dll.

Contoh benar:

for i in range(3): 
    print(i) # benar

Contoh salah:

for i in range(3):
print(i) # salah

Jumlah spasi yang diberikan terserah programmer, tapi setidaknya harus ada satu:

for i in range(3):
        print(i) 
for i in range(3):
 print(i)

Kita harus menggunakan jumlah spasi yang sama di dalam sebuah blok, jika tidak maka akan terjadi error:

for i in range(3):
    print(i)
        print(i+1) # akan terjadi error

Variabel di Python

Di Python, variabel dibuat ketika kita memasukan sebuah nilai kepadanya:

no = 1
nama = "Irfan Muhammad Ghani"

Python tidak memiliki perintah untuk mendeklarasikan sebuah variabel.

Untuk lebih lanjut, kita akan membahasnya di artikel selanjutnya tentang Variable di Python.

Komentar

Komentar sangat berguna sekali untuk menuliskan dokumentasi langsung di dalam kode. Komentar tidak akan mengeluarkan suatu output.

Python menggunakan tanda # sebagasi awal dari komentar.

Contoh:

# ini adalah sebuah komentar
nama = "Irfan Muhammad Ghani" # ini juga sebuah komentar

Lebih dari satu baris komentar:

# ini komentar pertama
# ini komentar kedua
# ini komentar ketiga

Komentar dengan menggunakan 3x tanda petik:

"""
ini komentar pertama
ini komentar kedua
ini komentar ketiga
"""

Cara Install Python di Windows

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 23 Feb 2021 23:00:00 +0000

Beberapa perangkat mungkin sudah ada yang langsung terinstall Python, untuk mengeceknya buka CMD lalu ketik:

C:\Users\[Nama Pengguna]>python --version

Apabila belum ada, maka bisa mendownloadnya di python.org

Untuk menulis program dan menjalankannya, saya senang menggunakan Visual Studio Code.

Setelah menginstall keduanya, bisa buka terlebih dahulu VS Code-nya.

Klik Extension, lalu cari "python", dan install. Ekstensi tersebut berguna sekali dalam membantu penulisan syntax dan fitur lainnya yang berhubungan dengan Python.

Untuk membuat file baru, klik Explorer, select folder, buat folder baru, dan buka folder tersebut.

Klik ikon New File, atau klik kanan lalu new file.

Beri nama tanpa spasi, lalu tambahkan jenis file .py

Sekarang coba tulis program Hello World.

print("Hallo Dunia")

Untuk menjalankannya klik ikon play warna hijau di pojok kanan atas.

Outputnya:

Teman-teman juga bisa menggunakan Jupyter Notebook di VS Code, untuk memasangnya bisa buka postingan saya tentang Cara memasang Jupyter Notebook di Visual Studio Code.

Pengenalan Singkat Python

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 23 Feb 2021 12:07:00 +0000

Apa itu Python?

Python adalah sebuah bahasa pemrograman yang populer. Dibuat oleh Guido van Rossum dan dirilils pada tahun 1991.

Python bisa digunakan untuk:

Pengembangan software web, desktop, mobile.
Penelitian yang memerlukan perhitungan matematika.
Internet of Things, robotika, otomasi.
Machine learning, computer vision.
Dsb.

Kenapa memakai Python:

Dapat bekerja di platform yang berbeda-beda (Windows, Linux, Mac, Raspberry, dsb).
Memiliki syntax yang sederhana sehingga dapat menulis program dengan baris yang lebih sedikit dibandingkan dengan bahasa pemrograman lainnya.
Python berjalan pada sebuah interpreter system, yang berarti kode program dapat dieksekusi secepatnya setelah kode tersebut ditulis. Ini berarti proses prototyping bisa sangat cepat.
Python bisa digunakan dengan cara procedural, object-oriented, atau functional.

Perbedaan syntax Python dengan bahasa pemrograman lainnya:

Syntax Python didesain agar mudah dalam pembacaannya, karena memiliki beberapa kesamaan dengan bahasa Inggris.
Python menggunakan garis baru untuk mengakhiri sebuah perintah, berbeda dengan bahasa lain yang seringkali menggunakan titik koma.
Python menggunakan aturan indent, menggunakan spasi untuk memberitahu ruang lingkup, seperti perulangan, fungsi, dan kelas. Pemrograman lain biasanya menggunakan kurung kurawal.

Prediksi Diabetes Menggunakan Machine Learning

noreply@blogger.com (Irfan Muhammad Ghani) — Thu, 11 Feb 2021 11:02:00 +0000

Dari sini saya belajar bagaimana cara mendapatkan dataset, mempersiapkan dataset, memilih algoritma, melatih model, dan memvalidasi model yang dibuat dengan studi kasus prediksi diabetes.

Prediksi Diabetes Menggunakan Machine Learning

Apa saja yang dibutuhkan:

Dataset Pima Indians Diabetes Database.
Anaconda / Jupyter Notebook / Kaggle
Library yang dipakai:

Pandas
Matplotlib
Numpy
Scikit-learn

Untuk mendapatkan dataset, teman-teman bisa mencarinya di Google dengan kata kunci "dataset [topik]", contohnya seperti "dataset diabetes", nanti Google akan menampilkan berbagai macam hasil, dan dari hasil tersebut kita bisa mendapatkan Pima Indians Diabetes Database dari situs Kaggle.

Untuk dataset yang saya gunakan, saya sudah modifikasi terlebih dahulu agar bisa melakukan beberapa proses dalam persiapan data. Dataset yang sudah dimodifikasi bisa didapatkan di repositori Github saya.

Selanjutnya kita buka Jupyter Notebook atau bisa juga online lewat Kaggle.

Persiapan Data

Pada proses ini kita akan memeriksa apakah ada data yang duplikat, kosong, melakukan pembersihan data sehingga data yang digunakan menjadi rapi. Data yang rapi akan memudahkan dalam memanipulasi data.

Impor library yang digunakan, lalu load dataset-nya.

# Import library
import pandas as pd # data frame library
import matplotlib.pyplot as plt # untuk plotting
import numpy as np 

# Load data csv
df = pd.read_csv('E:\PYTHON\Predict_diabetes\diabetes.csv')

Untuk melihat ukuran dataset, bisa dengan:

# lihat ukuran data
df.shape

Hasil:

(768, 10)

Dari hasil tersebut menunjukkan bahwa terdapat 768 baris/observasi dan 10 kolom/variabel/fitur.

Untuk melihat n data awal, bisa dengan:

# liat 5  data awal 
df.head(5)

Hasil:

Kita juga bisa melihat n data akhir, dengan:

# liat 5 data bawah
df.tail(5)

Hasil:

Mari kita cek apakah terdapat data yang kosong.

# apakah ada data yg kosong?
df.isnull().values.any()

Hasil:

False

Dari hasil tersebut, bisa diketahui bahwa dataset tidak memiliki data yang kosong.

Selanjutnya kita cek korelasi antar kolom. Cek korelasi ini bertujuan untuk melihat apakah ada data yang sama atau tidak.

# cek kolerasi, data repetisi atau sama
def plot_corr(df, size=11):
    corr = df.corr() # data frame corelation
    fig, ax = plt.subplots(figsize=(size,size))
    ax.matshow(corr)
    plt.xticks(range(len(corr.columns)), corr.columns)
    plt.yticks(range(len(corr.columns)), corr.columns)

plot_corr(df)

Hasil:

Dari gambar di atas, bisa dilihat bahwa kotak yang berwarna kuning menunjukkan adanya data yang sama atau duplikat.

Contoh: baris Pregnancies dan kolom Pregnancies akan berwarna kuning karena memiliki data yang sama, begitu juga dengan kolom dan baris yang memiliki nama yang sama, sehingga kotak warna kuning membentuk pola diagonal.

Namun jika dilihat kembali, terdapat data yang sama pada kolom SkinThickness dan baris Skin, juga sebaliknya.

Mari kita lihat nilai korelasinya.

# lihat korelasi
df.corr()

Hasil:

Apabila kita bandingkan nilai korelasi antara SkinThickness dan Skin, maka terlihat bahwa kedua kolom tersebut memiliki nilai yang sama sehingga kita bisa menghapus salah satu kolom tersebut.

Misalnya kita hapus kolom Skin.

# krn korelasi SkinThickness dan Skin sama, hapus salah satunya, hapus Skin
del df['Skin']

Cek apakah kolom Skin sudah terhapus.

# cek apakah sudah terhapus?
df.head(5)

Hasil:

Kolom Skin sudah terhapus, sekarang kita cek kembali korelasinya.

# cek kembali korelasi
plot_corr(df)

Hasil:

Dari gambar di atas, bisa dilihat bahwa tidak ada lagi data yang sama atau duplikat.

Sekarang, cek tipe data pada dataset tersebut, pastikan semuanya dalam bentuk numeric.

Jika kita lihat kembali dari data di atas, kolom Outcome masih berisikan True atau False. Mari kita ubah ke numeric, True diganti 1 dan False diganti 0.

# ganti outcome ke 1 atau 0
diabetes_map = {True: 1, False:0} # buat map
df['Outcome'] = df['Outcome'].map(diabetes_map) # ganti ke 1 atau 0

Sekarang cek apakah sudah diganti.

# cek apakah sudah terganti?
df.head(5)

Hasil:

Nilai pada kolom Outcome sudah diganti menjadi 1 dan 0.

Kita cek apakah terdapat kesalahan ketika proses penggantian nilai tersebut. Misal, terdapat kata true atau false (huruf awal tidak kapital) sehingga nilai tidak menjadi 0 atau 1, melainkan menjadi NaN.

# cek apakah ada data yang kosong
df.isnull().values.any()

Hasil:

False

Sekarang cek jumlah yang terkena dan tidak terkena diabetes.

# cek distribusi Outcome
# nantinya akan displit untuk training dan testing
num_obs = len(df)
num_true = len(df.loc[df['Outcome'] == 1])
num_false = len(df.loc[df['Outcome'] == 0])
print("Jumlah terkena diabetes: {0} ({1:2.2f}%)".format(num_true, (num_true/num_obs)*100))
print("Jumlah tidak terkena diabetes: {0} ({1:2.2f}%)".format(num_false, (num_false/num_obs)*100))

Hasil:

Jumlah terkena diabetes: 268 (34.90%)
Jumlah tidak terkena diabetes: 500 (65.10%)

Memilih Algoritma

Ada beberapa faktor yang menentukan pemilihan algoritma, diantaranya:

Learning type (supervised, unsupervised, atau reinforcement): karena kita mendapatkan dataset yang sudah ada hasilnya, maka kita pilih supervised.
Result (regression atau classification): karena hasinya adalah terkena atau tidak terkena diabetes, maka pilih classification.
Complexity: karena masih algoritma awal, maka pilih algoritma yang sederhana.
Basic atau Enhance: karena masih awal pemilihan algoritma, maka pilih yang basic terlebih dahulu setelah itu mungkin bisa di-enhance.

Dari sini kita sudah menentukan bahwa kita akan memilih algoritma dengan tipe supervised, hasil yang berbentuk klasifikasi, jenis algoritma sederhana dan basic.

Selanjutnya, kita bisa mengumpulkan kandidat algoritma yang mungkin bisa digunakan, diantaranya:

Naive Bayes: Memprediksi dengan mempelajari dari data yang ada sebelumnya.
Logistic Regression: Berdasarkan weighting, setiap fitur akan diberikan bobot, bobot akan diproses Logistic Regression sehingga mendapatkan nilai yang lebih dekat ke 0 atau 1.
Decision Tree: Mirip seperti if else, setiap node memiliki decision masing-masing.

Dari ketiga kandidat algoritma tersebut, kita akan pilih Naive Bayes terlebih dahulu, karena:

Berbasis probabilitas: memprediksi berdasarkan pengalaman sebelumnya, apakah orang tersebut terkena atau tidak terkena diabetes berdasarkan data-data sebelumnya.
Membutuhkan sedikit data.
Sederhana, mudah untuk dipahami, performa yang cepat dan efisien.

Melatih Model

Sebelum digunakan untuk klasifikasi, model akan dilatih terlebih dahulu sehingga menghasilkan model spesifik yang kita inginkan.

Pelatihan model ini bisa dilakukan berulang kali, misalnya jika ada data tambahan atau perbaikan data, atau jika nanti hasilnya kurang puas, maka bisa mengganti algoritma yang digunakan dan melakukan pelatihan kembali sehingga hasil klasifikasi menjadi lebih baik.

Pada proses ini kita akan menggunakan library Scikit-learn.

Membagi Data

Dataset akan dibagi menjadi 2 bagian, yaitu 70% untuk pelatihan, dan 30% untuk pengujian.

# import library
from sklearn.model_selection import train_test_split

# dapatkan kolom nama fitur
feature_col_names = list(df.columns[0:8])

# dapatkan kolom nama klas/outcome
predicted_class_name = list(df.columns)[8]

# predictor feature column, shape 8*m
X = df[feature_col_names].values

# predicted class, shape 1*m
y = df[predicted_class_name].values

# split data, 30% test, 70% train
split_test_size = .3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=split_test_size, random_state=42)

Cek hasil split-nya.

# cek hasil split
print("{0:0.2f}% ada pada training set".format((len(X_train)/len(df.index)) * 100))
print("{0:0.2f}% ada pada test set".format((len(X_test)/len(df.index)) * 100))
print("")
print("Jumlah original terkena diabetes: {0} ({1:2.2f}%)".format(len(df.loc[df['Outcome'] == 1]), (len(df.loc[df['Outcome'] == 1])/len(df.index))* 100))
print("Jumlah original tidak terkena diabetes: {0} ({1:2.2f}%)".format(len(df.loc[df['Outcome'] == 0]), (len(df.loc[df['Outcome'] == 0])/len(df.index))* 100))
print("")
print("Training True: {0} ({1:2.2f}%)".format(len(y_train[y_train[:] == 1]), (len(y_train[y_train[:] == 1]) / len(y_train) * 100)))
print("Training False: {0} ({1:2.2f}%)".format(len(y_train[y_train[:] == 0]), (len(y_train[y_train[:] == 0]) / len(y_train) * 100)))
print("")
print("Testing True: {0} ({1:2.2f}%)".format(len(y_test[y_test[:] == 1]), (len(y_test[y_test[:] == 1]) / len(y_test) * 100)))
print("Testing False: {0} ({1:2.2f}%)".format(len(y_test[y_test[:] == 0]), (len(y_test[y_test[:] == 0]) / len(y_test) * 100)))

Hasil:

69.92% ada pada training set
30.08% ada pada test set

Jumlah original terkena diabetes: 268 (34.90%)
Jumlah original tidak terkena diabetes: 500 (65.10%)

Training True: 188 (35.01%)
Training False: 349 (64.99%)

Testing True: 80 (34.63%)
Testing False: 151 (65.37%)

Pra-pengolahan

Sekarang kita lakukan pra-pengolahan pada data tersebut. Di sini kita akan melihat banyaknya data yang bernilai 0 dan menentukan harus diapakan data tersebut.

Mari kita lihat seberapa banyak data yang berisikan nilai 0.

#lihat data yg 0
print("# rows in dataframe {0}".format(len(df)))
for n in feature_col_names:
    print("# rows missing {0}: {1}".format(n, len(df.loc[df[n] == 0])))

Hasil:

# rows in dataframe 768
# rows missing Pregnancies: 111
# rows missing Glucose: 5
# rows missing BloodPressure: 35
# rows missing SkinThickness: 227
# rows missing Insulin: 374
# rows missing BMI: 11
# rows missing DiabetesPedigreeFunction: 0
# rows missing Age: 0

Untuk menangani nilai 0, kita bisa melakukan:

Hapus kolom/fitur tersebut.
Ganti nilainya.
Didiamkan saja.

Dari hasil di atas, kita bisa lihat bahwa banyak sekali data 0 pada setiap fitur. Contohnya pada Insulin, hampir 50% datanya bernilai 0, dengan jumlah yang segini banyaknya kita tidak bisa menghapus atau membiarkan data tersebut.

Maka kita bisa menggantinya dengan nilai mean.

# mean inputing
from sklearn.impute import SimpleImputer
fill_0 = SimpleImputer(missing_values=0, strategy="mean")
X_train = fill_0.fit_transform(X_train)
X_test = fill_0.fit_transform(X_test)

Sekarang cek apakah masih ada nilai 0.

dff = pd.DataFrame(X_train)
# cek nilai 0
for n in dff.columns:
    print("kolom ke-{0}, jml data 0: {1}".format(n ,len(dff.loc[dff[n] == 0])))

Hasil:

kolom ke-0, jml data 0: 0
kolom ke-1, jml data 0: 0
kolom ke-2, jml data 0: 0
kolom ke-3, jml data 0: 0
kolom ke-4, jml data 0: 0
kolom ke-5, jml data 0: 0
kolom ke-6, jml data 0: 0
kolom ke-7, jml data 0: 0

Sekarang kita bisa lihat bahwa sudah tidak ada lagi data yang bernilai 0.

Melatih Model

Untuk melatih model, bisa dengan.

# import naive bayes
from sklearn.naive_bayes import GaussianNB

# buat model naive bayes
nb_model = GaussianNB()

# train model naive bayes
nb_model.fit(X_train, y_train.ravel())

Evaluasi Model

Sekarang kita evaluasi model yang sudah dilatih dengan data pengujian.

# prediksi test
nb_predict_test = nb_model.predict(X_test)

Untuk melihat hasilnya, kita bisa menggunakan confusion matrix.

# confusion matrix
print("Confusion Matrix")
print("{0}".format(metrics.confusion_matrix(y_test, nb_predict_test)))
print("")
print("Classification Report")
print(metrics.classification_report(y_test, nb_predict_test))

Hasil:

Confusion matrix yang dihasilkan Scikit-learn, bentuknya seperti ini:

Kita bisa membacanya:

True, berarti hasil klasifikasi benar.
False, berarti hasil klasifikasi palsu.
Positive, berarti terkena diabetes.
Negative, berarti tidak terkena diabetes.

Maka:

True Positive (TP), benar terkena diabetes, orang tersebut memang terkena diabetes. TP = 52.
True Negative (TN), benar tidak terkena diabetes, orang tersebut memang tidak terkena diabetes. TN = 118.
False Positive (FP), palsu terkena diabetes, orang tersebut tidak terkena diabetes namun hasil klasifikasi menunjukkan bahwa dia terkena diabetes. FP = 33.
False Negative (FN), palsu tidak terkena diabetes, orang tersebut sebenarnya terkena diabetes namun hasil klasifikasi menunjukna bahwa dia tidak terkena. FN = 28.

Untuk menghitung performa, kita bisa menggunakan:

Akurasi, adalah perbandingan prediksi benar dengan keseluruhan prediksi. Berapa persen prediksi orang yang benar terkena diabetes dan benar tidak terkena diabetes dari keseluruhan orang?

Akurasi = ((52+118)/(52+118+33+28))*100 % = 73.59 %

Presisi, adalah perbandingan prediksi benar positif dengan keseluruhan hasil yang diprediksi positif. Berapa persen prediksi orang yang benar terkena diabetes dengan keseluruhan orang yang diprediksi diabetes?

Presisi = (52/(52+33))*100 % = 61.18 %

Recall (Sensitifitas), adalah perbandingan prediksi benar positif dengan keseluruhan data yang benar positif. Berapa persen prediksi orang yang benar terkena diabetes dengan keseluruhan orang memang terkena diabetes?

Recall = (52/(52+28))*100 % = 65 %

Specificity, adalah perbandingan prediksi benar negatif dengan keseluruhan data negatif. Dari semua orang yang sehat, berapa orang yang terprediksi sehat?

Specificity = (118/(118+33))*100 % = 78.15 %

F1 Score, perbandingan rata-rata presisi dan recall yang dibobotkan.

F1 Score = (2*(65%*61%)/(65%+61%))*100 % = 62.94 %

Memilih Acuan Performa Algoritma

Idealnya, apapun algoritma yang digunakan, jika ingin hasilnya bagus, maka FP dan FN harus bernilai 0.

Apabila kita ingin mengevaluasi atau menguji, membandingkan algoritma satu dengan algoritma yang lain, apa yang bisa kita pilih sebagai acuan?

Pilih akurasi apabila FN dan FP memiliki nilai yang simetris atau nilainya hampir sama. Jika nilai FN dan FP berbeda, maka lebih baik pilih F1 Score.

Pilih recall apabila kondisi FP lebih baik dibandingkan kondisi FN. Misalnya pada studi kasus diabetes, lebih baik diprediksi orang yang terkena diabetes tetapi aslinya sehat, daripada diprediksi sehat tetapi orang tersebut menderita diabetes.

Pilih precision apabila ingin hasilnya benar-benar mementingkan TP. Misalnya, lebih baik ada spam masuk ke inbox dibandingkan email reguler yang dimasukan ke kotak spam.

Pilih specificity apabila ingin hasilnya benar-benar mementingkan TN. Misalnya test narkoba, jangan sampai orang yang tidak memakai malah diprediksi memakai narkoba, sehingga bisa saja dimasukkan ke penjara.

Dari pertimbangan di atas, acuan mana yang bisa kita pilih?

Kita bisa memilih acuan recall karena lebih baik orang sehat yang terprediksi diabetes dibandingkan sebaliknya. Untuk nilai acuannya, katakanlah algoritma akan dikatakan bagus apabila recall memiliki nilai lebih dari 70%.

Jika kita lihat kembali hasil evaluasi di atas, nilai recall-nya adalah 65 %. Hasil ini lebih rendah dari nilai acuan, yaitu 70%. Namun, hasil ini wajar karena kita belum melakukan peningkatan performa, atau mencoba algoritma lain yang mungkin bisa lebih baik hasilnya.

Meningkatkan Performa Prediksi

Mari kita coba menggunakan algoritma lain, yaitu Random Forest Classifier.

# import Random Forest Classifier
from sklearn.ensemble import RandomForestClassifier

# buat model rf
rf_model = RandomForestClassifier(random_state=42, n_estimators=10)

# train model rf
rf_model.fit(X_train, y_train.ravel())

Sekarang kita coba pakai untuk memprediksi

# prediksi test
rf_predict_test = rf_model.predict(X_test)

Tampilkan confusion matrix-nya.

# confusion matrix
print("Confusion Matrix")
print("{0}".format(metrics.confusion_matrix(y_test, rf_predict_test)))
print("")
print("Classification Report")
print(metrics.classification_report(y_test, rf_predict_test))

Hasil:

Ternyata nilai recall-nya adalah 54% masih di bawah 70%, dan lebih rendah dibandingkan hasil dari algoritma Naive Bayes.

Sekarang kita coba memakai Algoritma Logistic Regression.

# import logistic regression
from sklearn.linear_model import LogisticRegression

# buat model lr
lr_model = LogisticRegression(C=0.7, random_state=42, solver="liblinear", max_iter=10000)

# train model lr
lr_model.fit(X_train, y_train.ravel())

# prediksi test
lr_predict_test = lr_model.predict(X_test)

# confusion matrix
print("Confusion matrix")
print(metrics.confusion_matrix(y_test, lr_predict_test))
print("")
print("Classification Report")
print(metrics.classification_report(y_test, lr_predict_test))

Hasilnya:

Nilai recall-nya adalah 55% masih dibawah 70%. Mungkin kita bisa coba untuk mengatur dataset lagi.

Kalau kita lihat kembali ke atas, jumlah orang terkena dan tidak terkena diabetes jumlahnya tidak sama. Jumlah orang yang terkena diabetes adalah 268 orang, sedangkan jumlah orang yang tidak terkena adalah 500 orang, maka kita bisa atur agar seimbang.

Kita bisa mengatur parameter agar claass weight-nya balanced.

Dan kita bisa coba untuk mencari nilai parameter C teroptimal untuk mendapatkan nilai recall yang terbaik. Kita bisa melakukannya dengan perulangan.

# mencari nilai C berdasarkan recall terbaik

# nilai C awal
C_start = 0.01

# nilai C akhir
C_end = 5

# nilai increment C
C_inc = 0.01

# untuk menyimpan nilai C dan recall
C_values, recall_scores = [], []

# untuk menyimpan nilai C
C_val = C_start

# untuk menyimpan nilai recall terbaik
best_recall_score = 0

while (C_val < C_end):
    # masukan nilai C saat ini ke C_values
    C_values.append(C_val)
    
    # buat model lr dengan nilai C saat ini
    lr_model_loop = LogisticRegression(C=C_val, class_weight="balanced", random_state=42, solver="liblinear", max_iter=10000)
    
    # latih model
    lr_model_loop.fit(X_train, y_train.ravel())

    # prediksi test
    lr_predict_loop_test = lr_model_loop.predict(X_test)

    # memperoleh nilai recall
    recall_score = metrics.recall_score(y_test, lr_predict_loop_test)

    # simpan nilai recall saat ini 
    recall_scores.append(recall_score)

    # ambil nilai recall terbaik
    if (recall_score > best_recall_score):
        best_recall_score = recall_score
        best_lr_predict_test = lr_predict_loop_test

    #increment nilai C
    C_val = C_val + C_inc

# ambil nilai C teroptimal berdasarkan nilai recall terbaik
best_score_C_val = C_values[recall_scores.index(best_recall_score)]

# tampilkan recall terbaik dan C terbaik
print("best recall {0:.3f} occured at C={1:.3f}".format(best_recall_score, best_score_C_val))

# plot recal dan c
plt.plot(C_values, recall_scores, "-")
plt.xlabel("C values")
plt.ylabel("recall score")

# buat model lr dengan nilai C terbaik
lr_model = LogisticRegression(class_weight="balanced", C=best_score_C_val, random_state=42, solver="liblinear")

# latih model
lr_model.fit(X_train, y_train.ravel())

# prediksi test
lr_predict_test = lr_model.predict(X_test)

print("confusion matrix")
print(metrics.confusion_matrix(y_test, lr_predict_test))
print("")
print("Classification Report")
print(metrics.classification_report(y_test, lr_predict_test))

Hasilnya:

Kita bisa mendapatkan nilai recall terbaik 75% dengan nilai parameter C = 0.32. Hasil ini jauh lebih baik dibandingkan hasil-hasil sebelumnya yang nilai recall-nya hanya 55%.

Cross Validation

Pada proses sebelumnya, evaluasi yang telah kita kerjakan adalah menggunakan split validation, dataset dibagi 70% untuk training dan 30% untuk testing, pemilihan datanya secara acak.

Sekarang kita coba memakai K-fold cross validation, metode validasi ini cocok digunakan ketika kita tidak memiliki banyak data untuk melakukan pembagian data (training dan testing) tanpa kehilangan performa model yang signifikan.

Data akan dibagi menjadi K bagian, nilai K yang akan digunakan adalah 10, sehingga nantinya akan terdapat 10 bagian, 9 digunakan untuk training, dan 1 digunakan untuk testing. Setiap iterasi, data testing akan berpindah ke data selanjutnya. Illustrasinya seperti ini:

Sekarang kita coba terapkan.

# import logistic regression cv
from sklearn.linear_model import LogisticRegressionCV

# buat model lr cv
lr_cv_model = LogisticRegressionCV(n_jobs=-1, random_state=42, Cs=3, cv=10, refit=False, class_weight="balanced", max_iter=10000)

# latih model lr cv
lr_cv_model.fit(X_train, y_train.ravel())

# predict test
lr_cv_predict_test = lr_cv_model.predict(X_test)

print("Confusion Matrix")
print(metrics.confusion_matrix(y_test, lr_cv_predict_test))
print("")
print("Classification Report")
print(metrics.classification_report(y_test, lr_cv_predict_test))

Hasil:

Dari hasil tersebut bisa dilihat bahwa nilai recall adalah 66% lebih rendah dibandingkan ketika memakai split validation. Namun hasil ini kemungkinan masih bisa ditingkatkan lagi dengan mengatur parameter-parameternya.

Mari kita rangkum hasil dari beberapa algoritma yang sudah digunakan:

Algoritma	Recall
Naive Bayes	65%
Random Forest	54%
Logistic Regression	55%
Logistic Regression (balanced, optimal C value)	75%
Logistic Regression CV	66%

Mungkin sekian dari postingan ini, dan terimakasih yang sudah membaca.

Cara Memasang Jupyter Notebook di Visual Studio Code

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 09 Feb 2021 23:18:00 +0000

Bagi yang kurang suka tampilan Jupyter Notebook bawaan Anaconda yang dibuka di browser, kita bisa memasang dan menggunakan Jupyter Notebook di Visual Studio Code.

Memasang Jupyter Notebook di Visual Studio Code

Pertama, pastikan kita sudah menginstall Python atau Anaconda dan tentunya Visual Studio Code.

Kedua, apabila di perangkat kita hanya terpasang Python, maka pasang paket Jupyter Notebook dengan perintah (buka CMD):

pip install jupyter

Ketiga, pilih intepreter, jika tidak memiliki Anaconda pilih Python yang terpasang pada perangkat, jika punya maka pilih Anaconda.

Keempat, pasang ekstensi Jupyter Notebook di Visual Studio Code. Ekstensi ini berguna sekali untuk melengkapi fitur Jupyter, salah satunya untuk mengaktifkan fitur Intellisense atau code autocomplete/code suggestion.

Tapi jika semisal fitur Intellisense ini tidak bekerja meskipun sudah memasang ekstensi tersebut, maka bisa memasang ekstensi Pylance:

Penampakan Intellisense atau code autocomplete/suggestion yang berguna sekali untuk mempercepat prosses koding:

Membuat File Jupyter Notebook

Untuk membuat file Jupyter notebook, bisa dengan:

Tekan CTRL+SHIFT+P, pilih Jupyter: Create Blank New Jupyter Notebook.

Atau dengan membuat file baru, lalu beri jenis file .ipynd setelah nama filenya.

Jadi deh filenya.

Dan mungkin bila saya ada waktu luang, saya juga ingin membuat cara menggunakan Jupyter Notebook di Visual Studio Code.

Terimakasih yang sudah membaca.

Pengenalan Pandas di Python

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 09 Feb 2021 12:48:00 +0000

Apa itu Pandas?

Pandas adalah sebuah library Python yang digunakan untuk menganalisa, membersihkan, menjelajahi, dan memanipulasi dataset.

Mengapa Menggunakan Pandas?

Pandas menghadirkan kecepatan dan keefisienan untuk memanipulasi dan menganalisa suatu data.

Bisa digunakan untuk menangani data dari berbagai macam file.

Mudah digunakan dalam menangani dataset yang memiliki data yang hilang.

Memulai Pandas

Kita bisa menginstall Anaconda terlebih dahulu, lalu menggunakan Jupyter Notebook untuk memulai menggunakan Pandas, atau menginstallnya untuk digunakan di kode editor menggunakan pip.

Buka CMD, lalu ketik:

pip install pandas

Lalu buka kode editor yang kita punya atau buka Jupyter Notebook.

Untuk mengimpor library Pandas, bisa dengan:

import pandas as pd

Di sini, pd adalah panggilan dari pandas. Jadi kita hanya perlu mengetik pd untuk memanggil pandas di dalam kode.

Untuk mengimpor data yang berbentuk .csv, bisa dengan:

df = pd.read_csv("diabetes.csv")

Untuk melihat n data pertama, bisa dengan:

df.head()

Maka akan tampil seperti ini:

Dari tabel tersebut, Pandas menghadirkan dua struktur data yang bisa digunakan untuk memanipulasi data, yaitu Series dan DataFrame

Series

Series merupakan array berlabel yang berbentuk satu dimensi, di dalamnya berisi data yang memiliki berbagai macam tipe (string, integer, float, dll). Jika tidak ditentukan, label pada series merupakan nomor index (nomor urutan baris) dari suatu data. Series mirip seperti sebuah kolom di dalam suatu tabel.

Untuk membuat series, dari sebuah list:

# membuat list
a = [5, 6, 9, 7, 3]

# membuat series dari sebuah list
ser = pd.Series(a)

# menampilkan series
print(ser)

Output:

0    5
1    6
2    9
3    7
4    3
dtype: int64

Kolom paling kiri merupakan index atau label dari suatu data, dan kolom kanan merupakan data yang berada di dalam Series.

Cara mengubah nama label:

# mengubah index/label series
ser = pd.Series(a, index = ["a", "b", "c","d","e"])

# menampilkan series
print(ser)

Output:

a    5
b    6
c    9
d    7
e    3
dtype: int64

DataFrame

DataFrame merupakan tabel yang berbentuk 2 dimensi atau multi-demensi, memiliki 3 komponen, yaitu data, kolom, dan baris. Jika Series merupakan suatu kolom di dalam sebuah tabel, maka DataFrame adalah tabel secara keseluruhan.

Untuk membuat sebuah DataFrame dari dua Series, bisa dengan:

data = {
    "Weight" : [65, 76, 81],
    "Age" : [25, 23, 30]
}

# membuat DataFrame dari data
df = pd.DataFrame(data)

# menampilkan DataFrame
print(df)

Output:

   Weight  Age
0      65   25
1      76   23
2      81   30

Terimakasih yang sudah membaca.

Cara Mengambil Nama Kolom di Dataframe Pandas

noreply@blogger.com (Irfan Muhammad Ghani) — Mon, 08 Feb 2021 22:34:00 +0000

Terkadang kita memerlukan nama-nama kolom pada suatu tabel atau dataframe, misal untuk mengambil nama fitur yang akan dimasukkan ke sebuah model machine learning.

# import pandas
import pandas as pd

# load csv
df = pd.read_csv("diabetes.csv")

# menampilkan 5 data awal
df.head()

Output:

Metode 1: Menggunakan perulangan

column_names =[]
for col in df.columns:
    column_names.append(col)

print(column_names)

Output:

['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age', 'Skin', 'Outcome']

Metode 2: Menggunakan columns dataframe object

df.columns

Output:

Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin',
       'BMI', 'DiabetesPedigreeFunction', 'Age', 'Skin', 'Outcome'],
      dtype='object')

Mengubahnya ke bentuk list

list(df.columns)

Output:

['Pregnancies',
 'Glucose',
 'BloodPressure',
 'SkinThickness',
 'Insulin',
 'BMI',
 'DiabetesPedigreeFunction',
 'Age',
 'Skin',
 'Outcome']

Metode 3: Mengambil nama kolom tertentu, misal kolom ke 4

df.columns[3]

Output:

'SkinThickness'

Metode 4: Mengambil rentang nama kolom tertentu, misal kolom 1-3

list(df.columns[:3])

Output:

['Pregnancies', 'Glucose', 'BloodPressure']

Metode 5: Mengambil rentang nama kolom tertentu, misal kolom 2-4

list(df.columns[1:4])

Output:

['Glucose', 'BloodPressure', 'SkinThickness']

Metode 6: Mengambil rentang nama kolom tertentu, misal kolom 4-10

list(df.columns[3:10])

Output:

['SkinThickness',
 'Insulin',
 'BMI',
 'DiabetesPedigreeFunction',
 'Age',
 'Skin',
 'Outcome']

Deteksi dan Membaca Plat Nomor Kendaraan Secara Otomatis menggunakan Python

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 03 Feb 2021 11:44:00 +0000

Sudah lama sekali rasanya sejak terakhir kali saya menulis di blog ini, terakhir kali adalah di tahun 2019. Sekarang rasaya saya pengen nulis lagi, rutin lagi seperti dulu seperti saat sebelum diberikan kerjaan freelance dan tugas kuliah yg banyak, jadi agak terbengkalai ini blog mana domainnya masih panjang kan mubadzir hehe.. Jadi mari mulai nulis lagi mumpung dah lulus kerjaan freelance juga jadi masih bisa atur waktu yg fleksibel..

Pada postingan ini saya akan membahas tugas akhir ketika saya kuliah yaitu deteksi dan membaca plat nomor kendaraan secara otomatis.

Pada awalnya proyek ini ditulis menggunakan Matlab, karena dulu ketika belajar mata kuliah computer vision dosen saya menggunakan Matlab. Matlab bagus sekali untuk digunakan penelitian, praktis, namun sayangnya kebutuhan di industri lebih memilih menggunakan Python, semua lowongan pekerjaan yg saya lihat tentang image processing atau computer vision semuanya mencantumkan Python dan saya belum lihat ada yang mencantumkan Matlab. Jadi karena itu lah saya mencoba belajar Python dan sebagai latihannya saya mencoba menulis ulang kode program tugas akhir ini ke dalam bahasa tersebut.

Tidak semua saya tulis ulang sih, beberapa langkah ada yg saya lewati atau saya ubah, yang terpenting goalnya sama, bisa deteksi dan membaca plat nomor juga belajar hal baru.

Apa saja yang diperlukan?

Ini adalah beberapa perangkat dan bahan yang saya gunakan untuk membuat proyek ini, diantaranya:

Laptop Dell G3, dengan spesifikasi:

Intel core i5 8300H
Ram 16 GB
VGA Nvidia GTX 1050 4GB
SSD 256 GB

Smartphone Zenfone 3 Max, dengan spesifikasi kamera:

Resolusi 13 MP
Aperture f/2.2, AF

Citra test kendaraan yang diambil sendiri di parkiran kampus, dengan ketentuan:

Diambil ketika pagi - sore
Jarak pengambilan gambar sekitar 1 meter, plat hampir lurus.
Resolusi 2560 x 1920 pixels
Jumlah 60 gambar.

Citra karakter dari 0-9 A-Z untuk training, saya lupa sumbernya dari mana karena sudah ada di laptop saya dari dulu, kalau saya ingat akan saya cantumkan sumbernya di sini.

Setiap karakter berisi 10 citra, berukuran 28 x 28 piksel

Untuk kode program saya membutuhkan:

Python 3.8.6
OpenCV 4.5.1
NumPy 1.19.4
Tensorflow 2.4.0
Matplotlib

Metode yang digunakan

Secara garis besar, bagaimana cara saya mendapatkan hasil deteksi dan pembacaan plat nomor adalah sebagai berikut:

Prapengolahan, foto RGB kendaraan dimasukkan ke sistem (OpenCV akan membacanya BGR), di-resize, diubah menjadi citra grayscale, karena cahaya saat pengambilan gambar tidak selalu sama, lakukan normalisasi kondisi cahaya, lalu konversi menjadi citra BW (hitam-putih) dengan menggunakan pengambanagan Otsu.

Deteksi plat, di tugas akhir, saya menggunakan profile projection untuk melakukan deteksi plat, namun karena pengen nyoba sesatu hal yang baru di sini saya menggunakan contours, dari sini kita bisa mendapatkan area berdasarkan nilai piksel yang sama yang saling berhubungan, termasuk area plat nomornya. Untuk mendapatkan area plat nomor, saya memfilter area tersebut dengan membandingkan lebar dan aspect ratio.

Segmentasi karakter, karakter yang saya ambil di proyek ini adalah baris pertama pada bagian plat nomor, yaitu bagian yang memuat nomor unik setiap kendaraan. Untuk mendapatkan setiap karakternya, saya menggunakan cara yang sama seperti deteksi plat, yaitu dengan contours, hanya saja filter yang digunakan adalah dari tinggi dan lebar area.

Klasifikasi karakter, di tugas akhir, saya sudah mencoba menggunakan cosine similarity namun jujur saja hasilnya jelek, banyak yg misklasifikasi apalagi untuk karakter yang bentuknya mirip, seperti B dan angka 8. Oleh karena itu untuk sekarang saya pengen coba teknik yang lain, saya coba pakai model yang ada di tutorial Tensorflow ini.

Proyek ini bisa dipisah menjadi dua bagian, yaitu bagian pelatihan/training, dan bagian testing. Bagian pelatihan digunakan untuk melatih model agar bisa digunakan untuk mengklasifikasi karakter. Dan bagian testing digunakan untuk deteksi dan membaca plat nomor menggunakan model yang sudah terlatih.

Nanti akan saya bandingkan juga dengan metode yg sudah saya pakai pada tugas akhir saya.

Hasil Per Tahap

Prapengolahan

Kita ketahui bahwa cuaca atau intensitas cahaya setiap harinya sulit untuk ditebak, citra hasil pengambilan data tidak selalu memiliki level cahaya yang sama, ada yang lebih terang ada yang lebih gelap, bahkan dalam satu citra kendaraan pun terkadang terdapat bagian yang terhalang oleh bayangan sehingga apabila tidak dilakukan prapengolahan mungkin bisa mengacaukan proses selanjutnya. Proses ini digunakan untuk mempersiapkan citra agar mudah dalam mendeteksi plat.

Citra RGB diload ke sistem (OpenCV akan membacanya sebagai BGR), citra tersebut diresize karena rasanya sulit untuk mengamati hasilnya apabila ukurannya terlalu besar saat ditampilkan di layar (hampir full menutupi satu layar). Saya resize dengan mengalikan lebar dan tingginya dengan nilai 0.4 sehingga yang asalnya berukuran 1920 x 2560 sekarang menjadi 768 x 1024, lebih kecil, tidak menutupi hampir seluruh layar ketika menampilkannya.

Sekarang citra akan dilakukan normalisasi cahaya, fungsinya agar intensitas cahayanya sama, lebih mudah untuk dilanjutkan ke proses berikutnya. Normalisasi cahaya ini prosesnya dimulai dari mengubah citra RGB ke grayscale, lakukan operasi opening ke citra grayscale, lalu kurangkan citra grayscale dengan citra hasil opening, hasil pengurangan tersebut selanjutnya bisa dikonversi ke citra BW (hitam putih) dengan pengambangan Otsu.

Bisa dilihat pada gambar di bawah perbedaan citra BW hasil normalisasi dan tanpa normalisasi, bagian plat dan karakter yang dihasilkan pun lebih jelas apabila dilakukan normalisasi.

Proses Prapengolahan

Deteksi Plat

Dari hasil pengamatan saya pada hasil prapengolahan, saya melihat bahwa bagian plat nomor membentuk garis kotak dan memiliki intensitas yang sama.

Pada skripsi saya menggunakan cara profile projection. Jadi saya bikin grafik untuk menghitung setiap piksel putih yang ada pada setiap baris, lalu lakukan pemotongan berdasarkan titik yang tertinggi. Lalu lakukan hal yang sama untuk kolom.

Kira-kira prosesnya seperti ini:

Profile Projection Plat

Untuk sekarang karena saya ingin mencoba cara baru, saya akan memakai fungsi contours, karena jika saya lihat fungsi ini lumayan cocok juga untuk melakukan deteksi plat dari hasil citra prapengolahan yang mana kontur atau area plat bisa terlihat dengan lumayan jelas, saling berhubungan membuat suatu area.

Dari semua area kontur pada citra, untuk mendapatkan area plat nomor, saya filter berdasarkan aspect ratio dan lebarnya, jika lebarnya lebih dari atau sama dengan 200 piksel dan aspect rationya kurang dari atau sama dengan 4.

Deteksi plat nomor

Hasilnya? Dari 60 citra 2 diantaranya tidak memuaskan.

Hasil deteksi plat nomor

Apabila kita bandingkan hasil dari profile projection dan contours, maka profile projection akan menghasilkan pemotongan yang lebih rapih dan pas, contohnya untuk plat di bawah ini:

Hal ini dikarenakan pada profile projection akan tepat memotong pada garis plat berdasarkan dari puncak grafik proyeksinya, sedangkan hasil pada contours sangat dipengaruhi oleh bentuk area konturnya, jika kontur bagian plat nyambung dengan bagian body maka hasil deteksi plat tidak akan pas atau bahkan bisa mengacaukannya.

Segmentasi Karakter

Contours juga saya gunakan untuk segmentasi karakter. Citra hasil crop diubah ke citra BW, lalu karena hasilnya terdapat area piksel yang tidak diinginkan maka lakukan operasi opening, operasi ini akan menghilangkan area kecil dekat karakter.

Untuk mendapatkan kandidat karakternya lakukan filter terhadap kontur dengan berdasarkan lebar dan tingginya, yaitu apabila tingginya dalam rentang 40-60 piksel dan lebarnya lebih dari 10 piksel.

Apabila dilihat dari hasil di atas, kandidat karakter memiliki bagian yang bukan karakter. Untuk mendapatkan bagian yang benar sebuah karakter, kita bisa mengecek apakah bagian tersebut sebaris, berderet secara horizontal, atau memiliki letak sumbu y yang tidak jauh berbeda.

Kita bisa menghitung selisih letak sumbu y antara kandidat satu dengan yang lainnya, setiap kandidat yang selisihnya kurang dari 11 piksel maka mendapatkan 1 score/poin. Kandidat yang memiliki score yang sama dan tertinggi maka itu adalah karakter yang sesungguhnya.

Score karakter yang sama dan tertinggi

Dari sini kita sudah memiliki bagian yang benar-benar sebuah karakter. Namun sayangnya karena kita menggunakan contours, karakter tersebut tidak berurutan dari kiri ke kanan melainkan dari atas ke bawah, oleh karena itu mari kita urutkan. Pengurutan ini penting sekali karena menentukan urutan karakter yang nantinya akan diklasifikasi oleh model, kalo urutannya ngaco meskipun klasifikasi karakternya benar ya tetap saja ngaco.

Hasil pengurutan karakter

Bagaimana dengan tugas akhir saya? Di tugas akhir saya menggunakan profile projection, prosesnya sama seperti pada deteksi plat, hanya saja disini kita perlu memfilter lagi untuk mendapatkan bagian yang benar-benar karakternya.

Profile Projection Karakter

Klasifikasi karakter

Untuk klasifikasi karakter, di sini saya menggunakan model dari tutorial Tensorflow ini, jadi kita bikin modelnya terlebih dahulu, lalu melatihnya dengan dataset karakter. Hasil dari model terlatih bisa digunakan untuk klasifikasi karakter

Pelatihan Model

Dan hasil klasifikasinya seperti ini:

Bagaimana hasilnya?

Jadi memang ada banyak hal yang mempengaruhi hasilnya, kalau dari data diatas, dataset yang lebih banyak memang sangat disarankan agar klasifikasi lebih baik. Jika memakai dataset yang sedikit maka performanya tidak jauh beda dengan memakai cosine similarity yang hanya memakai 36 dataset saja.

Kebanyakan misklasifikasi adalah karakter yang mirip seperti 1 dengan I atau B dengan 8, solusinya bisa memisahkan karakter ke dalam 3 bagian, yaitu huruf awal, angka tengah, dan huruf akhir. Selain itu juga karena hasil prapengolahan atau segmentasi yang kurang bagus.

Saya pernah melakukan percobaan pemisahan karakter menjadi 3 bagian dan memperbaiki prapengolahannya, dan memang terbukti bagus hasilnya, untuk klasifikasinya menggunakan CNN di Matlab dengan dataset berjumlah 1840, sayangnya saya hanya memiliki hasil datanya saja, kodenya sudah tidak bisa saya jalankan lagi, matlabnya berbayar euy 😢 mana lupa metodenya gimana aja dan kodenya pun tidak bersih (acak-acakan), jadi pengingat kalau eksperimen mending langsung ditulis dan sekalian nulis kode yg bersih.

Hasil Data CNN

Kode Sumber

Proyek ini memang jauh dari kata sempurna, bahkan saya hanya menggunakan metode yang sederhana saja, yang mungkin bisa saja sudah usang, tapi dari sini saya bisa belajar OpenCV, Python, dan sedikit tentang Tensorflow.

Bagi temen-temen yang menginginkan kode sumber beserta penjelasannya, temen-temen bisa mendownloadnya di halaman Github saya.

GITHUB

Terimakasih banyak yang sudah membaca.

Cara Mengetahui Urutan / Lokasi suatu Nilai di dalam Array dengan Matlab

noreply@blogger.com (Irfan Muhammad Ghani) — Sun, 20 Jan 2019 05:35:00 +0000

Pada postingan ini kita akan membahas bagaimana cara mengetahui urutan atau lokasi suatu nilai di dalam array. semisal kita ingin mengetahui posisi/letak nilai 1 pada suatu array.

Semisal data array tersebut adalah:

data=[1 2 5 1 4 2 3 6 5 1 5 1];

Dan kita ingin mengetahui dimana saja lokasi nilai 1 pada array tersebut

Kita buat dulu variable sebagai selector juga penghitung seberapa banyak nilai 1

sel=0;

Lalu kita buat perulangan sebanyak data array tersebut

for pos=1 : numel(data)

end

Di dalam perulangan tersebut tambahkan perjabangan jika data(pos)==1 maka pos++ dan ambil posisinya.

for pos=1 : numel(data)
    if data(pos)==1
        sel=sel+1;
        posisi(sel)=pos;
    end
end

Hasil akhir program:

%mengetahui lokasi suatu nilai pada array
%www.kangghani.com

clear all; clc;

data=[1 2 5 1 4 2 3 6 5 1 5 1];

sel=0;
for pos=1 : numel(data)
    if data(pos)==1
        sel=sel+1;
        posisi(sel)=pos;
    end
end

data
posisi

Output program:

data =

     1     2     5     1     4     2     3     6     5     1     5     1

posisi =

     1     4    10    12

Sekian dari postingan ini, terimakasih sudah mengunjungi blog saya, dan semoga bermanfaat.

Deteksi Objek Berbentuk Lingkaran menggunakan Matlab

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 16 Jan 2019 14:22:00 +0000

Sudah lama sekali rasanya dari semenjak saya update tahun lalu dan sekarang baru update lagi, pada postingan ini kita akan belajar bagaimana cara deteksi objek yang berbentuk lingkaran menggunakan Matlab. Deteksi objek lingkaran pada artikel ini menggunakan ciri dari properties Eccentricity setiap label area, yaitu properties yang bernilai dengan rentang 0-1 dimana jika nilai itu mendekati 0 maka objek tersebut lebih berbentuk lingkaran/bulat.

Deteksi Objek Berbentuk Lingkaran dengan Matlab

Disini saya menggunakan Matlab R2018a untuk melakukannya. Apabila teman-teman menggunakan versi lain, boleh mencobanya terlebih dahulu.

Disini saya menggunakan 2 gambar ini:

Pertama yang dilakukan adalah load gambar yang akan didetksi objeknya

img=imread('objek4.jpg');

lalu ubah ke grayscale

gray=rgb2gray(img);

Haluskan dengan filter gaussian

imgGauss=imgaussfilt(gray,4);

Ambil nilai ambang untuk menjadikannya gambar biner

level=graythresh(imgGauss);

Ubah ke gambar biner sesuai dengan nilai ambang

BW=imbinarize(gray,level);

Isi area yang mungkin terdapat bolongan2.

imgFill=imfill(BW,'holes');

Hilangkan objek yang kecil yang kurang dari 500px

imgOpen=bwareaopen(imgFill,500);

Beri label setiap wilayah dengan 8 connectivity

imgLabel = bwlabel(imgOpen,8);

Dapatkan properties centroid, major axis, minor axis, eccentricity, dan bounding box setiap label

stats = regionprops('table',imgLabel,'Centroid','MajorAxisLength','MinorAxisLength','Eccentricity','BoundingBox');

Tampilkan objek yang berbentuk lingkaran dengan lingkaran warna hijau dan yang bukan lingkaran dengan kotak warna merah

figure('name','deteksi objek lingkaran - Irfan Muhammad Ghani www.kangghani.com');imshow(img); hold on;
jumlahlingkaran=0;

posisi=[];
for x = 1 : numel(stats.Eccentricity)
    lingkarA = stats.Eccentricity(x);
    % Eccentricity bernilai 0-1
    % semakin dekat ke 0 maka objek tersebut adalah lingkaran
    % jika eccentricity kurang dari 0.5 maka itu lingkaran
    if lingkarA < 0.5
        %hitung jumlah lingkaran
        jumlahlingkaran=jumlahlingkaran+1;
        %ketahui posisi lingkaran
        posisi(jumlahlingkaran)=x;
        %cari titik tengah lingkaran x
        centers = stats.Centroid(x,:);
        %cari diameter lingkaran x
        diameters = mean([stats.MajorAxisLength(x) stats.MinorAxisLength(x)],2);
        %cari jari2 lingkaran x
        radii = diameters/2;
        %tandai objek yang termasuk lingkaran dengan warna hijau
        viscircles(centers,radii,'color','g'); 
    else
        %tandai objek yang bukan lingkaran dengan warna merah
        bb = stats.BoundingBox(x,:);
        rectangle('position',bb,'edgecolor','r','linewidth',2)
    end
end
hold off;

Hasil dari deteksi objek berbentuk lingkaran dengan Matlab:

Complete Code:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% dibuat oleh: Irfan Muhammad Ghani
% Deteksi Objek Lingkaran dengan
% melihat propertiesnya
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear all;clc;close all;

% load gambar asli
img=imread('objek4.jpg');

% ubah ke gray
gray=rgb2gray(img);

% haluskan gambar asli dengan gaussian
imgGauss=imgaussfilt(gray,4);

% ambil level threshold
level=graythresh(imgGauss);

% gambar biner dari thresold gambar gray
BW=imbinarize(gray,level);

% isi wilayah yang bolong
imgFill=imfill(BW,'holes');

% hilangkan objek yang kurang dari 500px
imgOpen=bwareaopen(imgFill,500);

% beri label setiap wilayah
imgLabel = bwlabel(imgOpen,8);

% ambil properties centroid, major axis, minor axis, eccentricity, dan
% bounding Box
stats = regionprops('table',imgLabel,'Centroid','MajorAxisLength','MinorAxisLength','Eccentricity','BoundingBox');
% tampilkan deteksi objek lingkaran
figure('name','deteksi objek lingkaran - Irfan Muhammad Ghani 15101052');imshow(img); hold on;
jumlahlingkaran=0;
posisi=[];
for x = 1 : numel(stats.Eccentricity)
    lingkarA = stats.Eccentricity(x);
    % Eccentricity bernilai 0-1
    % semakin dekat ke 0 maka objek tersebut adalah lingkaran
    % jika eccentricity kurang dari 0.5 maka itu lingkaran
    if lingkarA < 0.5
        %hitung jumlah lingkaran
        jumlahlingkaran=jumlahlingkaran+1;
        %ketahui posisi lingkaran
        posisi(jumlahlingkaran)=x;
        %cari titik tengah lingkaran x
        centers = stats.Centroid(x,:);
        %cari diameter lingkaran x
        diameters = mean([stats.MajorAxisLength(x) stats.MinorAxisLength(x)],2);
        %cari jari2 lingkaran x
        radii = diameters/2;
        %tandai objek yang termasuk lingkaran dengan warna hijau
        viscircles(centers,radii,'color','g'); 
    else
        %tandai objek yang bukan lingkaran dengan warna merah
        bb = stats.BoundingBox(x,:);
        rectangle('position',bb,'edgecolor','r','linewidth',2)
    end
end
hold off;

Sekian dari postingan ini, terimakasih telah mengunjungi blog saya, dan semoga bermanfaat.

Cara Cepat Menambahkan Watermark pada Gambar

noreply@blogger.com (Irfan Muhammad Ghani) — Thu, 19 Jul 2018 20:00:00 +0000

Bagi seorang blogger yang membahas tutorial, terkadang kita suka menambahkan gambar-gambar penjelasan tentang tutorial yang kita buat.

Terkadang kita merasa khawatir apabila gambar yang kita buat malah disalin oleh orang lain atau menggunakannya secara tidak wajar.

Maka dari itu salah satu cara untuk mengatasinya adalah menambahkan watermark pada gambar tersebut.

Penggunaan watermark menjadikan gambar yang kita buat memiliki identitas pembuatnya, sehingga meskipun gambar tersebut tersalin, didalam gambar tersebut masih terdapat identitas pembuatnya.

Nah, ada satu cara cepat yang sering saya gunakan untuk menambahkan watermark pada gambar-gambar saya, mari kita bahas..

Menambahkan Watermark pada Gambar

Cara yang saya pakai cukup cepat pengerjaannya, yaitu menambahkan watermark secara serentak pada banyak gambar.

Adapun software yang digunakan adalah TSR Watermark Images.

Software ini terdapat versi gratisnya dan bisa didownload di situs webnya.

Dan berikut adalah langkah-langkahnya:

Buka aplikasinya.
Pada add source

Pilih File untuk menambahkan satu atau beberapa file gambar.
Pilih Folder untuk menambahkan semua gambar pada folder yang dipilih.

Klik Next.
Lalu pada tab Watermark(s) configuration

Pada watermark effect

Use image untuk memasukkan watermark dari gambar
Use text untuk memasukkan watermark dengan teks
Cross Effect untuk memasukkan watermark berupa garis silang
Dll bisa dicoba sendiri

Transparency untuk mengatur tingkat transparan watermarknya.
Watermark location untuk mengatur lokasi watermarknya

Tiled verticaly untuk membuat banyak watermark secara vertikal
Tiled horizontaly untuk membuat banyak watermark secara horisontal

Watermark using untuk pengaturan teks watermark

Jika sudah klik Next.
pada tab Save Watermark Picture as

Pada destination tentukan lokasi penyimpanan untuk gambar yang selesai diberi watermark.
Output format untuk mengubah format gambar yang dihasilkan setelah diberi watermark.

Jika sudah klik Save Watermarked Images
Tunggu prosesnya dan selesai.

Dengan cara ini gambar yang jumlahnya banyak akan dengan cepat diberi watermark, jadi kita tidak usah cape satu per satu mengedit gambar untuk menambahkan watermark.

Nah mungkin cukup sekian dari postingan ini, terimakasih sudah mengunjungi blog saya, dan semoga bermanfaat.

Wassalamu'alaikum wr wb.

2 Cara Mudah Menyimpan Halaman Web menjadi PDF

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 18 Jul 2018 20:00:00 +0000

Assalamu'alaikum wr wb,

Zaman sekarang informasi dapat dengan mudah didapatkan melalui media internet, seperti tutorial, berita, dan lain-lain.

Terkadang informasi yang kita dapatkan tersebut sering kita buka berkali-kali dan tentu dengan menggunakan akses internet.

Apabila kita masih memiliki paket internet kita pasti masih bisa membukanya, namun terkadang paket internet kita habis dan kita memerlukan informasi tersebut.

Dan kita bingung harus bagaimana.

Nah maka dari itu, simpan saja halaman webnya sebelum kehabisan paket internet.

Jadi halaman web yang dibuka tersebut bisa disimpan di perangkat kita, dan kita bisa membukanya ketika sedang offline.

Caranya bagaimana? berikut kita bahas.

Cara Menyimpan Halaman Web Menjadi PDF

Disini saya akan share 2 cara, dan caranya gampang sekali.

Cara yang pertama adalah dengan menggunakan browser Google Chroome

Teman-teman buka halaman web yang ingin disimpan.
Tekan CTRL+P
Klik Change
Pilih Save as PDF
Klik Save
Tentukan lokasi penyimpanannya lalu klik Save
Selesai, file .pdf dari halaman web sudah tersimpan di lokasi penyimpanan.

Adakah cara lain selain menggunakan browser?

Ada, yaitu dengan menggunakan bantuan web converter halaman web menjadi .pdf

Teman-teman kunjungi https://www.web2pdfconvert.com/
lalu masukkan url halaman yang ingin disimpan..
Klik convert to pdf
Tunggu prosesnya
Klik Download File
Selesai

Dengan begini teman-teman akan lebih hemat kuota karena membutuhkan 1x saja download dan selanjutnya bisa dibuka secara offline.

Mungkin sekian dari postingan ini, terimakasih, dan semoga bermanfaat.

Wassalamu'alaikum wr wb.

Cara Memotong Video di Wondershare Filmora

noreply@blogger.com (Irfan Muhammad Ghani) — Mon, 16 Jul 2018 02:43:00 +0000

Banyak sekali aplikasi yang dapat digunakan oleh kita untuk mengedit suatu video, salah satunya yaitu Wondershare Filmora, aplikasi ini menurut saya berjalan dengan ringan, fiturnya lumayan lengkap, dan friendly bagi pemula.

Tidak salah bagi pemula untuk menggunakan aplikasi ini, meskipun aplikasinya berbayar namun developernya menyediakan limited time untuk menggunakannya secara gratis.

Dari banyaknya fitur yang dihadirkan salah satunya yaitu untuk memotong video.

Memotong video di Filmora sebenarnya tidak jauh berbeda dengan cara memotong video di Movie Maker namun karena masih ada yang bingung, teman-teman dapat membaca tutorial ini dengan lengkap.

Di postingan ini akan dibahas 2 cara, yaitu cara yang hanya memotong video saja, dan cara memotong lalu menggabungkannya.

Berikut adalah tutorialnya..

Langkah-Langkah Hanya Memotong Video:

Buka Wondershare Filmora.
Pada tampilan awal temen-temen pilih screen ratio/rasio lebar dan tinggi video yang akan diedit.
Karena sekarang kita hanya ingin memotong video, pilih Instant Cutter.
Pilih Open File dan masukkan videonya.
Ada 2 opsi untuk memotong video:

Gunakan waktu awal dan akhir untuk memotong (1)
Pilih area yang akan digunakan saja dengan menggeser kotak biru (2)

Jika sudah, klik Export.
Tentukan letak penyimpanannya.
lalu Ok.
dan videopun sudah terpotong.

Langkah-langkah Memotong Video dan Menggabungkannya:

Buka Wondershare Filmora.
Pilih screen ratio yang akan digunakan, dan Pilih Full Feature Mode.
Pilih Import Media Files Here, dan masukkan satu atau beberapa video yang ingin di potong dan digabungkan.
Klik dan drag video yang akan diedit ke bawah.
Atur posisi penunjuk di bagian video yang akan dipisah atau dipotong.
Klik ikon gunting (split), lalu video akan terpotong menjadi 2 bagian.
Atur lagi posisi penunjuknya dibagian yang lain.
Klik lagi ikon gunting, dan video akan terpotong lagi.
Pilih bagian mana yang akan dipotong.
Klik delete di keyboard untuk menghapusnya.
Ulangi langkah tersebut untuk video lainnya apabila dibutuhkan.
Jika sudah, klik Export (kiri atas).
Pilih Export to Device.
Pilih jenis media, format, lokasi penyimpanan, dan masukkan nama videonya.
Klik Export.
Tunggu prosesnya.
Pilih find target untuk membuka hasilnya.
Selesai.

Bagaimana? mudah kan? apabila temen-temen ada yang ingin ditanyakan silakan untuk mengisi di kolom komentar.

Terimakasih.

Cara Mengetahui Pemilik Domain Website

noreply@blogger.com (Irfan Muhammad Ghani) — Fri, 22 Jun 2018 12:45:00 +0000

Assalamu'alaikum wr wb,

Sudah jadi keharusan apabila kita menyalin sesuatu kita harus menyertakan sumbernya, entah itu dari buku, majalah, koran, internet dan sebagainya.

Nah dari beberapa sumber tersebut, salah satunya adalah internet, yaitu dari web atau blog seseorang. Biasanya pada suatu postingan terdapat nama penulisnya siapa, kapan ditulisnya. Namun masalahnya adalah terkadang suatu web atau blog tersebut tidak mencantumkan penulisnya atau pemiliknya siapa sehingga kita kebingungan untuk mencantumkannya di dokumen kita.

Nah disini saya ada salah satu solusinya yaitu untuk mengetahui nama pemilik suatu website atau blog untuk dicantumkan ke dalam daftar pustaka.

Yaitu temen-temen hanya perlu mengunjungi:

https://who.is/

lalu masukkan nama domain yang akan dilihat pemiliknya.

dan identitasnya pun terbongkar..

Identitas ini merupakan identitas peregistrasi domain yang kemunginan besar adalah pemiliknya..

Selain untuk pencantuman daftar pustaka / daftar sumber, cara ini juga bisa digunakan kalau saja temen-temen ingin melacak identitas pemilik web atau blog yang berisi konten negatif.

Kekurangannya dari cara ini yaitu apabila pemilik web atau blog tersebut mengaktifkan fitur untuk menyembunyikan informasi pemilik web atau blognya, maka kita tidak bisa mengetahui identitasnya.

Mungkin sekian dari Cara Mengetahui Pemilik Domain Website, terimakasih sudah mengunjungi blog ini, dan semoga bermanfaat.

Wassalamu'alaikum.

Cara Menambah Memori Internal Andoid dengan SD Card

noreply@blogger.com (Irfan Muhammad Ghani) — Thu, 21 Jun 2018 11:40:00 +0000

Assalamu'alaikum wr wb.

Beberapa bulan lalu smartphone android saya sangat lelet sekali, dan saya menyadari bahwa penyebabnya adalah memori internal yang diberikan oleh pabrikannya sudah hampir penuh dan hanya tersisa ratusan MB saja. Menghapus beberapa data mungkin akan menyembuhkan penyakitnya, namun itu tidak akan berlangsung lama, penyakit memori penuh kembali menghampiri smartphone saya. dan akhirnya saya menemukan..

Cara Menambah Memori Internal Android dengan SD Card

Yups.. yaitu dengan menggunakan sdcard yang tertancap di smartphone kita, dan sedikit konfigurasi menggunakan ADB tools, kita dapat menambah memori internal kita menjadi lebih besar dari sebelumnya, dan yang pasti tanpa root terlebih dahulu..

Silakan download bahan yang diperlukan:

ADB Driver (download) pilih yg universal 9.22MB.
ADB Fastboot Tools (download).
Memori SD Card.

Disini memori sdcard masih bisa dibagi menjadi dua lagi, jadi tidak semua kapasitas memori sdcard menjadi memori internal, semisal 50% untuk memori internal (data dan/atau aplikasi) dan 50% untuk memori eksternal (data).

Dan memori internal yang diberikan oleh pabrikannya tidak terbuang, melainkan masih bisa digunakan menjadi memori internal (data dan/atau aplikasi) juga.

Sehingga di smartphone kita memiliki 2 memori internal dan 1 memori eksternal (secara sistemnya sih seperti itu meskipun secara fisik tetap 1 memori internal tersebut termasuk memori eksternal).

Nah maka kekurangan dari cara ini adalah apabila sdcard dicabut, maka data yg ada di sdcard tersebut akan menghilang dan ada kembali jika sdcard tersebut dipasang kembali dan melakukan restart smartphone.

Do with your own risk..

[warning]Pindahkan semua data pada sdcard ke tempat yang aman karena sdcard akan diformat ulang.[/warning]
Langkah-langkahnya:

Aktifkan USB Debugging

Setting > About Phone > tekan 7x dengan cepat di Build Number.
Setting > Developer Options > Aktifkan USB Debugging.

Colok dengan komputer/laptop.

Install ADB Driver

Ekstrak .zip file > jalankan .exe nya > biasanya langsung terdeteks, lalu klik install.

Install ADB Fastboot tools, centang Launch minimal ADB and fastboot dan klik finish.
Jika tidak dicentang, buka Folder ADB tools (C:/ Program files/Minimal ADB and Fastboot) > tekan Shift + klik kanan > open command window here

ketik adb shell
ketik sm list-disk
maka akan muncul angka dari disk yang digunakan, semisal 179.64
ketik sm partition disk: 179.64 private
jika ingin membagi 50% internal dan 50% eksternal, ketik sm partition disk: 179.64 mixed 50

selesai

Nah sampai disini sudah selesai sebenarnya, namun biasanya memori internal yang baru dibuat tersebut hanya bisa menyimpan aplikasi saja.

Untuk menjadikannya supaya bisa menyimpan file lainnya seperti musik, foto, dll maka kita harus melakukan migrasi data, yaitu data yg ada di memori internal bawaan dipindahkan ke memori internal yang baru dibuat, namun dengan migrasi ini maka memori internal bawaan menjadi hanya bisa menyimpan aplikasi saja (jadi pertukaran fungsi).

Untuk melakukannya, pergi ke Settings > Storage > Pilih sd card > klik tiga titik bagian pojok kanan atas > migrate data > oke, dan tunggu prosesnya.

Selesai, dan ini hasilnya:

Saya menggunakan ponsel Asus Zenfone 3 Max Nougat sebagai percobaan, dan saya menjadikan semua kapasitas sdcard menjadi memori internal (mixed 100).

Dengan ini smartphone tidak akan lelet lagi karena penyimpanan penuh.

Mungkin sekian dari Cara Menambah Memori Internal Andoid dengan SD Card, terimakasih telah mengunjungi blog saya, dan semoga bermanfaat.

Silakan untuk berkomentar.

Wassalamu'alaikum wr wb.

Cara Membuat Portal di Minecraft PE dan Platform Lainnya

noreply@blogger.com (Irfan Muhammad Ghani) — Wed, 29 Nov 2017 11:52:00 +0000

Assalamu'alaikum wr wb,

Mumpung lagi seneng-senengnya main game Minecraft, ga ada salahnya untuk share beberapa trik seru yang akan membuat game ini menjadi menarik. Salah satunya adalah cara membuat portal di Minecraft, dengan membuat portal kita bisa mengunjungi ke dimensi / biome lain yang ada di Minecraft.

Yuk langsung saja kita bahas..

Cara Membuat Portal di Minecraft

Oiya di sini saya menggunakan Minecraft PE, namun cara ini juga dapat digunakan di platform lainnya, seperti PC, dll.

Ada 2 biomes atau dimensi yang bisa kita jelajahi dengan menggunakan portal, yaitu Nether Biome dan The End Biome. Kedua biome / dimensi tersebut memiliki portalnya masing-masing, dan dengan material yang berbeda pula..

Kita mulai dari..

Portal Nether

Untuk membuat portal ke Nether biome, ada beberapa material yang harus dipersiapkan, diantaranya:

14 buah Obsidian
1 buah Flint and Steel

Obsidian dapat diperoleh dari mencampurkan lava dan air, dan Flint and Steel dapat diperoleh dari Flint dan Iron Ingot yang dibuat di crafting table.

Kalau temen-temen susah mendapatkan kedua bahan tersebut, temen-temen bisa menggunakan firtur chat untuk mendapatkan bahannya.

Buka chat dengan mengklik ikon chat, kalau di Minecraft PE di atas tengah sebelah tombol pause.

Ketik /give @p obsidian 14 untuk obsidian dan /give @p flint_and_steel 1 untuk flint and steel.

Nanti itemnya ada di inventory..

Kalau sudah punya materialnya, susun 14 Obsidian menjadi 4x5 (horizontal 4 vertikal 5).

Lalu gunakan Flint and Steel untuk membakar bagian bawah Obsidian..

Dan jadilah Nether Portal.. Kita tinggal masuk ke portal tersebut untuk mengunjungi Nether Biome.

Setelah masuk ke Nether Biome, tepat di tempat teleport akan ada portal lagi untuk kembali ke dimensi asal. Kalau semisal sudah jauh dari portal tersebut dan tersesat untuk kembali lagi, temen-temen bisa membuat secara manual portalnya untuk kembali lagi ke dimensi asal, namun sayangnya tempat teleportnya juga akan berbeda lokasinya.

Sekilas tentang Nether Biome

Sekilas tentang Nether Biome, atau sering disebut Neraka di Minecraft, di dalam biome ini dipenuhi oleh lahar, api, dan mobs / monster yang berbeda dari overworld biome. Di Nether Biome tidak ada tanaman, tidak ada cuaca karena tempatnya di bawah tanah.

Kalau temen-temen menjelajah dengan teliti, di Nether Biome ada sebuah benteng, di dalamnya terdapat chest yang berisi item-item.

Untuk mobs / monster yang terdapat di Nether Biome ada blazes, ghasts, magma cubes, wither skeletons, dan zombie pigmen. Jadi kalau temen-temen ingin mengunjugi biome ini dalam mode survival, temen-temen harus siapin armor, senjata, spell, dan pembantu lainnya yang powerfull ya.. kecuali kalau temen-temen mengunjunginya dengan mode creative, monster-monster yang ada di dalamnya tidak akan menyerang sama sekali..

Dan temen-temen dapat mempersiapkan potion night vision terlebih dahulu sebelum masuk ke nether biome agar penjelajahan menjadi lebih mudah..

Penampakan lainnya..

End Portal

Nah namun sayangnya jika kita bermain dengan survival mode, kita tidak bisa langsung membuat portal end karena end portal frames hanya terdapat di mode creative saja.

Sekarang kita buat di mode creative dulu..

Untuk membuat End Portal, material yang diperlukan diantaranya:

12 buah Eyes of Ender
12 buah End Portal Frames

Susun End Portal Frame menjadi seperti di bawah ini..

Lalu tambahkan Eyes of Ender persis seperti di bawah ini.. dan portal pun langsung jadi..

Lalu masuk..

Untuk di mode survival berbeda.. karena ada beberapa yang harus disiapkan terlebih dahulu, untuk caranya tunggu update selanjutnya ya.. ^_^

Sekian dari saya tentang Cara Membuat Portal di Minecraft, terimakasih telah mengunjungi blog ini, dan semoga bermanfaat.

Wassalamu'alaikum wr wb.

Cara Memasukkan Gambar di Microsoft Word

noreply@blogger.com (Irfan Muhammad Ghani) — Thu, 03 Aug 2017 01:58:00 +0000

Assalamu'alaikum wr wb,

Pada postingan sebelumnya, kita telah membahas tentang cara membuat drop cap, nah pada postingan kali ini, kita akan membahas bagaimana cara memasukkan gambar di Microsoft Word.

Dengan menyisipkan gambar di dokumen Microsoft Word, kita bisa menyisipkan illustrasi dari teks yang kita tulis di dokumen, sehingga siapapun yang membaca tulisan kita tidak merasa bosan karena semuanya berisi teks saja. Dengan menyisipkan gambar juga, dokumen yang kita tulis akan menjadi lengkap, dan jelas bila disisipkan gambar yang relevan dengan tulisan yang kita buat.

Berikut akan kita bahas..

Cara Memasukkan Gambar di Microsoft Word

Untuk memasukkan gambar, kita dapat menyisipkannya dengan cara..

Klik bagian pada dokumen yang ingin disisipkan gambar.
Klik tab insert > pictures, lalu pilih gambar yang diinginkan dari penyimpanan pc.
Maka gambar akan muncul di bagian yang dipilih.

Mengatur Alignment Gambar

Untuk mengubah gambar agar berada di sisi kanan, kiri, atau di tengah,

Klik gambarnya.
Pilih peletakannya dengan mengklik jenis alignmentnya di Tab Home.

Mengatur Posisi Gambar Menurut Posisi Dokumen

Misallkan ingin mengatur gambar agar pas berada di pinggir, tengah, atas, atau bawah dokumen,

Klik gambarnya.
Klik tab Format > Position > Pilih peletakan gambarnya.

Mengatur Text Wrap

Mengatur sifat text terhadap gambar. Misal di pinggir gambar tidak ingin ada text, atau text berada di belakang atau di atas gambar, dll,

Klik gambarnya.
Klik ikon yang muncul disebelahnya, dan pilih jenis wrap nya.

Jika ingin pengaturannya lebih lanjut lagi,

Klik gambarnya.
Klik tab Format > Wrap Text.

Mengatur Layer Gambar

Misal telah menyisipkan 2 gambar yang agak bertumpukan, namun gambar yang letaknya di bawah ingin di keataskan,

Klik gambar yang di atas.
Klik tab Format > Send to backward.

Atau..

Klik gambar yang di bawah.
Klik tab Format > Send to forward.

Mengatur Style Gambar

Klik gambarnya.
Klik Format > Temen-temen bisa mengklik pengaturan di bawah ini,

Mengganti Gambar yang Telah Disisipkan

Misalkan kita sudah memasukan gambar, dan telah mengatur peletakannya, daripada harus menghapus, memasukkan dan mengatur gambar kembali, lebih baik gambar tersebut diganti, tanpa harus mengatur lagi gambar,

Klik gambar yang ingin diganti.
Klik tab format > Change Picture > From a File, dan pilih gambarnya dari penyimpanan PC.

Emm.. apa lagi ya???

Mungkin teman-teman bisa request pengaturan lainnya di kolom komentar, hehe.

Sekian dari saya tentang cara memasukan gambar di Microsoft Word, terimakasih telah mengunjungi blog saya, dan semoga bermanfaat.

Wassalamu'alaikum wr wb.

Kembali ke Belajar Microsoft Word

Cara Membuat Drop Cap di Microsoft Word

noreply@blogger.com (Irfan Muhammad Ghani) — Tue, 01 Aug 2017 23:14:00 +0000

Assalamu'alaikum wr wb,

Drop cap merupakan satu karakter yang berukuran besar yang letaknya berada di posisi paling awal pada suatu paragraf. Penggunaan dropcap ini banyak digunakan pada majalah, koran, dan media cetak populer lainnya.

Untuk pembuatannya, berikut langkah-langkahnya:

Cara Membuat Drop Cap di Microsoft Word

Misalkan teman-teman sudah membuat teks pada suatu dokumen di word, maka untuk menambahkannya:

Klik pada paragraf yang ingin ditambahkan drop cap.
Klik tab insert > drop cap. disana ada beberapa pilihan..

None: Tidak menambahkan drop cap.
Dropped: Menambahkan drop cap di dalam paragraf.
In Margin: Menambahkan drop cap di dalam margin.
Drop cap options.. Untuk pengaturan drop cap yang disesuaikan dengan kebutuhan sendiri, semisal font dan ukurannya ingin dibedakan dengan text lainnya.

Position: untuk memilih posisi drop cap.
Options:

Font: untuk memilih font yang digunakan untuk drop cap.
Lines to drop: berapa baris ukuran drop cap nya.
Dinstance from text: jarak drop cap ke text.

Mungkin sudah cukup jelas penjelasan tentang cara membuat drop cap di Microsoft Word, terimakasih telah mengunjungi blog saya, dan semoga bermanfaat.

Silakan bagi yang ingin ditanyakan dapat menuliskannya di kolom komentar.

Wassalamu'alaikum wr wb.