file_name,transcription train/f01-01-001.wav,assalamualaikum warrahmatullahi wabarakatuh train/f01-01-003.wav,apa itu clustering train/f01-01-004.wav,clustering adalah proses pengelompokkan data menjadi cluster berbasis kesamaan data train/f01-01-005.wav,nah clustering ini intinya yaitu menemukan menemukan menemukan natural group dari suatu data train/f01-01-007.wav,high intra cluster similarity adalah data pada cluster yang sama harus semirip mungkin train/f01-01-008.wav,sedangkan low inter cluster similarity adalah data pada cluster yang berbeda harus sejauh mungkin train/f01-01-010.wav,mengapa kita harus melakukan clustering apa perbedaan clustering dengan dengan supervised learning train/f01-01-011.wav,clustering ini ini tergantung dengan struktur internal data train/f01-01-017.wav,sedangkan feature extraction itu transformation into new features train/f01-01-024.wav,representasi yang pertama yaitu dapat digunakan digunakan centroid atau set of distant point train/f01-01-025.wav,nah yang yang dari kedua cluster itu adalah pohon klasifikasi train/f01-01-026.wav,dan yang ketiga itu adalah conjuctive statements train/f01-01-029.wav,hierarchical ini yang terkenal yaitu birch cure rock chameleon dan lain lain train/f01-01-030.wav,density based itu ada dbscan optics dbclads denclue dan lain lain train/f01-01-032.wav,nah yang tadi ada metode partitioning ini mengidentifikasi partisi yang mengoptimalkan kriteria pengelompokkan train/f01-01-036.wav,kemudian yang metode yang ketiga yaitu berbasis density train/f01-01-037.wav,densitasnya yaitu jumlah objek contohnya yang terkenal itu dbscan train/f01-01-038.wav,nah yang kemudian metode metode yang keempat itu berbasis grid train/f01-01-039.wav,struktur grid cepat bergantung jumlah sel dan tidak tidak dipengaruhi jumlah jumlah objek train/f01-01-040.wav,perhitungan bisa dilakukan secara paralel contohnya yaitu sting atau statistical information grid train/f01-01-041.wav,dan yang terakhir ada metode metode berbasis model atau em expectation expectation maximization train/f01-01-042.wav,kita masuk ke clustering berdasarkan partisi train/f01-01-044.wav,nah fungsi objektifnya ini disebut minimize square error function train/f01-01-050.wav,nah tahap ini terus dilakukan hingga konvergen train/f01-01-060.wav,k medoids lebih handal dibandingkan k means dalam menangani noise atau outlier train/f01-01-073.wav,salah satu produk akhir dari agglomerative clustering ini yaitu adalah dendogram train/f01-01-082.wav,baiklah untuk hari ini cukup sekian train/f01-01-083.wav,terima kasih train/f02-01-003.wav,berikut merupakan outline presentasi dari tugas akhir saya train/f02-01-005.wav,nah yang pertama adalah latar belakang train/f02-01-007.wav,mature sendiri biasa dikenal dengan peringkasan abstraktif sedangkan immature dikenal dengan peringkasan ekstraktif train/f02-01-014.wav,sedangkan sedangkan metode abstraktifnya hanya menggunakan si dkk dua ribu tujuh belas train/f02-01-016.wav,nah yang kedua rumusan masalah train/f02-01-018.wav,yang ketiga tujuan train/f02-01-020.wav,berikut merupakan batasan batasan dari tugas akhir saya train/f02-01-021.wav,yang pertama teks dan hasil ringkasan yang digunakan ditulis dalam bahasa inggris train/f02-01-023.wav,yang kelima metodologi train/f02-01-024.wav,berikut merupakan merupakan urutan metodologi yang akan saya kerjakan train/f02-01-026.wav,berikut merupakan gambaran solusi umum dari tugas akhir saya train/f02-01-027.wav,arsitektur dari dari solusi umum ini sendiri mirip dengan milik chen dan bansal train/f02-01-031.wav,sedangkan pada pemilihan kalimat digunakan lstm dengan pointer network train/f02-01-032.wav,pada abstractor akan digunakan temporal attention network train/f02-01-034.wav,yang ketujuh rencana pengerjaan train/f02-01-035.wav,setelah ini yang akan dikerjakan adalah implementasi implementasi melakukan melakukan implementasi kode train/f02-01-036.wav,lalu eksperimen mengeksperimen hasil hasil hasil hasil yang yang mengeksperimen hasil implementasi kode train/f02-01-037.wav,lalu melakukan evaluasi train/f02-01-038.wav,terima kasih train/f02-02-003.wav,berikut merupakan executive summary atau ringkasan dari apa yang kami kerjakan train/f02-02-005.wav,lalu permasalahannya atau issue-nya yaitu belum ada sistem manajemen keluhan yang terintegrasi dan terdokumentasi train/f02-02-009.wav,untuk untuk saat ini pelaporan dari keluhan pelapor mendatangi direktorat sarana dan prasarana itb train/f02-02-010.wav,lalu penyampaikan topik keluhan kepada front desk direktorat sarana dan prasarana itb train/f02-02-011.wav,lalu diarahkan ke seksi terkait keluhan dan yang terakhir menyampaikan keluhan kepada seksi tekait train/f02-02-013.wav,sehingga sehingga problem yang utama yang pertama adalah belum ada dokumentasi dan sistem terintegrasinya train/f02-02-016.wav,lalu dari segi procedure procedure tidak ada sop dan tidak ada dokumentasi train/f02-02-017.wav,lalu dari segi policies atau aturan pelaporan keluhan ditangani seksi masing masing train/f02-02-021.wav,lalu lalu solusi yang kami pilih adalah membuat sistem manajemen keluhan keluhan yang terintegrasi train/f02-02-026.wav,untuk mengimplementasikan mengimplementasikan solusi yang diajukan dibutuhkan biaya sekitar sebelas juta lima ratus ribu train/f02-02-027.wav,sedangkan untuk durasi pengerjaannya pengerjaannya sekitar empat bulan train/f02-02-028.wav,berikut merupakan timeline dari pengerjaannya train/f02-02-029.wav,oh untuk bulan april dua ribu delapan belas mulai pembuatan sop train/f02-02-033.wav,sekian dan terima kasih train/f02-03-006.wav,warna label antara milik pribadi dan pemerintah juga dibedakan untuk mempermudah persepsi train/f02-03-007.wav,digunakan bendera amerika untuk menunjukkan kepemilikan pemerintah amerika train/f02-03-008.wav,principle key yang kedua yaitu justifying the selection of everything we do train/f02-03-010.wav,lalu digunakan pula bendera amerika untuk menunjukkan posisi negara amerika pada skala dunia train/f02-03-012.wav,sedangkan pada warna biru artinya risiko yang ada ada cukup kecil train/f02-03-016.wav,digunakan vertical bar chart yang menunjukkan peningkatan juga train/f02-03-017.wav,lalu untuk untuk principle key yang keempat yaitu never deceive the receiver train/f02-03-020.wav,ukuran dari pie chart dari setiap presentase dibuat secara pas dengan angka yang ditunjukkan train/f02-03-027.wav,berikut berikut sekian presentasi dari saya terima kasih train/f02-04-003.wav,persoalan optimasi atau optimization problem yaitu adalah persoalan untuk mencari solusi yang optimum train/f02-04-005.wav,contoh dari persoalan optimasi adalah persoalan penukaran uang train/f02-04-007.wav,persoalan tersebut merupakan persoalan minimasi train/f02-04-008.wav,contoh satu tersedia banyak koin satu lima sepuluh dan dua lima train/f02-04-009.wav,uang senilai a yaitu tiga dua dapat ditukar dengan banyak cara berikut train/f02-04-014.wav,greedy biasa juga dikenal dengan rakus tamak atau loba train/f02-04-015.wav,prinsip greedy take what you can get now train/f02-04-016.wav,lalu ada algoritma greedy membentuk solusi langkah per langkah train/f02-04-017.wav,pada setiap langkah terdapat banyak pilihan yang perlu dievaluasi train/f02-04-018.wav,oleh karena itu pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan train/f02-04-020.wav,algoritma greedy adalah algoritma yang memecahkan masalah langkah per langkah pada setiap langkah train/f02-04-023.wav,sekarang kita tinjau masalah penukaran uang train/f02-04-026.wav,langkah pertama pilih satu buah buah koin dua puluh lima train/f02-04-027.wav,lalu langkah dua pilih satu buat koin lima train/f02-04-028.wav,langkah ketiga pilih dua buah koin satu sehingga totalnya menjadi tiga puluh dua train/f02-04-029.wav,sehingga didapatkan solusi optimal yaitu jumlah koin minimumnya empat train/f02-04-034.wav,fungsi seleksi yaitu pilihlah koin yang bernilai tertinggi dari himpunan kandidat yang tersisa train/f02-04-036.wav,fungsi obyektifnya jumlah koin yang digunakan minimum train/f02-04-037.wav,berikut merupakan skema umum algoritma greedy train/f02-04-038.wav,pada setiap akhir lelaran solusi yang terbentuk adalah optimum lokal train/f02-04-039.wav,pada akhir kalang while do diperoleh optimum global train/f02-04-043.wav,jadi pada sebagian masalah algoritma greedy tidak selalu berhasil memberikan solusi yang optimal train/f02-04-044.wav,contoh yang kedua adalah peninjauan masalah penukaran uang train/f02-04-046.wav,sedangkan solusi optimalnya adalah satu satu koin empat dan satu koin tiga train/f02-04-048.wav,sedangkan solusi optimalnya adalah dua koin tujuh dan satu koin satu train/f02-04-053.wav,daripada menggunakan algoritma yang lebih rumit untuk menghasilkan solusi yang eksak train/f02-04-054.wav,bila algoritma yang greedy optimum optimum maka keoptimalannya itu dapat dibuktikan secara matematis train/f02-04-055.wav,contoh algoritma greedy digunakan pada masalah penukaran uang train/f02-04-060.wav,lalu untuk kompleksitas exhaustive-nya seluruhnya adalah o n n dikali dua pangkat n train/f02-04-064.wav,sayangnya algoritma greedy untuk masalah penukaran uang ini tidak selalu menghasilkan solusi yang optimal train/f02-04-065.wav,yang kedua adalah adalah minimisasi waktu di dalam sistem sistem atau atau penjadwalan train/f02-04-067.wav,waktu pelayanan untuk setiap pelanggan i adalah t i train/f02-04-068.wav,minimumkan total waktu di dalam sistem train/f02-04-069.wav,t sama dengan dengan dengan total waktu di dalam sistem sistem train/f02-04-070.wav,ekivalen dengan meminimumkan waktu rata rata pelanggan di dalam sistem train/f02-04-071.wav,berikut merupakan contohnya train/f02-04-072.wav,penyelesaian dengan exhaustive search urutan pelangan yang dilayani oleh server merupakan suatu permutasi train/f02-04-073.wav,jika ada n orang pelanggan maka tedapat n tanda seru urutan pelanggan train/f02-04-074.wav,untuk mengevaluasi fungsi obyektif yaitu berupa o n train/f02-04-075.wav,sedangkan kompleksitas dari algoritma exhaustive search-nya adalah o n kali n tanda seru train/f02-04-078.wav,jika pelanggan sudah terurut kompleksitas algoritma greedy yaitu o n train/f02-04-079.wav,algoritma greedy untuk penjadwalan pelanggan akan selalu menghasilkan solusi optimum train/f02-04-081.wav,yang ketiga adalah an activity selection problem train/f02-04-085.wav,masalah activity selection problem ialah memiliki sebanyak mungkin aktivitas yang bisa dilayani train/f02-04-086.wav,berikut merupakan contoh instansiasi persoalan train/f02-04-088.wav,evaluasi setiap himpunan bagian apakah aktivitas di dalamnya kompatibel train/f02-04-089.wav,jika kompatibel maka himpunan bagian tersebut adalah solusinya train/f02-04-090.wav,kompleksitas waktu algoritmanya adalah o dua pangkat n train/f02-04-091.wav,apa strategi greedy-nya train/f02-04-092.wav,yang pertama adalah mengurutkan semua aktivitas berdasarkan waktu selesai dari kecil ke besar train/f02-04-094.wav,berikut merupakan contohnya train/f02-04-095.wav,dan dan berikut merupakan algoritmanya train/f02-04-097.wav,tetapi usulan strategi ini lebih rumit dari yang sebelumnya train/f02-04-098.wav,yang keempat adalah contoh integer knapsack train/f02-04-100.wav,penyelesaian dengan exhaustive search sudah dijelaskan pada pembahasan pembahasan exhaustive search train/f02-04-101.wav,kompleksitas algoritma exhaustive search untuk persoalan ini adalah o n kali dua pangkat n train/f02-04-102.wav,penyelesaian dengan algoritma greedy masukkan objek satu per satu satu ke dalam knapsack train/f02-04-103.wav,sekali objek dimasukkan ke dalam knapsack objek tersebut tidak bisa dikeluarkan lagi train/f02-04-105.wav,yang pertama adalah greedy by profit train/f02-04-106.wav,pada setiap langkah pilih objek yang mempunyai keuntungan paling besar train/f02-04-107.wav,lalu mencoba memaksimumkan keuntungan dengan memilih objek yang paling menguntungkan terlebih dahulu train/f02-04-108.wav,lalu ada yang kedua adalah greedy by weight train/f02-04-109.wav,yaitu pada setiap langkah pilih objek yang mempunyai berat teringan train/f02-04-110.wav,mencoba memaksimumkan keuntungan dengan memasukkan sebanyak mungkin objek ke knapsack train/f02-04-111.wav,yang ketiga ada greedy by density train/f02-04-115.wav,berikut merupakan contohnya train/f02-04-119.wav,penyelesaian dengan algoritma greedy train/f02-04-121.wav,mari kita bahas satu per satu train/f02-04-122.wav,berikut merupakan contohnya train/f02-04-126.wav,algoritma persoalan fractional knapsack train/f02-04-127.wav,hitung harga p i per w i dengan i satu hingga n train/f02-04-129.wav,lalu lalu panggil panggil fungsi fractional knapsack train/f02-04-130.wav,yang kelima adalah penjadwalan job dengan tenggat waktu atau job schedulling with deadlines train/f02-04-131.wav,persoalannya adalah ada n buah job yang akan dikerjakan oleh sebuah mesin train/f02-04-135.wav,fungsi objektif persoalan ini adalah sebagai berikut train/f02-04-137.wav,solusi optimum ialah solusi layak yang memaksimumkan f train/f02-04-140.wav,contohnya merupakan merupakan sebagai berikut train/f02-04-141.wav,dengan kompleksitas algoritma greedy greedy greedy greedy o o n pangkat dua train/f02-04-142.wav,yang keenam adalah pohon pohon merentang merentang minimum train/f02-04-143.wav,atau atau atau algoritma prim train/f02-04-146.wav,berikut merupakan algoritmanya train/f02-04-148.wav,berikut merupakan algoritmanya serta serta pseudocode-nya train/f02-04-149.wav,yang ketujuh adalah lintasan terpendek atau shortest path train/f02-04-150.wav,beberapa macam persoalan lintasan terpendek train/f02-04-151.wav,yaitu lintasan terpendek antara dua buah simpul tertentu tertentu a pair shortest path train/f02-04-152.wav,lintasan terpendek antara antara antara semua pasangan simpul all pairs shortest path train/f02-04-153.wav,lintasan terpendek dari simpul tertentu ke semua simpul yang lain single source shortest path train/f02-04-156.wav,persoalannya adalah diberikan graf berbobot g v e train/f02-04-158.wav,asumsi yang kita buat adalah bahwa semua sisi berbobot positif train/f02-04-159.wav,penyelesaian dengan algoritma brute force misalkan ingin menentukan jarak terpendek dari a ke b train/f02-04-160.wav,enumerasi semua lintasan yang mungkin dibentuk dari a ke b b hitung panjangnya train/f02-04-161.wav,lintasan yang memiliki panjang terkecil adalah lintasan terpendek dari a ke b train/f02-04-163.wav,algoritma dijkstra train/f02-04-164.wav,strategi greedy train/f02-04-167.wav,edsger w dijkstra seribu sembilan ratus tiga puluh hingga dua ribu dua train/f02-04-168.wav,edsger w w dijkstra adalah adalah penemu dari algoritma dijkstra ini train/f02-04-169.wav,berikut merupakan prosedurnya train/f02-04-170.wav,yang ke lapan adalah penempatan data dengan algoritma huffman train/f02-04-172.wav,berikut merupakan merupakan penjelasannya train/f02-04-173.wav,algoritma greedy untuk membentuk kode huffman train/f02-04-175.wav,setiap karakter penyusun data dinyatakan sebagai pohon bersimpul tunggal train/f02-04-176.wav,setiap simpul di-assign dengan frekuensi kemunculan karakter tersebut train/f02-04-177.wav,terapkan strategi greedy sebagai berikut train/f02-04-178.wav,pada setiap langkah gabungkan dua buah pohon yang mempunyai frekuensi terkecil pada akar train/f02-04-179.wav,akar mempunyai frekuensi yang merupakan jumlah dari frekuensi dua buah pohon penyusunnya train/f02-04-180.wav,ulangi langkah lagi dua sampai hanya tersisa satu buah pohon huffman train/f02-04-181.wav,kompleksitas algoritma huffman adalah o n log n train/f02-04-182.wav,berikut merupakan contohnya train/f02-04-183.wav,yang kesembilan adalah pecahan mesir atau atau egyptian fraction train/f02-04-184.wav,persoalannya adalah diberikan sebuah pecahan p per q train/f02-04-185.wav,dekomposisi pecahan pecahan pecahan pecahan menjadi jumlah dari sejumlah pecahan yang berbeda train/f02-04-186.wav,dalam hal ini k satu kurang dari dari dari k dua hingga k n train/f02-04-187.wav,pecahan yang diberikan mungkin mempunyai lebih dari satu representasi mesir train/f02-04-188.wav,contohnya sebagai berikut train/f02-04-189.wav,kita ingin mendekomposisikan dengan jumlah unit pecahan sesedikit mungkin train/f02-04-191.wav,algoritmanya adalah sebagai berikut train/f02-04-192.wav,dengan input input input input p per q maaf train/f02-04-193.wav,mulai dengan i sama dengan satu train/f02-04-194.wav,jika p sama dengan satu maka k i sama dengan q stop train/f02-04-196.wav,maka p per q sama dengan p per q kurangi satu per k i train/f02-04-197.wav,lalu ulangi langkah dua train/f02-04-198.wav,contohnya adalah sebagai berikut train/f02-04-199.wav,kesimpulannya adalah algoritma greedy untuk masalah pecahan mesir tidak selalu optimal train/f02-04-200.wav,yang kesepuluh adalah connecting wires train/f02-04-201.wav,nah sebagai berikut train/f02-04-202.wav,aplikasi algoritma greedy pada permainan othello juga bisa train/f02-04-205.wav,sisi setiap koin memiliki warna yang berbeda sisi pertama gelap dan sisi kedua terang train/f02-04-206.wav,pada permainan ini kita asumsikan warna hitam dan putih jumlah pemain dua orang train/f02-04-209.wav,setiap pemain bergantian meletakkan koinnya train/f02-04-211.wav,jika kedua pemain tidak bisa lagi meletakkan koin koin maka permainan berakhir train/f02-04-213.wav,pemenangnya adalah pemain yang memiliki koin paling banyak di atas papan train/f02-04-214.wav,algoritma greedy dapat diaplikasikan untuk memenangkan permainan train/f02-04-216.wav,algoritma greedy dipakai oleh komputer pada tipe permainan komputer versus manusia train/f02-04-217.wav,dua strategi greedy heuristik heuristik yang pertama adalah greedy by jumlah koin train/f02-04-222.wav,bahkan untuk pojok area yang sulit dilangkahi oleh lawan train/f02-04-225.wav,fungsi seleksinya adalah milih milih langkah yang memiliki jumlah koin diapit paling besar train/f02-04-226.wav,fungsi kelayakannya adalah semua langkah langkah adalah layak train/f02-04-227.wav,fungsi objektifnya yaitu yaitu maksimumkan jumlah koin lawan train/f02-04-228.wav,berikut merupakan gambarnya train/f02-04-229.wav,sekian untuk untuk algoritma greedy train/f02-04-230.wav,terima kasih train/f03-01-001.wav,selamat pagi semuanya train/f03-01-002.wav,apa kabar sehat sehat sehat train/f03-01-003.wav,ya masih inget gak pelajaran kemarin itu tentang apa train/f03-01-005.wav,pada saat ini kita akan belajar tentang clustering khususnya khususnya unsupervised learning train/f03-01-006.wav,apasih unsupervised learning itu train/f03-01-007.wav,nah clustering sendiri adalah proses pengelompokkan data data menjadi cluster berbasis kesamaan data train/f03-01-009.wav,terdapat tiga karakteristik dari clustering train/f03-01-014.wav,nah kenapa sih kita harus melakukan clustering train/f03-01-015.wav,terdapat tiga hal ya ya train/f03-01-016.wav,yang pertama data discovery train/f03-01-018.wav,kemudian yang kedua gunanya adalah partisi atau pengelompokkan contohnya segmentasi pasar train/f03-01-021.wav,contohnya contohnya ada peringkasan teks berbasis clustering train/f03-01-022.wav,nah ada tahapan tahapan yang di dalam melakukan clustering train/f03-01-023.wav,ada tiga tahapan utama dan dua tahapan optional optional train/f03-01-024.wav,tahapan utamanya ini adalah pemilihan fitur atau bahasa inggrisnya feature selection selection train/f03-01-026.wav,misalnya untuk mahasiswa ada nama ada tanggal lahir ada ada daerah asal dan sebagainya train/f03-01-031.wav,kemudian ditransformasi menjadi sembilan sembilan sembilan belas sembilan lapan train/f03-01-032.wav,yang kedua tahapan yang kedua dari clustering adalah pattern proximity atau similarity measure train/f03-01-033.wav,yaitu yaitu melihat kesamaan kesamaan diantara instance yang ada train/f03-01-034.wav,yang ketiga yang terakhir adalah grouping train/f03-01-035.wav,pengelompokkan dari instance instance yang ada train/f03-01-036.wav,nah output-nya ini ini bisa memiliki dua jenis yang satu hard yang satu soft train/f03-01-037.wav,apa itu soft clustering clustering train/f03-01-039.wav,kebayang gak bedanya ya train/f03-01-041.wav,nah ada ada tahapan lanjutan dari clustering tapi ini optional sih train/f03-01-043.wav,terdapat beberapa jenis jenis atau mungkin beberapa metode ya beberapa cara untuk merepresentasikan cluster train/f03-01-044.wav,yang pertama itu menggunakan centroid train/f03-01-047.wav,kemudian ada pohon klasifikasi dan ada juga juga conjunctive statements train/f03-01-048.wav,nah clustering ini ada beberapa kategorinya nih metode metodenya train/f03-01-050.wav,nah kita akan bahas satu satu ya train/f03-01-051.wav,mungkin ini pembukaan dari setiap jenis lebih tepatnya ya train/f03-01-052.wav,yang pertama metode partitioning itu dengan partisi train/f03-01-053.wav,dia mengidentifikasi partisi yang mengoptimalkan kriteria pengelompokkan misalnya menggunakan squared error atau absolute error train/f03-01-057.wav,yang kedua ada ada metode yang hierarchical train/f03-01-062.wav,nah yang ini namanya divisive train/f03-01-063.wav,yang ketiga itu metode berbasis kerapatan atau density density train/f03-01-065.wav,densitas itu bisa dikatakan jumlah objek train/f03-01-066.wav,contohnya ada dbscan train/f03-01-067.wav,dbscan itu density based spatial clustering of applications with noise train/f03-01-068.wav,yang keempat ada metode berbasis grid train/f03-01-071.wav,nah grid ini ternyata saudara saudara saudara baik untuk eksekusi yang paralel train/f03-01-073.wav,sekarang kita akan bahas lebih detil mengenai metode partisi train/f03-01-075.wav,dalam kata lain partisi ini ini ini maaf train/f03-01-079.wav,kira kira seperti itu itu train/f03-01-080.wav,nah contohnya itu itu k means k medoids dan graph theoretic train/f03-01-081.wav,input pada algoritma k means train/f03-01-082.wav,oh iya ya sekarang kita bahas yang k means dulu nih train/f03-01-084.wav,output-nya adalah adalah adalah apa ya output-nya ya sejumlah k cluster train/f03-01-086.wav,nah langkah langkahnya nih train/f03-01-087.wav,yang pertama kita pilih k objek train/f03-01-088.wav,k objek ini random aja arbitrary train/f03-01-091.wav,nah apa yang mesti kita ulang ulang ulang train/f03-01-098.wav,nah di k means ini train/f03-01-100.wav,kelemahan k medoids medoids sorry sorry train/f03-01-101.wav,kelemahan k means itu ada ada disini ada lima ya train/f03-01-102.wav,yang pertama tidak ada panduan penentuan nilai k yang baik train/f03-01-104.wav,yang kedua hasil sangat dipengaruhi oleh inisialisasi centroid train/f03-01-105.wav,ya ini tadi kita udah bahas ya ya ya train/f03-01-106.wav,inisialisasi centroid ini ini dapat menjadi faktor dari dua hal ini nih train/f03-01-107.wav,misalnya sering sering berhenti pada optimum lokal atau atau hasil akhir tidak stabil train/f03-01-108.wav,nah kelemahan yang ketiga algoritmanya tidak scalable train/f03-01-109.wav,yang keempat mean hanya ter ter definisi untuk atribut yang numerik train/f03-01-110.wav,sehingga kalau untuk atribut yang nominal digunakan digunakan metode k mods namanya modus train/f03-01-112.wav,yang kedua itu ada k medoids train/f03-01-116.wav,kalau kita lihat lihat kita perhatikan dengan seksama seksama train/f03-02-001.wav,selamat pagi semuanya train/f03-02-003.wav,mengapa perlu diteliti train/f03-02-004.wav,terdapat tiga hal train/f03-02-005.wav,yang pertama di dalam gereja gereja terdapat perbedaan pengertian terhadap al kitab train/f03-02-012.wav,biasanya yang dilakukan adalah tiga hal ini train/f03-02-015.wav,dan yang ketiga ketiga pengembalian jawaban berupa urutan urutan urutan urutan sorry sorry maaf train/f03-02-016.wav,pengembalian jawaban jawaban berupa simpul atau himpunan simpul kepada pengguna train/f03-02-017.wav,dalam ta ini rumusan masalahnya ada tiga train/f03-02-018.wav,yang pertama apa kriteria efektivitas pencarian kata kunci pada al kitab train/f03-02-020.wav,rumusan masalah terakhir adalah bagaimana kinerja algoritma tersebut jika dibandingkan dengan open bible train/f03-02-023.wav,terdapat empat batasan train/f03-02-025.wav,kemudian ruang solusi dibatasi pada teknik teknik teknik yang memanfaatkan struktur data graf train/f03-02-029.wav,adapun langkah langkah pengerjaanya yaitu yang pertama analisis masalah train/f03-02-030.wav,yang kedua identifikasi alternatif solusi solusi train/f03-02-031.wav,yang ketiga analisis alternatif solusi train/f03-02-033.wav,nah jadi apasih kriteria efektivitas pencarian kata kunci pada al kitab train/f03-02-035.wav,kemudian dilakukan analisis terhadap terhadap ayat ayat tersebut tersebut train/f03-02-036.wav,kemudian terdapat terdapat beberapa prinsip pembelajaran al kitab menurut wierner dan dan dave whitson train/f03-02-037.wav,tapi pada pada tugas akhir ini ini ini yang di-highlight adalah dua prinsip ini train/f03-02-039.wav,kedua kedua semua bagian pada al kitab memiliki bobot yang sama train/f03-02-040.wav,nah dari pedoman dan prinsip ini diidentifikasilah dua kriteria efektivitas train/f03-02-049.wav,nah mengapa sih menggunakan icrf icrf train/f03-02-052.wav,yang kedua kedua icrf dapat memperlihatkan hubungan antarsimpul kepada pengguna train/f03-02-053.wav,yang ketiga icrf dapat dikonfigurasi sedemikian rupa untuk memenuhi kebutuhan domain yang spesifik train/f03-02-054.wav,selanjutnya yang akan saya kerjakan train/f03-02-055.wav,yang pertama adalah menganalisis konfigurasi icrf yang efektif untuk domain al kitab train/f03-02-056.wav,yang kedua menganalisis konfigurasi query expansion yang efektif untuk domain al kitab train/f03-02-057.wav,yang ketiga implementasi sistem sistem train/f03-02-059.wav,setelah itu dilakukan penarikan kesimpulan train/f03-02-060.wav,terima kasih train/f03-03-001.wav,mencari algoritma yang paling efektif train/f03-03-003.wav,yang kedua kedua memberikan kesempatan pada pengguna untuk melihat hubungan antarayat train/f03-03-004.wav,nah sekarang kita akan membandingkan nih nih algoritma algoritma yang ada train/f03-03-005.wav,yang pertama object rank train/f03-03-007.wav,x rank rank ayat ayat al kitab tidak dapat direpresentasikan dengan xml train/f03-03-008.wav,dbexplorer dan discovered tidak dapat menggambarkan hubungan antarayat train/f03-03-015.wav,nilai ambang lambda pada sebuah iterasi adalah nilai skor yang ditemukan pada iterasi sebelumnya train/f03-04-003.wav,kemudian untuk poin justifying the selection of everything they do train/f03-04-004.wav,makna dari visualisasi telah tertulis pada legenda legenda train/f03-04-006.wav,semakin banyak kalori per orang pada satu periode warnanya semakin biru train/f03-04-007.wav,serta pemilihan warna yang kontras jelas dan seragam membuat visualisasi ini dinilai baik train/f03-04-008.wav,poin selanjutnya adalah creating accessibility through intuitive design train/f03-04-010.wav,yang terakhir terakhir never deceive the receiver train/f03-04-011.wav,dengan gambar yang proporsional besarnya sesuai dengan data visualisasi ini ini tidak menipu train/f03-04-012.wav,untuk untuk contoh buruknya buruknya strive for forms and functions train/f03-04-015.wav,kemudian justifying the selection of everything they do train/f03-04-018.wav,poin selanjutnya adalah creating accessibility through intuitive design/ design/ train/f03-04-019.wav,nah kalau untuk kasus ini grafik dapat dimengerti dengan cepat train/f03-04-020.wav,yang terakhir never deceive the receiver train/f03-04-021.wav,terdapat perubahan jarak pada sumbu x dari per tahun menjadi per tiga bulan train/f03-04-022.wav,hal ini menimbulkan kesan bahwa akhir akhir ini pertumbuhan pinjaman melambat melambat train/f04-01-001.wav,baik selamat pagi semuanya train/f04-01-002.wav,assalamualaikum warrahmatullahi wabarakatuh train/f04-01-005.wav,masih ingat train/f04-01-006.wav,coba sebutkan train/f04-01-007.wav,yang pertama apa train/f04-01-008.wav,oh iya benar train/f04-01-009.wav,strive for forms and function train/f04-01-010.wav,yang kedua justifying the selection of everything we do terus selanjutnya train/f04-01-012.wav,nah coba kalian liat ditampilan ini salah satu contoh visualisasi data train/f04-01-013.wav,menurut kalian ini visualisasi datanya baik atau buruk train/f04-01-014.wav,ya sama saya juga sependapat ini visualisasi data yang baik kenapa train/f04-01-015.wav,jika kita melihat dari empat prinsip tadi kita petakan satu per satu train/f04-01-017.wav,coba kalian amati bagaimana bentuk dan fungsi pada contoh visualisasi data ini train/f04-01-022.wav,coba kamu jawab train/f04-01-025.wav,nah itu mereka memiliki alasan kenapa memilih membedakan ukurannya train/f04-01-026.wav,kemudian alasannya apa coba train/f04-01-027.wav,oh iya itu alasannya untuk mengetahui perbandingan jumlahnya ya benar sekali train/f04-01-028.wav,terus selain itu apa lagi coba di prinsip ini train/f04-01-030.wav,ya bu train/f04-01-032.wav,kemudian prinsip selanjutnya train/f04-01-033.wav,apa tadi yang ketiga train/f04-01-036.wav,nah nah terus selanjutnya kita prinsip yang terakhir train/f04-01-038.wav,enggak kan train/f04-01-039.wav,iya train/f04-01-041.wav,mengerti train/f04-01-042.wav,nah selanjutnya kita lanjut gambar selanjutnya train/f04-01-043.wav,coba dilihat sebentar train/f04-01-044.wav,lima detik train/f04-01-045.wav,menurut kalian ini gambar apa train/f04-01-046.wav,ini adalah gambar tentang penghasilan dari seorang pemain baseball yang terkenal pemain top-nya train/f04-01-047.wav,ini penghasilan di tahun dua ribu tujuh belas ya ya train/f04-01-048.wav,ini contoh yang buruk apa baik train/f04-01-049.wav,ada yang berpendapat ini baik angkat tangan coba train/f04-01-050.wav,ga ada ya train/f04-01-051.wav,ada yang berpendapat ini buruk train/f04-01-052.wav,oh berarti kalian semua berpendapat ini buruk train/f04-01-053.wav,kenapa nih train/f04-01-055.wav,ya ga train/f04-01-057.wav,bagaimana kalo menurut kalian train/f04-01-058.wav,sama sependapat dengan saya train/f04-01-059.wav,bagus train/f04-01-060.wav,selanjutnya coba kalo gitu kenapa ya ini bisa disebut jelek train/f04-01-061.wav,tadi yang angkat tangan semua orang kan train/f04-01-062.wav,coba salah satu kenapa ini jelek train/f04-01-063.wav,engga mau jawab train/f04-01-064.wav,saya bantu nih train/f04-01-065.wav,jadi kenapa ini jelek train/f04-01-066.wav,coba kita prinsip kedua ya train/f04-01-067.wav,apa tadi prinsip kedua train/f04-01-068.wav,justifying the selection of everything we do train/f04-01-069.wav,dari segi warna kira kira gimana train/f04-01-072.wav,ini ini bagus ya ya itunya memilih bar dan warnanya train/f04-01-073.wav,tapi kenapa jelek disini train/f04-01-074.wav,nah coba liat panjang bar dengan jumlah penghasilannya train/f04-01-076.wav,oh tetapi coba liat pemain yang kedua dan pemain yang terakhir nih train/f04-01-077.wav,itu sangat berbeda jauh kan penghasilannya tapi mereka memiliki bar yang sama train/f04-01-079.wav,ini pemilihan panjang barnya tidak proporsional begitu train/f04-01-083.wav,coba selanjutnya selanjutnya selanjutnya prinsip ketiga accessibility through intuitive design train/f04-01-084.wav,menurut kalian gambar ini dari desainnya desainnya desainnya kalian dapat dapat dapat memahami ga train/f04-01-085.wav,kembali lagi ya train/f04-01-087.wav,seperti contoh yang baik sebelumnya semakin besar ukuran lingkaran semakin besar nilai brandnya train/f04-01-089.wav,itu juga minusnya ya train/f04-01-090.wav,kemudian selanjutnya yang prinsip terakhir nih train/f04-01-091.wav,prinsip terakhir yang never deceive the receiver train/f04-01-096.wav,oke oke untuk pertemuan kali ini sampai disini saja ya train/f04-01-097.wav,terima kasih train/f04-01-098.wav,wassalamualaikum warrahmatullahi wabarakatuh train/f04-02-001.wav,selamat siang semuanya train/f04-02-002.wav,assalamualaikum warrahmatullahi wabarakatuh train/f04-02-003.wav,kita lanjutkan pembahasan yang kemarin ya beberapa interface train/f04-02-004.wav,sekarang kita lanjut ke ke haptic interface train/f04-02-005.wav,haptic berasal dari kata yunani haptiko itu berarti being able to come into contact train/f04-02-010.wav,contohnya untuk saat ini itu ya train/f04-02-011.wav,kalian tau mengenai aplikasi levelizer train/f04-02-012.wav,tau ga train/f04-02-015.wav,itu salah satu contoh haptic inteface pada smartphone pada aplikasi ya train/f04-02-016.wav,kemudian ada beberapa contoh lain lain contohnya kalian tau keyboard train/f04-02-017.wav,keyboard yang itu yang ya keyboard biasa lah keyboard biasa juga bisa train/f04-02-018.wav,itu juga juga contoh haptic interface train/f04-02-020.wav,ada yang bisa ngasih contoh lagi terkait haptic interface train/f04-02-021.wav,ga ada train/f04-02-022.wav,oke kita lanjut ya train/f04-02-023.wav,oh ini contoh berikutnya train/f04-02-024.wav,contohnya cyber grasp system train/f04-02-031.wav,nah sebenarnya apasih keuntungan dengan penggunaan haptic interface ini train/f04-02-034.wav,kemudian kemudian hal tersebut karena sangat mengandalkan sense of touch-nya train/f04-02-042.wav,terus disini kita ada advantage-nya keuntungannya pasti juga ada kekurangannya kan ya ya disadvantage-nya train/f04-02-043.wav,apasih kekurangan dari haptic inteface ini train/f04-02-044.wav,haptic inteface jikalau berlebihan itu dari sisi user experience-nya dapat menyebabkan pengguna merasa annoy train/f04-02-046.wav,nah coba kekurangan yang lain train/f04-02-047.wav,apa coba train/f04-02-049.wav,contohnya bukan contoh sih ya kekurangan haptic interface lagi ya itu dari sisi feedback-nya train/f04-02-051.wav,contohnya hanya berupa efek getaran sehingga dapat menyebabkan kebingungan untuk pemulanya train/f04-02-053.wav,jadi salah satunya ya itu feedback-nya kemudian tadi yang jika berlebihan itu merasa annoy train/f04-02-055.wav,nah itu salah satu kerugiannya train/f04-02-058.wav,nah itu terakhir beberapa beberapa jenis interface train/f04-02-059.wav,sekian dulu dulu besok kita lanjut ke materi selanjutnya ya train/f04-02-060.wav,terima kasih wassalamualaikum warrahmatullahi wabarakatuh train/f05-01-001.wav,nah bahasan kali ini adalah mengenai software as a service train/f05-01-003.wav,nah pertama itu adalah cloud computing train/f05-01-009.wav,cloud computing telah memunculkan paradigma paradigma komputasi yang didistribusikan dalam skala yang besar train/f05-01-013.wav,pemilihan model service yang tepat merupakan kunci suksesnya penggunaan layanan cloud train/f05-01-029.wav,pembahasan software as a service lanjut akan dibahas pada subbab subbab subbab train/f05-01-030.wav,software as a service akan dilanjut pada pada pada bagian berikutnya train/f05-01-034.wav,nah semua layanan tersebut disediakan oleh vendor train/f05-01-040.wav,sedangkan untuk saas ini lisensi akan sesuai dengan pemakaian aplikasi saja train/f05-01-042.wav,nah apa saja sih karakteristik dari dari software as a service ini train/f05-01-046.wav,selain melalui web browser service juga dapat diakses melalui wan pada personal computer client train/f05-01-061.wav,nah nah salah satu nah ini contoh contoh dari aplikasi saas train/f05-01-074.wav,nah salah satu yang besar dan juga tekenal itu adalah salesforce train/f05-01-077.wav,nah akan dibahas lebih lanjut tentang multitenancy train/f05-01-092.wav,nah train/f05-01-093.wav,model aplikasi multitenant memberikan memberikan kemungkinan untuk tenant berinteraksi dengan dengan empat sharing level train/f05-01-114.wav,termasuk dalam memantau penggunaan aplikasi oleh masing masing tenant train/f05-01-116.wav,nah untuk proses billing penyedia layanan biasanya memiliki metode metode yang berbeda beda train/f05-01-127.wav,nah dari segi train/f05-01-129.wav,nah untuk train/f05-01-131.wav,mungkin itu saja sekian train/f06-01-001.wav,okay jadi saya akan menjelaskan sedikit mengenai agent based model train/f06-01-002.wav,agent based model ini termasuk dari sebuah metode pemodelan sistem kompleks sistem kompleks train/f06-01-003.wav,apa itu sistem kompleks sistem kompleks adalah suatu sistem yang terdiri dari beberapa komponen train/f06-01-004.wav,yang saling berinteraksi train/f06-01-007.wav,nah nah pemodelan train/f06-01-008.wav,menggunakan agent based model ini train/f06-01-009.wav,terfokus pada train/f06-01-010.wav,pemodelan terhadap train/f06-01-011.wav,pelaku kasusnya train/f06-01-013.wav,sementara menurut macal dan north train/f06-01-014.wav,agent based model train/f06-01-017.wav,pemodelan ini termasuk salah satu metode bottom up train/f06-01-018.wav,yaitu yaitu suatu kondisi dimodelkan berdasarkan train/f06-01-020.wav,sehingga dapat memberikan gambaran mengenai suatu kondisi secara global train/f06-01-022.wav,secara secara secara keseluruhan agent based model ini memiliki karakteristik sebagai berikut train/f06-01-023.wav,yaitu yang pertama merupakan pemodelan dengan pendekatan bottom up train/f06-01-024.wav,yang kedua train/f06-01-025.wav,aspek waktu dimodelkan secara diskrit train/f06-01-029.wav,dapat memberikan deskripsi alami sistem dan fleksibel train/f06-01-031.wav,yang sering kali susah untuk ditransformasikan menjadi model matematis train/f06-01-032.wav,berdasarkan kelebihan tersebut train/f06-01-035.wav,maksudnya train/f06-01-036.wav,setiap agen disini akan akan train/f06-01-037.wav,berlaku sesuai dengan train/f06-01-038.wav,perilaku yang telah di-assign terhadap masing-masing agen tersebut train/f06-01-040.wav,sehingga agen biasanya bersifat independen train/f06-01-041.wav,yaitu agen melakukan pengambilan keputusan secara mandiri berdasarkan stimulus yang didapatkannya train/f06-01-042.wav,untuk mendapatkan gambaran yang lebih jelas diberikan sebuah contoh pada train/f06-01-044.wav,lampu lalu lintas train/f06-01-045.wav,suatu contoh yang terjadi pada persimpangan jalan dengan lampu lalu lintas train/f06-01-046.wav,apabila lampu merah menyala hal tersebut tidak secara langsung membuat train/f06-01-047.wav,kendaraan berhenti train/f06-01-048.wav,maksudnya lampu tersebut tidak akan membuat train/f06-01-049.wav,kendaraan serta merta berhenti train/f06-01-050.wav,sementara lampu tersebut hanya memberikan stimulus bagi train/f06-01-051.wav,pengendaranya untuk menghentikan mobilnya train/f06-01-053.wav,selanjutnya train/f06-01-054.wav,sebuah agent based model memiliki tiga elemen train/f06-01-055.wav,yaitu satu sekumpulan agen train/f06-01-056.wav,yang kedua keterhubungan antar agen dan jenis interaksinya atau yang biasa disebut dengan topologi train/f06-01-057.wav,dan yang terakhir yaitu lingkungannya train/f06-01-058.wav,selanjutnya akan dibahas mengenai agen terlebih dahulu train/f06-01-060.wav,agen dari sebuah sistem memiliki beberapa karakteristik sebagai berikut train/f06-01-061.wav,yang pertama yaitu diskrit dan teridentifikasi train/f06-01-062.wav,maksudnya terdapat perbedaan yang jelas antara satu agen dengan agen yang lain train/f06-01-063.wav,maupun agen dengan lingkungannya train/f06-01-064.wav,sehingga dapat diidentifikasi relasi-relasi yang terbentuk antaragen maupun antar lingkungan train/f06-01-065.wav,yang kedua yaitu autonomous train/f06-01-066.wav,maksudnya masing-masing agen secara mandiri aktif melakukan aksi-aksi tanpa ada komando secara terpusat train/f06-01-067.wav,yang ketiga yaitu agen memiliki state train/f06-01-068.wav,state atau status bisa berupa kondisi tertentu yang dianggap train/f06-01-069.wav,sebagai state train/f06-01-070.wav,yang sedang berlaku pada agen maupun kombinasi dari kondisi-kondisi tersebut train/f06-01-071.wav,sebagai contoh dalam kasus train/f06-01-072.wav,lampu merah yang tadi state disini state dari sebuah mobil train/f06-01-073.wav,bisa berarti train/f06-01-074.wav,mobil tersebut berhenti atau mobil tersebut tetap jalan seperti itu train/f06-01-075.wav,selanjutnya train/f06-01-077.wav,karakteristik selanjutnya yaitu berinteraksi train/f06-01-078.wav,dan mampu mempengaruhi lingkungannya train/f06-01-079.wav,yang kelima yaitu memiliki kemampuan beradaptasi train/f06-01-080.wav,kemampuan beradaptasi ini train/f06-01-081.wav,tegantung terhadap stimulus yang diberikan atau stimulus yang train/f06-01-082.wav,didapatkannya train/f06-01-083.wav,yang keenam train/f06-01-084.wav,yaitu goal directed train/f06-01-085.wav,yaitu agen bergerak train/f06-01-087.wav,bukan hanya merespon dan beradaptasi terhadap stimulus dari eksternal agent tersebut train/f06-01-088.wav,nah selanjutnya agen hanya memiliki informasi yang terbatas train/f06-01-089.wav,tidak memiliki informasi mengenai kondisi global dari sistem train/f06-01-090.wav,untuk mencapai tujuannya maka agen akan melakukan interaksi dengan agen di sekitarnya train/f06-01-091.wav,atau dengan lingkungannya untuk menentukan aksi apa yang harus dilakukan selanjutnya train/f06-01-092.wav,kembali kepada contoh contoh mobil yang sedang dikendarai di suatu jalan train/f06-01-093.wav,nah train/f06-01-094.wav,tujuan dari sebuah agen tersebut adalah train/f06-01-095.wav,mencapai tujuannya train/f06-01-096.wav,mencapai lokasi tujuannya train/f06-01-097.wav,nah sementara train/f06-01-098.wav,stimulus yang diberikan oleh lingkungan bisa jadi train/f06-01-099.wav,sebuah jalan yang harus belok ke kanan atau belok ke kiri atau mungkin train/f06-01-100.wav,menemui lampu lalu lintas yang mengharuskan mobil tersebut berhenti atau train/f06-01-101.wav,memutuskan untuk kembali berjalan seperti itu train/f06-01-104.wav,seperti yang train/f06-01-105.wav,terdapat pada gambar berikut train/f06-01-106.wav,nah selanjutnya akan dibahas mengenai lingkungan train/f06-01-108.wav,lingkungan secara tidak langsung memberikan batasan-batasan yang harus diikuti oleh agen train/f06-01-111.wav,lingkungan harus didesain sedemikian rupa train/f06-01-112.wav,agar dapat memberikan stimulus yang tepat untuk agen train/f06-01-113.wav,misalkan dalam sebuah sistem evakuasi bencana train/f06-01-114.wav,pada kondisi design ruangan tertentu akan memberikan dampak kemacetan dan tingkat efektivitas proses evakuasi train/f06-01-115.wav,sementara itu pada contoh lain train/f06-01-116.wav,yaitu kasus perilaku serangga apabila diberikan kondisi berupa suhu yang tinggi pada lingkungan train/f06-01-117.wav,maka perilakunya akan berbeda jika dibandingkan dengan suhu yang normal train/f06-01-118.wav,selanjutnya ada train/f06-01-119.wav,beberapa contoh penerapan agent based model train/f06-01-121.wav,yang sedang melakukan migrasi train/f06-01-122.wav,pada kasus tersebut didefinisikan agennya adalah setiap individu burung yang terlibat train/f06-01-123.wav,dan memiliki arah terbang dengan kecepatan tertentu train/f06-01-124.wav,selanjutnya ditetapkan aturan yang berlaku untuk setiap agen train/f06-01-125.wav,yang pertama yaitu train/f06-01-126.wav,agen melakukan deteksi terhadap lokasi burung terdekat train/f06-01-127.wav,aturan ini berlaku ketika suatu agen telah berkelompok dengan beberapa agen yang lain train/f06-01-128.wav,dan harus mempertahankan posisinya untuk tetap bersama train/f06-01-129.wav,aturan yang kedua train/f06-01-130.wav,apabila aturan pertama tidak berlaku yaitu dalam kondisi agen tersebut belum memiliki kelompok tertentu train/f06-01-132.wav,kondisi tersebut misalnya arahnya tidak tidak berlawanan jadi apabila suatu agen mengarah ke utara train/f06-01-133.wav,dia tidak akan bisa bisa bergabung dengan sekumpulan agen yang mengarah ke selatan train/f06-01-134.wav,sebaliknya train/f06-01-135.wav,apabila train/f06-01-136.wav,maka train/f06-01-137.wav,agen tersebut dapat train/f06-01-138.wav,mengikuti suatu kumpulan agen train/f06-01-139.wav,yang mengarah ke timur atau ke barat train/f06-01-140.wav,selanjutnya aturan ketiga train/f06-01-141.wav,yaitu aplikasikan aturan kedua apabila apabila train/f06-01-142.wav,apabila terjadi pertemuan antara train/f06-01-143.wav,dua kelompok berbeda train/f06-01-145.wav,jadi misalkan train/f06-01-146.wav,apabila suatu agen yang belum belum belum memiliki kelompok tertentu train/f06-01-147.wav,lalu dia dia menemukan dua kelompok train/f06-01-148.wav,agen dengan arah yang berbeda train/f06-01-149.wav,maka train/f06-01-150.wav,maka dia akan train/f06-01-151.wav,mencoba mencoba menghitung train/f06-01-152.wav,kelompok mana yang train/f06-01-153.wav,memiliki usaha lebih sedikit train/f06-01-154.wav,untuk dia mengikuti kelompok tersebut train/f06-01-155.wav,contoh bisa dilihat dalam train/f06-01-156.wav,aplikasi train/f06-01-157.wav,net logo train/f06-01-158.wav,berikut ini ada suatu segmen garis train/f06-01-159.wav,yang menunjukkan train/f06-01-160.wav,bentuk formasi kelompoknya train/f06-01-161.wav,selanjutnya train/f07-01-001.wav,langsung saja kita mulai train/f07-01-002.wav,pada hari ini akan menjelaskan mengenai studi literatur terkait terkait di bidang hci train/f07-01-003.wav,jadi yang pertama kita akan membahas tentang definisi perancangan interaksi train/f07-01-004.wav,apa itu definisi definisi dari dari perancangan interaksi train/f07-01-005.wav,perancangan interaksi merupakan sebuah pendekatan yang mengutamakan kebutuhan manusia train/f07-01-006.wav,kapabilitas atau kemampuannya dan perilaku atau behaviour-nya train/f07-01-007.wav,nah nah alan cooper juga menyampaikan train/f07-01-008.wav,bahwa desain yang baik itu mulai dari psikologi dan teknologi atau atau mengkombinasikan keduanya train/f07-01-009.wav,selain itu desain yang baik juga membutuhkan komunikasi yang baik train/f07-01-010.wav,human centered design merupakan sebuah filosofi yang disertai dengan kumpulan prosedur train/f07-01-012.wav,definisi satu persatu itu bisa train/f07-01-014.wav,ini erat kaitannya dengan posisinya atau atau ukurannya pada halaman train/f07-01-015.wav,lalu yang kedua adalah feedback train/f07-01-016.wav,feedback ini mengacu kepada kepada reaksi yang diberikan oleh objek setelah pengguna memberikan aksi train/f07-01-017.wav,dan saat ini feedback itu sudah mulai beragam train/f07-01-018.wav,mulai dari interaksi rancangannya bahkan sebelum sebelum pengguna itu memberikan aksi train/f07-01-020.wav,lalu yang ketiga adalah conceptual model train/f07-01-021.wav,conceptual model merupakan proses analisis train/f07-01-022.wav,informasi apa saja yang akan diberikan pada antar muka train/f07-01-023.wav,lalu yang keempat adalah affordance mengacu pada hubungan antara objek dengan pengguna train/f07-01-024.wav,dan signifiers train/f07-01-025.wav,mengacu kepada peletakan objek agar pengguna dapat melakukan aksi yang sesuai dengan lebih mudah train/f07-01-027.wav,berikutnya adalah constraint yaitu menyediakan batasan dari segi fisik logic maupun semantik train/f07-01-030.wav,untuk user experience goal sendiri itu ada tujuh belas train/f07-01-031.wav,yang diinginkan sedangkan aspek yang yang tidak diinginkan juga juga ada train/f07-01-033.wav,biasanya untuk user experience mungkin dapat dipilih dua atau tiga aspek yang diinginkan train/f07-01-034.wav,untuk untuk begitu pula pula hal yang sama untuk usability goal train/f07-01-036.wav,lalu kemudian ada pendekatan train/f07-01-038.wav,selain daripada metode yang dilakukan train/f07-01-040.wav,kemudian train/f07-01-041.wav,seberapa seberapa kedekatan train/f07-01-042.wav,designer dengan train/f07-01-043.wav,calon penggunanya train/f07-01-044.wav,kemudian untuk alur kerja yang dipilih train/f07-01-046.wav,dan pada pada tugas akhir ini yang dipilih adalah train/f07-01-047.wav,iso pendekatan pendekatan pendekatan alur kerja dari iso train/f07-01-049.wav,tapi tapi tetapi selain dari keempat tahap tersebut train/f07-01-052.wav,oleh karena itu itu train/f07-01-054.wav,kegiatan-kegiatan berikutnya train/f07-01-055.wav,pada tahap perencanaan sendiri terdapat dua proses utama yaitu persiapan kuesioner dan penyebaran kuesioner train/f07-01-057.wav,untuk tahap yang ketiga yaitu analisis kebutuhan pengguna train/f07-01-058.wav,terdapat train/f07-01-061.wav,perancangan prototipenya yang biasanya terbagi menjadi dua yaitu low fidelity dan high fidelity train/f07-01-062.wav,kemudian pengujian internal prototipe train/f07-01-063.wav,dan penyerahan prototipe kepada tim terkait train/f07-01-065.wav,perencanaan jalur evaluasi train/f07-01-066.wav,pelaksanaan pengujian analisis pengujian dan penyerahan design solusi kepada sistem terkait train/f07-01-069.wav,sedangkan pada dua alur kerja lainnya yaitu lowdermilk dan albani-lombardi albani-lombardi train/f07-01-072.wav,selain itu alur kerja ini juga lebih ditujukan untuk pengembangan programmer daripada designer train/f07-01-074.wav,perbedaannya hanya terdapat pada iterasi yang dilakukan train/f07-01-076.wav,sedangkan pada iso train/f07-01-077.wav,iterasinya itu train/f07-01-078.wav,dapat ke tahap manapun sesuai dengan kebutuhan sehingga dinilai dapat menjadi lebih efisien train/f07-01-079.wav,dari segi waktu train/f07-01-080.wav,untuk e-commerce penjelasannya akan train/f07-01-081.wav,dilewat saja train/f07-01-082.wav,juga juga beberapa train/f07-01-083.wav,aplikasi yang sudah ada saat ini train/f07-01-084.wav,kemudian akan dibahas masalah-masalah umum yang biasa ditemui dalam perancangan interaksi speech recognition train/f07-01-088.wav,namun pada perancangan interaksi speech recognition kedua aktivitas tersebut cukup sulit untuk dilakukan train/f07-01-090.wav,seharusnya seharusnya train/f07-01-091.wav,penguji itu train/f07-01-092.wav,tidak tidak train/f07-01-093.wav,tidak termasuk sebagai train/f07-01-094.wav,masukan dari pengujian train/f07-01-095.wav,suaranya train/f07-01-097.wav,padahal interaksi speech recognition hanya ditujukan untuk penerima yang menerima masukan dari penguji saja train/f07-01-099.wav,perlu menekan suatu tombol terlebih dahulu sebelum menerima semua masukan train/f07-01-102.wav,ini adalah detail dari train/f07-01-103.wav,pelaksanaan train/f07-01-106.wav,jadi secara singkat saja akan dijelaskan bagaimana akhirnya dapat mendapatkan user goal ini train/f07-01-108.wav,kemudian dari dua masalah utama tersebut didapatkan dua jenis persona train/f07-01-109.wav,dan dua jenis persona ini kemudian kemudian dicari fitur-fitur apa saja yang dibutuhkan train/f07-01-110.wav,dari kedua persona tersebut train/f07-01-111.wav,dan terdapat lima buah fitur train/f07-01-112.wav,sebagai berikut yaitu fitur mencari produk dengan lima user task train/f07-01-113.wav,kemudian melihat produk rekomendasi dengan tiga user task train/f07-01-114.wav,kemudian melihat produk pada keranjang belanja train/f07-01-115.wav,memesan produk dengan dua user task dan melacak status produk train/f07-01-117.wav,kemudian didapatkan terdapat satu fitur yaitu train/f07-01-119.wav,berikut adalah kebutuhan dari setiap persona untuk keempat fitur yang akhirnya dipilih train/f07-01-121.wav,yang akan diuji kepada masing-masing persona minimal lima orang train/f07-01-123.wav,yaitu apabila usability goal dan experience goal sudah tercapai sebanyak sembilan puluh persen train/f07-01-125.wav,kemudian akan dilakukan pengujian yang sama yang serupa train/f07-01-126.wav,kemudian untuk train/f07-01-127.wav,pengujiannya sendiri train/f07-01-128.wav,di sini ada beberapa train/f07-01-129.wav,parameter yang digunakan train/f07-01-130.wav,biasanya ada tiga jenis train/f07-01-131.wav,perhitungan tipe parameter ut yaitu yang pertama adalah seq atau single easy question train/f07-01-132.wav,kemudian yang kedua adalah train/f07-01-133.wav,ini adalah contohnya train/f07-01-134.wav,biasanya skalanya bisa tujuh atau lima train/f07-01-135.wav,minimal lima train/f07-01-136.wav,kemudian yang parameter kedua adalah system usability scale train/f07-01-137.wav,dengan jumlah pertanyaan yang sudah train/f07-01-138.wav,di bawah seperti ini sehingga bahkan terkadang train/f07-01-139.wav,ini tidak boleh di-translate karena akan mengubah artinya train/f07-01-140.wav,ya yang digunakan tetap bahasa inggris dengan asumsi train/f07-01-141.wav,peserta dapat memahami arti dari bahasa tersebut train/f07-01-142.wav,kemudian yang ketiga adalah train/f07-01-143.wav,net promote score train/f07-01-144.wav,untuk perhitungan ini lebih dari sisi marketing apakah pengguna akan mempromosikannya kepada orang lain train/f07-01-145.wav,cukup sekian kuliah hari ini train/f07-01-146.wav,terima kasih atas perhatiannya train/f08-01-004.wav,yang pertama langsung saja kita masuk ke pendahuluan train/f08-01-005.wav,jadi apa itu analisis sentimen sentimen train/f08-01-006.wav,analisis sentimen adalah suatu studi yang mengklasifikasikan teks berdasarkan sentimennya sentimennya train/f08-01-007.wav,sentimennya itu bisa positif negatif maupun netral train/f08-01-008.wav,dan dan dan dari studi literatur yang telah saya lakukan sebelumnya terdapat train/f08-01-009.wav,empat jenis level sentimen sentimen train/f08-01-010.wav,yang pertama yaitu level dokumen dokumen yang mengklasifikasikan dokumen secara keseluruhannya berdasarkan sentimennya train/f08-01-012.wav,kemudian yang ketiga ketiga ketiga untuk level aspek train/f08-01-013.wav,jadi ada beberapa daftar aspek train/f08-01-017.wav,jadi apa itu sentiment analysis yang berbasis aspek dan entitas entitas train/f08-01-022.wav,nah untuk lebih jelasnya di sini ada contoh kalimat train/f08-01-023.wav,misal ada kalimat kalimat saya tetap menyukai avanza karena struktur kendaraannya mencakup semua aspek train/f08-01-025.wav,entitas di sini yaitu avanza avanza train/f08-01-028.wav,kemudian apa bedanya dengan aspect based biasa biasa train/f08-01-030.wav,pada kalimat ini train/f08-01-031.wav,tidak bisa hanya diselesaikan dengan aspect based karena karena train/f08-01-034.wav,sentimennya adalah positif dan negatif train/f08-01-037.wav,sentimen di satu sisi saja train/f08-01-039.wav,berikut ini adalah rumusan masalah dan tujuan dari tugas akhir ini ini train/f08-01-042.wav,adapun untuk metodologinya metodologinya train/f08-01-043.wav,langkah pertama yaitu men-design dan analisis train/f08-01-048.wav,dan yang kelima adalah integrasi train/f08-01-050.wav,kemudian kemudian berikutnya masuk ke analisis persoalan train/f08-01-054.wav,yang pertama ada deteksi aspek train/f08-01-055.wav,yang mereka gunakan adalah cnn dan feed forward neural network train/f08-01-056.wav,kemudian untuk ekstraksi kata kunci kunci yang digunakan adalah bi-lstm dan crf train/f08-01-057.wav,dan klasifikasi sentimen aspek yang digunakan adalan cnn cnn cnn train/f08-01-059.wav,kemudian kemudian kemudian untuk train/f08-01-060.wav,pelabelan sendiri sendiri masih terdapat human error dan dan subjektivitas yang yang cukukp banyak train/f08-01-061.wav,sedangkan untuk level entitas entitas permasalahannya diambil dari beberapa penelitian terkait ner train/f08-01-065.wav,untuk level level dataset terdiri dari terdiri dari tiga tiga tiga jenis aspek train/f08-01-066.wav,yang pertama ada general general kemudian machine parts price service dan fuel train/f08-01-068.wav,atau mengekstraksi entitas apa saja yang terkandung di dalamnya train/f08-01-070.wav,dan yang ketiga ada klasifikasi sentimen train/f08-01-071.wav,yaitu menghasilkan sentimen dari aspek-aspek dan entitas tadi tadi train/f08-01-072.wav,ini dia adalah berupa train/f08-01-073.wav,arsitektur sistem secara keseluruhan bisa dilihat dilihat train/f08-01-076.wav,kemudian setelah dipraproses train/f08-01-077.wav,masukan akan dimasukan kedalam modul ekstraksi entitas train/f08-01-078.wav,pada pada pada modul ekstraksi entitas ini menggunakan teknik gabungan bi-lstm dan crf train/f08-01-080.wav,fitur yang digunakan digunakan berupa pos tag dan word embedding train/f08-01-083.wav,dalam bentuk position embedding train/f08-01-084.wav,jadi untuk modul deteksi aspek ini menggunakan bi-lstm dan svm train/f08-01-085.wav,kemudian untuk position embedding-nya embedding-nya train/f08-01-086.wav,mengikuti penelitian yang telah dilakukan oleh train/f08-01-087.wav,oleh train/f08-01-088.wav,oleh seseorang seseorang train/f08-01-089.wav,setelah itu itu setelah didapatkan aspeknya akan dimasukan ke train/f08-01-090.wav,modul klasifikasi sentimen sentimen train/f08-01-091.wav,di sini sini setiap aspek akan dicari sentimennya apakah positif ataupun negatif train/f08-01-092.wav,kemudian kemudian setelah itu yang terakhir itu rencana pengerjaan pengerjaan train/f08-01-093.wav,terdiri dari implementasi setiap modul tadi secara terpisah kemudian eksperimen juga dilakukan terpisah train/f08-01-095.wav,sekian dan terima kasih train/f08-01-096.wav,aku banyak ininya ininya train/f09-01-001.wav,selamat sore semuanya jadi untuk train/f09-01-003.wav,nah jadi train/f09-01-008.wav,nah selanjutnya selanjutnya kita masuk ke sistem komputer train/f09-01-010.wav,nah jadi jadi komunikasi antar komponen ini nantinya menggunakan satu atau lebih bus train/f09-01-013.wav,input device itu itu alat untuk memasukkan sesuatu ke dalam komputernya train/f09-01-014.wav,sementara untuk output device itu alat untuk mengeluarkan mengeluarkan sesuatu dari komputernya train/f09-01-015.wav,jadi input device itu contohnya bisa keyboard bisa mouse bisa juga joy stick train/f09-01-017.wav,nah terus selanjutnya selanjutnya kita ke arsitektur von neumann train/f09-01-019.wav,nah untuk key concept-nya sendiri itu adalah eksekusi eksekusi program-program train/f09-01-021.wav,kemudian train/f09-01-022.wav,isi dari suatu memori itu dapat dialamatkan dengan lokasi train/f09-01-023.wav,tapi tapi kita train/f09-01-024.wav,kita tidak bisa tahu apa yang disimpan di lokasi tersebut train/f09-01-026.wav,nah jadi jadi inti dari arsitektur von neumann-nya itu train/f09-01-027.wav,dia terdiri dari dua dua terdiri dari dua komponen yaitu cpu train/f09-01-028.wav,nah cpu ini sendiri terbagi lagi menjadi control unit dan arithmetic atau logic unit train/f09-01-029.wav,nah control unit ini akan digunakan untuk mengatur eksekusi instruksi train/f09-01-030.wav,jadi jadi urutan instruksi mana yang akan dieksekusi terlebih dahulu train/f09-01-032.wav,selanjutnya untuk komponen yang kedua seperti biasa itu ada main memory train/f09-01-033.wav,ya selanjutnya kita akan masuk ke representasi data train/f09-01-037.wav,seperti itu train/f09-01-040.wav,nah jadi jadi train/f09-01-041.wav,instruksi itu direpresentasikan dengan sequence dari bits bits atau kepanjangannya adalah binary digits train/f09-01-044.wav,nah jadi untuk informasi yang pertama yaitu apa yang harus diselesaikan itu itu train/f09-01-045.wav,digits-nya disebut juga dengan operation code train/f09-01-050.wav,nah kemudian untuk tipe machine instruction-nya sendiri itu kira-kira ada empat tipe train/f09-01-051.wav,yang pertama itu instruksi untuk transfer data antara antara memori dan register dari cpu-nya train/f09-01-052.wav,kemudian ada juga instruksi aritmatik atau logic operations train/f09-01-054.wav,dan tipe instruksi yang keempat itu adalah transfer input dan output-nya train/f09-01-055.wav,nah selanjutnya sebenarnya apa-apa aja sih yang penting dalam suatu instruksi train/f09-01-056.wav,jadi jadi ini ada beberapa aspek-aspek yang penting dalam perancangan suatu set instruksi train/f09-01-059.wav,kemudian ada akses register dan yang terakhir ada format instruksi itu sendiri train/f09-01-061.wav,kemudian kemudian instruksi itu dia juga punya cycle-nya sendiri train/f09-01-062.wav,jadi setiap instruksi itu dilakukan sebagai sebagai satu sequence tahapan train/f09-01-063.wav,nah tahapan-tahapannya itulah yang disebut sebagai instruction cycle train/f09-01-072.wav,eh train/f09-02-001.wav,lalu sekarang kita akan melanjutkan ke ke train/f09-02-002.wav,akan membahas tentang memorinya train/f09-02-008.wav,jadi jadi data-data atau program yang masih berada di secondary memory ketika akan train/f09-02-013.wav,nah untuk main memory arsitekturnya dapat dilihat pada gambar yang yang ditampilkan di slide train/f09-02-015.wav,bit-bit ada address address yang tersusun dari bit-bit-nya train/f09-02-017.wav,nah tiap sel itu memiliki alamat yang unik dan diberikan nomor yang berurutan train/f09-02-020.wav,nah informasi yang disimpan di ram ini akan hilang kalau daya listriknya dihilangkan train/f09-02-021.wav,makanya itu juga adalah salah satu kekurangan dari dari main memory train/f09-02-022.wav,nah selanjutnya ada secondary memory train/f09-02-023.wav,contoh-contoh dari secondary memory ini ada cukup banyak train/f09-02-025.wav,ya kira-kira itu adalah contoh-contoh dari secondary memory-nya train/f09-02-026.wav,nah kalau untuk harddisk itu dia terbuat dari besi yang dilapisi material magnetic train/f09-02-027.wav,fitur-fitur utama dari harddisk ini dia dia direct access train/f09-02-028.wav,kemudian dia juga fast access jadi dia dia aksesnya lumayan cepat train/f09-02-030.wav,kemudian kapasitas penyimpanannya itu itu cukup besar dari range delapan megabyte sampai beberapa gigabyte train/f09-02-031.wav,ini mungkin mungkin yang yang yang sering kita temukan saat ini itu adalah harddisk train/f09-02-032.wav,kemudian ada juga disket train/f09-02-033.wav,tapi untuk disket disket untuk di jaman sekarang udah sangat jarang sekali ditemukan train/f09-02-037.wav,selanjutnya itu ada magnetic tape train/f09-02-038.wav,nah dia itu terbuat dari lapisan plastik yang dilapisi dengan oksida besi train/f09-02-039.wav,main features-nya train/f09-02-041.wav,jadi access time-nya time-nya sekitar satu sampai lima detik train/f09-02-043.wav,nah dia ini biasa dipakai untuk untuk backup atau arsip train/f09-02-044.wav,kemudian yang keempat itu ada optical memory train/f09-02-045.wav,jadi ini tuh tuh train/f09-02-046.wav,optical memory itu itu kita biasanya lebih seringnya mendengar mendengar cd train/f09-02-048.wav,kemudian replikasinya juga murah produksinya murah terus dia juga removable train/f09-02-051.wav,kemudian ada juga jenis optical memory yang lain yaitu erasable optical disk train/f09-02-053.wav,nah selanjutnya kita akan akan membahas tentang macam-macam io device train/f09-02-057.wav,terus kita juga ada scanner jadi kita bisa bisa bisa bisa memasukkan dokumen train/f09-02-058.wav,yang tadinya tadinya dalam bentuk hard copy kita jadikan soft copy-nya train/f09-02-059.wav,kemudian ada juga mikrofon untuk menerima menerima input suara train/f09-02-060.wav,nah untuk untuk train/f09-03-001.wav,nah tadi kita udah membahas secara secara keseluruhan tapi memang hanya hanya train/f09-03-003.wav,nah jadi yang pertama kita berangkat dari masalahnya dulu train/f09-03-004.wav,jadi masalah yang ada pada sistem memori itu yang pertama pertama kebutuhan ya train/f09-03-007.wav,nah sementara memori jauh lebih lambat dari mikroprosesor train/f09-03-011.wav,jadi ini disebut juga juga train/f09-03-012.wav,prinsip ini disebut juga two level principle train/f09-03-015.wav,nah nah bisa dilihat pada gambar di sana train/f09-03-016.wav,jadi jadi itu adalah adalah hierarki dari memori train/f09-03-021.wav,nah jadi jadi kira-kira seperti itu untuk hierarki memorinya train/f09-03-024.wav,cuman access time-nya ini dia cuman beberapa nanosecond jadi jadi sangat cepat sekali train/f09-03-026.wav,kemudian access time-nya itu sekitar sekitar sepuluh nanosecond train/f09-03-029.wav,nah untuk harddisk ini dia memang sangat besar sekali bisa mencapai beberapa gigabytes train/f09-03-030.wav,cuman memang memang access time-nya itu sekitar puluhan millisecond train/f09-03-033.wav,selanjutnya train/f09-03-040.wav,nah arsitekturnya juga unified train/f09-03-041.wav,jadi jadi cache data dan instruksi itu itu sama train/f09-03-043.wav,nah jadi di sini ada beberapa terminologi yang berhubungan dengan cache train/f09-03-044.wav,yaitu ada hit miss ada hit rate terus juga ada miss rate train/f09-03-046.wav,jadi itu terhitungnya sebagai hit train/f09-03-055.wav,kemudian train/f09-03-056.wav,selain ada replacement strategies ada juga juga write strategies train/f09-03-057.wav,jadi jadi kenapa sih dibutuhkan write strategies train/f09-03-058.wav,write strategies ini diperlukan agar isi cache-nya itu koheren dengan main memory-nya train/f09-03-060.wav,nah kemudian setelah itu kita akan membahas tentang tentang konsep mengenai locality train/f09-03-061.wav,jadi jadi locality ini ada temporal locality dan juga special locality train/f09-03-062.wav,nah apa yang dimaksud dengan temporal locality train/f09-03-063.wav,jadi temporal locality ini maksudnya itu adalah locality in time train/f09-03-067.wav,nah jadi jadi tadi kalau untuk train/f09-03-068.wav,arsitekturnya itu train/f09-03-071.wav,kemudian kemudian perancangan dan implementasinya juga lebih murah train/f09-03-072.wav,nah tapi tapi untuk arsitektur split dia juga punya keuntungan train/f09-03-075.wav,nah virtual memory ini jadi sebenarnya dia dia merupakan merupakan memori yang train/f09-03-076.wav,virtual jadi jadi tidak benar-benar ada train/f09-03-080.wav,nah binary address yang diberikan oleh prosesor adalah virtual logic address train/m01-01-001.wav,selamat pagi bapak imam selaku pembimbing bapak riza selaku penguji serta teman teman sekalian train/m01-01-004.wav,yang pertama adalah mengenai ssd train/m01-01-006.wav,ssd atau solid state drive merupakan media penyimpanan data yang lebih modern modern train/m01-01-010.wav,pada hard disk drive baik pembacaan penulisan maupun penghapusan dilakukan pada level blok train/m01-01-019.wav,konsep lain yang penting adalah raid train/m01-01-026.wav,salah satu solusi untuk menanggulangi kegagalan disk adalah rekonstruksi data berdasarkan berdasarkan paritas train/m01-01-028.wav,misalkan raid menerima operasi untuk menuliskan konten file foo ke disk train/m01-01-033.wav,selain itu dalam banyak sistem raid dituntut untuk memiliki latency yang stabil train/m01-01-036.wav,namun kondisi ini seringkali tidak terpenuhi karena karena karena adanya fenomena tail latency train/m01-01-037.wav,tail latency merupakan fenomena kemunculan latency yang sangat tinggi secara tiba tiba tiba train/m01-01-038.wav,contohnya dapat dilihat pada gambar berikut berikut train/m01-01-043.wav,kondisi ini menjadi lebih parah dalam raid train/m01-01-046.wav,kondisi inilah yang membuat latency menjadi sangat tinggi tinggi train/m01-01-048.wav,salah satu solusi yang sudah teruji untuk mengatasi hal ini adalah ttrais train/m01-01-049.wav,sebelumnya saya sudah menyinggung parity reconstruction train/m01-01-053.wav,dengan cara ini raid tidak perlu menunggu gc selesai untuk melayani request train/m01-01-054.wav,ttrais terbukti dapat mengeliminasi tail latency hampir seratus persen train/m01-01-055.wav,saat ini ttrais diimplementasikan pada program ssd emulator yang disebut vssim vssim train/m01-01-056.wav,vssim dapat kita temui pada link berikut train/m01-01-058.wav,kemampuan ini sangat bermanfaat untuk melakukan penelitian terkait ssd train/m01-01-065.wav,demikianlah latar belakang yang dapat saya sampaikan terkait dengan tugas akhir saya train/m01-01-066.wav,berdasarkan latar belakang tersebut saya merumuskan masalah saya sebagai berikut train/m01-01-067.wav,bagaimana mengimplementasi ttrais untuk berjalan di atas femu train/m01-01-075.wav,sebelum modifikasi ssd akan memberikan sinyal error jika menerima request saat sedang melakukan gc train/m01-01-077.wav,kernel harus melakukan parity reconstruction tapi tidak menggagalkan request tersebut train/m01-01-080.wav,vssim telah dimodifikasi pada bagian ide host interface seperti yang dapat dilihat pada gambar train/m01-01-081.wav,saya berikan lingkaran merah pada bagian yang harus dimodifikasi train/m01-01-082.wav,dan untuk melakukannya saya harus mencari padanan dari bagian tersebut di dalam femu train/m01-01-083.wav,metodologi yang akan saya lakukan adalah yang pertama mempersiapkan environment-nya terlebih dahulu train/m01-01-085.wav,hal ini akan melibatkan analisa perbedaan arsitektur antara vssim dengan femu train/m01-01-090.wav,kemudian saya harus memodifikasinya dengan dengan mengacu pada hasil modifikasi vssim train/m01-02-001.wav,oke selamat sore semuanya train/m01-02-002.wav,kita akan melanjutkan pembelajaran kita terkait dengan hyper performance server architecture train/m01-02-009.wav,kodenya dapat dilihat pada gambar berikut train/m01-02-010.wav,atau yang serupa dengan itu kita juga dapat membuat satu thread untuk satu client train/m01-02-011.wav,akan tetapi permasalahannya adalah satu thread dengan satu client menggunakan resource yang sangat besar train/m01-02-014.wav,http server modern mendukung persistent connection train/m01-02-016.wav,sehingga dapat kita katakan karakteristik aplikasi jaringan distributed ini bersifat i o bound train/m01-02-017.wav,sebagian besar waktu proses menunggu i o event train/m01-02-018.wav,salah satu solusi dari hal ini yang pertama adalah multiplexing train/m01-02-019.wav,multiplexing memungkinkan sebuah server meng-handle beberapa client sekaligus train/m01-02-020.wav,setiap ada koneksi client server memasukkannya ke dalam daftar watchlist train/m01-02-021.wav,kita dapat menggunakan select untuk menunggu event dari koneksi client train/m01-02-023.wav,select select mengembalikan jumlah jumlah descriptor yang ready train/m01-02-025.wav,bit bernilai satu jika descriptor tersebut diperlukan train/m01-02-031.wav,kita dapat mengeceknya dengan potongan kode kode yang ada di depan train/m01-02-032.wav,pertama kita melakukan is set kemudian kita membaca setiap line dari file socket tersebut train/m01-02-034.wav,namun select ini juga memiliki problem train/m01-02-037.wav,pemanggilan ulang set descriptor untuk setiap event yang ada tidak efisien train/m01-02-040.wav,k event sendiri terdiri dari dari ident filter flags data dan user data train/m01-02-041.wav,ident dan filter filter merepresentasikan sebuah identitas k event train/m01-02-042.wav,ident dapat berupa file descriptor process id atau signal number train/m01-02-045.wav,k event dapat di set menggunakan makro e v set set train/m01-02-046.wav,k queue bekerja dengan cara menyimpan list event yang ingin di monitor train/m01-02-047.wav,pertama tama kita harus mendeklarasikan mendeklarasikan terlebih dahulu k queue queue train/m01-02-048.wav,lalu kita mengisinya dengan loop sebagai berikut train/m01-02-050.wav,ini contoh lengkapnya bisa dicek juga pada tautan berikut berikut train/m01-02-052.wav,event sendiri tidak terlalu mahal sinkronisasinya sinkronisasinya train/m01-02-054.wav,sedangkan thread sendiri merupakan abstraksi yang lebih lebih yang lebih natural train/m01-02-057.wav,saat sebuah paket datang berisi n bytes sistem akan memberikan notifikasi ke aplikasi train/m01-02-059.wav,level triggered merupakan event yang dibangkitkan berdasarkan sisa dari data yang belum dibaca train/m01-02-061.wav,sedangkan edge triggered dibangkitkan berdasarkan perubahan level pembacaan data akan tetapi memiliki batas tertentu train/m01-02-063.wav,selanjutnya kita masuk kedalam beberapa jenis desain server yang pertama ada apache apache train/m01-02-064.wav,apache kita lihat dia memiliki multi process atau multi threading train/m01-02-068.wav,kita dapat lihat arsitektur dari nginx pada gambar berikut train/m01-02-072.wav,sekian sekian selamat sore sore train/m02-01-001.wav,assalamualaikum warahmatullahi wabarakatuh wabarakatuh wabarakatuh train/m02-01-002.wav,selamat siang semuanya train/m02-01-003.wav,jadi untuk hari ini ini kita akan melanjutkan belajar nlp-nya train/m02-01-004.wav,sekarang kita akan mulai belajar tentang sentiment analysis train/m02-01-005.wav,kenapa sih kita butuh sentiment analysis train/m02-01-007.wav,analisis sentimen juga juga juga lebih mudah train/m02-01-010.wav,beberapa pendapat pendapat tentang tentang sesuatu itu bisa langsung ataupun tak langsung train/m02-01-017.wav,nah apa sih sebenernya definisi dari opini itu train/m02-01-020.wav,opinion holder adalah adalah adalah entitas yang menyebutkan sentimen tersebut train/m02-01-023.wav,yang terakhir adalah time time yaitu waktu di mana sentimennya itu disebutkan train/m02-01-031.wav,maka terdapat analisis sentimen pada level kalimat train/m02-01-035.wav,apa sih yang penting di domain e commerce itu train/m02-01-039.wav,kemudian ada pengiriman apakah ada ada masalah di pengirimannya apakah pengirimannya lama salah alamat train/m02-01-042.wav,lanjut kalau tadi tadi analisis sentimen itu kita lakukan lakukan pada level apa train/m02-02-001.wav,nah sekarang kita akan membahas membahas lebih detail lagi bagaimana analisis sentimen itu dilakukan train/m02-02-002.wav,menurut kalian kalian bagaimana sih kalimat yang bersentimen itu train/m02-02-003.wav,apakah kalimat yang bersentimen itu pasti subjektif train/m02-02-004.wav,ternyata ternyata kalimat yang objektif pun itu itu bisa memiliki sentimen train/m02-02-007.wav,jadi ga selalu kalimat yang subjektif saja yang memiliki sentimen train/m02-02-009.wav,jadi memisahkan kalimat yang yang yang yang subjektif dan kalimat yang tidak gitu train/m02-02-010.wav,analisis sentimen ini berkaitan erat dengan deteksi emosi train/m02-02-011.wav,iya sih deteksi emosi saja sih train/m02-02-012.wav,ini untuk detection of deceptive language itu itu saya kurang tau train/m02-02-013.wav,ya nanti saya cek lagi ya train/m02-02-014.wav,nah sekarang kita akan membahas fitur fitur yang penting pada analisis sentimen train/m02-02-017.wav,tapi belum tentu juga kan train/m02-02-018.wav,misalkan ternyata kalimatnya itu katanya itu tidak bagus gitu gitu train/m02-02-021.wav,nah untuk mendapatkan mendapatkan daftar kata sentimen ini ada beberapa cara train/m02-02-022.wav,pertama dibuat manual train/m02-02-024.wav,tapi kalau kita yang melakukan seringkali kekurangannya adalah adalah kita ga bisa menuliskan seluruhnya train/m02-02-028.wav,itu ada studinya lagi train/m02-02-030.wav,korpus itu sebenarnya sama dengan kamus train/m02-02-031.wav,terus kemudian ada namanya senti wordnet train/m02-02-033.wav,pada paham ga train/m02-02-034.wav,kalau saya jelasinnya terlalu cepat tolong bilang ya ga apa train/m02-02-035.wav,nah dalam analisis sentimen kan kita tahu bahwa bisa positif negatif maupun netral train/m02-02-038.wav,ya kan hehe train/m02-02-039.wav,saya pun begitu train/m02-02-040.wav,jadi jadi ada studi yang melakukan analisis sentimen itu dalam lima kelas train/m02-02-043.wav,arsitektur arsitektur dalam analisis sentimen sentimen masih sama mungkin seperti klasifikasi teks lainnya train/m02-02-044.wav,nanti ada ada masukan kemudian ada ekstraksi fitur train/m02-02-046.wav,kemudian setelah tahap ektraksi adalah tahap klasifikasi train/m02-02-047.wav,nah beberapa fitur yang sering dipakai dalam analisis sentimen seperti berikut berikut train/m02-02-048.wav,ada fitur yang sifatnya sifatnya dalam level kata train/m02-02-049.wav,jadi misalkan ada kata apa saja sih yang terdapat dalam kalimat tersebut train/m02-02-050.wav,jadi itu seperti unigram gitu ya ya train/m02-02-052.wav,misalkan misalkan kata ini itu muncul berapa kali dikali empat gitu train/m02-02-058.wav,ya tadi juga udah dibahas ada fitur daftar kata sentimen train/m02-02-060.wav,terus ada lingkungan lingkungan syntaxis train/m02-02-061.wav,jadi misalkan tadi kita pakai representasi kata yang ada atau engga gitu ya train/m02-03-001.wav,makanya beberapa beberapa beberapa analisis sentimen tuh masih mempertimbangkan posisi katanya train/m02-03-005.wav,ini beberapa contohnya ada bag of words train/m02-03-007.wav,ini sentimen leksikon yang tadi yang yang yang positif negatif gitu train/m02-04-001.wav,tadi permasalahan dalam sentimen analisis ya ya ya train/m02-04-006.wav,nah ini tergantung lagi dari dari analisis yang dilakukan itu perlu sedetail apa train/m02-04-009.wav,ini masih difficulty sama train/m02-04-013.wav,jadi bisa saja satu entitas itu bisa memiliki beberapa aspek aspek train/m02-04-015.wav,ini salah satu contohnya train/m02-04-016.wav,udah lah ya udah cukup jelas dari contoh contoh yang saya sebutkan sebelumnya train/m02-04-021.wav,jadi udah udah menurut saya cukup cukup segitu train/m02-04-024.wav,ada yang tau train/m02-04-027.wav,ya kan ya ya ya train/m02-04-030.wav,ada praproses seperti normalisasi gitu train/m02-04-032.wav,oke cukup sekian sekian jika tidak ada pertanyaan saya cukupkan train/m02-04-033.wav,assalamualaikum warrahmatullahi wabarakatuh train/m03-01-001.wav,oke semuanya selamat pagi train/m03-01-002.wav,assalamualaikum warahmatullahi wabarakatuh wabarakatuh train/m03-01-003.wav,jadi train/m03-01-006.wav,misalkan ada pada suatu kasus kita punya katakanlah katakanlah kita ingin menggambarkan suatu krisis train/m03-01-007.wav,kemudian kita buat buat visualisasi tersebut tersebut sedramatis mungkin gitu train/m03-01-008.wav,agar orang orang orang melihat itu sebagai krisis krisis krisis krisis yang sangat ekstrim train/m03-01-010.wav,yang dia ingin mendapatkan suatu insight insight baru dari datanya train/m03-01-011.wav,atau atau apa ya dia ingin mendapatkan informasi lah dari situ train/m03-01-013.wav,nah ini alasan kenapa data visualisasi itu sangat penting train/m03-01-014.wav,yang pertama seperti yang dijelaskan tadi bahwa bahwa untuk mengerti tentang datanya lebih baik train/m03-01-018.wav,nah ini ini beberapa beberapa kepentingannya juga seperti untuk mengkomunikasikan data train/m03-01-024.wav,jadi di sini kita kita ya sekedar meng-explore datanya train/m03-01-025.wav,salah satunya dengan cara melakukan visualisasi terhadap datanya train/m03-01-027.wav,yah di sini ada suatu quotes train/m03-01-035.wav,dan kemudian kita bisa menjadikannya sebagai dasar pemilihan model yang akan kita gunakan train/m03-01-050.wav,dan itu itu sangat tidak baik ya tidak tidak tidak beretika seperti itu train/m03-02-001.wav,nah ini contoh yang kedua kedua kedua train/m03-02-006.wav,nah ini juga yang sama seperti tadi tadi ya train/m03-02-010.wav,tentu tidak ya kan train/m03-02-011.wav,kemudian jika kita lihat secara lingkup lebih luas akan menjadi seperti ini train/m03-02-013.wav,apakah ini terjadi global warming train/m03-02-014.wav,ya mungkin mungkin sebagian orang ada yang berpikiran begitu ya train/m03-02-016.wav,itu penting untuk memilih memilih range yang tepat untuk menggambarkan apa yang kita maksud train/m03-02-017.wav,jadi kita disini punya data mengenai suhu rata rata rata train/m03-02-018.wav,suhu rata rata bumi kemudian kita ingin memberikan informasi bahwa telah terjadi global warming train/m03-02-020.wav,jika kita melihat secara lebih luas dia akan menjadi lebih baik gitu train/m03-02-022.wav,jadi penting juga untuk memilih memilih memilih size data yang akan dipakai untuk visualisasi train/m03-02-023.wav,dipastikan cukup ya untuk untuk tujuan tujuan yang kita inginkan train/m03-02-025.wav,apa yang salah disini train/m03-02-026.wav,ya benar train/m03-02-027.wav,disini kelihatan sembilan belas koma lima persen-nya persen-nya terlihat seperti lebih besar gitu train/m03-02-028.wav,jika dibandingkan dengan dua puluh satu koma dua persen sih train/m03-02-029.wav,padahal secara secara eksak-nya lebih besar yang dua puluh satu koma dua train/m03-02-032.wav,ini lebih aman aman lebih mudah lebih simple juga juga train/m03-02-034.wav,kalau diputus sedikit bisa punya sudut pandang yang berbeda train/m03-02-036.wav,ya jadi train/m03-02-037.wav,tapi ya kadang kadang juga seperti ini train/m03-02-044.wav,dan kita dengan mudah mudah membaca visualisasi yang seperti ini ini train/m03-02-051.wav,ada beberapa beberapa grafik yang bisa teman teman pakai disini nanti akan dijelaskan selanjutnya train/m03-02-054.wav,asalkan kita punya ruang yang cukup di dimensi x train/m03-02-057.wav,nah ini kalau untuk tren kita bisa gunakan line chart train/m03-02-062.wav,nah ini misalkan kita ingin membandingkan membandingkan rating dari sebuah buku train/m03-03-001.wav,nah nah ini salah satu satu yang visualisasinya bagus dan train/m03-03-002.wav,mendalam menyampaikan menyampaikan apa yang ingin disampaikan train/m03-03-003.wav,terus mereka tidak melakukan distorsi skala di situ situ train/m03-03-004.wav,stroberi dibuat kecil train/m03-03-005.wav,ini saya ambil dari xkcd ya ya di sini komik-komiknya menarik sekali train/m03-03-006.wav,kalau teman-teman mau baca komik mengenai data science ya ada lah ya versi xkdc-nya train/m03-03-007.wav,nah ini train/m03-03-008.wav,kalau mau pakai tiga dimensi gimana train/m03-03-009.wav,gunakan dimensi dimensi dimensi-dimensi yang lain ya train/m03-03-012.wav,itu bisa dipakai untuk menggambarkan data yang tiga dimensi dimensi train/m03-03-014.wav,lanjut saja train/m03-03-015.wav,nah untuk komposisi bisa gunakan stacked bar chart train/m03-03-016.wav,yang bertingkat seperti itu itu ya train/m03-03-017.wav,dia untuk distribusi ya ini yang paling banyak dipakai ya ini histogram train/m03-03-018.wav,histogram histogram di sini normal ya distribusinya distribusinya train/m03-03-019.wav,normal normal rata-ratanya sekitar enam puluh dua train/m03-03-021.wav,jadi jadi train/m03-03-024.wav,yang bagus yang mana train/m03-03-025.wav,yang kiri atau yang kanan train/m03-03-026.wav,yang kiri ya yang kiri lebih jelas train/m03-03-028.wav,kita bisa lihat di situ situ inkonsistensi inkonsistensi visualisasi data yang dilakukan train/m03-03-029.wav,jadi itu penting sekali untuk memilih bin size-nya juga kalau pakai histogram train/m03-03-031.wav,yang di luar ini train/m03-03-032.wav,tapi apakah itu data anomali belum tentu ya train/m03-03-033.wav,jadi kita harus analisis lagi setelah melihat ini ini dengan lebih dalam train/m03-03-034.wav,nah bagaimana yang ini train/m03-03-035.wav,lagi-lagi contoh-contoh buruk ya ya yah ketawan deh contoh buruknya buruknya train/m03-03-037.wav,bukan bukan train/m03-03-038.wav,nah bagaimana ini train/m03-03-039.wav,dia dia dia menggambarkan menggambarkan menggambarkan penjualan kumulatif dari iphone train/m03-03-040.wav,ya buruk ya train/m03-03-043.wav,tapi kalau kita gunakan kumulatif train/m03-03-044.wav,namun pada kenyatannya ya biasa-biasa saja saja bahkan untuk tiga tahun belakangan train/m03-03-046.wav,hal ini mungkin mungkin hal yang baik baik bagi apple gitu ya train/m03-03-047.wav,yah train/m03-03-048.wav,balik lagi kalau tujuan kita untuk untuk untuk eksplorasi data train/m03-03-049.wav,ya kita harus benar-benar benar-benar benar-benar melihat data itu secara jujur gitu train/m03-03-050.wav,apa yang ingin kita lihat train/m03-03-051.wav,jangan ada fakta yang tertutupi akibat itu train/m03-03-052.wav,nah ini salah satu contoh yang bagus train/m03-03-053.wav,ini data mengenai perbandingan populasi populasi berdasarkan jenis kelamin di berbagai negara train/m03-03-055.wav,kita bisa lihat di situ train/m03-03-056.wav,lebih banyak laki-laki sedikit dibanding perempuan train/m03-03-057.wav,kalau kita lihat yang train/m03-03-058.wav,kemudian di negara negara yang perempuannya perempuannya rasionya lebih tinggi itu di ukraina misalnya train/m03-03-059.wav,nah di sini apa yang kita lihat train/m03-03-060.wav,yang kita lihat bahwa train/m03-03-061.wav,ada negara yang sangat jomplang sekali laki-lakinya sangat banyak train/m03-03-062.wav,nah di sini kita bisa lihat lagi bahwa bahwa kita bisa menelusuri train/m03-03-064.wav,sepertinya halnya di saudi arabia atau china gitu train/m03-03-065.wav,bagaimana china bisa punya laki-laki laki-laki yang cukup cukup lebih banyak gitu train/m03-03-066.wav,apakah karena peraturannya yang yang dahulu mengharuskan mengharuskan satu train/m03-03-067.wav,nah itu kan kan jadi sangat penting train/m03-03-068.wav,kalau kalau visualisasi ini kita gunakan gunakan kita pakai yang hal-hal yang mengganggu train/m03-03-069.wav,kalau di indonesia sendiri train/m03-03-070.wav,di sini sedikit lebih banyak perempuannya train/m03-03-071.wav,ya seperti itu ya train/m03-03-072.wav,jadi train/m03-03-073.wav,mendapatkan informasi-informasi lebih train/m03-03-074.wav,nah nah train/m03-03-075.wav,nah train/m03-03-076.wav,tentang train/m03-03-077.wav,nah itu itu beberapa tips tips yang umum dipakai gitu sih train/m03-03-078.wav,dan ini tentunya berbeda untuk untuk seorang desainer ya train/m03-03-079.wav,jadi jadi jadi mungkin itu saja ya train/m03-04-001.wav,kita akan ada tugas mungkin train/m03-04-007.wav,ya ini sumber utama dari materi kali ini train/m03-04-010.wav,kemudian ini saya blend juga dengan dengan slide dari pacmann ai train/m03-04-011.wav,jadi dulu dulu saya pernah ikut kemudian ada materinya seperti ini kira kira train/m03-04-016.wav,ya ya selamat siang train/m04-01-001.wav,ya jadi pengembangan sistem autograding menggunakan pc pengguna sebagai worker train/m04-01-004.wav,jadi peserta akan menulis kode program untuk menyelesaikan persoalan yang diberikan oleh juri train/m04-01-007.wav,ada banyak berbagai jenis lomba competitive programming yang dilakukan train/m04-01-008.wav,kadang bisa individu kadang bisa berkelompok train/m04-01-009.wav,dan biasanya lomba ini dibatasi waktunya misal lima jam atau satu hari train/m04-01-010.wav,semacam itu train/m04-01-011.wav,kemudian ada beberapa jenis jenis style style yang digunakan dalam perlombaan jenis ini train/m04-01-012.wav,yang pertama adalah icpc style ini biasanya digunakan untuk kalangan mahasiswa train/m04-01-013.wav,di icpc style ini ini standarnya adalah setiap soal dapat bernilai benar atau salah train/m04-01-014.wav,kemudian setiap soal akan diberi nilai seratus jika benar dan nol bila salah train/m04-01-016.wav,kemudian peringkat dari peserta akan ditentukan berdasarkan jumlah soal yang berhasil dijawab train/m04-01-020.wav,sehingga semakin banyak salah maka peringkatnya juga akan semakin turun train/m04-01-021.wav,kemudian biasanya icpc style ini digunakan untuk peserta secara berkelompok misalnya tiga orang train/m04-01-023.wav,kemudian ada jenis lomba lain yaitu ioi yang biasanya digunakan digunakan oleh anak-anak sma train/m04-01-024.wav,pada kompetisi ioi ini standarnya adalah setiap soal bisa bernilai benar secara parsial train/m04-01-025.wav,jadi di satu soal itu ada beberapa subtask misalnya subtask satu dua tiga empat train/m04-01-026.wav,setiap subtask itu memiliki nilai sendiri sendiri train/m04-01-027.wav,dan jika dijumlah semua subtask-nya akan bernilai seratus train/m04-01-029.wav,kemudian kemudian kemudian perlombaan yang menggunakan style ioi biasanya biasanya dilakukan secara individu train/m04-01-032.wav,selain itu ada facebook hacker cup train/m04-01-033.wav,di facebook hacker cup ini ini nilai soal itu bervariasi tidak hanya seratus train/m04-01-034.wav,dan nilai soal ini akan turun setiap jamnya train/m04-01-036.wav,kemudian masih banyak lagi jenis jenis competitive programming yang ada train/m04-01-038.wav,acm icpc biasanya tahunan seperti compfest gemastik dan arkavidia juga biasanya tahunan train/m04-01-039.wav,kemudian untuk menyelenggarakan kompetisi ini ini ada suatu platform yang bernama online judge train/m04-01-040.wav,online judge ini yang digunakan oleh peserta dan juri untuk saling berkomunikasi train/m04-01-044.wav,semacam itu train/m04-01-045.wav,kemudian kemudian beberapa kompetisi kompetisi programming juga telah menggunakan beberapa jenis online judge misalnya train/m04-01-048.wav,selain itu kebanyakan online judge biasanya gratis digunakan train/m04-01-050.wav,semacam itu train/m04-01-051.wav,kemudian ini adalah contoh gambar online judge yang bernama code force train/m04-01-055.wav,kemudian selain itu peserta juga bisa bisa melihat scoreboard dari kompetisi yang sedang berlangsung train/m04-01-056.wav,beberapa online judge yang sekarang banyak digunakan memiliki arsitektur tree-tier seperti ini train/m04-01-057.wav,peserta berkomunikasi dengan online judge untuk untuk mengirimkan jawaban train/m04-01-059.wav,kemudian online judge ini juga akan akan berkomunikasi dengan autograder untuk menilai jawaban peserta train/m04-01-061.wav,dot c ke platform online judge train/m04-01-062.wav,kemudian platform online judge ini akan menyimpan jawabannya pada database train/m04-01-063.wav,misalnya menggunakan mysql atau atau atau mongodb dan lain sebagainya train/m04-01-064.wav,kemudian setelah jawaban tersimpan online judge akan berkomunikasi dengan autograder untuk menilai jawaban peserta train/m04-01-069.wav,maka satu persoalan dapat diselesaikan kira kira tiga menit train/m04-01-070.wav,oleh karena itu autograder ini sering sekali digunakan untuk mempercepat penilaian jawaban peserta train/m04-01-071.wav,yang dilakukan oleh autograder adalah train/m04-01-072.wav,pertama tama jawaban peserta akan dikompilasi menjadi suatu file executable train/m04-01-074.wav,setelah program peserta dan test case tersebut dijalankan maka akan menghasilkan suatu file output train/m04-01-075.wav,kemudian file output ini akan dibandingkan dengan file output juri train/m04-01-076.wav,apakah hasilnya sama train/m04-01-077.wav,atau sedikit berbeda berbeda train/m04-01-078.wav,kemudian terdapat suatu program checker yang menilai output peserta dan output juri train/m04-01-079.wav,berapa nilainya train/m04-01-080.wav,apakah program tersebut diterima atau tidak diterima train/m04-01-081.wav,kemudian hasil dari dari checker tersebut akan dikirimkan kembali ke platform online judge train/m04-01-082.wav,untuk melakukan penilaian ini secara otomatis train/m04-01-083.wav,autograder perlu melakukan kompilasi dan menjalankan program peserta train/m04-01-090.wav,peserta dapat mematikan autograder atau dapat melihat jawaban dari peserta lain train/m04-01-092.wav,sesuatu yang dieksekusi dalam sandbox ini tidak akan bisa bisa keluar dari sandbox tersebut train/m04-01-093.wav,jadi ketika peserta melakukan melakukan melakukan fox bomb bomb train/m04-01-094.wav,memorinya sudah dibatasi sehingga peserta tidak dapat membuat memori autograder melebihi suatu batas tertentu train/m04-01-095.wav,semacam itu train/m04-01-096.wav,kemudian terdapat permasalahan di mana untuk menggunakan autograder ini train/m04-01-097.wav,yang pertama adalah mahal dan lama train/m04-01-099.wav,selain itu juga menggunakan autograder yang sedikit maka proses grading-nya akan menjadi sangat lama train/m04-01-103.wav,kemudian tujuan dari sistem ini adalah meningkatkan kinerja penilaian jawaban peserta train/m04-01-104.wav,pada kompetisi kompetisi programming dengan menciptakan sistem autograder yang dapat berjalan pada komputer peserta train/m04-01-107.wav,pertama tama yang dapat dilakukan adalah melihat spesifikasi sistem operasi dan cpu train/m04-01-112.wav,bisa saja karena load-nya sedang tinggi maka cpu tersebut tersebut menjadi lambat train/m04-01-113.wav,selain itu cara lain adalah menggunakan cpu benchmarking train/m04-01-115.wav,misalnya program dummy ini berjalan selama selama selama satu detik train/m04-01-116.wav,maka solusi peserta ini akan dibatasi hanya dapat berjalan selama satu detik train/m04-01-117.wav,kemudian cara ketiga adalah menggunakan solusi juri untuk benchmarking train/m04-01-118.wav,hal ini dilakukan dengan dengan menjalankan solusi peserta dan solusi juri secara bersamaan train/m04-01-119.wav,apabila selesainya hampir bersamaan maka dianggap solusi peserta ini diterima train/m04-01-121.wav,dan menghasilkan output juri dan output peserta train/m04-01-122.wav,kemudian waktu eksekusi tersebut akan dihitung train/m04-01-124.wav,masalah lain yang ditimbulkan dari sistem autograding pada komputer peserta ini adalah load balancing train/m04-01-126.wav,cara pertama adalah menggunakan push based load balancing train/m04-01-129.wav,cara kedua adalah menggunakan pull based load balancing train/m04-01-140.wav,sehingga sangat memberatkan komputer peserta train/m04-01-143.wav,kemudian masalah lain adalah bagaimana mengirimkan test case ke worker train/m04-01-144.wav,test case merupakan sesuatu yang bersifat rahasia dan tidak boleh diketahui oleh peserta train/m04-01-149.wav,oleh karena itu solusinya adalah dengan membuat test case generator train/m04-01-150.wav,jadi test case akan dibangkitkan langsung dari dari komputer peserta train/m04-01-151.wav,secara garis besar solusi peserta pertama tama akan dikirim ke sistem online judge train/m04-01-152.wav,kemudian sistem online judge akan menyimpan solusi tersebut di sistem database train/m04-01-155.wav,file executable tersebut tersebut akan digunakan untuk pertama men-generate test case train/m04-01-156.wav,kemudian solusi peserta akan menggunakan test case tersebut untuk menghasilkan output peserta train/m04-01-159.wav,accepted sedangkan jika berbeda akan diberikan verdict wrong answer train/m04-01-160.wav,kemudian pc peserta akan mengirimkan hasil penilaian tersebut ke sistem online judge train/m04-01-161.wav,kemudian sistem online judge akan menyimpan nilai tersebut di dalam database train/m04-01-162.wav,terima kasih train/m05-02-001.wav,materi kriptografi hari ini adalah advance encryption standard atau aes train/m05-02-002.wav,latar belakang aes adalah karena des dianggap dianggap dianggap dianggap dianggap sudah tidak aman train/m05-02-003.wav,perlu diusulkan standard algoritma baru sebagai pengganti des train/m05-02-005.wav,nist mengadakan lomba membuat standard algoritma kriptografi yang baru train/m05-02-006.wav,standard tersebut kelak diberi nama aes train/m05-02-008.wav,seluruh rancangan algoritma harus publik tidak dirahasiakan train/m05-02-012.wav,two fish dari tim yang diketuai oleh bruce train/m05-02-013.wav,dari amerika train/m05-02-014.wav,rc enam dari laboratorium rsa amerika dan mars dari ibm train/m05-02-015.wav,pada bulan oktober tahun dua ribu nist mengumumkan untuk memilih rijndael train/m05-02-016.wav,ternyata dibaca rijndael rijndael train/m05-02-017.wav,pada november dua ribu ribu ribu dua ribu satu rijndael ditetapkan sebagai aes train/m05-02-018.wav,diharapkan rijndael menjadi standard kriptografi yang yang domain paling sedikit selama sepuluh tahun train/m05-02-020.wav,panjang kunci dan ukuran blok dapat dipilih secara independen train/m05-02-021.wav,setiap blok dienkripsi dalam sejumlah putaran tertentu sebagaimana halnya pada des train/m05-02-026.wav,jika train/m05-02-028.wav,tidak seperti des yang berorientasi bit bit rijndael rijndael rijndael beroperasi dalam orientasi byte train/m05-02-029.wav,setiap putaran menggunakan kunci internal yang berbeda disebut round key train/m05-02-030.wav,enciphering melibatkan operasi substitusi dan permutasi train/m05-02-033.wav,pada tahap ini disebut juga initial round train/m05-02-034.wav,putaran sebanyak sebanyak nr min satu kali train/m05-02-035.wav,proses yang dilakukan pada setiap putaran adalah sub bytes bytes yang berarti substitusi byte train/m05-02-036.wav,shift rows pergeseran baris-baris awal state state state state dengan cara wrapping train/m05-02-037.wav,mix columns mengacak data masing-masing kolom array state train/m05-02-038.wav,dan add round key melakukan xor antara state sekarang train/m05-02-040.wav,antara state sekarang round key train/m05-02-042.wav,algoritma rijndael mempunyai tiga parameter yaitu plain text cipher text dan key train/m05-02-048.wav,untuk blok data seratus dua puluh delapan bit ukuran state empat kali empat train/m05-02-051.wav,berikut ini adalah contoh elemen state dalam notasi hex train/m05-02-052.wav,nah untuk transformasi sub bytes bytes train/m05-02-053.wav,nah sub bytes ini memetakan setiap byte dari array state dengan menggunakan s box train/m05-02-054.wav,nah untuk transformasi shift rows train/m05-02-055.wav,dilakukan pergeseran secara wrapping atau siklik pada tiga baris terakhir pada array state train/m05-02-056.wav,jumlah pergeseran bergantung pada nilai baris r train/m05-02-058.wav,baris r nol tidak digeser train/m05-02-060.wav,selanjutnya xor xor selanjutnya xor-kan semua hasil antara tersebut train/m05-02-063.wav,array w nol nol nol berisi empat elemen pertama key train/m05-02-064.wav,w satu berisi empat elemen berikutnya dan seterusnya train/m05-02-065.wav,mulai dari i empat sampai empat puluh tiga lakukan simpan w i min satu train/m05-02-066.wav,ke dalam dalam dalam ke dalam peubah temp train/m05-02-067.wav,jika i kelipatan empat lakukan fungsi g berikut train/m05-02-068.wav,geser w i min satu satu byte ke kiri secara sirkuler train/m05-02-069.wav,lakukan substitusi dengan s box terhadap hasil pergeseran tersebut train/m05-02-073.wav,url yang terkait dengan aes adalah adalah adalah sebagai berikut train/m05-02-074.wav,ya dapat dilihat dilihat ada beberapa algoritma kriptografi kriptografi kriptografi simetri train/m06-01-001.wav,ya assalamualaikum warrahmatullahi wabarakatuh train/m06-01-002.wav,ya selamat pagi anak anak anak train/m06-01-003.wav,kita lanjutkan perkuliahan untuk minggu ini train/m06-01-004.wav,jadi sekarang yang akan dibahas adalah tentang speech production and classification train/m06-01-007.wav,speech signal jadi sinyal suara itu adalah unit dasar yang membentuk ucapan train/m06-01-009.wav,nah untuk untuk dapat mengenali ucapan kita harus bisa membedakan suara suara tersebut train/m06-01-011.wav,apa itu fonem fonem adalah kelas bunyi bunyi yang paling dasar train/m06-01-012.wav,terus phonemics adalah studi untuk mempelajari mempelajari mempelajari mempelajari fonem train/m06-01-014.wav,jadi bunyinya berbeda cuman sebenarnya itu adalah fonem yang sama train/m06-01-016.wav,jadi ini nanti akan bisa menentukan intonasi emosi dan lain lain train/m06-01-017.wav,nah nah bagaimana suara itu ucapan itu bisa dihasilkan dihasilkan dihasilkan train/m06-01-020.wav,nah berikut ini diagram diagram diagram produksi ucapan train/m06-01-021.wav,jadi di sini ada power supply yaitu paru paru paru train/m06-01-026.wav,nah nah terus untuk untuk o dia bentuknya bentuknya periodik jadi ada polanya train/m06-01-030.wav,jadi jadi tidak ada terus tiba tiba ada bunyinya train/m06-01-032.wav,dan yang ketiga adalah kombinasi ke ke ke duanya train/m06-01-033.wav,nah ini ada gambar anatomy of speech production train/m06-01-034.wav,jangan dilihat dilihat dilihat next next next next next train/m06-01-045.wav,jadi waktu ketika berbicara berbicara pita suara kita itu akan akan mengendur train/m06-01-046.wav,jadi dia akan rileks sehigga tidak bergetar train/m06-01-047.wav,sedangkan ketika berbicara berbicara pita suara akan akan mengencang sehingga bisa bergetar train/m06-01-048.wav,nah bagaimana untuk menghasilkan menghasilkan menghasilkan menghasilkan menghasilkan train/m07-01-001.wav,nyantai dong mas mas train/m07-01-003.wav,jadi jadi train/m07-01-005.wav,pertama dimulai dari kode yang kalian tulis train/m07-01-007.wav,jadi berdasarkan ast yang telah dihasilkan train/m07-01-009.wav,sebuah byte code yang akan dieksekusi train/m07-01-015.wav,kode mesin yang telah telah dioptimisasi dengan baik train/m07-01-018.wav,jadi pertama pertama kode yang ditulis akan akan akan dikirimkan ke interpreter train/m07-01-019.wav,dan menghasilkan byte code train/m07-01-020.wav,kemudian dari byte code tersebut tersebut akan dikirim ke optimizing compiler berdasarkan profiling data train/m07-01-022.wav,jadi awal train/m07-01-023.wav,awal kompilasi kode akan train/m07-01-028.wav,selama byte code tersebut dijalankan train/m07-01-030.wav,saat fungsi train/m07-01-031.wav,menjadi sebuat state yang bernama hot train/m07-01-032.wav,contohnya contohnya saat kode tersebut dijalankan berulang-ulang kali train/m07-01-033.wav,byte code yang dihasilkan dan profiling data yang yang yang dikirimkan ke turbo fan train/m07-01-034.wav,atau turbo fan itu adalah adalah optimizing compiler yang digunakan oleh v8 train/m07-01-037.wav,javascript engine yang digunakan oleh mozilla firefox firefox bernama spider monkey train/m07-01-038.wav,engine yang digunakan mozilla firefox agak berbeda train/m07-01-039.wav,spider monkey mempunyai dua optimizing compiler train/m07-01-040.wav,kalau javascript engine yang digunakan oleh v8 mempunyai satu train/m07-01-042.wav,optimizing compiler yang bernama turbo fan untuk spider monkey mempunyai mempunyai dua optimizing compiler train/m07-01-043.wav,yang pertama adalah baseline dan yang kedua adalah ion ion ion monkey train/m07-01-045.wav,kode yang agak agak agak agak teroptimisasi train/m07-01-050.wav,yang selanjutnya adalah javascript engine yang digunakan oleh microsoft edge yaitu chakra train/m07-01-051.wav,javascript engine yang digunakan oleh browser microsoft edge ini mirip dengan train/m07-01-052.wav,javascript engine yang digunakan oleh browser mozilla firefox train/m07-01-053.wav,yang di yang yang membedakannya adalah nama-nama yang digunakan train/m07-01-054.wav,pertama optimizing compiler compiler compiler optimization compiler yang digunakan oleh train/m07-01-058.wav,akan dikirimkan profiling data ke full git untuk train/m07-01-059.wav,mengoptimisasi lebih lanjut dalam eksekusi selanjutnya train/m07-01-060.wav,dalam full git akan dikumpulkan profiling data yang dihasilkan dari train/m07-01-061.wav,interpreter dan train/m07-01-062.wav,simple git train/m07-01-064.wav,pada pada pada javascript core atau disingkat dengan dengan jsc train/m07-01-065.wav,optimizing compiler dibagi menjadi tiga train/m07-01-066.wav,jadi lebih jauh lagi dari javascript engine sebelum-sebelumnya yang memiliki dua optimizing compiler train/m07-01-067.wav,browser safari memiliki tiga optimizing compiler yang pertama adalah baseline train/m07-01-068.wav,yang akan mengoptimisasi train/m07-01-069.wav,sebagian kode kemudian tahap selanjutnya akan dioptimisasi lagi oleh train/m07-01-071.wav,faster than light compiler train/m07-01-072.wav,jadi akan dilakukan optimisasi lebih lanjut train/m07-01-074.wav,hal tersebut tersebut merupakan trade off train/m07-01-077.wav,jadi ada ada trade off off off train/m07-01-078.wav,jadi ada trade off diantara bagaimana menghasilkan train/m07-01-081.wav,atau mengambil train/m07-01-082.wav,sedikit waktu untuk train/m07-01-083.wav,mengambil sedikit waktu lebih banyak untuk menghasilkan menghasilkan machine code yang lebih efisien train/m07-01-084.wav,beberapa engine memilih untuk menambahkan beberapa optimizing optimizing compiler dengan train/m07-01-085.wav,waktu dan efisiensi efisiensi karakteristik yang berbeda train/m07-01-087.wav,trade off selanjutnya adalah penggunaan memori yang dibutuhkan jika memiliki banyak optimizing compiler train/m08-01-001.wav,oke asalamualaikum warohmatulohi wabarokatu train/m08-01-002.wav,selamat siang semuanya train/m08-01-003.wav,sekarang kita akan belajar tentang security foundation train/m08-01-004.wav,nah di sini train/m08-01-005.wav,hal yang terkait security yang penting ada tiga yang pertama confidentiality integrity serta availability train/m08-01-006.wav,apa itu ketiga hal tersebut train/m08-01-007.wav,dapat dilihat pada slide di atas train/m08-01-008.wav,yang pertama confidentiality train/m08-01-009.wav,jadi confidentiality itu hanya orang-orang tertentu yang dapat melihat atau mengakses data tersebut train/m08-01-010.wav,selanjutnya integrity train/m08-01-012.wav,selanjutnya yaitu availability train/m08-01-013.wav,jadi train/m08-01-014.wav,data yang sudah diakses tersebut harus ada train/m08-01-015.wav,percuma kita mengakses data yang tidak ada train/m08-01-016.wav,nah selain konsep ketiga tadi terdapat beberapa konsep lain train/m08-01-017.wav,nah diantaranya yaitu authentication authorization train/m08-01-018.wav,accountability serta non repudiation train/m08-01-019.wav,untuk penyelesaiannya sendiri dapat juga dilihat pada slide diatas train/m08-01-020.wav,yang pertama authentication train/m08-01-021.wav,jadi di sini gimana cara bob dapat train/m08-01-022.wav,memastikan bahwa dia berkomunikasi dengan alice train/m08-01-024.wav,untuk something you know contohnya yaitu password train/m08-01-026.wav,selanjutnya yaitu something you have train/m08-01-027.wav,contohnya yaitu misal kartu kartu atm train/m08-01-028.wav,jadi itu kita punya sendiri train/m08-01-029.wav,dan yang terakhir yaitu something you are misalnya yaitu biometrik retina dan lain-lain train/m08-01-031.wav,contohnya seperti kartu atm train/m08-01-033.wav,nah itu salah satu contoh menggabungkan something you have dan something you know train/m08-01-034.wav,selanjutnya yaitu authorization train/m08-01-035.wav,nah apa beda authorization dan authenticity train/m08-01-037.wav,nah untuk konsep selanjutnya yaitu non repudiation train/m08-01-043.wav,nah sedangkan kontrol yaitu gimana cara kita kita mengatur train/m08-01-044.wav,sistem yang kita miliki train/m08-01-045.wav,selanjutnya yaitu threat versus security requirement train/m08-01-046.wav,nah terdapat beberapa threat seperti yang di slide bisa dilihat ada lima threat train/m08-01-047.wav,yang pertama yaitu information disclosure train/m08-01-048.wav,nah ini tuh dia train/m08-01-049.wav,security requirement yang dipengaruhi yaitu confidentiality train/m08-01-050.wav,jadi orang yang tidak berwewenang untuk mengakses file tersebut dapat mengakses train/m08-01-051.wav,selanjutnya yaitu tampering with information train/m08-01-054.wav,selanjutnya yaitu spoofing train/m08-01-056.wav,selanjutnya yaitu ancaman unauthorized access train/m08-01-058.wav,selanjutnya terdapat beberapa security control yang dapat kita lakukan train/m08-01-060.wav,selanjutnya yaitu train/m08-01-061.wav,deter yaitu dengan membuat suatu serangan yang lebih kuat train/m08-01-062.wav,namun tidak impossible train/m08-01-063.wav,masa ini gajadi train/m08-01-065.wav,dan yang terakhir yaitu melakukan recover dari serangan yang ada train/m08-01-066.wav,oke selanjutnya kita masuk ke bagian software security train/m08-01-067.wav,apa sih software security itu train/m08-01-068.wav,yang pertama train/m08-01-069.wav,bagaimana kita dapat melakukan securing terhadap kode yang kita miliki train/m08-01-070.wav,selanjutnya yaitu bagaimana kita melakukan melakukan train/m08-01-071.wav,melakukan securing terhadap library yang kita miliki train/m08-01-075.wav,nah untuk yang pertama yaitu yang paling sering muncul yaitu injection train/m08-01-077.wav,dan input-an tersebut tidak dilakukan filter sehingga banyak terjadi attack atau penyerangan train/m08-01-081.wav,untuk yang ketiga yaitu ada ada broken authentication and session management train/m08-01-083.wav,nah selanjutnya yang keempat yaitu ada insecure direct object reference train/m08-01-085.wav,maka di url terdapat id sama dengan lima train/m08-01-088.wav,selanjutnya ada security misconfiguration train/m08-01-090.wav,nah itu tadi beberapa contoh-contoh contoh-contoh attack yang sudah dirangkum oleh owasp train/m08-01-091.wav,selanjutnya kalian dapat googling saja lihat ada di internet train/m08-01-093.wav,oke mungkin sekian buat hari ini terima kasih yang sudah datang train/m08-01-094.wav,wassalamualaikum warohmatulohi wabarokatu train/m09-01-001.wav,assalamualaikum warohmatulohi wabarokatu train/m09-01-002.wav,ya hari ini kita akan belajar mengenai information extraction train/m09-01-003.wav,apa sih information extraction itu train/m09-01-005.wav,information extraction sendiri bisa dibagi menjadi dua train/m09-01-006.wav,menurut sumber informasi bentuk sumber yang diekstraknya train/m09-01-007.wav,yang pertama itu traditional information extraction train/m09-01-008.wav,traditional information extraction itu bentuk bentuk informasi yang diekstrak sebelumnya yaitu semi terstruktur train/m09-01-010.wav,nah sedangkan yang satunya lagi lagi open information extraction itu itu train/m09-01-011.wav,sumber informasinya bentuknya tidak terstruktur ya atau seperti teks biasa tadi train/m09-01-012.wav,nah train/m09-01-015.wav,semua informasi yang ada pada pada teks atau pada train/m09-01-016.wav,ya informasi tadi diekstrak semuanya jadi bentuk relasi argumen dan tuple train/m09-01-017.wav,bentuk tuple relasi dan argumen maksudnya train/m09-01-018.wav,nah bedainnya dengan domain ie apa train/m09-01-019.wav,domain ie ini ada fokus-fokus di suatu domain tertentu train/m09-01-021.wav,nah nah caranya bagaimana train/m09-01-023.wav,nah pertama saya akan menjelaskan sedikit tentang text runner train/m09-01-024.wav,text runner ini memiliki tiga komponen train/m09-01-025.wav,komponen pertama yaitu supervised learner train/m09-01-026.wav,supervised learner ini memiliki tugas untuk menghasilkan classifier train/m09-01-027.wav,classifier dari data-data yang ada train/m09-01-029.wav,nah classifier-nya ini nanti digunakan pada komponen selanjutnya yaitu di single pass extractor train/m09-01-032.wav,nah ini komponen ini ini memiliki tugas untuk untuk menghapus train/m09-01-033.wav,hasil ekstraksi yang dianggap sama atau mungkin mungkin confidence value-nya kecil gitu train/m09-01-034.wav,nah nah ada lagi selanjutnya itu text runner crf train/m09-01-035.wav,sedikit berbeda dengan text runner sebelumnya sebelumnya bedanya itu di komponen single pass extractor train/m09-01-036.wav,kalau tadi text runner sebelumnya classifier-nya itu biasanya pakai naive bayes train/m09-01-038.wav,nah itu untuk text runner crf train/m09-01-039.wav,ada sedikit pendekatan lain yaitu reverb reverb train/m09-01-040.wav,reverb ini pendekatannya kaya rule based gitu jadi train/m09-01-041.wav,dia pertama akan mencari mencari relasinya terlebih dahulu train/m09-01-042.wav,dia akan mencari relasi terpanjang berdasarkan berdasarkan aturannya yang dapat dilihat di slide ini train/m09-01-043.wav,nah nah setelah ditemukan relasinya baru reverb ini akan mencari argumen argumen-argumennya train/m09-01-044.wav,argumen sebelah kiri dan argumen sebelah kanan train/m09-01-045.wav,nah ada lagi pengembangan dari reverb yaitu r dua a dua train/m09-01-047.wav,lalu train/m09-01-048.wav,ya tadi kan untuk r dua a dua train/m09-01-049.wav,ada lagi ya itu tadi wikipedia based open extractor train/m09-01-051.wav,ada juga juga yang lainnya yaitu ollie train/m09-01-052.wav,ya coba silakan dicari itu bagaimana caranya train/m09-01-053.wav,nah nah selanjutnya train/m09-01-054.wav,jenis informasi ekstraksi sistem informasi ekstraksi yang lain yaitu yang domain spesifik train/m09-01-055.wav,nah yang domain spesifiknya spesifik ini tekniknya beda-beda macam-macam train/m09-01-056.wav,biasanya tergantung dari domain-domainnya train/m09-01-059.wav,tolong itu di train/m09-01-061.wav,nah cara yang ini itu menambahkan dua komponen lagi train/m09-01-062.wav,komponen pertama yaitu class recognizer dan komponen yang kedua kedua domain relation mapper train/m09-01-063.wav,class recognizer ini memiliki fungsi untuk mengenali kelas-kelas yang menjadi fokus pada suatu domain train/m09-01-065.wav,nah selanjutnya di domain relation mapper train/m09-01-066.wav,domain relation mapper ini memiliki fungsi untuk mengubah bentuk relasinya bentuk bentuk hasil ekstraksinya train/m09-01-069.wav,nah cara cara komponen ini ini melakukan pemetaan itu menggunakan menggunakan aturan-aturan tetap train/m09-01-070.wav,aturan-aturannya ini dibangun menggunakan algoritma algoritma yang bernama covering algorithm train/m09-01-071.wav,covering algorithm ini ini ini salah satu algoritma algoritma pembelajaran pembelajaran pembelajaran aturan train/m09-01-072.wav,jadi algoritma ini membutuhkan membutuhkan train/m09-01-073.wav,data latih latih untuk untuk untuk untuk membuat aturan-aturan pemetaan tersebut train/m09-01-077.wav,ya sekian sekian pelajaran kita hari ini train/m09-01-078.wav,apabila ada yang belum jelas boleh ditanyakan train/m09-01-079.wav,ya apabila tidak ada yang ditanyakan mari kita sudahi train/m09-01-080.wav,nanti slide kuliah ini akan di-upload train/m09-01-081.wav,slide ini akan di-upload di di apa website perkuliahan train/m09-01-083.wav,ya untuk tugas besarnya masih kami diskusikan dengan asisten train/m09-01-084.wav,ya tolong ditunggu aja train/m09-01-085.wav,mungkin nanti akan diberi tahu lewat email jadi sering-sering cek email-nya ya train/m09-01-086.wav,terima kasih train/m09-01-087.wav,wassalamualaikum warohmatulohi wabarokatu train/m10-01-002.wav,ya oke selamat siang train/m10-01-004.wav,yang langsung saja kita ke materi materi selanjutnya train/m10-01-005.wav,kali ini kita akan membahas tentang tentang naming system dalam komputer train/m10-01-009.wav,itu tentu saja kita sudah tahu betapa pentingnya penamaan dalam sebuah objek train/m10-01-011.wav,itu semua termasuk sebagai dalam scope sistem penamaan penamaan train/m10-01-012.wav,nah apa saja yang biasanya biasanya dinamai dalam sebuah sistem komputer train/m10-01-014.wav,terus di dalam dalam komponen naming itu ada yang namanya naming service train/m10-01-016.wav,kita bisa mencari objek yang kita inginkan sesuai apa namanya train/m10-01-018.wav,jadi nama itu apa train/m10-01-019.wav,nama itu tuh tuh mengidentifikasikan objek yang kita inginkan atau kita cari train/m10-01-020.wav,terus objek itu sendiri punya beberapa komponen train/m10-01-021.wav,ada nama itu sendiri ada alamatnya train/m10-01-023.wav,lalu ada binding train/m10-01-024.wav,binding itu itu yang mengikat antara sebuah nama dengan alamat tempatnya berada train/m10-01-027.wav,karena ga ada gunanya train/m10-01-030.wav,bukan nama yang unik lagi train/m10-01-032.wav,contohnya itu itu itu cara yang dipakai itu dengan menggunakan hierarki train/m10-01-034.wav,jadi nama dari device itu sendiri train/m10-01-035.wav,terus kalau ip address ada network sama host train/m10-01-036.wav,jadi hierarki itu bisa menjamin menjamin uniknya sebuah nama dalam scope yang besar train/m10-01-038.wav,misalnya apa train/m10-01-043.wav,nah nah jadi tadi kita udah ngomongin soal unik kita udah ngomongin soal konteks train/m10-01-044.wav,jadi keunikan nama ini tuh tuh berhubungan erat sama konteksnya train/m10-01-045.wav,jadi kita cuman bisa ngomongin ngomongin apa train/m10-01-046.wav,konvensi nama itu sesuai konteksnya tertentu saja train/m10-01-048.wav,jadi contoh apa naming system train/m10-01-050.wav,naming space itu adalah train/m10-01-051.wav,apa namanya train/m10-01-052.wav,ruang yang yang diciptakan ya train/m10-01-053.wav,jadi ruang penamaan dari tiap konteks train/m10-01-055.wav,nah terus ada lagi yang namanya itu itu resolution train/m10-01-056.wav,resolution itu train/m10-01-057.wav,kayak buat ngehubungin antara satu satu nama dengan nama lain di binding train/m10-01-058.wav,tadi yang kita sebut sebagai binding itu ada istilah di sini itu resolution train/m10-01-059.wav,ya naming service itu service yang menyediakan yang dapat meresolusi sebuah nama train/m10-01-061.wav,kalau dari apa di level ftp sendiri ada apa directory service train/m10-01-062.wav,directory service itu yang kita pakai sehari-hari buat bikin folder dan file train/m10-01-063.wav,terus lightweight directory access protocol tuh buat train/m10-01-064.wav,apa namanya ngakses directory secara remote itu bukan bahasan di sini sebenarnya sebenarnya train/m10-01-065.wav,terus ini naming resolution yang tadi udah kita jelasin train/m10-01-066.wav,nah nah train/m10-01-067.wav,jadi ada berapa berapa dari train/m10-01-068.wav,kan tadi nama di-binding ke sebuah alamat agar bisa dipakai dan ditemukan train/m10-01-069.wav,nah binding itu sendiri itu ada beberapa jenis ada ya ada beberapa jenis train/m10-01-071.wav,misalnya misalnya seperti train/m10-01-072.wav,url itu kelihatannya itu itu static binding train/m10-01-073.wav,terus selain itu ada early binding sama late binding train/m10-01-074.wav,nah di sini kita mulai ngelihat yang namanya lookup train/m10-01-075.wav,jadi naming service itu melakukan lookup untuk train/m10-01-076.wav,apa apa bertujuan jadi naming service itu dalam dalam dalam melakukan resolusi melakukan lookup train/m10-01-079.wav,contohnya ada beberapa pendekatan pendekatan lookup antara lain lain central coordinator train/m10-01-080.wav,flooding atau distributed hash table train/m10-01-081.wav,yang pertama central coordinator train/m10-01-083.wav,dari nama-nama yang apa dalam konteksnya dia jadi kayak train/m10-01-087.wav,jadi mereka mereka ga mungkin nyari ke tempat lain kecuali situ train/m10-01-089.wav,terus yang train/m10-01-090.wav,apa jenisnya lookup yang kedua itu ada query flooding train/m10-01-091.wav,node-node yang memiliki file akan memberi tahu anchor train/m10-01-092.wav,kalau misal jadi kalau query flooding itu itu itu train/m10-01-094.wav,apa dia bisa nanyain ke node-node lain train/m10-01-097.wav,ya apa train/m10-01-098.wav,harus nanya ke semua komputer yang ada di jaringan tersebut jadi ga efisien train/m10-01-099.wav,nah terus yang terakhir itu distributed hash table train/m10-01-101.wav,dan ini biasanya dipakai di torrent train/m10-01-102.wav,iya seperti itu itu train/m10-01-104.wav,tapi tapi tapi ada beberapa masalah train/m10-01-105.wav,antara lain itu yang pertama itu gimana train/m10-01-106.wav,cara cara mempartisi data dengan balance dan ngelakuin lookup train/m10-01-107.wav,terus train/m10-01-110.wav,misalnya jadi train/m10-01-111.wav,kalau content content addressable network tuh akan bikin sebuah grid train/m10-01-112.wav,jadi dan jadi misalnya ada dua node yang berperan sebagai naming service maka train/m10-01-113.wav,sistem ini akan buat train/m10-01-115.wav,nah setiap kali ada node baru masuk dia bakal ngelakuin split train/m10-01-116.wav,jadi train/m10-01-117.wav,ketiga node ini terus akan saling berkomunikasi buat tahu tentang grid satu sama lain train/m10-01-119.wav,tetangga itu node yang mengandung mengandung node yang memiliki zone yang bersebelahan train/m10-01-123.wav,mungkin kalian udah pada familiar ini ada di apa namanya train/m10-01-125.wav,apache spark train/m10-01-126.wav,jadi jadi misalnya train/m10-01-127.wav,ada sekian apa namanya semua node train/m10-01-128.wav,yang apa semua node train/m10-01-129.wav,untuk search-nya itu train/m10-01-130.wav,dibentuk menjadi sebuah arsitektur cincin terus train/m10-01-131.wav,ada dan sebenernya ini mirip mirip kayak arsitektur hierarkis cuman train/m10-01-132.wav,di sini itu hierarkinya itu tiap berapa berapa node train/m10-01-133.wav,biasa ada satu node yang bertanggung jawab train/m10-01-134.wav,buat ngelola train/m10-01-135.wav,temen-temennya train/m10-01-140.wav,nah nah nah di sini ada tiga masalah utama yaitu train/m10-01-141.wav,cara buat nge-handle penambahan dan penghapusan node terus cara buat menambah menambah train/m10-01-142.wav,biar lookup time-nya bagus sama biar sistem ini fault tolerant train/m10-01-144.wav,nah train/m10-01-147.wav,nah untuk mencegah agar apa train/m10-01-148.wav,sistem ini fault tolerant tuh key value di setiap node itu harus direplikasi train/m10-01-149.wav,di di mereka akan bikin r buah replika train/m10-01-152.wav,lookup value akan mencari node yang menyimpan data dan dilakukan dengan apa kompleksitas train/m10-01-153.wav,o satu train/m10-01-154.wav,ya kayaknya itu aja aja train/m10-01-155.wav,sekian train/m10-01-156.wav,sekian kuliah dari saya train/m10-01-157.wav,terima kasih ada pertanyaan train/m10-01-158.wav,bagus train/m10-01-159.wav,selamat siang train/m11-01-001.wav,ya jadi selamat pagi semuanya train/m11-01-002.wav,pagi train/m11-01-003.wav,hari ini kita akan lanjutkan kuliah pembelajaran mesin atau machine learning train/m11-01-004.wav,untuk minggu lalu train/m11-01-005.wav,overview-nya kalian sudah sudah ringkas atau belum train/m11-01-008.wav,kemudian design learning system itu ada empat poin besar yaitu pertama pemilihan training experience train/m11-01-009.wav,di situ di dalamnya meliputi feedback yaitu direct dan indirect train/m11-01-010.wav,kemudian ada tingkat kontrol dan distribusi training data dan future testing data train/m11-01-012.wav,choose move itu choose move board train/m11-01-013.wav,output-nya adalah move itu meliputi indirect feedback train/m11-01-014.wav,v board menghasilkan bilangan real train/m11-01-015.wav,kemudian pemilihan representasi fungsi target contohnya adalah kombinasi linear fitur board train/m11-01-016.wav,kemudian pemilihan algoritma pembelajaran contohnya adalah least mean square atau lms train/m11-01-017.wav,hari ini kita akan melanjutkan tentang fungsi target train/m11-01-018.wav,fungsi target untuk masalah checkers masalah permainan checkers kemarin adalah train/m11-01-020.wav,move yang bernilai boolean train/m11-01-021.wav,kemudian fungsi estimasi untuk checker train/m11-01-022.wav,adalah input-nya board keluarannya bilangan real train/m11-01-024.wav,kemudian dataset input-nya adalah bilangan real dan date atau tanggal train/m11-01-026.wav,kemudian dataset-nya sama yaitu date dan game train/m11-01-027.wav,kemudian deteksi fraud atau penggelapan train/m11-01-028.wav,itu adalah fungsi targetnya adalah is fraud train/m11-01-029.wav,input-nya adalah transaction kemudian output-nya adalah bilangan nol sampai seratus train/m11-01-030.wav,kemudian dataset terdiri dari transaction dan boolean train/m11-01-032.wav,kemudian pembelajaran konsep train/m11-01-033.wav,pembelajaran di sini yang dimaksud adalah specific training data kemudian dijadikan general concept train/m11-01-034.wav,jadi dari spesifik menjadi general train/m11-01-035.wav,konsep di sini adalah train/m11-01-037.wav,fungsi boolean yang didefinisikan untuk suatu himpunan contohnya is a train/m11-01-038.wav,is a dalam kurung x x adalah anggota dari himpunan train/m11-01-040.wav,persoalan pencarian hipotesis yang best fit terhadap training data train/m11-01-041.wav,kemudian train/m11-01-042.wav,ada yang disebut dengan design learning system seperti minggu lalu sudah dijelaskan train/m11-01-043.wav,ada istilah training experience train/m11-01-046.wav,kalau nol itu berarti tidak tidak tidak enjoy dan satu berarti enjoy train/m11-01-050.wav,untuk representasi hipotesisnya train/m11-01-051.wav,misalkan didefinisikan h adalah konjungsi constraint constraint on attributes train/m11-01-052.wav,constraint-nya dapat berupa specific value misalnya water-nya warm train/m11-01-055.wav,yaitu bernilai tidak ada atau no value train/m11-01-058.wav,dan konsep learning task yang akan dibahas di sini misalnya instance x train/m11-01-060.wav,kemudian fungsi targetnya adalah enjoy sport yang tadi yang bernilai nol atau satu train/m11-01-061.wav,kemudian hipotesis h adalah konjungsi dari literal train/m11-01-062.wav,literal yang tadi sudah disebutkan train/m11-01-065.wav,fungsi target train/m11-01-066.wav,kemudian kita masuk ke asumsi fundamental dalam pembelajaran induktif train/m11-01-067.wav,jadi asumsi-asumsi di sini sebetulnya bias bias train/m11-01-069.wav,jadi di sini yang dimaksud adalah adalah train/m11-01-070.wav,apapun hipotesis yang digunakan untuk memperkirakan suatu fungsi target yang train/m11-01-072.wav,kemudian di sini masuk ke pencarian hipotesis train/m11-01-073.wav,contoh atribut instance sky itu memiliki beberapa kemungkinan nilai train/m11-01-074.wav,sunny cloudy rainy air temp memiliki dua kemungkinan nilai warm sama cold train/m11-01-075.wav,humidity normal sama high train/m11-01-077.wav,di sini jumlah instance-nya tadi ada ada enam ada enam properties train/m11-01-078.wav,jadi jumlah instance-nya adalah tiga train/m11-01-080.wav,sepuluh pangkat lima dikali tiga sembilan puluh enam instance yang distinct yang berbeda train/m11-01-082.wav,jumlah hipotesisnya satu ditambah empat dikali tiga sebanyak lima kali train/m11-01-083.wav,itu didapat dari dari untuk satunya adalah nilai train/m11-01-084.wav,don't care-nya eh maaf untuk nilai no value train/m11-01-088.wav,jadi jumlah hipotesis ini berbeda dengan dengan jumlah hipotesis berbeda dengan jumlah instance train/m11-01-089.wav,untuk instance sembilan puluh enam hipotesisnya sembilan ratus tujuh puluh tiga train/m11-01-090.wav,kemudian kemudian masuk ke bagian instance hypothesis dan more general than train/m11-01-091.wav,kita lihat di gambar kiri nih train/m11-01-092.wav,sebut itu adalah instance x train/m11-01-093.wav,kemudian gambar kanan hipotesis h train/m11-01-094.wav,di sini disebutkan adalah adalah train/m11-01-095.wav,semakin ke bawah itu sifatnya semakin general sedangkan semakin ke atas spesifik train/m11-01-098.wav,h dua sunny dan lima buah tanda tanya train/m11-01-099.wav,h tiga sunny tiga buah tanda tanya cool dan tanda tanya train/m11-01-100.wav,kita masuk ke find s algorithm atau atau algoritma find s train/m11-01-101.wav,di sini ada tiga step besar yang dilakukan yang pertama menginisialisasi h h kecil train/m11-01-103.wav,kemudian langkah ke dua untuk setiap train/m11-01-106.wav,yang dipenuhi oleh x jadi jadi jadi train/m11-01-108.wav,kemudian tiga tiga tiga output hipotesis h kecil atau atau sebagai output train/m11-01-109.wav,ya disini disini disini digambarkan contoh yang tadi tadi dikerjakan menggunakan find s algorithm train/m11-01-115.wav,kemudian berikutnya strong warm same masih sama train/m11-01-117.wav,nah train/m11-01-118.wav,karena dia bernilai negatif maka kita tidak melakukan apapun jadi h tiga train/m11-01-120.wav,kemudian x empat dilihat adalah instance positif berarti kita memperhitungkan memperhitungkan train/m11-01-121.wav,nilainya sendiri adalah sunny warm high strong cool change change train/m11-01-125.wav,sunny warm tanda tanya strong tanda tanya tanda tanya train/m11-01-128.wav,sedangkan persoalan yang belum terjawab dengan algoritma ini adalah hipotesis yang paling spesifik train/m11-01-129.wav,apa yang konsisten dengan contoh contoh pelatihan train/m11-01-130.wav,apakah cukup general train/m11-01-131.wav,kemudian telah menghasilkan konsep target yang tepatkah train/m11-01-132.wav,kemudian inconsistency training data bisa juga find s ini misleading soalnya train/m11-01-133.wav,kemudian yang terakhir adalah train/m11-01-134.wav,satu hipotesis unik yang paling spesifik spesifik atau bisa beberapa sebenarnya train/m11-01-135.wav,kemudian ce algorithm atau candidate elimination train/m11-01-136.wav,kalau tadi find s adalah satu hipotesis yang konsisten dari training data train/m11-01-137.wav,satu dari beberapa hipotesis yang konsisten train/m11-01-140.wav,masalahnya disini adalah belum bisa menangani noisy training data train/m11-01-141.wav,version space apa sih tadi tadi disebutkan version space atau vs vs adalah train/m11-01-143.wav,subset hipotesis dari h besar yang konsisten terhadap semua training train/m11-01-144.wav,yang berada di d atau data train/m11-01-149.wav,jadi kita langsung masuk saja ke algoritmanya candidate elimination train/m11-01-150.wav,yaitu g besar diisi dengan train/m11-01-152.wav,then for in each training sample d do train/m11-01-154.wav,jadi hilangkan dari g semua hipotesis yang inkonsisten dengan d train/m11-01-156.wav,kemudian tambahkan kepada s besar semua train/m11-01-157.wav,generalisasi h pada s s s yang paling minimal train/m11-01-158.wav,tapi juga harus memenuhi syarat ada dua train/m11-01-161.wav,jadi di-remove hipotesis yang lebih general daripada hipotesis di s train/m11-01-168.wav,tanda tanya itu berarti dont care train/m11-01-169.wav,untuk s nya yang spesifik diisi dengan no value semua semua train/m11-01-170.wav,ada ada enam buah train/m11-01-171.wav,property train/m11-01-173.wav,untuk g nya nya tetap tanda tanya semua train/m11-01-176.wav,liat instance dua yang ditanya yes juga train/m11-01-178.wav,kemudian data ketiga itu bernilai negatif atau no train/m11-01-179.wav,untuk g nya akan berpengaruh disini jadi train/m11-01-182.wav,kemudian untuk s nya dia tidak pengaruh karena dia data negatif jadi diabaikan train/m11-01-183.wav,untuk data keempat yes berarti positif train/m11-01-184.wav,untuk g nya dia akan berpengaruh yaitu akan dieliminasi yang tidak konsisten train/m11-01-187.wav,yang tadinya warm jadi jadi cool yang tadinya same jadi change change train/m11-01-189.wav,enam buah hipotesis nah disini bisa dilihat bahwa train/m11-01-190.wav,penentuan version space ini juga selain menggabungkan g dan s train/m11-01-191.wav,jadi tadi hasil g g g g ada dua s ada satu satu train/m11-01-194.wav,kita bandingkan untuk hipotesis tadi ce dan find s ce itu menghasilkan version space train/m11-01-196.wav,sedangkan untuk masalah inconsistent training data tidak ada perbaikan antara ce dengan find s train/m11-01-197.wav,asumsi ce dan find s training data akurat aturan hipotesis memiliki hipotesis target train/m11-01-199.wav,nah terakhir ini biased hypothesis space train/m11-01-200.wav,misalnya liat pada tabel masih enjoy sport ya masalahnya masalahnya train/m11-01-203.wav,berarti ada sepuluh pangkat dua puluh delapan konsep target train/m11-01-205.wav,ya itu sekian untuk kuliah hari ini train/m11-01-206.wav,terima kasih dan sampai jumpa jumpa