1st Anniversary KDGI Kalteng

1st Anniversary KDGI KALTENG Kopdar Raya Datsun Comunity
Palangkaraya, 28-29 Mei 2016
Dengan Tema Melintasi Cagar Budaya Alam di Tanah Borneo Bersama Nissan Datsun

Read More...

Cara Cepat Trasnfer Data menggunakan SHAREit

Pada umumnya kita akan menggunakan kabel USB untuk mengirim file dari komputer / laptop ke perangkat smartphone kita (atau sebaliknya) sebagai penghubung antar keduanya. Memang proses perpindahan data akan berlangsung cukup cepat, namun akan sedikit merepotkan bagi kita khususnya jika kita lupa untuk membawa kabel tersebut. Saat ini kita tidak perlu mengkhawatirkan hal tersebut karena Lenovo telah mengembangkan sebuah aplikasi yang bisa kita gunakan untuk bertukar data hanya melalui jaringan Wi-Fi.

Aplikasi yang diberi nama SHAREit, SHAREit adalah perangkat tercepat tanpa kabel untuk berbagi kontak, foto, video, music, dan aplikasi lainnya. Alat ini bekerja menggunakan media personal hotspot (wifi tethering) yang tidak membutuhkan koneksi data untuk berbagi file, sehingga penggunanya tak perlu mengeluarkan biaya jaringan atau kuota internet. SHAREit ini dapat digunakan di hampir semua merk perangkat smartphone yang menggunakan sistem operasi Android, Windows Phone dan iOS serta dapat digunakan pula pada laptop dengan OS Windows.

Berikut tampilan screen shoot untuk SHAREit versi PC :

Silakan mencoba sendiri. Aplikasi ini mudah terpasang pada perangkat kita. Segera download SHAREit secara gratis di http://kc.lenovo.com atau http://shareit.lenovo.com. Bagi pengguna Android dapat mendownloadnya langsung di Google Play Store dan bagi pengguna iOS juga bisa langsung mendownloadnya langsung di App Store.

Sumber: shareit.lenovo.com

Read More...

TEKNIK DASAR PENGAMBILAN GAMBAR VIDEO SHOOTING

Hola,,, lama sekali tidak pernah post,, maklum blog dulu cuma buat tugas kuliah, sekarang kuliahnya sudah selesai dan... (halah, curhat). kali ini pengen coba berbagi, sharing tentang teknik dasar pengambilan gambar video shooting (sesuai sama hoby dan kerjaan sehari-hari lah ya) ((dan lagi walau cuma sebatas re-post dari punya temen)). ^_^

Oke, langsung aja.!

1.   Tahapan Memaksimalkan Penggunaan Kamera Video

Tahapannya terbagi beberapa bagian sebagai berikut :

a.) Kenali dan Pahami Kamera Video

Semua alat yang akan digunakan harus benar – benar dikuasai supaya meminimalisasikan kesalahan pengambilan gambar nantinya.

b.) Rekaman Video yang Layak Dilihat dan Disimpan

Rekaman video dikatakan layak untuk dilihat dan disimpan jika memenuhi 4 syarat : cukup pencahayaan, fokus, stabil dan cukup durasi.

c.) Rekaman Video yang Layak Dinikmati

Rekaman video yang layak dinikmati harus memenuhi kaidah – kaidah sebagai berikut:

1. Balance, Framing, Compositions : Horizontal Lines, Vertical Lines, Thirds Ratio, Diagonal Lines, Triangle, Perspective, Looking Room, Walking Room, Head Room, Golden Mean, Background, Foreground.
2. Frame Cutting Points : Extreme Close Up, Big Close Up, Close Up, Medium Close Up, Medium Shot, Medium Long Song, Long Shot, Extreme Long Shot.
3. Other Types Of Shot : 2 Shot, 3 Shot, Group Shot, Over Shoulder Shot, Establishing Shot.
4. Camera Movement : Panning ( Left, Right, Up, Down ), Tracking ( In, Out, Follow, Revolve ), Truck ( Left, Right ), Zooming ( In, Out )
5. Camera Angle # 1 : Normal Angle, Low Angle, High Angle
6. Camera Angle # 2 : Objective Camera, Subjective Camera
7. Shot By Camera Positions : Face Shot, ¾ Shot, Profile Shot, Over Shoulder Shot
8. Shooting Rules : Jump Cut, Crossing The Line, Continuity

d.) Rekaman Video yang Selesai dan Layak Tonton 

Sebuah karya videografi yang selesai dan siap ditonton umumnya melewati tahap-tahap berikut ini:

1. Pra Produksi : Proses perencanaan dan persiapan produksi sesuai dengan kebutuhan, tujuan dan khalayak sasaran yang dituju. Meliputi persiapan fasilitas dan teknik produksi, mekanisme operasional dan desain kreatif (riset, penulisan outline, skenario, storyboard, dsb.).
2. Produksi : Proses pengambilan gambar di lapangan (shooting).
3. Pasca Produksi : Proses penyuntingan di ruang editing, memadukan hasil rekaman video dengan berbagai elemen audio visual lainnya.
4. Presentasi : Menyajikan hasil penyuntingan (editing) dalam format siap tonton (kaset, VCD, DVD, dsb.)
5. Distribusi : Penyebarluasan karya videografi (screening, penjualan, broadcasting, webcasting, dsb.).

2.    Teknik Kamera : Pengambilan Gambar

a.) Establingshing Shot (ES)

Pengambilan gambar/shooting yang di ambil dari jarak yang sangat jauh atau dari “pandangan mata burung”, biasanya untuk membangun pengetahuan dimana lokasi kejadian.

b.) Long Shot (LS)

Shooting dilakukan dari jarak jauh, tetapi tidak sejauh establish shot.digunakan untuk penekanan terhadap lingkungan sekitar atau setting dalam scene. 

c.) Medium Shot (MS)

Shooting untuk membuat frame actor. Biasanya dilakukan dari pinggang ke atas. Medium shot (MS) bias digunakan untuk membuat focus terhadap 2 orang actor yang saling berhadapan dan beinteraksi,missalnya: debat, berpelukan dan sebagainya.

d.) Over Tehe Shoulder Shot (OS)

Shooting Untuk mengambil gambar actor melalui pundak actor yang lain,digunakan ketika para actor saling bertatapan muka satu sama lain.contoh salah satu actor berbicara kepada actor yang lain sedangkan yang lain mendengarkan.

e.) Close-Up (CU)

Shoting diambil dari jarak dekat. Biasanya focus kepada wajah,digunakan untuk memperlihatkan ekspresi wajah/mimic dari actor. Memperhatikan detail objek,atau untuk mengarahkan audience pada suatu elemen yang dipentingkan.

3.    Tips Merekam Video Dengan Sempurna 

1. Jika memungkinkan, selalu pergunakanlah manual focus.
2. Atur white balance pada setiap perpindahan lokasi atau pergantian sumber pencahayaan.
3. Jika melakukan pengambilan gambar di luar ruangan (outdoor shooting), posisikan matahari di belakang anda. Begitu juga sumber pencahayaan lainnya.
4.  Gunakan tripod atau alat bantu lainnya.
5. Dalam kondisi rekaman tanpa alat bantu (handhelds), pegang dan kendalikan kamera video Anda sedemikian rupa agar hasil rekaman tetap stabil (andaikan sebagai secangkir kopi panas).
6. Gunakan zooming hanya untuk menata komposisi ambilan gambar. Hindari penggunaannya pada saat merekam (rolling), kecuali jika ada maksud untuk tujuan tertentu atau memang disengaja karena hasil rekaman akan diproses lebih lanjut (editing).
7. Shoot to edit. Pastikan untuk memproses lebih lanjut setiap hasil rekaman Anda (editing). Untuk itu, rekaman video harus diciptakan dan dipersiapkan sedemikian rupa agar siap untuk diproses lebih lanjut (variasi dan kelengkapan gambar, durasi setiap shot, menghindari fasilitas kamera yang tidak diperlukan, dsb.)
8. Jaga durasi setiap shot. Jangan terlalu panjang dan monoton (tanpa variasi), namun juga jangan terlalu pendek. Minimal antara 8 hingga 10 detik. Tidak ada batas maksimal karena tergantung action yang direkam. Namun sebaik sudah mulai merekam 3 hingga 5 detik sebelum action berlangsung. Berikan durasi yang sama setelah action berlangsung.
9. Jaga setiap shot dalam kondisi steady tanpa pergerakan kamera, setidaknya selama 10 detik. Jika suatu shot akan berisi pergerakan kamera, berikan awalan dan akhiran dalam kondisisteady dengan durasi setidaknya 3 hingga 5 detik.

Read More...

JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

Pengertian Jaringan Saraf Tiruan

Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa:

1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

2. Sinyal dilewatkan antar neuron melalui penghubung.

3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.

4. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyaloutput.

Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.

Komponen Neural Network

Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yanghampir sama. Gambar berikut memperlihatkan struktur ideal NN.

Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusiadiatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutronakan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan outputke neuron lainnya, dan seterusnya.

Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layerbelakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per – layer mulai dari input hingga output tanpa ataumelalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan,informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikutmenunjukan NN dengan tiga neuron layers.

Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NNyang tidak mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.

Multi Layer Perceptron

Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yangterletak antara input dan output layers. Multi-layer-perceptron dapat digunakan untukoperasi logik termasuk yang kompleks seperti XOR.

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neurontersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output(output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya kelapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij melambangkan bobot koneksi dari unitj ke uniti, danθi adalah nilai bias dari uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.

Supervised Learning

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukanmelalui satu set pola contoh atau data pelatihan (training data set).

Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Setelah selesaipelatihan, jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilaierror yang disebut juga dengan di mana adalah banyaknya unit pada output layer.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimumglobal dari E.

Algoritma Dalam Jaringan Saraf Tiruan.

• Algoritma Backpropagation

Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyakdimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma iniumumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dariinput menuju output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tigatahapan [Fausett, 1994], yaitu:

1. Input nilai data pelatihan sehingga diperoleh nilai output.
2.  Propagasi balik dari nilai error yang diperoleh.
3. Penyesuaian bobot koneksi untuk meminimalkan nilai error.

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Secara matematis [Rumelhart, 1986], ide dasar dari algoritmabackpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error.

• Algoritma Quickprop

Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwakurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidakterpengaruh oleh bobot-bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman,1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatantraining. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatankecepatan training dan unjuk kerja yang signifikan.

Arsitektur Jaringan Saraf Tiruan

Secara umum, Arsitektur JST terdiri atas beberapa lapisan, yaitu lapisanmasukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini :

Gambar 1.2 Arsitektur Jaringan Saraf Tiruan

1. Lapisan Masukan (input layer)

Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi.

2. Lapisan tersembunyi (hidden layer)

Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.

3. Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.

Algoritma Pembelajaran

Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazin dari pembelajaran meliputi tiga tugas, yaitu :

1. Perhitungan Output,

2. Membandingkan output dengan target yang diinginkan.

3. Menyesuaikan bobot dan mengulangi prosesnya.

Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini :

Gambar Proses Pembelajaran dari suatu JST

Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian, yaitu:

1. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Contoh dari tipe ini adalah metode back propagation, jaringan Hopfield dan perceptron.

2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan.

untuk materi lebih lengkap bisa didownload disini

Read More...