<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Moch. Ari Nasichuddin on Medium]]></title>
        <description><![CDATA[Stories by Moch. Ari Nasichuddin on Medium]]></description>
        <link>https://medium.com/@arynas92?source=rss-23b6c508a427------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*bjOd4Or_mScRNyj21iNrJg.jpeg</url>
            <title>Stories by Moch. Ari Nasichuddin on Medium</title>
            <link>https://medium.com/@arynas92?source=rss-23b6c508a427------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:12:02 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@arynas92/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Perhitungan Matematis CNN untuk Analisis Sentimen]]></title>
            <link>https://medium.com/@arynas92/perhitungan-matematis-cnn-untuk-analisis-sentimen-762dd09d6719?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/762dd09d6719</guid>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[analisis-sentimen]]></category>
            <category><![CDATA[text-mining]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[sentiment-analysis]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Mon, 21 Jan 2019 00:13:46 GMT</pubDate>
            <atom:updated>2019-01-21T00:17:01.267Z</atom:updated>
            <content:encoded><![CDATA[<p>Selama ini metode Deep Learning: CNN diimplementasikan pada kasus Image. Lantas bagaimana ketika diimplementasikan pada kasus Text? Berikut contoh perhitungan matematisnya, bisa dilihat <a href="https://www.slideshare.net/arynas/cara-kerja-cnn-untuk-analisis-sentiment/arynas/cara-kerja-cnn-untuk-analisis-sentiment">di sini</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=762dd09d6719" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PUBLICATION: Performance Improvement Using CNN for Sentiment Analysis]]></title>
            <link>https://medium.com/@arynas92/publication-performance-improvement-using-cnn-for-sentiment-analysis-db4653fc6e27?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/db4653fc6e27</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[sentiment-analysis]]></category>
            <category><![CDATA[text-mining]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Tue, 07 Aug 2018 15:54:21 GMT</pubDate>
            <atom:updated>2018-08-07T15:54:21.820Z</atom:updated>
            <content:encoded><![CDATA[<p>The result of my research thesis has published. In that publication, I wrote how to improve performance and accuracy training CNN for Sentiment Analysis. You can access my publication in this <a href="https://scholar.google.co.id/scholar?oi=bibs&amp;cluster=12376653892996853162&amp;btnI=1&amp;hl=id">link</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=db4653fc6e27" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Klasifikasi Image dengan 2 Kelas]]></title>
            <link>https://medium.com/@arynas92/klasifikasi-image-dengan-2-kelas-75b8f9cc1ae3?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/75b8f9cc1ae3</guid>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[image-recognition]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Sun, 22 Jul 2018 01:10:17 GMT</pubDate>
            <atom:updated>2018-07-22T01:25:48.028Z</atom:updated>
            <content:encoded><![CDATA[<p>Pertama kali saya belajar Deep Learning adalah ketika mengambil studi master. Penelitian tesis saya kala itu tentang klasifikasi teks positif atau negatif. Metode Deep Learning yang saya pakai adalah CNN. Metode tersebut umumnya dipakai image, namun pada penelitian saya akan diterapkan pada kasus teks. Jamaknya ketika menggunakan data teks, metode Deep Learning yang digunakan adalah RNN/LSTM.</p><p>Kali ini saya mencoba memanfaatkan Deep Learning: CNN untuk klasifikasi data image dengan 2 kelas. Arsitektur CNN yang dipakai terdiri dari Input Matriks + 2 Convolution Layer menggunakan fungsi aktivasi ReLU + Fully-connected menggunakan fungsi aktivasi sigmoid.</p><p>Setelah proses training dan testing, akurasi yang dihasilkan <strong>70%</strong>. Kodenya bisa dicek <a href="https://github.com/arynas/Binary-Image-Classification">di sini</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=75b8f9cc1ae3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pendidikan Indonesia, Kurikulum 2013, dan EEA]]></title>
            <link>https://medium.com/@arynas92/pendidikan-indonesia-kurikulum-2013-dan-eea-7b23c4198f3f?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/7b23c4198f3f</guid>
            <category><![CDATA[kurikulum-2013]]></category>
            <category><![CDATA[education-ea]]></category>
            <category><![CDATA[technology-for-education]]></category>
            <category><![CDATA[pendidikan-indonesia]]></category>
            <category><![CDATA[ea-framework]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Thu, 11 May 2017 03:47:28 GMT</pubDate>
            <atom:updated>2017-05-11T04:27:04.456Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Kondisi Pendidikan di Indonesia</strong></p><p>Wajah pendidikan di Indonesia belum begitu menggembirakan. Setidaknya jika menilik laporan UNDP (United Nations Development Programme) pada tahun 2013, akan terlihat rangking HDI (Human Development Index) Indonesia masih menempati urutan 121 dari 186 negara di dunia. Sementara negara tetangga kita memiliki rangking lebih baik, Singapura (18), Brunai (30), Malaysia (64), Thailand (103), dan Philipina (114).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/731/1*vxJC7udP54_aciQQ3UkqXw.png" /><figcaption><strong>Peringkat HDI Indonesia (UNDP report 2013)</strong></figcaption></figure><p>Selain itu OECD (Organization for Economic Co-operation dan Development) dalam kegiatan PISA (Programme for International Student Assesment) mengatakan anak-anak Indonesia menempati rangking 144 dari 145 negara <em>(Kompas, 23 Desember 2013).</em></p><p>Data di atas seolah mengatakan bahwa masih ada PR dalam mengelola pendidikan di Indonesia. Arif Rohman dalam makalahnya pada acara Seminar Nasional Pendidikan DEMA-F Ilmu Tarbiyah dan Keguruan UIN Suka 2014 menulis, formulasi kebijakan pendidikan di Indonesia masih berpusat pada elit dengan sistem <em>top-down</em> sementara partisipasi publik relatif diminimalkan.</p><p>Banyaknya produk kebijakan pendidikan yang sudah dirancang dan diformulasikan secara rumit dan mahal ternyata ketika sampai pada tataran implementasi mengalami distorsi dan penyelewengan.</p><p>Berbagai paket kebijakan inovasi pendidikan hampir selalu diproses serba cepat (<em>instant</em>) sehingga kurang mempertimbangkan secara komprehensif berbagai implikasi positif negatifnya.</p><p>Beberapa kalangan menilai perubahan kebijakan yang terlalu sering membuat perubahan yang terjadi tidak terlalu signifikan. Bahkan ada guyonan <em>“ganti menteri ganti kurikulum”</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sBE3aKZpP_6bmFSm1U1IqQ.jpeg" /><figcaption><strong>Perkembangan Kurikulum di Indonesia (Google.com)</strong></figcaption></figure><p>Seperti dikutip dari <em>Brilio.net </em>dan <em>Tirto.id, </em>berikut karakteristik dari masing-masing kurikulum di atas:</p><p>1. Kurikulum 1947 atau disebut Rentjana Pelajaran 1947</p><p>Ini adalah kurikulum pertama sejak Indonesia merdeka. Perubahan arah pendidikan lebih bersifat politis, dari orientasi pendidikan Belanda ke kepentingan nasional. Saat itu mulai ditetapkan asas pendidikan ditetapkan Pancasila. Kurikulum ini sebutan Rentjana Pelajaran 1947, dan baru dilaksanakan pada 1950.</p><p>Karena kurikulum ini lahir dikala Indonesia baru merdeka, maka pendidikan yang diajarkan lebih menekankan pada pembentukan karakter manusia Indonesia merdeka, berdaulat, dan sejajar dengan bangsa lain di muka bumi ini. Fokus Rencana Pelajaran 1947 tidak menekankan pendidikan pikiran, melainkan hanya pendidikan watak, kesadaran bernegara dan bermasyarakat.</p><p>2. Kurikulum 1952, Rentjana Pelajaran Terurai 1952</p><p>Adanya kurikulum ini merupakan penyempurnaan kurikulum sebelumnya, merinci setiap mata pelajaran sehingga dinamakan Rentjana Pelajaran Terurai 1952. Kurikulum ini sudah mengarah pada suatu sistem pendidikan nasional. Seperti setiap pelajaran dihubungkan dengan kehidupan sehari-hari. Silabus mata pelajaran menunjukkan secara jelas seorang guru mengajar satu mata pelajaran.</p><p>3. Kurikulum 1964, Rentjana Pendidikan 1964</p><p>Pemerintah kembali menyempurnakan sistem kurikulum pada 1964, namanya Rentjana Pendidikan 1964. Kurikulum ini bercirikan bahwa pemerintah mempunyai keinginan agar rakyat mendapat pengetahuan akademik untuk pembekalan pada jenjang SD. Sehingga pembelajaran dipusatkan pada program Pancawardhana, yaitu pengembangan moral, kecerdasan, emosional atau artistik, keprigelan (keterampilan), dan jasmani.</p><p>4. Kurikulum 1968</p><p>Kurikulum pertama sejak jatuhnya Soekarno dan digantikan Soeharto. Bersifat politis dan menggantikan Rentjana Pendidikan 1964 yang dicitrakan sebagai produk Orde Lama. Kurikulum ini bertujuan membentuk manusia Pancasila sejati, kuat, dan sehat jasmani, mempertinggi kecerdasan dan keterampilan jasmani, moral, budi pekerti, dan keyakinan beragama. Kurikulum 1968 merupakan perwujudan dari perubahan orientasi pada pelaksanaan UUD 1945 secara murni.</p><p>Cirinya, muatan materi pelajaran bersifat teoretis, tidak mengaitkan dengan permasalahan faktual di lapangan. Titik beratnya pada materi apa saja yang tepat diberikan kepada siswa di setiap jenjang pendidikan. Isi pendidikan diarahkan pada kegiatan mempertinggi kecerdasan dan keterampilan, serta mengembangkan fisik sehat dan kuat.</p><p>5. Kurikulum 1975</p><p>Pemerintah memperbaiki kurikulum pada tahun itu. Kurikulum ini menekankan pendidikan lebih efektif dan efisien. Menurut Mudjito, Direktur Pembinaan TK dan SD Departemen Pendidikan Nasional kala itu, kurikulum ini lahir karena pengaruh konsep di bidang manajemen MBO (<em>management by objective</em>). Metode, materi, dan tujuan pengajaran dirinci dalam Prosedur Pengembangan Sistem Instruksional (PPSI), dikenal dengan istilah satuan pelajaran, yaitu rencana pelajaran setiap satuan bahasan.</p><p>6. Kurikulum 1984</p><p>Kurikulum ini mengusung pendekatan proses keahlian. Meski mengutamakan pendekatan proses, tapi faktor tujuan tetap penting. Kurikulum ini juga sering disebut “Kurikulum 1975 disempurnakan”. Posisi siswa ditempatkan sebagai subjek belajar. Dari mengamati sesuatu, mengelompokkan, mendiskusikan, hingga melaporkan. Model ini disebut Cara Belajar Siswa Aktif (CBSA).</p><p>7. Kurikulum 1994 dan Suplemen Kurikulum 1999</p><p>Pada tahun 1994 pemerintah memperbarui kurikulum sebagai upaya memadukan kurikulum kurikulum sebelumnya, terutama Kurikulum 1975 dan 1984. Namun, perpaduan antara tujuan dan proses belum berhasil. Sehingga banyak kritik berdatangan, disebabkan oleh beban belajar siswa dinilai terlalu berat, dari muatan nasional sampai muatan lokal. Misalnya bahasa daerah, kesenian, keterampilan daerah, dan lain-lain.</p><p>8. Kurikulum 2004, KBK (Kurikulum Berbasis Kompetensi)</p><p>Pada 2004 diluncurkan Kurikulum Berbasis Kompetensi (KBK) sebagai pengganti Kurikulum 1994. Suatu program pendidikan berbasis kompetensi harus mengandung tiga unsur pokok, yaitu pemilihan kompetensi sesuai, spesifikasi indikator-indikator evaluasi untuk menentukan keberhasilan pencapaian kompetensi, dan pengembangan pembelajaran.</p><p>KBK mempunyai ciri-ciri sebagai berikut, menekankan pada ketercapaian kompetensi siswa baik secara individual maupun klasikal, berorientasi pada hasil belajar dan keberagaman. Kegiatan belajar menggunakan pendekatan dan metode bervariasi, sumber belajar bukan hanya guru, tetapi juga sumber belajar lainnya yang memenuhi unsur edukatif.</p><p>9. Kurikulum 2006, KTSP (Kurikulum Tingkat Satuan Pendidikan)</p><p>Kurikulum ini hampir mirip dengan Kurikulum 2004. Perbedaan menonjol terletak pada kewenangan dalam penyusunannya, yaitu mengacu pada jiwa dari desentralisasi sistem pendidikan. Pada Kurikulum 2006, pemerintah pusat menetapkan standar kompetensi dan kompetensi dasar. Guru dituntut mampu mengembangkan sendiri silabus dan penilaian sesuai kondisi sekolah dan daerahnya. Hasil pengembangan dari semua mata pelajaran dihimpun menjadi sebuah perangkat dinamakan Kurikulum Tingkat Satuan Pendidikan (KTSP).</p><p>10. Kurikulum 2013</p><p>Kurikulum ini adalah pengganti kurikulum KTSP. Kurikulum 2013 memiliki tiga aspek penilaian, yaitu aspek pengetahuan, aspek keterampilan, dan aspek sikap dan perilaku. Di dalam Kurikulum 2013, terutama di dalam materi pembelajaran terdapat materi yang dirampingkan dan materi yang ditambahkan. Materi yang dirampingkan terlihat ada di materi Bahasa Indonesia, IPS, PPKn, dsb., sedangkan materi yang ditambahkan adalah materi Matematika.</p><p><strong>Melihat kembali Kurikulum 2013 (K13)</strong></p><p>Pembentukan K13 didasarkan pada faktor internal dan eksternal. Faktor internal terkait dengan perkembangan penduduk Indonesia dilihat dari pertumbuhan penduduk usia produktif. Jumlah penduduk Indonesia usia produktif (15–64 tahun) lebih banyak dari usia tidak produktif (anak-anak berusia 0–14 tahun dan orang tua berusia 65 tahun ke atas). Jumlah penduduk usia produktif ini akan mencapai puncaknya pada tahun 2020–2035 pada saat angkanya mencapai 70%. Dengan kondisi seperti itu maka tantangannya adalah bagaimana memaksimalkannya.</p><p>Sedangkan faktor eksternal adalah adanya fenomena globalisasi dan dinamika isu tentang lingkungan hidup, kemajuan teknologi informasi, kebangkitkan industri kreatif, budaya, dan perkembangan pendidikan di tingkat internasional. Arus globalisasi menggeser kehidupan masyarakat yang tadinya tradisional-agraris menjadi modern-industrial.</p><p>Secara filosofis Kurikulum 2013 mendasarkan diri pada empat faham filsafat pendidikan secara keseluruhan, yaitu perenialisme, esensialisme, progresivisme, dan rekonstruktivisme. Faham ini merupakan teori pendidikan yang dibawa oleh Theodore Brameld. Karakteristiknya bisa dilihat pada tabel berikut:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/35432df41de9bb073abf7fdef7c80f96/href">https://medium.com/media/35432df41de9bb073abf7fdef7c80f96/href</a></iframe><p>Empat faham filsafat di atas dapat kita cermati dari dokumen kurikulum 2013 yang termuat di dalam lampiran Permendikbud nomor 67 tahun 203 tentang kerangka dasar dan struktur kurikulum SD/MI:</p><ul><li>Pendidikan berakar pada budaya bangsa untuk membangun kehidupan bangsa masa kini dan masa mendatang.</li><li>Peserta didik adalah pewaris budaya bangsa yang kreatif.</li><li>Pendidikan ditujukan untuk mengembangkan kecerdasan intelektual dan kecemerlangan akademik melalui pendidikan disiplin ilmu.</li><li>Pendidikan untuk membangun kehidupan masa kini dan masa depan yang lebih baik dari masa lalu dengan berbagai kemampuan intelektual, kemampuan berkomunikasi, sikap sosial, kepedulian, dan berpartisipasi untuk membangun kehidupan masyarakat dan bangsa yang lebih baik (experimentalism and social reconstructivism).</li></ul><p>Kurikulum 2013 diyakini <em>banyak ahli</em><strong><em> </em></strong><em>kurang melibatkan komponen utama pendidikan, yaitu guru. Guru dan sekolah lebih banyak didudukan sebagai pelaksana dari kurikulum tersebut. Dengan demikian, kurikulum ini bersifat elitis-sentralistik, kurang populis-partisipatif.</em></p><p>Dengan penjabaran seperti di atas, pertanyaannya sekarang bagaimana upaya memperbaikinya? Di sini penulis akan mencoba menulis tawaran solusi bagaimana memperbaiki pendidikan di Indonesia dari perspektif Teknologi Informasi.</p><p><strong>Personalize Learning dan EEA</strong></p><p>Jika kita tadi di atas memperbincangkan pendidikan di Indonesia dan K13 dari akar filosofis, ada baiknya juga ketika bicara solusi kita juga berangkat dari aspek filosofi teoritis. Secara teori ada 5 pendekatan yang bisa kita pakai; teori radikal, teori advokasi, teori advokasi, teori transaktif, teori sinoptik, dan teori <em>incremental</em>.</p><p>Teori radikal <em>(radical theory)</em> menekankan kebebasan lembaga lokal dalam menyusun sebuah kebijakan pendidikan. Semua kebijakan pendidikan yang menyangkut penyelenggaraan dan perbaikan penyelenggaraan pendidikan di tingkat daerah diserahkan kepada daerah.</p><p>Teori advokasi <em>(advocacy theory)</em> agak berbeda dengan teori radikal di atas. Teori advokasi ini tidak menghiraukan perbedaan-perbedaan seperti karakteristik lembaga, lingkungan sosial dan kultural, lingkungan geografis, serta kondisi lokal lainnya.</p><p>Teori transaktif <em>(transactive theory)</em> menekankan bahwa perumusan kebijakan sangat perlu didiskusikan secara bersama terlebih dahulu dengan semua pihak. Proses pendiskusian ini perlu melibatkan sebanyak mungkin pihak-pihak terkait, termasuk dalam hal ini adalah dengan personalia lembaga pendidikan di tingkat lokal.</p><p>Teori sinoptik <em>(synoptic theory)</em> lebih menekankan bahwa dalam menyusun sebuah kebijakan supaya menggunakan metode berfikir sistem. Obyek yang dirancang dan terkena kebijakan, dipandang sebagai satu kesatuan yang bulat dengan tujuan yang sering disebut dengan “misi”.</p><p>Teori inkremental (<em>incremental theory</em>) adalah teori yang menekankan pada perumusan kebijakan pendidikan yang berjangka pendek serta berusaha menghindari perencanaan kebijakan yang berjangka panjang. Penekanan semacam ini diambil disebabkan karena masalah-masalah yang dihadapi serta performa dari para personalia pelaksana kebijakan dan kelompok yang terkena kebijakan sulit diprediksi.</p><p>Merujuk penjabaran teori-teori di atas secara umum menekankan pendidikan yang berbasiskan otonomi lokal; dimana daerah mempunyai otoritas untuk mengatur pendidikan. Pendidikan yang menekankan keaktifkan murid yang mana tidak guru fungsingnya tidak memberi namun memantik murid. Di sini kita bisa memberikan istilah pendidikan macam ini dengan Personalize Learning.</p><p>Sampai sini penulis akan mencoba mengaitkan Personalize Learning dengan Education Enterprise Architecture (EEA). Apa itu EEA?</p><p>EEA bisa kita sebut sebagai sebuah <em>framework</em> yang bertujuan melakukan penyelarasan pendidikan melalui layanan dan sistem dari sisi teknologi informasi. Tujuannya mengkoneksikan proses bisnis atau prose organisasi pendidikan dengan teknologi informasi melalui sebuah <em>blueprint</em>.</p><p>Implementasi EEA memiliki beberapa benefit diantaranya:</p><ul><li>Mengelola perubahan secara efisien</li></ul><p>Yakni dengan perencanaan dan penerapkan reformasi secara terpadu yang melindungi operasi program saat ini dan menyediakan kerangka kerja jangka panjang yang bisa dipergunakan pada setiap transisi kepemimpinan</p><ul><li>Memperkuat efisiensi organisasi</li></ul><p>Yakni dengan merampingkan dan menghilangkan proses yang berlebihan; Mengidentifikasi kolaborasi antaragen; secara strategis Mengalokasikan sumber daya staf; Mengklarifikasi peran dan Tanggung jawab; Menurunkan biaya operasi; dan berbagi kemampuan organisasi agensi yang luas</p><ul><li>Meningkatkan efisiensi operasi TI</li></ul><p>Yakni dengan cara menurunkan Pengembangan perangkat lunak, dukungan dan pemeliharaan biaya; Meningkatkan portabilitas aplikasi; Meningkatkan kemampuan untuk menangani masalah keagenan agensi semacam itu sebagai keamanan; dan melakukan upgrade dan pertukaran Komponen sistem lebih mudah</p><ul><li>Mendapatkan pengembalian investasi yang ada dengan lebih baik dan mengurangi risiko investasi masa depan</li></ul><p>Yakni dengan menciptakan cara yang konsisten untuk mendefinisikan dan mendokumentasikan persyaratan bisnis; mengurangi kompleksitas program; meningkatkan fleksibilitas untuk membangun, membeli atau melakukan <em>outsourcing </em>solusi IT; dan mengurangi keseluruhan risiko investasi baru dan biaya kepemilikan.</p><ul><li>Membuat pengadaan lebih cepat, sederhana dan murah</li></ul><p>Dengan menawarkan akses yang siap untuk aturan pengadaan yang koheren dan menyediakan bahasa yang konsisten dan umum untuk permintaan proposal.</p><p>Untuk mendapatkan benefit tersebut, EEA memiliki beberapa komponen utama: <em>Business, Information, Application, dan Technology</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*SZE28c8Vnw6p4fQBtQ9xFw.png" /><figcaption><strong>Komponen EEA (Education Enterprise Architecture Guidebook: 2014)</strong></figcaption></figure><p>Bisa dikatakan komponen di atas adalah bagian-bagian yang mesti dipenuhi untuk membangun sebuah Enterprise Architecture (EA) yang memberikan solusi pendidikan. Penulis akan membedah setiap komponen dan apa saja yang perlu dipenuhi pada setiap komponennya.</p><p>1. Business Architectures</p><p>Komponen ini berisi Tujuan, Strategi, Fungsi, Proses, dan Informasi. Hal ini akan menjadi dasar bagi komponen lainnya. Isi komponen tadi akan dikemas seperti ini:</p><pre>Rencana Strategi (Tujuan, Strategi)</pre><pre>Pertama yang mesti tentukan sekarang adalah bagaimana pendidikan di Indonesia diarahkan. Jika kita mengacu pada kritik dan saran sebelumnya, pendidikan di Indonesia mesti dibangun tidak setralistik alias melibatkan lokal. Hal ini penting untuk membangun konsep pendidikan yang mampu mengakomodir seluruh belahan pulau di Indonesia mengingat luas wilayahnya.</pre><pre>Pelibatkan elemen masyarakat seperti orang tua, tokoh agama, dosen, profesional, LSM juga diperlukan untuk berbagi konsep yang telah digodok oleh masing-masing kelompok.</pre><pre>Selain itu yang tidak kalah pentingnya adalah penyediaan infrastruktur yang memadai. Karena selama ini masih saja ditentukan fasilitas yang belum layak di belahan Indonesia.</pre><pre>Untuk menuju tujuan di atas maka diperlukan strategi. Salah satu caranya dengan membangun kurikulum dengan sesuai tujuan di atas.</pre><pre>Kurikulum ini mesti ditunjang model evaluasi dan model akreditasi yang sesuai.</pre><pre>Organisasi, peran dan tanggung jawab (Fungsi, Proses)</pre><pre>Untuk mengoperaskan rencana di atas diperlukan aktor yang memegang kendali. Dalam hal ini adalah pihak terkait. Secara organisasi kita telah berbicara soal bagaimana proses operasional yang tidak tersentralistik. Untuk menuju itu peran serta instansi yang berwenang soal pendidikan sangat ditunggu keaktifannya. Tidak hanya menunggu instruksi dari pusat saja.</pre><pre>Jika perlu reformasi birokrasi perlu dilakukan. Mengingat birokrasi di Indonesia ini masih sarat akan Korupsi, Kolusi, Nepotisme (KKN), KKN ini bisa menjadi ganjalan.</pre><pre>Anggaran</pre><pre>Seperti yang dikatakan di atas, aspek dana atau anggaran tidak bisa ditinggalkan. Paling penting bagaimana anggaran ini dimanfaatkan seoptimal mungkin</pre><pre>Program &amp; Layanan</pre><pre>Dari rencana dan tujuan di atas mesti diejawantahkan menjadi program-program yang kongkrit. Salah satunya adalah jika kita menginginkan kelas dengan siswa yang aktif, maka kita perlu memastikan guru untuk bisa memantik kelas seperti itu.</pre><pre>Dan juga yang tidak kalah penting adalah bagaimana layanan pendidikan dijalankan dengan baik. Seperti layanan informasi. Informasi soal pendidikan mesti disediakan setransparan dan semudah mungkin untuk diakses.</pre><p>2. Information Architectures</p><p>Komponen ini berisi tentang data dan strukturnya. Dan bagaimana informasi mendukung suatu sistem. Detailnnya bisa dilihat di bawah.</p><pre>Metadata</pre><pre>Aspek penting dari sistem informasi adalah data. Dalam membangun sistem pendidikan nasional, standarisasi data perlu dilakukan agar lebih struktur.</pre><pre>Database</pre><pre>Setelah data yang standard maka diperlukan yang mumpuni dan terkoneksi dengan baik. Mengingat berbicara sistem pendidikan skala besar aspek keaman dan komunikasi database satu dengan yang lainnya perlu ditekankan.</pre><pre>Dibeberapa daerah pun masih ada data yang disimpan secara non-digital. Ini menjadi PR pemerintah agar dilakukan digitalisasi. Setelah itu bagaimana database di tingkat daerah bisa terintegrasi sampai ke tingkat nasional.</pre><p>3. Application Architecture</p><p>Komponen ini berkaitan dengan struktur aplikasi. Dengan fokus pada bagaimana aplikasi dapat menjadi jembatan interaksi satu sama lain.</p><pre>Deskripsi Aplikasi</pre><pre>Bentuk kongkrit dari penjabaran konsep dan data di atas adalah sebuah aplikasi. Aplikasi atau sistem yang dibangun nanti mampu menjadi jembatan antara pihak pemerintah, siswa, orang tua, dan masyarakat.</pre><pre>Dalam sistem ini nanti beberapa layanan seperti informasi keuangan, guru, siswa dapat terpantau secara <em>real-time</em>.</pre><p>4. Technology Architecture</p><p>Komponen ini berisi hal-hal seperti pedoman keamanan, privasi informasi, protokol komunikasi, pembangunan infrastruktur, <em>platform</em> dan integrasi sistem operasi, dan pengguna antarmuka.</p><pre>Keamanan, Privasi, Protokol Informasi</pre><pre>Setelah menetapkan konsep, data, sistemnya tak kalah penting adalah bagaimana kita mengatur terkait konsep keamanan, regulasi, dan protokol yang dipakai. Konsep ini menjadi patokan apa yang sudah dibicarakan pada komponen sebelumnya.</pre><p><strong>Penutup</strong></p><p>Kita sudah menjabarkan di atas dari kondisi pendidikan di Indonesia, posisi kurikulum 2013 hingga proposal solusi pendidikan Indonesia dari sudut pandang TI menggunakan kerangka kerja EEA. Keberhasilan kerangka kerja ini semua bergantung konsep EEA ini dikerjakan. Baik pemerintah maupun masyarakat. Jadi, sudah siapkah kita berubah?</p><p><strong>Referensi</strong></p><ul><li>Reform Support Network: Education Enterprise Architecture Guidebook: 2014</li><li>Rohman A. (2014). “Akar Filosofis Dan Ideologis Kebijakan Kurikulum Pendidikan”, Makalah Seminar Nasional Pendidikan yang diselenggarakan oleh Dewan Mahasiswa Fakultaf Ilmu Tarbiyah dan Keguruan UIN Sunan Kalijaga Yogyakarta.</li><li><a href="https://www.brilio.net/news/sudah-11-kali-ganti-ini-beda-kurikulum-pendidikan-dari-masa-ke-masa-150502x.html">https://www.brilio.net/news/sudah-11-kali-ganti-ini-beda-kurikulum-pendidikan-dari-masa-ke-masa-150502x.html</a> (Diakses 04 Mei 2017 pukul 16:00)</li><li><a href="https://tirto.id/yang-meresahkan-dari-sistem-sekolah-kita-cnSE">https://tirto.id/yang-meresahkan-dari-sistem-sekolah-kita-cnSE</a> (Diakses 06 Mei 2017 pukul 08:00)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7b23c4198f3f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pokok-pokok Pikiran Njoto]]></title>
            <link>https://medium.com/@arynas92/pokok-pokok-pikiran-njoto-db7c27093e4e?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/db7c27093e4e</guid>
            <category><![CDATA[indonesia]]></category>
            <category><![CDATA[ideologi]]></category>
            <category><![CDATA[pki]]></category>
            <category><![CDATA[njoto]]></category>
            <category><![CDATA[komunis]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Sun, 12 Mar 2017 05:36:06 GMT</pubDate>
            <atom:updated>2017-03-12T05:36:06.649Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/276/1*cmALzauI1hAFL0EhMH2VgA.jpeg" /><figcaption><strong>Njoto</strong> (sumber foto: Google).</figcaption></figure><p>Jika kita pergi berkunjung di daerah tertentu dan menuju ke beberapa tempat, biasanya Anda akan melihat spanduk dengan kalimat peringatan berbunyi “Awas Bahaya Laten Komunisme!”. Selain itu di beranda media sosial kita, berbagai konten berkaitan dengan PKI di-<em>posting</em> dan dibagi yang intinya menggaungkan ancaman ketakutan akan bahaya dari komunisme.</p><p>Komunisme atau dalam konteks partai adalah Partai Komunis Indonesia (PKI) merupakan partai yang sudah lama terbentuk bahkan sebelum proklamasi Indonesia dikumandangkan. PKI berdiri pada 1914. Semenjak berdiri partai ini sudah melahirkan beberapa tokoh seperti Semaoen, Darsono, Musso, Alimin, Aidit, hingga Njoto. Tentu menarik jika kita menengok isi pikiran tokoh PKI, partai yang katanya mengemban ideologi “berbahaya” ini. Untuk itu kali ini saya akan mencoba menulis isi pokok pikiran dari salah satu tokoh PKI: Njoto. Tokoh PKI pasca peristiwa Madiun dan mantan menteri negara era kabinet Soekarno.</p><p>Lahir di Jember, Jawa Timur pada 17 Januari 1925, Njoto termasuk beruntung lahir di keluarga yang membebaskannya belajar banyak hal. Ayahnya Rustandar Sosrohartono juga seorang kader PKI. Dari kecil Njoto sudah akrab dengan buku-buku karya Karl Marx, Stalin, dan Lenin. Dia juga banyak belajar secara otodidak. Kondisi ini membuat wawasannya cukup luas. Buku <em>Njoto: Biografi Pemikiran 1951–1965</em> memuat beberapa pokok pikiran dari seorang Njoto. Yakni di bidang Ekonomi-Politik, Pers, dan Kebudayaan.</p><p><strong>Ekonomi-Politik</strong></p><p>Bersama Aidit dan Lukman, Njoto bahu-membahu membangun PKI pasca peristiwa Madiun 1948. Dalam melakukan revitalisasi ini ia menekankan pentingnya kerja-kerja pengorganisasian dan pengelolaan massa. Njoto melakukan banyak perjalanan ke daerah-daerah. Di sana terlihat banyaknya masyarakat yang miskin, pengangguran, kelaparan imbas ribut politik di Jakarta. Secara tidak langsung ia menekankan bahwa kemerdekaan secara langsung belum mendatangkan kemakmuran bagi rakyat.</p><p>Njoto memang sinis terhadap kaum borjuasi dan tuan tanah. Ia melihat tidak ada kesempatan berharap kepada borjuasi dan tuan tanah karena golongan ini selamanya akan mencegah munculnya kesadaran rakyat. Sedangkan dengan kesadaran rakyat lah salah satu modal berjuang meraih cita-cita kemakmuran.</p><p>Bagi Njoto, ideologi merupakan jalan pembebasan bagi rakyat, dan Marxisme merupakan jalan yang ia pilih untuk berjuang. Dan menjadi Komunis adalah berpihak kepada rakyat atau kaum tertindas. Tidak ada jalan kompromi.</p><p>Njoto sadar bahwa Komunisme lahir dari alam yang berbeda dari Indonesia. Untuk itu penerapannya pun perlu dilakukan kontekstualisasi dengan kondisi Indonesia. Menurutnya Indonesia kala itu masih terbelit masalah Imperialisme dan Feodalisme. Ini menunjukkan bahwa kondisi Indonesia masih negara setengah jajahan dan setengah feodal. Untuk itu kedua masalah itu mesti ditumbangkan terlebih dahulu. Njoto sering berkoar bahwa Sosialisme Indonesia mesti menjadi tujuan. Menurutnya Sosialisme adalah suatu susunan sosial atau sistem masyarakat berdasarkan pemilikan bersama atas alat-alat produksi. Dalam Sosialisme, manusia bekerja menurut kemampuannya dan mendapatkan prestasi atas hasil kerjanya. Pada kondisi ini tidak terjadi apa namanya penindasan. Tanpa penghisapan oleh manusia atas manusia.</p><p>Cita-cita Sosialisme Indonesia tidak akan tercapai jika kemerdekaan penuh dari Feodalisme dan Imperialisme belum tercapai. Jadi diperlukan sebuah Revolusi Nasional-Demokratis untuk meruntuhkan Imperialisme dan Feodalisme. Revolusi inilah jalan yang mesti dilalui menuju Demokrasi Rakyat yang selanjutnya menuju Sosialisme. Demokrasi Rakyat nantinya akan melanjutkan programnya dengan pembangunan industri nasional, proteksi dari persaingan asing, perbaikan sistem perburuhan, dan pelaksanaan program agraria untuk memperbaiki kehidupan tani.</p><p><strong>Pers</strong></p><p>Bersamaan memulai karir politiknya, Njoto juga mulai menekuni dunia jurnalistik. Njoto merupakan jurnalis dari <em>Suara Ibu Kota, Harian Rakjat, </em>dan kolumnis <em>Bintang Merah</em>. Baginya perjuangan rakyat tidak akan mencapai kemenangan tanpa pers. Ia menekankan para aktivis untuk menyadari pera penting pers ini. Media mesti mengabdi kepada rakyat. Mengampanyekan gerakan rakyat dan sebagai acuan arah politik dan ideologi.</p><p>Dalam perjalanannya media mesti berlaku objektif. Objektif menurut Njoto adalah mencerminkan kejadian-kejadian di dalam masyarakat sebagaimana adanya. Objektif tidak sama dengan netral. Istilah objektivitas hadir setelah jurnalis dipihak mana dia berdiri. Jadi objektivitas dipraktekkan di dalam sudut pemberitaan tertentu dalam keberpihakannya. Tentu sebagai seorang Komunis, keberpihakan yang ia maksud kepada kaum buruh dan tani.</p><p>Dalam urusan memanajemen media ia memilih terbuka kepada publik. Salah satunya dengan menjual saham milik media tersebut. Ia juga kerap membuka forum publik yang tujuannya menampung kritik dan saran masyarakat. Dengan begitu rakyat lebih dilibatkan dan menjaga relasi dengan massa.</p><p>Perihal isi konten media, Njoto juga punya prinsipnya sendiri. Menurutnya ia sangat mengecam media yang menjual muatan sensasional. Menebar gosip dan mengesampingkan akurasinya. Njoto juga turut memperhatikan akan bahasa dan penyajian berita. Berita disajikan secara sederhana tapi hidup.</p><p>Selepas dari isi konten dari media, Njoto turut memperhatikan soal distribusi dalam media. Menurutnya sebagai alat perjuangan media mesti dibaca banyak orang dan disebar seluas-luasnya. Ia menyadari betul tidak mudah menyebarkan media ke seluruh rakyat yang mana lokasi dan infrastrukturnya berbeda. Bisa jadi di perkotaan lebih mudah untuk mengakses, namun bagaimana jika di pelosok dan pedesaan? Apalagi dengan jumlah tiras yang tidak terlalu besar, ini akan menjadi tantangan tersendiri. Untuk menanggulangi masalah tersebut ia menekankan partisipasi aktif masyarakat dalam menyebarkan media. Ketersampaian informasi ke khalayak luas akan terjadi jika masyarakat turut dilibatkan. Para buruh dan tani ketika membaca suatu media, baiknya turut mengajak kawannya untuk membaca dan mendiskusikannya. Selepas membaca tetap meletakkan media pada tempat yang sifatnya publik. Hal ini agar dapat menjangkau khalayak yang lain.</p><p><strong>Budaya</strong></p><p>Dalam diskursus kebudayaan, Njoto juga ikut serta memikirkan bagaimana kebudayaan di Indonesia seharusnya. Apalagi pasca revolusi kemerdekaan akan ada perubahan kebudayaan lama era kolonial ke kebudayaan baru pasca kemerdekaan. Salah satunya tentang apakah kebudayaan lama itu harusnya ditolak atau tidak? Menurut Njoto, tidak semua kebudayaan lama itu ditolak, selama masih ada hal yang positif tetap kebudayaan lama masih bisa dipakai.</p><p>Indonesia merupakan negara yang luas dan mempunyai banyak daerah. Tentu ini menghasilkan banyak kebudayaan tradisional sesuai daerah masing-masing. Menurut Njoto, kebudayaan tradisional mempunyai kualitas estetisnya sendiri. Untuk itu tidak lantas kebudayaan tradisional bersifat terbelakang atau kolot secara keseluruhan. Kebudayaan tradisional bisa diangkat ke tingkat nasional jika dipadukan dengan unsur kekinian yang lebih kreatif. Tradisi dan modernitas dapat saling mengakomodisi bahkan dipromosikan sebagai kebudayaan nasional. Tentu semua kebudayaan ini tetap menekankan sikap antielitisme dan antifeodalisme.</p><p>Terhadap kebudayaan Barat, Njoto cenderung mengambil jarak. Meski begitu ia tidak serta merta menolak. Sebagai kader PKI ia jelas anti-imperialisme dan anti-feodalisme. Untuk itu kebudayaan Barat yang datang mesti diwaspadai perihal kepentingan imperilaisme dan feodalismenya.</p><p>Salah satu aktor penting dalam kebudayaan adalah seorang seniman. Seniman menurut Njoto mesti ikut berjuang dalam setiap karyanya. Lantas bagaimana para seniman ini berpartisipai dalam perjuangan? Pertama yang mesti dilakukan adalah memahami kondisi massa rakyat. Dengan memahami kondisi permasalahan masyarakat, seniman akan paham apa yang seharusnya dihasilkan dari tangan dan buah pikirnya. Proses memahami kondisi masyarakat ini dikenal dengan metode Turba atau Turun Ke Bawah. Hubungan antara seniman dan rakyat bisa menjadi suatu timbal-balik. Di sisi lain seniman akan menginspirasi rakyat dan sebaliknya rakyat akan memberikan inspirasi seniman.</p><p><strong>Penutup</strong></p><p>Dari penjabaran di atas, Njoto sebagai kader PKI, partai yang notabene diidentikkan dengan sesuatu yang mengerikan, malah mempunyai kecenderungan berpihakan kepada kaum petani dan buruh. Menolak intervensi asing dan menekankan kedaulatan bidang ekonomi-politik dan kebudayaan. Mungkin ada beberapa pemikiran Njoto di atas masih relevan dengan kondisi sekarang, atau malah pada yang perlu diperbarui. Tentu sebagai seorang manusia, Njoto dan tokoh PKI lain punya kekurangan. Anda boleh tidak sepakat dengan salah satu pemikiran tokoh PKI di atas, tapi memahami terlebih dahulu sebelum menentukan sepakat atau tidak saya rasa itu penting. Tabik.</p><p><em>Referensi;</em></p><p>Firdausi, Fadrik Aziz. 2017. <em>Njoto: Biografi Pemikiran 1951–1965. </em>Tangerang Selatan: Marjin Kiri.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=db7c27093e4e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Implementasi CNN Untuk Klasifikasi Teks Menggunakan Tensorflow]]></title>
            <link>https://medium.com/@arynas92/implementasi-cnn-untuk-klasifikasi-teks-menggunakan-tensorflow-3a720cc3afbc?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/3a720cc3afbc</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[sentimen-analysis]]></category>
            <category><![CDATA[tensorflow]]></category>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Tue, 07 Mar 2017 11:06:26 GMT</pubDate>
            <atom:updated>2017-03-07T11:06:26.049Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Oleh </em><a href="https://twitter.com/dennybritz"><em>Denny Britz</em></a><em> diterjemahkan oleh Moch. Ari Nasichuddin*</em></p><p>Dalam artikel ini kita akan mengimplementasikan model yang mirip dengan <a href="http://arxiv.org/abs/1408.5882"><em>paper </em>Kim Yoon tentang Klasifikasi Kalimat Menggunakan Convolutional Neural Network</a>. Model tersebut menunjukkan kinerja klasifikasi yang baik dalam melakukan tugas klasifikasi teks (seperti analisis sentimen) dan semenjak itu menjadi standar dasar arsitektur baru dalam melakukan klasifikasi teks.</p><p>Saya mengansumsikan Anda telah familiar dengan dasar Convolutional Neural Network yang diaplikasikan dalam NLP. Jika tidak, saya merekomendasikan untuk terlebih dahulu membaca artikel tentang <a href="http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/">Memahami Convolutional Neural Network untuk NLP</a> untuk mendapatkan dasar-dasar yang diperlukan.</p><p><strong>Data dan Preprocessing</strong></p><p>Dalam artikel ini kita akan menggunakan <em>dataset </em>dari <a href="http://www.cs.cornell.edu/people/pabo/movie-review-data/">data ulasan film Rotten Tomatoes</a> — salah satu <em>dataset</em> yang juga digunakan di <em>paper</em> aslinya. <em>Dataset</em> ini berisi 10,662 contoh kalimat ulasan film, separo positif dan separo negatif. <em>Dataset</em> berisi kosakata dengan ukuran 20k. Sekadar catatan, data ini cukup kecil untuk menguji <em>overfit </em>dari sebuah model. Pun <em>dataset</em> tersebut tidak disertai dengan pembagian <em>train/set</em> yang resmi, jadi kita hanya menggunakan 10% dari data. Di dalam <em>paper</em> menuliskan hasil 10-fold <em>cross-validation</em> <em>data</em>.</p><p>Saya tidak akan membuat kode untuk <em>pre-processing</em> pada artikel ini, tetapi data <em>pre-processing</em> <a href="https://github.com/dennybritz/cnn-text-classification-tf/blob/master/data_helpers.py">tersedia di Github</a> dengan karakteristik:</p><ol><li>Memuat kalimat<em> </em>positif dan negatif dari <em>file</em> <em>data</em> mentah <em>(raw data)</em>.</li><li>Membersikan teks <em>data</em> menggunakan <a href="https://github.com/yoonkim/CNN_sentence">kode yang sama</a> dari <em>paper</em> asli.</li><li>Setiap kalimat mempunyai panjang maksimum 59. Kami menambahkan tanda&lt;PAD&gt; untuk semua kalimat guna menjadikannya 59 kata. Mengeset kalimat dengan panjang yang sama berguna ketika kita ingin melakukan efinsiensi sekumpulan data. Setiap contoh di kumpulan data harus mempunyai panjang yang sama.</li><li>Membangun indeks kosakata dan memetakan setiap kata menjadi bilangan bulat <em>(integer)</em> antara 0 dan 18.765 (ukuran kosakata). Setiap kata menjadi vektor dari <em>integer</em>.</li></ol><p><strong>Model</strong></p><p><em>Network</em> yang kita buat dalam artikel ini kira-kira akan seperti ini:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0LXL9feRDVvbjxVOWiMGgg.png" /></figure><p>Layer pertama menyimpan kata-kata dalam sebuah <em>low-dimensional vector</em>. Layer selanjutnya menjalankan <em>convolutions </em>menggunakan <em>multiple filter sizes</em>. Sebagai contoh melakukan pergeseran 3, 4 atau 5 kata dalam satu waktu. Selanjutnya, kita melakukan <em>max-pool </em>hasil dari layer <em>convolutional</em> ke dalam sebuah <em>long feature vector, </em>menambahkan <em>dropout regularization</em>, dan mengklasifikasikan hasil menggunakan <em>softmax layer</em>.</p><p>Karena artikel ini bertujuan sebagai bahan pembelajaran, saya memutuskan untuk menyederhanakan <em>model</em> dari <em>paper</em> yang asli.</p><ul><li>Kita tidak akan menggunakan <em>pre-trained</em> <a href="https://code.google.com/p/word2vec/">word2vec</a> <em>vectors</em> untuk kata yang kita simpan. Sebagai gantinya, kita belajar menyimpan dari <em>scratch</em>.</li><li>Kita tidak akan memaksakan L2 <em>norm constraints</em> pada bobot vektor. Analisis Sensitifitas dari (dan panduan praktisi) Convolutional Neural Network menemukan bahwa <em>constraints</em> mempunyai efek kecil pada hasil akhir.</li><li>Percobaan dari <em>paper</em> yang asli dengan 2 <em>input data channels — static </em>dan <em>non-static</em> <em>word vectors</em>. Namun untuk kali ini kita akan menggunakan 1 <em>channel.</em></li></ul><p>Hal ini relatif mudah (hanya beberapa baris kode) untuk menambahkan <em>extentions</em> di atas pada sebuah kode. Mari kita coba pada akhir dari artikel ini.</p><p>Mari kita coba!</p><p><strong>Implementasi</strong></p><p>Untuk memungkinkan berbagai konfigurasi <em>hyperparameter </em>kita meletakkan kode pada kelas TextCNN untuk <em>generating </em>grafik model di fungsi init.</p><pre>import tensorflow as tf<br>import numpy as np<br> <br>class TextCNN(object):<br>    &quot;&quot;&quot;<br>    A CNN for text classification.<br>    Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.<br>    &quot;&quot;&quot;<br>    def __init__(<br>      self, sequence_length, num_classes, vocab_size,<br>      embedding_size, filter_sizes, num_filters):<br>        # Implementation...</pre><p>Untuk menginisiasi kelas kita akan memberikan argumen sebagai berikut:</p><ul><li>sequence_length — Panjang dari kalimat. Ingat bahwa kita akan mengeset semua kalimat mempunyai panjang yang sama (59 untuk <em>d</em>ataset<em> </em>kita).</li><li>num_classes — Jumlah dari kelas di <em>output layer</em>, 2 dalam kasus kita (positif dan negatif).</li><li>vocab_size — Ukuran dari kosakata. Ini diperlukan untuk mendefinisikan ukuran dari <em>embedding layer</em>, yang akan memiliki bentuk [vocabulary_size, embedding_size].</li><li>embedding_size — Dimensi dari <em>embeddings</em>.</li><li>filter_sizes — Jumlah kata yang kita inginkan untuk <em>convolutional filters</em>. Kita akan memiliki num_filters untuk setiap ukuran spesifik. Sebagai contoh, [3, 4, 5] yang artinya kita akan mempunyai <em>filter</em> <em>slide</em> 3, 4 dan 5 untuk masing-masing kata, sebagai total dari 3 * num_filters filter.</li><li>num_filters — Jumlah filter untuk setiap ukuran filter (lihat di atas).</li></ul><p><strong>Input Placeholders</strong></p><p>Kita mulai dengan mendefinisikan <em>input</em> <em>data</em> yang akan kita masukkan ke <em>network</em>:</p><pre># Placeholders for input, output and dropout<br>self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name=&quot;input_x&quot;)<br>self.input_y = tf.placeholder(tf.float32, [None, num_classes], name=&quot;input_y&quot;)<br>self.dropout_keep_prob = tf.placeholder(tf.float32, name=&quot;dropout_keep_prob&quot;)</pre><p>tf.placeholder membuat variabel <em>placeholder</em> yang kita masukkan ke <em>network</em> ketika dieksekusi pada saat <em>train</em> atau <em>test time</em>. Argumen kedua merupakan bentuk dari <em>input tensor</em>. <em>None</em> berarti bahwa panjang dari dimensi bisa apa saja. Dalam kasus ini, dimensi pertama adalah <em>batch size</em>.</p><p>Probabilitas berguna untuk mempertahankan <em>neuron</em> dalam layer <em>dropout,</em> yang juga dilakukan <em>input</em> ke <em>network </em>karena kita mengaktifkan <em>dropout</em> selama masa <em>training</em>. Setelah itu kita menonaktifkannya ketika mengevaluasi model (nanti akan dijelaskan lebih lanjut).</p><p><strong>Embedding Layer</strong></p><p>Layer pertama kita definisikan sebagai <em>embedding layer</em>, yang memetakan indeks kata kosakata dalam representasi vektor dimensi rendah. Ini pada dasarnya merupakan tabel yang dipelajari dari data.</p><pre>with tf.device(&#39;/cpu:0&#39;), tf.name_scope(&quot;embedding&quot;):<br>    W = tf.Variable(<br>        tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),<br>        name=&quot;W&quot;)<br>    self.embedded_chars = tf.nn.embedding_lookup(W, self.input_x)<br>    self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)</pre><p>Kita menggunakan sepasang fitur baru di sini, jadi mari kita lihat:</p><ul><li>tf.device(“/cpu:0”) untuk memaksa operasi untuk mengeksekusinya di CPU. <em>By default</em> Tensorflow akan mencoba untuk menempatkan operasinya pada GPU jika tersedia, namun untuk implementasi saat ini tidak menggunakan GPU .</li><li>tf.name_scoper untuk membuat <a href="https://www.tensorflow.org/versions/master/how_tos/graph_viz/index.html#name-scoping-and-nodes"><em>name scope</em></a> baru dengan nama <em>“embedding”</em>. <em>Scope</em> ini akan menambah semua operasi menuju <em>top-level</em> <em>node</em> yang disebut <em>“embedding”</em> jadi Anda akan mendapatkan hirarki yang bagus ketika memvisualisasikan pada <em>network</em> Anda di TensorBoard.</li></ul><p>W adalah matrik <em>embedding</em> yang akan dipelajari selama <em>training</em>. Kita menginisialisasinya menggunakan sebuah <em>random uniform distribution</em>. <a href="https://www.tensorflow.org/versions/master/api_docs/python/nn.html#embedding_lookup">tf.nn.embedding_lookup</a> membuat operasi <em>actual embedding</em>. Hasil dari operasi <em>embedding </em>adalah 3 dimensi <em>tensor of shape</em> [None, sequence_length, embedding_size].</p><p>TensofFlow melakukan operasi <em>convolutional</em> <a href="http://www.tensorflow.org/api_docs/python/nn.html#conv2d">conv2d</a> dengan mengharapkan <em>dimentional tensor</em> dengan dimensi sesuai dengan <em>batch, width, height </em>dan <em>channel</em>. Hasil dari <em>embedding</em> tidak mengandung <em>channel dimension</em>, jadi kita akan menambahkan manual, dengan meninggalkan <em>layer of shape</em> [None, sequence_length, embedding_size, 1].</p><p><strong>Convolution dan Max-Pooling Layers</strong></p><p>Sekarang kita siap untuk membangun sebuah layer <em>convolutional</em> yang diikuti oleh <em>max-pooling</em>. Ingat, kita menggunakan <em>filter</em> pada setiap ukuran yang berbeda. Karena setiap <em>convolutional</em> memproduksi banyak <em>tensor</em> dari bentuk yang berbeda, kita memerlukan untuk melakukan iterasi pada banyak tensor tersebut. Membuat layer pada setiap tensor, dan kemudian menggabungkan hasilnya ke dalam sebuah fitur vektor yang besar.</p><pre>pooled_outputs <strong>=</strong> []</pre><pre><strong>for</strong> i, filter_size <strong>in</strong> enumerate(filter_sizes):</pre><pre>with tf.name_scope(&quot;conv-maxpool-%s&quot; <strong>%</strong> filter_size):</pre><pre># Convolution Layer</pre><pre>filter_shape <strong>=</strong> [filter_size, embedding_size, 1, num_filters]</pre><pre>W <strong>=</strong> tf.Variable(tf.truncated_normal(filter_shape, stddev<strong>=</strong>0.1), name<strong>=</strong>&quot;W&quot;)</pre><pre>b <strong>=</strong> tf.Variable(tf.constant(0.1, shape<strong>=</strong>[num_filters]), name<strong>=</strong>&quot;b&quot;)</pre><pre>conv <strong>=</strong> tf.nn.conv2d(</pre><pre>self.embedded_chars_expanded,</pre><pre>W,</pre><pre>strides<strong>=</strong>[1, 1, 1, 1],</pre><pre>padding<strong>=</strong>&quot;VALID&quot;,</pre><pre>name<strong>=</strong>&quot;conv&quot;)</pre><pre># Apply nonlinearity</pre><pre>h <strong>=</strong> tf.nn.relu(tf.nn.bias_add(conv, b), name<strong>=</strong>&quot;relu&quot;)</pre><pre># Max-pooling over the outputs</pre><pre>pooled <strong>=</strong> tf.nn.max_pool(</pre><pre>h,</pre><pre>ksize<strong>=</strong>[1, sequence_length <strong>-</strong> filter_size <strong>+</strong> 1, 1, 1],</pre><pre>strides<strong>=</strong>[1, 1, 1, 1],</pre><pre>padding<strong>=</strong>&#39;VALID&#39;,</pre><pre>name<strong>=</strong>&quot;pool&quot;)</pre><pre>pooled_outputs.append(pooled)</pre><pre># Combine all the pooled features</pre><pre>num_filters_total <strong>=</strong> num_filters <strong>*</strong> len(filter_sizes)</pre><pre>self.h_pool <strong>=</strong> tf.concat(3, pooled_outputs)</pre><pre>self.h_pool_flat <strong>=</strong> tf.reshape(self.h_pool, [<strong>-</strong>1, num_filters_total])</pre><p>Di sini, W adalah filter matrik dan h adalah hasil dari pengaplikasian dari <em>nonlinearity</em> menuju <em>convolutional output.</em> Setiap filter akan melakukan <em>slides over the whole embedding</em>, namun berapa kata yang ter-<em>cover</em> akan bervariasi. <em>Padding</em> “VALID” mempunyai arti bahwa kita melakukan <em>slide</em> pada <em>filter</em> di atas kalimat tanpa melakukan <em>padding the edges</em>, selanjutnya akan melakukan <em>convolution</em> yang sifatnya sempit yang memberikan bentuk <em>output </em>[1, sequence_length — filter_size + 1, 1, 1]. Melakukan <em>max-pooling</em> di atas <em>output</em> dari spesifik ukuran filter dan meninggalkan sebuah bentuk <em>tensor</em> [batch_size, 1, 1, num_filters]. Ini merupakan hal yang esensial sebagai sebuah fitur vektor, dimana dimensi terakhir cocok dengan fitur yang terakhir. Setelah kita telah mempunyai semua gabungan bentuk <em>output tensor </em>[batch_size, num_filters_total], kita menggunakan -1 di tf.reshape yang akan berbicara kepada TensorFlow untuk meratakan dimensi yang ada jika memungkinkan.</p><p>Luangkan waktu dan coba untuk pahami bentuk <em>output</em> untuk setiap operasi tersebut. Anda juga dapat melihat kembali artikel tentang <a href="http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/">Memahami Convolutional Neural Networks untuk NLP</a>. Visualisasi operasi pada TensorBoard berikut mungkin akan menolong (untuk spesifik filter dengan ukuran 3, 4 dan 5 di sini):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IvgZMDw3U0FpFL3Ci_OCNQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Omu_LnBwSCIDwxUkqZy4ag.png" /></figure><p><strong>Dropout Layer</strong></p><p><a href="http://www.cs.toronto.edu/~rsalakhu/papers/srivastava14a.pdf"><em>Dropout</em></a><em> </em>besar kemungkinan merupakan metode popular untuk membuat <em>convolutional neural networks</em> teratur. Ide dibalik <em>dropout </em>sederhana. Sebuah layer <em>dropout</em> akan melakukan <em>stochastic</em> untuk menonaktifkan pecahan pada <em>neuoran</em>-nya. Ini untuk menghindarkan <em>neuron</em> dari <em>co-adapting</em> dan memaksa para <em>neuron tersebut</em> untuk mengaktifkan dengan mendefinisikan berdasarkan <em>input </em>dropout_keep_prob untuk <em>network </em>kita. Kita akan melakukan untuk sebuah set dengan 0,5 selama <em>training</em>, dan 1 (menonaktifkan <em>dropout</em>) selama evaluasi.</p><pre># Add dropout<br>with tf.name_scope(&quot;dropout&quot;):<br>    self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)</pre><p><strong>Scores dan Predictions</strong></p><p>Menggunakan fitur vektor dari <em>max-pooling</em> (tanpa mengaplikasikan <em>dropout</em>) kita dapat menghasilkan prediksi berdasarkan <em>matrix multiplication</em> dan menghasilkan kelas dengan skor paling tinggi. Kita juga dapat mengaplikasikan fungsi <em>softmax</em> untuk mengubah skor mentah kepada probabilitas normal, akan tetap itu tidak akan mengubah prediksi final.</p><pre>with tf.name_scope(&quot;output&quot;):<br>    W = tf.Variable(tf.truncated_normal([num_filters_total, num_classes], stddev=0.1), name=&quot;W&quot;)<br>    b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name=&quot;b&quot;)<br>    self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name=&quot;scores&quot;)<br>    self.predictions = tf.argmax(self.scores, 1, name=&quot;predictions&quot;)</pre><p>Di sini, tf.nn.xw_plus_b merupakan <em>wrapper</em> yang bagus untuk menampikan W x + b matrik <em>multiplication</em>.</p><p><strong>Loss dan Accuracy</strong></p><p>Menggunakan skor yang kita sendiri dapat mendefinisikan <em>loss function</em>. <em>Loss</em> merupakan suatu ukuran dari sebuah error yang dibuat oleh <em>network, dan </em>tujuannya adalah untuk meminimalisirnya. Standar fungsi <em>loss</em> untuk mengkategorisasikan masalah tersebut adalah <a href="http://cs231n.github.io/linear-classify/#softmax"><em>cross-entropy loss</em></a>.</p><pre># Calculate mean cross-entropy loss<br>with tf.name_scope(&quot;loss&quot;):<br>    losses = tf.nn.softmax_cross_entropy_with_logits(self.scores, self.input_y)<br>    self.loss = tf.reduce_mean(losses)</pre><p>Di sini, <a href="https://www.tensorflow.org/versions/master/api_docs/python/nn.html#softmax_cross_entropy_with_logits">tf.nn.softmax_cross_entropy_with_logits</a> merupakan fungsi yang memudahkan untuk melakukan kalkulasi <em>cross-entropy loss</em> untuk setiap kelas, memberikan skor dan <em>input </em>label yang benar. Kita kemudian akan mendapatkan rata-rata dari <em>losses</em>. Kita dapat juga mengunakan penjumlahan, namun itu akan membuatnya lebih sulit untuk membandingkan <em>loss across</em> ukuran <em>batch </em>berbeda dan data <em>train/dev</em>.</p><p>Kita juga mendefinisikan sebuah ekspresi untuk akurasi, yang mana berguna secara kuantitas untuk menjaga <em>track</em> selama <em>training</em> dan <em>testing</em>.</p><pre># Calculate Accuracy<br>with tf.name_scope(&quot;accuracy&quot;):<br>    correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))<br>    self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, &quot;float&quot;), name=&quot;accuracy&quot;)</pre><p><strong>Visualizing The Network</strong></p><p>Di sini, kita telah selesai mendefinisikan <em>network</em>. <a href="https://github.com/dennybritz/cnn-text-classification-tf/blob/master/text_cnn.py">Kode keseluruhan dari tersedia di sini.</a> Untuk mendapatkan gambaran besarnya kita dapat melakukan visualisasi <em>network</em> pada <a href="https://www.tensorflow.org/versions/master/how_tos/graph_viz/index.html#tensorboard-graph-visualization">TensorBoard</a>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c2vk-_kaOSC63pDqOdVYrQ.png" /></figure><p><strong>Prodesur Training</strong></p><p>Sebelum kita mendefinisikan prosedur <em>training</em> untuk <em>network</em> kita perlu memahami beberapa dasar tentang bagaimana TensorFlow menggunakan <em>Sessions</em> dan <em>Graphs</em>. Jika Anda sudah familiar dengan konsep tersebut bagian ini bisa dilewati.</p><p>Di TensorFlow, sebuah <em>Session</em> merupakan <em>environtment</em> Anda untuk mengeksekusi operasi <em>graph</em> dan mengandung <em>state</em> tentang <em>Variables</em> dan <em>queues. </em>Setiap sesi mengoperasikan pada sebuah <em>single graph</em>. Jika Anda tidak secara eksplisit menggunakan <em>session</em> ketika membuat variabel dan operasi Anda akan menggunakan sesi yang sedang berlaku yang dibuat oleh TensorFlow. Anda dapat mengubah <em>default session</em> dengan mengeksekusi perintah blok session.as_default() (lihat di bawah).</p><p>Sebuah <em>Graph</em> berisi operasi dan banyak <em>tensors</em>. Anda dapat menggunakan <em>multiple graph</em> pada program Anda, namun kebanyakan program hanya memerlukan <em>single graph</em>. Anda dapat menggunakan <em>graph </em>yang sama pada <em>multiple sessions, tetapi </em>tidak <em>multiple graphs </em>pada <em>one session</em>. TensorFlow selalu membuat <em>default graph</em>, namun Anda juga boleh membuat sebuah <em>graph</em> manual dan mengesetnya sebagai <em>default</em> yang baru, seperti yang kita lakukan di bawah. Yang secara eksplisit <em>sessions</em> dan <em>graphs</em> memastikan beberapa sumber dirilis dengan benar ketika Anda tidak membutuhkannya.</p><pre>with tf.Graph().as_default():<br>    session_conf = tf.ConfigProto(<br>      allow_soft_placement=FLAGS.allow_soft_placement,<br>      log_device_placement=FLAGS.log_device_placement)<br>    sess = tf.Session(config=session_conf)<br>    with sess.as_default():<br>        # Code that operates on the default graph and session comes here...</pre><p>A<a href="http://www.tensorflow.org/how_tos/using_gpu/index.html">llow_soft_placement</a> mengatur untuk memperbolehkan TensorFlow untuk kembali pada <em>device</em> dengan operasi tertentu yang terimplementasikan ketika <em>device</em> yang bersangkutan tidak terdeteksi. Sebagai contoh, jika kode kita ditempatkan operasinya pada sebuah GPU dan kita menjalankan kode pada sebuah mesin tanpa GPU, tidak menggunakan allow_soft_placement akan menghasilkan sebuah <em>error</em>. Jika <a href="https://www.tensorflow.org/versions/master/how_tos/using_gpu/index.html">log_device_placement</a> telat diset, TensorFlow akan <em>log on</em> sesuai <em>devices (CPU atau GPU)</em> tempat operasi dijalankan. Ini berguna selama melakukan <em>debugging</em>. FLAGS merupakan argumen perintah untuk program kita.</p><p><strong>Instantiating The CNN dan Minimizing The Loss</strong></p><p>Ketika kita memberi contoh model TextCNN semua variabel dan operasi terdefinisikan akan ditempatkan pada <em>default graph</em> dan <em>session</em> telah kita buat di atas.</p><pre>cnn <strong>=</strong> TextCNN(</pre><pre>sequence_length<strong>=</strong>x_train.shape[1],</pre><pre>num_classes<strong>=</strong>2,</pre><pre>vocab_size<strong>=</strong>len(vocabulary),</pre><pre>embedding_size<strong>=</strong>FLAGS.embedding_dim,</pre><pre>filter_sizes<strong>=</strong>map(int, FLAGS.filter_sizes.split(&quot;,&quot;)),</pre><pre>num_filters<strong>=</strong>FLAGS.num_filters)</pre><p>Selanjutnya, kita definisikan bagaimana melakukan optimasisasi <em>network</em> <em>loss function</em>. Tensorflow mempunya beberapa <em>built-in optimizers</em>. Kita dapat menggunakan <a href="http://arxiv.org/abs/1412.6980">Adam <em>optimizer</em></a><em>.</em></p><pre>global_step = tf.Variable(0, name=&quot;global_step&quot;, trainable=False)<br>optimizer = tf.train.AdamOptimizer(1e-4)<br>grads_and_vars = optimizer.compute_gradients(cnn.loss)<br>train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)</pre><p>Di sini, train_op merupakan operasi yang baru dibuat yang mana kita dapat menjalankan untuk menampilkan <em>gradient </em>yang baru pada parameter kita. Setiap eksekusi dari train_op adalah tahap <em>training</em>. TensorFlow otomatis memperhitungkan variabel mana yang “mudah ditraining” dan dihitung <em>gradien</em>-nya. Dengan mendefinisikan sebuah variabel global_step dan menggunakannya untuk mengoptimalisasi dan memperbolehkan TensofFlow meng-<em>handle </em>perhitungan dari langkah <em>training. </em>Tahapan <em>global </em>akan secara otomatis bertambah setiap Anda mengeksekusi train_op.</p><p><strong>Summaries</strong></p><p>TensorFlow mempunyai sebuah konsep untuk melakukan ringkasan (summaries), yang mana memperbolehkan Anda untuk menjaga <em>track</em> dan memvisualisasikan berbagai kuantitas selama <em>training </em>dan evaluasi. Sebagai contoh, Anda mungkin ingin untuk tetap menjaga <em>track</em> agar bagaimana <em>loss</em> dan akurasi berkembang dari waktu ke waktu. Anda juga dapat menjaga <em>track</em> agar lebih kompleks secara kuantitas, seperti histogram dari layer aktivasi. <em>Summaries </em>merupakan sebuah serial objek, dan mereka tertulis pada sebuah <em>disk</em> menggunakan sebuah <a href="https://www.tensorflow.org/versions/master/api_docs/python/train.html#SummaryWriter"><em>SummaryWriter</em></a><em>.</em></p><pre># Output directory for models and summaries<br>timestamp = str(int(time.time()))<br>out_dir = os.path.abspath(os.path.join(os.path.curdir, &quot;runs&quot;, timestamp))<br>print(&quot;Writing to {}\n&quot;.format(out_dir))<br> <br># Summaries for loss and accuracy<br>loss_summary = tf.scalar_summary(&quot;loss&quot;, cnn.loss)<br>acc_summary = tf.scalar_summary(&quot;accuracy&quot;, cnn.accuracy)<br> <br># Train Summaries<br>train_summary_op = tf.merge_summary([loss_summary, acc_summary])<br>train_summary_dir = os.path.join(out_dir, &quot;summaries&quot;, &quot;train&quot;)<br>train_summary_writer = tf.train.SummaryWriter(train_summary_dir, sess.graph_def)<br> <br># Dev summaries<br>dev_summary_op = tf.merge_summary([loss_summary, acc_summary])<br>dev_summary_dir = os.path.join(out_dir, &quot;summaries&quot;, &quot;dev&quot;)<br>dev_summary_writer = tf.train.SummaryWriter(dev_summary_dir, sess.graph_def)</pre><p>Di sini, kita secara terpisah melacak <em>summaries</em> untuk <em>training</em> dan evaluasi. Pada kasus ini merupakan jumlah yang sama, tetapi Anda boleh mempunyai kuantitas yang ingin Anda <em>track</em> hanya selama <em>training</em> (seperti parameter mengupdate nilai). <a href="https://www.tensorflow.org/versions/master/api_docs/python/train.html#merge_summary">tf.merge_summary</a> merupakan sebuah fungsi yang memudahkan yang menggabungkan operasi <em>multiple summary dalam </em>sebuah <em>single </em>operasi yang kita dapat eksekusi.</p><p><strong>Checkpointing</strong></p><p>Fitur yang lain dari TensorFlow jika Anda secara khusus ingi menggunakan <a href="https://www.tensorflow.org/versions/master/how_tos/variables/index.html#saving-and-restoring"><em>checkpointing</em></a><em> — </em>menyimpan parameter dari model Anda untuk mengembalikannya lain waktu. <em>Checkpoints</em> dapat digunakan untuk melanjutkan <em>training</em> pada waktu kemudian, atau ketika memilih parameter <em>setting </em>yang terbaik guna digunakan berhenti lebih awal. <em>Checkpoints </em>dibuat menggunakan sebuah objek <a href="https://www.tensorflow.org/versions/master/api_docs/python/state_ops.html#Saver">Saver</a>.</p><pre># Checkpointing<br>checkpoint_dir = os.path.abspath(os.path.join(out_dir, &quot;checkpoints&quot;))<br>checkpoint_prefix = os.path.join(checkpoint_dir, &quot;model&quot;)<br># Tensorflow assumes this directory already exists so we need to create it<br>if not os.path.exists(checkpoint_dir):<br>    os.makedirs(checkpoint_dir)<br>saver = tf.train.Saver(tf.all_variables())</pre><p><strong>Initializing The Variables</strong></p><p>Sebelum kita dapat melakukan <em>train </em>model kita juga memerlukan <em>initialize</em> variable pada <em>graph.</em></p><pre>sess.run(tf.initialize_all_variables())</pre><p>Fungsi <a href="https://www.tensorflow.org/versions/master/api_docs/python/state_ops.html#initialize_all_variables">initialize_all_variables</a> merupakan fungsi yang memudahkan untuk menjalankan semua <em>initializers</em> yang telah definisikan untuk variabel kita. Anda dapat juga memanggil <em>initializer </em>dari variabel secara manual. Ini berguna jika Anda ingin melakukan <em>initialize</em> <em>embeddings</em> dengan nilai <em>pre-trained</em> sebagai contoh.</p><p><strong>Defining A Single Training Step</strong></p><p>Mari kita mendefinisikan sebuah fungsi untuk tahapan <em>single training</em>, mengevaluasi model pada <em>batch of data</em> dan memperbarui parameter model.</p><pre>def train_step(x_batch, y_batch):<br>    &quot;&quot;&quot;<br>    A single training step<br>    &quot;&quot;&quot;<br>    feed_dict = {<br>      cnn.input_x: x_batch,<br>      cnn.input_y: y_batch,<br>      cnn.dropout_keep_prob: FLAGS.dropout_keep_prob<br>    }<br>    _, step, summaries, loss, accuracy = sess.run(<br>        [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy],<br>        feed_dict)<br>    time_str = datetime.datetime.now().isoformat()<br>    print(&quot;{}: step {}, loss {:g}, acc {:g}&quot;.format(time_str, step, loss, accuracy))<br>    train_summary_writer.add_summary(summaries, step)</pre><p>feed_dict berisi data untuk <em>placeholder nodes</em> yang kita <em>pass</em> pada network. Anda mesti mengisi nilai untuk semua <em>placeholders nodes</em>, atau TensorFlow yang memunculkan <em>error.</em> Cara lain untuk berkerja dengan <em>input data</em> dapat menggunakan <a href="http://www.tensorflow.org/how_tos/reading_data/index.html#reading-data"><em>queues</em></a><em>,</em> namun itu di luar tema dari artikel ini.</p><p>Selanjutnya, kita akan mengeksekusi train_op menggunakan session.run, yang mana mengembalikan nilai untuk semua operasi yang kita minta untuk mengevaluasi. Catatan, train_op tidak mengembalikan apa-apa, itu hanya memperbarui parameter dari <em>network</em>. Dan akhirnya, kita mencetak <em>the loss</em> dan akurasi sejumlah <em>training</em> saat ini dan menyimpan <em>summaries</em> pada <em>disk</em>. Catatan bahwa <em>the loss </em>dan akurasi untuk sejumlah <em>training</em> bisa saja secara signifikan berbeda di beberapa jumlah jika <em>batch size</em> sifatnya kecil. Dan karena kita menggunakan <em>dropout, </em>matrik <em>training </em>bisa memulai menjadi lebih buruh daripada matrik evaluasi Anda.</p><p>Kita menulis sebuah fungsi yang sama untuk mengevaluasi <em>the loss </em>dan akurasi pada <em>arbitrary dataset</em>, seperti <em>validation set</em> atau seluruh <em>training set</em>. Secara esensial fungsi ini sama dengan yang di atas, akan tetapi tanpa operasi <em>training</em>. Ini juga menonaktifkan <em>dropout.</em></p><pre>def dev_step(x_batch, y_batch, writer=None):<br>    &quot;&quot;&quot;<br>    Evaluates model on a dev set<br>    &quot;&quot;&quot;<br>    feed_dict = {<br>      cnn.input_x: x_batch,<br>      cnn.input_y: y_batch,<br>      cnn.dropout_keep_prob: 1.0<br>    }<br>    step, summaries, loss, accuracy = sess.run(<br>        [global_step, dev_summary_op, cnn.loss, cnn.accuracy],<br>        feed_dict)<br>    time_str = datetime.datetime.now().isoformat()<br>    print(&quot;{}: step {}, loss {:g}, acc {:g}&quot;.format(time_str, step, loss, accuracy))<br>    if writer:<br>        writer.add_summary(summaries, step)</pre><p><strong>Training Loop</strong></p><p>Pada akhirnya, kita siap untuk menulis <em>training loop</em>. Kita akan melakukan iterasi di atas sekumpulan data kita, memanggil fungsi <em>train_step</em> pada setiap kumpulan, dan sekali-kali mengevaluasi dan melakukan <em>checkpoint </em>pada model:</p><pre># Generate batches<br>batches = data_helpers.batch_iter(<br>    zip(x_train, y_train), FLAGS.batch_size, FLAGS.num_epochs)<br># Training loop. For each batch...<br>for batch in batches:<br>    x_batch, y_batch = zip(*batch)<br>    train_step(x_batch, y_batch)<br>    current_step = tf.train.global_step(sess, global_step)<br>    if current_step % FLAGS.evaluate_every == 0:<br>        print(&quot;\nEvaluation:&quot;)<br>        dev_step(x_dev, y_dev, writer=dev_summary_writer)<br>        print(&quot;&quot;)<br>    if current_step % FLAGS.checkpoint_every == 0:<br>        path = saver.save(sess, checkpoint_prefix, global_step=current_step)<br>        print(&quot;Saved model checkpoint to {}\n&quot;.format(path))</pre><p>Di sini batch_iter merupakan fungsi <em>helper</em> yang menulis pada sekumpulan data, dan tf.train.global_step merupakan fungsi yang membantuk nilai kembali dari global_step. <a href="https://github.com/dennybritz/cnn-text-classification-tf/blob/master/train.py">Kode lengkap untuk <em>training </em>tersedia di sini.</a></p><p><strong>Memvisualisasikan Hasil Menggunakan Tensorboard</strong></p><p><em>Script</em> <em>training</em> menuliskan <em>summaries</em> untuk <em>output directory</em>, dan menunjuk <a href="https://www.tensorflow.org/versions/master/how_tos/summaries_and_tensorboard/index.html#tensorboard-visualizing-learning">TensorBoard</a> bahwa direktori tersebut dapat kita visualisasikan <em>graph</em>-nya dan <em>summaries</em> yang kita buat.</p><pre>tensorboard --logdir /PATH_TO_CODE/runs/1449760558/summaries/</pre><p>Menjalankan prosedur <em>training</em> dengan parameter <em>default </em>(<em>128-dimensional embeddings, </em>ukuran <em>filter</em> dari 3, 4 dan 5, <em>dropout </em>dari 0,5 dan 128 <em>filter</em> setiap ukuran <em>filter</em>) hasil pada <em>loss</em> berikut ini dan akurasi <em>plot</em> (biru merupakan <em>training data, </em>merah merupakan<em> </em>10% <em>dev data</em>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_dNP01cTTXW5jMk1PTAgaQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m6claYN9wU8zOzvvOEKlTQ.png" /></figure><p>Ada beberapa hal yang mesti diperhatikan:</p><ul><li><em>Training</em> matrik kita tidak berjalan mulus karena kita menggunakan sekumpulan data kecil. Jika kita menggunakan sekumpulan data yang lebih besar (atau mengevaluasi pada seluruh <em>training set</em>) kita akan mendapat garis biru yang lebih mulus.</li><li>Karena akurasi <em>dev</em> secara signifikan di bawah akurasi <em>training</em> nampaknya seperti <em>network is overfitting the training data, </em>ini menunjukkan bahwa kita memerlukan lebih banyak (MR <em>dataset</em> sangat kecil), mempunyai regulasi yang lebih kuat, atau mempunyai parameter model yang lebih sedikit. Sebagai contoh, kita akan melakukan eksperimen dengan menambahkan dengan menambahkan <em>additional L2 penalties</em> untuk bobot pada layer terakhir dan memberikan efek <em>bump up the accuracy to 76%, mendekati </em>sesuai yang tertulis pada <em>paper</em> aslinya.</li><li><em>Loss training </em>dan akurasi menjadi <em>starts out</em> di bawah metrik dev karena menerapkan <em>dropout</em>.</li></ul><p>Anda dapat bermain-main dengan kode yang ada dan mencoba menjalankan model dengan variasi konfigurasi parameter. <a href="https://github.com/dennybritz/cnn-text-classification-tf">Kode dan instruksi tersedia di Github.</a></p><p><em>*Naskah asli bisa diakses melalui </em><a href="http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/"><em>tautan berikut</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3a720cc3afbc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sejenak Mengenal Metode Turba Lekra]]></title>
            <link>https://medium.com/@arynas92/sejenak-mengenal-metode-turba-lekra-8b61efe55033?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/8b61efe55033</guid>
            <category><![CDATA[turba]]></category>
            <category><![CDATA[kebudayaan]]></category>
            <category><![CDATA[lekra]]></category>
            <category><![CDATA[klaten]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Tue, 25 Oct 2016 12:28:12 GMT</pubDate>
            <atom:updated>2016-10-25T12:28:12.886Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/525/1*33ipmDC-sLjs2xkrWJdmvw.png" /></figure><p><em>Catatan singkat dari buku Pergolakan Turba Lekra di Klaten (JJ. Kusni)</em></p><p>Buku <em>Pergolakan Turba Lekra di Klaten</em> ditulis pada tahun 1979, tepatnya 16 tahun setelah peristiwa aksi sepihak oleh petani di Klaten terjadi. JJ Kusni menceritakan proses turun ke bawah (Turba) selama Gerakan Aksi Sepihak dari kaum tani untuk melaksanakan UUPA dan UUPBH. Turba ini merupakan salah satu program dari Lembaga Kebudayaan Rakyat (Lekra) cabang Jogja saat itu. Klaten sengaja dipilih menjadi lokasi Turba selain karena kedekatan secara geografis, juga karena adanya denyut pergerakan yang dilakukan oleh petani di sana. Ada banyak yang bisa kita bicarakan dari proses Turba ini, namun yang menarik adalah metode yang dipakai ketika Turba. Ini menjadi penting ketika kita kadangkala sering bicara istilah “mendengarkan suara rakyat”, “mengakomodir kepentingan rakyat” namun yang terjadi justru menggurui rakyat.</p><p>Sebelum berbicara lebih jauh, baiknya kita bicara soal ideologi sastra yang berkembang di Indonesia kala itu. Sebagai kelompok kebudayaan, Lekra mencanangkan dan mengamalkan sastra untuk rakyat. Sastra yang tidak boleh membelakangi realita yang terjadi di masyarakat. Sastra bentuk ini mempunyai tanggungjawab untuk memberikan karya baik berupa novel, cerpen, teater yang menyelipkan kondisi sosial yang ada. Golongan lain selain Lekra adalah Manifesto Kebudayaan atau lebih dikenal Manikebu. Golongan ini mengusung konsep Humanisme Universal. Bagi mereka kebudayaan bersifat universal, tidak boleh ada sekat-sekat politik dan ideologis. Seni untuk seni.</p><p>Sebagai kelompok kebudayaan yang memposisikan kondisi masyarakat menjadi yang terdepan, Turba dinilai sebagai wujud alat yang efektif untuk dapat memahami problematika masyarakat. Dalam menerapkan konsep Turba, Lekra memakai metode 3S (Sama Makan, Sama Tinggal, dan Sama Bekerja). Atau kadang disebut 4S dengan menambahkan poin Sama Diskusi.</p><p>3S/4S menjadi metode kunci bagi pelaku Turba ketika berhubungan dengan masyarakat. Tantangan melakukan Turba adalah bagaimana caranya pelaku Turba mampu menjadi satu masyarakat. Sudah menjadi rahasia umum ketika ada warga atau tamu dari luar, masyarakat memberlakukan dengan spesial tamu tersebut. Tak jarang ada suasana canggung di dalamnya. Ketika itu terjadi, usaha untuk mendengarkan keluh kesah masyarakat menjadi susah.</p><p>Dengan metode di atas, pelaku Turba dituntut untuk tidak merepotkan warga setempat. Jika warga makan nasi aking, maka mereka harus makan nasi aking juga. Begitu pula jika warga tidur di bawah, maka mereka juga mesti tidur di bawah. Ketika di lapangan sebisa mungkin pelaku Turba memakai atribut yang terkesan membuat jarak. Seperti pakaian, jam tangan, atau hal lain. Dengan menerapkan pola seperti itu, harapannya ada atmosfer egaliter antara pelaku Turba dan warga.</p><p>JJ Kusni menulis (Hal 101):</p><blockquote>“Dengan metode empat sama’ ini kita tidak datang se­bagai pelancong, tidak pula sebagai pembesar yang “begitu turun kereta sudah meniberikan perintah ini dan itu” kepada yang didatangi. Ini menuntut kita untuk menjadi sahabat akrab, menjadi anggota keluarga mereka yang kita datangi. Melalui metode ini, kita akhimya bisa,mengeduk bahan sebanyak banyaknya dan sekaya-kayanya.kita ,pun menge­nal relung-relung kehidupan penduduk yang .paling rahasia tak pemah terungkapkan kepada orang luar. Pengenalan beginilah yang oleh Lekra disebut sebagai “kenal, keadaan” Tapi, keadaan tidak lebih sebagai bahan mentah yang perlu diolah. Untuk mengolah bahan mentah ini diperlukan pisau analisa hingga kita bisa menyelam ke dasar hakiki permasalahan. “</blockquote><p>Secara tidak langsung, Kusni mengkritik pola Turba yang dia membahasakannya dengan “Penunggang kuda melihat bunga”. Kurang lebih seperti sekelompok intelektual yang datang ke masyarakat namun tidak mau membaur dengan yang lain. Langsung mengajari hal ini itu yang menurut mereka benar, tanpa memperhatikan apa yang diinginkan masyarakat.</p><p>Beberapa tahun yang lalu kita mengenal istilah <em>blusukan</em>. Istilah ini menggaung ketika media sedang gencar-gencarnya berbicara Jokowi yang ketika itu masih menjadi Walikota Solo dan Gubernur DKI. <em>Blusukan</em> dikenal sebagai metode pemimpin yang turun ke masyarakat entah itu pedesaan, pasar, jalan pinggiran yang tujuannya untuk mengetahui kenyataan di lapangan. Pada prakteknya <em>blusukan</em> dinilai sebagai pencitraan.</p><p>Padahal jauh sebelum itu Lekra sudah menerapkan konsep ini dengan pendekatan metode yang dirasa lebih efektif. Pola terjun masyarakat yang seperti inilah yang dinilai dibutuhkan gerakan hari ini. Karena pada akhirnya mau sekuat apapun pemikiran yang sudah kita godok perihal problem masyarakat, tantangannya tetap bagaimana kita mengkomunikasikannya kepada masyarakat.<strong>[]</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8b61efe55033" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Telaah Kritis Kesenjangan Teknologi di Indonesia]]></title>
            <link>https://medium.com/geram-merah/telaah-kritis-kesenjangan-teknologi-di-indonesia-4959527365f9?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/4959527365f9</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[dicrepancy]]></category>
            <category><![CDATA[people]]></category>
            <category><![CDATA[knowledge]]></category>
            <category><![CDATA[economics]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Sat, 15 Oct 2016 05:29:00 GMT</pubDate>
            <atom:updated>2016-10-15T05:34:53.837Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/756/1*sEsEyXptUA2P9cBIcDWdVA.png" /><figcaption><em>sumber: google.com</em></figcaption></figure><p><strong>Pendahuluan</strong></p><p>Kesenjangan Teknologi dinilai masih tinggi Indonesia. Efeknya arus informasi ke daerah yang infrastrukturnya masih minim menjadi susah. Pemerataan informasi pun menjadi terhambat.</p><p>Pemusatan kemajuan teknologi di pulau Jawa masih menjadi permasalahan. Jika di Jawa khususnya di kota besar akses internet mudah di dapat, hal itu tidak terjadi di Indonesia bagian timur.</p><p>Namun jika Kesenjangan Teknologi dapat diminimalisir akan menjadi angka kemajuan di daerah meningkat? Tulisan ini akan mengulas tentang apa itu Kesenjangan Teknologi, penyebabnya, usaha apa saja yang sudah dilancarkan untuk menyelesaikannya, dan telaah kritis untuk penyelesaian kebijakan kesenjangan itu sendiri.</p><p><strong>Kesenjangan Teknologi dan Usaha Pemerintah</strong></p><p>Secara istilah kita bisa memaknai Kesenjangan Teknologi sebagai kesenjangan ekonomi dan sosial terkait akses, penggunaan, atau dampak teknologi informasi dan komunikasi (TIK).[1]</p><p>Untuk mengurangi kesenjangan ini pemerintah sudah melakukan langkah seperti membangun infrastruktur yang berkaitan secara langsung. Salah satunya pembangunan proyek Palapa Ring. Pemerintah mempunyai target pada 2019 nanti seluruh ibukota kabupaten dan kotamadya terhubung dengan layanan jaringan pita lebar atau <em>broadband</em>. Rudiantara, Menteri Komunikasi dan Informatika mengatakan pembangunan Palapa Ring ini sangat penting untuk mengecilkan kesenjangan layanan berbasis digital antara Pulau yang ada di Jawa dengan di luar Jawa. Dengan adanya proyek ini, maka layanan <em>broadband</em> diharapkan dapat dinikmati wilayah seluruh Indonesia.[2]</p><p>Sedangkan pada pertemuan Konferensi Tingkat Tinggi G20 di Cina pada tahun 2016, Presiden Jokowi mengatakan sedang menggenjot pertumbungan infrastruktur salah satunya di bidang Teknologi. Untuk mencapai hal itu Jokowi mengajak negara maju untuk membantu negara berkembang seperti Indonesia dalam menaikkan infrastrukturnya.[3]</p><p>Dengan pernyataan pemangku kebijakan di atas, bisa dikatakan Indonesia sekarang ini sedang gencar-gencarnya melakukan pembangunan infrastruktur di bidang Teknologi. Namun tentu pembangunan ini baru akan terasa 2–3 tahun mendatang.</p><p>Akan tetapi rencana itu tidaklah luput dari kritik. Upaya pengurangan Kesenjangan Teknologi tidaklah cukup dengan pembangunan infrastruktur saja. Pada pertemuan World Summit on the Information Society yang diselenggarakan oleh PBB telah merumuskan solusi integratif dan berkelanjutan dalam mengatasi problem kesenjangan digital, yakni dengan membangun infrastruktur TIK, membentuk masyarakat informasi, dan edukasi TIK.[4]</p><p>Pemerintah tidak bisa hanya bicara pembangunan infrastruktur saja untuk mengurangi Kesenjangan Teknologi. Namun juga mesti berbicara masyarakat yang sadar akan informasi dan teredukasi ketika berhadapan dengan Teknologi. Salah satu masyarakat yang sadar akan pentingnya teknologi sudah membuat gerakan. Diantaranya Gerakan DEMIT, adalah salah satu inisiatif yang digerakkan masyarakat desa melalui pengembangan inovasi teknologi informasi berbasis <em>open source</em>. Gerakan ini sukses menggerakkan lebih dari 300 desa di seluruh Indonesia untuk berpartisipasi dan terlibat aktif pembahasan RUU Desa di akhir tahun 2014 silam melalui <em>video conference</em>. Hingga saat ini, DEMIT terus mengkonsolidasikan diri sebagai entitas pembangunan masyarakat desa. Selain itu, salah satu inovasi yang cemerlang lainnya adalah program 1000 web desa gratis dengan domain Desa.id yang semakin gencar belakangan ini.[5]</p><p>Tentu pemerintah tidak bisa berdiam sendiri saja berserah diri pada kelompok swadaya masyarakat. Mesti ada integrasi dengan bidang lain seperti pendidikan agar kemajuan teknologi dapat memberikan efek positif.</p><p><strong>Mengkaji Ulang Kebijakan Penyelesaian Kesenjangan Teknologi</strong></p><p>Yang patut perlu kritisi juga adalah penyelesaian Kesenjangan Teknologi tidak bisa serta merta menyelesaikan persoalan masyarakat seperti kemiskinan dan ketidakadilan. Perbedaan tingkat pemakaian dan penerapan teknologi terletak pada soal-soal sosial, ekonomi, dll., dan bukan pada soal-soal teknologi itu sendiri. Karena itu pula, seperti halnya tingkat penggunaan dan investasi dalam teknologi amat berbeda karena perbedaan faktor sosial dan ekonomi, demikian juga kita bisa menduga bahwa tingkat pemanfaatan dan distribusi manfaatnya juga berbeda karena faktor-faktor tersebut. Selanjutnya, gagasan kesenjangan<em> </em>teknologi itu punya konsekuensi ekonomi-politik yang tidak sederhana karena ia justru satu menjadi salah satu senjata ideologi pasar bebas. Negara-negara miskin (seperti Indonesia), harus siap menjadi ‘tempat pembuangan limbah’ teknologi, entah teknologi lama ataupun teknologi baru. Alasannya sederhana. Negara-negara maju produsen teknologi komunikasi dan informasi butuh pasar karena daya serap pasar mereka sendiri terbatas. Karena itu, selain menghembuskan gaya-hidup modern yang karakteristiknya harus dibalut teknologi komunikasi keluaran terbaru (bagi kelas menengah ke atas), jargon <em>digital divide </em>itu menjadi sarana ampuh untuk membuang teknologi komunikasi yang sudah usang ke negara miskin untuk ‘pengentasan kemiskinan’. Dari total pasar teknologi komunikasi saat ini yang sebesar 2,071 triliun Euro (sekitar 1 triliun dolar AS) itu, AS menguasai 32,4%, Eropa 30,5%, Jepang 12,3%, “Macan Asia” (Hong Kong, Singapura, Korsel dan Taiwan) 3,1%. Sisanya yang sekitar 21% dibagi oleh penduduk dunia lainnya.6</p><p>Lagi-lagi kita mengkaji bagaimana pemerintah Indonesia ini berpijak. Posisi Indonesia yang tergabung pada ekonomi pasar bebas cenderung tidak menyelesaikan permasalah masyarakat. Berdasarkan data di atas, dengan dalih penyelesaian kesenjangan teknologi malah negara seperti Indonesia menjadi pasar bagi negara maju yang teknologinya sudah lebih dahulu terdepan.</p><p><strong>Kesimpulan</strong></p><p>Informasi yang serba bebas seolah menjadi syarat lahirnya era globalisasi. Teknologi menjadi kunci lahirnya era ini. Di sisi lain Teknologi memang menjanjikan kehadiran kebebasan Informasi bagi yang mampu memanfaatkan. Namun jika tidak mampu untuk bersaing ia akan dimanfaatkan oleh kubu yang lebih kuat.</p><p>Kuncinya ada di pemerintah kita bagaimana agar kita tetap mampu bersaing secara teknologi namun tetap berdaulat. Salah satu caranya yakni dengan melakukan pemberdayaan masyarakat akan fungsi-fungsi Teknologi. Untuk itu edukasi di bidang Teknologi memang dirasa penting selain membangun infrastrukturnya.</p><p><strong>Referensi</strong></p><p>1. 2016. Kesenjangan Digital. [Online]. Tersedia: <a href="https://id.wikipedia.org/wiki/Kesenjangan_digital">https://id.wikipedia.org/wiki/Kesenjangan_digital</a> (23 September 2016 )</p><p>2. Miftah Ardhian. 2016. <a href="http://katadata.co.id/berita/2016/08/08/pemerintah-targetkan-seluruh-daerah-terakses-internet-cepat-pada-2019">Pemerintah Targetkan Seluruh Daerah Terakses Internet Cepat pada 2019</a>. [Online]. Tersedia: . <a href="http://katadata.co.id/berita/2016/08/08/pemerintah-targetkan-seluruh-daerah-terakses-internet-cepat-pada-2019">http://katadata.co.id/berita/2016/08/08/pemerintah-targetkan-seluruh-daerah-terakses-internet-cepat-pada-2019</a> (23 September 2016)</p><p>3. Muchammad Nafi. 2016. Jokowi Ajak Negara G-20 Garap Proyek Infrastruktur Indonesia. [Online]. Tersedia: . <a href="http://katadata.co.id/berita/2016/09/05/jokowi-ajak-negara-g-20-garap-proyek-infrastruktur-indonesia">http://katadata.co.id/berita/2016/09/05/jokowi-ajak-negara-g-20-garap-proyek-infrastruktur-indonesia</a> (23 September 2016 )</p><p>4. Renal Rinoza. 2016. Persoalan Kesenjangan Digital di Indonesia. [Online]. Tersedia: <a href="http://www.remotivi.or.id/amatan/222/Persoalan-Kesenjangan-Digital-di-Indonesia">http://www.remotivi.or.id/amatan/222/Persoalan-Kesenjangan-Digital-di-Indonesia</a> (23 September 2016)</p><p>5. Renal Rinoza. 2016. Persoalan Kesenjangan Digital di Indonesia. [Online]. Tersedia: <a href="http://www.remotivi.or.id/amatan/222/Persoalan-Kesenjangan-Digital-di-Indonesia">http://www.remotivi.or.id/amatan/222/Persoalan-Kesenjangan-Digital-di-Indonesia</a> (23 September 2016)</p><p>6. Yanuar Nugroho. 2016. Menggagas Kuasa Teknologi Informasi. [Online]. Tersedia: <a href="http://indoprogress.com/2006/05/menggagas-kuasa-teknologi-informasi/">http://indoprogress.com/2006/05/menggagas-kuasa-teknologi-informasi/</a> (23 September 2016)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4959527365f9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geram-merah/telaah-kritis-kesenjangan-teknologi-di-indonesia-4959527365f9">Telaah Kritis Kesenjangan Teknologi di Indonesia</a> was originally published in <a href="https://medium.com/geram-merah">Geram Merah</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inovasi Apple dan Riwayatnya Sekarang Ini]]></title>
            <link>https://medium.com/@arynas92/inovasi-apple-dan-riwayatnya-sekarang-ini-f83dd80c8df0?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/f83dd80c8df0</guid>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[revenue]]></category>
            <category><![CDATA[apple]]></category>
            <category><![CDATA[software-company]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Sat, 08 Oct 2016 22:01:03 GMT</pubDate>
            <atom:updated>2016-10-09T00:39:32.073Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Pendahuluan</strong></p><p>Sejarah teknologi dunia tidak lengkap tanpa berbicara perusahaan teknologi bernama Apple. Didirikan pada tahun 1976 oleh Steve Jobs dan Steve Wozniak, Apple hadir memberikan inovasinya pada bidang teknologi yang memberikan efek perubahan pada tataran kehidupan masyarakat.</p><p>Tulisan ini akan menguraikan bagaimana Apple mampu menghasilkan produk teknologi yang berkualitas tinggi, digandrungi oleh masyarakat banyak meskipun harganya mahal, menghasilkan <em>revenue</em> yang cukup tinggi dibandingkan perusahaan lain, dan bagaimana kondisi Apple saat ini?</p><p><strong>Angka Pendapatan Apple dan Penyebabnya</strong></p><p>Sedari awal Apple didirikan dengan dana yang minim. Steve Jobs dan Steve Wozniak mengaku tidak terlalu mempunyai banyak uang saat itu. Dengan kondisi seperti ini membuat mereka hanya bermodalkan motivasi dan ide.[1] Kedua hal ini lah yang nantinya menjadi keunikan tersendiri bagi Apple ketika mereka merilis produk terbarunya. Di bawah asuhan langsung Steve Jobs sebagai CEO, Apple selalu merilis produk yang inovatif dan visioner.</p><p>Dengan memakai pakem seperti itu membuat pendapatan Apple naik cukup tajam. Pada tahun 2014 tercatat Apple telah menjual 74.5 juta produk unggulan mereka, iPhone, selama 3 bulan yang berakhir pada 31 Desember. Iphone dapat terjual 34.000 pada satu jam setiap harinya. Dengan angka 74.5 juta, jumlahnya sama saja lebih dari jumlah keseluruhan penduduk Kerajaan Inggris. [2]</p><p>Tren di atas jika berlanjut pada 3 kuartal selanjutnya, dapat lebih besar total GDP dari Hongkong.</p><p>Lantas bagaimana Apple mampu meraih itu semua?</p><p>Salah satu yang utama adalah dukungan dari ekosistem yang solid dan pengalaman akan <em>(user experience) </em>yang baik pada setiap produknya. Namun jangan melupakan <em>brand</em> dari Apple sendiri. <em>Brand</em> Apple merepresentasikan apa yang dilihat pelanggan mereka terhadap Apple. Pelanggan merasa tidak masalah membayar produk Apple meskipun itu sangat tinggi. [3]</p><p>Aspek lain diantaranya Apple selalu membuat produk tidak hanya canggih secara teknis namun juga sangat dibutuhkan dari sisi masyarakat. Ini yang membuat masyarakat sukar untuk tidak memberikan perhatiannya terhadap produk Apple.</p><p>Produk-produk yang diperkenalkan mereka selalu mudah digunakan. Meskipun itu di tangan <em>user</em> yang tergolong jarang memakai perangkat teknologi.</p><p>Apple juga mempunyai disiplin riset yang tinggi. Pada setiap produk yang akan diluncurkannya, Apple akan melakukan <em>trial and error </em>kurang lebih 2 tahun sebelumnya produk diluncurkan. Sebagai contoh, produk mereka, iPhone yang diluncurkan pada Oktober 2012, sudah mulai dikerjakan pada kurun waktu 2010. Sama halnya dengan iPhone, produk mereka yang lain iPad juga yang luncurkan pada Maret tahun 2015 proses pengerjaannya dilakukan pada 2 tahun sebelunya. Dengan kurun waktu yang cukup lama, Apple memperhatikan dengan sangat sisi desain, <em>software</em>, komponen, dan lain sebagainya pada setiap produknya.[4]</p><p>Sebenarnya yang paling penting dalam memahami fenomena naiknya pendapatan Apple adalah memperhatikan dari sisi <em>business</em> <em>model-</em>nya. Sebagai contoh ketika mereka meluncurkan iTunes, Apple tidak produk itu hanya sekadar menjadi media transfer dari MP3 ke iPods saja. Namun mereka menerapkan pola baru dalam dunia permusikan dunia. Mereka memposisikan iTunes seperti semacam <em>library</em> untuk musik-musik yang telah beredar. Otomatis jika publik ingin mengakses musik, ia mesti memakai iPods. Di titik ini sebagai model bisnis Apple berusaha membuat ekosistem yang baru yang belum ada sebelumnya. [5]</p><p>Dengan cara-cara bisnis di atas, maka tak heran mengapa Apple selalu menempatkan ide dan motivasi dalam posisi terdepan. Mereka menyadari produk yang mereka luncurkan tidak bisa diposisikan hanya sebagai produk saja, tapi juga sebagai penanda berubahnya sebuah zaman teknologi. Dalam bukunya Fred Vogelstein menulis, “Iphone bukan sekedar telepon, melainkan <strong>komputer portable pertama</strong> yang muat di kantong, dipergunakan secara luas, dan dapat melakukan panggilan telepon. Berkat <em>touchscreen-</em>nya, iphone memiliki <strong>banyak fitur</strong> yang mustahil dikerjakan oleh telepon lain.”[6]</p><p><strong>Riwayat Inovasi Apple dan Penurunan Pendapatan</strong></p><p>Steve Jobs adalah CEO yang mempunyai andil besar dalam setiap inovasi yang dilancarkan Apple. Sepeninggal Steve Jobs apakah Apple masih dekat dengan label perusahaan teknologi dengan banyak inovasi?</p><p>Pada peluncuran versi terbaru iPhone, banyak yang mengkritik Apple sudah banyak kehilangan sisi inovasinya. Keunggulan seperti tahan air, <em>dual stereo speaker, dual camera</em> sudah terlebih dulu ada pada <em>device </em>yang lain seperti HTC dan Motorola.[7]</p><p>Entah kebetulan atau tidak pada kuartal dua tahun 2016 hanya menjual 51,2 juta unit iPhone. Angka ini dibandingkan dengan penjualan pada tahun lalu sebesar 61,2 unit. Penurunan ini menjadi pertama kali sejak ponsel ini diluncurkan pada tahun 2007. [8]</p><p>Korelasi antara penurunan daya inovasi dengan penurunan daya jual iPhone ini bisa menjadi lampu kuning bagi Apple kedepannya. Jika iPhone tidak ingin disalip oleh kompetitornya maka Apple tidak bisa berdiam diri.</p><p><strong>Kesimpulan</strong></p><p>Sebagai sebuah perusahaan teknologi Apple bisa dikatakan inisiator dari kemunculan pelbagai inovasi baru dalam dunia teknologi. Mengutip Fred Vogelstein dalam bukunya Apple vs Google, Apple hadir untuk melahirkan sebuah revolusi teknologi digital.</p><p>Inovasi di atas menjadi dasar dari kunci Apple selanjutnya yakni pembuatan sebuah <em>business role </em>baru. Suatu pola bisnis yang mempunyai dimensi mengubah budaya teknologi masyarakat. Dua aspek ini bisa dikatakan menjadi kunci bagaimana Apple menjadi salah satu raja industri teknologi.</p><p>Namun dua aspek di atas perlahan turun jika melihat tren Apple terbaru. Tentu kita mesti menyadari juga, banyak kompetitor Apple yang mulai berubah. Sebut saja Google, Samsung, dan lain-lain. Pada intinya meskipun dalam posisi di atas, perusahaan teknologi tidak bisa santai saja, karena teknologi selalu dinamis.</p><p><strong>Referensi</strong></p><p>1. Achmad Rouzni Noor II. 2016. Kisah Sukses Apple: Bermula dari Tak Punya Uang. [Online]. Tersedia: <a href="http://inet.detik.com/read/2012/07/18/153721/1968568/398/kisah-sukses-apple-">http://inet.detik.com/read/2012/07/18/153721/1968568/398/kisah-sukses-apple-</a> bermula-dari-tak-punya-uang (22 September 2016)</p><p>2. Andrew Griffin. (2016). How Apple became so successful that its total revenue is bigger than the GDP of some countries. [Online]. Tersedia: <a href="http://www.independent.co.uk/news/business/analysis-and-features/how-apple-become-so-successful-that-its-total-revenue-is-bigger-than-the-gdp-of-some-countries-10007454.html">http://www.independent.co.uk/news/business/analysis-and-features/how-apple-become-so-successful-that-its-total-revenue-is-bigger-than-the-gdp-of-some-countries-10007454.html</a> (22 September 2016)</p><p>3. Ign. L. Adhi Bhaskara. (2016). Inovasi Omong Kosong Apple. [Online]. Tersedia: <a href="https://tirto.id/inovasi-omong-kosong-apple-bJEm">https://tirto.id/inovasi-omong-kosong-apple-bJEm</a> (22 September 2016)</p><p>4. Tim Bajarin. (2016). 6 Reason Apple is So Succefull. [Online]. Tersedia: <a href="http://techland.time.com/2012/05/07/six-reasons-why-apple-is-successful/">http://techland.time.com/2012/05/07/six-reasons-why-apple-is-successful/</a> (22 September 2016)</p><p>5. Andrew Beattie. (2015). The Story Behind Apple’s Success. [Online]. Tersedia: <a href="http://www.investopedia.com/articles/personalfinance/042815/story-behind-apples-success.asp">http://www.investopedia.com/articles/personalfinance/042815/story-behind-apples-success.asp</a> (22 September 2016)</p><p>6. Vogelstein, Fred. (2015). Apple vs Google. Yogyakarta: Bentang.</p><p>7. Ign. L. Adhi Bhaskara. (2016). Inovasi Omong Kosong Apple. [Online]. Tersedia: <a href="https://tirto.id/inovasi-omong-kosong-apple-bJEm">https://tirto.id/inovasi-omong-kosong-apple-bJEm</a> (22 September 2016)</p><p>8. Ign. L. Adhi Bhaskara. (2016). Apple yang menolak jatuh dari pohonnya. [Online]. Tersedia: <a href="https://tirto.id/apple-yang-menolak-jatuh-dari-pohonnya-9eF">https://tirto.id/apple-yang-menolak-jatuh-dari-pohonnya-9eF</a> (22 September 2016)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f83dd80c8df0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Akar Persoalan Kemiskinan dan Peran Teknologi]]></title>
            <link>https://medium.com/@arynas92/akar-persoalan-kemiskinan-dan-peran-teknologi-848e10fded40?source=rss-23b6c508a427------2</link>
            <guid isPermaLink="false">https://medium.com/p/848e10fded40</guid>
            <category><![CDATA[free-market]]></category>
            <category><![CDATA[social-movements]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[poverty]]></category>
            <category><![CDATA[globalization]]></category>
            <dc:creator><![CDATA[Moch. Ari Nasichuddin]]></dc:creator>
            <pubDate>Mon, 03 Oct 2016 21:29:18 GMT</pubDate>
            <atom:updated>2016-10-03T21:29:18.247Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Pendahuluan</strong></p><p>Pada dasarnya semua bidang keilmuan di dunia ini mesti mempunyai kontribusi terhadap masyarakat (baca: menyelesaikan persoalan masyarakat). Sebagai negara berkembang, Indonesia mempunyai persoalan akar yang menjadi momok sejak zaman kolonial hingga sekarang bernama Kemiskinan.</p><p>Untuk itu sebagai suatu bidang keilmuan, Teknologi harus memposisikan diri sebagai solusi atas problem kemiskinan yang terjadi di tataran masyarakat. Mengingat dewasa ini gencar-gencarnya peran Teknologi masuk dalam aktivitas masyarakat (salah satunya fenomena transportasi/antar jemput berbasis aplikasi), maka perlu kiranya kita sejenak menelaah apakah peran tersebut sudah mengarah ke problem penyelesaian Kemiskinan?</p><p><strong>Kemiskinan dan Penyebabnya</strong></p><p>Dalam ranah rumpun sosial perbincangan soal apa itu kemiskinan dan penyebabnya sudah banyak sekali. Pertama soal definisi kemiskinan itu sendiri. Ada beberapa pendapat terkait hal ini.</p><p>Di buku <em>What the Market does to People: Privatization, Globalization, and Poverty’, </em>David Macarov melacak terdapat beberapa pendapat umum yang muncul terkait definisi kemiskinan. Kemiskinan seringkali ditetapkan sebuah pemerintahan suatu negara melalui penggambaran apa yang dikenal sebagai ‘garis kemiskinan’. Penggambaran mengenai ‘garis kemiskinan’ ini cenderung berbeda-beda dan tidak sama di setiap negara. Menurutnya perbedaan ini sangat bergantung pada tujuan negara menetapkan ‘garis kemiskinan’. Macarov mengkritik penetapan kemisikinan berdasarkan ‘garis kemiskinan’ cenderung tidak memperhatikan hal-hal lain yang juga bermasalah. [1]</p><p>Pendapat lain mengatakan bahwa Kemiskinan adalah kemiskinan, tanpa embel-embel absolut dan relatif. Orang miskin adalah setiap manusia yang tidak bisa memperoleh kebutuhan dasar bagi kelangsungan hidupnya sebagai manusia. Apakah mereka merasa miskin atau tidak, itu soal persepsi dan hegemoni pengetahuan, bukan persoalan material yang jelas-jelas dihadapi kaum miskin. Kalaupun orang bisa memiliki konsepsi sendiri tentang kemiskinan, rujukan kita dalam membahas persoalan itu tidak bisa beranjak semata-mata dari persepsi masyarakat, melainkan harus tetap bersandar pada soal terpenuhi atau tidaknya kebutuhan dasar seseorang sebagai mahluk hidup.[2]</p><p>Penulis sepakat dengan pendapat di atas bahwa defenisi Kemiskinan mesti dilihat dari kemampuan manusia untuk menjangkau kebutuhan yang sifatnya mendasar. Kebutuhan ini seperti kebutuhan ekonomi, pendidikan dan kesehatan.</p><p>Pertanyaan selanjutnya, apa penyebab dari Kemiskinan?</p><p>Pendapat umum yang berkembang di kalangan masyarakat kemiskinan terjadi karena masih ada masyarakat yang belum berdaya. Atau pendapat yang lebih ekstrem lagi mengatakan Kemiskinan terjadi karena masyarakat malas, tidak mau bekerja keras, dan hanya menunggu saja.</p><p>Mengenai penyebab Kemiskinan, Macarov mengidentifikasi penyebabnya adalah diterapkannya sistem ekonomi yang berbasis pada sistem ekonomi pasar. Dalam hal ini adalah Globalisasi sebagai konsekuensi sistem ekonomi neoliberal yang hampir tidak bisa lagi dihindari oleh sebagian besar negara di dunia. Dijadikannya pasar sebagai mesin ekonomi membuat semua harus dilakukan berdasarkan pada ukuran-ukuran itu. Konsekuensi tak terpisahkan dari globalisasi neoliberal diantaranya ialah privatisasi. Privatisasi merupakan ciri yang tak dapat dipisahkan dari neoliberalisme yang berkelindan dengan globalisasi. Privatisasi yang sering juga disebut dengan penjualan aset negara merupakan sebuah proses pengalihan hak kepemilikan dari kepemilikan publik (negara) ke pemilikan pribadi/perusahaan swasta.[3]</p><p>Sistem ekonomi pasar ini menyasar pada kebutuhan dasar masyarakat, salah satunya Pangan. Menurut BPS, ada beberapa faktor penyebab bertambahnya jumlah dan persentase orang miskin selama periode September 2014-Maret 2015. Pertama, laju inflasi selama kurun enam bulan tersebut sebesar 4,03 persen. Kedua, rata-rata harga beras secara nasional meningkat 14,48 persen menjadi Rp 13.089 per kilogram. Ketiga, harga eceran beberapa komoditas bahan pokok selain beras mengalami kenaikan. Antara lain harga cabe rawit dan gula pasir masing-masing naik sebesar 26,28 persen dan 1,92 persen.[4]</p><p>Menurut Ekonom Universitasi Indonesia (UI), Faisal Basri, juga mengatakan penyebab utama meningkatnya angka kemiskinan karena harga beras yang tinggi. Jika dihitung sejak November 2008 hingga Juli 2014, harga beras sudah naik 75 persen dari Rp 6.441 per kilogram (kg) menjadi Rp 11.321 per kg. Namun kenaikan harga itu tidak serta merta membuat petani menjadi sejahtera.[5]</p><p>Poin kedua yang penulis dapat dari problem Kemiskinan adalah secara ideologis penyebab kemiskinan karena masih diterapkannnya sistem ekonomi pasar di negara kita. Jika lebih didetailkannya lagi, efek dari ekonomi pasar tersebut salah satunya harga pangan (beras) yang tinggi namun petani atau masyarakat kecil tidak merasakan efeknya. Poin menjadi kunci untuk menjawab solusi apa yang mesti dilakukan bidang Teknologi nantinya.</p><p><strong>Kontribusi Teknologi untuk Kemiskinan</strong></p><p>Dibalik kecanggihannya secara teknis, Teknologi mempunyai dua mata pisau. Di sisi lain jika dipergunakan untuk kebaikan akan memberikan efek positif namun jika sebaliknya akan memberikan efek negatif.</p><p>Salah satu yang memberikan efek negatif ketika Teknologi sudah banyak menggantikan peran manusia. Di sisi produktivitas pergantian manusia dan teknologi dapat menaikkan produksi. Tapi di sisi lain manusia yang digantikan itu kini kehilangan pekerjaannya (pengangguran). Ini menjadi persoalan besar karena menurut Guru Besar FE UGM, Mudrajad Kuncoro, pengangguran merupakan penyebab pertama naiknya kemiskinan Indonesia pada tahun 2015.[6]</p><p>Untuk itu menurut penulis jika kita ingin membawa Teknologi dalam ranah positif di persoalan Kemiskinan terlebih dahulu kita mesti memetakan dulu apa itu Kemiskinan dan apa penyebabnya. Ketika kita sudah mengetahui penyebab dari kemiskinan maka solusi yang akan diberikan dengan pendekatan Teknologi akan lebih tepat.</p><p>Di awal kita sudah menjabarkan penyebab kemiskinan salah satunya dari segi ideologis yakni negara kita masih memakai sistem ekonomi pasar. Untuk masalah ini sebagai praktisi Teknologi kita bisa memberikan solusi dengan menciptakan aplikasi berbasis percakapan atau grup diskusi yang fungsinya nanti untuk membahas konsepsi ideologis yang lebih berpihak ke rakyat kecil dan dapat melawan ideologi pasar itu.</p><p>Penyebab kedua, efek dari ekonomi pasar di atas mengakibatkan banyak kebutuhan mendasar masyarakat yang masuk perputaran ekonomi pasar tersebut. Imbasnya harga pangan cenderung naik sehingga tidak terjangkau oleh masyarakat bawah. Untuk itu agar harga pangan lebih terkontrol diperlukan alat khusus untuk memantau harga pangan di pasaran. Harapannya dengan melakukan pengontrolan masyarakat lebih tahu dan dapat menginterupsi jika terjadi harga pangan di luar kemampuan mereka untuk membeli. Solusi pembuatan aplikasi kontrol pangan bisa dipraktekan pegiat Teknologi kita.</p><p><strong>Kesimpulan</strong></p><p>Bicara kontribusi Teknologi untuk Kemiskinan terlebih dahulu kita tidak bisa melepaskan akar filosofis sebuah Teknologi. Pada dasarnya Teknologi hanyalah alat yang efeknya bisa dirasakan jika dipegang oleh orang atau situasi yang tepat.</p><p>Kontribusi positif Teknologi akan terjadi jika idelogi dalam suatu negara tersebut memang cenderung positif terhadap masyarakat bawah. Dalam hal ini jika persoalan Kemiskinan merupakan persoalan ideologi yang salah, peran Teknologi adalah membentuk ruang diskursus baru untuk menciptakan konsepsi ideologi revolusioner yang mampu melawan ideologi kontra-revolusioner.</p><p>Namun jika persoalannya lebih operasional, peran Teknologi mesti disesuaikan juga sifatnya. Alhasil tinggal bagaimana kita memetakan persoalan akar dan bukan.</p><p>Untuk itu dalam rangka menemukan persoalan akar dan bukan sebelum berbicara peran Teknologi terlebih dahulu kita melakukan pemetaan terkait problem Kemiskinan itu sendiri. Dari pemetaan ini kita akan paham mana yang seharusnya diberikan Teknologi untuk pengurangan bahkan menghapuskan Kemiskinan.</p><p><strong>Referensi</strong></p><p>1. Fathimah Fildzah Izzati. 2016. Globalisasi Neoliberal, Kemiskinan, dan (Lalu Apa?) Solusinya. [Online]. Tersedia: <a href="http://indoprogress.com/2014/05/globalisasi-neoliberal-kemiskinan-dan-lalu-apa-solusinya/">http://indoprogress.com/2014/05/globalisasi-neoliberal-kemiskinan-dan-lalu-apa-solusinya/</a> (23 September 2016 )</p><p>2. Sadikin. 2016. Melihat Kemiskinan, Menakar Pemahaman Untuk Usaha Perubahan. [Online]. Tersedia: <a href="http://indoprogress.blogspot.co.id/2008/04/melihat-kemiskinan-menakar-pemahaman.html">http://indoprogress.blogspot.co.id/2008/04/melihat-kemiskinan-menakar-pemahaman.html</a> (23 September 2016)</p><p>3. Fathimah Fildzah Izzati. 2016. Globalisasi Neoliberal, Kemiskinan, dan (Lalu Apa?) Solusinya. [Online]. Tersedia: <a href="http://indoprogress.com/2014/05/globalisasi-neoliberal-kemiskinan-dan-lalu-apa-solusinya/">http://indoprogress.com/2014/05/globalisasi-neoliberal-kemiskinan-dan-lalu-apa-solusinya/</a> (23 September 2016 )</p><p>4. Yura Syahrul. 2016. Jumlah Penduduk Miskin Bertambah akibat Kenaikan Harga Pangan. [Online]. Tersedia: <a href="http://katadata.co.id/berita/2015/09/16/jumlah-penduduk-miskin-bertambah-akibat-kenaikan-harga-pangan">http://katadata.co.id/berita/2015/09/16/jumlah-penduduk-miskin-bertambah-akibat-kenaikan-harga-pangan</a> (23 September 2016)</p><p>5. Nur Farida Ahniar. 2016. Faisal Basri: Harga Beras Penyebab Utama Angka Kemiskinan. [Online]. Tersedia: <a href="http://katadata.co.id/berita/2014/09/09/harga-beras-penyebab-utama-angka-kemiskinan">http://katadata.co.id/berita/2014/09/09/harga-beras-penyebab-utama-angka-kemiskinan</a> (23 September 2016)</p><p>6. Tri Listiyarini. 2016. Ini Penyebab Angka Kemiskinan RI Meningkat. [Online]. Tersedia: <a href="http://www.beritasatu.com/ekonomi/338515-ini-penyebab-angka-kemiskinan-ri-meningkat.html">http://www.beritasatu.com/ekonomi/338515-ini-penyebab-angka-kemiskinan-ri-meningkat.html</a> (23 September 2016)</p><p><strong>*Paper untuk tugas matakuliah Komputer dan Masyarakat, Prodi Magister Teknologi Informasi UGM.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=848e10fded40" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>