<?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 Ibe Dwi on Medium]]></title>
        <description><![CDATA[Stories by Ibe Dwi on Medium]]></description>
        <link>https://medium.com/@ibedwi?source=rss-b3beceb74251------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*S2galajCDz2gF0qHO1v6tA.jpeg</url>
            <title>Stories by Ibe Dwi on Medium</title>
            <link>https://medium.com/@ibedwi?source=rss-b3beceb74251------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 10:11:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ibedwi/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[Membuat FSM dengan XState]]></title>
            <link>https://ibedwi.medium.com/memahami-finite-state-machine-fsm-dan-membuat-fsm-dengan-xstate-efe8e6b711ff?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/efe8e6b711ff</guid>
            <category><![CDATA[xstate]]></category>
            <category><![CDATA[finite-state-machine]]></category>
            <category><![CDATA[react]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Sat, 02 Dec 2023 21:12:46 GMT</pubDate>
            <atom:updated>2023-12-03T12:40:14.997Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><strong>NOTE:</strong><br>Ketika tulisan ini dibuat, saya masih menggunakan XState versi 4. Saya mungkin akan menuliskan perubahan atau perbedaan antara XState versi 4 dan 5. Tapi pada dasarnya, konsep yang digunakan sama.<br>Tulisan ini bisa dibaca juga di <a href="https://github.com/ibedwi/logs/blob/main/id/2023-12-03-memahami-fsm-dan-membuat-fsm-dengan-xstate.md">Github</a>.</blockquote><p>Di tulisan ini, saya ingin berbagi tentang <em>finite state machine</em> dan bagaimana membuat FSM dengan XState. Saya juga membagikan hasil akhir dari project yang ada di tulisan ini di <a href="https://github.com/ibedwi/logs-fsm-with-xstate/tree/2023.12.03">link berikut</a>.</p><h3>Menyiapkan project</h3><p>Saya menggunakan Next.js 13 dengan <em>app directory</em> dan TailwindCSS. Tutorial membuat project Next.js dengan app router dapat ditemukan <a href="https://nextjs.org/docs/getting-started/installation">di link ini</a>.</p><pre>What is your project named? logs-understanding-fsm-with-xstate<br>Would you like to use TypeScript? Yes<br>Would you like to use ESLint? Yes<br>Would you like to use Tailwind CSS? Yes<br>Would you like to use `src/` directory? Yes<br>Would you like to use App Router? (recommended) Yes<br>Would you like to customize the default import alias (@/*)? Yes<br>What import alias would you like configured? @/*</pre><p><em>Libraries</em> lain yang dibutuhkan akan saya jelaskan pada subbab terkait.</p><h3>Apa itu Finite State Machine?</h3><p>Apa itu <em>finite state machine</em>? Cara saya memahami istilah ini adalah dengan mencoba membedah dan memahami tiap kata yang ada dalam istilah ini:</p><p><strong><em>Machine</em></strong><br><strong><em>Machine</em></strong> di sini merujuk kepada “a model of a system”. Model sendiri bisa diartikan sebagai sebuah representasi yang informatif dari sesuatu (yaa intinya representasi dari sistem).</p><p><strong><em>State</em></strong><br>State di sini merujuk kepada informasi. Lebih spesifik lagi, informasi yang dimaksud adalah <em>behavior</em> (perilaku atau tingkah laku) dari sebuah system.</p><p>Jika dua kata ini digabungkan, “state machine” dapat dipahami sebagai representasi dari <em>behavior</em> sebuah <em>system</em>. Sebuah <em>state machine</em>, tentunya terdiri dari daftar tingkah lakunya. <em>State machine</em> juga mendeskripsikan transisi dari satu state ke state lain. Transisi ini dipicu oleh <em>input</em> yang diberikan kepada state machine tersebut.</p><p>Kata terakhir, “<em>finite</em>”, memiliki makna bahwa <em>state</em> yang ada di dalam <em>state machine</em> jumlahnya terbatas.</p><h3>Memodelkan <em>finite state machine</em> kipas angin</h3><p>Berhubung cuaca di tempat saya tinggal saat menulis tulisan ini sedang panas, maka kita akan menggunakan kipas angin sebagai contoh kasus. Kita akan membuat model kipas angin dengan menggunakan FSM.</p><h4>Memasang XState</h4><p>Sebelum mulai memodelkan FSM kipas angin, kita harus meng-<em>install</em> beberapa <em>libraries</em> yang berkaitan dengan <em>finite state machine</em> terlebih dahulu:</p><pre>yarn add xstate@^4.38.1 @xstate/react@^3.2.2</pre><h4>VSCode Extension</h4><p>Untuk kemudahan <em>development</em>, saya menggunakan <a href="https://marketplace.visualstudio.com/items?itemName=statelyai.stately-vscode"><em>extension</em> Stately di VSCode</a>. <em>Extension</em> ini sangat memudahkan dalam memodelkan FSM karena menggunakan GUI.</p><h4>Pemodelan FSM kipas angin</h4><p>Untuk membuat sebuah FSM dengan XState, kita bisa menggunakan fungsi createMachine:</p><pre>import { createMachine } from &quot;xstate&quot;;<br>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>});</pre><p>Property id digunakan untuk mengidentifikasi mesin yang kita buat.</p><p>Untuk memodelkan bagaimana sebuah kipas angin bekerja, kita bisa mulai dengan pertanyaan: “apa saja state dari sebuah kipas angin?”. Mudah, stop dan spin. stop artinya kipas angin kita tidak berputar, sedangkan spin artinya berputar. Intinya ada keadaan ketika kipas angin menyala dan mati. Kita bisa menuliskan state dari kipas angin ini ke dalam definisi machine kita sebagai berikut:</p><pre>import { createMachine } from &quot;xstate&quot;;<br>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  states: {<br>    stop: {},<br>    spin: {},<br>  },<br>  initial: &quot;off&quot;,<br>});</pre><p><em>Property</em> states adalah daftar state apa saja yang dimiliki oleh <em>machine</em> kita dan <em>property</em> initial menentukan state awal saat <em>machine</em> pertama kali dijalankan.</p><p>Sekarang, <em>machine</em> kita sudah punya state. Tapi, kita belum menentukan bagaimana machine kita bisa berpindah dari state stop ke spin.</p><h4>(Tips) Typescript support (kamu bisa melewati bagian ini jika tidak menggunakan TypeScript)</h4><p>Jika kamu juga menggunakan TypeScript, XState menyediakan <em>types generator</em> (typegen) dari <em>machine</em> kita. Berdasarkan <a href="https://xstate.js.org/docs/guides/typescript.html#typegen">dokumentasi ini</a>, pengguna VSCode hanya perlu meng-<em>install</em> sebuah <em>extension</em>.</p><p>Lalu di dalam definisi <em>state machine</em> kita, kita hanya perlu menambahkan <em>property</em> tsTypes: {}. Ketika kita menyimpan <em>file</em> tersebut, <em>typings</em> dari <em>state machine</em> kita akan otomatis terbuat.</p><h4>Transisi state</h4><p>Dalam XState, transisi dari sebuah state ke state lain dipicu oleh sebuah event. event di sini sepadan dengan “input” yang kita singgung pada bagian pengertian FSM di atas.</p><p>Untuk kasus kita, transisi yang kita butuhkan untuk berpindah adalah transisi state stop ke spin dan sebaliknya. Transisi ini dipicu oleh user yang menyalakan atau mematikan kipas angin. Dalam XState, kita bisa menulis transisi ini pada <em>property</em> on dari sebuah state:</p><pre>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,  <br>  states: {<br>    stop: {<br>      on: {<br>        &quot;USER.PRESS.ON&quot;: &quot;spin&quot;,<br>      },<br>    },<br>    spin: {<br>      on: {<br>        &quot;USER.PRESS.OFF&quot;: &quot;stop&quot;,<br>      },<br>    },<br>  },<br>  initial: &quot;stop&quot;,<br>});</pre><p>Kurang lebih, transisi pada state stop bisa dibaca: “Ketika USER.PRESS.ON, transisi ke spin”.</p><p>Yang menarik dari XState, kita bisa menggunakan nilai string apa saja sebagai nama nilai EVENT. Di sini saya menggunakan <em>convention</em> nama aksi yang ditulis dalam <em>uppercase</em> dan tiap kata dipisahkan oleh titik alih-alih oleh spasi.</p><p>Untuk menghasilkan <em>generated typings</em> yang lebih baik, kita bisa menuliskan EVENT apa saja yang dikenali oleh machine kita. Misalnya:</p><pre>type MachineEvent = { type: &quot;USER.PRESS.ON&quot; } | { type: &quot;USER.PRESS.OFF&quot; };<br>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  tsTypes: {} as import(&quot;./fanMachine.fsm.typegen&quot;).Typegen0,<br>  schema: {<br>    events: {} as MachineEvent,<br>  },<br>  // ...<br>});</pre><h4>Memperkaya state machine dengan informasi tambahan</h4><p>Kita sudah berhasil membuat kipas angin kita menyala dan mati. Tapi, bagaimana dengan kecepatan putaran kipas? Di XState, informasi tambahan (atau sederhananya, data) yang diketahui oleh machine disimpan ke dalam context.</p><p>Dalam kasus kita, informasi tambahan yang dibutuhkan adalah kecepatan dari kipas.</p><p>Kita bisa menambahkan kecepatan ke dalam property context:</p><pre>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  context: {<br>    fanSpeed: 0,<br>  },<br>  // ...<br>});</pre><p>Kita juga bisa membuat type untuk context dan menambahkannya ke dalam schema:</p><pre>type MachineContext = {<br>  fanSpeed: number;<br>};<br>// ...<br>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  schema: {<br>    events: {} as MachineEvent,<br>    context: {} as MachineContext,<br>  },<br>  // ...<br>});</pre><p>Sekarang, machine kita memilki informasi tambahan, fanSpeed, yang disimpan di dalam context.</p><h4>Mengubah nilai dari context dengan action</h4><p>Sejauh ini, kita sudah menambahkan kecepatan kipas, fanSpeed , ke dalam machine melalui context. Tapi, ketika state transisi dari stop ke spin, fanSpeed dari kipas angin kita masih 0!</p><p>Untuk merubah nilai dari context, kita bisa memanfaatkan salah satu fitur dari XState, yaitu action.</p><p>Di XState, action adalah salah satu bentuk <em>side-effect</em> yang bisa di-<em>trigger</em>. Kapan action ke-<em>trigger</em>? action bisa di-<em>trigger</em> ketika perpindahan state, yaitu ketika masuk atau keluar state, atau di-<em>trigger</em> oleh event. action dalam XState adalah <em>pure function</em>; umumnya bersifat <em>synchronous</em>. Kita bisa menggunakan action untuk merubah nilai dari context.</p><h4>Menambahkan action pada event</h4><p>Pertama, mari kita update event yang kita kirim ketika transisi dari stop ke spin dan sebaliknya untuk memicu action yang akan merubah nilai dari fanSpeed. Mari kita beri nama action ini changeFanSpeed. action ini ditambahkan pada property actions yang ada di dalam event.</p><pre>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  // ...<br>  states: {<br>    stop: {<br>      on: {<br>        &quot;USER.PRESS.ON&quot;: {<br>          target: &quot;spin&quot;,<br>          // v let&#39;s add action here!<br>          actions: &quot;changeFanSpeed&quot;,<br>        },<br>      },<br>    },   <br>    spin: {<br>      on: {<br>        &quot;USER.PRESS.OFF&quot;: {<br>          target: &quot;stop&quot;,<br>          // v let&#39;s add action here!<br>          actions: &quot;changeFanSpeed&quot;,<br>        },<br>      },<br>    },<br>  },<br>  // ...<br>});</pre><h4>Menulis implementasi dari action changeFanSpeed</h4><p>Langkah selanjutnya adalah menuliskan implementasi dari action changeFanSpeed.</p><p>Berdasarkan dokumentasinya, fungsi createMachine menerima 2 argumen, yang pertama adalah konfigurasi machine dan yang kedua adalah options. Salah satu <em>property</em> dari options adalah actions, tempat di mana kita menuliskan implementasi dari actions. Hampir setiap property yang ada di options — entah itu guards, actions, atau services — yang berbentuk fungsi, akan menerima 2 argumen secara berurutan yaitu context saat action tersebut di-trigger dan event yang men-<em>trigger</em> action tersebut. Kita dapat menuliskan action changeFanSpeed seperti ini:</p><pre>export const fanMachine = createMachine({<br>  // ...<br>}, {<br>  actions: {<br>    changeFanSpeed: (_context, event) =&gt; {<br>      /* implementation goes here */<br>    }<br>  }<br>});</pre><p>Tetapi, untuk merubah context, kita butuh <em>built-in</em> action dari XState yang disebut “assign action”. Sederhananya, <em>assign action</em> ini adalah fungsi yang menerima nilai baru yang akan diterapkan ke context dan akan menetapkan nilai tersebut ke dalam context. Jika nilai dari context terbaru yang kita inginkan adalah hasil dari action , kita cukup membungkus action tersebut menggunakan fungsi assign.</p><pre>import { assign } from &#39;xstate&#39;;<br>export const fanMachine = createMachine({<br>  // ...<br>}, {<br>  actions: {<br>    changeFanSpeed: assign((_context, event) =&gt; {<br>      /* implementation goes here */<br>    })<br>  }<br>});</pre><p>Misal, nilai fanSpeed ketika kipas angin pertama kali dinyalakan adalah 1. Kita bisa menuliskan <em>assign action</em> changeFanSpeed seperti ini:</p><pre>export const fanMachine = createMachine({<br>  id: &quot;fan&quot;,<br>  // ...<br>  states: {<br>    stop: {<br>      on: {<br>        &quot;USER.PRESS.ON&quot;: {<br>          target: &quot;spin&quot;,<br>          actions: &quot;changeFanSpeed&quot;,<br>        },<br>      },<br>    },<br>    spin: {<br>      on: {<br>        &quot;USER.PRESS.OFF&quot;: {<br>          target: &quot;stop&quot;,<br>          actions: &quot;changeFanSpeed&quot;,<br>        },<br>      },<br>    },<br>  },<br>  // ...<br>}, {<br>  actions: {<br>    changeFanSpeed: assign((_context, event) =&gt; {<br>      if (event.type === &quot;USER.PRESS.ON&quot;) {<br>        return {<br>          fanSpeed: 1,<br>        }<br>      }<br>      if (event.type === &quot;USER.PRESS.OFF&quot;) {<br>        return {<br>          fanSpeed: 0,<br>        }<br>      }<br>      return {}<br>    })<br>  }<br>});</pre><p>Sekarang, kita sudah memilki FSM kipas angin!</p><p>Selanjutnya, salah satu bagian yang tak kalah seru: mengintegrasikan FSM yang sudah kita buat ke UI!</p><h3>Mengintegrasikan state machine ke UI</h3><p>Sebelum melanjutkan, kita perlu meng-<em>install</em> beberapa <em>libraries</em> terlebih dahulu:</p><pre>yarn add framer-motion@^10.16.12 react-icons@^4.12.0</pre><h4>Mengintegrasikan FSM ke React component</h4><p>Pertama-tama, mari kita buat sebuah <em>component</em> bernama Fan.tsx. <em>Component</em> ini bisa dianggap sebagai representasi visual dari kipas angin.</p><p>Dalam XState, machine yang sudah kita definisikan, fanMachine , bisa dianggap sebagai definisi dari sebuah proses. Sedangkan proses yang berjalan berdasarkan definisi yang sudah kita buat disebut sebagian service atau actor. Beberapa waktu terakhir, saya rasa istilah actor lebih sering digunakan.</p><p>XState menyediakan <em>hook</em> bernama useMachine untuk membuat actor (proses) dari machine yang sudah kita definisikan. <em>Hook</em> ini mengembalikan <em>tuple</em>, yang berisi informasi dari actor yang sedang berjalan dalam bentuk object, fungsi untuk mengirim event ke actor, dan referensi ke actor yang sudah dibuat. Selain itu, <em>hook</em> ini juga mengikat actor ke dalam <em>lifecycle</em> dari <em>component</em>. Jadi ketika <em>component</em> di-<em>unmount</em>, actor akan berhenti dan akan mulai dari awal lagi (dari initial state) ketika component di-<em>mount</em>.</p><pre>export function Fan() {<br>  const [fsmState, fsmSendEvent] = useMachine(fanMachine);<br>  const isOn = fsmState.matches(&quot;spin&quot;);<br>  const speed = fsmState.context.fanSpeed;<br><br>  return (<br>    &lt;div&gt;<br>      {/* ... */}<br>    &lt;/div&gt;<br>  );<br>}</pre><p>isOn menyimpan hasil dari <em>method</em> matches. <em>Method</em> ini digunakan untuk memastikan apakahstate dari actor saat ini sesuai dengan argumen yang diberikan. Sedangkan untuk mengakses context, kita bisa menggunakan property context dari informasi yang kita dapatkan dari <em>tuple</em> yang dikembalikan oleh hook useMachine, fsmState.</p><h4>Membuat UI</h4><p>Berikut adalah UI sederhana yang menggambarkan kipas angin:</p><pre>// utils to merge an array of `className`s<br>function cn(...classes: any[]) {<br>  return classes.filter(Boolean).join(&quot; &quot;);<br>}<br><br>export function Fan() {<br>  // ...<br>  return (<br>    &lt;div className=&quot;flex flex-col items-stretch py-3 px-4 bg-gray-200 rounded-lg gap-5&quot;&gt;<br>      &lt;div&gt;<br>        &lt;FaDotCircle<br>          className={cn(&quot;text-md&quot;, isOn ? &quot;text-green-400&quot; : &quot;text-red-400&quot;)}<br>        /&gt;<br>      &lt;/div&gt;<br>      &lt;FaFan className=&quot;text-8xl text-gray-500&quot; /&gt;<br>      &lt;div className=&quot;flex flex-row item-center justify-between w-full gap-[150px]&quot;&gt;<br>        &lt;button<br>          className={cn(<br>            &quot;p-2 rounded-lg&quot;,<br>            !isOn ? &quot;bg-red-300 text-white&quot; : &quot;bg-red-400 text-black&quot;<br>          )}<br>        &gt;<br>          Off<br>        &lt;/button&gt;<br>        &lt;button<br>          className={cn(<br>            &quot;p-2 rounded-lg&quot;,<br>            isOn ? &quot;bg-green-300 text-white&quot; : &quot;bg-green-400 text-black&quot;<br>          )}<br>        &gt;<br>          On<br>        &lt;/button&gt;<br>      &lt;/div&gt;<br>    &lt;/div&gt;<br>  );<br>}</pre><h4>Mengirim event ke actor</h4><p>UI kita sudah selesai dan sekarang kita ingin bisa mngirim event ke actor yang sudah kita buat. Kita bisa menggunakan fsmSendEvent yang sudah kita dapatkan sebelumnya. (Salah satu hal yang paling saya sukai adalah <em>suggestions</em> dari IDE ketika menuliskan event yang ingin kita kirim).</p><pre>export function Fan() {<br>  // ...<br> <br>  return (<br>    &lt;div className=&quot;flex flex-col items-stretch py-3 px-4 bg-gray-200 rounded-lg gap-5&quot;&gt;<br>      {/* ... */}<br>      &lt;div className=&quot;flex flex-row item-center justify-between w-full gap-[150px]&quot;&gt;<br>        &lt;button<br>          // ...<br>          onClick={() =&gt; fsmSendEvent({ type: &quot;USER.PRESS.OFF&quot; })}<br>        &gt;<br>          Off<br>        &lt;/button&gt;<br>        &lt;button<br>          // ...<br>          onClick={() =&gt; fsmSendEvent({ type: &quot;USER.PRESS.ON&quot; })}<br>        &gt;<br>          On<br>        &lt;/button&gt;<br>      &lt;/div&gt;<br>    &lt;/div&gt;<br>  );<br>}</pre><p>Hanya dengan mengirim event, sekarang machine kipas angin sudah terintegrasi dengan React component kita! Tapi masih ada satu hal lagi yang kurang, yaitu animasi. Tenang, ini tidak akan lama ;)</p><h4>Menambahkan animasi putaran kipas</h4><p>Pada bagian animasi, kita menggunakan framer-motion. Kita ingin memutar baling-baling kipas berdasarkan kondisi menyala atau mati dengan kecepatan yang sudah ditentukan. Mengingat tulisan ini bukanlah tentang animasi, saya tidak akan memberikan penjelasan panjang lebar tentang bagaimana menggunakan framer-motion secara detail.</p><pre>export function Fan() {<br>  // animation values<br>  const calculatedSpeed = isOn ? 1000 - 100 * speed : 0;<br>  const time = useTime();<br>  const rotate = useTransform(<br>    time,<br>    [0, calculatedSpeed], // For every calculatedSpeed,<br>    [0, -360], // rotate 360 degrees to the left direction<br>    {<br>      clamp: false, // make it rotate forever<br>    }<br>  );<br>  <br>  return (<br>    &lt;div className=&quot;flex flex-col items-stretch py-3 px-4 bg-gray-200 rounded-lg gap-5&quot;&gt;<br>      &lt;motion.div<br>        style={{ rotate }}<br>        className=&quot;flex justify-center items-center&quot;<br>      &gt;<br>        &lt;FaFan className=&quot;text-8xl text-gray-500&quot; /&gt;<br>      &lt;/motion.div&gt;<br>      {/* ... */}<br>    &lt;/div&gt;<br>  );<br>}</pre><p>Pada baris kode di atas, kita menggunakan rotate yang dihasilkan dari <em>hook</em> useTransform milik framer motion.</p><h3>Demo</h3><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.loom.com%2Fembed%2F5d9faea27d5c4701b4962eb982152926&amp;display_name=Loom&amp;url=https%3A%2F%2Fwww.loom.com%2Fshare%2F5d9faea27d5c4701b4962eb982152926%3Fsid%3Df36f061d-a98f-49b8-85f2-e52cb5069965&amp;image=https%3A%2F%2Fcdn.loom.com%2Fsessions%2Fthumbnails%2F5d9faea27d5c4701b4962eb982152926-00001.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=loom" width="1452" height="1089" frameborder="0" scrolling="no"><a href="https://medium.com/media/efa98da49cd9d768b909badd5045f88b/href">https://medium.com/media/efa98da49cd9d768b909badd5045f88b/href</a></iframe><h3>Summary</h3><p>Di tulisan ini, kita sudah belajar tentang konsep <em>finite state machine</em> dan implementasinya menggunakan XState di Next.js.</p><p>Saya sendiri yakin bahwa XState adalah salah satu <em>library</em> yang bermanfaat dalam situasi yang kompleks.</p><p>Terima kasih sudah membaca!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=efe8e6b711ff" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[How I built my own Figma Plugin #1 — Intro]]></title>
            <link>https://ibedwi.medium.com/how-i-built-my-own-figma-plugin-1-intro-f677c10475c8?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/f677c10475c8</guid>
            <category><![CDATA[figma]]></category>
            <category><![CDATA[figma-plugin]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Sun, 15 Oct 2023 11:02:10 GMT</pubDate>
            <atom:updated>2023-10-15T11:02:10.906Z</atom:updated>
            <content:encoded><![CDATA[<h3>How I built my own Figma Plugin #1 — Intro</h3><p>Hi friends! In this post, I would like to explain how I learn to built my own Figma plugin.</p><h3>Why bother built a plugin?</h3><p>As a software engineer or product designer, there’s a good chance that you’ve already used Figma in your development process. At the time I wrote this post, I believe Figma is quite popular compared to other design apps like Sketch, Adobe XD, or Penpot. Figma’s community is also massive, with numerous free resources and plugins shared by the community to help us work more efficiently.</p><p>However, there are times when these resources or plugins can’t meet my team’s specific needs. For example, we may not have the time to enforce a naming convention for variables or styles between the Figma document and our codebase. The transfer process between the two also requires a significant amount of time.</p><p>Fortunately, Figma provides several ways for us to ‘expand’ its functionalities, and one of these is the Plugin API.</p><h3>How the Plugin API works?</h3><p>Before we can build a plugin, we need to know how the plugin operates.</p><p>As we are aware, Figma runs in the browser. Consequently, the plugin will be written using JavaScript, HTML, and CSS, as you might guess. Our code will be ‘divided’ into two parts based on where it runs: in the sandbox and in the iframe.</p><p>The code running in the sandbox has access to the Figma ‘scene’ (layers that make up a Figma document) but not the browser APIs. On the other hand, the code running in the iframe has access to the browser APIs but not the Figma scene. If you create a plugin with a UI, the UI part will operate in the iframe. Personally, I prefer to place the business logic in the part that has access to the scene and leave the UI layer in the iframe just to send arguments to the business logic.</p><p>As I mentioned, these two parts are separate from each other. So, you might be asking, ‘How do we send arguments for the business logic from the UI?’ The short answer is by using message passing.</p><p>In essence, message passing is a communication model between processes (models, components, or something similar) where one part sends a message to invoke the behavior of another part. Personally, I think of communication between a client and server via HTTP as an example of message passing:</p><ol><li>the client sends a GET request (message),</li><li>the server finds the requested resource based on the request (invoked behavior),</li><li>and return the document to the client as a response (server sent message and triggered the client’s behavior)</li></ol><p>In the context of our plugin and JavaScript, we can use window.postMessage method. How these components work can be illustrated like this:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YaKN9KzxlbGe7ds3mual8g.png" /></figure><h3>Conclusion</h3><p>In this post, I’ve shared a glance of why it might be beneficial to built a Figma plugin and how it work from high level overview. In the next part, I’ll share how to I setup the project for building the Figma plugin.</p><p>Thanks for reading!</p><h4>Reference</h4><p><a href="https://www.figma.com/plugin-docs/how-plugins-run">https://www.figma.com/plugin-docs/how-plugins-run</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f677c10475c8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ML#2: Jenis-jenis Learning dalam ML]]></title>
            <link>https://ibedwi.medium.com/ml-2-jenis-jenis-learning-dalam-ml-88ba82973067?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/88ba82973067</guid>
            <category><![CDATA[ngomongin-komputer]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Sat, 23 Jun 2018 20:31:16 GMT</pubDate>
            <atom:updated>2018-06-23T20:31:16.791Z</atom:updated>
            <content:encoded><![CDATA[<h4>Seri tulisan Machine Learning #2</h4><blockquote><em>* Tulisan ini diadaptasi dari blog saya yang lama.</em></blockquote><p>Halo! :)<br>Dalam <a href="https://medium.com/tulisan-ibe/ml-1-pengantar-dan-model-9a1f15bcbb73">post sebelumnya</a>, saya telah menulis tentang definisi baku dan beberapa contoh penerapan <em>machine learning</em>. Pada post ini, saya akan membahas lebih jauh tentang jenis-jenis <em>learning</em> dari <em>machine learning, </em>yaitu Supervised Learning, Unsupervised Learning, Semi-supervised Learning, dan Reinforcement Learning.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*8dxaEsD3Vk_CKnmg.gif" /></figure><h3>1. Supervised Learning</h3><p><em>Supervised Learning</em> adalah tipe <em>learning</em> di mana kita mempunyai variable input dan variable output, dan menggunakan satu algoritma atau lebih untuk mempelajari fungsi pemetaan dari input ke output.</p><p><em>Goal</em>-nya adalah untuk memperkirakan fungsi pemetaannya, sehingga ketika kita mempunya input baru, kita dapat memprediksi output untuk input tersebut.</p><p>Proses dari sebuah algoritma belajar dari <em>training dataset</em> dapat diumpamakan sebagai seorang guru yang mengawasi (<em>supervising</em>) proses belajar. Kita tahu jawaban yang benar, dan algoritma secara iteratif membuat prediksi pada data latih (<em>training data</em>) dan dikoreksi oleh ‘guru’nya.</p><p><em>Learning</em> berhenti ketika algoritma mencapai level performansi yang diterima. Permasalahan <em>Supervised Learning </em>dapat dikelompokkan menjadi masalah regresi (<em>regression problem</em>) dan masalah klasifikasi (<em>classification problems</em>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*N9vpeH2F5sVnjlxg.gif" /></figure><h3>2. Unsupervised Learning</h3><p>Berbeda dengan <em>supervised learning</em>, <em>unsupervised learning </em>adalah tipe <em>learning </em>di mana kita hanya mempunyai data masukan (<em>input data</em>) tetapi tidak ada <em>output variable</em> yang berhubungan.</p><p><em>Goal </em>dari <em>unsupervised learning </em>adalah untuk memodelkan struktur dasar atau distribusi dalam data dengan tujuan untuk mempelajari data lebih jauh lagi, dengan kata lain, adalah menyimpulkan fungsi yang mendeskripsikan atau menjelaskan data.</p><p>Berbeda dengan <em>supervised learning</em>, di sini tidak ada jawaban yang ‘dibenarkan secara terarah’ dan tidak ada ‘guru’. Algoritma dibiarkan dengan rancangannya sendiri untuk mengetahui dan menyajikan struktur menarik yang ada dalam data.</p><p>Lebih jauh lagi, permasalahan <em>unsupervised learning </em>dapat dikelompokkan menjadi <em>clustering problems </em>dan <em>association problems</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/0*PrUMxJ_kLApHUDsZ.gif" /></figure><h3>3. Semi-supervised Learning</h3><p><em>Semi-supervised Learning </em>adalah tipe <em>learning </em>di mana kita mempunyai data masukan (<em>input data</em>) dalam jumlah besar dan hanya beberapa dari data tersebut yang dilabeli. Permasalahan ini berada di antara <em>supervised learning </em>dan <em>unsupervised learning</em>.</p><h3>4. Reinforcement Learning</h3><p><em>Reinforcement Learning</em> terjadi ketika kita menyajikan algoritma dengan contoh yang kekurangan label, tetapi kita dapat menyertakan contoh dengan <em>feedback </em>positif atau negatif bergantung pada solusi yang ditawarkan oleh algoritma tersebut.</p><p>Dengan <em>reinforcement learning</em>, mesin dan <em>software </em>dapat menentukan tingkah laku ideal terhadap sebuah konteks yang spesifik secara otomatis, dengan tujuan untuk memaksimalkan performanya. Umpan balik (<em>feedback</em>) <em>‘simple reward’ </em>dibutuhkan untuk mesin mempelajari tingkah lakunya; hal ini disebut <em>reinforcement signal</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/282/0*YH-9BHNOsYyftH5A.gif" /></figure><p><strong>Referensi : </strong><br> [1] Pang-Ning Tan, M. Steinbach, and V. Kumar; Introduction to Data Mining.<br> [2] N. J. Nilson ; Introduction to Machine Learning.<br> [3] P. Flach; Machine Learning — The Art and Science of Algorithms that Make Sense of Data.<br> [4] <a href="http://reinforcementlearning.ai-depot.com/">http://reinforcementlearning.ai-depot.com</a>/</p><p><em>*) Tulisan ini dirangkum dari tugas matakuliah Machine Learning semester ganjil 2017.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=88ba82973067" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ML#1 : Pengantar dan Model]]></title>
            <link>https://ibedwi.medium.com/ml-1-pengantar-dan-model-9a1f15bcbb73?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/9a1f15bcbb73</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[ngomongin-komputer]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Fri, 22 Jun 2018 22:44:21 GMT</pubDate>
            <atom:updated>2018-06-22T23:03:16.947Z</atom:updated>
            <content:encoded><![CDATA[<h4>Seri tulisan Machine Learning #1</h4><blockquote>* Tulisan ini diadaptasi dari blog saya yang lama.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Xz3fQMWohfX0IGH9" /><figcaption>“A robot named Pepper holding an iPad” by <a href="https://unsplash.com/@agkdesign?utm_source=medium&amp;utm_medium=referral">Alex Knight</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo! Selamat datang di tulisan pertama saya tentang <em>Machine Learning</em> pada platform ini :)</p><p>Akhir-akhir ini, kamu pasti sering banget dengar istilah ‘<em>machine learning</em>’. Nah, <em>Machine Learning</em> itu apa sih? Saya sendiri ketika pertama kali mendengar istilah ini langsung membayangkan sebuah mesin yang bisa belajar sendiri seperti Jarvis di film Iron Man.</p><p>Namun ada beberapa definisi yang lebih ‘baku’ dari beberapa ahli, yaitu :</p><ul><li><em>Machine Learning usually refers to the changes in system that perform tasks associated with artificial intelligence.</em></li><li><em>Machine Learning is the subfield of the computer science that, according to Arthur Samuel, </em><strong><em>gives computer the ability to learn without being explicitly programmed</em></strong><em>.</em></li></ul><p>Dari definisi beberapa ahli di atas, kita bisa menangkap inti dari <em>machine learning</em>, yaitu memberikan komputer kemampuan untuk belajar (melakukan atau mengerjakan sesuatu) tanpa harus diprogram secara eksplisit.</p><p>Sebagai contoh, saat kamu sedang berbelanja menggunakan aplikasi toko <em>online</em>, <em>history</em> tentang barang-barang yang kamu lihat atau kamu beli kemungkinan ‘menggambarkan’ keinginan, hobi, atau <em>interest </em>kamu. Untuk menyarankan/memberikan barang yang ‘tepat sasaran’, tentu aplikasi toko sebaiknya memberikan saran barang-barang yang berkaitan dengan <em>history </em>kamu. Jika aplikasi tersebut diprogram secara eksplisit alias diberikan instruksi manual, tentu akan sangat sulit dan membuang waktu. Maka dari itu, dengan menggunakan <em>machine learning</em>, kita cukup mempelajari pola dari <em>history </em>tentang barang-barang yang kamu beli yang kemudian dijadikan dasar untuk ‘memprediksi’ barang apa yang sebaiknya disarankan untuk kamu.</p><p>Contoh yang lain, ketika kita ingin mengklasifikasikan data menjadi dua bagian dengan menggunakan dua atribut, tentu akan sangat mudah. Namun, bagaimana jika datanya makin banyak? Bagaimana jika atributnya makin banyak? Misal, kita ingin mengklasifikasikan apakah seekor binatang adalah mamalia atau reptil. Jika hanya melihat dari aspek (atribut) bagaimana ia berjalan, tentu tidak akan cukup. Masih banyak aspek-aspek lain yang perlu diperhatikan. Jika kita memprogram secara eksplisit (menulis aturan-aturan tersebut secara ‘mentah’ atau langsung), tentu akan memakan waktu dan ada kemungkinan tidak relevan lagi ketika data sudah semakin banyak. Maka dari itu, kita menggunakan <em>machine learning</em> untuk mengatasi hal ini.</p><h3>Model Machine Learning</h3><p>Berdasarkan intuisi utamanya, <em>machine learning</em> dapat dibedakan menjadi 3 model, yaitu <em>Geometric Models</em>, <em>Probabilistic Models</em>, dan <em>Logical Model</em>s. Detailnya dalah sebagai berikut :</p><ul><li><strong>Geometric Models</strong><br> <em>Geometric Models</em> atau Model Geometrik adalah model yang dibuat langsung dalam ruang contoh, menggunakan konsep seperti garis (<em>lines</em>), bidang (planes), atau jarak (<em>distances</em>). Model Geometrik juga menggunakan gagasan-gagasan geometrik (seperti translasi dan rotasi bidang) dan sederhana, <em>powerful</em> dan memungkinkan banyak variasi dengan sedikit <em>effort </em>(usaha). Contoh dari metode model geometrik adalah Manhattan Distance.</li><li><strong>Probabilistic Models<br> </strong><em>Probabilistic Models </em>atau Model Probabilistik adalah model yang akan mempelajari distribusi probabilistik dari data yang diberikan dan digunakan. Pendekatan statistik mengasumsikan bahwa ada beberapa proses acak pokok yang menghasilkan nilai dari variable-variable yang diukur, berdasarkan distribusi probabilistik yang tidak diketahui tetapi didefinisikan dengan baik. Contoh dari model probabilistik adalah metode Naive-Bayes.</li><li><strong>Logical Models<br> </strong><em>Logical Models </em>atau Model Logikal adalah model yang dapat ditranslasikan dengan mudah ke dalam aturan-aturan tertentu karena dapat dimengerti oleh manusia. Model ini membunya aturan-aturan (yang disebut <em>feature tree</em>) yang dapat diorganisir / diatur dengan mudah dalam struktur pohon (<em>structured tree</em>). Contoh dari metode atau algoritma yang menggunakan model logikal adalah <em>decision tree</em>.</li></ul><p>Nah, mungkin cukup sekian dulu pembahasan <em>machine learning</em> di post ini. Selamat belajar dan sampai ketemu di post selanjutnya! :)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FwypKXPQggwaCA%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FwypKXPQggwaCA%2Fgiphy.gif&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FwypKXPQggwaCA%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="435" frameborder="0" scrolling="no"><a href="https://medium.com/media/ef4417291f866685931079773355495f/href">https://medium.com/media/ef4417291f866685931079773355495f/href</a></iframe><p><strong>Referensi:</strong><br> [1] Pang-Ning Tan, M. Steinbach, and V. Kumar; Introduction to Data Mining.<br> [2] N. J. Nilson ; Introduction to Machine Learning.<br> [3] P. Flach; Machine Learning — The Art and Science of Algorithms that Make Sense of Data.</p><p><em>*) Tulisan ini dirangkum dari tugas matakuliah Machine Learning semester ganjil 2017.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9a1f15bcbb73" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Image Color Space Conversion using Python and OpenCV]]></title>
            <link>https://ibedwi.medium.com/image-conversion-using-python-and-opencv-8cd7c0ef7051?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/8cd7c0ef7051</guid>
            <category><![CDATA[ngomongin-komputer]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[image-processing]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Mon, 12 Mar 2018 13:21:49 GMT</pubDate>
            <atom:updated>2018-03-12T13:27:03.863Z</atom:updated>
            <content:encoded><![CDATA[<h4>Ibe’s Image Processing Notes</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*PHrRPAafwhLasABh." /><figcaption>Photo by <a href="https://unsplash.com/@lastly?utm_source=medium&amp;utm_medium=referral">Tyler Lastovich</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>While I’m on my last semester in Telkom University, I attended the Research Group in Multimedia Laboratory. The research we’ve been doing is about Digital Image Processing and Computer Vision. Almost every week, we met and learn about DIP and doing some assignment.</p><p>The second assignment, was about image conversion.</p><p>But before we jump to the idea about image conversion, why we should learn about it?</p><h4>Importance of learning color conversion</h4><p>Well, after doing some research on the internet and digital image processing’s books, I have some reasons.</p><p>First, sometimes processing images on color images (usually on RGB) may takes a long time. That’s why, before applied on color images, some algorithm tested or applied on grayscale images or binary images. Or we can say that some algorithm is having big complexity when processed on color images rather than grayscale or binary images.</p><p>The second, each color model have their own purposes and advantages. For example, there are several kind of color model, like CMYK that used for printing, Lab which designed to approximated human vision, color image with transparation (RGBA) used for graphic design, and so on.</p><p>There are so many reasons to learn about color conversion, I think there are many sources that discuss more further about it. The fact that different color spaces are better for different applications are interesting to consider.</p><h4>Color Conversion</h4><p>When we talk about conversing an image from a color space to another color space, we absolutely talked about mathematics equation.</p><p>In this article, I will discuss about three color conversion from RGB image. But before we jump to the code, please make sure you have <a href="https://www.python.org/downloads/release/python-2714/">Python</a> 2.7 and <a href="https://www.opencv.org/">OpenCV</a> for Python installed on your machine. I’ll provide codes with two different approaches, using the OpenCV library and without the OpenCV library.</p><h4>RGB to Grayscale</h4><p>We can convert RGB image using this equation :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/242/1*Zi3LE8QmFo0ACenqm6SL1Q.gif" /><figcaption>RGB to Grayscale equation</figcaption></figure><p><strong><em>How it’s work :</em> </strong>The big difference between RGB image and Grayscale image is their color channel. RGB image have 3 channels, while Grayscale image only have 1 channel. We take the i-th pixel of channel Red, Green, and Blue then use the equation above to calculate the value at i-th pixel at the Grayscale image. Here’s the implementation in Python.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/688da3799595a369c510ea8ccb2d01d5/href">https://medium.com/media/688da3799595a369c510ea8ccb2d01d5/href</a></iframe><h4>RGB to Binary Image</h4><p>To convert RGB image to Binary image, we have to the RGB image into Grayscale image first. Then we set threshold value. Then we use this equation :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/191/1*x8kX7s5ZuRYOMBNVr9J6QA.gif" /><figcaption>RGB to Binary equation</figcaption></figure><p><strong><em>How it’s work : </em></strong>We iterate on every pixel in our RGB image. If the pixel’s value is below the threshold value, we set it as 0, otherwise we set it as 1. Here’s the implementation in Python.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/03712bebc132c9de4b6d76ca9b4202ea/href">https://medium.com/media/03712bebc132c9de4b6d76ca9b4202ea/href</a></iframe><h4>RGB to HSV</h4><p>The first step to convert RGB to HSV is to divide each channel with 255 to change the range of color from 0..255 to 0..1 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/92/1*0-_dQE6pgMb0nBRCULq7-w.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/93/1*oXr9349vuBTAfOXlojbtkw.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/94/1*hWVZjdb8DSP48WSF4oihlA.gif" /></figure><p>Then we calculate the Cmax, Cmin, and Delta :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/191/1*2KL7YKqxNAiKKw29eXtN4Q.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/185/1*xfXksDd3C4dqPDZop4e8uw.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/158/1*k6pCVYHhnn55182cqISupA.gif" /></figure><p>After that, we ready to calculate the Hue, Saturation, and Value using this equation :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/340/1*eUJ2_1duCFTN9Dit5np9LA.gif" /><figcaption>Hue Calculation</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/192/1*1pKhd070UpcCCrVSdGy0qg.gif" /><figcaption>Saturation Calculation</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/88/1*_Mft7CO_BwsiA5lDDuEUKA.gif" /><figcaption>Value Calculation</figcaption></figure><p><strong><em>How it’s work : </em></strong>After we calculate the HSV for the i-th pixel of RGB image, we take the H, S, and V to form 3-channel image. Here’s the implementation on Python</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/ed95a4b7d3452e552623e0b9d0686de8/href">https://medium.com/media/ed95a4b7d3452e552623e0b9d0686de8/href</a></iframe><p>The conclusion is learning about image conversion and color space is really important to help us understanding the concept of digital image processing. I really wish this article will help you.</p><p>See you on the next article! Happy code!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8cd7c0ef7051" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DIP#1: Pengertian dan Kegunaan Pengolahan Citra Digital]]></title>
            <link>https://ibedwi.medium.com/pengertian-dan-kegunaan-pengolahan-citra-digital-cdf013a39871?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/cdf013a39871</guid>
            <category><![CDATA[pengolahan-citra-digital]]></category>
            <category><![CDATA[ngomongin-komputer]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Mon, 12 Mar 2018 07:22:02 GMT</pubDate>
            <atom:updated>2018-06-23T08:51:53.624Z</atom:updated>
            <content:encoded><![CDATA[<h4>Seri tulisan Digital Image Processing #1</h4><p>Salah satu hal paling dasar yang perlu kita pahami sebelum menyelam lebih jauh ke dalam materi <em>Computer Vision</em> dan <em>Digital Image Processing </em>adalah pengertian tentang citra digital.</p><p>Apakah teman-teman pernah sadar, mata kita adalah salah satu anugerah yang sangat canggih? Coba teman-teman pikirkan baik-baik; ketika kita melihat, kita dapat dengan cepat mengenali suatu objek. Kita bisa dengan mudah membedakan bentuk objek, membedakan warnanya, bahkan kita dapat dengan cepat mengelompokkan objek tersebut. Kita bisa langsung mengatakan bahwa bola itu bundar, meja itu persegi panjang, rambut orang itu berwarna hitam, mobil itu berwarna merah.</p><p>Namun, ketika kita ‘<em>berbicara</em>’ dengan komputer tentang pemandangan tersebut, kita tidak bisa langsung bilang bola itu bundar, mobil itu berwarna merah, dan seterusnya. Tidak. Tetapi kita berbicara menggunakan bahasa yang lebih dimengerti komputer, yaitu angka-angka.</p><p>Komputer melihat pemandangan yang kita lihat sebagai matriks dua dimensi atau lebih, dimana setiap matriks merepresentasikan satu kanal (<em>channel</em>) warna. Setiap elemen matriks tersebut dinamakan piksel. Terdengar rumit? Tidak! Contohnya seperti gambar ini</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BI0wZOjEKMsDcfx4fI0Mhw.jpeg" /><figcaption>sumber : Harry Quan di unsplash.com</figcaption></figure><p>Kita dengan jelas bisa menyimpulkan bahwa gambar tersebut adalah gambar mata. Bagaimana dengan komputer? Ini yang dilihat komputer :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6fPI30CVWOheoONyDD9Cow.png" /><figcaption>Representasi gambar mata di atas dalam bentuk array. Array (1,1) sampai (32,13) pada channel merah dari gambar berukuran 1749 x 2619 x 3</figcaption></figure><p>Gambar di atas adalah elemen matriks (1,1) sampai (32,13) pada channel merah dari gambar di atas.</p><p><strong><em>Apa maksudnya?</em></strong></p><p>Pada umumnya, <strong>citra pada komputer direpresentasikan dalam bentuk matriks dan menggunakan model warna RGB</strong>. Model warna sebenarnya ada banyak, namun untuk layar komputer yang kita gunakan, lebih banyak menggunakan model warna RGB. Model warna RGB ini terdiri atas 3 channel warna, yaitu Red, Green, dan Blue. Range warna yang tersedia berkisar antara 0–255, semakin besar semakin terang (hal ini disebabkan layar mengadopsi pembuatan warna dengan metode aditif).</p><p><strong><em>Lalu, bagaimana komputer dapat mengenali bahwa gambat tersebut adalah gambar mata?</em></strong></p><p>Komputer dapat mengenali sebuah objek dengan menggunakan algoritma <em>image recognition </em>(disebut juga<em> image classifier</em>). Algoritma ini mengambil sebuah gambar atau beberapa bagian dari gambar sebagai <em>input </em>dan mengeluarkan label kelas.</p><p>Namun sebelum dapat mengenali gambar, algoritma <em>image recognition </em>ini harus mempelajari perbedaan dari kelas-kelas yang berbeda terlebih dahulu. Misal, dalam sebuah gambar pemandangan, komputer akan ‘belajar’, gambar pohon memiliki ciri-ciri seperti apa, bunga memiliki ciri-ciri seperti apa, anjing memiliki ciri-ciri seperti apa, dan seterusnya. Tentu saja ciri-ciri tersebut direpresentasikan dalam matematika.</p><p>Sebelum komputer menggunakan algoritma <em>image recognition</em> untuk mempelajari kelas-kelas tersebut, tentu ada beberapa proses yang harus dilakukan terlebih dahulu.</p><p>Hal ini disebabkan citra yang ada biasanya memiliki kekurangan atau penurunan kualitas yang disebabkan beberapa hal seperti pengaruh cahaya, <em>noise</em>, <em>blur</em>, dan lainnya. Akibatnya, informasi yang ada dalam sebuah citra menjadi kurang jelas atau hilang.</p><p>Maka dari itu, <strong><em>bidang studi atau ilmu pengolahan citra digital ini hadir untuk mempelajari bagaimana memproses citra sehingga menjadi citra yang kualitasnya lebih baik.</em></strong></p><p>Pengolahan citra dikembangkan dengan tujuan untuk :</p><ol><li><strong><em>Image Enhancement</em></strong> : memperbaiki atau meningkatkan kualitas tampilan citra</li><li><strong><em>Image Compression</em></strong> : mereduksi atau mengurangi ukuran file citra namun tetap mempertahankan citra.</li><li><strong><em>Image Restoration</em></strong> : memulihkan atau memperbaiki citra ke kondisi semula.</li><li><strong><em>Feature Extraction</em></strong> : mengekstraksi ciri atau fitur tertentu dari citra untuk dianalisis.</li></ol><p>Selain itu, pengolahan citra juga dapat dikembangkan dan dimanfaatkan untuk kehidupan, contohnya :</p><ol><li>Bidang militer : pengolahan citra dapat dikembangkan untuk pelacakan target penembakan dengan menggunakan <em>image recognition </em>dan<em> computer vision.</em></li><li>Bidang Kedokteran atau Medis : dapat digunakan untuk analisis hasil scan anggota tubuh dengan menggunakan <em>image recognition</em> dan <em>classification</em>.</li><li>Fotografi : dapat digunakan untuk mengolah foto. <em>Software </em>seperti Adobe Photoshop dan Adobe Lightroom memanfaatkan operas-operasi pengolahan citra seperti <em>histogram, convolution, sharpening, </em>dan masih banyak lagi untuk mengolah foto.</li></ol><p>Jadi, pengolahan citra ternyata memiliki manfaat yang sangat banyak untuk kehidupan manusia. Tentu saja, masih banyak manfaat yang tidak saya tuliskan di sini.</p><p>Jika teman-teman menemukan kesalahan atau ingin mengoreksi tulisan ini, jangan sungkan untuk menghubungi saya atau menyampaikan pada kolom komentar.</p><p>Semoga tulisan ini bermanfaat, sampai jumpa pada tulisan selanjutnya! :)</p><p><strong>Referensi:</strong><br>[1] Priyanto Hidayatullah, Pengolahan Citra Digital, Penerbit Informatika, 2017<br> [2] M. Petrou dan P. Bosdogianni, Image Processing : The Fundamentals, New York: Wiley, 1999</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cdf013a39871" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pengantar]]></title>
            <link>https://ibedwi.medium.com/pengantar-dc5d1e9f4ff5?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/dc5d1e9f4ff5</guid>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Mon, 26 Feb 2018 16:19:16 GMT</pubDate>
            <atom:updated>2018-02-26T16:22:31.184Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YIGXeYHAlTwBUDPXBNweRg.jpeg" /><figcaption>source: <a href="https://unsplash.com/@avilovdaniil">https://unsplash.com/@avilovdaniil</a></figcaption></figure><p>Halo!</p><p>Sebelumnya saya ingin mengucapkan terima kasih kepada pihak-pihak yang telah menginspirasi saya, sehingga saya bisa membuat publikasi Medium tentang <em>Computer Vision </em>dan<em> Digital Image Processing ini</em>.</p><p>Kenapa <em>Computer Vision</em>?</p><p>Kenapa <em>Digital Image Processing</em>?</p><p>Beberapa waktu lalu, saya mengikuti sebuah seminar tentang <em>blockchain</em>. Di sela-sela sesi, ada yang moderator meminta peserta memperkenalkan diri dan berbagi tentang <em>interest</em> masing-masing dan <em>recent works</em>. <em>Most of audience told us </em>, <em>interest</em> mereka adalah s<em>oftware development</em>, <em>android development</em>, bahkan topik yang paling populer saat ini, yap, <em>machine learning</em>.</p><p>Jujur pada saat itu saya sedikit <em>down</em>. Meskipun saat ini saya juga sedang mempelajari <em>machine learning</em>, tetapi fokus saya saat ini ke <em>digital image processing, image forgeries detection</em>, dan <em>computer vision</em>. Namun ketika saya memberanikan diri untuk memberi tahu <em>recent works </em>saya, saya mendapat respon positif. Bahkan moderator mengatakan potensi dari bidang ini juga sama besarnya dengan bidang-bidang lain.</p><p>Berangkat dari sana, saya mulai melakukan riset kecil-kecilan. Saya mencari tahu bagaimana perkembangan <em>computer vision</em> dan <em>digital image processing</em>, terutama di Indonesia. Hasilnya, saya cukup kesulitan menemukan topik ini di Indonesia (atau mungkin saya kurang mencari, hehe).</p><p>Dari hal ini, saya terinspirasi untuk membuat sebuah komunitas, gerakan, sekaligus wadah sharing tentang <em>Computer Vision</em> dan <em>Digital Image Processing</em> untuk anak-anak Indonesia.</p><p>Lalu, apa tujuan utama dari halaman ini?</p><p>Tujuan utamanya, adalah berbagi ilmu seputar <em>Computer Vision</em> dan <em>Digital Image Processing</em>. Saya berusaha untuk membuat konten-konten yang berkualitas sebagai penunjang belajar topik ini untuk anak-anak Indonesia. Saya juga mengundang teman-teman yang memiliki ketertarikan yang sama, visi yang sama, untuk berkontribusi pada publikasi ini.</p><p>Sekian pengantar dari saya,<br>Terima kasih.</p><p>Ibé</p><p>“Never stop learning, because life never stop teaching” — …</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dc5d1e9f4ff5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DIP#2: Image Formation (Susunan / Formasi Gambar) — Bit]]></title>
            <link>https://ibedwi.medium.com/pengolahan-citra-digital-image-formation-susunan-formasi-gambar-bit-4ee44018400e?source=rss-b3beceb74251------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ee44018400e</guid>
            <category><![CDATA[ngomongin-komputer]]></category>
            <category><![CDATA[pengolahan-citra-digital]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[digital-image-processing]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Ibe Dwi]]></dc:creator>
            <pubDate>Thu, 23 Nov 2017 19:45:24 GMT</pubDate>
            <atom:updated>2018-06-23T09:04:39.828Z</atom:updated>
            <content:encoded><![CDATA[<h4>Seri tulisan Digital Image Processing #2</h4><p>Pada tulisan ini, saya ingin membahas topik dasar dari pengolahan citra digital, yaitu <em>image formation </em>(susunan/formasi gambar) khususnya pada bagian pembahasan tentang <em>bitplane</em>.</p><p>Sebelum membahas post ini lebih jauh, mungkin ada teman-teman yang bertanya, apa pentingnya belajar <em>image formation</em>? Berdasarkan pengalaman saya, pemahaman tentang <em>image formation</em> nantinya akan membantu teman-teman dalam memahami konsep-konsep dalam citra digital lebih jauh lagi.</p><p>Nah, seperti yang sudah kita ketahui,<strong><em> gambar dalam komputer direpresentasikan sebagai matriks (array dua dimensi) dari piksel</em></strong>. Misal kita mempunyai gambar dengan ukuran</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/53/0*0saY51fBPVmn3Jy9." /></figure><p>maka dapat dikatakan bahwa kita mempunyai</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/112/0*1GM4ZdMp21oSrlq4." /></figure><p>pixel, di mana</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/53/0*AAa5iv0OnZWM4h7b." /></figure><p>adalah jumlah pixel dan pada gambar, dan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/14/0*jY3Sq65qWfHiHPnz." /></figure><p>mengatur nilai <em>brightness</em> (kecerahan) pada gambar. [1]</p><p>Dengan menggunakan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/60/0*ONRU4CtH0klReH1c." /></figure><p>kita akan mendapatkan ukuran nilai dari</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/19/0*2daKPbI6FnB3Urn8." /></figure><p>dari</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/80/0*ZuCG3sr36jGUI6ms." /></figure><p>Maka, jika</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/44/0*FgQctH0doJL8efDb." /></figure><p>kita akan mendapatkan tingkat kecerahan antara 0 dan 255. Ukuran kecerahan ini biasanya memperlihatkan gambar hitam (0) dan putih (255) dengan bayangan keabuan (1–254).</p><p>Nilai</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/14/0*mVw2a1Nh-ueqkSCJ." /></figure><p>yang paling ideal sangat berkaitan dengan <em>bandwidth </em>dari kamera. Untuk kamera analog, rata-ratanya sekitar 45dB, dan karena diketahui ada 6dB per bit, maka 8 bits dapat mencakupi <em>range </em>tersebut. Menurut [1], memilih ukuran</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/44/0*5uI-G7CX207nj6O4." /></figure><p>atau 8 bits pixel ternyata memiliki keunggulan lain, yaitu kita dapat dengan mudah menyimpan nilai pixel sebagai <em>bytes</em>, dan konverter A/D 8 bit lebih murah dibandingkan dengan resolusi yang lebih tinggi. Karena itulah, gambar biasanya disimpan dalam 8 bit <em>bytes </em>(meskipun tidak semuanya mengikuti aturan ini).</p><p>Pengaruh dari 8 bits ditunjukkan pada gambar ‘Lena’ di bawah ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*YeD40tTGlGFTTI2U." /></figure><p>Dapat dilihat, bit yang paling kecil, yaitu bit 0, membawa paling sedikit informasi. Seiring <em>order of the bits</em> bertambah, informasi yang dibawa semakin banyak. Fakta atau informasi tentang ‘Lena’ didapatkan dengan jelas dari <em>high-order bit</em> dari pada bit yang lain.</p><p>Sekitan tulisan ini. Semoga bermanfaat 🙂</p><p><strong>Referensi:</strong><br>[1] Mark Nixon &amp; Alberto Aguado, Feature Extraction &amp; Image Processing, Academic Press, 2002</p><p><em>Originally published at </em><a href="https://ibedwisatriakusuma.wordpress.com/2017/11/24/pengolahan-citra-digital-image-formation-susunan-formasi-gambar-bit/"><em>ibedwisatriakusuma.wordpress.com</em></a><em> on November 23, 2017.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ee44018400e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>