<?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 Jennifer Christabelle on Medium]]></title>
        <description><![CDATA[Stories by Jennifer Christabelle on Medium]]></description>
        <link>https://medium.com/@jenniferbells32?source=rss-6306cdda27e2------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*XJYkkoAuDiyGp2RWY7HxKw.jpeg</url>
            <title>Stories by Jennifer Christabelle on Medium</title>
            <link>https://medium.com/@jenniferbells32?source=rss-6306cdda27e2------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 18:48:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@jenniferbells32/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[Mengungkap Pola Belanja Pelanggan dengan Market Basket Analysis]]></title>
            <link>https://medium.com/@jenniferbells32/mengungkap-pola-belanja-pelanggan-dengan-market-basket-analysis-f5af74cac8c9?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/f5af74cac8c9</guid>
            <category><![CDATA[groceries]]></category>
            <category><![CDATA[information-technology]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[market-basket-analysis]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Sun, 03 Nov 2024 14:59:04 GMT</pubDate>
            <atom:updated>2024-11-03T16:58:34.136Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Artikel ini merupakan refleksi setelah kelas perkuliahan Pengantar Data Science tentang Market Basket Analysis di Universitas Pelita Harapan. Tulisan ini disusun oleh Jennifer Christabelle dan Gebrina Augustine Padatu.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/510/0*Qe_xP_llM38rvMB5" /><figcaption><a href="https://botpenguin.com/glossary/market-basket-analysis">https://botpenguin.com/glossary/market-basket-analysis</a></figcaption></figure><h3><strong>Apa itu Market Basket Analysis?</strong></h3><p>Dalam dunia bisnis, memahami pola pembelian pelanggan adalah langkah penting untuk meningkatkan penjualan dan memperbaiki pengalaman berbelanja. Salah satu teknik yang dapat membantu menganalisis pola dan mencapai pemahaman ini adalah <strong><em>Market Basket Analysis (MBA)</em></strong>. MBA adalah metode analisis data yang mengidentifikasi <em>item</em> yang sering dibeli bersamaan; dengan mengetahui hubungan antar produk, ini akan memberikan <em>insight</em> yang berguna untuk pengaturan strategi pemasaran yang lebih efektif, seperti menata produk-produk di rak secara berdekatan atau menawarkan rekomendasi produk yang relevan.</p><blockquote>“Jika seorang pelanggan membeli produk A, seberapa besar kemungkinan mereka juga akan membeli produk B?”</blockquote><h3><strong>Dasar-Dasar Market Basket Analysis</strong></h3><p><strong>MBA</strong> bekerja melalui <strong><em>Association Rule Learning (ARL)</em></strong>, sebuah metode yang menemukan aturan atau pola tentang keterkaitan antar <em>item</em>-<em>item</em>/produk dalam data transaksi. Untuk menilai kekuatan aturan atau pola yang ditemukan, MBA menggunakan tiga metrik utama:</p><ul><li><strong><em>Support </em></strong>mengukur seberapa sering kombinasi item tertentu muncul di seluruh transaksi. Misalnya, jika 15 dari 100 transaksi berisi produk “burger dan kentang goreng,” maka <em>support</em> untuk kombinasi ini adalah 15%.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/0*Su9U2IToRJJVTI6g" /><figcaption>Formula Support</figcaption></figure><ul><li><strong><em>Confidence </em></strong>mengukur kemungkinan produk kedua akan dibeli oleh pelanggan jika produk pertama sudah dibeli. Jika dari 25 transaksi yang membeli burger dan 18 dari transaksi itu juga membeli kentang goreng (dan burger), maka <em>confidence</em> untuk aturan “Jika membeli burger, maka membeli kentang goreng” adalah 72%.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/665/0*6SgcHiB7lP98srg9" /><figcaption>Formula Confidence</figcaption></figure><ul><li><strong><em>Lift </em></strong>menunjukkan kekuatan hubungan antara dua produk dengan membandingkan <em>confidence </em>aturan tersebut dengan frekuensi umum pembelian produk kedua. Misalnya, jika dari 100 transaksi ada 45 transaksi yang membeli kentang, maka <em>lift</em> untuk aturan “Jika membeli burger, maka membeli kentang goreng” adalah 1.6. <strong><em>Lift</em> di atas 1</strong> menunjukkan adanya hubungan yang lebih kuat antara kedua produk dibandingkan dengan ekspektasi acak.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/0*FTTsWpkM8gE1beF9" /><figcaption>Formula Lift</figcaption></figure><h4><strong>Kondisi lift ini terbagi menjadi tiga kategori:</strong></h4><ol><li><strong>Lift &gt; 1</strong>: Terdapat hubungan positif yang signifikan. Artinya, jika pelanggan membeli item A, mereka lebih mungkin membeli item B dibandingkan dengan ekspektasi acak.</li><li><strong>Lift = 1</strong>: Tidak ada hubungan khusus antara kedua item; frekuensi kemunculannya sesuai ekspektasi acak.</li><li><strong>Lift &lt; 1</strong>: Hubungan antara kedua item cenderung negatif atau lemah. Jika item A dibeli, pelanggan lebih jarang membeli item B.</li></ol><h4><strong>Beberapa istilah lain yang perlu dipahami:</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/0*fuJFea4ay2Me-6Mk" /><figcaption><a href="https://www.datacamp.com/tutorial/market-basket-analysis-r">https://www.datacamp.com/tutorial/market-basket-analysis-r</a></figcaption></figure><ul><li><strong><em>Itemset</em></strong> adalah sekumpulan <em>item</em> yang ada dalam satu transaksi. Misalnya, jika pelanggan membeli burger, kentang goreng, dan minuman bersoda dalam satu transaksi, maka ketiga produk tersebut membentuk satu <em>itemset</em>.</li><li><strong>Frekuensi</strong> adalah jumlah kemunculan <em>itemset</em> tertentu dalam data transaksi. Frekuensi tinggi menunjukkan bahwa <em>itemset</em> tersebut sering muncul dalam transaksi.</li><li><strong><em>Rule (Aturan)</em></strong> adalah keterkaitan antara <em>item</em> dalam sebuah <em>itemset</em> yang dapat dirumuskan menjadi bentuk <strong>“Jika…, maka…”</strong>. Contohnya, “Jika membeli burger, maka membeli kentang goreng.”</li></ul><h3><strong>Implementasi dengan Algoritma Apriori</strong></h3><p>Algoritma <strong><em>Apriori</em> </strong>adalah metode yang efektif untuk menemukan aturan/pola yang sering muncul dalam data transaksi. Algoritma ini menggunakan konsep bahwa jika sebuah <em>itemset</em> sering muncul dalam data, maka <em>subset</em> dari <em>itemset</em> tersebut juga sering muncul. Berikut adalah langkah-langkah kerja <em>Apriori</em>:</p><h4><strong>1. Pembentukan Frequent Itemsets</strong></h4><p>Langkah pertama adalah menemukan <em>itemset</em> yang sering muncul dalam data transaksi dengan menggunakan nilai <em>support</em> sebagai ambang batas (<strong><em>support threshold</em></strong>). <em>Apriori</em> menghitung <em>support</em> setiap <em>item</em> secara terpisah (misalnya burger, kentang goreng), dan jika <em>support</em> sebuah item melebihi <em>threshold</em> yang telah ditetapkan, <em>item</em> tersebut akan dianggap sebagai <strong><em>frequent itemset</em></strong> dan dikombinasikan menjadi <em>itemset</em> yang lebih besar. Proses ini diulang hingga tidak ada lagi <em>item</em> yang memenuhi nilai <em>support</em> minimum.</p><h4><strong>2. Pembuatan Association Rules (Aturan Asosiasi)</strong></h4><p>Setelah menemukan <em>frequent</em> <em>itemsets</em>, <em>Apriori</em> kemudian membentuk aturan berbentuk “Jika…, maka…” dari <em>itemsets</em> yang ditemukan. Untuk setiap <em>itemset</em>, <em>Apriori</em> memeriksa <em>subset</em> dan menghitung nilai <em>confidence</em> untuk setiap aturan yang mungkin. Jika <em>confidence</em> lebih tinggi dari ambang batas tertentu, aturan ini dianggap relevan dan disimpan sebagai hasil akhir.</p><p>Misalnya, jika <em>Apriori</em> menemukan <em>itemset</em> {burger, kentang goreng}, algoritma akan memeriksa aturan “Jika membeli burger, maka membeli kentang goreng” dan menghitung <em>confidence</em> untuk aturan tersebut.</p><h4><strong>Tips: Optimisasi dan Penanganan Dataset Besar</strong></h4><p>Untuk mengoptimalkan analisis, <em>Apriori</em> menggunakan prinsip <strong><em>downward closure property</em></strong>, yang memungkinkan algoritma untuk hanya mengevaluasi <em>itemset</em> yang sering muncul, sehingga menghindari perhitungan pada <em>itemset</em> yang jarang terjadi. Selain <em>Apriori</em>, ada juga algoritma lain seperti <strong>FP-Growth</strong> <strong>(Frequent Pattern Growth)</strong> yang digunakan untuk dataset yang sangat besar, dan ini mengatasi kekurangan Apriori dalam mengolah dataset besar.</p><h3><strong>Contoh Penggunaan Market Basket Analysis</strong></h3><p><strong>Industri Ritel</strong>: MBA membantu menemukan kombinasi produk yang sering dibeli bersama, sehingga produk tersebut dapat diletakkan berdekatan untuk memudahkan pelanggan. Contoh lainnya adalah rekomendasi produk di e-commerce, seperti saran “Pelanggan yang membeli produk ini juga membeli…”.</p><p><strong>Restoran</strong>: MBA dapat mengidentifikasi menu yang sering dipesan bersama, memungkinkan restoran membuat paket makanan dengan harga spesial.</p><h3>Studi Kasus : Groceries</h3><p>Pada artikel ini, kami akan melakukan studi kasus menggunakan dataset yang diambil dari <a href="https://www.kaggle.com/datasets/rashikrahmanpritom/groceries-dataset-for-market-basket-analysismba/data"><strong>Groceries dataset di Kaggle</strong>,</a> yang bertujuan untuk mengidentifikasi pola keterkaitan antara produk yang sering dibeli bersamaan. Analisis ini dilakukan menggunakan <strong><em>Market Basket Analysis (MBA)</em></strong> yang membantu perusahaan ritel untuk memahami preferensi belanja pelanggan dan menyusun strategi pemasaran yang lebih tepat.</p><p>Berikut adalah link <a href="https://colab.research.google.com/drive/1rBFLEWI3IbzW69eHuLLo0TRd5j2DznSN?usp=sharing">Google Colab</a>:</p><p><a href="https://colab.research.google.com/drive/1rBFLEWI3IbzW69eHuLLo0TRd5j2DznSN?usp=sharing">Google Colab</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/366/1*TsvK7YtuX5jW49UtbISEPg.png" /><figcaption>Penjelasan Fitur-Fitur</figcaption></figure><h4>Persiapan/Pengumpulan Data</h4><pre>import pandas as pd</pre><pre>data = pd.read_csv(&#39;Groceries data.csv&#39;)</pre><pre>data.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*7vChK9Jpxb_uSZtQIlakkw.png" /></figure><pre># review the value counts<br>freq_items = data[&#39;itemDescription&#39;].value_counts()<br>freq_items.head(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/270/1*_Su6krjGUtC3ufmpMw__Dg.png" /></figure><h4>Memeriksa Missing Value</h4><pre>missing_values = data.isnull().sum()<br><br># Mengecek apakah ada kolom dengan missing values<br>if missing_values.sum() == 0:<br>    print(&quot;Tidak ada missing values di dataset.&quot;)<br>else:<br>    print(&quot;Jumlah missing values per kolom:&quot;)<br>    print(missing_values[missing_values &gt; 0])</pre><pre>Tidak ada missing values di dataset.</pre><p>Tidak ada <em>missing value</em>, karena data sudah aman kita bisa lanjut ke langkah berikutnya.</p><h4>Menyusun Dataset Transaksi ke Format List of Lists untuk One-Hot Encoding</h4><pre>from mlxtend.preprocessing import TransactionEncoder<br><br># Mengelompokkan data berdasarkan &#39;Member_number&#39; (ID Pelanggan) dan &#39;itemDescription&#39; (Nama item yang dibeli)<br>transactions = data.groupby(&#39;Member_number&#39;)[&#39;itemDescription&#39;].apply(list).tolist()</pre><h4>Konversi Dataset Transaksi ke Format One-Hot Encoding</h4><pre># Menerapkan one-hot encoding<br>te = TransactionEncoder()<br>te_ary = te.fit(transactions).transform(transactions)<br>df = pd.DataFrame(te_ary, columns=te.columns_)</pre><pre>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gi6k7bkVZrllodd63i_U6w.png" /></figure><h4>Menerapkan Algoritma Apriori</h4><pre>from mlxtend.frequent_patterns import apriori</pre><p>Mencari min_support terbaik.</p><pre># List untuk menyimpan hasil frequent itemsets<br>results = []<br><br># Daftar nilai min_support yang ingin diuji<br>min_support_values = [0.1, 0.2, 0.3, 0.4, 0.5]<br><br>for min_support in min_support_values:<br>    # Menerapkan Apriori dengan min_support yang berbeda<br>    frequent_itemsets = apriori(df, min_support=min_support, use_colnames=True)<br><br>    # Menyimpan hasil<br>    results.append((min_support, len(frequent_itemsets)))<br><br># Menampilkan hasil<br>for support, count in results:<br>    print(f&#39;Min Support: {support}, Frequent Itemsets Count: {count}&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/441/1*_jYo_5EPPzs1uMSWWJBSZA.png" /></figure><p>Dari hasil di atas 0.1 memiliki <em>Frequent Itemsets</em> terbanyak, yaitu 42.</p><pre>frequent_itemsets = apriori(df, min_support=0.1, use_colnames=True)</pre><pre>frequent_itemsets</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/1*RV8ne4eFxhlZWWLLfg4cVg.png" /></figure><h4>Membuat Association Rules</h4><pre>from mlxtend.frequent_patterns import association_rules</pre><pre>results_confidence = []<br><br># Daftar nilai min_threshold yang ingin diuji<br>min_confidence_values = [0.1, 0.2, 0.3, 0.4, 0.5]<br><br>for min_confidence in min_confidence_values:<br>    rules = association_rules(frequent_itemsets, metric=&quot;confidence&quot;, min_threshold=min_confidence)<br>    results_confidence.append((min_confidence, len(rules)))<br><br>for confidence, count in results_confidence:<br>    print(f&#39;Min Confidence: {confidence}, Rules Count: {count}&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/393/1*dFHW8QHihZGk8W4z_2DDCA.png" /></figure><pre># Membuat association rules dengan batas/minimum confidence sebesar = 0.5<br>rules = association_rules(frequent_itemsets, metric=&quot;confidence&quot;, min_threshold=0.5)</pre><pre>rules</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tQX9z6UCRk6851pfXYCgXA.png" /></figure><p><strong><em>Support</em> atau dukungan: </strong>mengukur seberapa sering <em>itemset</em> muncul dalam seluruh dataset dan menunjukkan proporsi transaksi yang mengandung item atau itemset tertentu.</p><p><strong><em>Confidence</em> atau kepercayaan:</strong> mengukur seberapa sering aturan terbukti benar dan menjelaskan probabilitas, jika pelanggan membeli item A, maka mereka juga akan membeli item B</p><p><strong><em>Lift</em>: </strong>mengukur kekuatan aturan asosiasi dengan membandingkan <em>confidence</em> aturan tersebut dengan probabilitas pembelian item B secara terpisah</p><p><strong><em>Leverage</em>: </strong>mengukur perbedaan antara frekuensi <em>itemset</em> yang muncul bersama secara aktual dengan frekuensi yang diharapkan jika <em>item-item</em> tidak saling berkaitan</p><ul><li>Jika <em>leverage</em> <strong>positif</strong>, artinya <em>item</em> tersebut lebih sering muncul bersama daripada yang diharapkan secara acak (mendukung adanya hubungan).</li><li>Jika <em>leverage</em> <strong>mendekati nol</strong>, artinya <em>item</em> cenderung muncul bersama secara acak.</li><li>Jika <em>leverage</em> <strong>negatif</strong>, artinya <em>item</em> cenderung tidak muncul bersama-sama.</li></ul><p><strong><em>Conviction</em>: </strong>metrik yang membandingkan seberapa sering item B muncul ketika A terjadi, dibandingkan dengan situasi di mana A terjadi tanpa adanya B.</p><ul><li>Nilai <em>conviction</em> yang lebih tinggi menunjukkan asosiasi yang lebih kuat.</li><li><em>Conviction</em> = 1 berarti tidak ada asosiasi antara A dan B.</li><li>Semakin besar <em>conviction</em>, semakin besar tingkat kepastian bahwa B akan terjadi jika A terjadi.</li></ul><p><strong><em>Zhangs_metric:</em> </strong>untuk mengukur asosiasi yang mempertimbangkan distribusi item dan menangani kelemahan dari metrik asosiasi tradisional seperti <em>lift</em> dan <em>conviction</em>.</p><ul><li>Nilai <em>Zhangs Metric</em> berkisar dari -1 hingga +1, di mana nilai positif menunjukkan hubungan yang lebih kuat.</li><li>Nilai 0 berarti tidak ada hubungan, dan nilai yang mendekati +1 menunjukkan asosiasi yang kuat.</li></ul><h3>Analisis Hasil</h3><p>Hasilnya menunjukkan ada 5 aturan asosiasi yang terbentuk dari data transaksi.</p><h4><strong>1. Aturan 1: (bottled water) -&gt; (whole milk)</strong></h4><ul><li><strong><em>Support</em></strong>: 0.112<br>Dari 11.2% dari total transaksi mengandung kombinasi produk <strong><em>bottled water </em>(air minum dalam kemasan) dan <em>whole milk </em>(susu murni)</strong>.</li><li><strong><em>Confidence</em></strong>: 0.525<br>Dari transaksi yang membeli <strong><em>bottled water </em>(air minum dalam kemasan)</strong> 52,5% di antaranya juga membeli<em> </em><strong><em>whole milk </em>(susu murni).</strong></li><li><strong><em>Lift</em>:</strong> 1.14<br>Nilai <em>lift</em> sebesar 1.14 menunjukkan adanya hubungan positif yang signifikan antara <strong><em>bottled water </em>dan<em> whole milk</em></strong><em> </em>yang menunjukkan bahwa pembelian <strong><em>whole milk</em></strong> 1.14 kali lebih mungkin terjadi jika seseorang membeli <strong><em>bottled water</em></strong> dibandingkan jika memilih secara acak.</li><li><strong><em>Leverage</em>:</strong> 0.014452<br>Menunjukkan seberapa besar probabilitas tambahan ketika<em> item </em><strong><em>whole milk</em></strong><em> </em>dibeli bersamaan dengan <strong><em>bottled water</em></strong>. Nilai <em>leverage</em> positif menunjukkan ada hubungan antara kedua <em>item</em>.</li><li><strong><em>Conviction</em>:</strong> 1.14<br>Nilai <em>conviction</em> di atas 1 menunjukkan bahwa ada hubungan positif antara <strong><em>bottled water</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong>. Dalam hal ini, nilai 1.14 menunjukkan bahwa pembelian <strong><em>bottled water</em></strong><em> </em>meningkatkan kemungkinan pembelian <strong><em>whole milk</em></strong><em>.</em></li><li><strong><em>Zhang’s Metric:</em></strong> 0.163<br>Menunjukkan bahwa hubungan antara <em>bottled water</em> dan <em>whole milk</em> lemah. Artinya, meskipun ada beberapa asosiasi, <em>bottled water</em> tidak dapat diandalkan sebagai prediktor yang kuat untuk pembelian <em>whole milk</em>.</li></ul><p>Kombinasi ini menunjukkan hubungan positif antara <strong><em>bottled water</em></strong> dan <strong><em>whole milk</em></strong><em> </em>dalam transaksi, tetapi kekuatan hubungan tersebut tidak terlalu kuat. Kombinasi ini menunjukkan bahwa pelanggan yang membeli <strong><em>bottled water</em></strong><em> </em>cenderung juga membeli <strong><em>whole milk</em></strong>. Oleh karena itu, perlu dilakukan upaya lebih lanjut dalam strategi pemasaran (penempatan kedua item/promosi).</p><h4><strong>2. Aturan 2: (other vegetables) -&gt; (whole milk)</strong></h4><ul><li><strong><em>Support</em></strong>: 0.191<br>Dari 19.1% dari total transaksi mengandung kombinasi produk <strong><em>other vegetables</em> (sayuran lainnya)</strong> dan <strong><em>whole milk </em>(susu murni)</strong>.</li><li><strong><em>Confidence</em></strong>: 0.508<br>Dari transaksi yang membeli<em> </em><strong><em>other vegetables </em>(sayuran lainnya)</strong>, 50.8% di antaranya juga membeli <strong><em>whole milk </em>(susu murni)</strong>.</li><li><strong><em>Lift</em></strong>: 1.10<br>Nilai lift sebesar 1.10 menunjukkan adanya hubungan positif antara <strong><em>other vegetables</em></strong> dan <strong><em>whole milk</em></strong>, yang menunjukkan bahwa pembelian <strong><em>whole milk</em></strong><em> </em>1.10 kali lebih mungkin terjadi jika seseorang membeli <strong><em>other vegetables</em></strong><em> </em>dibandingkan jika memilih secara acak.</li><li><strong><em>Leverage</em></strong>: 0.018827<br>Menunjukkan seberapa besar probabilitas tambahan ketika <em>item</em> <strong><em>whole milk</em></strong><em> </em>dibeli bersamaan dengan<em> </em><strong><em>other vegetables</em></strong>. Nilai <em>leverage</em> positif menunjukkan ada hubungan antara kedua <em>item</em>.</li><li><strong><em>Conviction</em></strong>: 1.10<br>Nilai <em>conviction</em> di atas 1 menunjukkan bahwa ada hubungan positif antara <strong><em>other vegetables</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong>. Dalam hal ini, nilai 1.10 menunjukkan bahwa pembelian <strong><em>other vegetables</em></strong><em> </em>meningkatkan kemungkinan pembelian <strong><em>whole milk</em></strong>.</li><li><strong><em>Zhang’s Metric</em></strong><em>:</em> 0.157<br>Menunjukkan bahwa hubungan antara<em> </em><strong><em>other vegetables</em></strong> dan <strong><em>whole milk</em></strong> lemah. Artinya, meskipun ada beberapa asosiasi,<em> </em><strong><em>other vegetables</em></strong><em> </em>tidak dapat diandalkan sebagai prediktor yang kuat untuk pembelian<em> </em><strong><em>whole milk</em></strong>.</li></ul><p>Secara keseluruhan, meskipun terdapat hubungan positif antara <strong><em>other vegetables</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong>, kekuatan hubungan tersebut relatif lemah. Oleh karena itu, perlu dipertimbangkan strategi pemasaran yang lebih terfokus untuk meningkatkan penjualan kedua produk ini, seperti penempatan yang berdekatan atau promosi kombinasi.</p><h4><strong>3. Aturan 3: (rolls/buns) -&gt; (whole milk)</strong></h4><ul><li><strong><em>Support</em>:</strong> 0.178<br>Dari 17.8% dari total transaksi mengandung kombinasi produk <strong><em>rolls/buns</em> (roti gulung)</strong> dan <strong><em>whole milk </em>(susu murni)</strong>.</li><li><strong><em>Confidence</em>:</strong> 0.510<br>Dari transaksi yang membeli <strong><em>rolls/buns</em></strong>, 51.0% di antaranya juga membeli <strong><em>whole milk</em></strong>.</li><li><strong><em>Lift</em>:</strong> 1.11<br>Nilai <em>lift</em> sebesar 1.11 menunjukkan adanya hubungan positif yang signifikan antara <strong><em>rolls/buns</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong>, yang menunjukkan bahwa pembelian <strong><em>whole milk</em></strong> 1.11 kali lebih mungkin terjadi jika seseorang membeli <strong><em>rolls/buns</em></strong><em> </em>dibandingkan jika memilih secara acak.</li><li><strong><em>Leverage</em>:</strong> 0.018342<br>Menunjukkan seberapa besar probabilitas tambahan ketika <em>item </em><strong><em>whole milk</em></strong> dibeli bersamaan dengan <strong><em>rolls/buns</em></strong>. Nilai <em>leverage</em> positif ini menunjukkan ada hubungan antara kedua <em>item</em>.</li><li><strong><em>Conviction</em>:</strong> 1.10 Nilai <em>conviction</em> di atas 1 menunjukkan bahwa ada hubungan positif antara <strong><em>rolls/buns</em></strong> dan <strong><em>whole milk</em></strong>. Dalam hal ini, nilai 1.10 menunjukkan bahwa pembelian <strong><em>rolls/buns</em></strong><em> </em>meningkatkan kemungkinan pembelian<em> </em><strong><em>whole milk</em></strong>.</li><li><strong><em>Zhang’s Metric:</em></strong> 0.157<br>Menunjukkan bahwa hubungan antara <strong><em>rolls/buns</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong> adalah lemah. Artinya, meskipun ada beberapa asosiasi, <strong><em>rolls/buns</em></strong><em> </em>tidak dapat diandalkan sebagai prediktor yang kuat untuk pembelian <strong><em>whole milk</em></strong>.</li></ul><p>Kombinasi ini menunjukkan bahwa pelanggan yang membeli <strong><em>rolls/buns</em></strong> cenderung juga membeli <strong><em>whole milk</em></strong>. Oleh karena itu, <em>supermarket</em> dapat mempertimbangkan untuk menempatkan <strong><em>whole milk</em></strong> dekat dengan area penjualan <strong><em>rolls/buns</em></strong><em> </em>atau menawarkan promosi kombinasi untuk mendorong peningkatan penjualan kedua produk ini.</p><h4><strong>4. Aturan 4: (sausage) -&gt; (whole milk)</strong></h4><ul><li><strong><em>Support</em></strong>: 0.106<br>10.6% dari total transaksi mengandung kombinasi <strong><em>sausage</em></strong> dan <strong><em>whole milk</em></strong>.</li><li><strong><em>Confidence</em></strong>: 0.519<br>Dari transaksi yang membeli <strong><em>sausage</em></strong>, 51.9% juga membeli <strong><em>whole milk</em></strong>.</li><li><strong><em>Lift</em></strong>: 1.13<br>Pembelian <strong><em>whole milk</em></strong> 1.13 kali lebih mungkin terjadi jika membeli <strong><em>sausage</em></strong>.</li><li><strong><em>Leverage</em></strong>: 0.012591<br>Ada hubungan positif antara<em> </em><strong><em>sausage</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong>.</li><li><strong><em>Conviction</em></strong>: 1.12<br>Pembelian <strong><em>sausage</em></strong> meningkatkan kemungkinan pembelian<em> </em><strong><em>whole milk</em></strong>.</li><li><strong><em>Zhang’s Metric</em></strong><em>:</em> 0.148<br>Hubungan antara <strong><em>sausage</em></strong> dan <strong><em>whole milk</em></strong><em> </em>lemah.</li></ul><p>Ada hubungan positif antara <strong><em>sausage</em></strong> dan <strong><em>whole milk</em></strong>, meskipun tidak terlalu kuat. Supermarket dapat mempertimbangkan promosi kombinasi untuk meningkatkan penjualan kedua produk ini.</p><h4><strong>5. Aturan 5: (yogurt) -&gt; (whole milk)</strong></h4><ul><li><strong><em>Support</em></strong>: 0.150<br>15.0% dari total transaksi mengandung kombinasi <strong><em>yogurt</em></strong><em> </em>dan<em> </em><strong><em>whole milk</em></strong><em>.</em></li><li><strong><em>Confidence</em></strong>: 0.532<br>Dari transaksi yang membeli <strong><em>yogurt</em></strong>, 53.2% juga membeli <strong><em>whole milk</em></strong>.</li><li><strong><em>Lift</em></strong>: 1.16<br>Pembelian <strong><em>whole milk</em></strong> 1.16 kali lebih mungkin terjadi jika membeli <strong><em>yogurt</em></strong>.</li><li><strong><em>Leverage</em></strong>: 0.020940<br>Ada hubungan positif antara <strong><em>yogurt </em>dan<em> whole milk</em>.</strong></li><li><strong><em>Conviction</em></strong>: 1.15<br>Pembelian <strong><em>yogurt</em></strong> meningkatkan kemungkinan pembelian <strong><em>whole milk</em></strong><em>.</em></li><li><strong><em>Zhang’s Metric</em></strong>: 0.193<br>Hubungan antara <strong><em>yogurt</em> </strong>dan<strong> <em>whole milk</em></strong> menunjukkan asosiasi yang lebih kuat.</li></ul><p><strong><em>Yogurt </em></strong>dan<strong><em> whole milk</em></strong><em> </em>memiliki hubungan yang kuat, dengan banyak pelanggan membeli kedua produk secara bersamaan. Untuk memanfaatkan hubungan ini, supermarket dapat mempertimbangkan untuk menempatkan produk-produk ini berdekatan atau menawarkan promosi kombinasi yang menarik.</p><h3>Kesimpulan Akhir dari Analisis Hasil</h3><p>Produk “<strong><em>whole milk</em></strong>” sering muncul dalam berbagai kombinasi produk, menunjukkan bahwa produk ini mungkin menjadi pusat dalam keranjang belanja pelanggan. Aturan ini bisa menjadi dasar untuk strategi penempatan produk atau penawaran bundling, seperti menempatkan produk “<strong><em>whole milk</em></strong>” dekat dengan “<strong><em>yogurt</em></strong>” atau “<strong><em>bottled water</em></strong>” untuk meningkatkan penjualan.</p><h3><strong>Kesimpulan dan Refleksi</strong></h3><p><strong><em>Market Basket Analysis</em></strong> adalah alat yang sangat bermanfaat untuk mengungkap pola-pola tersembunyi dalam data transaksi, yang dapat digunakan untuk meningkatkan strategi pemasaran dan pengambilan keputusan bisnis. Dengan menggunakan algoritma seperti <strong><em>Apriori</em></strong>, analisis MBA dapat dilakukan dengan efisien, memberikan wawasan yang mendalam tentang pola belanja pelanggan. MBA bukan hanya sekadar teknik analisis, tetapi juga pendekatan strategis untuk menciptakan pengalaman belanja yang lebih relevan dan meningkatkan loyalitas pelanggan.</p><p><a href="https://colab.research.google.com/drive/1rBFLEWI3IbzW69eHuLLo0TRd5j2DznSN?usp=sharing">Google Colab</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f5af74cac8c9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mencegah Pelanggan Menjadi Mantan Pelanggan Menggunakan Churn Prediction]]></title>
            <link>https://medium.com/@jenniferbells32/mencegah-pelanggan-menjadi-mantan-pelanggan-menggunakan-churn-prediction-72b2caffa1ad?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/72b2caffa1ad</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[logistic-regression]]></category>
            <category><![CDATA[churn-prediction]]></category>
            <category><![CDATA[random-forest]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Sun, 20 Oct 2024 16:41:58 GMT</pubDate>
            <atom:updated>2024-10-21T01:51:38.661Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Artikel ini merupakan refleksi setelah kelas perkuliahan Pengantar Data Science tentang Churn Prediction di Universitas Pelita Harapan. Tulisan ini disusun oleh Jennifer Christabelle dan Gebrina Augustine Padatu.</em></p><p>Dalam dunia bisnis, pelanggan adalah aset penting karena mereka adalah sumber utama pendapatan perusahaan. Sebagus apapun produk atau layanan yang ditawarkan, tanpa adanya pelanggan yang membeli, bisnis tidak akan bisa bertahan lama. Itulah sebabnya, mendapatkan dan mempertahankan pelanggan adalah prioritas utama bagi perusahaan di berbagai industri. Mempertahankan pelanggan juga lebih menguntungkan daripada mencari yang baru, karena biaya akuisisi pelanggan baru seringkali jauh lebih tinggi. Salah satu metrik kunci yang sering diawasi oleh perusahaan adalah<em> </em><strong><em>churn rate</em></strong> — persentase pelanggan yang berhenti menggunakan layanan dari perusahaan tersebut.</p><h3><strong>Apa itu Churn Prediction?</strong></h3><p><strong><em>Churn prediction</em></strong> adalah proses yang digunakan untuk memprediksi apakah pelanggan akan berhenti berlangganan atau tetap berlangganan. Dengan informasi ini, perusahaan dapat mengambil langkah-langkah proaktif untuk mempertahankan pelanggan yang berpotensi <em>churn </em>dengan memberikan penawaran khusus atau bonus yang relevan.</p><p>Untuk mengidentifikasi pelanggan yang kemungkinan besar akan churn, perusahaan dapat memanfaatkan data historis terkait perilaku pelanggan (seperti pola penggunaan layanan, riwayat pembelian, interaksi dengan perusahaan, serta faktor-faktor lain yang mungkin mempengaruhi keputusan pelanggan untuk berhenti menggunakan layanan). Melalui pendekatan ini, model <em>machine learning</em> dapat dilatih untuk memprediksi pelanggan mana yang cenderung berhenti menggunakan layanan di masa mendatang.</p><p><strong><em>Churn prediction</em></strong> ini tidak hanya membantu mengurangi churn, tetapi juga meningkatkan retensi pelanggan dan menciptakan pengalaman yang lebih personal dan relevan bagi pelanggan.</p><h3><strong>Studi Kasus : Tour &amp; Travel</strong></h3><p>Pada artikel ini, kami akan melakukan studi kasus klasifikasi menggunakan dataset yang diambil dari <strong><em>kaggle</em></strong> tentang perusahaan tour &amp; travel <strong>(</strong><a href="https://www.kaggle.com/datasets/tejashvi14/tour-travels-customer-churn-prediction/code"><strong>Tour &amp; Travels Customer Churn Prediction</strong></a><strong>)</strong> yang bertujuan memprediksi apakah pelanggan akan berhenti menggunakan layanan mereka (churn) berdasarkan beberapa indikator yang tersedia. Membantu membangun model prediktif dan menghemat uang perusahaan.</p><p>Kami akan membangun dua model klasifikasi menggunakan algoritma <strong><em>Logistic Regression</em></strong> dan <strong><em>Random Forest</em></strong>. Kedua model ini juga akan dibandingkan dan dianalisis untuk mengukur performanya menggunakan metrik seperti <em>accuracy</em>, <em>precision</em>, <em>recall</em>, dan <em>AUC (Area Under the Curve)</em>.</p><p>Kami telah menjelaskan cara membangun kedua model tersebut beserta dengan perbandingannya di <a href="https://colab.research.google.com/drive/1oWGk8Kv7qvh0w-mstJEb2yIaIBR2FHgH?usp=sharing"><strong>Google Colab</strong></a>.</p><h4>1. Pengumpulan Data</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2Bds2_1zg_vZQ4G1yXGlzA.png" /><figcaption>Fitur-fitur dan Penjelasannya</figcaption></figure><p>Pertama, kita akan mengimpor library yang diperlukan, seperti pandas, dan membaca dataset.</p><pre>import pandas as pd</pre><pre>df = pd.read_csv(&#39;Customertravel.csv&#39;, sep=&#39;,&#39;)<br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qXsGBu5jPX-sXF3Gbq2NeQ.png" /></figure><p>Nama-nama kolom diubah agar lebih mudah dipahami.</p><pre>#Mengubah nama kolom (opsional)<br>df.rename(columns={<br>    &#39;Age&#39;: &#39;age&#39;,<br>    &#39;FrequentFlyer&#39;: &#39;frequent_flyer&#39;,<br>    &#39;AnnualIncomeClass&#39;: &#39;annual_income_class&#39;,<br>    &#39;ServicesOpted&#39;: &#39;services_opted&#39;,<br>    &#39;AccountSyncedToSocialMedia&#39;: &#39;account_synced_to_social_media&#39;,<br>    &#39;BookedHotelOrNot&#39;: &#39;booked_hotel_or_not&#39;,<br>    &#39;Target&#39;: &#39;churn&#39;<br>}, inplace=True)</pre><p>Kita memeriksa informasi dari dataset seperti tipe data dan adanya <em>missing values</em> menggunakan df.info(). Langkah ini penting untuk memastikan tidak ada data yang hilang dan memastikan tipe data sudah sesuai.</p><pre>df.info()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7sozfxzbzrlk6-5rt_85lQ.png" /></figure><p>Dari sini kita melihat bahwa tidak ada <em>missing values</em> di dataset ini.</p><pre>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zMW3oNhtH8bd4-g__mo3ow.png" /></figure><p><strong>Visualisasi Pelanggan Churn vs Aktif</strong><br>Pada langkah ini, kita menghitung persentase pelanggan yang berhenti berlangganan (churn) dan yang tetap aktif, lalu menampilkannya dalam bentuk bar plot.</p><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># Menghitung persentase pelanggan churn vs aktif<br>churn_counts = df[&#39;churn&#39;].value_counts(normalize=True) * 100<br>labels = [&#39;Active&#39;, &#39;Churn&#39;]<br><br># Membuat visualisasi bar plot<br>plt.figure(figsize=(6, 4))<br>sns.barplot(x=labels, y=churn_counts, palette=&#39;Blues&#39;)<br>plt.title(&#39;Percentage of Active Customers vs Churned Customers&#39;)<br>plt.ylabel(&#39;Percentage&#39;)<br>plt.xlabel(&#39;Customer Status&#39;)<br><br>for i, percentage in enumerate(churn_counts):<br>    plt.text(i, percentage + 1, f&#39;{percentage:.2f}%&#39;, ha=&#39;center&#39;)<br><br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/893/1*kkW3UF9MsrBiKQFu2pLE7g.png" /></figure><p>Terdapat 76.52% yang masih tidak berhenti bertransaksi dan sisanya sudah berhenti bertransaksi.</p><h4><strong>2. Feature Engineering</strong></h4><p>Pada tahap ini, kita melakukan feature engineering dengan mengubah data kategorikal menjadi angka menggunakan metode replace(). Ini akan membantu model machine learning dalam memproses data dengan lebih baik.</p><pre>cleanup_nums = {&#39;frequent_flyer&#39;: {&#39;No&#39;: 0, &#39;Yes&#39;: 1,&#39;No Record&#39;:3},<br>                &#39;annual_income_class&#39;: {&#39;Low Income&#39;: 0, &#39;Middle Income&#39;: 1, &#39;High Income&#39;: 2},<br>                &#39;account_synced_to_social_media&#39;: {&#39;No&#39;:0, &#39;Yes&#39;: 1},<br>                &#39;booked_hotel_or_not&#39;: {&#39;No&#39;: 0, &#39;Yes&#39;: 1}}</pre><pre>df1 = df.replace(cleanup_nums)<br>df1.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DXeT4DX0A4GYhKWJhrT5EQ.png" /></figure><h4>3. Feature Selection</h4><p>Pada tahap ini, kita menghitung korelasi antar fitur untuk memahami seberapa besar hubungan antara masing-masing fitur dalam dataset.</p><pre>korelasi = df1.corr()<br>korelasi</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x_v_aq9QLmWcp1fBvYODJg.png" /></figure><pre>import seaborn as sns<br>import matplotlib.pyplot as plt</pre><pre>sns.heatmap(korelasi, annot=True, annot_kws={&#39;size&#39;: 10},  cmap=&#39;Blues&#39;)<br>heat_map = plt.gcf()<br>heat_map.set_size_inches(15, 10)<br><br>plt.title(&#39;Korelasi Fitur&#39;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CUcKKxv4_2yNS0RwMbcHtA.jpeg" /></figure><p>Kami menggunakan <em>Pearson Correlation</em> untuk mengukur seberapa kuat hubungan antara dua variabel. Semakin kuat hubungan antara kedua variabel tersebut, maka pengaruhnya terhadap akurasi model akan cenderung sama.</p><p>Dapat kita lihat di atas, tidak ada hubungan/korelasi yang kuat antara dua variable.</p><p>Setelah itu, dataset dibagi menjadi data <em>training </em>dan data <em>testing </em>menggunakan train_test_split() agar model dapat diuji dengan data yang belum pernah dilihat saat pelatihan.</p><pre>X = df1.drop(columns=[&#39;churn&#39;])<br>y = df1[&#39;churn&#39;]</pre><pre>from sklearn.model_selection import train_test_split<br>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)</pre><h3>Melatih Model <strong>Logistic Regression</strong></h3><p>Model pertama yang digunakan adalah <em>Logistic Regression</em>. Setelah model dilatih, kita mengevaluasi hasilnya menggunakan metrik seperti akurasi, precision, recall, dan AUC untuk melihat performa model.</p><pre>import sklearn.model_selection as ms<br>import sklearn.linear_model as lm<br><br>from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score</pre><pre>model = lm.LogisticRegression()<br>model.fit(X_train, y_train)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*41knZ5laSunT67C13ph91w.png" /></figure><pre>y_pred = model.predict(X_test)<br>y_pred[:5]</pre><pre>#hasil<br>array([1, 0, 0, 0, 0])</pre><pre>accuracy = accuracy_score(y_test, y_pred)<br>precision = precision_score(y_test, y_pred)<br>recall = recall_score(y_test, y_pred)<br>auc = roc_auc_score(y_test, y_pred)<br><br>print(f&quot;Accuracy: {accuracy}&quot;)<br>print(f&quot;Precision: {precision}&quot;)<br>print(f&quot;Recall: {recall}&quot;)<br>print(f&quot;AUC: {auc}&quot;)</pre><pre>#hasil<br>Accuracy: 0.774869109947644<br>Precision: 0.3076923076923077<br>Recall: 0.10526315789473684<br>AUC: 0.523219814241486</pre><pre>from sklearn.metrics import classification_report<br>print(classification_report (y_test,y_pred))</pre><pre>              precision    recall  f1-score   support<br><br>           0       0.81      0.94      0.87       153<br>           1       0.31      0.11      0.16        38<br><br>    accuracy                           0.77       191<br>   macro avg       0.56      0.52      0.51       191<br>weighted avg       0.71      0.77      0.73       191</pre><h3>Melatih Model Random Forest</h3><p>Model kedua adalah <em>Random Forest</em>. Kita menggunakan <strong>GridSearchCV</strong> untuk mencari parameter terbaik, kemudian mengevaluasi model ini dengan metrik yang sama seperti <em>Logistic Regression</em>.</p><pre>import sklearn.ensemble as ens<br>from sklearn.model_selection import GridSearchCV</pre><pre>model_rf = ens.RandomForestClassifier()</pre><pre># Definisikan parameter yang akan diuji untuk model Random Forest<br>param_grid = {<br>    &#39;n_estimators&#39;: [50, 100, 200],<br>    &#39;max_depth&#39;: [None, 10, 20],<br>    &#39;min_samples_split&#39;: [2, 5, 10],<br>    &#39;min_samples_leaf&#39;: [1, 2, 4]<br>}</pre><pre># Buat objek GridSearchCV<br>grid_search = GridSearchCV(estimator=model_rf, param_grid=param_grid, cv=5, scoring=&#39;accuracy&#39;)<br><br># Lakukan pencarian grid pada data pelatihan<br>grid_search.fit(X_train, y_train)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o2x3HiOQO_PrqE8LqliNCg.png" /></figure><pre>best_model_rf = grid_search.best_estimator_<br>y_pred_rf = best_model_rf.predict(X_test)</pre><pre>accuracy_rf = accuracy_score(y_test, y_pred_rf)<br>precision_rf = precision_score(y_test, y_pred_rf)<br>recall_rf = recall_score(y_test, y_pred_rf)<br>auc_rf = roc_auc_score(y_test, y_pred_rf)<br><br>print(f&quot;Accuracy (Random Forest): {accuracy_rf}&quot;)<br>print(f&quot;Precision (Random Forest): {precision_rf}&quot;)<br>print(f&quot;Recall (Random Forest): {recall_rf}&quot;)<br>print(f&quot;AUC (Random Forest): {auc_rf}&quot;)</pre><pre>#hasil<br>Accuracy (Random Forest): 0.8795811518324608<br>Precision (Random Forest): 0.7586206896551724<br>Recall (Random Forest): 0.5789473684210527<br>AUC (Random Forest): 0.7665978672170624</pre><pre>best_features = best_model_rf.feature_importances_</pre><pre>pd.Series(best_features, index=X.columns).nlargest(10).plot(kind=&#39;barh&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/755/1*knp6TL1Zea8BM7IF9X3lEQ.jpeg" /></figure><h3>Perbandingan</h3><h4>Akurasi Model</h4><ul><li><strong><em>Random Forest</em></strong>: Pada kasus ini, <em>Random Forest</em> menunjukkan akurasi yang lebih tinggi, yaitu <strong>0.879</strong> (87.95%), yang berarti model ini lebih sering memprediksi dengan benar dibandingkan <em>Logistic Regression</em>.</li><li><strong><em>Logistic Regression</em></strong>: Akurasi <em>Logistic Regression </em>lebih rendah, yaitu <strong>0.774</strong> (77.48%). Ini menunjukkan bahwa model ini tidak seakurat <em>Random Forest</em>, terutama pada dataset yang mungkin memiliki hubungan non-linear antara fitur.</li></ul><h4>Precision dan Recall</h4><ul><li><strong><em>Random Forest</em></strong>: Precision untuk <em>Random Forest</em> lebih tinggi, yaitu <strong>0.758</strong> (75.86%), yang berarti model ini lebih baik dalam memprediksi pelanggan yang benar-benar churn dari semua prediksi churn yang dibuat. Recall juga cukup baik, yaitu <strong>0.579</strong> (57.89%), menunjukkan bahwa model ini mampu menangkap lebih banyak pelanggan yang benar-benar churn.</li><li><strong><em>Logistic Regression</em></strong>: Precision untuk <em>Logistic Regression</em> jauh lebih rendah, yaitu <strong>0.308</strong> (30.77%), yang berarti model ini sering salah memprediksi churn pada pelanggan yang sebenarnya aktif. Recall juga sangat rendah, hanya <strong>0.105</strong> (10.53%), artinya banyak pelanggan yang benar-benar churn tidak terdeteksi oleh model.</li></ul><h4>AUC (Area Under Curve)</h4><ul><li><strong><em>Random Forest</em></strong>: AUC dari <em>Random Forest </em>adalah <strong>0.767</strong> (76.7%), yang menunjukkan bahwa model ini memiliki kemampuan yang baik untuk membedakan antara pelanggan yang churn dan tidak churn.</li><li><strong><em>Logistic Regression</em></strong>: AUC dari <em>Logistic Regression </em>lebih rendah, yaitu <strong>0.523</strong> (52.32%). Hal ini menunjukkan bahwa <em>Logistic Regression</em> kurang mampu dalam membedakan pelanggan churn dan aktif.</li></ul><h3>Kesimpulan Akhir:</h3><p>Setelah melakukan perbandingan antara <strong><em>Random Forest </em></strong>dan <strong><em>Logistic Regression</em></strong> dalam <strong>prediksi churn</strong>, dapat disimpulkan bahwa <em>Random Forest</em> memberikan hasil yang lebih baik di <em>accuracy</em>, <em>precision</em>, <em>recall</em>, dan <em>AUC</em>. Model ini mampu menangani dataset yang memiliki hubungan non-linear antara variabel, yang membuat prediksi churn yang lebih akurat dibanding <em>Logistic Regression</em>.</p><p><em>Logistic Regression</em>, meskipun lebih cepat dan lebih mudah diinterpretasi, tidak dapat mendeteksi pelanggan yang churn dengan baik karena <em>precision</em> dan <em>recall</em>-nya rendah. Dalam <strong>konteks bisnis</strong>, <em>Random Forest</em> lebih efektif karena dapat memprediksi pelanggan yang berisiko berhenti berlangganan dengan lebih akurat, sehingga perusahaan bisa mengambil langkah yang tepat untuk mengurangi churn.</p><p>Hasil dari eksperimen ini menunjukkan pentingnya pemilihan model yang sesuai. Kami menyadari bahwa model <em>ensemble</em> seperti <em>Random Forest</em>, meskipun lebih kompleks, mampu memberikan hasil yang lebih baik. Selain itu, hasil eksperimen ini juga memperlihatkan bahwa <strong>performa prediksi lebih diutamakan daripada interpretabilitas model</strong>, terutama ketika akurasi adalah faktor utama dalam mengambil keputusan bisnis.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=72b2caffa1ad" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mengenal Apa Itu Logistic Regression dalam Machine Learning]]></title>
            <link>https://medium.com/@jenniferbells32/mengenal-apa-itu-logistic-regression-dalam-machine-learning-4da699bf6819?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/4da699bf6819</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[logistic-regression]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[informatics]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Sun, 15 Sep 2024 16:44:38 GMT</pubDate>
            <atom:updated>2024-12-12T06:25:50.093Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Artikel ini merupakan refleksi setelah kelas perkuliahan Pengantar Data Science tentang Logistic Regression di Universitas Pelita Harapan. Tulisan ini disusun oleh </em><strong><em>Jennifer Christabelle </em></strong><em>dan</em><strong><em> Gebrina Augustine Padatu</em></strong><em>.</em></p><h3><strong>Apa Itu Logistic Regression?</strong></h3><p><strong><em>Logistic Regression</em> </strong>adalah salah satu teknik statistik <em>machine learning</em> yang digunakan untuk klasifikasi, khususnya dalam masalah klasifikasi biner (dua pilihan, seperti ya/tidak). Berbeda dengan <em>Linear Regression</em> yang memprediksi nilai kontinu, <em>Logistic Regression</em> menghasilkan <em>output</em> dalam bentuk probabilitas antara 0 dan 1. Ini membuat <em>Logistic Regression</em> cocok untuk kasus dimana kita ingin memprediksi suatu kategori seperti:</p><ul><li>Apakah seseorang akan membeli produk (Ya/Tidak)?</li><li>Apakah siswa akan lulus ujian berdasarkan jumlah jam belajar dan kehadiran (Lulus/Tidak)?</li><li>Apakah karyawan akan resign berdasarkan gaji dan masa kerja (Resign/Tidak)?</li></ul><p><em>Logistic Regression</em> bekerja dengan memanfaatkan <strong>fungsi <em>sigmoid</em></strong>, yang mengkonversi nilai prediksi menjadi probabilitas. <strong>Fungsi <em>sigmoid</em></strong> berbentuk S untuk membatasi prediksi diantara 0 dan 1:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/460/0*8-pbkJgTazsCs0Sg" /><figcaption>Fungsi Sigmoid Dalam Bentuk Grafik</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/542/1*qWHumiEVFbtc8U1f3WpYKg.png" /><figcaption>Fungsi Sigmoid</figcaption></figure><p>Dimana <strong>z</strong> merupakan kombinasi dari variabel-variabel independen (fitur) yang kita gunakan untuk memprediksi sesuatu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JHVBG9tq2RH99yqaoCRGOA.png" /></figure><ul><li>b0 adalah <em>intercept</em> (titik potong),</li><li>b1,b2,…,bn adalah bobot atau koefisien yang dipelajari oleh model, dan</li><li>x1,x2,…,xn adalah variabel-variabel yang kita gunakan untuk prediksi.</li></ul><p>Dalam konteks fungsi sigmoid, <strong>e^-z</strong> (e bilangan euler) menunjukkan seberapa cepat nilai prediksi z mendekati 0 atau 1:</p><ul><li>Ketika z menjadi besar, e^-z mendekati 0, dan output sigmoid mendekati 1</li><li>Ketika z menjadi kecil, e^-z menjadi besar, dan output sigmoid mendekati 0</li></ul><h3>Langkah-Langkah Logistic Regression</h3><ul><li>Import Library yang dibutuhkan: Pastikan untuk mengimpor semua library yang akan digunakan terlebih dahulu</li><li>Menggunakan Dataset: Siapkan dataset yang akan digunakan untuk melatih dan menguji model logistic regression. Pastikan dataset sudah dalam format yang sesuai dan bersih dari missing values atau outliers.</li><li>Memisahkan data training dan data testing: Pisahkan dataset menjadi data training dan data testing. Data testing digunakan untuk menguji dan mengevaluasi performa model setelah dilatih dengan data training.</li><li>Melatih Model Logistic Regression: Inisialisasikan model logistic regression dan latih menggunakan data training.</li><li>Melakukan prediksi dengan Data Testing: Gunakan model yang telah dilatih untuk melakukan prediksi terhadap data testing.</li><li>Mengukur Akurasi Model: Hitung seberapa akurat model dalam memprediksi label yang benar.</li><li>Melakukan Visualisasi Hasil: Visualisasi hasil dengan grafik (tergantung pada fitur dan classnya)</li></ul><h3><strong>Mengimplementasikan Logistic Regression pada Aktivitas Mandiri (Contoh kasus Wine Recognition)</strong></h3><p>Kita akan menggunakan contoh kasus <a href="https://colab.research.google.com/drive/1B4Hl5TzskMhS6HHRyUl-SwbTDgJKxaad?usp=sharing#scrollTo=63UZlSuOQwPs"><strong>Wine Recognition</strong></a></p><h4>1. Persiapan / Pengumpulan Data</h4><ul><li>Tentukan masalah yang ingin diselesaikan dan kumpulkan data yang relevan. Lalu import library menggunakan library seperti numpy, pandas, scikit-learn, dan lain-lain.</li></ul><pre># Import pustaka yang diperlukan<br>import numpy as np #wajib<br>import pandas as pd #wajib<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>from sklearn.model_selection import train_test_split<br>from sklearn.linear_model import LogisticRegression<br>from sklearn.metrics import accuracy_score, confusion_matrix<br>from sklearn import datasets<br>from sklearn.datasets import load_wine<br>from sklearn import datasets</pre><ul><li>Load Dataset: Menggunakan/load dataset yang akan digunakan.</li></ul><pre>#buat dataset wine dulu<br>wine = datasets.load_wine()  #download dlu dataset nya<br>print(wine.DESCR) #Melihat deskripsi dataset dan pelajari<br>#nantinya deskripsi atribut-atribut itu variable independen yang akan digunakan untuk meprediksi<br></pre><pre># Mengonversi ke DataFrame<br>df_wine = pd.DataFrame(wine.data, columns=wine.feature_names)<br><br># Menambahkan kolom target (label)<br>df_wine[&#39;target&#39;] = wine.target #biar lengkap sama nama-nama nya bukan hanya data saja<br><br></pre><pre># Melihat semua data dalam bentuk tabel<br>df_wine<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N8SlenfG_gkJzR1jY7VH4Q.png" /><figcaption>Data dalam Bentuk Tabel</figcaption></figure><ul><li>Dataset harus berisi fitur-fitur (independent variable X) yang digunakan untuk membuat prediksi, dan label target (dependent variable Y) yang menunjukkan hasil sebenarnya. Maka, harus ditentukan yang mana variable independent dan dependent-nya.</li></ul><p><strong>Melihat fitur-fitur yang ada di dalam dataset dan korelasinya:</strong></p><pre>X = wine[&#39;data&#39;]<br>y = wine[&#39;target&#39;] #target(class 0, class 1, class 2)</pre><pre>#melihat bentuk data<br>print(X.shape) #(178, 13), terdapat 100 baris dan 2 fitur<br>print(y.shape)   #(178,), label biner</pre><p><strong>Melihat korelasi kolom:</strong></p><pre>correlation_matrix = df_wine.corr(method=&#39;pearson&#39;)<br>correlation_with_target = correlation_matrix[&#39;target&#39;].sort_values(ascending=False)<br>print(correlation_with_target)</pre><p>Kami mengunakan korelasi “pearson” yang dimana mendekati 1 dan -1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*zOFqVGfYfHHM-iEkGyGohw.png" /><figcaption>Hasil korelasi</figcaption></figure><p><strong>Menentukan yang mana variable independent dan yang mana dependent</strong></p><pre>X = df_wine[[&#39;total_phenols&#39;, &#39;od280/od315_of_diluted_wines&#39;, &#39;flavanoids&#39;, &#39;proline&#39;, &#39;hue&#39;]] #independen<br><br>y = df_wine[&#39;target&#39;] #dependen<br></pre><p>Disini kami tidak memilih semua variable sebagai variable independen, tetapi kami hanya mengambil variable yang nilainya &lt;-0.6 atau &gt;0.6 , yaitu “total_phenols” , “od280/od315_of_dilutated_wines”, “flavonoids”, “proline”, dan “hue”. Kami tidak mengambil variable yang nilainya (&gt;-0.6) karena semakin mendekati 0, maka signifikannya semakin lemah.</p><h4>2. Pemprosesan Data</h4><ul><li>Memisahkan Data: Memisahkan dataset menjadi data training (untuk melatih model) dan data testing (untuk menguji akurasi model) menggunakan <strong>train_test_split</strong>. Biasanya 80% data digunakan untuk training dan 20% digunakan untuk testing.</li></ul><pre>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)</pre><ul><li>Memungkinkan untuk melatih model dan kemudian mengevaluasinya pada data yang tidak pernah dilihat sebelumnya.</li><li>Cara melihat ukuran data:</li></ul><pre># Melihat ukuran data<br>print(f&quot;Data Training: {X_train.shape}&quot;)<br>print(f&quot;Data Testing: {X_test.shape}&quot;)</pre><p>Data Training: (142, 5)</p><p>Data Testing: (36, 5)</p><h4><strong>3. Membangun Model Logistic Regression</strong></h4><p>Setelah dataset siap, model Logistic Regression bisa dilatih menggunakan data training untuk “mempelajari” hubungan / bobot antara fitur-fitur dan juga label (hasil).</p><ul><li>Inisialisasi Model: Menggunakan LogisticRegression dari Scikit-Learn.</li><li>Melatih Model: Melatih model dengan data training menggunakan metode .fit(X_train, y_train).</li></ul><pre># Membuat model logistic regression<br>model_multi = LogisticRegression(multi_class=&#39;ovr&#39;, solver=&#39;liblinear&#39;)<br><br># Melatih model dengan data training<br>model_multi.fit(X_train, y_train)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/1*ohI-NROKE1wSEupbRYeEZw.png" /></figure><h4>4. Evaluasi Model</h4><ul><li>Prediksi: Menggunakan data testing (data yang lain/baru) untuk membuat prediksi hasil dengan model yang telah dilatih. Mengukur seberapa akurat model dalam memprediksi hasil yang benar menggunakan metrik evaluasi.</li><li>Metrik Evaluasi: Menghitung akurasi model dengan <strong>accuracy_score</strong>, serta menggunakan <strong>confusion matrix </strong>dan <strong>classification report </strong>untuk evaluasi lebih mendalam (memahami seberapa baik model bekerja).</li></ul><pre># Melakukan prediksi dengan data testing<br>y_pred_multi = model_multi.predict(X_test)<br><br># Menampilkan hasil prediksi<br>print(&quot;Hasil Prediksi:&quot;, y_pred_multi)<br>print(&quot;Label Asli:    &quot;, y_test.values)<br><br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/717/0*gbogNBi-hSSqAoDz" /><figcaption>Hasil prediksi</figcaption></figure><p>Jika dilihat sekilas, terlihat sama semua. Tetapi, jika diperhatikan lagi terdapat 3 prediksi yang keliru.</p><pre><br># Mengukur akurasi model<br><br>accuracy_multi = accuracy_score(y_test, y_pred_multi)<br><br>print(f&#39;Akurasi Multiclass: {accuracy_multi:.2f}&#39;)<br></pre><p>Akurasi multiclass: 0.92</p><p>Akurasi multiclass menunjukkan 0.92 atau 92%, hal ini menunjukkan bahwa model dapat memprediksi dengan akurat.</p><h4><strong>5. Visualisasi Hasil</strong></h4><ul><li>Confusion Matrix :</li></ul><pre>cm = confusion_matrix(y_test, y_pred_multi)<br>plt.figure(figsize=(8, 6))<br>sns.heatmap(cm, annot=True, fmt=&#39;d&#39;, cmap=&#39;Blues&#39;, xticklabels=[&#39;Class 0&#39;, &#39;Class 1&#39;, &#39;Class 2&#39;], yticklabels=[&#39;Class 0&#39;, &#39;Class 1&#39;, &#39;Class 2&#39;])<br>plt.title(&#39;Confusion Matrix&#39;)<br>plt.xlabel(&#39;Predicted&#39;)<br>plt.ylabel(&#39;Test&#39;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/717/1*3hjfEP63WMZ1hLLjcwgdzA.png" /></figure><p>Kami menggunakan confusion matrix karena terdapat 3 class (class 0, class 1 dan class 2).<br><strong>True Positives (diagonal utama):</strong></p><ul><li>Class 0: Ada 13 sampel yang benar diklasifikasikan sebagai Class 0.</li><li>Class 1: Ada 13 sampel yang benar diklasifikasikan sebagai Class 1.</li><li>Class 2: Ada 7 sampel yang benar diklasifikasikan sebagai Class 2. Ini menunjukkan bahwa model bekerja dengan baik untuk banyak sampel dari masing-masing kelas.</li></ul><p><strong>False Positives dan False Negatives (selain diagonal utama)</strong></p><ul><li>Class 0: 1 sampel dari Class 0 diklasifikasikan sebagai Class 1.</li><li>Class 1: 1 sampel dari Class 1 diklasifikasikan sebagai Class 0, dan 1 sampel dari Class 1 diklasifikasikan sebagai Class 2.</li><li>Class 2: 1 sampel dari Class 2 diklasifikasikan sebagai Class 1. Ini menunjukkan kesalahan prediksi di mana model salah memprediksi kelas.</li></ul><h3>Kesimpulan</h3><p>Logistic Regression adalah metode machine learning yang sangat berguna untuk menyelesaikan masalah klasifikasi dan juga masalah dunia nyata dengan efektif, karena prediksinya yang selalu berada dalam rentang 0 dan 1 sehingga menjadikannya lebih sesuai untuk masalah klasifikasi, seperti memprediksi hasil biner. Logistic Regression juga menunjukkan fleksibilitasnya dalam berbagai aplikasi lain, seperti deteksi spam email dan penentuan kelulusan, dan lain-lain. Menggunakan pustaka seperti Scikit-Learn membuat implementasi model ini menjadi mudah dan cepat. Namun, hasil yang baik tetap bergantung pada kualitas data dan pemilihan fitur yang tepat.</p><p>Link Collab : <a href="https://colab.research.google.com/drive/1B4Hl5TzskMhS6HHRyUl-SwbTDgJKxaad?usp=sharing">https://colab.research.google.com/drive/1B4Hl5TzskMhS6HHRyUl-SwbTDgJKxaad?usp=sharing</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4da699bf6819" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Linear Regression]]></title>
            <link>https://medium.com/@jenniferbells32/linear-regression-9c05d223fe63?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/9c05d223fe63</guid>
            <category><![CDATA[multiple-linearregression]]></category>
            <category><![CDATA[informatics]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[linear-regression]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Sun, 08 Sep 2024 16:53:33 GMT</pubDate>
            <atom:updated>2024-09-08T16:53:33.100Z</atom:updated>
            <content:encoded><![CDATA[<p>Artikel ini merupakan refleksi setelah kelas perkuliahan Pengantar Data Science tentang Linear Regression di Universitas Pelita Harapan. Tulisan ini disusun oleh Jennifer Christabelle dan Gebrina Augustine Padatu.</p><h3><strong>Apa itu Linear Regression?</strong></h3><p>Linear Regression adalah metode statistika yang digunakan untuk membuat prediksi berdasarkan data dan memodelkan hubungan antara satu atau lebih variabel <strong>prediktor </strong>(independent variables) dengan variabel <strong>target </strong>(dependent variable). Dalam <strong>Simple Linear Regression</strong>, kita hanya menggunakan satu prediktor untuk memprediksi hasil, sementara pada <strong>Multiple Linear Regression</strong>, kita menggunakan beberapa prediktor sekaligus untuk meningkatkan akurasi prediksi.</p><h3>Penggunaan Linear Regression &amp; Manfaatnya</h3><ul><li>Memprediksi nilai satu variabel berdasarkan variabel lainnya</li><li>Membantu mengidentifikasi relasi antara berbagai variabel</li><li>Memungkinkan pemodelan interaksi antara berbagai variabel</li><li>Memungkinkan Uji Hipotesis</li></ul><h3><strong>Cara Kerja Linear Regression</strong></h3><p>Pertama, kenali dulu variable-variable berikut:</p><ul><li><strong>Predictor</strong> — variabel yang tidak bergantung pada variabel lain (independent variable)</li><li><strong>Target</strong> — Angka yang inign diprediksi, bergantung pada variable lain (dependent variable)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/569/0*StgAUjQj8DbplMbZ" /></figure><h4>1. Memprediksi Nilai Numerik</h4><p>Linear Regression digunakan untuk memprediksi nilai target y (dependent variable) berdasarkan nilai-nilai predictor x (independent variable). Kita membuat model yang bisa memperkirakan dan memperlihatkan hubungan antara variable-variable dengan menarik garis lurus yang mewakili tren dari data yang ada. Dalam proses ini, kita bisa menggunakan <strong>training data </strong>— data yang sudah diketahui hasilnya, untuk memperkirakan hasil dari input yang baru di masa depan.</p><p>Contohnya, pada kasus prediksi jarak tempuh mobil berdasarkan jumlah bahan bakar, logikanya, semakin banyak bahan bakar yang ada/digunakan = semakin jauh jarak yang bisa ditempuh. Dengan memanfaatkan training data, kita bisa melatih model untuk memperkirakan berapa kilometer (y) mobil bisa berjalan dengan jumlah bakar tertentu (x). Prediksi ini bisa membantu kita mengetahui kapan harus mengisi ulang bensin.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/0*SeEbewXN8fTxMNZy" /><figcaption>Contoh Simple Linear Regression</figcaption></figure><h4>2. Mempersiapkan Data</h4><ul><li><strong>Mengumpulkan Data</strong></li></ul><p>Mari lihat contoh berikut :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DFDUMjLbA30YZntJ" /></figure><p>Membuat model yang bisa memprediksi hubungan antara tangki bensin (liter) dengan jarak yang bisa ditempuh (Kilometer). Dibuat data acak yang merepresentasikan hubungan linear antara jumlah bensin (liter) dan jarak tempuh (kilometer). np.random.seed(42) digunakan agar data tetap sama setiap kali dijalankan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/246/0*zZn4hJfs0OxJrjA9" /></figure><p>Semakin banyak bensin yang digunakan, semakin jauh jarak yang dapat ditempuh. Ini menunjukkan adanya hubungan linear antara kedua variabel tersebut.</p><ul><li>Data masa lalu: fraining data/data latih</li><li>Jumlah bensin: predictor (independent variable)</li><li>Jarak tempuh: target (dependent variable)</li></ul><p>Karena hanya ada satu variabel predictor yang akan digunakan, model yang dibangun disebut Simple linear regression.</p><ul><li><strong>Mengenali Data</strong></li></ul><p>Mengenali statistik penting dari data terlebih dahulu (angka minimum, maksimum, dan rata-rata (mean) dengan fungsi <strong>.describe ()</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/313/0*QvMoRDJlHFfVMm72" /></figure><p>Training data set harus memiliki prediktor dengan nilai minimum dan maksimum yang mencakup seluruh rentang target yang akan diprediksi. Model tidak akan menghasilkan prediksi yang akurat jika belum dilatih dengan training data yang sesuai.</p><h4><strong>3. Memisahkan Training Data &amp; Test Data (Splitting Data)</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/0*Acsuhfat_7YUyLj1" /></figure><ol><li><strong>Import Library</strong></li></ol><p>Kita impor modul model_selection dari library Scikit_Learn dan menyimpannya dengan alias ms. Modul ini berisi berbagai fungsi yang berguna untuk membagi dataset menjadi data training dan test, cross-validation, dan lain-lain.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/766/0*qS0uTdwYrIWP1NHy" /></figure><p><strong>2. Mengambil Kolom Data</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/0*0elW1ooUe8BP5JKr" /></figure><p>Mengambil dua kolom(kolom Liter dan Kilometer) dari DataFrame df, yaitu kolom, lalu masing-masing disimpan dalam variabel liter dan km.</p><p><strong>3. Membagi Dataset menjadi Training dan Test</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/754/0*PJP4pPlqCD38QPoz" /></figure><ul><li>ms.train_test_split = Fungsi dari modul sklearn.model_selection yang memisahkan dataset menjadi dua bagian</li><li>test_size = 0.2 atau 20% dari data digunakan sebagai data test dan sisanya 0.8 atau 80% digunakan untuk melatih model.</li><li>random_state = 0 memastikan bahwa pemisahan dataset ini bersifat konsisten dan dapat diulang (hasilnya akan tetap sama).</li></ul><p><strong>4. Menghitung Ukuran Data Training dan Test</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/764/0*d0_Nic18G1YEI5Xe" /></figure><p>Baris ini menghitung dan menampilkan jumlah elemen dalam X_train dan X_test.</p><ul><li>X_train.size akan menghasilkan 52, yaitu 80% dari total 65 data</li><li>X_test.size akan menghasilkan 13, yaitu 20% dari 65 data</li></ul><h4>4. Visualisasi</h4><p>Sebelum melatih model, kita bisa melakukan visualisasi data menggunakan scatter plot atau grafik lainnya untuk memahami pola dan tren yang ada. Visualisasi ini membantu untuk melihat hubungan antara variabel prediktor dan target, serta mengidentifikasi apakah ada pola linear yang bisa dimodelkan.</p><p>Sebagai contoh, ketika memprediksi jarak tempuh berdasarkan liter bensin, kita bisa membuat scatter plot yang menampilkan jumlah liter di sumbu X dan jarak tempuh di sumbu Y. Visualisasi ini juga membantu mengenali outlier (angka-angka yang terlalu tinggi/rendah/tidak masuk akal) yang bisa dibuang dari training dataset.</p><pre>import matplotlib.pyplot as plt #membuat berbagai jenis visualisasi data<br>plt.scatter(X_train, y_train) # membuat scatter plot dari data training<br>plt.xlabel(&#39;Liter&#39;) #memberikan label pada suhu x dengan nama liter<br>plt.ylabel(&#39;Kilometer&#39;) #memberikan label pada sumbu y dengan nama kilometer<br>plt.show() #menampilkan plot tersebut<br># memperlihatkan 80%</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/0*9IIoyd21iquqefni" /></figure><pre>plt.scatter(X_test, y_test)<br>plt.xlabel(&#39;Liter&#39;)<br>plt.ylabel(&#39;Kilometer&#39;)<br>plt.show()<br>#data lebih sedikit karena hanya 20% doang</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/864/0*twDeewdJ-xkxTF_W" /></figure><p>Simple Linear Regression mempunyai konsep dasar yang sama seperti persamaan garis y = mx + c dimana:</p><ul><li>y adalah nilai yang ingin kita prediksi (disebut dependent variable),</li><li>y adalah nilai yang ingin kita prediksi (disebut dependent variable),</li><li>x adalah nilai yang kita gunakan untuk membuat prediksi (disebut independent variable),</li><li>m adalah slope atau kemiringan garis yang menunjukkan seberapa besar perubahan nilai y ketika x berubah,</li><li>c adalah intercept, yaitu nilai y saat x = 0.</li></ul><p>Dalam Linear Regression, kita ingin menemukan garis lurus terbaik yang dapat memprediksi nilai y berdasarkan nilai x. Garis ini disebut sebagai <strong>regression line</strong>.</p><pre>#Misalnya, jika kita punya dua angka c=5 dan m=13, algoritma akan mencari slope terbaik yang menunjukkan seberapa besar y berubah untuk setiap perubahan pada x (yang diwakili oleh c dan m).<br>m = 13<br>c = 5<br>plt.scatter(X_train, y_train)<br>plt.plot(X_train, m * X_train + c, color=&#39;red&#39;)<br>plt.xlabel(&#39;Liter&#39;)<br>plt.ylabel(&#39;Kilometer&#39;)<br>plt.title(&#39;Garis Regresi Konsumsi Bahan Bakar&#39;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/0*NOSBnin5zTe99I1B" /></figure><h4><strong>5. Melatih Model (Training Data)</strong></h4><p>Setelah data dipisahkan, langkah selanjutnya adalah melatih model. Kita menggunakan training data untuk mencari garis regresi yang terbaik — garis yang paling sesuai dengan pola data. Pada tahap ini, digunakan pencarian nilai slope dan intercept yang paling optimal untuk garis regresi.</p><p>Algoritma akan mempelajari hubungan antara prediktor (independent variable) dan target (dependent variable) untuk menentukan seberapa besar perubahan target (y) yang terjadi setiap kali predictor (x) berubah. Pada tahap inilah model akan mempelajari pola dari data untuk membuat prediksi untuk masa depan.</p><pre>import sklearn.linear_model as lm<br>model = lm.LinearRegression()<br>model.fit(X_train.values.reshape(-1, 1), y_train) #melatih model dengan data<br>model.coef_ # melihat nilai slope atau kemiringan</pre><p>Dalam kasus ini, output menunjukkan bahwa slope (coef_) yang ditemukan oleh model adalah 12.6494.</p><ul><li>Artinya, setiap peningkatan satu unit pada fitur X_train diharapkan akan meningkatkan nilai y_train sekitar 12.65 unit.</li><li>Atau, setiap peningkatan satu liter bensin diharapkan akan meningkatkan jumlah jarak tempuh dalam KM</li></ul><h4>6. Menguji Model (Scoring/Testing Model)</h4><p>Setelah melatih model, kita mengevaluasi kinerjanya menggunakan test data (20% sisa dataset). Salah satu metrik yang sering digunakan dalam evaluasi Linear Regression adalah R² score, yang menunjukkan seberapa baik model dapat memprediksi hasil. R² score berkisar antara 0 hingga 1, di mana nilai mendekati 1 menunjukkan model yang sangat akurat dalam memprediksi target berdasarkan prediktor.</p><pre>r2 = model.score(X_test.values.reshape(-1, 1), y_test)<br>r2<br><br># Hasil : 0.9991477802777271</pre><p>Hasilnya adalah 0.99, mendekati angka 1 yang artinya model kita sudah sangat bagus.</p><p>Selain R² score, model juga bisa diuji dengan prediksi nilai baru. Misalnya, jika kita ingin memprediksi berapa kilometer yang bisa ditempuh dengan 60 liter bensin, kita dapat menggunakan model yang telah dilatih &amp; kita anggap akurat untuk menghasilkan prediksi tersebut. Fungsi predict() dipakai untuk keperluan ini. Misalnya kita ingin memperkirakan berapa kilometer yang bisa ditempuh dengan 60 liter bensin :</p><pre>jarak = model.predict([[60]])<br>jarak<br>array([766.90908962])</pre><p>Sekarang kita hasilkan angka prediksi untuk semua isi test dataset:</p><pre>jarak_test = model.predict(X_test.values.reshape(-1, 1))<br>print(jarak_test)<br><br>#hasil : [438.02560923  96.49276421 577.16862016 539.22052627 615.11671405<br> 602.46734942 159.73958736 134.4408581  172.38895199 273.58386903<br> 235.63577514 475.97370312 615.11671405]</pre><p>Kita bandingkan dengan angka KM yang di test dataset (sudah kita simpan dalam variabel y_test)</p><pre>print(y_test.values)<br>#hasil : [435  80 582 537 611 603 162 133 178 279 230 478 617]</pre><p>Terlihat dari perbandingan beris-per-baris, model kita sudah berhasil membuat prediksi dengan ketepatan yang cukup baik (karena hasil dari keduanya hanya berbeda sedikit).</p><h3>Multiple Linear Regression</h3><p>Jika kita hanya memiliki satu variabel predictor, kita bisa menggunakan Simple Linear Regression. Namun, mungkin ada hasil yang ingin diprediksi dipengaruhi oleh lebih dari satu faktor. Disinilah Multiple Linear Regression digunakan. Misalnya, untuk memprediksi konsumsi bahan bakar sebuah mobil, mungkin kita harus melihat variable lain seperti jumlah penumpang, suhu mesin, kecepatan rata-rata, dll.</p><p>Dalam Multiple Linear Regression, kita menggunakan beberapa prediktor untuk membuat prediksi yang lebih akurat. Setiap prediktor memiliki bobot tersendiri yang menunjukkan seberapa besar pengaruhnya terhadap hasil prediksi. Untuk mengukur seberapa kuat hubungan antar-prediktor, kita bisa menggunakan <strong>Korelasi Pearson</strong>, yang menunjukkan kekuatan hubungan linier antara dua variabel.</p><p><strong>Korelasi Pearson </strong>nilainya berkisar antara -1 hingga 1:</p><ul><li><strong>1</strong> menunjukkan hubungan linier positif yang sempurna (ketika satu variabel naik, yang lain juga naik secara proporsional).</li><li><strong>-1</strong> menunjukkan hubungan linier negatif yang sempurna (ketika satu variabel naik, yang lain turun secara proporsional).</li><li><strong>0</strong> menunjukkan tidak adanya hubungan linier antara dua variabel.</li></ul><pre>np.random.seed(42)<br><br># Create the dataframe with additional columns<br>df = pd.DataFrame({<br>    &#39;Liter&#39;: liters,<br>    &#39;Penumpang&#39;: np.random.randint(1, 6, 65),<br>    &#39;Bagasi&#39;: np.random.randint(0, 101, 65),<br>    &#39;Kecepatan&#39;: np.random.randint(60, 200, 65),<br>    &#39;RPM&#39;: np.random.randint(1000, 6000, 65),<br>    &#39;Suhu&#39;: np.random.randint(10, 40, 65),<br>    &#39;Kilometer&#39;: kilometers<br>})<br><br># Convert the data to integers<br>df[&#39;Liter&#39;] = df[&#39;Liter&#39;].astype(int)<br>df[&#39;Kilometer&#39;] = df[&#39;Kilometer&#39;].astype(int)<br><br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*fdlqC3B2fTD7uwb-IY9rsg.png" /></figure><p>Untuk menunjukkan korelasi pearsonnya:</p><pre>df.corr(method=&#39;pearson&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/895/1*CyYxIzWAWWB_5yp1q7FnlA.png" /></figure><p>Beberapa observasi:</p><ol><li><strong>Liter vs Kilometer (0.999468)</strong></li></ol><p>Korelasi Pearson antara Liter dan Kilometer adalah 0.999468, mendekati 1. Ini menunjukkan hubungan yang sangat kuat dan positif antara jumlah bahan bakar yang digunakan (Liter) dan jarak yang ditempuh (Kilometer). Artinya, semakin banyak liter bahan bakar yang digunakan, semakin jauh jarak yang dapat ditempuh.</p><p>2. <strong>Penumpang vs Kilometer (-0.049679)</strong></p><p>Korelasi antara jumlah Penumpang dan Kilometer adalah -0.049679, yang sangat dekat dengan 0. Ini menunjukkan bahwa jumlah penumpang hampir tidak berpengaruh terhadap jarak yang dapat ditempuh. Ada sedikit korelasi negatif, tetapi sangat lemah.</p><p><strong>3. Bagasi vs Kilometer (0.133936)</strong></p><p>Korelasi antara Bagasi dan Kilometer adalah 0.133936. Ini menunjukkan adanya sedikit korelasi positif, yang berarti bahwa beban bagasi mungkin memiliki pengaruh kecil pada jarak yang dapat ditempuh, tetapi pengaruhnya tidak terlalu signifikan.</p><p>Sehingga dapat kita simpulkan:</p><ul><li><strong>Liter</strong> memiliki hubungan yang sangat kuat dengan <strong>Kilometer</strong>, sedangkan, faktor-faktor lain seperti <strong>Penumpang</strong>, <strong>Bagasi</strong>, <strong>Kecepatan</strong>, <strong>RPM</strong>, dan <strong>Suhu</strong> memiliki korelasi yang lemah dengan <strong>Kilometer</strong>, menunjukkan bahwa faktor-faktor ini tidak memiliki pengaruh yang signifikan dalam konteks data ini.</li></ul><h4><strong>Pemodelan Multiple Linear Regression</strong></h4><p>Dalam model ini, kita mencari kombinasi bobot yang terbaik untuk semua predictor, sehingga prediksi jarak yang dihasilkan oleh model kita seakurat mungkin.</p><pre>X = df[[&#39;Liter&#39;, &#39;Bagasi&#39;, &#39;Suhu&#39;]]<br>y = df[&#39;Kilometer&#39;]<br>#Kali ini kita ambil 10% dari dataset sebagai test dataset agar jauh lebih banyak training dataset.<br>X_train, X_test, y_train, y_test = ms.train_test_split(<br>    X, y, test_size = 0.1, random_state = 0) <br>model = lm.LinearRegression()<br>model.fit(X_train, y_train)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/194/1*nuGy5PuVmkfBYeCdpbCC7w.png" /></figure><p>Model sudah di-fit dengan training dataset, dan koefisien intercept serta slope telah ditemukan. Mari kita lihat hasilnya.</p><pre>#untuk melihat hasil<br>print(&#39;intercept = &#39;, model.intercept_)<br>print(&#39;slope = &#39;, model.coef_)<br><br>#hasilnya:<br>intercept =  7.328824429493636<br>slope =  [ 1.26533936e+01 -4.66975685e-03  3.61471642e-02]</pre><p>Karena kita telah tahu berapa nilai koefisien intecept dan slope, maka persamaan regresi menadi sebagai berikut (dibulatkan 3 angka di belakang koma):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/520/1*WGuU6vpxf2qfIAFwSf1M_g.png" /></figure><p>Model kita sudah jadi. Sekarang kita coba dengan sebuah data acak misalnya 30 liter bensin, 25 kg bagasi, dan suhu 31 derajat celsius.</p><pre>input1 = np.array([[30, 25, 31]])<br>hasil = model.predict(input1)<br>print(hasil)<br><br>#hasil : [387.93444973]</pre><p>Untuk melihat akurasinya:</p><pre>r2 = model.score(X_test, y_test)<br>r2<br># hasil : 0.9988699950977445</pre><h3><strong>Kesimpulan</strong></h3><p>Dari pembelajaran ini, kami telah mempelajari Linear Regression yang merupakan metode statistik yang berguna untuk memodel dan memprediksi relasi antara variable predictor dan variable target. Dalam Simple Linear Regression, satu variabel predictor digunakan untuk memperkirakan hasil, sedangkan Multiple Linear Regression melibatkan beberapa variabel predictor untuk meningkatkan ketepatan prediksi.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9c05d223fe63" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Penerapan Konsep Java Inheritance Melalui Penggunaan Abstract Class dan Interface]]></title>
            <link>https://medium.com/@jenniferbells32/penerapan-konsep-java-inheritance-melalui-penggunaan-abstract-class-dan-interface-c3406a8a2a6e?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3406a8a2a6e</guid>
            <category><![CDATA[interfaces]]></category>
            <category><![CDATA[abstract-class]]></category>
            <category><![CDATA[information-technology]]></category>
            <category><![CDATA[inheritance]]></category>
            <category><![CDATA[java]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Mon, 22 Apr 2024 12:46:07 GMT</pubDate>
            <atom:updated>2024-04-22T13:38:09.055Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Pendahuluan</strong></h3><p>Sebelum kita masuk pada ketiga fundamental Java, penting untuk mengenal dan memahami kembali Konsep Pemrograman Berorientasi Objek atau <em>Object Oriented Programming</em> (OOP), yaitu paradigma pemrograman yang mengadopsi konsep penggunaan objek sebagai elemen dasar dalam pembangunan sebuah program (Weisfeld Matt, 2008). Pada konsep OOP, objek pada kelas-kelas akan memuat data (atribut) dan juga perilaku. Pada dunia pemrograman Java, diperlukan pengertian mendalam mengenai konsep <em>inheritance </em>dalam OOP dengan penerapan praktis melalui penggunaan abstract class dan <em>interface</em>, yang merupakan dua mekanisme utama untuk mencapai reusabilitas dan polimorfisme dalam Java.</p><p>Maka pada artikel ini, kami akan memperkenalkan konsep-konsep dasar mengenai ketiga hal tersebut yang disebut dengan fundamental Java. Dengan kolaborasi dari Annabel Kineta Jovinne Caron, Gebrina Augustine Padatu, dan Jennifer Christabelle, mahasiswa jurusan Informatika yang sedang mengeksplorasi dunia Java, artikel ini akan mengenalkan konsep-konsep dasar yang dikenal sebagai fundamental Java.</p><h4><strong>Apa itu<em> inheritance </em>?</strong></h4><ul><li><em>Inheritance </em>atau disebut juga pewarisan merupakan konsep mengadopsi keadaan dunia nyata dimana suatu entitas atau objek dapat memiliki entitas atau objek turunan. Dengan teori mengenai <em>inheritance</em>, sebuah kelas pada Java (<em>superclass</em>) dapat mempunyai kelas turunan (<em>subclass</em>).</li><li>Contoh <em>inheritance</em> dalam kehidupan nyata, yaitu manusia yang mewarisi/mendapatkan gen orang tua: Jika kedua orang tua memiliki rambut berwarna hitam, maka anaknya juga akan mewarisi gen rambut berwarna hitam. Sama seperti bagaimana manusia dapat mewarisi sifat, keterampilan, atau karakteristik fisik, dalam pemrograman berorientasi objek, kita dapat membuat kelas baru (<em>child class/subclass</em>) yang mendapatkan atribut, perilaku, dan metode dari kelas yang sudah ada (<em>superclass</em>). Hal ini memungkinkan kami untuk menggunakan kembali kode dan membangun fungsionalitas yang sudah ada, tanpa memulai dari awal.</li><li>Di dalam konsep <em>inheritance </em>terdapat jenis-jenis terminologi yang digunakan, yaitu <em>Base Class/Superclass/Parent Class</em> yang berarti basis untuk <em>inheritance</em>, dimana semua <em>superclass </em>merupakan kelas yang diwarisi oleh para <em>subclass</em> dan memberikan atribut serta perilaku umum yang dimiliki bersama oleh para <em>subclasses</em>. Sebuah <em>superclass </em>berfungsi sebagai <em>template </em>untuk membuat objek bagi <em>subclasses</em>nya. Sedangkan<em> Derived Class/Subclass/Child Class</em> berarti kelas yang mewarisi atau mengambil sifat dan perilaku dari <em>superclass</em>. Hal ini berguna untuk memperluas koneksi antar objek dengan cara menambahkan atau memodifikasi atribut dan perilaku uniknya sendiri. Dapat dibilang bahwa <em>subclass </em>adalah kelas <em>superclass </em>yang lebih spesifik, yang mewarisi karakteristiknya dan mengembangkannya.</li><li><em>Subclass</em> juga merupakan kasus “<em>is-a</em>” yang penting dalam konsep <em>inheritance</em>. Sebagai contoh, kita bisa memiliki class “<em>Tree</em>” sebagai <em>superclass</em> dan “<em>PineTree</em>” sebagai <em>subclass</em>. Dalam konteks ini, <em>PineTree</em> adalah sebuah <em>tree</em>, tetapi tidak semua <em>tree</em> adalah <em>pine tree</em>. Sebabnya adalah karena terdapat banyak jenis <em>trees</em> dengan atribut dan perilaku yang berbeda. Konsep ini menunjukkan bahwa sebuah <em>subclass</em> merupakan bagian dari <em>superclass</em>, tetapi bukan sebaliknya. Artinya, sebuah <em>superclass</em> bisa memiliki banyak <em>subclass</em>, sementara sebuah <em>subclass</em> hanya memiliki satu <em>superclass</em> dalam konteks Java. Java tidak mendukung “<em>Multiple Inheritance</em>” karena hal ini bisa membingungkan struktur kelas dan perilaku objek. Hal ini mempermudah pemahaman dan pengelolaan struktur kelas dalam program.</li><li>Selain contoh tree, ini contoh lain dari program Java mengenai konsep <em>inheritance</em>:</li></ul><p><strong><em>Superclass</em></strong></p><pre>public class Shape {<br>    protected String color;<br>    <br>    public Shape(String color) {<br>        this.color = color;<br>    }<br>    <br>    public void setColor(String color) {<br>        this.color = color;<br>    }<br>    <br>    public String getColor() {<br>        return color;<br>    }<br>    <br>    public double area() {<br>        return 0.0;<br>    }<br>}</pre><p><strong><em>Subclass</em></strong></p><pre>public class Circle extends Shape {<br>    private double radius;<br>    <br>    public Circle(String color, double radius) {<br>        super(color);<br>        this.radius = radius;<br>    }<br>    <br>    public double getRadius() {<br>        return radius;<br>    }<br>    <br>    public void setRadius(double radius) {<br>        this.radius = radius;<br>    }<br>    <br>    @Override<br>    public double area() {<br>        return Math.PI * radius * radius;<br>    }<br>}</pre><p><strong>Apa saja jenis-jenis <em>inheritance</em> yang diperbolehkan Java ?</strong></p><p>Jenis-jenis <em>inheritance</em> yang diperbolehkan dalam Java, yaitu <em>single inheritance</em>, <em>multilevel inheritance, hierarchical inheritance, </em>dan <em>hybrid inheritance.</em></p><ul><li><em>Single inheritance</em> merupakan situasi dimana satu <em>subclass </em>mewarisi fitur-fitur dari satu <em>superclass</em>. Pada umumnya, <em>single inheritance </em>adalah konsep yang sering digunakan.</li><li><em>Multilevel inheritance</em> adalah dimana <em>subclass </em>akan mewarisi <em>superclass </em>(kelas dasar), dan <em>subclass </em>juga bertindak sebagai kelas dasar untuk kelas lain.</li><li>Dalam <em>Hierarchical Inheritanc</em>e, satu kelas berfungsi sebagai <em>superclass </em>(kelas dasar) untuk lebih dari satu <em>subclasses</em>.</li><li>Terakhir, <em>Hybrid Inheritance</em> merupakan jenis yang didapatkan melalui kombinasi dari jenis-jenis lainnya, yang menciptakan sistem yang lebih kompleks.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/709/1*bX7CtOtMHzaBZoia_t6G8Q.png" /><figcaption>Jenis-jenis Inheritance</figcaption></figure><h3><strong>Kendala dan Solusi Multiple Inheritance pada Java — <em>Interface</em></strong></h3><p>Java tidak mengizinkan konsep <em>Multiple Inheritance</em>, yaitu suatu <em>subclass </em>yang memiliki lebih dari satu <em>superclass </em>secara langsung, untuk menghindari kemungkinan masalah terkait ambiguitas serta juga mengenai kompleksitas yang tidak jelas. Hal ini dilakukan untuk memperjelas hirarki kelas dan mencegah konflik nama antar <em>superclasses</em>. Maka dari itu, terdapatnya sebuah solusi untuk mengadakan multiple inheritance tanpa ambiguitas, yaitu <em>interface</em>, hal ini bukan berarti antarmuka antara pengguna dan perangkat, melainkan <em>interface </em>yang merupakan salah satu pilar dari OOP Java.</p><p><em>Interface </em>dapat dibilang mirip dengan kelas, kecuali pada method di <em>interface</em>, diharuskannya untuk bersifat publik &amp; abstrak, perilakunya juga harus secara implisit bersifat publik dan abstrak, dan semua datanya (atribut) juga harus secara implisit bersifat publik, statis, dan final. Penjelasan mengenai data dalam sebuah <em>interface </em>tidak boleh bersifat privat adalah karena metode dalam <em>interface </em>tidak dapat berisi badan metode dan tanpa badan metode yang bersifat publik, tentunya tidak akan ada cara untuk mengakses data-data yang bersifat privat. Selain itu,<em> data field</em> dalam sebuah <em>interface </em>juga harus bersifat <em>static </em>karena kita tidak dapat membuat objek pada <em>interface</em>.</p><p>Poin terakhir, data field pada suatu <em>interface </em>juga harus bersifat final karena, dengan ketiadaan metode yang berisi badan (<em>body</em>), tentunya tidak ada cara lain untuk mengatur nilai-nilai bidang data, kecuali pada saat deklarasi, kita tidak akan bisa mengubahnya. Dapat dibilang bahwa, <em>interface </em>itu seperti “kelas” yang digunakan sebagai deskripsi tentang apa yang dilakukan suatu kelas, namun bukan bagaimana kelas tersebut melakukannya; itu mendeklarasikan metode header, tetapi tidak menjelaskan cara kerja metode tersebut. Saat ingin membuat kelas yang menggunakan <em>interface</em>, harus disertakan nya kata kunci “implements” dan nama <em>interface </em>di header kelas setelah kata kunci “implements”. <em>Interface </em>ini dilakukan agar bisa <em>declare </em>sekali saja, jadi semua kelas yang <em>implement interface </em>tersebut, dapat memakai konstanta-konstanta, data, dan perilaku yang ada tanpa harus declare berulang kali. Contoh kode <em>Interface </em>pada Java:</p><pre>public interface BasketBall<br>{<br>   public static final int SMALL_DIAMETER = 40;<br>   public static final int LARGE_DIAMETER = 60;<br>   public static final double TAX_RATE = 0.07;<br>   public static final String COMPANY = &quot;AdinikeBA BasketBall Company&quot;;<br>}</pre><h3><strong>Pemahaman dan Penjelasan <em>Abstract </em>Class pada Java</strong></h3><p><em>Abstract class</em> dalam Java adalah sebuah kelas yang tidak dapat diinstansiasi secara langsung. Artinya, kita tidak bisa membuat objek langsung dari kelas tersebut. <em>Abstract class </em>memungkinkan kita untuk mendefinisikan struktur dasar dan perilaku umum yang harus dimiliki oleh setiap kelas turunannya, tetapi mereka juga memungkinkan untuk memiliki perilaku yang spesifik untuk setiap kelas turunan.</p><p>Sebagai contoh, mari kita lihat kelas “Animal” yang dianggap sebagai <em>superclass</em>. Kelas ini memiliki metode seperti “talk()” dan “birth()”, tetapi metode ini tidak memiliki implementasi yang spesifik dan tidak ada isinya. Kelas ini kemudian diwariskan kepada dua <em>subclass</em>, yaitu “Cow” dan “Chicken”. <em>Subclass </em>ini akan menggunakan metode abstrak dari <em>abstract class</em> tersebut. Mengapa kita menggunakan <em>abstract class</em>? Karena kedua jenis binatang tersebut tentunya berbeda dalam aspek bersuara dan melahirkan, sapi bersuara “moo” sedangkan ayam bersuara “kukuruyuk”; sapi melahirkan sedangkan ayam bertelur. Oleh karena itu, kita membutuhkan <em>abstract class </em>untuk menyediakan kerangka kerja umum yang bisa diadopsi oleh <em>subclass </em>dengan perilaku yang spesifik.</p><p>Dalam sebuah<strong> </strong><em>abstract class</em>, kita dapat memiliki metode-metode yang memiliki implementasi lengkap (<em>non-abstract</em>) dan metode-metode yang tidak memiliki implementasi (<em>abstract</em>). Metode metode yang abstrak akan ditandai dengan kata kunci “abstract” di depannya dan tidak memiliki tubuh (body) yang terdiri dari kurung kurawal dan pernyataan-pernyataan di dalamnya. <em>Subclass </em>yang mewarisi metode abstrak dari <em>abstract class</em> harus mengimplementasikan metode-metode tersebut; ini akan memastikan bahwa setiap kelas turunan memiliki perilaku yang sesuai dengan kebutuhan mereka, sementara tetap mempertahankan struktur yang terorganisir dengan baik dalam kode.</p><p>Selain contoh dari <em>class</em> Animal, contoh penggunaan atau implementasi <em>abstract class</em> adalah pada saat kita ingin membuat kelas hierarki untuk merepresentasikan entitas-entitas yang berbeda, misalnya:</p><pre>public abstract class Shape {<br>    public abstract double calcArea();<br><br>    public void show() {<br>        System.out.println(&quot;Ini adalah sebuah bentuk.&quot;);<br>    }<br>}</pre><pre>public class Circle extends Shape {<br>    private double radius;<br>    <br>    public Circle(double getRadius) {<br>        this.radius = radius;<br>    }<br><br>    @Override<br>    public double calcArea() {<br>        return Math.PI * radius * radius;<br>    }<br>}</pre><pre>public class Rectangle extends Shape {<br>    private double height;<br>    private double width;<br>    <br>    public Rectangle(double height, double width) {<br>        this.height = height;<br>        this.width = width;<br>    }<br>    <br>    @Override<br>    public double calcArea() {<br>        return height * width;<br>    }<br>}</pre><p>Dalam contoh tersebut, ‘Shape’ adalah <em>abstract class </em>yang memiliki metode ‘calcArea()’. Kelas ‘Circle’ dan ‘Rectangle’ adalah <em>subclass </em>dari ‘Shape’ yang mewarisi metode ‘calcArea()’ dan memberikan implementasi khusus sesuai dengan jenis bentuk geometris yang mereka wakili. Penggunaan <em>inheritance </em>ini memungkinkan kita untuk memanggil metode show() pada objek dari berbagai <em>subclass </em>, sementara implementasi calcArea() dari setiap <em>subclass </em>dipanggil dengan benar sesuai dengan jenis bentuk geometris yang digunakan.</p><p>Dengan menggunakan<em> abstract class</em>, kita dapat menciptakan kelas hierarki yang lebih terstruktur dan modular, sehingga memudahkan dalam pengembangan dan pemeliharaan kode. Selain itu, penggunaan <em>abstract class</em> juga memungkinkan untuk menerapkan prinsip-prinsip seperti <em>polymorphism</em> yang di mana kita dapat menggunakan nama metode yang sama untuk perilaku yang berbeda pada objek-objek yang berbeda.</p><p>Dengan demikian, <em>abstract class</em> adalah sebuah konsep penting dalam pemrograman berorientasi objek yang memungkinkan kita untuk mengorganisir dan mengelola kode dengan lebih efisien serta memfasilitasi penggunaan pola-pola desain yang baik dan skalabilitas dalam pengembangan perangkat lunak.</p><h3>Tabel Perbandingan Abstract Class dan Interface pada Java</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6JHD8FMRQGtdAonB5aNX-Q.png" /></figure><h3><strong>Kriteria dan Waktu yang Tepat untuk Penggunaan <em>Interface </em>dan <em>Abstract Class</em></strong></h3><p><em>Interface</em> dan <em>abstract class</em> sama-sama digunakan untuk membuat abstraksi dalam pemrograman Java. <em>Interface</em> hanya berisi metode abstrak dan tidak ada metode yang konkret dalam <em>interface</em>. <em>Interface</em> adalah opsi yang tepat ketika anda tahu suatu metode harus ada di sana, namun dapat diimplementasikan secara berbeda oleh kelas turunan independen. Waktu yang tepat untuk menggunakan <em>interface</em> adalah ketika kita membutuhkan definisi kontrak untuk beberapa fungsi. Selain itu, ketika ingin membatasi akses anggota dengan tipe tertentu dapat menggunakan <em>interface</em>, hal ini dikarenakan semua variabel bersifat statis dan final, terlepas dari deklarasinya.</p><p>Seperti yang sudah dikatakan sebelumnya, <em>interface</em> adalah solusi untuk ambiguitas <em>multiple inheritance</em>, maka <em>interface</em> juga bisa menjadi pilihan yang tepat saat kita ingin menciptakan sesuatu yang mirip dengan <em>multiple inheritance</em>. Dengan menggunakan <em>interface</em>, sebuah kelas dapat mengadopsi perilaku dari beberapa <em>interface</em> yang berbeda, mirip dengan konsep <em>multiple inheritance</em>. Namun, perlu diingat bahwa jika kita menggunakan<em> interface</em>, semua metode yang ada pada kelas yang mengimplementasikan <em>interface</em> harus diimplementasikan. Dan jika kita ingin mendukung perluasan di masa mendatang saat menggunakan <em>interface</em>, maka kita perlu memperluas dan membuat <em>interface</em> yang baru sesuai kebutuhan.</p><p><em>Abstract class</em> adalah opsi yang tepat ketika kita yakin bahwa beberapa metode konkret/terdefinisi dan harus diimplementasikan dengan cara yang sama di semua kelas turunannya. Ketika menggunakan <em>abstract class</em> kita dapat menunjukan fungsionalitas dengan menyembunyikan detail implementasi. Waktu yang tepat untuk penggunaan <em>abstract class</em> adalah saat sebagian implementasi diketahui. Jika terdapat persyaratan di mana beberapa fungsi umum semua <em>subclass </em>dan beberapa fungsi berbeda dari <em>subclass</em>, maka fungsionalitas umum dapat ditentukan di <em>abstract class</em>. Selain itu, jika memiliki perluasan fitur, maka <em>abstract class</em> adalah pilihan yang bagus. <em>Abstract class</em> memberikan fleksibilitas untuk memiliki metode konkret tertentu, juga memungkinkan keberadaan beberapa metode lain yang harus diimplementasikan oleh kelas turunannya.</p><p>Jika kita membutuhkan tingkat polimorfisme yang tinggi, lebih baik menggunakan <em>interface</em>. <em>Interface</em> memungkinkan objek dari kelas yang berbeda untuk berperilaku serupa, yang sangat berguna dalam situasi di mana Anda ingin mengakses objek melalui <em>interface</em> yang sama tanpa peduli tentang implementasi kelas tersebut.</p><blockquote><strong>Contoh penggunaan Interface:</strong></blockquote><pre>public interface IEmployee {<br>    void project();<br><br>    void manager();<br>}</pre><p>Pada contoh di atas, kita memiliki <em>interface</em> “<em>IEmployee</em>” yang menetapkan dua metode: “<em>project</em>” dan “<em>manager</em>”. Seperti yang kita ketahui ada beberapa kontrak dimana seorang karyawan harus memiliki proyek dan seorang manajer. Namun, belum didefinisikan apa yang menjadi isi dari metode <em>manager</em>, karena hal itu akan ditentukan oleh kelas turunan yang mengimplementasikan<em> interface</em> “<em>IEmployee</em>”. Jadi, pada contoh diatas belum didefinisikan atau belum konkret.</p><blockquote><strong>Contoh penggunaan abstract class:</strong></blockquote><pre>public abstract class Employee {<br>    public abstract void project();<br><br>    public void role() {<br>        System.out.println(&quot;Software Engineer&quot;);<br>    }<br>}</pre><p>Pada contoh di atas, peran atau pekerjaan “<em>employee</em>” sudah ditentukan secara konkret sebagai seorang <em>software engineer </em>sejak bergabung. Oleh karena itu, dalam situasi seperti ini, kita membutuhkan sebuah <em>abstract class</em> yang mendefinisikan peran tersebut sebagai bagian dari <em>base class</em>. Ini adalah contoh penggunaan <em>abstract class</em> ketika kita harus menetapkan implementasi konkrit pada aplikasi kita.<br> Dalam contoh penggunaan tersebut, biasanya lebih disarankan menggunakan <em>interface</em> karena memberikan fleksibilitas untuk mengubah perilaku pada tahap selanjutnya.</p><h3><strong>Kesimpulan</strong></h3><p>Dalam pemrograman Java, pemahaman mengenai<em> inheritance</em>, <em>abstract class</em> dan <em>interface</em> sangat penting untuk menciptakan kode yang terstruktur. <em>Inheritance </em>memungkinkan penggunaan kembali kode dan penciptaan hierarki kelas, sementara <em>interface</em> dan <em>abstract class</em> memberikan abstraksi dan polimorfisme yang diperlukan. <em>Interface</em> cocok digunakan ketika kita perlu membuat kontrak untuk perilaku yang berbeda tanpa memperhatikan implementasi kelas, sementara <em>abstract class</em> berguna ketika kita perlu menetapkan implementasi konkret dan struktur dasar dari suatu kelas. Maka dari itu, dalam memilih antara <em>interface</em> dan <em>abstract class</em>, kita harus mempertimbangkan tingkat abstraksi yang dibutuhkan dan fleksibilitas yang diinginkan dalam aplikasi kita. Semoga artikel ini dapat membantu pemahaman anda mengenai konsep inheritance, <em>abstract class</em> dan interface dalam pemrograman.</p><h3><strong>Daftar Pustaka</strong></h3><p>Admin. (2011). Inheritance (Pewarisan) Pengertian dasar inheritance — UNIKOM. <em>Ilmu Komputer </em>, 1–9. <a href="https://repository.unikom.ac.id/35916/1/Inheritance-Polymorpisme.pdf">https://repository.unikom.ac.id/35916/1/Inheritance-Polymorpisme.pdf</a></p><p>Pemrograman Berbasis Objek. (n.d.). <em>Ilmu Komputer </em>, 1–22. <a href="https://e-journal.uajy.ac.id/1678/3/2TF04485.pdf">https://e-journal.uajy.ac.id/1678/3/2TF04485.pdf</a></p><p>Udjaja, Y. (2020, December 7). <em>Object Oriented Game Programming: Types of inheritance</em>. School of Computer Science. <a href="https://socs.binus.ac.id/2020/12/07/object-oriented-game-programming-types-of-inheritance/">https://socs.binus.ac.id/2020/12/07/object-oriented-game-programming-types-of-inheritance/</a></p><p>Tim Asisten Praktikum Jurusan Teknik Elektro UM. (n.d.). <em>PEMROGRAMAN BERORIENTASI OBJEK — UM</em>, 1–12. <a href="https://elektro.um.ac.id/wp-content/uploads/2016/04/Modul-3-Inheritance.pdf">https://elektro.um.ac.id/wp-content/uploads/2016/04/Modul-3-Inheritance.pdf</a></p><p>GeeksforGeeks. (2024, March 4). <em>Inheritance in Java</em>. geeksforgeeks.org. <a href="https://www.geeksforgeeks.org/inheritance-in-java/">https://www.geeksforgeeks.org/inheritance-in-java/</a></p><p>Pankaj. (2022, August 3). <em>Multiple inheritance in Java</em>. digitalocean.com. <a href="https://www.digitalocean.com/community/tutorials/multiple-inheritance-in-java">https://www.digitalocean.com/community/tutorials/multiple-inheritance-in-java</a></p><p><em>What Is an Interface? (The JavaTM Tutorials &gt; Learning the Java Language &gt; Object-Oriented Programming Concepts)</em>. oracle.com. (n.d.). <a href="https://docs.oracle.com/javase/tutorial/java/concepts/interface.html">https://docs.oracle.com/javase/tutorial/java/concepts/interface.html</a></p><p><em>Difference between interface and abstract class</em>. Javapapers. (2014, September 7). <a href="https://javapapers.com/core-java/abstract-and-interface-core-java-2/difference-between-a-java-interface-and-a-java-abstract-class/">https://javapapers.com/core-java/abstract-and-interface-core-java-2/difference-between-a-java-interface-and-a-java-abstract-class/</a></p><p>Farrell, J. (2019). <em>Java programming</em>. Cengage Learning.</p><p>Man, C. (2022, May 20). <em>Java OOP Tutorial: Getting to Know Abstract Classes and How to Use Them</em>. Wesclic.com. <a href="https://wesclic.com/tutorial-java-oop-mengenal-class-abstrak-dan-cara-pakainya/#:~:text=Class%20abstrak%20adalah%20class%20yang%20masih%20dalam%20bentuk,abstrak%20setidaknya%20memiliki%20satu%20atau%20lebih%20method%20abstrak">https://wesclic.com/tutorial-java-oop-mengenal-class-abstrak-dan-cara-pakainya/#:~:text=Class%20abstrak%20adalah%20class%20yang%20masih%20dalam%20bentuk,abstrak%20setidaknya%20memiliki%20satu%20atau%20lebih%20method%20abstrak</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3406a8a2a6e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Exploration 7 — Cryptography]]></title>
            <link>https://medium.com/@jenniferbells32/exploration-7-cryptography-d7049f822f0e?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/d7049f822f0e</guid>
            <category><![CDATA[ciphertext]]></category>
            <category><![CDATA[cryptography]]></category>
            <category><![CDATA[atbash]]></category>
            <category><![CDATA[informatika]]></category>
            <category><![CDATA[huffman]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Fri, 27 Oct 2023 16:44:11 GMT</pubDate>
            <atom:updated>2023-10-27T16:46:02.159Z</atom:updated>
            <content:encoded><![CDATA[<h3>Exploration 7 — Cryptography</h3><p><strong>Laporan merupakan hasil kegiatan eksplorasi mandiri dari perkuliahan Pengantar Informatika dan Komputasi untuk Pertemuan Ketujuh tentang Keamanan Informasi di Universitas Pelita Harapan. Tulisan ini disusun oleh Jennifer Christabelle dan Gebrina Augustine Padatu. Pada tugas eksplorasi ini, kami mempelajari beberapa metode “Cryptography” melalui situs </strong><a href="https://www.cryptool.org/en/cto/"><strong>https://www.cryptool.org/en/cto/.</strong></a></p><p>Definisi “Cryptography” adalah ilmu dan praktik yang berkaitan dengan melindungi informasi dengan mengubahnya menjadi bentuk yang tidak dapat dibaca (proses enkripsi), yang disebut ciphertext, dan hanya dapat diubah kembali menjadi teks asli (plaintext) melalui proses dekripsi oleh pihak yang memiliki kunci dekripsi yang tepat. Tujuannya adalah menjaga kerahasiaan, integritas, dan otentikasi data. Kriptografi digunakan dalam berbagai konteks, seperti keamanan data, komunikasi internet, dan perlindungan informasi rahasia. Ini melibatkan penggunaan algoritma matematis kompleks dan kunci enkripsi yang kuat untuk menciptakan tingkat keamanan yang tinggi.</p><p>Terdapat 3 kategori metode terkait ilmu “Cryptography” yang kami eksplorasi yaitu: <strong>Cypher, Codings, dan Cryptanalysis</strong>.</p><p>Secara general, yang termasuk kategori Cypher adalah metode kriptografi yang memiliki peran sentral dalam menjaga kerahasiaan pesan-pesan rahasia. Salah satu karakteristik penting cipher adalah kunci, yang merupakan komponen penting dalam proses enkripsi dan dekripsi. Dalam proses enkripsi, kunci yang sama digunakan untuk mengubah teks asli menjadi teks terenkripsi, dan dalam proses dekripsi, kunci yang sama digunakan untuk mengembalikan teks terenkripsi ke bentuk aslinya.Selain menjaga kerahasiaan data, ciphers juga dapat digunakan untuk memastikan integritas dan otentikasi data. Beberapa jenis cipher juga dapat digunakan untuk memastikan bahwa data tidak dapat dengan mudah diakses oleh pihak yang tidak berwenang saat berpindah dari satu lokasi ke lokasi lain melalui jaringan. Ciphers sangat penting dalam dunia kriptografi dan keamanan informasi karena mereka membantu melindungi data sensitif dalam berbagai situasi, seperti komunikasi online dan penyimpanan data penting.</p><p>Sedangkan yang termasuk metode Codings adalah metode yang mengubah pesan asli menjadi bentuk yang tidak dapat dimengerti oleh pihak yang tidak berwenang. Coding adalah metode yang penting dalam proses cryptography karena membantu mengamankan data sebelum dienkripsi, juga memastikan data dapat didekripsi dengan benar saat diperlukan. Coding bertujuan untuk mempersiapkan data agar sesuai dengan algoritma enkripsi yang akan digunakan dan meningkatkan keamanan data sebelum proses enkripsi. Coding biasanya merujuk pada proses pengkodean data yang merupakan langkah awal dalam proses enkripsi pesan atau informasi. Terdapat beberapa teknik coding dalam cryptography, yaitu substitusi (mengganti setiap karakter dalam pesan dengan karakter lain), transposisi (mengubah urutan karakter dalam pesan), stream cipher (mengenkripsi bit perbit) dan block cipher (mengenkripsi blok per blok).</p><p>Sementara Cryptanalysis dikenal sebagai pelacakan kode, adalah suatu proses yang berkaitan dengan studi, analisis dan pemahaman tentang cryptography dan penemuan kerentanan dalam algoritma cryptography yang bisa digunakan untuk mendekripsi pesan yang terenkripsi (ciphertext) tanpa sepengetahuan kunci rahasia. Dengan kata lain, Cryptanalysis adalah sebuah pihak yang berusaha menemukan rahasia (plaintext/kunci) dari suatu pesan yang telah terenkripsi (ciphertext). Cryptanalysis menggunakan aturan numerik untuk mencari kerentanan algoritma dan bercabang lebih jauh ke cryptography dalam sistem keamanan informasi. Beberapa bentuk cryptanalysis dapat digunakan untuk menyerang pesan cryptography, mulai dari intersepsi pesan dalam saluran komunikasi yang tidak aman hingga pencocokan plaintext berdasarkan teknik algoritma yang sama.</p><p>Untuk kategori “<strong>Cypher</strong>” terdapat banyak metode. Pada kegiatan eksplorasi kali ini, kami memilih 3 metode yang akan kami bahas lebih lanjut yaitu: <strong>ADFGVX, AES dan Atbash.</strong></p><p>Sedangkan untuk kategori “<strong>Codings”</strong>, 1 metode yang akan kami bahas adalah <strong>HUFFMAN</strong></p><h3><strong>ADFGVX</strong></h3><h4>Definisi &amp; Sejarah</h4><p>Metode ADFGVX adalah suatu sistem penyandian kriptografi yang menggunakan dua langkah. Pertama, huruf abjad digantikan oleh dua simbol, yaitu “A,” “D,” “F,” “G,” “V,” dan “X.” Setelah itu, simbol-simbol ini digunakan sebagai koordinat dalam tabel sandi untuk menggantikan huruf-huruf lain. Sistem ADFGVX juga digunakan oleh tentara Jerman selama Perang Dunia I untuk melindungi pesan-pesan rahasia dari pihak musuh. Sistem ini menggabungkan dua jenis enkripsi substitusi, yaitu enkripsi substitusi monoalfabetik dan enkripsi substitusi polialfabetik, dan dinamai berdasarkan huruf-huruf yang digunakan dalam tabel enkripsi, yaitu A, D, F, G, V, dan X. Sistem ini juga merupakan salah satu teknik penyandian yang pernah canggih pada masanya.</p><p>Selama Perang Dunia I, sandi ADFGX digunakan pertama kali pada tanggal 5 Maret 1918. Pada tanggal 1 Juni 1918, versi lanjutannya, yaitu ADFGVX, digunakan untuk pertama kalinya. Menurut sejumlah ahli kriptografi Jerman, sandi ini tidak dapat dipecahkan. Karena pasukan Jerman semakin dekat dengan Paris, sangat penting bagi pasukan sekutu untuk memecahkan sandi ini dan mendapatkan informasi intelijen tentang pergerakan selanjutnya yang akan dilakukan oleh pasukan Jerman. Pada tanggal 2 Juni, Geoges Painvin, seorang analis ruang bawah tanah Perancis, berhasil memecahkan pengkodean pesan radio Jerman. Dia memiliki kemampuan untuk mendekripsi pesan yang menunjukkan lokasi pasukan Jerman. Ini mungkin merupakan salah satu faktor terpenting yang menyebabkan serangan Jerman tidak berhasil. Karakter A, D, F, G, V, dan X digunakan untuk transmisi Jerman karena mereka mudah dibedakan dalam alfabet <em>Morse</em>.</p><h4>Algoritma / Cara Kerja</h4><p>Cara kerja ADFGVX adalah Setiap huruf dalam teks yang akan disandi digantikan oleh dua simbol ADFGVX yang sesuai. Simbol-simbol ini berasal dari alfabet kata “ADFGVX.”. Setelah itu, Simbol-simbol ADFGVX tersebut digunakan sebagai koordinat dalam tabel sandi, di mana tabel ini memiliki alfabet yang disusun dengan cara acak. Tabel ini menciptakan teks sandi yang sangat sulit dipecahkan karena koordinat simbol ADFGVX mengarah ke huruf-huruf yang berubah secara konstan. Prosedur pengkodean menurut ADFGVX terdiri dari dua tahap. Untuk tahap pertama (substitusi), digunakan sandi Polybius. Sebuah matriks dengan 6 baris dan kolom terbentuk. Setiap karakter dari alfabet A-Z harus dituliskan dalam matriks ini begitu pula dengan angka 0–9. Contoh:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/0*Te6fr9HyxAjOeJN9" /></figure><p>Untuk pesan “GEHEIMNACHRICHT” karakter G akan disubstitusi sesuai matriks di atas ke XD. (baris X dan kolom D). E digantikan oleh AD (baris A dan kolom D) dan H oleh XX (baris X dan kolom X). Setelah mengganti semua karakter kita mendapatkan: “XD AD XX AD VA GA FD DV AG XX XV VA AG XX XA”.</p><p>Transposisi digunakan untuk pengkodean tahap kedua. Matriks dibaca baris demi baris dan dibaca kolom demi kolom. Selain itu, kata kunci yang sewenang-wenang harus dipilih. Anggaplah kuncinya adalah “MYKEY”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/324/0*etab6QUVDU0-IXZD" /></figure><p>Untuk langkah terakhir, kolom ditukar. Hal ini terjadi dengan mengurutkan kata kunci berdasarkan abjad.</p><p>Hasilnya adalah matriks ini:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/327/0*g2CjTd0gy4Y0hNpr" /></figure><p>Karakter M dari kata kunci telah menjadi header kolom pertama sebelum ditukar. Sekarang sudah menjadi kolom 3.</p><p>Karakter Y dari kata kunci telah menjadi header kolom kedua sebelum ditukar. Sekarang sudah menjadi kolom 4.</p><p>Karakter K dari kata kunci telah menjadi header kolom ketiga sebelum ditukar. Sekarang sudah menjadi kolom 2.</p><p>Hasilnya kolom asli telah tertukar ke posisi (3–4–2–1–5).</p><p>Untuk mendapatkan ciphertext, matriks harus dibaca kolom demi kolom dari atas ke bawah. Teks sandi terakhirnya adalah: “DV DX AX AD FG VX XX GV XG DA AA VX XA DX AA”.</p><h4><strong>Kelebihan</strong></h4><p><strong>Keamanan yang cukup tinggi </strong>: Algoritma ADFGVX menggunakan dua operasi enkripsi dasar, yaitu substitusi dan permutasi, yang saling melengkapi. Hal ini membuat algoritma ini cukup sulit untuk dipecahkan, terutama jika kunci yang digunakan cukup panjang dan kompleks. Pesan-pesan rahasia akan sulit untuk dipecahkan oleh pihak lain tanpa pengetahuan tentang tabel enkripsi dan kunci yang tepat.</p><p><strong>Kecepatan enkripsi dan dekripsi yang cukup tinggi beserta dengan kemudahan penggunaan :</strong> Algoritma ADFGVX menggunakan tabel yang sudah ditentukan, sehingga proses enkripsi dan dekripsi dapat dilakukan dengan cepat dan mudah.</p><h4><strong>Kekurangan</strong></h4><p><strong>Ketergantungan pada Tabel Enkripsi : </strong>Keamanan ADFGVX sangat bergantung pada kerahasiaan tabel enkripsi, yang terdiri dari matriks 6x6 yang terdiri dari huruf-huruf A, D, F, G, V, dan X. Jika tabel ini dicuri atau terungkap oleh musuh, sistem ADFGVX dapat menjadi rentan.</p><p><strong>Keterbatasan untuk Penggunaan Sekarang / Masa Modern :</strong> ADFGVX adalah teknologi yang sudah tua karena dikembangkan pada tahun 1918 dan sudah menjadi tidak aman untuk digunakan di zaman sekarang. Dengan banyaknya kemajuan dalam bidang kriptografi sejak ADFGVX, pesan yang dienkripsi dapat dengan cepat dipecahkan oleh teknik analisis dan komputasi kripto yang kuat saat ini.</p><h3><strong>AES</strong></h3><h4>Definisi &amp; Sejarah</h4><p>Metode AES adalah algoritma kriptografi simetris, yang berarti kunci yang sama digunakan untuk enkripsi dan dekripsi. AES bekerja dengan membagi data yang akan dienkripsi menjadi blok-blok kecil dan menggantikan setiap blok tersebut dengan blok yang dienkripsi. Algoritma ini menggantikan setiap blok data dengan menggunakan penggantian dan permutasi yang kompleks berdasarkan pada kunci yang digunakan. Pemerintah Amerika Serikat menerbitkan Advanced Encryption Standard (AES) pada tahun 2001 sebagai standar NIST (National Institute of Standards and Technology) dan pengganti standar enkripsi Data Encryption Standard (DES), karena pemenang kompetisi NIST adalah algoritma Rijndael. AES terdiri dari tiga blok cipher AES-128, AES-192, dan AES-256, yang diambil dari set yang lebih besar yang awalnya diterbitkan sebagai Rijndael.</p><h4>Algoritma / Cara Kerja</h4><p>Proses enkripsi AES dimulai dengan inisialisasi kunci yang dapat memiliki panjang 128, 192, atau 256 bit. Kunci ini menghasilkan serangkaian subkunci yang akan digunakan selama proses enkripsi. Pesan yang akan dienkripsi dibagi menjadi blok 128 bit, yang kemudian disusun kembali dalam matriks 4 kali 4 yang disebut sebagai “state”.</p><p>Enkripsi AES terdiri dari beberapa putaran. Setiap putaran memiliki sejumlah langkah, seperti SubBytes (yang menggunakan tabel substitusi S-box untuk menggantikan byte dalam matriks state), ShiftRows (yang menggerakkan byte dalam setiap baris matriks state), MixColumns (yang mengubah matriks pada kolom), dan AddRoundKey (yang menggunakan XOR dengan subkunci putaran). Untuk AES-128, ada sepuluh putaran, untuk AES-192, dan untuk AES-256, ada dua belas putaran.</p><h4><strong>Kelebihan</strong></h4><p><strong>Keamanan yang tinggi : </strong>AES dikenal sebagai salah satu algoritma kriptografi simetris yang paling kuat dan telah diuji secara luas. AES menggunakan kombinasi dari empat operasi dasar yang saling melengkapi, yaitu SubBytes, ShiftRows, MixColumns, dan AddRoundKey. Kombinasi dari operasi-operasi ini membuat AES sangat sulit untuk dipecahkan.</p><p><strong>Fleksibilitas : </strong>AES tersedia dalam tiga panjang kunci, yaitu 128 bit, 192 bit, dan 256 bit. Panjang kunci yang lebih panjang akan menghasilkan keamanan yang lebih tinggi atau sesuai dengan kebutuhan para pengguna.</p><h4>Kelemahan</h4><p><strong>Kompleksitas : </strong>AES adalah algoritma yang kompleks, sehingga sulit untuk diimplementasikan dan dipahami. Hal ini membuat AES kurang cocok untuk digunakan oleh pengguna yang tidak memiliki pengetahuan yang mendalam tentang kriptografi. Kesalahan atau cacat dalam implementasi dapat mengakibatkan kerentanan yang serius dalam sistem keamanan.</p><p><strong>Kebutuhan kunci yang besar : </strong>AES membutuhkan kunci yang panjang untuk menghasilkan keamanan yang tinggi. Semakin panjang kunci, semakin sulit untuk mengelola dan menyimpannya dengan aman. Penggunaan kunci yang sangat panjang dapat menimbulkan tantangan dalam manajemen kunci yang efisien. Kunci yang panjang membutuhkan lebih banyak memori dan waktu untuk diproses. Hal ini dapat menjadi masalah untuk aplikasi yang memiliki keterbatasan memori atau waktu.</p><h3><strong>Atbash</strong></h3><h4>Definisi &amp; Sejarah</h4><p>Metode Atbash adalah jenis sandi penggantian yang paling sederhana dan telah digunakan dalam berbagai situasi sepanjang masa. Biasanya dianggap sebagai salah satu metode penyandian tercepat yang pernah ada karena hanya menggantikan setiap huruf dalam alfabet dengan huruf yang berlawanan atau berpasangan. Dengan kata lain, huruf pertama diganti dengan huruf terakhir, huruf kedua diganti dengan huruf kedua terakhir, dan seterusnya.</p><p>Metode Atbash termasuk di antara metode penyandian tertua yang dikenal. Ini ada di banyak budaya kuno, termasuk dalam abjad Ibrani dan tulisan Ibrani. Kata Ibrani “Atbash” merujuk pada penggantian huruf pertama dengan huruf terakhir dalam abjad Ibrani. Sejak zaman kuno, teknik ini telah digunakan untuk mengamankan teks dan pesan.</p><h4><strong>Algoritma / Cara Kerja</strong></h4><p>Pertama, persiapkan abjad yang akan digunakan, seperti abjad A hingga Z dalam bahasa Inggris. Kemudian, balik urutan abjad tersebut, sehingga huruf A menjadi Z, B menjadi Y, dan seterusnya. Proses selanjutnya melibatkan penggantian huruf dalam teks yang akan dienkripsi. Misalnya, huruf H akan digantikan dengan S, E akan menjadi V, dan seterusnya.</p><p>Contoh:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/0*RKVQHBsDRDc0GTns" /></figure><h4>Kelebihan</h4><p><strong>Mudah digunakan : </strong>Metode Atbash hanya menggunakan tabel transposisi untuk mengenkripsi dan mendekripsi data. Tabel transposisi ini dapat dibuat dengan mudah dan tidak memerlukan perangkat yang khusus.</p><p><strong>Kesederhanaan :</strong> Algoritma ini sangat mudah dimengerti dan tidak memerlukan perangkat lunak atau peralatan khusus. Kesederhanaan Atbash membuatnya dapat digunakan secara cepat dan efisien dalam konteks di mana keamanan data tidak menjadi prioritas utama.</p><h4>Kekurangan</h4><p><strong>Keamanan yang rendah :</strong> Metode Atbash hanya menggunakan satu proses sederhana untuk mengenkripsi dan mendekripsi data sehingga dapat dipecahkan dengan menggunakan metode-metode modern, seperti analisis frekuensi. Ini membuat metode Atbash tidak cocok untuk data yang membutuhkan keamanan tingkat tinggi.</p><p><strong>Tidak Cocok untuk Data Non-Abjad : </strong>Metode Atbash hanya berlaku untuk karakter abjad dan tidak cocok untuk mengenkripsi data yang mengandung karakter khusus, angka, atau simbol. Karakter non-abjad tidak berubah dalam proses enkripsi, yang dapat menyebabkan kehilangan data jika mereka ada dalam pesan.</p><h3><strong>HUFFMAN</strong></h3><h4>Definisi &amp; Sejarah</h4><p>Huffman adalah suatu metode lossless compression scheme atau kompresi tanpa kehilangan yang dalam artiannya memperpendek data yang diberikan tanpa mengurangi informasi yang ada didalamnya. Dengan metode huffman, data akan menjadi lebih pendek/ singkat dan menghemat ruang penyimpanan. Huffman sebenarnya lebih sering digunakan untuk melakukan kompresi file agar penggunaan ruang penyimpann lebih sedikit, secara umum, algoritma pada metode ini memberikan penghematan sebesar 20%-30%. Dengan mengkombinasikan pesan dengan konversi kedalam binary, hasil pesan dengan kriptografi menggunakan kode huffman akan cukup aman.</p><p>Huffman Coding diciptakan oleh seorang mahasiswa MIT, yaitu David Huffman. Ia menerbitkan paper-nya pada tahun 1952 yang berjudul “A Method for the construction of minimum redundancy codes”. Saat itu David A. Huffman dan mahasiswa sekelasnya di teori informasi MIT diberikan pilihan untuk membuat makalah atau mengerjakan ujian akhir. Topik untuk makalah tersebut yang diberikan oleh professor Robert M. Fano adalah pencarian kode biner yang paling efisien. Huffman hampir menyerah dan memutuskan untuk mengambil ujian akhir karena tidak mampu membuktikan kode mana yang paling efisien, tapi ia tiba-tiba saja ia terpikir sebuah ide untuk menggunakan algoritme pohon biner yang diurutkan berdasarkan frekuensi. Lalu ia langsung dengan cepat membuktikan kepada profesornya bahwa metode tersebut adalah metode yang paling efisien.</p><h4>Algoritma / Cara Kerja</h4><p>Prinsip kerja dari algoritma huffman adalah mengkodekan setiap karakter ke dalam representasi bit, representasi bit untuk setiap karakter akan berbeda dari segi panjangnya. Hal ini disebut sebagai variable-length code. Metode ini berkerja dengan cara mengganti karakter yang sering muncul dengan kode yang lebih pendek dan karakter yang jarang muncul dengan kode yang lebih panjang. Dengan metode ini, karakter-karakter yang ada dapat dipersingkat menjadi kode binary yang lebih pendek. Jika kode-kode pendek itu dikelompokkan setiap 8 bit dan diterjemahkan kembali dalam ASCII makan akan menghasilkan karakter lain yang muncul secara acak dan tidak memiliki arti. Contoh cara kerja metode ini, sebagai berikut:</p><p>Diberikan sebuah pesan TESTING THE CODE(spasi dihitung)</p><p>Langkah awal dalam metode ini adalah mencari kemunculan karakter rersebut. Panjang pendeknya representasi bit bagi sebuah karakter ditentukan oleh frekuensi kemunculan karakter tersebut dalam plaintext. Makin sering suatu karakter muncul, makin pendek representasi bitnya. Sebaliknya, jika makin jarang suatu karakter muncul, maka representasinya semakin panjang</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/0*rvb7kQ7rXGaESaRH" /></figure><p>Lalu, langkah kedua adalah membangun pohon Huffman</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/364/0*-_75tfpA_pbuEvyi" /></figure><p>Setelah itu, hasil karakter sesudah kode Huffman:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/0*QeeitnmjPcul-MdF" /></figure><p>Jika teks tersebut diterjemahkan kedalam biner</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/431/0*0otOF0sZVKWzWCl6" /></figure><p>Teks akan memiliki panjang awal 16*8 = 128 bit</p><p>Langkah selanjutnya, setelah penerjemahan melalui huffman code panjang teks tinggal 53 bit.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/0*Dn9QVaMXrwq_7G5Y" /></figure><p>Setelah melakukan penerjemahan dengan huffman code, kode yang ada akan dipotong setiap 8 bit.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/340/0*XrrizW4WAOUQzGgp" /></figure><p>Lalu karakter akan diterjemahkan kembali kedalam ASCII, tetapi karena hasilnya hanya 53 bit, maka bagian yang tidak genap 8 perlu diisi dengan suatu karakter dummy. Karakter dummy haruslah yang tidak terdapat didalam kode Huffman yang telah dibuat. Dalam contoh ini, akan diberikan 111.</p><p>Dengan penerjemahan kembali kedalam ASCII, teks akan menjadi: ‡ Ì Ö ± Ê œ §</p><p>Jadi, dari bentuk awal “TESTING THE CODE” dengan panjang 128 bit. Setelah enkripsi dengan Huffman coding menjadi “‡ Ì Ö ± Ê œ §” , panjang 56 bit. Dengan metode ini, maka pesan tidak dapat dimengerti meskipun memiliki panjang yang lebih singkat dibandingkan dengan pesan semula karena hanya terdiri dari simbol-simbol dan yang tidak bermakna jika disambungkan.</p><h4><strong>Kelebihan</strong></h4><p>Huffman code dapat meningkatkan kerahasiaan dari informasi yang diberikan, karena huffman code memiliki pengkodean yang unik. Kelebihan lain dari metode ini adalah membuat file menjadi lebih pendek, file tersebut jadi mempunyai multipretasi yang juga menyulitkan untuk decrypting. Meskipun teks menjadi lebih pendek, teks juga menjadi sulit untuk dibaca. Apabila pihak luar mengetahui sistem kode Huffman, untuk menerjemahkan kode yang diberikan tetap akan sulit karena terdapat beberapa huruf memiliki panjang bit yang sama dan dapat ditukar-tukar oleh pengirim pesan.</p><h4><strong>Kekurangan</strong></h4><p>Salah satu kekurangan dari metode ini adalah menggunakan ASCII yang dimana didalamnya terdapat sejumlah karakter yang tidak punya representasi.</p><p>Selain itu, kekurangan lain dari metode ini adalah jika hasil penerjemahan dengan Huffman code tidak kelipatan delapan, maka terpaksa sisa karakternya diisi dengan dummy yang beresiko akan mengacaukan isi pesan.</p><p>Keunikan kode Huffman juga dapat menyulitkan proses pengkodean dan penerjemahan kembali dan akan memiliki table decipher yang berbeda untuk setiap pesan yang dapat menyusahkan pengguna juga. Selain itu, penerima pesan juga perlu menerima table penerjemahan pesan karena setiap pesan mempunyai kode unik dan tidak bisa dilafalkan seperti morse atau semacamnya.</p><h3><strong>VIGENERE ANALYSIS</strong></h3><h4>Definisi &amp; Sejarah</h4><p>Vigenere analysis adalah suatu proses memecahkan atau menganalisis teks yang dienkripsi dengan metode vigenere cipher. Dengan kata lain upaya untuk mengungkapkan kunci yang digunakan dalam enkripsi dan mendekripsi pesan terenkripsi. Ini adalah salah satu metode cryptoanalysis yang memiliki tujuan mengidentifikasi panjang kata kunci, mengungkapkan kata kunci dan mendekripsi pesan terenkripsi</p><p>Metode ini adalah algoritma yang dipublikasikan pada tahun 1586 diabad ke-16, oleh Blaise de Vigenere. Meskipun Giovan Batista Belaso telah menggambarkannya pertama kali pada tahun 1553 seperti ditulis di dalam bukunya La Cifra del Sig. Vigenere cipher dipublikasikan pada tahun 1586, tetapi algoritma tersebut baru dikenal luas 200 tahun kemudian oleh karena penemunya, cipher tersebut dinamakan vigenere cipher. Cipher ini berhasil dipecahkan oleh Babbage dan Kasiski pada pertengahan abad 19. Vigenere cipher digunakan oleh tentara Konfiderasi (<em>Confederate Army</em>) pada perang sipil Amerika (<em>American Civil war</em>). Perang sipil terjadi setelah Vigenere cipher berhasil dipecahkan. Hal ini diilustrasikan oleh kutipan pernyataan Jenderal Ulysses S, Grant : <em>It would sometimes take too long to make translation of intercepted dispatches for us to receive any benefit from them, but sometimes they gave useful information.</em></p><h4>Algoritma / Cara Kerja</h4><p>Cara kerja program ini adalah mengubah plain text dengan kunci tertentu dengan kata ataupun kalimat yang lain melewati suatu proses perhitungan. Contohnya pada sandi Caesar dengan geseran 3, A menjadi D, B menjadi E dan seterusnya. Sandi vigenere terdiri dari beberapa sandi Caesar dengan nilai geseran yang berbeda. Untuk menyandikan suatu pesan, digunakan sebuah tabel alfabet yang disebut dengan table vigenere.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/532/0*TTKWXsU-CumFqRPu" /></figure><p>Table vigenere diatas berisi alfabet yang dituliskan dalam 26 baris, masing-masing baris digeser satu urutan ke kiridari baris sebelumnya, membentuk ke-26 kemungkinan sandi Caesar. Setiap huruf disandikan dengan menggunakan baris yang berbeda, sesuai kata kunci yang diulang.</p><p>Contoh:</p><p>Plaintext yang akan disandikan adalah “sari kaya” , dan kata kuncinya adalah “roti”.</p><p>“Roti” akan diulang dengan plaintext menjadi “rotiroti”.</p><p>Huruf pertama pada plaintext, s, disandikan dengan menggunakan baris berjudul R, huruf pertama pada kata kunci. Pada baris R dan kolom S pada table vigenere, terdapat huruf J. Demikian juga untuk huruf kedua, digunakan huruf yang terletak pada baris O (huruf kedua kata kunci) dan kolom A (huruf kedua plaintext), yaitu huruf O. Proses ini dijalankan terus menerus, sehingga di peroleh hasil : JOKQBORI</p><h4><strong>Kelebihan</strong></h4><p>Kelebihan metode ini pada masanya sangat kuat dan sulit untuk dipecahkan.</p><p>Selain itu, metode ini memiliki kemampuan untuk mengatasi serangan dengan analisis frekuensi huruf, yang berhasil dalam mengalahkan metode substitusi sederhana</p><h4><strong>Kekurangan</strong></h4><p>Metode ini sensitif terhadap panjang kata kunci, jika panjang kata kunci tidak cukup panjang, maka metode ini tetap rentan terhadap serangan.</p><p>Metode ini masih rentan terhadap serangan berdasarkan analisis frekuensi kemunculan huruf.</p><p>Metode ini tidak tahan terhadap serangan kunci ganda, yang dimana beberapa pesan dienkripsi dengan kata kunci yang sama.</p><h3>Referensi</h3><p><a href="https://sis.binus.ac.id/2022/04/14/yuk-berkenalan-dengan-cryptography/">Yuk Berkenalan dengan Cryptography!</a></p><p><a href="https://pintu.co.id/blog/ciphertext-adalah#cara-kerja-ciphertext-dan-cipher">Apa itu Ciphertext dan Cipher dalam Kriptografi? — Pintu Blog</a></p><p><a href="https://pintu.co.id/blog/jenis-enkripsi-cipher-kriptografi">5 Jenis Metode Enkripsi (Cipher) dalam Kriptografi — Pintu Blog</a></p><p><a href="https://builtin.com/cybersecurity/cryptanalysis">What Is Cryptanalysis? (Definition, Types, Goals) | Built In</a></p><p><a href="https://informatika.stei.itb.ac.id/~rinaldi.munir/Kriptografi/Makalah/Makalah07.pdf">Microsoft Word — Tugas 4.doc (itb.ac.id)</a></p><p><a href="https://techking.id/apa-itu-cryptanalysis-dan-bagaimana-cara-kerjanya/#:~:text=Cryptanalysis%2C%20yang%20dikenal%20sebagai%20pelacakan%20kode%2C%20adalah%20pemahaman,lebih%20jauh%20ke%20kriptografi%20dalam%20sistem%20keamanan%20informasi.">Apa itu Cryptanalysis dan Bagaimana Cara Kerjanya? — techking.id</a></p><p><a href="https://informatika.stei.itb.ac.id/~rinaldi.munir/Kriptografi-dan-Koding/2021-2022/1%20-%20Pengantar-Kriptografi-STI-(2021).pdf">Riset dalam bidang Multimedia Security (itb.ac.id)</a></p><p><a href="https://informatika.stei.itb.ac.id/~rinaldi.munir/Matdis/2015-2016/Makalah-Matdis-2015/Makalah-IF2120-2015-070.pdf">Makalah-IF2120–2015–070.pdf (itb.ac.id)</a></p><p><a href="https://id.wikipedia.org/wiki/Pengodean_Huffman#:~:text=Algoritme%20Huffman%20Coding%20ditemukan%20oleh%20David%20A.%20Huffman,tabel%20kode%20variabel-panjang%20untuk%20pengkodean%20simbol%20sumber%20">Pengodean Huffman — Wikipedia bahasa Indonesia, ensiklopedia bebas</a></p><p><a href="https://www.keinsinyuran.com/kamus/huffman-coding/">Huffman Coding Adalah: Pengertian, Arti, Contoh + Penjelasannya! (keinsinyuran.com)</a></p><p><a href="https://www.academia.edu/11323156/Vigenere_cipher_analisis_algoritma_">Vigenere cipher (analisis algoritma) | Jujur Soaloon Sitanggang — Academia.edu</a></p><p><a href="https://en.wikipedia.org/wiki/ADFGVX_cipher">ADFGVX cipher — Wikipedia</a></p><p><a href="https://en.wikipedia.org/wiki/Advanced_Encryption_Standard">Advanced Encryption Standard — Wikipedia</a></p><p><a href="https://en.wikipedia.org/wiki/Atbash">Atbash — Wikipedia</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d7049f822f0e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Exploration 6 — Computer Networks & Internet]]></title>
            <link>https://medium.com/@jenniferbells32/exploration-6-computer-networks-internet-d0a3a425b75c?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/d0a3a425b75c</guid>
            <category><![CDATA[tcp]]></category>
            <category><![CDATA[uph]]></category>
            <category><![CDATA[osi]]></category>
            <category><![CDATA[informatics]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Fri, 20 Oct 2023 16:27:25 GMT</pubDate>
            <atom:updated>2023-10-20T16:30:59.445Z</atom:updated>
            <content:encoded><![CDATA[<h3>Exploration 6–7 OSI Model vs 5-layer TCP/IP protocol</h3><p>Artikel ini berisi studi kasus yang diberikan pada perkuliahan Pengantar Informatika dan Komputasi untuk <strong>Pertemuan Keenam</strong> tentang <strong>Computer Networks &amp; Internet </strong>di Universitas Pelita Harapan. Studi kasus ini dikerjakan oleh <em>Jennifer Christabelle </em>dan <em>Gebrina Augustine Padatu</em>.</p><h4><strong>Apa yang akan dibahas :</strong></h4><ol><li>Penjelasan 5 layer dalam 5-layer TCP/IP Protocol</li><li>Sebutkan 7 layer dalam 7 OSI Model</li><li>Penjelasan, fungsi, dan cara kerja dari masing-masing layer (dapat berupa tabel maupun paragraf)</li><li>Perbedaan antara 7 OSI Model dan 5-layer TCP/IP Protocol</li></ol><h3><strong>Penjelasan 5<em> layer </em>dalam 5-<em>layer</em> TCP/IP <em>Protocol</em></strong></h3><p>TCP/IP atau <em>Transmission Control Protocol/Internet Protocol</em> adalah seperangkat protokol komunikasi yang digunakan dalam jaringan komputer dan di Internet untuk menghubungkan satu komputer ke komputer lain melalui Internet sehingga mereka dapat berkomunikasi satu sama lain; misalnya berbagi data antar komputer. 5 lapisan yang berada dalam TCP/IP adalah sebagai berikut:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/0*vYs4f6pejeekxxwp" /></figure><h4><em>Physical Layer (Layer 1)</em></h4><p>Lapisan <em>physical</em> dalam jaringan komunikasi adalah lapisan terbawah yang mendefinisikan karakteristik perangkat keras yang diperlukan, seperti level tegangan, <em>pin interface</em>, dan media transmisi. Fungsinya adalah mengatur bagaimana data fisik dipindahkan melalui jaringan, termasuk metode pensinyalan, sinkronisasi bit, arsitektur jaringan, topologi, dan pengkabelan yang digunakan. Dengan kata lain, lapisan fisik merupakan komponen kunci yang mengatur cara data fisik dipindahkan melalui jaringan dan menentukan spesifikasi teknis yang diperlukan agar perangkat dapat berkomunikasi dengan lancar dalam lingkungan jaringan tertentu.</p><h4><em>Network Interface (Layer 2)</em></h4><p>Lapisan ini mengatur koneksi antara perangkat dari jaringan yang berbeda, seperti <em>Network Layer </em>pada model OSI, dengan fungsinya melibatkan pengelolaan alamat <em>Internet Protocol</em> (IP) dan penanganan kesalahan data. Protokol di lapisan ini memungkinkan perangkat untuk saling berkomunikasi, meskipun seringkali tersembunyi, dengan protokol seperti IP, <em>Transmission Control Protocol</em> (TCP), dan <em>User Datagram Protocol</em> UDP digunakan pada level yang lebih tinggi. Tugas utama lapisan ini adalah mengubah data IP menjadi bentuk yang dapat dikirimkan melalui jaringan, serta mengaitkan alamat IP dengan alamat fisik yang digunakan dalam jaringan, sehingga memungkinkan perangkat keras untuk mentransmisikan data dengan benar. Lapisan ini terhubung erat dengan perangkat keras komputer, memungkinkan pengiriman data baik melalui kabel maupun nirkabel.</p><h4><em>Internet (Layer 3)</em></h4><p>Lapisan <em>Internet </em>dalam jaringan<em> internet </em>memiliki peran utama dalam memastikan pengiriman data yang tepat melalui berbagai aktivitas yang dilakukan oleh <em>host</em>, dengan bantuan elemen seperti <em>Internet Protocol</em> (IP), <em>Address Resolution Protocol </em>(ARP), dan <em>Internet Control Message Protocol</em> (ICMP). IP, sebagai inti dari lapisan Internet, berperan penting dalam pengiriman data dalam seluruh jaringan TCP/IP, di mana semua protokol di atas dan di bawah lapisan Internet menggunakan IP untuk mengirim data tanpa memedulikan tujuan akhirnya. Oleh karena itu, IP menjadi elemen sentral dalam aliran data TCP/IP, baik pada saat data masuk maupun keluar.</p><h4><em>Transport (Layer 4)</em></h4><p>Lapisan <em>Transport </em>adalah elemen penting dalam pengiriman data dari satu host ke <em>host</em> lainnya, yang menggunakan dua protokol utama, yaitu <em>Transmission Control Protocol </em>(TCP) untuk pengiriman yang andal dan <em>User Datagram Protocol </em>(UDP) untuk pengiriman tanpa perlu membuka koneksi terlebih dahulu. Lapisan ini berperan dalam menghubungkan antara lapisan Aplikasi dan Internet. Fungsinya adalah memastikan bahwa data yang diterima di sisi penerima sesuai dengan data yang dikirim oleh pengirim, selain juga menciptakan koneksi logis antara dua <em>host</em> dan mengelola pemecahan serta penyatuan data yang berasal dari lapisan Aplikasi.</p><h4><em>Application (Layer 5)</em></h4><p>Lapisan<em> Application </em>adalah lapisan teratas dalam arsitektur protokol TCP/IP yang mengatur aplikasi-aplikasi yang beroperasi di jaringan. Banyak protokol aplikasi digunakan dalam lapisan ini, seperti TELNET untuk <em>remote login</em>, FTP untuk <em>transfer file</em>, SMTP untuk pengiriman <em>email</em>, DNS untuk pemetaan alamat IP ke nama <em>domain</em>, RIP dan OSPF untuk <em>routing</em>, NFS untuk berbagi <em>file</em>, serta HTTP untuk aplikasi web. Lapisan Aplikasi ini menghadirkan akses aplikasi ke jaringan TCP/IP dan mengurus protokol tingkat tinggi, representasi data, serta kendali dialog yang memungkinkan komunikasi antar aplikasi dalam jaringan.</p><h3>Sebutkan 7<em> layer</em> dalam 7 OSI Model</h3><p>Model OSI adalah kerangka konseptual yang diciptakan oleh ISO untuk standarisasi komunikasi data. Dengan tujuan menjadi panduan bagi vendor dan pengembang, model ini mengatur komunikasi melalui tujuh lapisan yang berperan dalam proses tersebut, memastikan interoperabilitas antara perangkat dari berbagai vendor. Ini menghilangkan perbedaan protokol dan format data sehingga produk dapat beroperasi bersama tanpa penanganan khusus.</p><p>Dalam Model OSI, terdapat tujuh lapisan yang masing-masing memiliki peran dan tanggung jawabnya sendiri dalam memfasilitasi koneksi antara perangkat komputer. Berikut layer-layer tersebut :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ThMxIcF2lAH_wVJd" /></figure><p><strong>Application Layer (Layer 7)</strong></p><p><strong>Presentation Layer (Layer 6)</strong></p><p><strong>Session Layer (Layer 5)</strong></p><p><strong>Transport Layer (Layer 4)</strong></p><p><strong>Network Layer (Layer 3)</strong></p><p><strong>Data Link Layer (Layer 2)</strong></p><p><strong>Physical Layer (Layer 1)</strong></p><p>Lapisan-lapisan seperti <em>Physical, Data Link, </em>dan<em> Network,</em> termasuk dalam kategori yang disebut “<em>media layers</em>” atau “<em>lower layers</em>” karena fokus utama mereka adalah pada aspek fisik dan pengiriman data melalui media fisik dalam jaringan. Lapisan-lapisan ini terutama terkait dengan perangkat keras jaringan, media transmisi, dan konfigurasi dasar jaringan. Mereka membangun fondasi yang diperlukan untuk pengiriman data antara perangkat dalam jaringan. Secara keseluruhan, lapisan-lapisan ini bekerjasama dengan lapisan-lapisan “<em>host</em>” seperti <em>Application, Presentation, Session, </em>dan<em> Transport</em> untuk menyediakan layanan komunikasi yang komprehensif dalam jaringan.</p><p>Lapisan seperti <em>Application, Presentation, Session, </em>dan<em> Transport</em> termasuk dalam kelompok yang sering disebut sebagai “<em>host layers</em>” atau “<em>upper layers</em>” karena mereka terlibat dalam fungsi-fungsi yang berkaitan erat dengan komunikasi dari sisi aplikasi hingga perangkat akhir (<em>host</em>) dalam jaringan komputer. Semua lapisan ini bekerja bersinergi untuk memfasilitasi komunikasi end-to-end antara aplikasi di perangkat yang berbeda dalam jaringan. Kolaborasi antara lapisan-lapisan ini bertujuan untuk memastikan bahwa data dikirim dengan benar, dalam format yang sesuai, dan dapat diakses oleh pengguna akhir atau aplikasi sesuai kebutuhan.</p><h3>Penjelasan, fungsi, dan cara kerja dari masing-masing layer (dapat berupa tabel maupun paragraf)</h3><p>Pada setiap lapisan 7 model OSI Layer mempunyai tugas, fungsi dan cara kerjanya masing-masing, berikut ini akan kami jelaskan:</p><h4><strong><em>Application Layer </em>(Lapisan ke-7)</strong></h4><p><em>Application layer </em>pada OSI merupakan layer paling atas dari model OSI dan pusat (<em>center</em>) terjadinya suatu interaksi antara pengguna (<em>use</em>r) dengan aplikasi yang bekerja menggunakan fungsionalitas sebuah jaringan.</p><p><strong>Lapisan ke 7 ini berfungsi </strong>untuk melakukan konfigurasi tentang bagaimana cara aplikasi bisa bekerja menggunakan resource jaringan.</p><p><strong>Cara kerja <em>Application layer</em> terbagi menjadi beberapa langkah:</strong></p><ul><li>Permintaan Aplikasi: Langkah awal yang dimana aplikasi pengguna akan mengirim atau menerima data melalui jaringan.</li><li>Pembuatan pesan/ data: Aplikasi pengguna membuat pesan atau data yang ingin dikirim melalui jaringan.</li><li>Pemilihan Protokol: <em>Application layer</em> memilih protokol yang sesuai untuk jenis komunikasi yang akan dilakukan.</li><li>Konversi Data: Jika diperlukan, data dapat dikompres, dienkripsi atau diubah formatnya agar sesuai dengan protokol yang akan digunakan.</li><li>Inisiasi Koneksi: <em>Application Layer </em>akan menginisiasi koneksi dengan aplikasi yang berada pada sisi penerima.</li><li>Pengiriman Data: Setelah koneksi terbentuk, data atau pesan akan dikirim melalui jaringan menggunakan protokol yang dipilih. Data akan dikemas seperti paket data sesuai dengan format dari protokol dan dikirim melalui jaringan.</li><li>Penerima Data: Pada sisi penerima, aplikasi yang sesuai akan menerima data yang dikirimkan, mendekompres/mendekripsi (jika diperlukan) dan mengubah data menjadi format yang dapat dipahami oleh aplikasi penerima.</li><li>Pengiriman kembali <em>respons</em>: Jika diperlukan, aplikasi penerima dapat mengirim <em>respons</em> atau hasil ke aplikasi pengirim melalui proses yang sama.</li><li>Penyelesaian koneksi: Pada langkah terakhir ini, setelah komunikasi selesai, koneksi dapat ditutup.</li></ul><h4><strong><em>Presentation Layer</em> (Lapisan ke-6)</strong></h4><p><em>Presentation Layer </em>adalah lapisan yang <strong>berfungsi </strong>untuk mentranslasikan format data yang akan ditransmisikan oleh aplikasi melalui jaringan, ke dalam format yang dapat ditransmisikan oleh sebuah jaringan.</p><p><strong>Cara kerjanya melibatkan beberapa tugas:</strong></p><ul><li><em>Data translation</em>: <em>Presentation Layer </em>akan mengkonversi format data dari format yang dipahami komputer ke format yang bisa dipahami aplikasi.</li><li><em>Compression</em>: Sebelum dikirimkan melalui jaringan, data akan dikompres terlebih dahulu untuk mengurangi ukuran dan menghemat bandwith.</li><li>Enkripsi: Data di enkripsi agar aman selama transit.</li><li><em>Decompression</em>: Data yang telah diterima dari jaringan akan dikompres agar dapat dipahami oleh aplikasi.</li><li><em>Translation of character sets</em>: <em>Presentation Layer</em> akan mengonversi karakter <em>set</em> bila diperlukan</li></ul><h4><strong><em>Session Layer </em>(Lapisan ke-5)</strong></h4><p><em>Session layer</em> adalah lapisan yang mengizinkan sesi koneksi antara node dalam sebuah jaringan untuk dibuat atau dihancurkan.</p><p><strong>Fungsi</strong> <strong>lapisan ke-5 ini</strong> adalah untuk mengendalikan <em>dialog</em> maupun melakukan pengelolaan terhadap koneksi suatu komputer, selain itu lapisan ke-5 ini juga dapat memutuskan koneksi internet pada suatu komputer.</p><p><strong>Cara kerja lapisan ke-5 ini adalah sebagai berikut:</strong></p><ul><li>Pembukaan sesi: <em>Session layer </em>akan menginisiasi dan memulai sesi komunikasi dengan pembentukan saluran komunikasi antar perangkat atau aplikasi yang saling berkomunikasi.</li><li>Pemeliharaan sesi: Lapisan ke-5 ini akan memantau serta menjaga ketersediaan komunikasi dan mengelola masalah waktu yang habis, pemulihan setelah kegagalan dan urutan pesan.</li><li>Penutupan sesi: Setelah komunikasi selesai, lapisan ke-5 ini mengakhiri sesi dan melepaskan sumber daya yang digunakan selama sesi.</li><li>Manajemen sesi: <em>Session layer</em> mendukung multipleksing yang memungkinkan banyak sesi berjalan pada satu saluran fisik secara bersamaan.</li><li>Pengontrol <em>Dialog</em>: Menyesuaikan alur dialog antar aplikasi yang berkomunikasi dengan cara mengatur pesan dan respon.</li><li>Identifikasi dan sinkronisasi: Langkah ini akan memastikan bahwa data yang diterima sesuai dengan urutan yang diharapkan.</li></ul><h4><strong><em>Transport layer</em>: (Lapisan ke-4):</strong></h4><p><em>Transport Layer</em> adalah lapisan keempat yang menerima data dari <em>session layer</em> dan bertanggung jawab untuk menyediakan layanan yang dapat diandalkan kepada beberapa protokol yang terletak di atasnya.</p><p><strong>Lapisan keempat ini memiliki fungsi</strong> untuk memecah data ke dalam paket data serta memberikan nomor urut pada paket-paket tersebut sehingga dapat disusun kembali setelah sampai pada sisi tujuan. Lapisan ini juga berfungsi untuk membuat tanda jika paket diterima dengan sukses dan mentransmisikan kembali terhadap paket yang hilang di tengah jalan.</p><p><strong>Berikut cara kerja <em>Transport layer</em>:</strong></p><ul><li><em>Segmentasi dan reassembling</em>: <em>Transport layer</em> akan membagi data dari lapisan di atasnya menjadi segmen kecil sebelum mengirimkannya melalui jaringan.</li><li>Pengendalian aliran (<em>Flow control</em>): Memantau aliran data antara pengirim dan penerima untuk memastikan penerima tidak terlalu terbebani dengan data yang masuk terlalu cepat.</li><li>Pengendalian kesalahan (<em>Error control</em>): Lapisan ini akan memeriksa lalu mengoreksi kesalahan data yang mungkin terjadi selama pengiriman, sehingga data yang akan diterima akurat.</li><li><em>Multiplexing dan demultiplexing</em>: <em>Transport layer </em>memungkinkan penerima data dari berbagai aplikasi melalui satu koneksi jaringan tunggal, lalu pada penerima data ini dikembalikan ke aplikasi yang benar berdasarkan alamat <em>port</em>.</li><li>Pengidentifikasian sumber dan tujuan (<em>source and destination identification</em>): Menentukan sumber dan tujuan data dalam sesi komunikasi menggunakan alamat <em>port</em>.</li><li>Pemilihan protokol: Pada langkah yang terakhir ini, <em>transport laye</em>r akan memilih protokol yang sesuai pada jenis komunikasi yang akan dilakukan.</li></ul><h4><strong><em>Network layer</em> (lapisan ke-3):</strong></h4><p>Lapisan yang bertanggung jawab untuk pengalamatan logis dan melakukan <em>routing </em>pada paket yang melalui jaringan, membuat dan menghapus koneksi serta jalur koneksi antara dua node, mentransfer data, membuat dan mengkonfirmasi penerimaan serta mengeset ulang koneksi.</p><p><strong>Lapisan kedua ini memiliki fungsi</strong> untuk mendefinisikan IP<em> address</em>, membuat <em>header </em>pada paket, lalu melakukan <em>routing</em> melalui <em>internetworking </em>menggunakan media <em>router </em>dan <em>switch</em>.</p><p><strong>Berikut adalah langkah-langkah kerja network layer:</strong></p><ul><li>Pembentukan paket: Data yang akan dikirim oleh perangkat sumber dibagi menjadi paket-paket yang lebih kecil terlebih dahulu.</li><li>Penentuan rute: Lapisan ini akan menentukan rute mana yang terbaik untuk diambil oleh paket dari perangkat sumber ke perangkat tujuan.</li><li>Pengalihan (<em>forwarding</em>): Paket-paket data dikirimkan ke perangkat berikutnya dalam jalur komunikasi sesuai dengan rute yang sudah ditentukan.</li><li>Fragmentasi: Jika paket terlalu besar untuk ditransmisikan melalui jaringan, <em>network layer </em>dapat memecahnya menjadi fragmen yang lebih kecil.</li><li>Pengiriman paket: Paket-paket data akan dikirimkan melalui jaringan sesuai dengan rute yang telah ditentukan.</li><li>Penerimaan paket: Perangkat tujuan menerima paket-paket yang dikirimkan dan merakitnya kembali sesuai dengan data aslinya.</li><li>Pengendalian <em>congestion</em>: Lapisan ini dapat mengendalikan kelebihan <em>congestion</em> dengan cara mengatur aliran paket data.</li></ul><h4><strong><em>Data-link layer </em>(lapisan ke-2):</strong></h4><p><em>Data-link layer </em>adalah lapisan kedua dari bawah dalam OSI<em> layer</em>, yang bisa mengkonversi<em> frame-frame</em> jaringan yang berisi data yang mendeteksi kesalahan dan pentransmisian ulang terhadap <em>frame</em> yang gagal.</p><p><strong>Lapisan kedua ini memiliki fungsi </strong>untuk menentukan bagaimana bit-bit data dikelompokkan menjadi format yang disebut<em> frame</em>.</p><p><strong>Cara kerjanya adalah sebagai berikut:</strong></p><ul><li><em>Frame framing</em>: Lapisan ini akan mengemas dari lapisan diatasnya menjadi unit yang disebut<em> “frame”</em>.</li><li><em>Access control</em>: Lapisan ini menggunakan protokol akses media seperti <em>ethernet</em> untuk mengatur cara perangkat dalam jaringan berbagi saluran komunikasi.</li><li>Deteksi kesalahan: Lapisan ini akan mendeteksi kesalahan yang mungkin terjadi selama pengiriman data dengan menggunakan metode seperti <em>cyclic redundancy check</em> (CRC) pada <em>trailer frame</em>.</li><li>Pengendalian aliran: mengatur aliran data antara dua perangkat untuk menghindari <em>overloading</em> satu perangkat dengan terlalu banyak data.</li><li><em>Media access control </em>(MAC): Mengatur cara perangkat mengakses media fisik, seperti <em>ethernet</em>, <em>Wi-Fi</em>,<em> token ring</em>, dan lain-lain.</li><li>Pembacaan: Jika alamat MAC <em>frame</em> tidak sesuai dengan alamat perangkat penerima, frame tersebut akan dibuang.</li><li>Pemecahan konflik: Mengatasi konflik yang terjadi saat dua perangkat mencoba mengirim data secara bersamaan.</li></ul><h4><strong><em>Physical laye</em>r (lapisan pertama):</strong></h4><p>Model OSI layer terakhir dan paling utama ini adalah lapisan terendah dari tujuh lapisan OSI lainnya. Lapisan ini mendefinisikan antarmuka dan mekanisme untuk meletakkan bit-bit data di atas media jaringan.</p><p><strong>Lapisan ini memiliki fungsi</strong> untuk mendefinisikan media transmisi jaringan, sinkronisasi bit, metode pensinyalan, topologi jaringan dan pengkabelan, dan arsitektur jaringan (<em>ethernet atau token ring</em>).</p><p><strong>Cara kerja/langkah-langkah <em>Physical layer</em>, sebagai berikut:</strong></p><ul><li>Pengkodean data: Data digital dari lapisan di atasnya akan dikodekan menjadi sinyal analog atau digital yang sesuai dengan media transmisi yang digunakan.</li><li>Modulasi: Jika data yang dikirim melalui media analog, seperti gelombang radio, lapisan ini akan memodulasi sinyal dengan cara mengubah sifat sifat sinyal.</li><li><em>Multiplexing</em>: Lapisan Fisik dapat menggunakan teknik multiplexing untuk menggabungkan beberapa saluran data ke dalam satu jalur fisik.</li><li>Pengiriman sinyal: Setelah data dikodekan dan dimodulasi, lapisan ini akan mengirimkan sinyal fisik ke media transmisi yang sesuai.</li><li>Penerimaan sinyal: Pada pihak penerima, lapisan fisik menerima sinyal fisik yang datang melalui media transmisi, setelah itu penerima akan mengamati sinyal dan mendeteksi apakah terdapat kesalahan dalam transmisi.</li><li>Dekode data: Jika sinyal yang diterima sudah dimodulasi, lapisan ini akan mengkode sinyal tersebut dan mengembalikan sinyal menjadi format data digital yang sesuai.</li><li>Pemulihan kesalahan: Jika ada kesalahan dalam sinyal, maka lapisan ini akan mencoba memulihkan data yang hilang atau rusak.</li><li>Pengiriman data ke lapisan di atasnya: Data yang sudah diterima dan didekode akan diteruskan ke <em>data-link layer</em>.</li></ul><h3>Perbedaan antara 7 OSI Model dan 5-layer TCP/IP Protocol</h3><p>Berikut adalah beberapa perbedaan antara 7 OSI Model dan 5-<em>layer </em>TCP/IP <em>Protocol</em></p><ul><li>7 OSI Model memiliki 7 <em>layer</em>, yaitu <em>Physical</em>, <em>Data-link</em>, <em>Network</em>,<em> Transport</em>, <em>Session</em>, <em>Presentation</em>, <em>Application</em>. Sedangkan, TCP/IP memiliki 4 atau 5<em> layer</em>, yaitu <em>Link</em>, <em>Internet</em>, <em>Transport</em>, <em>Application</em>, dan kadang-kadang<em> Physical</em> dan <em>Data-link</em>.</li><li>OSI layer merupakan protokol independen, artinya tidak tergantung pada protokol tertentu. TCP/IP merupakan protokol <em>suite</em>, artinya terdiri dari kumpulan protokol yang spesifik.</li><li>OSI layer tidak digunakan secara cuma-cuma, sedangkan TCP/IP dapat diperoleh secara cuma-cuma pada jaringan.</li><li>OSI dikembangkan oleh sebuah organisasi yang merupakan badan standarisasi internasional ISO, pengembangan ini merupakan usaha untuk menstandarisasi komunikasi data antara berbagai vendor agar tidak terjadi monopoli agar berbagai vendor dapat berkomunikasi. Sedangkan, TCP/IP dikembangkan oleh DoD (<em>Departement of Defense</em>) U.S pada tahun 1970 an.</li></ul><h4>Referensi</h4><p><a href="https://www.sekawanmedia.co.id/blog/pengertian-dan-7-osi-layer/">7 OSI Layer: Pengertian, Fungsi, Lapisan, dan Cara Kerja (sekawanmedia.co.id)</a></p><p><a href="https://www.jagoanhosting.com/blog/osi-layer/">Apa itu OSI Layer? Fungsi, 7 Lapisan, &amp; Cara Kerjanya (jagoanhosting.com)</a></p><p><a href="https://www.teknolalat.com/pengertian-7-osi-layer/#:~:text=Presentation%20layer%20bertanggungjawab%20untuk%20melakukan%20enkripsi%20data%2C%20kompresi,Cara%20kerja%20OSI%20layer%20ini%20adalah%20melakukan%20translasi.">√ Pengertian 7 OSI Layer dan Fungsinya — Teknolalat</a></p><p><a href="https://finditgeek.com/en/read/16/perbedaan-osi-layer-vs-tcpip.html">Perbedaan OSI Layer vs TCP/IP (finditgeek.com)</a></p><p><a href="https://onlinelearning.binus.ac.id/computer-science/post/tcp-ip-transmission-control-protocol-internet-protocol">TCP/IP (Transmission Control Protocol/Internet Protocol) | Computer Science</a></p><p><a href="https://widehostmedia.com/tahukah-kamu-mengenai-tcp-ip/">Tahukah Kamu Mengenai TCP/IP? — Wide Host Media</a></p><p><a href="https://blog.myorbit.id/technology/tcpip-pengertian-layer-cara-kerja-dan-keunggulan">TCP/IP: Pengertian, Layer, Cara Kerja dan Keunggulan</a></p><p><a href="https://www.sekawanmedia.co.id/blog/pengertian-dan-7-osi-layer/">7 OSI Layer: Pengertian, Fungsi, Lapisan, dan Cara Kerja</a></p><p><a href="https://it.telkomuniversity.ac.id/inilah-penjelasan-7-lapisan-osi-layers/">Inilah Penjelasan 7 Lapisan OSI Layers</a></p><p><a href="https://onlinelearning.binus.ac.id/computer-science/post/7-osi-layer">7 OSI Layer | Computer Science</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d0a3a425b75c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Exploration 4 — Organisasi dan Sistem Komputer]]></title>
            <link>https://medium.com/@jenniferbells32/exploration-4-organisasi-dan-sistem-komputer-30a8d5912eda?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/30a8d5912eda</guid>
            <category><![CDATA[it]]></category>
            <category><![CDATA[uph]]></category>
            <category><![CDATA[informatika]]></category>
            <category><![CDATA[sistem-komputer]]></category>
            <category><![CDATA[information-technology]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Fri, 22 Sep 2023 04:19:24 GMT</pubDate>
            <atom:updated>2023-09-22T04:40:58.837Z</atom:updated>
            <content:encoded><![CDATA[<h3>Exploration 4 — Organisasi dan Sistem Komputer</h3><p>Artikel ini refleksi perkuliahan Pengantar Informatika dan Komputasi untuk <strong>Pertemuan Keempat</strong> tentang <strong>Organisasi dan Sistem Komputer</strong> di Universitas Pelita Harapan. Studi kasus ini dikerjakan oleh <em>Jennifer Christabelle </em>dan <em>Gebrina Augustine Padatu</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*US_U6gvDF9DvCSdkeKcLbw.png" /></figure><h4><strong>1. See if you can explain the basics of how computers work to someone who is unfamiliar with it.</strong></h4><p>Pertama, sebuah komputer akan mengambil serangkaian instruksi melalui perangkat <em>input</em>, seperti <em>keyboard</em>, <em>mouse</em>, <em>scanner</em>, dan <em>joystick</em>, yang membantu kita “berkomunikasi” dengan komputer tersebut.</p><p>Selanjutnya serangkaian instruksi tadi akan diproses menggunakan CPU (<em>Central Processing Unit</em>) yang biasa disebut juga dengan “Otak dari komputer”. CPU tidak hanya memproses instruksi, tetapi juga mengelola pengoperasian sistem. Ini menafsirkan/menerjemahkan instruksi tadi dan menjalankannya menggunakan bantuan dari <em>memory</em>, yang menyimpan dan menyediakan akses cepat ke <em>data</em> dan instruksi.</p><p>Setelah data<em> input</em> telah diproses, komputer akan menghasilkan <em>output</em> yang dapat ditampilkan di <em>monitor</em>, dicetak melalui <em>printer</em>, diputar melalui <em>speaker</em> atau <em>headphone</em>, dll.</p><h4>2. Think of another field you are interested in. Do low-level computer basics relate to this field in any way? For example, are there any special computational devices used in that field and, if so, how much memory do they have? Or does the field require regular computers with special capabilities such as enhanced graphics capabilities or extremely large amounts of memory?</h4><p>Kami berminat pada bidang <em>Animasi 3D</em>. Bidang ini sangat identik dengan “menggambar”, namun diperlukan komputer dan banyak aplikasi untuk membuat gambarnya bergerak. Selain komputer, bidang ini memerlukan perangkat komputasi spesial yaitu<em> drawing tablet </em>dan<em> drawing pen.</em></p><p><em>Drawing tablet</em> ini digunakan untuk membuat ilustrasi atau gambar digital yang nantinya akan dihubungkan dengan komputer. Untuk <em>drawing tablet</em> dan<em> drawing pen</em> kemampuan yang dibutuhkan adalah sebagai berikut:</p><p>1. Dibutuhkan sensitivitas terbaik agar mudah untuk menggambar ilustrasi. Sensitivitas tekanan pena yang direkomendasikan adalah 8.192 <em>level.</em></p><p>2. Area gambar: 422 x 285 mm</p><p>3. Kemampuan resolusi layar: <em>Full HD </em>(1920 x 1080 piksel)</p><p>Untuk komputer dalam bidang <em>animasi 3D</em>, diperlukan kemampuan khusus dengan performa yang sangat bagus, seperti:</p><p>1. <em>Processor</em> dengan minimal <em>intel Core i5–476G</em> atau <em>Amd Ryzen 5–2500U</em> dan bisa juga ditingkatkan menjadi <em>intel Core i5-Gen7 </em>atau<em> Amd ryzen 5–3000</em></p><p>2. GPU minimal <em>Geforce Nvidia MX150 </em>dan<em> Amd Radeon Vega 8</em></p><p>3. Minimal RAM 8GB, direkomendasikan RAM sekitar 16 GB. Kemampuan ini diperlukan untuk mempercepat pembuatan animasi.</p><p>4. Layar <em>monitor</em> minimal 100% sRGB dan 95% P3<em> color space</em> dengan <em>IPS Technology</em>, HDR10 <em>content support</em>.</p><p>5. Untuk SSD diperlukan kemampuan minimal 512 GB atau bisa ditingkatkan lagi menjadi lebih besar, yaitu 1TB SSD agar <em>file</em> semakin cepat terbaca.</p><h4>3. Try to find out the computing characteristics of any computers or computational devices you have. For example, if you have a laptop, what is its processor speed? If you have a tablet, how much memory does it have?</h4><p>Kami akan menjelaskan beberapa perangkat komputasi yang kami miliki. Perangkat-perangkat komputasi yang kami miliki, yaitu: <strong>Laptop HP 14s-FQ2002AU, PS VITA Slim PCH 2000 </strong>dan<strong> Handphone poco X3 nfc.</strong></p><h4>Notebook HP 14s-FQ2002AU</h4><p>Mari kita analisis perangkat komputasi ini. Pertama- tama kami akan jelaskan tampilan dari laptop ini, laptop ini punya desain yang minimalis dan polos dengan bezel yang tipis. Layarnya berukuran 14 inc dengan<em> AMD Radeon</em>. Laptop ini juga ringan dengan bobot 1,47 KG, sehingga mudah untuk dibawa kemana saja. Selanjutnya mari kita masuk ke karakteristik komputasi dari laptop ini:</p><p><strong>Portabilitas</strong>: Memiliki <em>DC-IN</em>, ada <em>2 USB 3.1 Type-A</em>, <em>USB 3.2 Type-C</em>, <em>Audio Combo Jack, </em>dan<em> SD Card Slot</em>.</p><p><strong>Konektivitas</strong>: Mendukung <em>WI-FI 6</em> dan <em>Bluetooth 5</em>.</p><p><strong>Processor speed</strong>: Laptop ini menggunakan <em>processor AMD Ryzen™ 5 5625U</em> dengan <em>6 CPU cores</em>, <em>12 threads</em>. <em>Base clock</em> nya <em>2.3GHz Up to 4.3GHz</em> dengan <em>TDP 15 watt</em>.</p><p><strong>Graphics card</strong>: Untuk <em>Graphics card</em>nya menggunakan <em>AMD Radeon™ RX Vega 7 IGPU</em>.</p><p><strong>Sektor penyimpanan</strong>: Laptop ini menggunakan <em>SSD</em> berukuran <em>512 GB M.2 PCIe® NVMe™</em> dengan memori <em>RAM 8 GB DDR4 3200 MHz</em>, <em>Dual Channel So-Dimm</em>. Karena kedua RAM nya <em>So-Dimm</em>, maka pastinya masih bisa di <em>upgrade</em> sampai <em>16 GB Dual Channel</em>.</p><p><strong>Kemampuan multimedia</strong>: Dengan <em>layer 14 inc</em> sudah sangat mendukung bagi kenyamanan saat menonton konten <em>multimedia</em> dengan kecerahan <em>250 nits</em> dan warna yang cermerlang dengan <em>45% NTSC color gamut</em>, ditambah lagi desain bezel tipis <em>microEdge</em> yang membuat dimensinya kian ringkas.</p><p><strong>Battery</strong>: <em>Battery</em> laptop ini berkapasitas <em>3-Cell (41 Whr)</em>.</p><p><strong>Sistem operasi</strong>: Sistem operasi yang digunakan adalah <em>Microsoft Windows</em>. Laptop ini sudah dilengkapi dengan <em>Windows 11 Home Edition + Microsoft Office Home </em>dan<em> Student 2021 pre-installed</em> di dalamnya.</p><h4>PS VITA Slim PCH 2000</h4><p><em>PlayStation</em> ini ringan dengan desain tipis, kecil namun kuat dan ramping, sehingga akan sangat nyaman saat dipakai dan digenggam. <em>PlayStation</em> ini kecil dengan ukuran 0,6 inci dengan berat 7.6 ons.</p><p><strong>Processor speed</strong>: Menggunakan <em>processor ARM Cortex-A9</em> dengan kecepatan 2 GHz dan <em>Processor Quad core</em>.</p><p><strong>Graphics card</strong>: Menggunakan <em>PowerVR</em>, dengan <em>type SGX543MP4+</em></p><p><strong>Memory</strong>: <em>PlayStation</em> ini memiliki RAM 512 MB dengan <em>memory internal 1 TB</em>. <em>Eksternal Storage Type</em> nya <em>Harddisk eksternal </em>dan<em> External Storage Capacity Up to 64 GB</em>, <em>memory type DDR3</em>.</p><p><strong>Connectivity</strong>: <em>PlayStation</em> ini memiliki <em>connectivity</em> ke <em>WI-FI </em>dan<em> Bluetooth</em>, tetapi tidak dengan <em>HDMI</em>. <em>Sensor</em>nya ada <em>Gyroscope, Accelerometer </em>dan<em> Compass.</em></p><h4>Handphone Poco X3 NFC:</h4><p><strong>Memory</strong>: Jenis yang digunakan adalah <em>UFS 2.1</em></p><p>- <em>Internal</em> = 6/64 GB, 6/128 GB, 8/128 GB</p><p>- <em>Eksternal</em> = Tersedia slot <em>microSDXC</em></p><p><strong>Kamera</strong>:</p><p>- <strong>Kamera belakang</strong></p><p>· Resolusi = 64 MP, f/1.9 (<em>wide</em>), 1/1.73”, 0.8µm, <em>PDAF</em></p><p>13 MP, f/2.2, 119° (<em>ultrawide</em>), 1.0µm</p><p>2 MP, f/2.4, (<em>macro</em>)</p><p>2 MP, f/2.4 (<em>depth</em>)</p><p>· Fitur = <em>Dual-LED flash</em>, <em>HDR, Panorama</em></p><p>· Video = 4K @30fps, 1080p</p><p>@30/120fps, 720p @960fps; <em>gyro-EIS</em></p><p>- <strong>Kamera Depan</strong></p><p>· Resolusi = 20 MP, f/2.2, (wide), 1/3.4”, 0.8µm</p><p>· Fitur = <em>HDR, Panorama</em></p><p>· Video = 1080@30fps</p><p><strong>Konektivitas</strong>: memiliki konektivitas nirkabel <em>WI-FI, Bluetooth </em>dan<em> NFC</em></p><p><strong>Kapasitas baterai</strong>: 5.160 mAh.</p><p><strong>Graphic Card</strong>: <em>Adreno 618</em></p><p><strong>CPU</strong>:<em> Octa-core</em> (2x2.3 GHz <em>Kryo</em> 470 <em>Gold</em> % 6x1.8 GHz <em>Kryo</em> 470 <em>silver</em>)</p><h4>4. Think about how you use computers and what computer capabilities are most important. For example, if you work with large video files, large amounts of memory are important.</h4><p>Banyak orang menggunakan komputer untuk bermain <em>game</em>. Salah satu kapabilitas komputer yang paling penting adalah CPU yang cepat atau berperforma tinggi karena CPU menangani berbagai “tugas”<em>, </em>seperti logika dan fisika <em>game</em> saat <em>game</em> tersebut sedang berjalan. CPU yang lebih cepat dan berperforma lebih tinggi akan memastikan <em>gameplay </em>yang lebih lancar dan responsif. Kapabilitas komputer penting lainnya adalah RAM berperforma tinggi. Semakin banyak dan semakin cepat RAM yang dimiliki komputer, maka semakin cepat pula komputer tersebut memproses tugas. Memiliki RAM yang cukup akan sangat penting bagi komputer untuk bermain <em>game</em>, terutama karena banyak <em>games</em> saat ini setidaknya membutuhkan RAM 8 <em>gigabyte</em> agar dapat berjalan dengan baik.</p><p>Sources:</p><p><a href="https://techdayhq.com/blog/2023/08/15/what-s-the-most-important-component-of-a-gaming-pc#:~:text=One%20of%20the%20most%20important,you%20need%20a%20good%20GPU.">komputer gaming</a></p><p><a href="https://idseducation.com/rekomendasi-tablet-gambar-animasi/">animasi</a></p><p><a href="https://carisinyal.com/hp/poco-x3-nfc/">HP Poco</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=30a8d5912eda" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Exploration 3 — Representasi Data dan Logika]]></title>
            <link>https://medium.com/@jenniferbells32/exploration-3-representasi-data-dan-logika-c784fcfd7608?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/c784fcfd7608</guid>
            <category><![CDATA[informatika]]></category>
            <category><![CDATA[logic]]></category>
            <category><![CDATA[information-technology]]></category>
            <category><![CDATA[logika]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Thu, 14 Sep 2023 18:43:53 GMT</pubDate>
            <atom:updated>2023-09-14T18:43:53.564Z</atom:updated>
            <content:encoded><![CDATA[<h3>Exploration 3 — Representasi Data dan Logika</h3><p>Artikel ini berisi studi kasus yang diberikan pada perkuliahan Pengantar Informatika dan Komputasi untuk <strong>Pertemuan Ketiga</strong> tentang <strong>Representasi Data dan Logika</strong> di Universitas Pelita Harapan. Studi kasus ini dikerjakan oleh <em>Jennifer Christabelle </em>dan <em>Gebrina Augustine Padatu</em>.</p><h3><strong>Soal:</strong></h3><p>You are planning a vacation to Canada with some of your relatives, and you and they vote on which city below to visit. One city got four votes, two got two votes, two got one vote, and the remaining two cities got zero votes. Use logic and the clues below to determine how many votes each city got.</p><ul><li>Quebec City</li><li>Toronto</li><li>Ottawa</li><li>Montreal</li><li>St.John’s (Newfounded)</li><li>Charlottetown</li><li>Halifax</li></ul><p>Here are the <strong>clues</strong>. Make sure you explain how you obtained your answer:</p><ol><li>Ottawa and Quebec City got different numbers of votes.</li><li>Montreal either got the most votes, or it got zero votes.</li><li>Quebec City got more votes than Halifax did.</li><li>In the list of cities above, each of the two cities that got two votes has a city that got no votes immediately above it in the list.</li><li>Either Halifax got one fewer vote than Toronto did, or it got one fewer vote than Ottawa did.</li></ol><h3>Mari kita memecahkan ini langkah demi langkah:</h3><h4><strong>Langkah 1</strong></h4><p><strong><em>Clue #4</em></strong> memberitahu kita bahwa setiap dua kota yang mempunyai 2 <em>votes</em> memiliki kota yang tidak punya <em>votes </em>atau 0 <em>votes</em> persis di atasnya berdasarkan <em>list </em>kota-kota. Jadi, Quebec City tidak mungkin mempunyai 2 <em>votes</em> karena kota tersebut adalah kota pertama di list (berarti tidak ada kota yang memiliki 0 <em>votes </em>di atas Quebec City, maka dari itu syarat dari <strong><em>Clue #4</em></strong> tidak terpenuhi).</p><h4><strong>Langkah 2</strong></h4><p>Halifax tidak mungkin mempunyai 0 <em>votes</em> karena tidak ada kota di bawah Halifax yang memiliki 2 <em>votes </em>(berdasarkan <strong><em>Clue #4</em></strong>). Terlebih lagi, Halifax tidak mungkin mempunyai 4 <em>votes </em>karena berdasarkan <strong><em>clue #5</em></strong>, Halifax harus satu <em>vote </em>lebih kecil daripada Toronto <strong>atau</strong> Ottawa. Dilihat bahwa <em>vote </em>tertinggi adalah 4 dan nomor <em>vote </em>yang tersedia adalah 0, 1, 2, 4; dan nomor <em>vote </em>yang lebih kecil dari 4 adalah 0, 1, 2. Maka, sekarang kita ketahui bahwa Halifax tidak memiliki 0 <em>votes </em>dan 4 <em>votes</em>, tapi masih berkemungkinan memiliki 1 atau 2 <em>votes</em>.</p><h4><strong>Langkah 3</strong></h4><p><strong><em>Clue #3</em></strong> memberitahu kita bahwa <em>votes </em>yang dimiliki Quebec City pasti lebih dari <em>votes </em>yang dimiliki Halifax. Untuk memenuhi syarat tersebut, <em>votes </em>Quebec City harus lebih tinggi daripada <em>votes </em>Halifax. Tetapi, di Langkah ke-3, Halifax tidak memiliki 0 <em>votes</em>, maka dari itu, jumlah <em>votes </em>yang Quebec City miliki tidak mungkin 1 (hanya 0 yang lebih kecil dari 1 // Halifax mempunyai antara 1 <em>vote </em>atau 2 <em>votes</em>, jadi Quebec City harus 2 atau 4 <em>votes</em>). Dari <strong><em>Clue #3</em></strong> juga bisa disimpulkan bahwa Quebec City tidak mungkin memiliki 0 <em>votes </em>karena mustahil jika 0 lebih besar dari nomor apapun, maka 0 <em>votes </em>tidak memenuhi syarat. Di sini kita bisa menyimpulkan bahwa<strong> Quebec City memiliki 4 <em>votes</em></strong>.</p><h4><strong>Langkah 4</strong></h4><p><strong><em>Clue #2</em></strong> memberitahu kita bahwa Montreal hanya bisa memiliki 0 <em>votes </em>atau 4 <em>votes</em>. Telah diketahui bahwa Quebec City memiliki 4 <em>votes</em>. Maka dari itu, <strong>Montreal pasti memiliki 0 <em>votes</em></strong>. Terlebih lagi, karena telah diketahui Quebec City memiliki 4 <em>votes</em>, maka Ottawa tidak mungkin memiliki 4 <em>votes </em>(hanya satu kota yang memiliki 4 <em>votes</em>, yaitu Quebec).</p><h4><strong>Langkah 5</strong></h4><p>Diketahui bahwa Quebec City tidak mungkin memiliki 0 <em>votes</em>; maka Toronto, kota dibawah Quebec City, tidak mungkin memiliki 2 <em>votes </em>(berdasarkan <strong><em>Clue #4</em></strong>). Tetapi, karena diketahui bahwa Montreal memiliki 0 <em>votes</em>, maka <strong>St. John’s (New founded) memiliki 2 <em>votes</em></strong><em> </em>(berdasarkan <strong><em>Clue #4</em></strong>).</p><h4><strong>Langkah 6</strong></h4><p>Pilihan nomor <em>vote </em>Halifax hanya tersisa 1 dan 2 <em>votes</em>, dan diketahui bahwa Halifax memiliki satu <em>vote </em>lebih kecil dari Toronto (yang masih memiliki opsi 0, 1, 4 <em>votes</em>) dan Ottawa (yang masih memiliki opsi 0, 1, 2). <strong><em>Clue #5</em></strong> bisa diartikan dengan lain : nomor <em>vote </em>Halifax ditambah 1 <em>vote</em>, adalah jumlah <em>vote </em>suatu kota (Toronto atau Ottawa). Karena Halifax memiliki (1 &amp; 2 <em>votes</em>), jika ditambah 1 <em>vote </em>akan menjadi (2 &amp; 3 <em>votes</em>). Karena tidak ada 3 <em>votes</em>, maka kita memilih kota yang memiliki 2 <em>votes</em>, yaitu Ottawa. Dari sini kita bisa menyimpulkan bahwa <strong>Halifax memiliki 1 <em>vote</em></strong><em> </em>dan <strong>Ottawa memiliki 2 <em>votes</em></strong>.</p><h4><strong>Langkah 7</strong></h4><p>Balik lagi ke <strong><em>Clue #4</em></strong>, yang kalau diartikan dengan sederhana : kota yang memiliki 0 <em>votes </em>ada di atas kota yang memiliki 2 <em>votes</em>. Kota Charlottetown tidak memenuhi syarat dari <strong><em>Clue #4</em></strong> tersebut. Maka, kota-kota yang memenuhi syaratnya adalah Toronto dan Ottawa. Telah diketahui bahwa Ottawa memiliki 2 <em>votes</em>, maka <strong>Toronto memiliki 0 <em>votes</em></strong>.</p><h4><strong>Langkah 8</strong></h4><p>Karena nomor <em>vote </em>4, 2, 2, 1, 0, 0 sudah ditetapkan di kota-kota yang tepat, maka sisa nomor <em>vote </em>adalah 1. Kota yang belum ditetapkan sebuah voting adalah Charlottetown. Maka dari itu, <strong>Charlottetown memiliki 1 <em>vote</em></strong>.</p><h4>Kesimpulan</h4><ul><li>Quebec City — 4 <em>votes</em></li><li>Toronto — 0 <em>votes</em></li><li>Ottawa — 2 <em>votes</em></li><li>Montreal — 0 <em>votes</em></li><li>St. John’s — 2 <em>votes</em></li><li>Charlottetown — 1 <em>vote</em></li><li>Halifax — 1 <em>vote</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c784fcfd7608" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Landasan Algoritma]]></title>
            <link>https://medium.com/@jenniferbells32/landasan-algoritma-fe906c8aa208?source=rss-6306cdda27e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/fe906c8aa208</guid>
            <category><![CDATA[informatics]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[information-technology]]></category>
            <category><![CDATA[uph]]></category>
            <dc:creator><![CDATA[Jennifer Christabelle]]></dc:creator>
            <pubDate>Thu, 07 Sep 2023 17:50:28 GMT</pubDate>
            <atom:updated>2023-09-07T17:50:28.611Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Ini merupakan rangkuman perkuliahan Pengantar Informatika dan Komputasi untuk Pertemuan Kedua tentang Landasan Algoritma di Universitas Pelita Harapan. Rangkuman ini disusun oleh Jennifer Christabelle dan Gebrina Augustine. Pada pertemuan kedua ini, kami belajar tentang…</strong></p><ol><li><strong>What types of problems can be solved by algorithms? What types can’t, or can’t easily?</strong></li></ol><p><strong>Jawaban</strong> : Beberapa masalah yang dapat dipecahkan oleh algoritma adalah <em>sorting</em>/pengurutan sejumlah besar item menjadi urutan yang spesifik, menganalisa sebuah set data yang besar, pencarian sebuah kata spesifik, masalah matematika dan komputasi, dan banyak lagi. Masalah yang susah atau bahkan tidak bisa dipecahkan oleh algoritma adalah masalah-masalah yang ambigu atau tidak jelas, misalnya masalah yang sangat kompleks seperti memprediksi perubahan iklim global (karena memiliki banyak kondisi atau variabel yang tidak efisien), masalah yang tidak memiliki solusi, dan lain-lain.</p><p>2. <strong>Think about an area you are interested in outside of computer science. Are there any processes in that area that need to be carefully and precisely specified (regardless of whether they are done by computer or not)?</strong></p><p><strong>Jawaban</strong> : Kami tertarik kepada bidang / area <em>Culinary Arts</em>. Didalam <em>Culinary Arts</em>, terdapat proses-proses yang harus dikerjakan secara hati-hati dan tepat. Misalnya, untuk membuat sebuah makanan, orang-orang di bidang culinary arts harus mengikuti langkah-langkah resep dengan benar; misalnya, menggunakan takaran bahan-bahan, waktu memasak, teknik-teknik memasak yang tepat, dan lain-lain. Langkah-langkah yang terdapat dalam resep makanan bisa dimiripkan dengan algoritma.</p><p><strong>3. Cooking recipes, and instructions for putting together furniture are two analogies used for algorithms. For each one, explain how it is like an algorithm, and how it is not.</strong></p><p><strong>Jawaban</strong> : Resep masak dan merakit furnitur mirip dengan algoritma karena terdapat langkah-langkah yang berurutan yang harus dilakukan sesuai urutannya untuk mendapatkan sebuah hasil. Sama seperti algoritma, resep masak dan instruksi merakit furnitur juga bisa terdapat langkah-langkah yang bisa diulang, atau yang bisa disebut dengan <em>looping</em>. Misalnya, merakit meja bisa membutuhkan 4 kaki meja, maka dari itu langkah-langkah untuk menyatukan kaki meja bisa diulang 4 kali. Algoritma juga memiliki input dan juga output, begitupun resep masak dan instruksi merakit furnitur, yaitu bahan-bahan dasar sebagai input, sajian / peralatan sebagai output.</p><p>Resep masak dan merakit furnitur adalah langkah langkah yang berurutan yang tujuannya untuk mendapatkan sebuah hasil makanan, tidak sama dengan algoritma yang tujuannya untuk memecahkan masalah komputasi atau memerintah komputer untuk sebuah tugas. Resep masak juga bisa berupa subjektif, misalnya, disesuaikan dengan selera masing-masing, tetapi algoritma harus mengikuti aturan. Instruksi merakit furnitur.</p><p><strong>4. Suppose you are explaining algorithms to another student. What is hard about algorithms — what would you be sure to explain very carefully?</strong></p><p><strong>Jawaban</strong> : Yang sulit mengenai algoritma adalah cara menyatakan algoritma agar mudah dimengerti untuk diterapkan buat menyelesaikan masalah. Yang ingin dan akan saya jelaskan dengan sangat hati-hati adalah kelengkapan, langkah, urutan dan pernyataan yang mudah dimengerti agar dapat diterapkan dengan efisien lalu menghasilkan hasil yang baik. Jika algoritmanya sulit buat dipahami,tidak logis dan rumit maka hasil yang diperoleh tidak logis juga.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fe906c8aa208" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>