<?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 Rizal Setya Perdana on Medium]]></title>
        <description><![CDATA[Stories by Rizal Setya Perdana on Medium]]></description>
        <link>https://medium.com/@rizalespe?source=rss-f528e85c8ba9------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*VmgnbL6Ce74QYsQlUGdFYw.png</url>
            <title>Stories by Rizal Setya Perdana on Medium</title>
            <link>https://medium.com/@rizalespe?source=rss-f528e85c8ba9------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 02:51:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@rizalespe/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[Menjadi Lebih Produktif]]></title>
            <link>https://medium.com/computer-science-playground/menjadi-lebih-produktif-2c47da7c3770?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/2c47da7c3770</guid>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Mon, 28 Jun 2021 04:21:24 GMT</pubDate>
            <atom:updated>2021-07-04T06:23:26.427Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*H_geB3CNCfj7OPR4" /><figcaption>Photo by <a href="https://unsplash.com/@carlheyerdahl?utm_source=medium&amp;utm_medium=referral">Carl Heyerdahl</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Seperti biasa, dalam berpikir atau menentukan sesuatu saya terbiasa memanfaatkan “framework” ATM, Amati-Tiru-Modifikasi. Berawal dari salah satu episode podcast dari Raditya Dika di Spotify yang berjudul <a href="https://open.spotify.com/episode/2yeLA7Fii0mPNoDAmJJtF1">Tips jadi Produktif</a>, saya mencoba untuk membuat catatan tentang 10 poin penting. Dari catatan ini saya ingin mengkonstruksi dengan <em>mengamati</em> apakah saya sudah tepat dalam beraktivitas? Kemudian apabila ada yang dapat saya <em>tiru </em>untuk meningkatkan kualitas dalam beraktivitas maka akan dipertimbangkan untuk dilakukan atau jika perlu dilakukan <em>modifikasi </em>sesuai kondisi. Berikut adalah poin-poinnya:</p><ol><li><strong>Membuat daftar yang harus dikerjakan atau <em>To-do List, </em>yaitu<em> </em>berisi daftar tugas yang menjadi tanggung jawab kita</strong>. Sering kali, jika saya tidak membuat To-do List, maka kecenderungan bagi saya untuk menunda pekerjaan (atau bahkan lupa) dan baru akan dikerjakan ketika sudah mendekati <em>deadline</em>. Akan muncul rasa kepuasan tersendiri ketika kita mencoret satu demi satu daftar kerja tersebut karena kita dapat memperkirakan kapan pekerjaan-pekerjaan akan selesai. Biasanya saya menggunakan kakas bantu atau <em>tools </em>yaitu <a href="https://keep.google.com/">Google Keep</a> yang dapat digunakan melalui <em>web browser</em> atau aplikasi pada <em>smartphone</em>. Satu hal menarik yang saya amati dari habit yang dimiliki oleh supervisor saya di Jepang, yaitu beliau selalu membawa sebuah buku kecil untuk mencatat To-do List dan hal lainnya. Mungkin ini bisa jadi alternatif jika kamu lebih suka mencoret-coret.</li><li><strong>Memecah satu pekerjaan besar menjadi beberapa pekerjaan kecil</strong>. Dengan menambah satu pekerjaan yaitu <em>memecah satu pekerjaan</em>, menurut saya dampaknya dalam menyelesaikan pekerjaan cukup terasa. Saya mengistilahkan pemecahan tugas besar menjadi kecil ini dengan istilah <em>outlining </em>seperti saat membuat sebuah tulisan, sehingga kita tahu dimana posisi pekerjaan kita saat ini. Membayangkan sebuah pekerjaan besar akan terasa lebih berat jika dibandingkan dengan berfokus pada tugas-tugas kecil. Maka, secara tidak terasa tugas besar tersebut dapat selesai setelah tugas-tugas kecil dapat diselesaikan.</li></ol><figure><img alt="Memecah satu tugas besar menjadi beberapa tugas kecil yang lebih sederhana" src="https://cdn-images-1.medium.com/max/1024/1*ZSkyTqW3q39V_yMTapl1EQ.png" /><figcaption>Memecah satu tugas besar menjadi beberapa tugas kecil yang lebih sederhana</figcaption></figure><p><strong>3. Menyelesaikan beberapa tugas sekaligus dengan mengerjakan secara sepenggal-sepenggal daripada fokus pada satu tugas saja</strong>. Saya akan mencoba mengilustrasikan dengan memisalkan saya memiliki 3 proyek (tugas besar) yaitu P1, P2, dan P3. Sesuai poin kedua diatas, sebelum memulai dikerjakan, kita pecah terlebih dahulu masing-masing proyek menjadi beberapa tugas kecil. Dalam praktiknya, kita dapat mengerjakan pecahan-pecahan tugas kecil dari ketiga proyek tersebut (bukan hanya fokus dari salah satu proyek saja) sehingga nantinya masing-masing projek akan memiliki progres masing-masing.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*Qr7u-EkJqR1jtRbUaPLkrg.png" /></figure><p><strong>4. Ada waktu selingan untuk bermain atau hiburan. </strong>Hiburan atau <em>refreshing </em>ditengah-tengah aktivitas selain dapat menghilangkan penat juga dapat menjadi semacam efek “merasa bersalah” karena telah menggunakan waktu tidak untuk bekerja. Terdengar sedikit aneh, namun bekerja setelah bermain menjadikan lebih semangat karena semacam ingin mengganti waktu yang telah terdistraksi atau hilang oleh aktivitas lainnya.</p><p><strong>5. Punya jam spesifik untuk bekerja</strong>. Perlu untuk menentukan secara spesifik jam kapan kita bekerja. Terutama bagi kaum yang dapat bekerja kapan saja dan dimana saja. Saya perlu mendefinisikan rentang waktu kapan saya tidak boleh diganggu oleh aktivitas yang lainnya.</p><p><strong>6. Kurangi rapat dan perbanyak mengerjakan</strong>. Seringkali waktu kita lebih banyak digunakan untuk berdiskusi atau <em>meeting</em> ketimbang proses menyelesaikan pekerjaan itu sendiri. Apabila memungkinkan, maka sebisa mungkin alokasikan waktu tidak terlalu banyak untuk rapat.</p><p><strong>7. Olahraga sambil melamun</strong>. Olahraga ringan seperti jalan pagi selain membuat badan menjadi bugar kadang juga memunculkan inspirasi atau ide-ide baru. Namun, kadang setiap orang punya “me time”-nya sendiri kapan waktu yang digunakan untuk melamun.</p><p><strong>8. Kurangi hal-hal yang kurang penting</strong>. Banyak hal yang dapat kita lakukan untuk mengurangi distraksi dalam berproduktifitas. Salah satu contohnya adalah menghapus aplikasi pada smartphone atau komputer yang tidak penting. Pastikan tempat kerja kita rapi dan tidak banyak barang yang dapat mengganggu fokus kita dalam bekerja.</p><p><strong>9. Biasakan mencatat apapun</strong>. Selain To-do List, pemikiran dan ide perlu kita catat agar tidak hilang begitu saja. Saya biasa mencatat dalam Google Keep dengan mengelompokkan kedalam catatan terpisah sesuai topik ide. Hal-hal random pun juga biasa saya catat, siapa tahu suatu hari nanti dapat saya realisasikan.</p><p><strong>10. Mendelegasikan pekerjaan ke orang lain jika memungkinkan</strong>. Ketika pekerjaan kita mencakup pada hal yang lebih luas, maka sebaiknya kita perlu mendelegasikan pekerjaan ke orang lain. Terutama pekerjaan terkait hal-hal teknis yang dapat dikerjakan oleh orang lain lebih baik kita delegasikan agar kita bisa fokus pada cakupan yang lebih global.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2c47da7c3770" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/menjadi-lebih-produktif-2c47da7c3770">Menjadi Lebih Produktif</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[IndoNLU: Sumber Daya Baru dalam Pengembangan Riset NLP Bahasa Indonesia]]></title>
            <link>https://medium.com/computer-science-playground/indonlu-sumber-daya-baru-dalam-pengembangan-riset-nlp-bahasa-indonesia-4eb70eca68bb?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/4eb70eca68bb</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[natural-language-process]]></category>
            <category><![CDATA[research]]></category>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Sat, 06 Mar 2021 10:57:12 GMT</pubDate>
            <atom:updated>2021-03-06T11:02:42.474Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4mFoP40C95y-U2uv" /><figcaption>Photo by <a href="https://unsplash.com/@heytowner?utm_source=medium&amp;utm_medium=referral">JOHN TOWNER</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Kabar baik bagi para peneliti pemrosesan bahasa alami atau <em>natural language processing</em> (NLP), khususnya bagi peneliti yang secara intensif meneliti dan memproses dokumen atau modalitas lain terkait dengan Bahasa Indonesia. Indonesian natural language understanding (IndoNLU) muncul sebagai sumber daya baru dalam pengembangan riset NLP Bahasa Indonesia.</p><p>Menurut saya, IndoNLU dapat dikatakan sebagai pendobrak kebuntuan (pembuka celah) dalam menyediakan <em>resource </em>riset NLP bahasa indonesia, jika dibandingkan dengan riset NLP dengan bahasa lain, seperti bahasa inggris yang lebih dahulu banyak tersedia.</p><p>Sebelum lebih dalam membahas IndoNLU, secara ringkas NLP merupakan cabang ilmu kecerdasan buatan yang fokus pada pertanyaan bagaimana memahamkan komputer atau mesin pada bahasa sehari-hari yang manusia gunakan. Beberapa aplikasi dari area riset NLP diantaranya adalah machine translation, question translation, language modelling, text classification, sentiment analysis, data augmentation, text generation, text summarization dan sebagainya. Secara umum, modalitas yang banyak digunakan dalam penelitian adalah teks yang dengan ekstensinya seperti frasa, kalimat, dokumen, atau bahkan kumpulan dokumen. Apabila kita memiliki pertanyaan mengapa sumber daya dalam penelitian NLP berbahasa Indonesia masih sangat kurang, kita seharusnya perlu bertanya juga apakah dokumen teks berbahasa Indonesia yang dapat diakses melalui jaringan internet kurang mencukupi? Secara statistik (saya coba mencari data di <a href="https://www.statista.com/)">https://www.statista.com/</a> ) Indonesia masuk sebagai negara dengan jumlah pengguna internet terbesar ke-4 di dunia, wow! Menurut saya jumlah pengguna internet akan berbanding lurus dengan jumlah tersedianya teks berbahasa Indonesia di internet (sebatas perkiraan saya). Namun, tidak dapat dipungkiri bahwa bahasa Indonesia masih tergolong sebagai <em>low-resource language </em>atau bahasa dengan sumber daya yang rendah jika dalam penelitian NLP.</p><h3>Permasalahan umum riset NLP</h3><p>Terdapat tiga permasalahan umum yang sering dihadapi pada penelitian NLP, yaitu: tidak adanya standar teknis pengolahan teks (jika dikaitkan dengan karakter berbagai bahasa), sulit untuk melakukan reproduksi pada penelitian sebelumnya, dan permasalahan terkait dataset.</p><ol><li><strong>Tidak adanya standar teknis pengolahan teks</strong>. Jika dikaitkan dengan bahasa yang terdapat pada teks yang akan diproses, masing-masing bahasa memiliki keunikan dan karakter sehingga membutuhkan langkah atau teknis khusus dalam pemrosesannya. Sebagai contoh, apabila tidak ada sumber daya yang cukup (tools atau dokumentasi) untuk NLP berbahasa Indonesia, maka peneliti yang tidak mendalami pengolahan bahasa indonesia (atau bahkan bahasa indonesia bukan bahasa sehari-harinya), maka akan mengalami keterbatasan dalam melakukan eksplorasi.</li><li><strong>Sulit melakukan reproduksi dari penelitian sebelumnya</strong>. Apabila sumber daya seperti kode program atau algoritma sulit untuk diakses atau ditemukan, maka hal ini akan menghambat berkembangnya penelitian NLP terkait bahasa tertentu. Sebagai contoh, bahasa Inggris merupakan salah satu bahasa yang cukup banyak tersedia sumber daya seperti repositori kode program, model yang telah dilatih, dataset, dan artefak lain yang mendukung penelitian NLP pada bahasa tersebut. Semakin banyak penelitian serta repositori kode program implementasi beserta artefaknya, maka akan semakin banyak peneliti lain setelahnya yang terbantu dalam pengembangan selanjutnya, alih-alih mengimplementasikan ulang dari awal apa yang sebenarnya sudah pernah dikerjakan.</li><li><strong>Permasalahan pada dataset yang tersedia</strong>. Dataset yang masih kotor, berukuran kecil, tidak tersedia secara terbuka, tidak dapat diakses dan terpencar-pencar adalah masalah umum pada penelitian NLP. Ketersediaan data merupakan hal utama dalam pengembangan model dan metode pada NLP, sehingga hambatan akan tetap ada jika permasalahan-permasalahan tersebut masih belum terselesaikan.</li></ol><h3>Permasalahan riset NLP Bahasa Indonesia</h3><p>Kemudian, apabila ditinjau secara khusus permasalahan pada penelitian NLP bahasa indonesia adalah sebagai berikut:</p><ol><li>Banyak dataset yang tidak dipublikasikan atau tidak dapat diakses secara mudah</li><li>Belum ada <em>benchmark </em>atau patokan hasil penelitian seperti GLUE, CLUE, dll</li><li>Masih jarang penelitian yang menyertakan kode program untuk bisa diproduksi ulang pada penelitian selanjutnya</li></ol><p>Tentunya permasalahan-permasalahan tersebut sebenarnya sudah ada penelitian-penelitian yang mencoba untuk mencari solusi, namun saat ini belum nampak hasilnya.</p><p>Tahun 2020, IndoNLU muncul sebagai hasil kerja monumental dari kolaborasi industri dan akademi di Indonesia. IndoNLU berisi beberapa sumber daya yang mendukung beberapa proses seperti <em>benchmarking, training</em>, serta <em>evaluation</em> pada teks berbahasa Indonesia. Bagi saya, hasil yang telah dikerjakan ini dapat dianggap sebagai aset yang ditunggu oleh komunitas NLP khususnya yang mengolah teks berbahasa Indonesia. Hal ini juga dapat dipandang sebagai sebuah momentum untuk mempersatukan komunitas peneliti baik dari akademia maupun industri dalam satu tolok ukur yang sama. Satu hal positif lainnya dengan munculnya sumber daya seperti IndoNLU adalah peneliti bisa lebih fokus untuk peningkatan hasil dari metode NLP, ketimbang harus memikirkan permasalahan dataset. serta dapat secara mudah melakukan perbandingan hasil dengan metode lain yang telah dikembangkan sebelumnya.</p><p>Sebagai sumber pertama NLP bahasa Indonesia yang memiliki skala besar dan komprehensif, IndoNLU tersusun atas tiga komponen utama yaitu IndoNLU Benchmark, Indo4B Dataset, dan Pre-trained models.</p><h3>IndoNLU Benchmark</h3><p>merupakan kurasi dari 12 permasalahan (<em>downstream task</em>) pengaplikasian NLP yang banyak diteliti dan tengah menjadi permasalahan aktif dan terbuka baik di dunia penelitian maupun industri. Benchmark juga telah menyediakan <em>leaderboard </em>(papan peringkat) untuk menunjukkan hasil pengembangan model lain yang lebih baik yang dapat diakses pada <a href="https://www.indobenchmark.com/leaderboard.html">https://www.indobenchmark.com/leaderboard.html</a> yang saat ini masih berisi dari tim IndoNLU (menunggu komunitas untuk mengirim model yang lebih baik). Berikut ringkasan dari 12 aplikasi <em>downstream task </em>tersebut:</p><h4>Kelompok <strong>single-sentence classification task</strong></h4><p>dalam bahasa tidak formal (<em>colloquial</em>) merupakan task yang mengklasifikasi sebuah kalimat ke dalam kategori tertentu pada bahasa tidak formal yang biasa digunakan dalam percakapan secara daring. Berikut adalah aplikasinya:</p><ol><li>Klasifikasi emosi: terdiri dari 4000 tweets dengan lima labels yaitu anger, fear, love, happiness, dan sadness</li><li>Analisis sentimen: terdiri dari 12700 reviews dibagi dalam tiga labels yaitu negatif, netral, dan positif</li><li>Aspect based analysis (CASA): terdiri dari enam aspek kualitas mobil yang masing-masing aspek terdiri dari tiga label yaitu netral, positif, dan negatif</li><li>Aspect based analysis (HoASA): terdiri dari 2800 review hotel, terdiri dari sepuluh aspek dengan masing-masing aspek terdiri dari empat kelas yaitu positif, negatif, netral, dan positif-negatif</li></ol><h4>Kelompok <strong>sentence-pair classification task</strong></h4><ol><li>Wiki Revision Edits Textual Entailment (WReTe): berisi 450 pasang kalimat bersumber dari Wikipedia revision history. Memiliki dua label yaitu Entail dan Non Entail. Task ini merupakan klasifikasi apakah artikel Wikipedia telah mengalami perubahan atau tidak</li></ol><h4>Kelompok <strong>single-sentence sequence labeling</strong></h4><p>terdiri dari beberapa aplikasi sebagai berikut:</p><ol><li>POS Tagging (BaPOS) terdiri dari 10000 kalimat dengan 23 POS Tags</li><li>POS Tagging (POSP) terdiri dari 8000 kalimat dengan 26 POS Tags</li><li>Span extraction (TermA) terdiri dari 5000 hotel review dengan 2 span tags yaitu aspek dan sentimen</li><li>Keyphrase extraction (KEPS) terdiri dari 1000 Tweets tanpa keyphrase tag</li><li>Named entity recognition (NERGrit): 2000 kalimat, terdiri dari tiga entitas yaitu PERSON, PLACE, dan ORGANIZATION</li><li>Named entity recognition (NERP): terdiri dari 8500 kalimat dengan lima tags yaitu person, location, event, product, food &amp; beverage</li></ol><h4>Kelompok <strong>sentence-pair sequence labeling</strong></h4><ol><li>Question answering factoid (FacQA) terdiri dari 3000 pasang pertanyaan dan jawaban, dengan 6 tipe pertanyaan yaitu date, location, name, organization, person, dan quantitative</li></ol><p>Dengan adanya beberapa benchmark pada aplikasi yang telah disebutkan tersebut diharapkan peneliti-peneliti lain dapat menggunakannya sebagai patokan hasil serta tidak berhenti sampai disini.</p><h3>Indo4B Dataset</h3><p>merupakan dataset hasil kurasi dari dokumen-dokumen berbahasa Indonesia dengan ukuran total 23 GB+ dokumen bahasa indonesia, dengan kurang lebih 4 miliar kata, berasal dari 15 sumber berbeda. Dataset terbagi menjadi kalimat formal dan tidak formal (colloquial) dalam 250 juta kalimat.</p><h3>Pre-trained Models</h3><p>merupakan model yang telah dilatih dengan dataset tertentu sehingga peneliti atau pihak lain dapat memanfaatkan dengan cara tertentu tanpa harus melakukan training dari awal. Hal ini tentunya sangat berguna bagi peneliti yang memiliki keterbatasan perangkat komputasi sehingga dapat mempermudah dan mempercepat pengembangan model lainnya. IndoNLU menyediakan dua kelompok pre-trained model yaitu <em>word-embedding-based</em> dan <em>contextual language model</em>. Word-embedding merupakan kumpulan vektor representasi dari kata yang dapat langsung digunakan tanpa melalui proses training, sedangkan contextual language model membutuhkan proses training atau fine-tuning terlebih dahulu. Berikut adalah pre-trained model yang disediakan oleh IndoNLU:</p><h4>Word-embedding-based model</h4><ol><li>FastText CC-ID (15.1M parameter) yang dilatih pada dataset CC-ID</li><li>FastText Indo4B (15.1M parameter) yang dilatih pada dataset Indo4B</li></ol><h4>Contextual-language model</h4><ol><li>IndoBERT Base (124.5M parameter) &amp; Large (335,1M parameter) merupakan pre-trained model berdasarkan arsitektur BERT.</li><li>IndoBERT-lite Base (11.7M parameter) &amp; Large (17.7M parameter) menggunakan arsitektur ALBERT merupakan versi lebih kecil dan terbatas sehingga cocok untuk peneliti yang memiliki sumber komputasi yang terbatas</li><li>Model-model yang telah dikembangkan oleh IndoNLU ini telah dihosting pada Hugging Face (<a href="https://huggingface.co/indobenchmark">https://huggingface.co/indobenchmark</a>).</li></ol><p>Model-model yang telah dilatih sebelumnya melalui tahap training dengan detail waktu dan sumber daya komputasi sebagai berikut:</p><h4>Informasi waktu proses running model pre-train</h4><ol><li>IndoBERT-lite Base: 1–2 hari</li><li>IndoBERT-lite Large 5–7 hari</li></ol><p>Menggunakan mesin TPU v3.8 di Google Cloud Platform dan untuk Fine Tuning menggunakan NVIDIA V100 32GB.</p><p>Begitulah ulasan singkat terkait IndoNLU, semoga disusul kabar-kabar baik selanjutnya dari komunitas peneliti NLP khususnya di Indonesia.</p><p>Sumber:</p><ol><li><a href="https://www.indobenchmark.com/">https://www.indobenchmark.com/</a></li><li><a href="https://arxiv.org/abs/2009.05387">https://arxiv.org/abs/2009.05387</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4eb70eca68bb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/indonlu-sumber-daya-baru-dalam-pengembangan-riset-nlp-bahasa-indonesia-4eb70eca68bb">IndoNLU: Sumber Daya Baru dalam Pengembangan Riset NLP Bahasa Indonesia</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Evaluasi Metrik Kualitas pada Sistem Penghasil Bahasa Alami (NLG Metric Evaluation)]]></title>
            <link>https://medium.com/computer-science-playground/evaluasi-metrik-kualitas-pada-sistem-penghasil-bahasa-alami-nlg-metric-evaluation-2079af7a81ea?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/2079af7a81ea</guid>
            <category><![CDATA[metrics]]></category>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[evaluation]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[nlg]]></category>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Sun, 11 Oct 2020 07:54:12 GMT</pubDate>
            <atom:updated>2020-10-11T07:58:01.381Z</atom:updated>
            <content:encoded><![CDATA[<h3>Evaluasi Metrik Kualitas pada Sistem Penghasil Bahasa Alami</h3><h4>NLG Metric Evaluation</h4><h4>Natural Language Generation (NLG)</h4><p>Pada tulisan ini, saya mencoba untuk memberikan catatan terkait metode evaluasi berbasis metrik yang digunakan dalam menilai kualitas bahasa alami yang dihasilkan oleh mesin. NLG<em> (natural language generation) </em>merupakan salah satu cabang ilmu dalam NLP (<em>natural language processing</em>) yang berfokus pada pengembangan algoritma dan model sehingga mesin/komputer mampu menulis bahasa alami secara koheren dan dapat dipahami oleh manusia. Beberapa contoh riset aplikasi pada domain NLG yaitu <em>machine translation, image captioning, caption paragraphing, video captioning, visual question answering, visual storytelling, document summarization</em>, dan lain-lain. Berbeda dengan klasifikasi, regresi, atau bidang fokus lain dalam machine learning, evaluasi pada sistem NLG memiliki karakter spesifik yang perlu diketahui yaitu salah satunya subjektifitas. Terkait dengan subjektifitas, NLG disebut sebagai problem terbuka (open-ended problem) karena pada kondisi sistem dan input yang sama, output yang dihasilkan dapat bervariasi. Sebagai contoh, apabila kita membuat sistem peringkasan otomatis (document summarization) sistem dapat menghasilkan ringkasan yang berbeda-beda dari satu sumber yang sama.</p><h4>Evaluasi pada NLG</h4><p>Pada dasarnya, proses evaluasi pada NLG adalah menghitung kemiripan teks yang dihasilkan oleh mesin terhadap referensi yang dijadikan patokan atau sering disebut dengan “gold-standard”. <em>Apa yang saat ini dianggap sebagai gold-standard?</em> Jawabannya adalah referensi berdasarkan pendapat manusia. <em>Kalau memang evaluasi oleh manusia adalah yang terbaik, kenapa bukan manusia saja yang melakukan evaluasi pada sistem NLG?</em> Evaluasi yang dilakukan oleh manusia secara manual membutuhkan biaya tinggi dan terbatas pada aspek skalabilitas, walaupun saat ini tersedia platform <em>crowdsourcing</em> seperti <a href="https://www.mturk.com/">Amazon Mechanical Turk</a>. Semakin tinggi nilai kemiripan antara teks yang dihasilkan oleh mesin terhadap <em>gold-standard</em>, maka kondisi ini mencerminkan kualitas model yang dihasilkan juga semakin baik. Secara umum evaluasi pada NLG dikategorikan menjadi tiga bagian yaitu: (1) Human-centric, (2) Metric otomatis tanpa proses training, (3) Metric otomatis dengan pembelajaran mesin (machine learned).</p><h4>Evaluasi secara manual oleh manusia (<em>human-centric evaluation</em>)</h4><p>Merupakan evaluasi yang berdasar pada jastifikasi manual terhadap teks yang dihasilkan oleh sistem NLG dan merupakan jenis <em>gold standard</em> pada proses evaluasi NLG. Namun evaluasi secara manual ini memiliki beberapa kekurangan yaitu membutuhkan biaya yang besar, membutuhkan waktu yang lama, khususnya untuk teks yang membutuhkan evaluasi dari seorang yang ahli di bidang tertentu. Selain itu, dari aspek hasil evaluasi yang diperoleh memungkinkan terjadi inkonsistensi dari satu individu dengan individu lainnya. Berdasarkan <a href="https://www.inlg2019.com/assets/papers/98_Paper.pdf">Van Der Lee (2019)</a> terkait dengan <em>best practice </em>dalam melakukan evaluasi secara manual, pada konferensi ACL dan INLG hanya 55% artikel yang menggunakan evaluasi secara manual. Menurut saya, bagaimana cara manusia menilai sebuah teks yang dihasilkan oleh mesin ini dapat dipandang sebagai domain problem riset tersendiri untuk menghasilkan metode evaluasi otomatis. Berangkat dari problem tersebut, terdapat beberapa hal yang perlu kita ketahui apa saja poin yang sebenarnya dinilai oleh manusia dalam memandang sebuah teks.</p><p>Terdapat dua kelompok pendekatan evaluasi NLG secara manual yaitu evaluasi intrinsik dan ekstrinsik<em>. </em>Evaluasi intrinsic merupakan cara sederhana dengan menunjukan teks hasil dari NLG kemudian responden diminta untuk menilai baik secara umum atau lebih detail pada beberapa dimensi seperti <em>adequacy, fluency, coherence, consistency, commonsense, logical, correctness</em>, dll. Sebagai catatan, masing-masing aplikasi NLG memiliki preferensi dimensi apa yang digunakan, misalnya untuk <em>machine translation </em>yang digunakan adalah dimensi <em>adequacy </em>sedangkan image captioning adalah <em>commonsenseness. </em>Metode evaluasi ini dapat berupa <em>voting </em>menentukan baik atau buruk, atau menggunakan derajat kualitas (Likert atau sliding scale). Selain itu, terdapat cara lain seperti responden diminta untuk membandingkan antara teks hasil dari NLG dan <em>baseline </em>yang sudah ditentukan sebelumnya. Hampir semua penelitian yang menggunakan evaluasi manual saat ini menggunakan evaluasi manual jenis intrinsik.</p><p>Selanjutnya, model evaluasi manual jenis ekstrinsik sering digunakan untuk menilai teks yang dihasilkan NLG pada sistem percakapan (dialog). Metode ekstrinsik mengukur tingkat keberhasilan sistem NLG pada tugas yang sebelumnya telah dirancang. Hal ini bermakna penilaian dilakukan secara menyeluruh pada keseluruhan aspek sistem NLG. Penilaian dilakukan dari dua perspektif yaitu keberhasilan pengguna dalam tugas tertentu dan keberhasilan sistem memenuhi tujuan yang diharapkan. Hal tersebut menjadikan batasan sehingga peneliti lebih banyak memilih jenis intrinsik daripada ekstrinsik.</p><h4>Evaluasi metrik otomatis (UAM — <em>untrained automatic metrics</em>)</h4><p>Untuk mengatasi keterbatasan dari evaluasi secara manual pada sistem NLG seperti yang telah dijelaskan pada bagian sebelumnya, diperlukan evaluasi metrik otomatis baik untuk mengembangkan model NLG baru ataupun membandingkan dengan pendekatan lain sebelumnya. UAM melakukan penilaian dengan menghitung kemiripan atau ketidakmiripan antara teks yang dihasilkan oleh sistem NLG dengan teks referensi yang telah ditulis oleh manusia (gold-standard). Saat ini UAM merupakan metode evaluasi yang paling umum dan banyak digunakan oleh para peneliti di bidang NLG karena kecepatannya, efisiensinya, dan mudah digunakan dalam membandingkan model saat proses training dengan hiperparameter yang berbeda.</p><p>Pada survei <a href="https://arxiv.org/abs/2006.14799">Evaluation of Text Generation: A Surve</a> mengelompokkan UAM pada lima kategori, yaitu: <em>n-gram overlap, distance-based, diversity, content overlap, dan grammatical feature-based</em>.</p><ol><li><strong>n-gram overlap metric for content selection</strong>: merupakan kelompok metode evaluasi yang sering digunakan pada sistem NLG dengan mengukur tingkat kesesuaian atau <em>matching</em> antara teks yang dihasilkan mesin dan teks yang ditulis oleh manusia (ground-truth). Beberapa contoh metode evaluasi dari kelompok n-gram overlap yaitu: BLEU, NIST, F-SCORE(F1), WER, ROUGE, METEOR, HLEPOR, RIBES, dan CIDER. Secara terpisah, beberapa catatan spesifik terkait metrik yang biasa saya gunakan akan saya bagikan kemudian.</li><li><strong>distance-based: </strong>merupakan kelompok metode evaluasi yang memanfaatkan fungsi penghitung jarak untuk mengukur tingkat kemiripan dari dua unit teks baik tingkat kata, atau kalimat. Semakin kecil jarak antara dua teks, maka semakin tinggi kemiripan antara kedua teks tersebut. Sebelum teks atau dokumen dibandingkan, terlebih dahulu dikonversi menjadi representasi numerik baik berupa representasi diskrit maupun <em>embedding vector. </em>Beberapa contoh metode evaluasi yang tergolong pada <em>distance-based </em>yaitu: a) WER, MED, TER, MEANT 2.0, YISI, WMD, SMD, FID.</li><li><strong>n-gram-based diversity</strong> <strong>metrics:</strong></li><li><strong>metrik pencocokan konten secara semantik dan eksplisit</strong></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*ioG3fuMlhgU57yaOFVO2Fw.png" /><figcaption>Tabel referensi metrik evaluasi yang biasa digunakan pada aplikasi tertentu. <strong>MT</strong>: machine translation, <strong>QG</strong>: question generation, <strong>SUM</strong>: summarization, <strong>RG</strong>: dialog response generation, <strong>DG</strong>: document or story generation, visual-story generation, <strong>IC</strong>: image captioning. Sumber: <a href="https://arxiv.org/abs/2006.14799">Evaluation of Text Generation: A Survey</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/893/1*y0uwpUCtyA7OyspPAhKG2g.png" /><figcaption>Jumlah sitasi tiap tahun pada metrik evaluasi NLG populer menunjukkan metrik evaluasi otomatis mana yang lebih banyak digunakan. Sumber: <a href="https://arxiv.org/abs/2008.12009">A Survey of Evaluation Metrics Used for NLG Systems</a></figcaption></figure><h4>Evaluasi berdasarkan pembelajaran mesin (<em>machine learned metrics</em>)</h4><p>Pada evaluasi metrik otomatis (UAM), memiliki ekspektasi bahwa teks yang dihasilkan oleh sistem NLG memiliki kesamaan pada sejumlah kata yang muncul (overlap) terhadap teks referensi. Namun, pada beberapa aplikasi NLG seperti sistem dialog otomatis (chatbot) terdapat perbedaan yang signifikan dan juga hasil yang lebih bervariasi sehingga nilai <em>overlap </em>menjadi kecil. Hal ini menyebabkan untuk beberapa aplikasi NLG tidak sesuai jika menggunakan evaluasi otomatis. Untuk mengatasi hal tersebut, diusulkan beberapa pendekatan yang memanfaatkan proses pembelajaran berbasis <em>neural network</em>. Terdapat lima contoh kelompok evaluasi pada NLG yang menggunakan metode pembelajaran mesin, yaitu sebagai berikut:</p><ol><li>Evaluasi berdasarkan kemiripan kalimat secara semantik</li><li>Evaluasi berdasarkan kebenaran faktual</li><li>Evaluasi berbasis regresi</li><li>Evaluasi dengan penilaian manusia</li><li>Evaluasi berbasis BERT</li><li>Evaluasi gabungan</li></ol><h4>Kesimpulan</h4><p>Terdapat beberapa metode dalam melakukan evaluasi untuk mengukur kualitas teks yang dihasilkan oleh sistem NLG. Dengan adanya beberapa keterbatasan yang ada, perkembangan riset yang secara khusus membahas mengenai metode evaluasi NLG merupakan area tersendiri dalam bidang NLP. Selain itu, semakin banyak aplikasi baru yang berkembang pada bidang NLG menyebabkan kebutuhan akan pendekatan evaluasi yang lebih sesuai sehingga dapat sesuai dengan apa yang diharapkan.</p><p>Sumber:</p><ul><li><a href="https://ehudreiter.com/2017/05/03/metrics-nlg-evaluation/">How to do an NLG Evaluation: Metrics</a></li><li><a href="https://arxiv.org/abs/2008.12009">A Survey of Evaluation Metrics Used for NLG Systems</a></li><li><a href="https://arxiv.org/abs/2006.14799">Evaluation of Text Generation: A Survey</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2079af7a81ea" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/evaluasi-metrik-kualitas-pada-sistem-penghasil-bahasa-alami-nlg-metric-evaluation-2079af7a81ea">Evaluasi Metrik Kualitas pada Sistem Penghasil Bahasa Alami (NLG Metric Evaluation)</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[Re-post Sang Guru]Hikayat Menulis Paper]]></title>
            <link>https://medium.com/computer-science-playground/re-post-sang-guru-hikayat-menulis-paper-f66dc1bf9a?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/f66dc1bf9a</guid>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Mon, 23 Dec 2019 21:53:56 GMT</pubDate>
            <atom:updated>2021-06-29T23:28:57.065Z</atom:updated>
            <content:encoded><![CDATA[<h3>Menulis Artikel Ilmiah</h3><blockquote>Sumber: Facebook post Pak <a href="https://www.facebook.com/agusza?__tn__=%2CdC-R-R&amp;eid=ARAwlm5sZBmX7KIgKXlAhLDxlheF8zfALI3BrIKTXn6NPLCQSNPI4na_5XQRqEHpcFdcOp170LDI5q0s&amp;hc_ref=ART4rwrRN-UADy6A7aiZXsGHdWCPNnMJbaoczZy-z0pvMr0Qc7-FvuWShhc0AVxJ8ig&amp;fref=nf">Agus Zainal Arifin</a>, <a href="https://www.facebook.com/agusza/posts/10215954516999141">https://www.facebook.com/agusza/posts/10215954516999141</a></blockquote><p>Bikin paper sendirian ?<br> Tidak pernah. Saya bikin paper tidak pernah sendirian. Kalau jaman dulu, saya dibimbing guru saya. Kalau jaman sekarang, saya membimbing murid saya.</p><p>Tahap yang dilewati tetap sama. Ada 4 besar. Pertama mencari ide original. Untuk dapat ide original, perlu belajar dengan sungguh-sungguh karakteristik masalahnya. Perlu juga mereview apa saja yang orang lain telah kerjakan dan apa idenya. Setelah cukup banyak mereview, biasanya otomatis akan muncul ide-ide bagus. Kalau tidak pernah mau mereview dulu, muncul juga ide, tapi biasanya ide-ide yang norak dan ketinggalan jaman.</p><p>Kedua menyusun metodologi penelitian. Murid idenya banyak, sehingga cenderung ngawur. Guru pengalamannya banyak, sehingga cenderung hati-hati. Kengawuran ide itu harus diketemukan dengan keragaman pengalaman. Keduanya butuh fleksibilitas untuk dinegosiasi. Tidak semua ide ngawur ataupun of the box itu efektif atau efisien, mereka butuh banyak penyesuaian. Sharing pengalaman itu akan meretas waktu eksperimen yang panjang, sehingga dapat dipersingkat.</p><p>Implementasi metodologi di lapangan adalah tahap ketiga. Implementasi yang bagus akan mengarah ke hasil yang bagus juga, sesuai impian hipotesa. Tapi sekedar mengejar hasil yang bagus saja kadang mengabaikan kebenaran prinsip-prinsip ilmiah. Harus ada murid dan guru yang saling bekerja sama mengawasinya. Validasi internal dan validasi eksternal sangat butuh pengalaman guru.</p><p>Terakhir adalah penulisan paper atau makalah untuk publikasi ilmiah. Mengikuti standar tidak mudah, butuh banyak latihan. Tapi bila berhasil menulis sesuai standar, maka orang lain kelak yang akan membaca paper itu akan jadi mudah paham. Bukankah memudahkan orang lain adalah perintah Tuhan. Sebaliknya mempersulit orang lain adalah larangan Tuhan.</p><p>Begini, saat penulisan setidaknya musti ada niatan untuk mempermudah pemahaman para reviewer di redaksi jurnal lebih dahulu. Harapannya agar para pembacanya kelak akan mudah paham juga. Kalau reviewer saja sulit memahami isinya, apalagi para pembacanya kelak, pasti mereka pada kesulitan juga.</p><p>Kita pasti tahu, bahwa orang yang memudahkan orang lain akan diberi kemudahan oleh Tuhan. Guru yang mempermudah muridnya sama saja dengan orang tua yang mempermudah anaknya, atau atasan yang mempermudah bawahannya. Semua biasanya akan hidup mudah dan nyaman. Sebaliknya menyulitkan juga akan berefek kesulitan balik.</p><p>Walhasil semangat mempermudah orang lain ini penting.Dan kalau tahap penulisan tadi memiliki semangat ini, insya Allah akan mudah berhasil Accepted. Mulai dari jaminan idenya original, jaminan benarnya metodologi, jaminan pelaksanaannya benar, hingga jaminan penulisannya sesuai standar, harus dipastikan semuanya satu persatu.</p><p>Keberhasilan Accepted itu adalah keberhasilan besar. Dan keberhasilan besar itu adalah keberhasilan-keberhasilan kecil yang dibina satu persatu. Sebaliknya kegagalan besar itu adalah kegagalan-kegagalan kecil yang dibiarkan berlarut-larut.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f66dc1bf9a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/re-post-sang-guru-hikayat-menulis-paper-f66dc1bf9a">[Re-post Sang Guru]Hikayat Menulis Paper</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Simple Flask Web Service for Consuming Keras Model]]></title>
            <link>https://medium.com/computer-science-playground/simple-flask-web-service-for-consuming-keras-model-dfd2efaf8501?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/dfd2efaf8501</guid>
            <category><![CDATA[rest-api]]></category>
            <category><![CDATA[keras]]></category>
            <category><![CDATA[web-services]]></category>
            <category><![CDATA[flask]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Thu, 24 Jan 2019 07:00:27 GMT</pubDate>
            <atom:updated>2019-01-24T07:00:27.067Z</atom:updated>
            <content:encoded><![CDATA[<p>In this note, I will show you the most straightforward way (in my opinion) how to implement a mechanism of consuming a deep learning model for prediction task. Instead of using <a href="https://www.tensorflow.org/serving/">TensorFlow Serving</a>, this note gives you a simple and clean step by step implementation. First of all, a question arises in my mind when I spend my times more in deep learning, how to consume the model that has been build simply and commonly? I think one of the most used protocols on the internet today, web protocol. In this note, I will build a simple web service that provides a prediction task of images using a pre-trained model, ResNet (Residual Network) based on this <a href="https://arxiv.org/abs/1512.03385">paper</a>, using Keras and Flask on Python.</p><p><strong>Preparation</strong></p><ol><li>Install the following dependency of Python libraries: <a href="https://www.tensorflow.org/install/pip">Tensorflow</a>, <a href="https://pypi.org/project/Keras/">Keras</a>, <a href="https://pypi.org/project/Pillow/2.2.1/">Pillow</a>, <a href="https://pypi.org/project/numpy/">Numpy</a>, <a href="https://pypi.org/project/Flask/">Flask</a>, and <a href="https://pypi.org/project/Flask-Cors/">Flask-Cors</a></li><li>Download and install <a href="https://www.getpostman.com/">Postman</a> for simulating of consuming web service</li></ol><h3><strong>Main Python Script for Running Flask</strong></h3><p>This script is the main file for running Flask that will expose your URL and port and make it accessible from clients. In my design, this script is reusable when you have a new another task just add several lines of code and re-run this script.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0da28081cdd63f36fe411dfb8a612c18/href">https://medium.com/media/0da28081cdd63f36fe411dfb8a612c18/href</a></iframe><p>The last part, you can modify the hostname where this script is running and can be accessed. By default, this script run on localhost port 5000.</p><h3><strong>ResNet Image Prediction Script</strong></h3><p>As I mentioned before, if you have a new task, it is possible to you by adding your own class. In this note, I create a very simple ResNetPredict class that preprocess and predict the image file to get the categorize of class by ResNet. I use ResNet50 from Keras Applications for the simple case. This script imported by the first main script which running Flask (<a href="https://gist.github.com/rizalespe/52c81973355de3e2f3d8d2ec478e2007#file-run_flask_service-py">run_flask_service.py</a>).</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/217e71c1d29648acf9caba53c377849e/href">https://medium.com/media/217e71c1d29648acf9caba53c377849e/href</a></iframe><p>From your console, run the script <a href="https://gist.github.com/rizalespe/52c81973355de3e2f3d8d2ec478e2007#file-run_flask_service-py">run_flask_service.py</a></p><h3><strong>Test Endpoint using Postman</strong></h3><p>The last, to make sure all is running well, for the simplest one, we show you how to use <a href="https://www.getpostman.com/">Postman</a>.</p><ol><li>Create a new request</li><li>Change the request method to POST, but if you just expect your request using the GET method do not make a modification</li><li>Set the URL to the URL that appears when you run <a href="https://gist.github.com/rizalespe/52c81973355de3e2f3d8d2ec478e2007#file-run_flask_service-py">run_flask_service.py</a> script. In this case, my <a href="http://godal.sys.cs.tut.ac.jp:5000/predict_resnet">http://godal.sys.cs.tut.ac.jp:5000/predict_resnet</a>.</li><li>On the Body of the request, select form-data</li><li>Fill the KEY as the parameter POST name, and change the type of parameter (text or file) by clicking the KEY name</li><li>Click on Choose Files, upload your image here</li><li>The last, Click on the blue Send button</li><li>Voila… the response will be shown on the JSON format</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*plyz-tuD4xuHo_HxLeIqJw.png" /><figcaption>Postman Request Demo</figcaption></figure><p><strong>Notes: </strong>the biggest probability give me the label “mountain bike” after I send this image</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*NV0zRtw94fB-hsDfqCDf1g.jpeg" /><figcaption>Me on a scary face (photo by Anom Harya)</figcaption></figure><h3>Access using Javascript Ajax Request</h3><p>After success on requesting the web service using Postman, I will show you my experiment to prove that the web service endpoint also accessible by Javascript.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/04aac9ed3cd77f304ae06a7c24c0a23d/href">https://medium.com/media/04aac9ed3cd77f304ae06a7c24c0a23d/href</a></iframe><p><strong>Notes: </strong>By default, accessing directly on Ajax request will be failed due to cross-origin resource sharing (CORS). Instead of change the web server configuration, I chose by using <a href="https://pypi.org/project/Flask-Cors/">Flask-Cors</a> for simplicity.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cyOP3QQnH1Gza6UDFXRBQA.png" /><figcaption>A web-based simple demo for image prediction</figcaption></figure><p>Please let me know if you have any questions.</p><p><strong>Notes: </strong>By default, accessing directly on Ajax request will be failed due to cross-origin resource sharing (CORS). Instead of change the web server configuration, I chose by using <a href="https://pypi.org/project/Flask-Cors/">Flask-Cors</a> for simplicity.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dfd2efaf8501" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/simple-flask-web-service-for-consuming-keras-model-dfd2efaf8501">Simple Flask Web Service for Consuming Keras Model</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pengukuran Akurasi Menggunakan Precision dan Recall]]></title>
            <link>https://medium.com/computer-science-playground/pengukuran-akurasi-menggunakan-precision-dan-recall-71c04988e6ab?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/71c04988e6ab</guid>
            <category><![CDATA[bahasa-indonesia]]></category>
            <category><![CDATA[recall]]></category>
            <category><![CDATA[text-mining]]></category>
            <category><![CDATA[information-retrieval]]></category>
            <category><![CDATA[tutorial]]></category>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Tue, 14 Feb 2017 04:00:13 GMT</pubDate>
            <atom:updated>2017-02-14T04:20:21.002Z</atom:updated>
            <content:encoded><![CDATA[<p>Dalam bidang <em>information retrieval (IR) atau </em>Sistem Temu Kembali Informasi (STKI) terdapat dua istilah yang biasa muncul yaitu Precision dan Recall. Dua istilah ini merupakan istilah yang muncul apabila sistem yang dibuat telah mampu menampilkan hasil (<em>retrieve) </em>suatu hasil baik berupa klasifikasi, prediksi, atau pencarian. Sebelum menjelaskan masing-masing istilah tersebut, saya akan memberikan sebuah contoh sederhana dengan studi kasus pencarian (<em>searching</em>) pada sebuah mesin pencarian.</p><blockquote>Dalam sebuah mesin pencarian seperti Google, seseorang pertama kali akan memasukan kata kunci (query) pada textbox dengan beberapa kata yang akan diharapkan muncul pada hasil pencarian. Setelah memasukan beberapa kata atau kalimat, maka pengguna akan klik cari sehingga muncul hasil pencarian yang sudah terurut mulai dari pertama sampai hasil pencarian dengan jumlah hingga jutaan. Dari hasil pencarian yang ditampilkan, maka ada beberapa kemungkinan hasil yang akan didapatkan oleh seorang pengguna mesin pencarian.</blockquote><p>Hasil pencarian yang ditampilkan oleh sistem antara lain adalah:</p><p><em>1.hasil pencarian yang muncul dan sesuai (relevant) dengan apa yang dibutuhkan/diharapkan oleh pengguna, tentunya yang diharapkan oleh pengguna adalah yang seperti ini</em></p><p><em>2. hasil pencarian yang muncul tetapi tidak sesuai (not relevant) dengan apa yang dibutuhkan/diharapkan oleh pengguna, tentunya hal ini tidak diharapkan oleh pengguna</em></p><p>Selain hasil pencarian yang ditampilkan, kemungkinan juga terdapat dokumen atau hasil pencarian yang tidak muncul pada sistem. Ketidakmunculan hasil pencarian ini mungkin terjadi dikarenakan pengembang sistem sengaja membatasi hasil yang dimunculkan. Berikut adalah jenis hasil pencarian yang tidak ditampilkan:</p><p><em>3. hasil pencarian tidak ditampilkan tetapi memiliki hasil yang sebenarnya sesuai (relevant). Kemungkinan pertama ini mungkin muncul karena dalam melakukan komputasi sistem salah mendeteksi dokumen yang seharusnya muncul pada hasil pencarian namun tidak muncul pada sistem. Selain itu kemungkinan lain muncul karena sistem membatasi hasil pencarian yang ditampilkan</em></p><p><em>4. hasil pencarian tidak ditampilkan dan tidak sesuai (not relevant) merupakan perilaku yang diharapkan dari suatu sistem pencarian. Kondisi ini normal karena memang apabila sesuatu yang tidak relevan seharusnya memang tidak perlu ditampilkan pada sistem</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*rzMGXRbMEJjZ_ZRK1jExaA.png" /><figcaption>Sumber: <a href="https://en.wikipedia.org/wiki/Precision_and_recall">Wikipedia</a></figcaption></figure><p>Gambar di atas menunjukkan ilustrasi terkait Precision dan Recall. Berdasarkan ilustrasi mesin pencarian, seluruh hasil yang muncul pada mesin pencarian adalah pada bagian True Positive dan False Positive. Apabila saya tarik dengan 4 kondisi diatas dengan gambar ilustrasi, maka dapat saya petakan bahwa kondisi-kondisi tersebut memiliki istilah-istilah sebagai berikut :</p><blockquote>1. True Positive (TP)</blockquote><blockquote>2. False Positive (FP)</blockquote><blockquote>3. False Negative (FN)</blockquote><blockquote>4. True Negative (TN)</blockquote><p>Dari kemungkinan-kemungkinan tersebut, maka akurasi dari sistem pencarian dapat ditentukan. Precision dan Recall merupakan dua pendekatan yang berbeda. Precision dan Recall memiliki formula sebagai berikut:</p><blockquote>Precision= TP/(TP+FP)</blockquote><blockquote>Recall= TP/(TP+FN)</blockquote><p>Secara makna, Precision merupakan pengukuran kualitas seberapa bergunakah sistem pencarian tersebut, sedangkan Recall merupakan kualitas seberapa lengkap hasil relevan yang ditampilkan oleh sistem pencarian.</p><blockquote>Precision → How useful → Quality</blockquote><blockquote>Recall → How complete → Quantity</blockquote><p>Demikian tulisan mengenai precision dan recall secara singkat.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=71c04988e6ab" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/pengukuran-akurasi-menggunakan-precision-dan-recall-71c04988e6ab">Pengukuran Akurasi Menggunakan Precision dan Recall</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Klasifikasi dokumen teks menggunakan KNN berbasis TF-IDF (Part 1)]]></title>
            <link>https://medium.com/computer-science-playground/klasifikasi-dokumen-teks-menggunakan-knn-berbasis-tf-idf-part-1-b568163ce681?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/b568163ce681</guid>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Wed, 04 Jan 2017 01:02:54 GMT</pubDate>
            <atom:updated>2017-01-04T01:05:22.827Z</atom:updated>
            <content:encoded><![CDATA[<p>KNN merupakan salah satu algoritma/metode klasifikasi yang cukup populer digunakan untuk melakukan proses prediksi berdasarkan data atau fakta yang sudah diketahui sebelumnya. Contoh sederhana pengaplikasian dari klasifikasi adalah proses mendeteksi spam pada email. Sebelum proses klasifikasi dilakukan, kita harus memiliki beberapa data email yang tergolong sebagai spam sekaligus email yang bukan merupakan spam. Artinya disini kita memiliki dua klasifikasi yaitu email yang memiliki label spam dan email yang memiliki label bukan spam. Pada tulisan ini akan saya ulas mengenai proses klasifikasi pada objek data berupa dokumen teks.</p><h4>KNN Classifier</h4><p>KNN merupakan singkatan dari K-Nearest Neighbor (k-tetangga terdekat) yang memiliki maksud bahwa k adalah variabel yang menunjukan jumlah tetangga terdekat yang dianggap mempengaruhi data lain. Oke, lebih jauh lagi KNN merupakan salah satu algoritma yang berdasarkan <em>machine learning. </em>Algoritma ini merupakan salah satu algoritma paling sederhana dan juga dianggap paling “lazy” atau malas. Tujuan algoritma ini adalah untuk mengklasifikasikan objek ke dalam kelas-kelas yang sudah didefinisikan sebelumnya. Algoritma ini sedikit berbeda dengan algoritma klasifikasi lainnya karena pada tahap pembentukan <em>classifier </em>KNN tidak membutuhkan data yang diketahui label/kelasnya terlebih dahulu (algoritma klasifikasi pada umumnya membutuhkan data training untuk membentuk model <em>classifier</em>), lalu bagaimana cara algoritma ini bekerja? apakah tidak bertentangan dengan prinsip klasifikasi? KNN bekerja dengan prinsip dasar mencari tingkat kemiripan suatu objek dengan beberapa objek lainnya. Proses untuk mengetahui tingkat kemiripan dilakukan dengan menggunakan melakukan perhitungan jarak dengan Euclidean. Perhitungan jarak dilakukan pada bidang datar dengan sumbu x dan y dimana masing-masing objek dianggap sebagai sebuah titik yang memiliki koordinat, misalkan ada 2 titik p dan q, masing-masing adalah p=(a,b) dan q=(c,d). Dapat dituliskan bahwa jarak antara p dan q adalah sebagai berikut:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/326/1*cMZFa2GgJmaIWa0Ol1ZzYw.png" /><figcaption>Rumus perhitungan jarak antara 2 objek menggunakan Euclidean Distance</figcaption></figure><p>Saya akan membuat ilustrasi dengan membuat masalah yang sangat sederhana, seperti pada gambar dibawah ini, terdapat 2 kelompok besar, polisi dan pencuri. Ada satu orang yang belum diketahui identitasnya sehingga kita belum bisa menentukan apakah dia polisi atau pencuri. Tugas utama kita adalah mencari tahu apakah orang tersebut adalah polisi atau pencuri.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/353/1*VrV__zFf6NVYaBKgMqaSmg.png" /><figcaption>Ilustrasi masalah yang akan dipecahkan dengan menggunakan KNN</figcaption></figure><p>Dengan menggunakan KNN maka kita harus mencari tingkat kemiripan/jarak antara seseorang yang belum kita ketahui identitasnya dengan seluruh orang yang ada dalam 2 kelompok tersebut. Setelah kita mengetahui tingkat kemiripan dengan hitungan jarak, maka jarak-jarak tersebut diurutkan berdasarkan nilai terkecil (terdekat) sampai ke jarak yang paling besar. Setelah terurut, maka kita tentukan berapa jumlah tetangga terdekat yang akan kita anggap sebagai penentu. Pada contoh kasus ilustrasi diatas nilai k maksimal adalah 16 dan minimal adalah 1. Berikut ini adalah urutan jarak antara orang yang belum diketahui identitasnya dengan objek lain mulai dari yang terdekat sampai terjauh. Misalkan kita menentukan bahwa nilai k adalah 5, maka dari 5 terdekat adalah Pencuri, Pencuri, Pencuri, Polisi, Pencuri. Dapat dipastikan bahwa orang yang belum diketahui identitasnya adalah seorang Pencuri karena dari 5 data tersebut komposisinya adalah 4 Pencuri dan 1 Polisi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/1*udwt85_qkKpnCqctDOK9yQ.png" /><figcaption>Urutan jarak terdekat dari orang yang tidak diketahui identitasnya</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b568163ce681" width="1" height="1" alt=""><hr><p><a href="https://medium.com/computer-science-playground/klasifikasi-dokumen-teks-menggunakan-knn-berbasis-tf-idf-part-1-b568163ce681">Klasifikasi dokumen teks menggunakan KNN berbasis TF-IDF (Part 1)</a> was originally published in <a href="https://medium.com/computer-science-playground">Work in playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Enam hal yang dilakukan sebelum menulis manuskrip artikel ilmiah]]></title>
            <link>https://medium.com/@rizalespe/enam-hal-yang-dilakukan-sebelum-menulis-manuskrip-artikel-ilmiah-51847a288791?source=rss-f528e85c8ba9------2</link>
            <guid isPermaLink="false">https://medium.com/p/51847a288791</guid>
            <category><![CDATA[writing-tips]]></category>
            <category><![CDATA[penulisan]]></category>
            <category><![CDATA[jurnal]]></category>
            <dc:creator><![CDATA[Rizal Setya Perdana]]></dc:creator>
            <pubDate>Sun, 24 Jan 2016 19:43:22 GMT</pubDate>
            <atom:updated>2016-01-24T19:43:22.397Z</atom:updated>
            <content:encoded><![CDATA[<p>Tulisan ini adalah salah satu ulasan ulang dari sebuah artikel yang saya baca ketika sedang mencari-cari pengalaman orang lain yang telah sukses dalam dunia penelitian. Kenapa saya mencoba mencari sumber seperti ini? karena saya merasa sampai sejauh ini telah mempelajari banyak hal namun belum menuliskannya/mendokumentasikannya (<em>mirip orang yang suka sekali jalan-jalan ke tempat yang indah tapi tidak suka foto/selfie hehehe…</em>). Seperti menulis ulang tulisan orang (dari sudut pandang saya) ini adalah satu langkah yang saya lakukan untuk mendokumentasikan apa yang telah saya baca.</p><p>Langsung saja dari sumber tulisan yang judul aslinya adalah “How to Prepare a Manuscript for International Journals” ini ditulis oleh Dr. Angel Borja yang memiliki latar belakang sebagai penulis, pereview, dan juga sebagai editor akan memberikan beberapa saran dalam menulis manuskrip (tulisan dari sudut pandang penulis), proses evaluasi (membaca tulisan dari sudut pandang pereview) dan dari sudut pandang pihak yang akan menyukai ataukah tidak menyukai artikel tulisan kita (sudut pandang editor).</p><p>Saat ini Dr. Angel Borja saya anggap sebagai salah satu “rockstar” dalam dunia penulisan artikel ilmiah (yang nantinya akan saya sebut sebagai <em>paper</em>) pada tahun 2005 beliau diminta oleh pihak Elsevier — salah satu pihak yang menyediakan informasi digital terkait ilmu, teknologi, dan kesehatan untuk memberikan kuliah mengenai teknik penulisan ilmiah (<em>scientific writing). </em>Menurut cerita, perkuliahan saat itu berjalan sangat sukses, sehingga Dr. Angel berinisiatif untuk menjalankan kuliah serupa setiap tahunnya. Mengapa memiliki pemikiran demikian? Menurutnya para peneliti terkadang tidak dilatih oleh supervisor mereka dalam menulis paper ketika mengikuti perkuliahan doktoral, dimana waktu tersebut merupakan waktu terbaik dalam mempelajari prinsip dan disiplin ilmu penulisan.</p><p>Dr. Angel mencoba membagi sudut pandang dalam proses penulisan menjadi tiga bagian yaitu dari sudut pandang penulis, pengulas (<em>reviewer</em>), dan editor. Sepertinya ketiga peran tersebut sudah pernah dijalaninya. Pada tahun 1979 Dr. Angel bekerja pada universitas dan pada lembaga penelitian ilmiah. Tahun 1981 ketika paper pertamanya diterbitkan dia telah menulis lebih dari 270 kontribusi ilmiah, 150 diantaranya terdapat pada 40 jurnal yang berbeda. Wah, 270 bukan angka yang kecil untuk jumlah paper yang telah dibaca. Ternyata penulis juga perlu mendapatkan review pada tulisannya dari penulis lain — diceritakan bahwa Dr. Angel telah mereview 45 sampai 50 paper setiap tahunnya dari 65 jurnal ilmiah yang dianggapnya dapat memberikan wawasan. Dari pengalaman tersebut Dr. Angel beranggapan bahwa beliau dapat memberikan beberapa sudut pandang khusus tentang bagaimana meningkatkan kesempatan agar paper dapat diterima. Berikut adalah hal-hal yang harus diperhatikan dalam menulis manuskrip sebuah paper :</p><ol><li><strong>Pikirkan tentang kenapa anda menginginkan untuk mempublikasikan papar dan merasa bahwa paper tersebut <em>publishable. </em></strong>Yup, ternyata perlu sekali kita memikirkan alasan mengapa kita merasa perlu/ingin mempublikasikan tulisan kita, biasanya pertanyaan itu muncul di awal kita membuat hipotesis. Hipotesis tersebut secara tidak langsung juga merupakan jawaban dari pertanyaan ‘kenapa’ kita ingin mempublikasikan tulisan kita. Berikut adalah beberapa pertanyaan yang perlu kita jawab tentang poin pertama yaitu alasan kenapa kita menginginkan tulisan perlu dipublikasikan :</li></ol><ul><li>apakah penelitian yang dilakukan adalah sesuatu yang baru dan menarik?</li><li>adakah tantangan pada pekerjaan ini?</li><li>apakah penelitian berhubungan secara langsung dengan topik yang sedang banyak diteliti “hot” ?</li><li>apakah dengan penelitian yang telah dilakukan sudah menghasilkan solusi pada permasalahan yang sulit?</li></ul><p>Apabila seluruh jawaban dari keempat pertanyaan adalah “Ya” maka anda bisa memulai untuk menulis manuskrip. Jika masih ada beberapa pertanyaan yang memiliki jawaban “Tidak” maka anda bisa mempublikasikan tulisan anda pada jurnal lokal atau jurnal dengan <em>impact factor </em>rendah. Setelah tadi pertanyaan yang diajukan kepada penulis, ternyata juga ada beberapa poin yang juga harus dijawab oleh para <em>reviewer, </em>pertanyaan-pertanyaan tersebut adalah sebagai berikut :</p><ul><li>apakah paper sudah mengandung cukup materi/hal baru ?</li><li>apakah topik yang dikandung oleh paper yang ditulis merupakan cakupan dari jurnal? —<em> tidak akan mungkin ada paper tentang Pharmaceutical Science yang dipublikasikan pada paper tentang Computer Science. </em>Mungkin kondisi tersebut terlalu ekstrim, namun memang ada beberapa jurnal yang memiliki kekhususan dalam bidang yang ditampung.</li><li>apakah paper ditulis dengan ringkas dan tersusun dengan baik?</li><li>apakah metode dan eksperimen telah disajikan dengan cara metode dan eksperimen dapat direplikasi ulang? — <em>jujur yang ini kurang begitu paham makna yang dimaksud, teks aslinya seperti ini “Are the methods and experiments presented in the way that they can be replicated again?</em>”</li><li>apakah hasil eksperimen sudah ditampilkan secara memadai?</li><li>apakah permasalahan didiskusikan secara relevan, ringkas, dan didokumentasikan dengan baik?</li><li>apakah kesimpulan yang ditampilkan didukung oleh data yang disajikan?</li><li>apakah penulisan secara bahasa dapat diterima?</li><li>apakah gambar pendukung dan tabel memadai dan juga dengan tampilan desain yang baik? apakah terdapat informasi yang dulpikasi? apakah tulisan terlalu banyak?</li><li>apakah semua referensi yang disitasi pada tulisan terdapat pada daftar pustaka? — <em>kaitannya erat dengan plagiarisme, apapun yang kita tulis dan bersumber dari tulisan orang lain harus kita tampilkan penulisnya.</em></li></ul><p>2. <strong>Tentukan jenis manuskrip apa yang akan ditulis. </strong>Menurut Dr. Angel terdapat 3 macam manuskrip pada penulisan artikel ilmiah, macam-macamnya adalah sebagai berikut :</p><ul><li><strong>full articles/original articles </strong>merupakan jenis manuskrip yang paling penting — <em>bisa dikatakan manuskrip jenis ini adalah artikel dengan versi paling akhir dan lengkap</em>.</li><li><strong>letters/rapid communication/short communication </strong>biasanya dipublikasikan dengan cepat dan merupakan bentuk awal dari paper yang ingin dipublikasi. Bentuk lebih pendek daripada <strong>full article</strong>.</li><li><strong>review papers/perspectives </strong>merupakan rangkuman dari topik yang telah dibuat yang bersifat terkini dan spesifik, berisi catatan poin-poin penting yang sebelumnya telah ditulis dan tidak berisi informasi yang baru. Biasanya bentuk manuskrip ini diminta oleh editor dari jurnal. — <em>sepertinya model manuskrip ini tidak selalu diminta</em></li></ul><p>Jenis manuskrip mana yang harus di-submit harus kita tentukan sendiri, apakah mungkin bila kita <em>submit </em>dalam bentuk <em>full article </em>atau tidak. Apabila anda merasa hasil sangat baik sehingga membutuhkan manuskrip segera direview maka pilih bentuk selain <em>full article — bisa pula diskusikan dengan supervisor kira-kira bentuk manuskrip yang seperti apa yang harus di-submit. </em>Apapun jenis manuskrip yang akan dikirim, maka dalam satu waktu kirim hanya 1 manuskrip dan jangan lebih, biasanya editor tidak suka dengan penulis yang secara langsung mengirim beberapa manuskrip dalam satu waktu. Hal ini dikarenakan apabila editor menerima kedua manuskrip maka jurnal akan memiliki topik atau penulis yang sama dengan banyak halaman.</p><p>3. <strong>Pilih jurnal tujuan. </strong>Pertanyaan yang sering ditanyakan adalah bagaimana memilih jurnal yang sesuai/tepat untuk penelitian yang sudah anda lakukan.</p><blockquote><em>J</em>angan sampai melakukan spekulasi dengan cara menyebar manuskrip pada beberapa jurnal dalam waktu yang sama, submit hanya satu manuskrip dan tunggu balasan/respon dari editor dan reviewers</blockquote><p>Cara yang paling umum dalam memilih jurnal yang sesuai adalah dengan melihat artikel yang telah dikonsultasikan dan disiapkan sebagai manuskrip. Kemungkinan kebanyakan orang berkonsentrasi pada satu atau dua jurnal. Bacalah publikasi yang paling terkini dari masing-masing jurnal dan temukan topik terkini dan tipe-tipe artikel ilmiah yang diterima.</p><p>Pertimbangan lain adalah dengan melihat tingkat <em>rejection rate </em>dari jurnal — ada beberapa bidang seperti <em>nature, science, The Lancet dan Cell </em>yang memiliki angka <em>rejection rate </em>&gt;90%. Apabila penelitian yang telah dilakukan tidak terlalu memiliki tantangan, pilih saja jurnal yang sederhana dengan <em>impact factor </em>yang rendah. Anda bisa melihat nilai impact factor pada halaman ini <a href="http://www.sciencegateway.org/rank/index.html">Science Gateway</a>.</p><p>4. <strong>Perhatikan dengan seksama pada syarat jurnal pada bagian Guide of Authors.</strong></p><p>Setelah menentukan pilihan jurnal untuk <em>submit, </em>maka kunjungi halaman web dari jurnal tersebut untuk melihat petunjuk penulis dalam menyusun paper — kalau perlu cetak dan baca berulang-ulang petunjuk tersebut.</p><p>Petunjuk penulis biasanya disertai dengan <em>editorial guidenes, </em>prosedur pengumpulan, upah untuk mempublikasi secara gratis (<em>open access</em>), hak cipta dan panduan etis. Anda harus mengikuti semua peraturan yang terdapat pada petunjuk penulisan walaupun masih dalam bentuk draft awal, sesuaikan layout teks sesuai petunjuk, cara menuliskan sitasi, penomoran, gambar dan tabel dsb. Dengan mengikuti tips sederhana ini akan menghemat waktu penulisa maupun editor.</p><blockquote>Anda harus tau bahwa editor tidak suka membuang waktu pada manusikrip yang kurang serius/siap. Editor akan beranggapan bahwa penulis kurang serius dan respek.</blockquote><p>5. <strong>Perhatikan struktur atau susunan penulisan paper dengan baik. </strong>Masing-masing jurnal memiliki aturan dalam penulisan paper-nya masing-masing, sehingga sangat penting bagi penulis untuk menanyakan terkait panduan penulisan untuk penulis apabila terdapat permasalahan/pertanyaan. Secara umum terdapat beberapa struktur aturan dalam penulisan paper :</p><ul><li>Bagian yang membuat paper ini mudah dicari dan diindeks pada suatu topik, menjadikan paper semakin informatif, atraktif, dan efektif. Bagian ini terdiri dari judul, identitas penulis (nama dan afiliasi), abstrak, dan kata kunci.</li><li>Bagian yang terdiri dari tulisan utama, dimana terbagi menjadi beberapa bagian yaitu: Pendahuluan, Metode, Hasil, Pembahasan, dan Kesimpulan.</li><li>Bagian yang terdiri dari ucapan terima kasih, referensi, dan materi pendukung atau lampiran.</li></ul><p>Struktur umum dari sebuah full paper untuk format <strong>IMRAD </strong>yang dikeluarkan oleh Institut Standar Nasional Amerika pada 1979, meliputi beberapa pertanyaan sebagai berikut :</p><ul><li><strong>I</strong>ntroduction : Apa yang anda/orang lain lakukan? Mengapa anda melakukan hal tersebut?</li><li><strong>M</strong>ethods : Bagaimana anda melakukannya?</li><li><strong>R</strong>esult : Apa yang anda cari?</li><li><strong>A</strong>nd</li><li><strong>D</strong>iscussion: Apa maksud dari hasil yang sudah anda dapatkan?</li></ul><p>6. <strong>Pahami etika publikasi untuk menghindari pelanggaran. </strong>Salah satu hal terburuk dalam dunia keilmuan adalah plagiasi. Plagiasi dan pencurian terhadap pekerjaan orang lain dapat menimbulkan konsekuensi yang serius baik secara profesionalisme dan legalitas. Pelanggaran dapat meliputi pemalsuan dan peniruan data, penggunaan subjek manusia dan hewan secara tidak tepat dalam penelitian, dan menggunakan ide atau kalimat penulis lain tanpa mencantumkan sumber yang tepat.</p><p><strong>Penutup</strong></p><p>Dalam mempersiapkan manuskrip, terdapat beberapa prinsip dasar yang perlu untuk diingat:</p><ul><li>hargailah tulisan anda — apabila tidak anda hargai sendiri, maka mengapa anda ingin submit pada jurnal?</li><li>tidak ada jalan rahasia untuk sukses — hanya dengan aturan sederhana, dedikasi, dan kerja keras.</li><li>editor dan reviewer adalah orang-orang sibuk, juga seperti anda. Maka buatlah sesuatu yang tidak membuang waktu mereka.</li></ul><p>Terima kasih, semoga bermanfaat bagi kita semua.</p><p><strong>Sumber :</strong></p><p><a href="https://www.elsevier.com/connect/six-things-to-do-before-writing-your-manuscript">https://www.elsevier.com/connect/six-things-to-do-before-writing-your-manuscript</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=51847a288791" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>