Apa bedanya training, validasi, development dan test set ?

Dalam sebuah seminar/konferensi ilmiah, saya bertanya kepada pemateri: Kenapa data yang dipakai untuk validasi dan test sama? Menurut beliau, istilah validasi dan test dalam machine learning sama. Menurut saya ini salah. Data validasi tidak boleh dipakai untuk test (karena tentu saja, hasilnya akan lebih bagus). Data validasi sama dengan data development, keduanya, validation dan development, merupakan istilah yang sama untuk "tuning model" dari hasil training.

Partisi data Training, Validasi, dan Test (sumber gambar: disini)

Merujuk pada StackOverflow:

Tes Signifkansi (Paired t-test) dengan LibreOffice Calc

Tes Signifikansi

Tes signifikansi digunakan untuk menilai apakah dua hal (benar-benar) berbeda. Menggunakan logika penalaran (logical reasoning), kita tidak bisa menilai dua hal secara subyektif. Misal, A dan B itu berbeda, karena tidak sama persis. Tidak demikian. Kita harus berbicara berdasarkan data. Nah bagaimana menunjukkan kalau A dan B itu berbeda dengan data? Tes signifikansi-lah salah satu caranya.

Perlu dicatat, sebelum saya lanjutkan tulisan ini, banyak kritik atas penggunaan tes signifikansi. Salah satunya adalah tulisan ini. Sebagai solusinya, penulis artikel tersebut menyarankan penggunaan confidence level. Saya tidak akan membahas hal tersebut (meskipun saya setuju). Prinsip saya, mempelajari apa yang sedang digunakan (meski dianggap salah atau tidak layak), tetap bermanfaat sehingga kita tahu kekurangannya.

Paired t-test

Ada beberapa macam t-test: paired,  two samples with equal variance, dan two samples with unequal variance. Kali ini saya akan membahas paired t-test, karena itu yang saya pakai. Pair t-test digunakan untuk mengecek dua proses (misal sebelum dan sesudah improvement),  Asumsi yang dipakai adalah bahwa bahwa perbedaan rataannya 0.  Paired t-test baik dipakai jika:

• Proses/metode yang berbeda pada subyek yang sama
• Tidak ada data outlier

One-tail vs Two-tail dan p-value

Analisis One-tail vs Two-tail dilihat dari kurva distribusinya. Perhatikan gambar di bawah ini. Jika memakai two-tail (ini yang akan dipakai) kita memakai dua sisi-nya. Jika memakai satu-sisi maka hanya dipakai setengah sisinya. Memakai two-tail, dengan confidence level 95% maka significance leevel-nya adalah 5% atau 0.05. Inilah batas nilai p-value (asserting p-value=0.05). Jika nilai p-value di bawah nilai batas tersebut, maka null hypothesis kita tolak dan alternatif hypothesis kita terima (artinya: perbedaan yang kita dapatkan signifikan).

Panduan Berpikir Kritis

Tulisan ini merupakan ringkasan dari sebuah buku: Asking the Right Questions, A guide to critical thinking, yang ditulis oleh M. Neil Browne dan Stuart M. Keeley dari Bowling Green State University. Buku tersebut cukup sukses dan banyak dipakai, dari S1 hingga S3; terbukti dari cetakannya yang memasuki edisi ke-11. Meski telah memasuki edisi ke-11, ringkasan ini saya buat berdasarkan edisi ke-7 karena strukturnya lebih runtut dan mudah dipahami.

Berpikir kritis, menurut definisi buku tersebut, adalah mengacu pada tiga dimensi seperti pada gambar di bawah ini. Ketiganya harus terpenuhi, dan untuk memenuhinya "menanyakan pertanyaan yang tepat" adalah kuncinya.

Manfaat Berpikir Kritis
Berpikir kritis bermanfaat untuk meningkatkan kemampuan menulis dan berbicara karena akan menuntun anda ketika:

1. Bereaksi kritis atas tulisan, baik di buku, website, jurnal maupun makalah.
2. Menilai kualitas dari sebuah pemaparan (kuliah, presentasi, dll)
3. Membentuk argumen
4. Membuat essai
5. Berpartisipasi pada diskusi (kelas, dll)

Prinsip Berpikir Kritis

Prinsip yang dimaksudkan disini adalah nilai, standar acuan. Lebih lengkapnya:

Values are unstated ideas that people see as worthwhile.
They provide standards of conduct by which we measure the quality of human behavior.

Dari definisi diatas, maka prinsip-prinsip berpikir kritis adalah sebagai berikut:

1. Merdeka. Pemikiran anda tidak dikekang oleh siapapun dan apapun.
2. Keingintahuan. Untuk 'mendulang emas' dalam hidup, anda harus mendengar dan membaca.
3. Legowo. Bisa menerima perbedaan dan mengakui jika tidak tahu.
4. Respek. Menghormati (pendapat) orang lain.

The right questions: Pertanyaan yang tepat

Menanyakan pertanyaan yang tepat adalah isi bab-bab dalam buku ini. Berikut adalah pertanyaan yang seharusnya mampu dijawab dan ditanyakan pada saat yang tepat oleh seorang pemikir kritis.

Menjadi Logis [5]: Prinsip-prinsip Pemikiran Tidak Logis

Ini adalah ringkasan bab terakhir buku "Being Logical". Bab ke-5 ini berisi prinsip-prinsip pemikiran tidak logis. Ringkasan bab sebelumnya bisa dibaca di sini.

Penalaran yang tidak masuk akal (mis-reasoning), disebut kekeliruan (fallacy), dibagi menjadi dua:

1. Kekeliruan formal: berkaitan dengan bentuk atau struktur dari argumen.
2. Kekeliruan informal: selain kekeliruan formal.

Beberapa prinsip yang menyebabkan terjadinya kekeliruan logika adalah sebagai berikut.

1. Menolak anteseden

Prinsip yang digunakan seperti ini.

A ==> B

-A,

Maka, -B

Ini adalah kesimpulan yang salah. Contoh:

Jika Bagus berlari, maka Bagus berpindah tempat.

Bagus tidak berlari.

Maka,  Bagus tidak berpindah tempat.

Tentu saja kesimpulan tersebut salah. Bagus bisa berpindah tempat dengan selain berlari, misalnya dengan berjalan.

2. Menyetujui konsekuensi

Prinsipnya seperti ini,

A ==> B

B,

Maka, A.

Ini juga salah. Contohnya.

Jika Bagus berlari, maka Bagus berpindah tempat.

Bagus berpindah tempat.

Maka, Bagus berlari.

Kesimpulan yang salah, karena untuk berpindah tempat tidak harus berlari.

3. Nilai tengah yang tidak terdistribusi

Dalam silogisme, kesimpulan selalu universal (terdistribusi) bila syarat-syaratnya terpenuhi, salah satunya: pernyataan tengah (premis yang tidak muncul pada kesimpulan) harus universal. Jika syaratnya tidak terpenuhi. Contohnya sebagai berikut:

Beberapa anggota klub motor adalah adalah mahasiswa.

Bagus adalah anggota klub motor.

Maka, Bagus adalah mahasiswa.

4. Equivocation

Kata ekuivokal adalah kata yang memiliki arti lebih dari satu (homonim).

Bagus suka tahu.

Banyak tahu itu tidak baik.

Maka, Bagus tidak baik.

Kesimpulan yang salah, karena yang dimaksud tahu pada premis mayor adalah makanan.

5. Mengulang pertanyaan

A: Apakan pinus itu?

B: Pohon yang memiliki biji pinus.

A: Apakah biji pinus itu?

B: Biji yang ada di pohon pinus

6. Asumsi yang salah

"Logika dan Percakapan"-nya Grice beserta Kritiknya

Herbert Paul Grice (13 March 1913 – 28 August 1988) merupakan filsuf bahasa Inggris yang banyak bekerja di bidang implikatur dan semantik. Tulisan ini membahas tulisannya tentang logika dan percakapan (logics and conversation), prinsip didalamnya, beserta kritik terhadap tulisan tersebut.

Logika dan Percakapan

"Berkata" berhubungan erat dengan apa yang diucapkan, tidak termasuk hal-hal lain yang ingin diutarakan pembicara diluar apa yang diucapkan (kecuali hanya apa yang dikatakannya). Berkata adalah ungkapan semantik (makna dari kata). Sederhananya, anda tidak bisa ngomong A tapi yang anda maksudkan B (misalnya seperti ini, "maksudku begini lho...."). Tidak bisa.

Hal ini berbeda dengan membayangkan, menyarankan, menyampaikan, mengindikasikan, dll. Hal-hal tersebut di luar apa yang dikatakan. Berimplikasi (implicating) adalah ungkapan pragmatik (kesesuaian antara apa yang dikatakan dengan apa yang dimaksudkan).

Grice mengusulkan teori implikatur, salah satu aspek kajian pragmatik yang perhatian utamanya adalah mempelajari ‘maksud suatu ucapan’ sesuai dengan konteksnya. Implikatur cakapan dipakai untuk menerangkan makna implisit dibalik “apa yang diucapkan atau dituliskan” sebagai “sesuatu yang diimplikasikan” (implicatum: what is implied)  [3].

Implikatur: Konvensi vs Cakapan

Implikatur, berdasarkan ragamnya, oleh Grice dibagi menjadi dua: implikatur konvensi dan implikatur cakapan. Perhatikan kalimat dalam bahasa Inggris berikut.

“He’s an Englishman, so he’s brave.”

Pada kalimat di atas, kata 'brave' merupakan implikasi dari 'Englishman', tanpa disebutkan secara langsung. Bandingkan dengan contoh.

“She is poor, but she is honest.”

Kata 'honest', pada kalimat diatas merupakan implikasi kebalikan dari kata 'poor'. Namun disini perlu kata 'but', untuk menerangkan pertentangan 'poor' dengan 'honest' untuk membawakan implicatum. Ini adalah contoh implikatur cakapan (conversational implicature) yang mana merupakan bagian dari semantik.

Prinsip Kooperatif (kerja sama)

Data yang besar mengalahkan algoritma yang baik

Dalam sebuah workshop yang saya ikuti setahun dua tahun yang lalu di Trieste, seorang pemateri dengan pedenya menyampaikan: "bigger data win over good algorithm", data yang besar mengalahkan algortima yang baik. Saya tercengang. Benarkah...? Selama sekolah, S1~S2, saya diajari dan dituntut untuk menghasilkan algoritma yang baik dari data pengukuran fisis untuk aplikasi kontrol, prediksi, diagnosa dan lain sebagainya. Namun sekarang paradigmanya berubah, bukan bagaimana meng-improve algoritma, tapi mempebesar jumlah data. Tidak sepenuhnya benar memang, namun ini jauh lebih mudah. Akan lebih mudah mengakuisisi lebih banyak data daripada mengimprove/memodifikasi algoritma yang biasanya membutuhkan matematika yang cukup rumit.

Benar adanya, tak semata-mata algoritma/metode yang baik, tapi juga data yang banyak. Gampangannya, orang yang yamg "pintar" tapi jarang belajar dibanding dengan orang yang "rajin" belajar dari banyak data. Pengalaman menunjukkan, tipe orang disebut terakhir lebih banyak berhasilnya daripada tipe orang yang disebut pertama.

Analogi lagi, data vs algoritma: mana yang lebih penting adalah seperti membandingkan mana yang lebih dulu: telur atau ayam. Awalnya saya, mungkin seperti kebanyakan orang juga, berpikiran telur lebih dahulu. Alasannya: telur lebih rigid, lebih statis, dan lebih kecil daripada ayam. Namun hasil penelitian membuktikan bahwa ayam lebih dahulu daripada telur (artinya Tuhan menciptakan ayam dulu, ini lebih masuk akal). Begitu juga dengan data vs algoritma: data-lah akhirnya yang menang, tentunya data yang banyak, big atau bahkan very big.

Jadi tunggu apa lagi? Cari data sebanyak-banyaknya, seakurat mungkin! Mengumpulkan data tidak sesulit membangun algortima. Kalau membangun algortima, kita butuh mikir exktra, menurunkan rumus matematik, dan mengimplementasikannya dalam bahasa pemrograman. Sedangkan untuk mengumpulkan data, kita cuma butuh waktu, keuletan, dan ketekunan. Contohnya untuk data teks, kita perlu sabar dan rajin mengumpulkan kalimat, tokenisasi, mengetik dan sebagaiknya. Untuk data suara, kita perlu merekam, mengedit dan memanipulasi (tambahkan noise, hilangkana noise, dsb). Jauh lebih mudah untuk memperbanyak data daripada memperbaiki algoritma.

Garbage In Garbage Out
Salah satu prinsip yang penting dalam machine learning dan pengenalan pola adalah "data yang baik", berkualitas. Jika data yang kita masukkan adalah sampah, maka hasilnya juga sampah. Maka, selain memperbanyak data, yang harus kita perhatikan adalah kualitas data tersebut. Jangan sampai data yang kita latih, misal dengan deep learning, merupakan data sampah, sehingga hasilnya juga sampah. Disinilah pentingnya preprocessing.

Berapa data yang "besar" itu?

Pertanyaanya selanjutnya, jika data yang besar mengalahkan algoritma yang baik, seberapa besar data yang besar itu? Ian Goodfellow et al. dalam bukunya "Deep learning" berargumen sebagai berikut,

As of 2016, a rough rule of thumb is that a supervised deep learning algorithm will generally achieve acceptable performance with around 5,000 labeled examples per category, and will match or exceed human performance when trained with a dataset containing at least 10 million labeled examples. Working successfully with datasets smaller than this is an important research area, focusing in particular on how we can take advantage of large quantities of unlabeled examples, with unsupervised or semi-supervised learning.

 Jadi, 5000 data yang terlabeli dengan benar merupakan data minimal dari sisi best practice. Tenju saja, semakin besar semakin baik.

Referensi:

1. Alon Halevy, P. Norvig, F. Pereira, "The Unreasonable Effectiveness of Data". Available online:https://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/35179.pdf
2. https://www.datasciencecentral.com/profiles/blogs/data-or-algorithms-which-is-more-important

Atensi, hubungannya dengan cocktail party problem dan deep learning

Beberapa hari ini saya kembali membaca beberapa paper tentang fenomena "cocktail party", tema penelitian saya saat S1 dan S2. Dulu, bahkan sampai minggu lalu, saya hanya membaca banyak paper dari aspek statitsik, algoritma, dan aplikasinya. Padahal teknik tersebut (ICA/BSS) diusulkan untuk meniru cara kerja otak manusia. Karena sedang mengambil kuliah tentang "perceptual", sekarang saya sedang membaca beberapa paper tentang bagaimana otak memproses fenomea "cocktail party". Kali ini, semua yang saya baca adalah tentang persepsi, kognisi dan proses biologi, bukan rekayasa matematika atau deep learning, tapi tentang jaringan saraf sebenarnya.

Atensi

Apakah atensi itu? Atensi merupakan proses kognitif dan perilaku untuk memilih informasi tertentu dan mengabaikan informasi lainnya. Studi tentang atensi ini mulai berkembang ketika Cherry pada tahun 1953 mempublikasikan papernya tentang eksperimen "shadowing task": dimana responden diperdengarkan dua pesan melalui headphone secara dichotic (satu pesan untuk tiap kanal, kanan dan kiri). Pesan terserbut merupakan pesan utama (attended) dan sampingan (non-attended). Cherry menemukan bahwa sangat kecil sekali reponden memperhatikan pesan sampingan, misalnya apakah pesan itu diucapkan oleh laki-laki/wanita, bahasa apa yang digunakan, dll. Eksperimen Cherry ini membuka jalan lahirnya teori tentang atensi dan beberapa modelnya.

Gambar 1. Model atensi Broadbent dan Treisman

Ketidaklinearan sistem pendengaran [6]

Catatan kuliah "Human perceptual model and its system", pertemuan ke-6.

Telinga manusia merupakan sistem yang tidak linear. Apa buktinya? Fakta berikut merupakan beberapa bukti ketidaklinearan sistem pendengaran manusia. Meskipun ada beberapa bukti kelinearan pada fenomena berikut (misalnya emisi spontan pada otoakustik), dengan menggunakan sifat ketidaklinearan fenomena tersebut justru menjadikannya masuk akal.

Respon basilar membrane (pemilihan frekuensi)

Pemilihan frekuensi: Kemampuan telinga untuk memisahkan komponen frekuensi dari suara kompleks. Basilar membrane hanya bergetar pada tempat/lokasi dimana frekuensinya sama (resonansi). Seperti diketahui sebelumnya, respon frekuensi pada basilar membrane berjalan dari frekuensi tinggi (base) menuju frekuensi rendah (apex). Response basilar membrane merupakan filter dimana fitter tersebut gabungan dari banyak bandpass filter. Karenanya filter auditori ini disebut filterbank.

Respone basilar membrane ini tidak liner. Dilihat dari skala yang digunakan (Bark dan ERB), keduanya menggunakan spasi logaritmik. Meski model auditory seperti gammatone masih menggunakan filter linear, namun model yang lain seperti double-resonance nonlinear (DRNL) menggunakan konsep nonlinear yang memberikan hasil yang lebih bagus daripada filter linear.

Contoh skala bark yang diturunkan dari konsep critical band (Zwicker model) seperti terlihat pada gambar di bawah. Perlu diingat bahwa skala yang lain, yakni ERB-rate, lebih banyak dipakai karena hasilnya cocok baik dari eksperimen psikoakustik maupun psikologi.

Auditori filter dalam frekuensi Bark

Pengantar Persepsi Manusia dan Pemodelannya [1]

Ini adalah catatan kuliah yang saya transkrip saat kuliah berlangsung untuk mata kuliah "Persepsi Manusia dan Pemodelannya", pertemuan pertama.

Persepsi: organisasi, identifikasi dan interpretasi informasi sensori untuk merepresentasikan dan memahami lingkungan.

Semua persepsi melibatkan sinyal dari sistem saraf (nerveous) yang dihasilkan dari stimulasi fisis dari organ pengindera.

Lima indera manusia:
- penglihatan
- pendengaran
- sentuhan
- perasa/pengecap
- penciuman

Kelima indera tersebut diindera oleh mata, telinga, kulit, lidah dan hidung.

1. Penglihatan
Mata merupakan indera penglihatan yang memiliki struktur kompleks terdiri atas lensa transparen yang memfokuskan cahaya pada retina. Retina sendiri terdiri atas dua organ penting, cell-rods dan cones. Cell-rods tidak sensitif terhadap warna namun sensitif terhadap cahaya daripada cones. Cones sensitif terhadap warna dan terletak pada bagian retina yang disebut fovea, dimana cahaya difokuskan oleh lensa. Manusia memiliki tiga cone (Red, green, blue) sedangkan anjing hanya memiliki dua saja (green dan blue), sehingga anjing tidak bisa membedakan warna hijau, kuning atau merah.

Penampang retina: rod, cones dan lapisan saraf (kiri-kanan)

Klasifikasi Emosi

Tulisan ini bukan tentang "perkenalan dengan emosi" namun tentang seri pengenalan emosi (secara otomatis, khususnya dari ujaran/speech). Tulisan pertama ini berkenaan dengan jenis-jenis pembagian emosi dan alasan dibalik pembagian tersebut.

Emosi manusia terbagi menjadi beberapa jenis. Pembagiannya pun beragam, tergantung siapa dan berdasarkan apa dia membaginya. Tentunya yang membagi adalah orang yang ahli dibidangnya, misalnya psikolog, psikiater, atau neuropsikolog.

Pembagian emosi secara diskirt (Sumber: Wikipedia)

HRIR, HRTF, dan BRIR

Artikel ini berkaitan dengan bidang ilmu akustik, subbidang spatial sound. HRIR, head related impulse response, merupakan impulse response kedua telinga ketika mendengarkan `sesuatu`. Jadi sebenarnya, apa yang kita dengarkan adalah `sesuatu` yang telah bercampur dengan `lingkungan`. Lingkungan ini bisa berupa ruangan. Idealnya, apa yang kita dengarkan tidak dipengaruhi oleh lingkungan. Untuk mencapai kondisi ideal inilah dilakukan pengukuran pada ruangan anechoic, ruang kedap suara, dimana apa yang kita dengarkan adalah sumber bunyi murni pada posisi tertentu. HRIR ini diukur pada kondisi tersebut, ruang kedap, sehingga respon yang diterima oleh telinga murni hanya pengaruh bentuk kepala dan posisi telinga kita serta posisi sumber suara.

Jika HRIR merupakan respon telinga karena pengaruh bentuk kepala dalam domain waktu, maka HRTF adalah Fourrier transform dari HRIR. Jadi HRTF merupakan HRIR dalam domain frekuensi.  HRTF dan HRIR ini paling banyak dipakai untuk mensimulasikan suara atau disebut auralisasi pada suatu desain ruangan untuk mendapatkan persepsi pendengaran di ruangan tersebut.

Pengukuran HRTF

HRTF diukur di ruang kedap suara dengan menggunakan head and torso simulator (HATS). Jadi hasil pengukuran sangat bergantung pada jenis HATS yang digunakan. Berbeda HATS (atau memakai manikin, atau manusia asli), maka hasilnya juga berbeda. Namun hasil pada HATS yang mewakili bentuk kebanyakan manusia bisa dipakai untuk men-generalisir hasil pengukuran.

Pada telinga HATS dipasang mikrofon kecil di dalam lubang telinga. Sumber suara dibangkitkan, umumya dipakai sinyal sine sweep atau MLS (maximum length sequences) dan direkam hasil impulsnya dengan mic di dalam HATS tadi. Geometri pengukuran membentuk geometri sehingga posisi sumber didefinisikan oleh tiga parameter (elevation, azimuth, jarak). Contoh suara pada (0,30,1) berarti pada sudut elevasi 0 derajat (tepat di depan, elevasi = sudut antara sumbu horizontal telinga dengan ketinggian sumber suara)) pada azimuth 30 derajat dari depan (depan kanan) dan pada jarak 1 m. Jarak biasanya tidak disebutkan karena pengukuran HRTF biasanya pada satu jarak/jari-jari yang sama.

Gambar berikut adalah konfigurasi posisi azimuth dan elevasi pada pengukuran HRTF sedangkan gambar bawahnya adalah contoh posisi sumber suara pada (30, 0).

Azimuth dan elevasi pada pengukuran HRTF (Sumber gambar: iidal-lab, IT Chiba)

Contoh posisi sumber suara pada (30, 0)

Fisika Musim

Ilmu Fisika sangat berkaitan erat dengan bidang lainnya. Sebagai contoh: earth science (ilmu bumi), geofisika, dan fisika bangunan. Yang disebut terakhir tidak hanya mempelajari hubungan fisika dengan ilmu bangunan seperti material, luas, dan letak bangunan, tetapi juga mempelajari iklim dan cuaca. Dengan memahami iklim can cuaca pada suatu wilayah tertentu, maka akan dapat dirancang bangunan yang sesuai dengan tempat tersebut.

Orbit Bumi

Lintasan orbit Bumi [1]

Bumi mengelilingi matahari dengan periode yang disebut revolusi bumi. Jarak terdekat bumi (periapsis/perhelium) dengan matahari adalah 147 juta kilometer, sedangkan jarak terjauhnya (apoapsis/aphelium) adalah 152 juta tahun. Selama satu revolusi bumi menempuh jarak 940 juta kilometer dalam 364.25 hari.

Ibnu Haytham: sang pendiri psikofisika?

Psychophysics, bisa diterjemahkan sebagai psikofisika, adalah ilmu yang mempelajari tentang hubungan stimulus dan sensasi. Contoh disiplin ilmu psikofisika ini adalah auditory scene analysis, metode yang diusulkan untuk memahami bagaimana sistem pendengaran manusia mampu fokus pada target suara padahal banyak sumber bising disekitarnya (bubble noise). Bruce (1996) menyatakan definisi psikofisika: the analysis of perceptual processes by studying the effect on a subject's experience or behaviour of systematically varying the properties of a stimulus along one or more physical dimensions. Khaleefa (1999) menjelaskan lebih detail perbedaan psikofisika dengan psikologi: The area into which psychologists study the link between variation in physical dimension and psychological dimension is called psychophysics, and the methodology used to describe this link is termed experimental psychology.

Cover "Element of Psychophysics", sumber: Internet Archieve

Ketika kita belajar suatu disiplin ilmu, ada baiknya siapakah peletak dasar ilmu tersebut. Bagaimana dengan psychophysics? Adalah Gustav Theodor Fechner, ilmuwan Jerman yang hidup pada 19 April 1801 hingga 18 November 1887. Dia disebut-sebut sebagai pendiri psikofisika dan psikologi eksperimental. Oya, psikofisika selalu digandengkan dengan psikologi eksperimental karena eksperimen untuk mendapatkan data psikofisika adalah eksperimen psikologi. Benarkah Gustav Fechner adalah pendiri psikofisika?

A Tribute for Prof. Adhiwijogo by Prof. Soegijanto: Sebuah catatan

Fisika Teknik adalah master key

-Prof. Adhiwijogo

Sejarah Fisika Teknik di Indonesia tidak bisa dilepaskan dari Teknik Fisika ITB. Awalnya, Teknik Fisika ITB dibentuk untuk menjembatani sains dan teknik di Fakulteit Teknik Universitas Indonesia. Pada tahun 1950, Prof. Dr. Ir. A. Nawijn, seorang ahli fisika teknik (Natuurkundig Ingenieur) bangsa Belanda, ditunjuk untuk mengelola jurusan pendidikan teknik yang masih baru itu dengan nama Natuurkundig Ingenieur Afdeling. Pada tahun 1959 pendidikan teknik tersebut diberi nama Bagian Fisika Teknik yang tergabung dalam Departemen Fisika/Fisika Teknik, dengan ketua Prof.Ir. M.U. Adhiwijogo (SI ITB 1931-1935). Dalam waktu lima tahun, jumlah mahasiswa bagian Fisika Teknik berjumlah 25 orang. Setelah Belanda keluar dari Indonesia, masuklah Amerika dengan program Kencucky Contract Team. Bidang TF belum berkembang di Amerika saat itu sehingga di ITB pun TF tidak berkembang setelah dosen-dosen Belanda pulang ke negerinya. Satu-satunya dosen waktu itu adalah Prof. M. U. Adhiwijogo (Awalnya bernama Go Pok Oen) yang kemudian dibantu oleh pak Iskandar Danusugondho (FT ITB ‘51).

Prof. Adhiwijogo adalah insinyur sipil, namun kemudian selalu bekerja di Fisika Teknik. Latar belakang Prof. Adhiwijogo tampaknya mewarnai pengembangan Fisika Teknik. Prof Adhiwijogo mampu menyingkap aspek akustik, pencahayaan dan termal yang belum disentuh oleh Teknik Sipil. Dengan dukungan pak Iskandar Danu dan Pak R.M. Soegijanto, berkembanglah bidang keilmuan Fisika Bangunan dan Teknik Kondisi Lingkungan (TKL). Bidang tersebut bukan sekedar baru, tapi juga mampu menjawab persoalan keinsinyuran yang tidak dijawab oleh bidang keinsinyuran tradisional (teknik sipil, elektro dan mesin) pada waktu itu. Jadi, Fisika Bangunan dan TKL berada di forefront of engineering fields. Prof. Adhiwijogo meninggal pada tahun 1974.

A tribute to Prof. Adhiwijogo by Prof. Soegijanto #engineeringphysics #teknikfisika in frame: Prof. Soegijanto.

A photo posted by Bagus Tris Atmaja (@bagustris) on Jan 21, 2017 at 12:23am PST

 

Integral (tak tertentu)

Turunan Fungsi!

Matematika dan Kalkulus

Apa bedanya Matematika dengan Kalkulus? Tentu beda, tapi tidak semua yang belajar keduanya (Mat dan Kalkulus) tahu bedanya. Bahkan, tak banyak yang belajar matematika dan kalkulus tidak tahu tentang (definisi/filosofi) Matematika dan Kalkulus itu sendiri.

Saya berharap untuk say god bye dengan matematika ketika lulus kuliah. Saat itu, dalam hati, saya ingin fokus pada bidang terapan saja, yang hanya menerapkan rumus jadi. Takdir berkata lain, saya kembali ke kampus, melakukan penelitian, dan bertemu matematika lagi. Bertemu kalulus lagi. Inin contoh kalkulus integral (tak tertentu) sederhana,
$$\int dx=\dfrac{1}{x} + C.$$

Kalkulus

Kalkulus adalah "Matematika Perubahan". Dari blognya konsultan matematika, John D. Cook, dia mendefinisikan kalkulus sebagai mathematics of change, ilmu matematika yang mempelajari tentang perubahan, entah perubahan terhadap waktu, jarak atau variabel lainnya. Jika aljabar matematik mempelajari sesuatu secara statis, yang telah "beku" dalam ruang dan waktu. Maka kalkulus mempelajari sesuatu yang berubah terhadap waktu, bentuk yang berubah, merepresentasikannya dalam bentuk model matematik. Jika aljabar menghitung sesuatu secara eksak dan fragile (sebagai konsekuensi dari solusi eksak), maka perhitungan kalkulus lebih pada pendekatan yang lebih robust. Biasanya orang mengenal kalkulus sebagai: limit, turunan dan integral.

Particle Tracking: Elongated particle and Biological application

Slide berikut adalah kelanjutan dari tulisan sebelumnya, Particle Tracking: Least-square fitting berbasis konvolusi. Kode sumber bisa didownload di akun github saya disini. Enjoy!!

Particle tracking from bagustris

Referensi:

• Notes on tracking elongated particle
• Biological application of particle tracking

Forensik Suara di Indonesia: Past, Present and Future

Berikut adalah resume singkat saya saat mengikuti "Workshop Forensik Suara Ucap di Indonesia: Pas, Present and Future" yang diorganisir oleh Kelompok Keahlian Instrumentasi dan Kontrol, Teknik Fisika ITB. Workshop ini dibagi menjadi tiga sesi, sesi dari Komisi Pemberantasan Korupsi, sesi dari Puslabfor POLRI, dan sesi dari akademisi ITB.

Kebutuhan Penyidik akan Forensik Suara Ucap

Forensik suara ucap → Proses untuk menentukan apakah contoh dari suara seseorang (known sample) merupakan sumber dari suara yang diselidiki (unknown sample). Jenis alat bukti forensik suara ucap adalah sbb:

• Rekaman suara 
• Laporan forensik suara 
• Pendapat ahli

Dari ketiga jenis alat bukti forensik suara diatas, jelas peran forensik sangat vital untuk bisa dijadikan referensi dalam menuntut tersangka/terdakwa dengan hukuman semaksimal mungkin. Didukung dengan barang bukti yang sah (real evidence), maka tugas KPK untuk menjerat koruptor akan semakin realistis. Dalam KUHAP Pasal 184 alat bukti yang sah adalah: keterangan saksi, keterangan ahli, surat, petunjuk dan keterangan terdakwa. Perluasan alat bukti (forms of evidence) ini mencakup alat bukti elektronik yang mencangkup rekaman suara maupun data pendukungnya. Trend penggunaan forensik suara dalam hukum semakin meningkat seiring berkembangnya teknologi. Dalam film-film spy Hollywood, penggunaan teknologi suara sudah di-imajinasikan sangat canggih sehingga kita bisa mengetahui posisi seseorang hanya dari suaranya saja, misal dalam film Bourne, Mission Impossible atau 007.

Particle Tracking: Least square fitting berbasis konvolusi

Ini adalah interpretasi bebas saya atas tutorial MDS di halaman granular material labs-nya. Idenya sederhana: menggunakan least square fitting berbasis konvolusi untuk menge-track pergerakan suatu partikel/image.

Least Square Fitting

Least square fitting adalah teknik kesesuaian atau kecocokan (godness fit) untuk mencari nilai terbaik yang paling mirip antara data observasi dengan data estimasi atau function fit. Jika data observasi dimisalkan dengan $y_i$ dan fungsi estimasi disimbolkan dengan $f(x_i)$ maka "least square fit" adalah jumlahan selisih nilai observasi dengan fitting function,

$$\sum\limits_{i=1}^n \left( {{y_i}-f ({x_i})}^2 \right)$$

Jika jika memiliki data dengan rentang error bar atau variansi, maka chi-square didefinisikan sebagai least square diatas dibagi dengan "error bar"nya, yakni, $\sigma$.

$$ \chi^2=\sum\limits_{i=1}^n \left( \dfrac{{y_i}-f({x_i})}{\sigma} \right)^2 $$

Nilai chi-square (χ2) berkisar antara 0 sampai dengan tak hingga (~), semakin kecil nilai chi-squared maka semakin mirip nilai observasi dengan nilai ekspektasi, dalam hal particle tracking, maka gambar bulatan particle akan semakin tipis sehingga semakin mudah dibedakan antar satu dengan yang lainnya. Pada tutorial kali ini, least square fitting yang digunakan adalah berbasis konvolusi yang akan dijabarkan pada tulisan dibawah.

Fungsi Partikel Ideal

Misalkan partikel yang ingin kita track posisinya memiliki fungsi ideal sebagai berikut, $$I_c(\vec{x})=\sum_{n=1}^{N} I_p(\vec{x}-\vec{x}_n(t);D,...),\;\;\;\;\;\;[1]$$ dengan $N$ adalah jumlah partikel dan $$I_p(\vec{x};D,...)$$ fungsi tersebut menggambarkan bentuk partikel ideal yang berada di tengah. Partikel ideal bergantung pada variabel diameter dan variabel lain yang digunakan dalam teknik pengolahan citra. Untuk demo ini kita menggunakan fungsi partikel ideal sbb,

$$I_p(\vec{x};D,w)= \dfrac{\bigl[1-tanh(\frac{|\vec{x}|-D/2}{w})\bigr]}{2}$$