data/train/.ipynb_checkpoints/metadata-checkpoint.csv

file_name,transcription
train/f01-01-001.wav,assalamualaikum warrahmatullahi wabarakatuh
train/f01-01-003.wav,apa itu clustering
train/f01-01-004.wav,clustering adalah proses pengelompokkan data menjadi cluster berbasis kesamaan data
train/f01-01-005.wav,nah clustering ini intinya yaitu menemukan menemukan menemukan natural group dari suatu data
train/f01-01-007.wav,high intra cluster similarity adalah data pada cluster yang sama harus semirip mungkin
train/f01-01-008.wav,sedangkan low inter cluster similarity adalah data pada cluster yang berbeda harus sejauh mungkin
train/f01-01-010.wav,mengapa kita harus melakukan clustering apa perbedaan clustering dengan dengan supervised learning
train/f01-01-011.wav,clustering ini ini tergantung dengan struktur internal data
train/f01-01-017.wav,sedangkan feature extraction itu transformation into new features
train/f01-01-024.wav,representasi yang pertama yaitu dapat digunakan digunakan centroid atau set of distant point
train/f01-01-025.wav,nah yang yang dari kedua cluster itu adalah pohon klasifikasi
train/f01-01-026.wav,dan yang ketiga itu adalah conjuctive statements
train/f01-01-029.wav,hierarchical ini yang terkenal yaitu birch cure rock chameleon dan lain lain
train/f01-01-030.wav,density based itu ada dbscan optics dbclads denclue dan lain lain
train/f01-01-032.wav,nah yang tadi ada metode partitioning ini mengidentifikasi partisi yang mengoptimalkan kriteria pengelompokkan
train/f01-01-036.wav,kemudian yang metode yang ketiga yaitu berbasis density
train/f01-01-037.wav,densitasnya yaitu jumlah objek contohnya yang terkenal itu dbscan
train/f01-01-038.wav,nah yang kemudian metode metode yang keempat itu berbasis grid
train/f01-01-039.wav,struktur grid cepat bergantung jumlah sel dan tidak tidak dipengaruhi jumlah jumlah objek
train/f01-01-040.wav,perhitungan bisa dilakukan secara paralel contohnya yaitu sting atau statistical information grid
train/f01-01-041.wav,dan yang terakhir ada metode metode berbasis model atau em expectation expectation maximization
train/f01-01-042.wav,kita masuk ke clustering berdasarkan partisi
train/f01-01-044.wav,nah fungsi objektifnya ini disebut minimize square error function
train/f01-01-050.wav,nah tahap ini terus dilakukan hingga konvergen
train/f01-01-060.wav,k medoids lebih handal dibandingkan k means dalam menangani noise atau outlier
train/f01-01-073.wav,salah satu produk akhir dari agglomerative clustering ini yaitu adalah dendogram
train/f01-01-082.wav,baiklah untuk hari ini cukup sekian
train/f01-01-083.wav,terima kasih
train/f02-01-003.wav,berikut merupakan outline presentasi dari tugas akhir saya
train/f02-01-005.wav,nah yang pertama adalah latar belakang
train/f02-01-007.wav,mature sendiri biasa dikenal dengan peringkasan abstraktif sedangkan immature dikenal dengan peringkasan ekstraktif
train/f02-01-014.wav,sedangkan sedangkan metode abstraktifnya hanya menggunakan si dkk dua ribu tujuh belas
train/f02-01-016.wav,nah yang kedua rumusan masalah
train/f02-01-018.wav,yang ketiga tujuan
train/f02-01-020.wav,berikut merupakan batasan batasan dari tugas akhir saya
train/f02-01-021.wav,yang pertama teks dan hasil ringkasan yang digunakan ditulis dalam bahasa inggris
train/f02-01-023.wav,yang kelima metodologi
train/f02-01-024.wav,berikut merupakan merupakan urutan metodologi yang akan saya kerjakan
train/f02-01-026.wav,berikut merupakan gambaran solusi umum dari tugas akhir saya
train/f02-01-027.wav,arsitektur dari dari solusi umum ini sendiri mirip dengan milik chen dan bansal
train/f02-01-031.wav,sedangkan pada pemilihan kalimat digunakan lstm dengan pointer network
train/f02-01-032.wav,pada abstractor akan digunakan temporal attention network
train/f02-01-034.wav,yang ketujuh rencana pengerjaan
train/f02-01-035.wav,setelah ini yang akan dikerjakan adalah implementasi implementasi melakukan melakukan implementasi kode
train/f02-01-036.wav,lalu eksperimen mengeksperimen hasil hasil hasil hasil yang yang mengeksperimen hasil implementasi kode
train/f02-01-037.wav,lalu melakukan evaluasi
train/f02-01-038.wav,terima kasih
train/f02-02-003.wav,berikut merupakan executive summary atau ringkasan dari apa yang kami kerjakan
train/f02-02-005.wav,lalu permasalahannya atau issue-nya yaitu belum ada sistem manajemen keluhan yang terintegrasi dan terdokumentasi
train/f02-02-009.wav,untuk untuk saat ini pelaporan dari keluhan pelapor mendatangi direktorat sarana dan prasarana itb
train/f02-02-010.wav,lalu penyampaikan topik keluhan kepada front desk direktorat sarana dan prasarana itb
train/f02-02-011.wav,lalu diarahkan ke seksi terkait keluhan dan yang terakhir menyampaikan keluhan kepada seksi tekait
train/f02-02-013.wav,sehingga sehingga problem yang utama yang pertama adalah belum ada dokumentasi dan sistem terintegrasinya
train/f02-02-016.wav,lalu dari segi procedure procedure tidak ada sop dan tidak ada dokumentasi
train/f02-02-017.wav,lalu dari segi policies atau aturan pelaporan keluhan ditangani seksi masing masing
train/f02-02-021.wav,lalu lalu solusi yang kami pilih adalah membuat sistem manajemen keluhan keluhan yang terintegrasi
train/f02-02-026.wav,untuk mengimplementasikan mengimplementasikan solusi yang diajukan dibutuhkan biaya sekitar sebelas juta lima ratus ribu
train/f02-02-027.wav,sedangkan untuk durasi pengerjaannya pengerjaannya sekitar empat bulan
train/f02-02-028.wav,berikut merupakan timeline dari pengerjaannya
train/f02-02-029.wav,oh untuk bulan april dua ribu delapan belas mulai pembuatan sop
train/f02-02-033.wav,sekian dan terima kasih
train/f02-03-006.wav,warna label antara milik pribadi dan pemerintah juga dibedakan untuk mempermudah persepsi
train/f02-03-007.wav,digunakan bendera amerika untuk menunjukkan kepemilikan pemerintah amerika
train/f02-03-008.wav,principle key yang kedua yaitu justifying the selection of everything we do
train/f02-03-010.wav,lalu digunakan pula bendera amerika untuk menunjukkan posisi negara amerika pada skala dunia
train/f02-03-012.wav,sedangkan pada warna biru artinya risiko yang ada ada cukup kecil
train/f02-03-016.wav,digunakan vertical bar chart yang menunjukkan peningkatan juga
train/f02-03-017.wav,lalu untuk untuk principle key yang keempat yaitu never deceive the receiver
train/f02-03-020.wav,ukuran dari pie chart dari setiap presentase dibuat secara pas dengan angka yang ditunjukkan
train/f02-03-027.wav,berikut berikut sekian presentasi dari saya terima kasih
train/f02-04-003.wav,persoalan optimasi atau optimization problem yaitu adalah persoalan untuk mencari solusi yang optimum
train/f02-04-005.wav,contoh dari persoalan optimasi adalah persoalan penukaran uang
train/f02-04-007.wav,persoalan tersebut merupakan persoalan minimasi
train/f02-04-008.wav,contoh satu tersedia banyak koin satu lima sepuluh dan dua lima
train/f02-04-009.wav,uang senilai a yaitu tiga dua dapat ditukar dengan banyak cara berikut
train/f02-04-014.wav,greedy biasa juga dikenal dengan rakus tamak atau loba
train/f02-04-015.wav,prinsip greedy take what you can get now
train/f02-04-016.wav,lalu ada algoritma greedy membentuk solusi langkah per langkah
train/f02-04-017.wav,pada setiap langkah terdapat banyak pilihan yang perlu dievaluasi
train/f02-04-018.wav,oleh karena itu pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan
train/f02-04-020.wav,algoritma greedy adalah algoritma yang memecahkan masalah langkah per langkah pada setiap langkah
train/f02-04-023.wav,sekarang kita tinjau masalah penukaran uang
train/f02-04-026.wav,langkah pertama pilih satu buah buah koin dua puluh lima
train/f02-04-027.wav,lalu langkah dua pilih satu buat koin lima
train/f02-04-028.wav,langkah ketiga pilih dua buah koin satu sehingga totalnya menjadi tiga puluh dua
train/f02-04-029.wav,sehingga didapatkan solusi optimal yaitu jumlah koin minimumnya empat
train/f02-04-034.wav,fungsi seleksi yaitu pilihlah koin yang bernilai tertinggi dari himpunan kandidat yang tersisa
train/f02-04-036.wav,fungsi obyektifnya jumlah koin yang digunakan minimum
train/f02-04-037.wav,berikut merupakan skema umum algoritma greedy
train/f02-04-038.wav,pada setiap akhir lelaran solusi yang terbentuk adalah optimum lokal
train/f02-04-039.wav,pada akhir kalang while do diperoleh optimum global
train/f02-04-043.wav,jadi pada sebagian masalah algoritma greedy tidak selalu berhasil memberikan solusi yang optimal
train/f02-04-044.wav,contoh yang kedua adalah peninjauan masalah penukaran uang
train/f02-04-046.wav,sedangkan solusi optimalnya adalah satu satu koin empat dan satu koin tiga
train/f02-04-048.wav,sedangkan solusi optimalnya adalah dua koin tujuh dan satu koin satu
train/f02-04-053.wav,daripada menggunakan algoritma yang lebih rumit untuk menghasilkan solusi yang eksak
train/f02-04-054.wav,bila algoritma yang greedy optimum optimum maka keoptimalannya itu dapat dibuktikan secara matematis
train/f02-04-055.wav,contoh algoritma greedy digunakan pada masalah penukaran uang
train/f02-04-060.wav,lalu untuk kompleksitas exhaustive-nya seluruhnya adalah o n n dikali dua pangkat n
train/f02-04-064.wav,sayangnya algoritma greedy untuk masalah penukaran uang ini tidak selalu menghasilkan solusi yang optimal
train/f02-04-065.wav,yang kedua adalah adalah minimisasi waktu di dalam sistem sistem atau atau penjadwalan
train/f02-04-067.wav,waktu pelayanan untuk setiap pelanggan i adalah t i
train/f02-04-068.wav,minimumkan total waktu di dalam sistem
train/f02-04-069.wav,t sama dengan dengan dengan total waktu di dalam sistem sistem 
train/f02-04-070.wav,ekivalen dengan meminimumkan waktu rata rata pelanggan di dalam sistem
train/f02-04-071.wav,berikut merupakan contohnya
train/f02-04-072.wav,penyelesaian dengan exhaustive search urutan pelangan yang dilayani oleh server merupakan suatu permutasi
train/f02-04-073.wav,jika ada n orang pelanggan maka tedapat n tanda seru urutan pelanggan
train/f02-04-074.wav,untuk mengevaluasi fungsi obyektif yaitu berupa o n
train/f02-04-075.wav,sedangkan kompleksitas dari algoritma exhaustive search-nya adalah o n kali n tanda seru
train/f02-04-078.wav,jika pelanggan sudah terurut kompleksitas algoritma greedy yaitu o n
train/f02-04-079.wav,algoritma greedy untuk penjadwalan pelanggan akan selalu menghasilkan solusi optimum
train/f02-04-081.wav,yang ketiga adalah an activity selection problem
train/f02-04-085.wav,masalah activity selection problem ialah memiliki sebanyak mungkin aktivitas yang bisa dilayani
train/f02-04-086.wav,berikut merupakan contoh instansiasi persoalan
train/f02-04-088.wav,evaluasi setiap himpunan bagian apakah aktivitas di dalamnya kompatibel
train/f02-04-089.wav,jika kompatibel maka himpunan bagian tersebut adalah solusinya
train/f02-04-090.wav,kompleksitas waktu algoritmanya adalah o dua pangkat n
train/f02-04-091.wav,apa strategi greedy-nya
train/f02-04-092.wav,yang pertama adalah mengurutkan semua aktivitas berdasarkan waktu selesai dari kecil ke besar
train/f02-04-094.wav,berikut merupakan contohnya
train/f02-04-095.wav,dan dan berikut merupakan algoritmanya
train/f02-04-097.wav,tetapi usulan strategi ini lebih rumit dari yang sebelumnya
train/f02-04-098.wav,yang keempat adalah contoh integer knapsack
train/f02-04-100.wav,penyelesaian dengan exhaustive search sudah dijelaskan pada pembahasan pembahasan exhaustive search
train/f02-04-101.wav,kompleksitas algoritma exhaustive search untuk persoalan ini adalah o n kali dua pangkat n
train/f02-04-102.wav,penyelesaian dengan algoritma greedy masukkan objek satu per satu satu ke dalam knapsack
train/f02-04-103.wav,sekali objek dimasukkan ke dalam knapsack objek tersebut tidak bisa dikeluarkan lagi
train/f02-04-105.wav,yang pertama adalah greedy by profit
train/f02-04-106.wav,pada setiap langkah pilih objek yang mempunyai keuntungan paling besar
train/f02-04-107.wav,lalu mencoba memaksimumkan keuntungan dengan memilih objek yang paling menguntungkan terlebih dahulu
train/f02-04-108.wav,lalu ada yang kedua adalah greedy by weight
train/f02-04-109.wav,yaitu pada setiap langkah pilih objek yang mempunyai berat teringan
train/f02-04-110.wav,mencoba memaksimumkan keuntungan dengan memasukkan sebanyak mungkin objek ke knapsack
train/f02-04-111.wav,yang ketiga ada greedy by density
train/f02-04-115.wav,berikut merupakan contohnya
train/f02-04-119.wav,penyelesaian dengan algoritma greedy
train/f02-04-121.wav,mari kita bahas satu per satu
train/f02-04-122.wav,berikut merupakan contohnya
train/f02-04-126.wav,algoritma persoalan fractional knapsack
train/f02-04-127.wav,hitung harga p i per w i dengan i satu hingga n
train/f02-04-129.wav,lalu lalu panggil panggil fungsi fractional knapsack
train/f02-04-130.wav,yang kelima adalah penjadwalan job dengan tenggat waktu atau job schedulling with deadlines
train/f02-04-131.wav,persoalannya adalah ada n buah job yang akan dikerjakan oleh sebuah mesin
train/f02-04-135.wav,fungsi objektif persoalan ini adalah sebagai berikut
train/f02-04-137.wav,solusi optimum ialah solusi layak yang memaksimumkan f
train/f02-04-140.wav,contohnya merupakan merupakan sebagai berikut
train/f02-04-141.wav,dengan kompleksitas algoritma greedy greedy greedy greedy o o n pangkat dua
train/f02-04-142.wav,yang keenam adalah pohon pohon merentang merentang minimum
train/f02-04-143.wav,atau atau atau algoritma prim
train/f02-04-146.wav,berikut merupakan algoritmanya
train/f02-04-148.wav,berikut merupakan algoritmanya serta serta pseudocode-nya
train/f02-04-149.wav,yang ketujuh adalah lintasan terpendek atau shortest path
train/f02-04-150.wav,beberapa macam persoalan lintasan terpendek
train/f02-04-151.wav,yaitu lintasan terpendek antara dua buah simpul tertentu tertentu a pair shortest path
train/f02-04-152.wav,lintasan terpendek antara antara antara semua pasangan simpul all pairs shortest path
train/f02-04-153.wav,lintasan terpendek dari simpul tertentu ke semua simpul yang lain single source shortest path
train/f02-04-156.wav,persoalannya adalah diberikan graf berbobot g v e
train/f02-04-158.wav,asumsi yang kita buat adalah bahwa semua sisi berbobot positif
train/f02-04-159.wav,penyelesaian dengan algoritma brute force misalkan ingin menentukan jarak terpendek dari a ke b
train/f02-04-160.wav,enumerasi semua lintasan yang mungkin dibentuk dari a ke b b hitung panjangnya
train/f02-04-161.wav,lintasan yang memiliki panjang terkecil adalah lintasan terpendek dari a ke b
train/f02-04-163.wav,algoritma dijkstra
train/f02-04-164.wav,strategi greedy
train/f02-04-167.wav,edsger w dijkstra seribu sembilan ratus tiga puluh hingga dua ribu dua
train/f02-04-168.wav,edsger w w dijkstra adalah adalah penemu dari algoritma dijkstra ini
train/f02-04-169.wav,berikut merupakan prosedurnya
train/f02-04-170.wav,yang ke lapan adalah penempatan data dengan algoritma huffman
train/f02-04-172.wav,berikut merupakan merupakan penjelasannya
train/f02-04-173.wav,algoritma greedy untuk membentuk kode huffman
train/f02-04-175.wav,setiap karakter penyusun data dinyatakan sebagai pohon bersimpul tunggal
train/f02-04-176.wav,setiap simpul di-assign dengan frekuensi kemunculan karakter tersebut
train/f02-04-177.wav,terapkan strategi greedy sebagai berikut
train/f02-04-178.wav,pada setiap langkah gabungkan dua buah pohon yang mempunyai frekuensi terkecil pada akar
train/f02-04-179.wav,akar mempunyai frekuensi yang merupakan jumlah dari frekuensi dua buah pohon penyusunnya
train/f02-04-180.wav,ulangi langkah lagi dua sampai hanya tersisa satu buah pohon huffman
train/f02-04-181.wav,kompleksitas algoritma huffman adalah o n log n
train/f02-04-182.wav,berikut merupakan contohnya
train/f02-04-183.wav,yang kesembilan adalah pecahan mesir atau atau egyptian fraction
train/f02-04-184.wav,persoalannya adalah diberikan sebuah pecahan p per q
train/f02-04-185.wav,dekomposisi pecahan pecahan pecahan pecahan menjadi jumlah dari sejumlah pecahan yang berbeda
train/f02-04-186.wav,dalam hal ini k satu kurang dari dari dari k dua hingga k n
train/f02-04-187.wav,pecahan yang diberikan mungkin mempunyai lebih dari satu representasi mesir
train/f02-04-188.wav,contohnya sebagai berikut
train/f02-04-189.wav,kita ingin mendekomposisikan dengan jumlah unit pecahan sesedikit mungkin
train/f02-04-191.wav,algoritmanya adalah sebagai berikut
train/f02-04-192.wav,dengan input input input input p per q maaf
train/f02-04-193.wav,mulai dengan i sama dengan satu
train/f02-04-194.wav,jika p sama dengan satu maka k i sama dengan q stop
train/f02-04-196.wav,maka p per q sama dengan p per q kurangi satu per k i
train/f02-04-197.wav,lalu ulangi langkah dua
train/f02-04-198.wav,contohnya adalah sebagai berikut
train/f02-04-199.wav,kesimpulannya adalah algoritma greedy untuk masalah pecahan mesir tidak selalu optimal
train/f02-04-200.wav,yang kesepuluh adalah connecting wires
train/f02-04-201.wav,nah sebagai berikut
train/f02-04-202.wav,aplikasi algoritma greedy pada permainan othello juga bisa
train/f02-04-205.wav,sisi setiap koin memiliki warna yang berbeda sisi pertama gelap dan sisi kedua terang
train/f02-04-206.wav,pada permainan ini kita asumsikan warna hitam dan putih jumlah pemain dua orang
train/f02-04-209.wav,setiap pemain bergantian meletakkan koinnya
train/f02-04-211.wav,jika kedua pemain tidak bisa lagi meletakkan koin koin maka permainan berakhir
train/f02-04-213.wav,pemenangnya adalah pemain yang memiliki koin paling banyak di atas papan
train/f02-04-214.wav,algoritma greedy dapat diaplikasikan untuk memenangkan permainan
train/f02-04-216.wav,algoritma greedy dipakai oleh komputer pada tipe permainan komputer versus manusia
train/f02-04-217.wav,dua strategi greedy heuristik heuristik yang pertama adalah greedy by jumlah koin
train/f02-04-222.wav,bahkan untuk pojok area yang sulit dilangkahi oleh lawan
train/f02-04-225.wav,fungsi seleksinya adalah milih milih langkah yang memiliki jumlah koin diapit paling besar
train/f02-04-226.wav,fungsi kelayakannya adalah semua langkah langkah adalah layak
train/f02-04-227.wav,fungsi objektifnya yaitu yaitu maksimumkan jumlah koin lawan
train/f02-04-228.wav,berikut merupakan gambarnya
train/f02-04-229.wav,sekian untuk untuk algoritma greedy
train/f02-04-230.wav,terima kasih
train/f03-01-001.wav,selamat pagi semuanya
train/f03-01-002.wav,apa kabar sehat sehat sehat 
train/f03-01-003.wav,ya masih inget gak pelajaran kemarin itu tentang apa
train/f03-01-005.wav,pada saat ini kita akan belajar tentang clustering khususnya khususnya unsupervised learning
train/f03-01-006.wav,apasih unsupervised learning itu
train/f03-01-007.wav,nah clustering sendiri adalah proses pengelompokkan data data menjadi cluster berbasis kesamaan data
train/f03-01-009.wav,terdapat tiga karakteristik dari clustering
train/f03-01-014.wav,nah kenapa sih kita harus melakukan clustering
train/f03-01-015.wav,terdapat tiga hal ya ya 
train/f03-01-016.wav,yang pertama data discovery
train/f03-01-018.wav,kemudian yang kedua gunanya adalah partisi atau pengelompokkan contohnya segmentasi pasar
train/f03-01-021.wav,contohnya contohnya ada peringkasan teks berbasis clustering
train/f03-01-022.wav,nah ada tahapan tahapan yang di dalam melakukan clustering
train/f03-01-023.wav,ada tiga tahapan utama dan dua tahapan optional optional 
train/f03-01-024.wav,tahapan utamanya ini adalah pemilihan fitur atau bahasa inggrisnya feature selection selection 
train/f03-01-026.wav,misalnya untuk mahasiswa ada nama ada tanggal lahir ada ada daerah asal dan sebagainya
train/f03-01-031.wav,kemudian ditransformasi menjadi sembilan sembilan sembilan belas sembilan lapan
train/f03-01-032.wav,yang kedua tahapan yang kedua dari clustering adalah pattern proximity atau similarity measure
train/f03-01-033.wav,yaitu yaitu melihat kesamaan kesamaan diantara instance yang ada
train/f03-01-034.wav,yang ketiga yang terakhir adalah grouping
train/f03-01-035.wav,pengelompokkan dari instance instance yang ada
train/f03-01-036.wav,nah output-nya ini ini bisa memiliki dua jenis yang satu hard yang satu soft
train/f03-01-037.wav,apa itu soft clustering clustering 
train/f03-01-039.wav,kebayang gak bedanya ya
train/f03-01-041.wav,nah ada ada tahapan lanjutan dari clustering tapi ini optional sih
train/f03-01-043.wav,terdapat beberapa jenis jenis atau mungkin beberapa metode ya beberapa cara untuk merepresentasikan cluster
train/f03-01-044.wav,yang pertama itu menggunakan centroid
train/f03-01-047.wav,kemudian ada pohon klasifikasi dan ada juga juga conjunctive statements
train/f03-01-048.wav,nah clustering ini ada beberapa kategorinya nih metode metodenya
train/f03-01-050.wav,nah kita akan bahas satu satu ya
train/f03-01-051.wav,mungkin ini pembukaan dari setiap jenis lebih tepatnya ya
train/f03-01-052.wav,yang pertama metode partitioning itu dengan partisi
train/f03-01-053.wav,dia mengidentifikasi partisi yang mengoptimalkan kriteria pengelompokkan misalnya menggunakan squared error atau absolute error
train/f03-01-057.wav,yang kedua ada ada metode yang hierarchical
train/f03-01-062.wav,nah yang ini namanya divisive
train/f03-01-063.wav,yang ketiga itu metode berbasis kerapatan atau density density 
train/f03-01-065.wav,densitas itu bisa dikatakan jumlah objek
train/f03-01-066.wav,contohnya ada dbscan
train/f03-01-067.wav,dbscan itu density based spatial clustering of applications with noise
train/f03-01-068.wav,yang keempat ada metode berbasis grid
train/f03-01-071.wav,nah grid ini ternyata saudara saudara saudara baik untuk eksekusi yang paralel
train/f03-01-073.wav,sekarang kita akan bahas lebih detil mengenai metode partisi
train/f03-01-075.wav,dalam kata lain partisi ini ini ini maaf
train/f03-01-079.wav,kira kira seperti itu itu 
train/f03-01-080.wav,nah contohnya itu itu k means k medoids dan graph theoretic
train/f03-01-081.wav,input pada algoritma k means
train/f03-01-082.wav,oh iya ya sekarang kita bahas yang k means dulu nih
train/f03-01-084.wav,output-nya adalah adalah adalah apa ya output-nya ya sejumlah k cluster
train/f03-01-086.wav,nah langkah langkahnya nih
train/f03-01-087.wav,yang pertama kita pilih k objek
train/f03-01-088.wav,k objek ini random aja arbitrary
train/f03-01-091.wav,nah apa yang mesti kita ulang ulang ulang 
train/f03-01-098.wav,nah di k means ini
train/f03-01-100.wav,kelemahan k medoids medoids sorry sorry 
train/f03-01-101.wav,kelemahan k means itu ada ada disini ada lima ya
train/f03-01-102.wav,yang pertama tidak ada panduan penentuan nilai k yang baik
train/f03-01-104.wav,yang kedua hasil sangat dipengaruhi oleh inisialisasi centroid
train/f03-01-105.wav,ya ini tadi kita udah bahas ya ya ya 
train/f03-01-106.wav,inisialisasi centroid ini ini dapat menjadi faktor dari dua hal ini nih
train/f03-01-107.wav,misalnya sering sering berhenti pada optimum lokal atau atau hasil akhir tidak stabil
train/f03-01-108.wav,nah kelemahan yang ketiga algoritmanya tidak scalable
train/f03-01-109.wav,yang keempat mean hanya ter ter definisi untuk atribut yang numerik
train/f03-01-110.wav,sehingga kalau untuk atribut yang nominal digunakan digunakan metode k mods namanya modus
train/f03-01-112.wav,yang kedua itu ada k medoids
train/f03-01-116.wav,kalau kita lihat lihat kita perhatikan dengan seksama seksama 
train/f03-02-001.wav,selamat pagi semuanya
train/f03-02-003.wav,mengapa perlu diteliti
train/f03-02-004.wav,terdapat tiga hal
train/f03-02-005.wav,yang pertama di dalam gereja gereja terdapat perbedaan pengertian terhadap al kitab
train/f03-02-012.wav,biasanya yang dilakukan adalah tiga hal ini
train/f03-02-015.wav,dan yang ketiga ketiga pengembalian jawaban berupa urutan urutan urutan urutan sorry sorry maaf
train/f03-02-016.wav,pengembalian jawaban jawaban berupa simpul atau himpunan simpul kepada pengguna
train/f03-02-017.wav,dalam ta ini rumusan masalahnya ada tiga
train/f03-02-018.wav,yang pertama apa kriteria efektivitas pencarian kata kunci pada al kitab
train/f03-02-020.wav,rumusan masalah terakhir adalah bagaimana kinerja algoritma tersebut jika dibandingkan dengan open bible
train/f03-02-023.wav,terdapat empat batasan
train/f03-02-025.wav,kemudian ruang solusi dibatasi pada teknik teknik teknik yang memanfaatkan struktur data graf
train/f03-02-029.wav,adapun langkah langkah pengerjaanya yaitu yang pertama analisis masalah
train/f03-02-030.wav,yang kedua identifikasi alternatif solusi solusi 
train/f03-02-031.wav,yang ketiga analisis alternatif solusi
train/f03-02-033.wav,nah jadi apasih kriteria efektivitas pencarian kata kunci pada al kitab
train/f03-02-035.wav,kemudian dilakukan analisis terhadap terhadap ayat ayat tersebut tersebut 
train/f03-02-036.wav,kemudian terdapat terdapat beberapa prinsip pembelajaran al kitab menurut wierner dan dan dave whitson
train/f03-02-037.wav,tapi pada pada tugas akhir ini ini ini yang di-highlight adalah dua prinsip ini
train/f03-02-039.wav,kedua kedua semua bagian pada al kitab memiliki bobot yang sama
train/f03-02-040.wav,nah dari pedoman dan prinsip ini diidentifikasilah dua kriteria efektivitas
train/f03-02-049.wav,nah mengapa sih menggunakan icrf icrf 
train/f03-02-052.wav,yang kedua kedua icrf dapat memperlihatkan hubungan antarsimpul kepada pengguna
train/f03-02-053.wav,yang ketiga icrf dapat dikonfigurasi sedemikian rupa untuk memenuhi kebutuhan domain yang spesifik
train/f03-02-054.wav,selanjutnya yang akan saya kerjakan
train/f03-02-055.wav,yang pertama adalah menganalisis konfigurasi icrf yang efektif untuk domain al kitab
train/f03-02-056.wav,yang kedua menganalisis konfigurasi query expansion yang efektif untuk domain al kitab
train/f03-02-057.wav,yang ketiga implementasi sistem sistem 
train/f03-02-059.wav,setelah itu dilakukan penarikan kesimpulan
train/f03-02-060.wav,terima kasih
train/f03-03-001.wav,mencari algoritma yang paling efektif
train/f03-03-003.wav,yang kedua kedua memberikan kesempatan pada pengguna untuk melihat hubungan antarayat
train/f03-03-004.wav,nah sekarang kita akan membandingkan nih nih algoritma algoritma yang ada
train/f03-03-005.wav,yang pertama object rank
train/f03-03-007.wav,x rank rank ayat ayat al kitab tidak dapat direpresentasikan dengan xml
train/f03-03-008.wav,dbexplorer dan discovered tidak dapat menggambarkan hubungan antarayat
train/f03-03-015.wav,nilai ambang lambda pada sebuah iterasi adalah nilai skor yang ditemukan pada iterasi sebelumnya
train/f03-04-003.wav,kemudian untuk poin justifying the selection of everything they do
train/f03-04-004.wav,makna dari visualisasi telah tertulis pada legenda legenda 
train/f03-04-006.wav,semakin banyak kalori per orang pada satu periode warnanya semakin biru
train/f03-04-007.wav,serta pemilihan warna yang kontras jelas dan seragam membuat visualisasi ini dinilai baik
train/f03-04-008.wav,poin selanjutnya adalah creating accessibility through intuitive design
train/f03-04-010.wav,yang terakhir terakhir never deceive the receiver
train/f03-04-011.wav,dengan gambar yang proporsional besarnya sesuai dengan data visualisasi ini ini tidak menipu
train/f03-04-012.wav,untuk untuk contoh buruknya buruknya strive for forms and functions
train/f03-04-015.wav,kemudian justifying the selection of everything they do
train/f03-04-018.wav,poin selanjutnya adalah creating accessibility through intuitive design/ design/ 
train/f03-04-019.wav,nah kalau untuk kasus ini grafik dapat dimengerti dengan cepat
train/f03-04-020.wav,yang terakhir never deceive the receiver
train/f03-04-021.wav,terdapat perubahan jarak pada sumbu x dari per tahun menjadi per tiga bulan
train/f03-04-022.wav,hal ini menimbulkan kesan bahwa akhir akhir ini pertumbuhan pinjaman melambat melambat 
train/f04-01-001.wav,baik selamat pagi semuanya
train/f04-01-002.wav,assalamualaikum warrahmatullahi wabarakatuh
train/f04-01-005.wav,masih ingat
train/f04-01-006.wav,coba sebutkan
train/f04-01-007.wav,yang pertama apa
train/f04-01-008.wav,oh iya benar
train/f04-01-009.wav,strive for forms and function
train/f04-01-010.wav,yang kedua justifying the selection of everything we do terus selanjutnya
train/f04-01-012.wav,nah coba kalian liat ditampilan ini salah satu contoh visualisasi data
train/f04-01-013.wav,menurut kalian ini visualisasi datanya baik atau buruk
train/f04-01-014.wav,ya sama saya juga sependapat ini visualisasi data yang baik kenapa
train/f04-01-015.wav,jika kita melihat dari empat prinsip tadi kita petakan satu per satu
train/f04-01-017.wav,coba kalian amati bagaimana bentuk dan fungsi pada contoh visualisasi data ini
train/f04-01-022.wav,coba kamu jawab
train/f04-01-025.wav,nah itu mereka memiliki alasan kenapa memilih membedakan ukurannya
train/f04-01-026.wav,kemudian alasannya apa coba
train/f04-01-027.wav,oh iya itu alasannya untuk mengetahui perbandingan jumlahnya ya benar sekali
train/f04-01-028.wav,terus selain itu apa lagi coba di prinsip ini
train/f04-01-030.wav,ya bu
train/f04-01-032.wav,kemudian prinsip selanjutnya
train/f04-01-033.wav,apa tadi yang ketiga
train/f04-01-036.wav,nah nah terus selanjutnya kita prinsip yang terakhir
train/f04-01-038.wav,enggak kan
train/f04-01-039.wav,iya
train/f04-01-041.wav,mengerti
train/f04-01-042.wav,nah selanjutnya kita lanjut gambar selanjutnya
train/f04-01-043.wav,coba dilihat sebentar
train/f04-01-044.wav,lima detik
train/f04-01-045.wav,menurut kalian ini gambar apa
train/f04-01-046.wav,ini adalah gambar tentang penghasilan dari seorang pemain baseball yang terkenal pemain top-nya
train/f04-01-047.wav,ini penghasilan di tahun dua ribu tujuh belas ya ya 
train/f04-01-048.wav,ini contoh yang buruk apa baik
train/f04-01-049.wav,ada yang berpendapat ini baik angkat tangan coba
train/f04-01-050.wav,ga ada ya
train/f04-01-051.wav,ada yang berpendapat ini buruk
train/f04-01-052.wav,oh berarti kalian semua berpendapat ini buruk
train/f04-01-053.wav,kenapa nih
train/f04-01-055.wav,ya ga
train/f04-01-057.wav,bagaimana kalo menurut kalian
train/f04-01-058.wav,sama sependapat dengan saya
train/f04-01-059.wav,bagus
train/f04-01-060.wav,selanjutnya coba kalo gitu kenapa ya ini bisa disebut jelek
train/f04-01-061.wav,tadi yang angkat tangan semua orang kan
train/f04-01-062.wav,coba salah satu kenapa ini jelek
train/f04-01-063.wav,engga mau jawab
train/f04-01-064.wav,saya bantu nih
train/f04-01-065.wav,jadi kenapa ini jelek
train/f04-01-066.wav,coba kita prinsip kedua ya
train/f04-01-067.wav,apa tadi prinsip kedua
train/f04-01-068.wav,justifying the selection of everything we do
train/f04-01-069.wav,dari segi warna kira kira gimana
train/f04-01-072.wav,ini ini bagus ya ya itunya memilih bar dan warnanya
train/f04-01-073.wav,tapi kenapa jelek disini
train/f04-01-074.wav,nah coba liat panjang bar dengan jumlah penghasilannya
train/f04-01-076.wav,oh tetapi coba liat pemain yang kedua dan pemain yang terakhir nih
train/f04-01-077.wav,itu sangat berbeda jauh kan penghasilannya tapi mereka memiliki bar yang sama
train/f04-01-079.wav,ini pemilihan panjang barnya tidak proporsional begitu
train/f04-01-083.wav,coba selanjutnya selanjutnya selanjutnya prinsip ketiga accessibility through intuitive design
train/f04-01-084.wav,menurut kalian gambar ini dari desainnya desainnya desainnya kalian dapat dapat dapat memahami ga
train/f04-01-085.wav,kembali lagi ya
train/f04-01-087.wav,seperti contoh yang baik sebelumnya semakin besar ukuran lingkaran semakin besar nilai brandnya
train/f04-01-089.wav,itu juga minusnya ya
train/f04-01-090.wav,kemudian selanjutnya yang prinsip terakhir nih
train/f04-01-091.wav,prinsip terakhir yang never deceive the receiver
train/f04-01-096.wav,oke oke untuk pertemuan kali ini sampai disini saja ya
train/f04-01-097.wav,terima kasih
train/f04-01-098.wav,wassalamualaikum warrahmatullahi wabarakatuh
train/f04-02-001.wav,selamat siang semuanya
train/f04-02-002.wav,assalamualaikum warrahmatullahi wabarakatuh
train/f04-02-003.wav,kita lanjutkan pembahasan yang kemarin ya beberapa interface
train/f04-02-004.wav,sekarang kita lanjut ke ke haptic interface
train/f04-02-005.wav,haptic berasal dari kata yunani haptiko itu berarti being able to come into contact
train/f04-02-010.wav,contohnya untuk saat ini itu ya
train/f04-02-011.wav,kalian tau mengenai aplikasi levelizer
train/f04-02-012.wav,tau ga
train/f04-02-015.wav,itu salah satu contoh haptic inteface pada smartphone pada aplikasi ya
train/f04-02-016.wav,kemudian ada beberapa contoh lain lain contohnya kalian tau keyboard
train/f04-02-017.wav,keyboard yang itu yang ya keyboard biasa lah keyboard biasa juga bisa
train/f04-02-018.wav,itu juga juga contoh haptic interface
train/f04-02-020.wav,ada yang bisa ngasih contoh lagi terkait haptic interface
train/f04-02-021.wav,ga ada
train/f04-02-022.wav,oke kita lanjut ya
train/f04-02-023.wav,oh ini contoh berikutnya
train/f04-02-024.wav,contohnya cyber grasp system
train/f04-02-031.wav,nah sebenarnya apasih keuntungan dengan penggunaan haptic interface ini
train/f04-02-034.wav,kemudian kemudian hal tersebut karena sangat mengandalkan sense of touch-nya
train/f04-02-042.wav,terus disini kita ada advantage-nya keuntungannya pasti juga ada kekurangannya kan ya ya disadvantage-nya
train/f04-02-043.wav,apasih kekurangan dari haptic inteface ini
train/f04-02-044.wav,haptic inteface jikalau berlebihan itu dari sisi user experience-nya dapat menyebabkan pengguna merasa annoy
train/f04-02-046.wav,nah coba kekurangan yang lain
train/f04-02-047.wav,apa coba
train/f04-02-049.wav,contohnya bukan contoh sih ya kekurangan haptic interface lagi ya itu dari sisi feedback-nya
train/f04-02-051.wav,contohnya hanya berupa efek getaran sehingga dapat menyebabkan kebingungan untuk pemulanya
train/f04-02-053.wav,jadi salah satunya ya itu feedback-nya kemudian tadi yang jika berlebihan itu merasa annoy
train/f04-02-055.wav,nah itu salah satu kerugiannya
train/f04-02-058.wav,nah itu terakhir beberapa beberapa jenis interface
train/f04-02-059.wav,sekian dulu dulu besok kita lanjut ke materi selanjutnya ya
train/f04-02-060.wav,terima kasih wassalamualaikum warrahmatullahi wabarakatuh
train/f05-01-001.wav,nah bahasan kali ini adalah mengenai software as a service
train/f05-01-003.wav,nah pertama itu adalah cloud computing
train/f05-01-009.wav,cloud computing telah memunculkan paradigma paradigma komputasi yang didistribusikan dalam skala yang besar
train/f05-01-013.wav,pemilihan model service yang tepat merupakan kunci suksesnya penggunaan layanan cloud
train/f05-01-029.wav,pembahasan software as a service lanjut akan dibahas pada subbab subbab subbab 
train/f05-01-030.wav,software as a service akan dilanjut pada pada pada bagian berikutnya
train/f05-01-034.wav,nah semua layanan tersebut disediakan oleh vendor
train/f05-01-040.wav,sedangkan untuk saas ini lisensi akan sesuai dengan pemakaian aplikasi saja
train/f05-01-042.wav,nah apa saja sih karakteristik dari dari software as a service ini
train/f05-01-046.wav,selain melalui web browser service juga dapat diakses melalui wan pada personal computer client
train/f05-01-061.wav,nah nah salah satu nah ini contoh contoh dari aplikasi saas
train/f05-01-074.wav,nah salah satu yang besar dan juga tekenal itu adalah salesforce
train/f05-01-077.wav,nah akan dibahas lebih lanjut tentang multitenancy
train/f05-01-092.wav,nah
train/f05-01-093.wav,model aplikasi multitenant memberikan memberikan kemungkinan untuk tenant berinteraksi dengan dengan empat sharing level
train/f05-01-114.wav,termasuk dalam memantau penggunaan aplikasi oleh masing masing tenant
train/f05-01-116.wav,nah untuk proses billing penyedia layanan biasanya memiliki metode metode yang berbeda beda
train/f05-01-127.wav,nah dari segi
train/f05-01-129.wav,nah untuk
train/f05-01-131.wav,mungkin itu saja sekian
train/f06-01-001.wav,okay jadi saya akan menjelaskan sedikit mengenai agent based model
train/f06-01-002.wav,agent based model ini termasuk dari sebuah metode pemodelan sistem kompleks sistem kompleks
train/f06-01-003.wav,apa itu sistem kompleks sistem kompleks adalah suatu sistem yang terdiri dari beberapa komponen
train/f06-01-004.wav,yang saling berinteraksi
train/f06-01-007.wav,nah nah pemodelan
train/f06-01-008.wav,menggunakan agent based model ini
train/f06-01-009.wav,terfokus pada
train/f06-01-010.wav,pemodelan terhadap
train/f06-01-011.wav,pelaku kasusnya
train/f06-01-013.wav,sementara menurut macal dan north
train/f06-01-014.wav,agent based model
train/f06-01-017.wav,pemodelan ini termasuk salah satu metode bottom up
train/f06-01-018.wav,yaitu yaitu suatu kondisi dimodelkan berdasarkan
train/f06-01-020.wav,sehingga dapat memberikan gambaran mengenai suatu kondisi secara global
train/f06-01-022.wav,secara secara secara keseluruhan agent based model ini memiliki karakteristik sebagai berikut
train/f06-01-023.wav,yaitu yang pertama merupakan pemodelan dengan pendekatan bottom up
train/f06-01-024.wav,yang kedua
train/f06-01-025.wav,aspek waktu dimodelkan secara diskrit
train/f06-01-029.wav,dapat memberikan deskripsi alami sistem dan fleksibel
train/f06-01-031.wav,yang sering kali susah untuk ditransformasikan menjadi model matematis
train/f06-01-032.wav,berdasarkan kelebihan tersebut
train/f06-01-035.wav,maksudnya
train/f06-01-036.wav,setiap agen disini akan akan 
train/f06-01-037.wav,berlaku sesuai dengan
train/f06-01-038.wav,perilaku yang telah di-assign terhadap masing-masing agen tersebut
train/f06-01-040.wav,sehingga agen biasanya bersifat independen
train/f06-01-041.wav,yaitu agen melakukan pengambilan keputusan secara mandiri berdasarkan stimulus yang didapatkannya
train/f06-01-042.wav,untuk mendapatkan gambaran yang lebih jelas diberikan sebuah contoh pada
train/f06-01-044.wav,lampu lalu lintas
train/f06-01-045.wav,suatu contoh yang terjadi pada persimpangan jalan dengan lampu lalu lintas
train/f06-01-046.wav,apabila lampu merah menyala hal tersebut tidak secara langsung membuat
train/f06-01-047.wav,kendaraan berhenti
train/f06-01-048.wav,maksudnya lampu tersebut tidak akan membuat
train/f06-01-049.wav,kendaraan serta merta berhenti
train/f06-01-050.wav,sementara lampu tersebut hanya memberikan stimulus bagi
train/f06-01-051.wav,pengendaranya untuk menghentikan mobilnya
train/f06-01-053.wav,selanjutnya
train/f06-01-054.wav,sebuah agent based model memiliki tiga elemen
train/f06-01-055.wav,yaitu satu sekumpulan agen
train/f06-01-056.wav,yang kedua keterhubungan antar agen dan jenis interaksinya atau yang biasa disebut dengan topologi
train/f06-01-057.wav,dan yang terakhir yaitu lingkungannya
train/f06-01-058.wav,selanjutnya akan dibahas mengenai agen terlebih dahulu
train/f06-01-060.wav,agen dari sebuah sistem memiliki beberapa karakteristik sebagai berikut
train/f06-01-061.wav,yang pertama yaitu diskrit dan teridentifikasi
train/f06-01-062.wav,maksudnya terdapat perbedaan yang jelas antara satu agen dengan agen yang lain
train/f06-01-063.wav,maupun agen dengan lingkungannya
train/f06-01-064.wav,sehingga dapat diidentifikasi relasi-relasi yang terbentuk antaragen maupun antar lingkungan
train/f06-01-065.wav,yang kedua yaitu autonomous
train/f06-01-066.wav,maksudnya masing-masing agen secara mandiri aktif melakukan aksi-aksi tanpa ada komando secara terpusat
train/f06-01-067.wav,yang ketiga yaitu agen memiliki state
train/f06-01-068.wav,state atau status bisa berupa kondisi tertentu yang dianggap
train/f06-01-069.wav,sebagai state
train/f06-01-070.wav,yang sedang berlaku pada agen maupun kombinasi dari kondisi-kondisi tersebut
train/f06-01-071.wav,sebagai contoh dalam kasus
train/f06-01-072.wav,lampu merah yang tadi state disini state dari sebuah mobil 
train/f06-01-073.wav,bisa berarti
train/f06-01-074.wav,mobil tersebut berhenti atau mobil tersebut tetap jalan seperti itu
train/f06-01-075.wav,selanjutnya
train/f06-01-077.wav,karakteristik selanjutnya yaitu berinteraksi
train/f06-01-078.wav,dan mampu mempengaruhi lingkungannya
train/f06-01-079.wav,yang kelima yaitu memiliki kemampuan beradaptasi
train/f06-01-080.wav,kemampuan beradaptasi ini
train/f06-01-081.wav,tegantung terhadap stimulus yang diberikan atau stimulus yang
train/f06-01-082.wav,didapatkannya
train/f06-01-083.wav,yang keenam
train/f06-01-084.wav,yaitu goal directed
train/f06-01-085.wav,yaitu agen bergerak
train/f06-01-087.wav,bukan hanya merespon dan beradaptasi terhadap stimulus dari eksternal agent tersebut
train/f06-01-088.wav,nah selanjutnya agen hanya memiliki informasi yang terbatas
train/f06-01-089.wav,tidak memiliki informasi mengenai kondisi global dari sistem
train/f06-01-090.wav,untuk mencapai tujuannya maka agen akan melakukan interaksi dengan agen di sekitarnya
train/f06-01-091.wav,atau dengan lingkungannya untuk menentukan aksi apa yang harus dilakukan selanjutnya
train/f06-01-092.wav,kembali kepada contoh contoh mobil yang sedang dikendarai di suatu jalan
train/f06-01-093.wav,nah
train/f06-01-094.wav,tujuan dari sebuah agen tersebut adalah
train/f06-01-095.wav,mencapai tujuannya
train/f06-01-096.wav,mencapai lokasi tujuannya
train/f06-01-097.wav,nah sementara
train/f06-01-098.wav,stimulus yang diberikan oleh lingkungan bisa jadi
train/f06-01-099.wav,sebuah jalan yang harus belok ke kanan atau belok ke kiri atau mungkin
train/f06-01-100.wav,menemui lampu lalu lintas yang mengharuskan mobil tersebut berhenti atau
train/f06-01-101.wav,memutuskan untuk kembali berjalan seperti itu
train/f06-01-104.wav,seperti yang
train/f06-01-105.wav,terdapat pada gambar berikut
train/f06-01-106.wav,nah selanjutnya akan dibahas mengenai lingkungan
train/f06-01-108.wav,lingkungan secara tidak langsung memberikan batasan-batasan yang harus diikuti oleh agen
train/f06-01-111.wav,lingkungan harus didesain sedemikian rupa
train/f06-01-112.wav,agar dapat memberikan stimulus yang tepat untuk agen
train/f06-01-113.wav,misalkan dalam sebuah sistem evakuasi bencana
train/f06-01-114.wav,pada kondisi design ruangan tertentu akan memberikan dampak kemacetan dan tingkat efektivitas proses evakuasi
train/f06-01-115.wav,sementara itu pada contoh lain
train/f06-01-116.wav,yaitu kasus perilaku serangga apabila diberikan kondisi berupa suhu yang tinggi pada lingkungan
train/f06-01-117.wav,maka perilakunya akan berbeda jika dibandingkan dengan suhu yang normal
train/f06-01-118.wav,selanjutnya ada
train/f06-01-119.wav,beberapa contoh penerapan agent based model
train/f06-01-121.wav,yang sedang melakukan migrasi
train/f06-01-122.wav,pada kasus tersebut didefinisikan agennya adalah setiap individu burung yang terlibat
train/f06-01-123.wav,dan memiliki arah terbang dengan kecepatan tertentu
train/f06-01-124.wav,selanjutnya ditetapkan aturan yang berlaku untuk setiap agen
train/f06-01-125.wav,yang pertama yaitu
train/f06-01-126.wav,agen melakukan deteksi terhadap lokasi burung terdekat
train/f06-01-127.wav,aturan ini berlaku ketika suatu agen telah berkelompok dengan beberapa agen yang lain
train/f06-01-128.wav,dan harus mempertahankan posisinya untuk tetap bersama
train/f06-01-129.wav,aturan yang kedua
train/f06-01-130.wav,apabila aturan pertama tidak berlaku yaitu dalam kondisi agen tersebut belum memiliki kelompok tertentu
train/f06-01-132.wav,kondisi tersebut misalnya arahnya tidak tidak berlawanan jadi apabila suatu agen mengarah ke utara
train/f06-01-133.wav,dia tidak akan bisa bisa bergabung dengan sekumpulan agen yang mengarah ke selatan
train/f06-01-134.wav,sebaliknya
train/f06-01-135.wav,apabila
train/f06-01-136.wav,maka
train/f06-01-137.wav,agen tersebut dapat 
train/f06-01-138.wav,mengikuti suatu kumpulan agen 
train/f06-01-139.wav,yang mengarah ke timur atau ke barat
train/f06-01-140.wav,selanjutnya aturan ketiga
train/f06-01-141.wav,yaitu aplikasikan aturan kedua apabila apabila 
train/f06-01-142.wav,apabila terjadi pertemuan antara
train/f06-01-143.wav,dua kelompok berbeda
train/f06-01-145.wav,jadi misalkan
train/f06-01-146.wav,apabila suatu agen yang belum belum belum memiliki kelompok tertentu
train/f06-01-147.wav,lalu dia dia menemukan dua kelompok 
train/f06-01-148.wav,agen dengan arah yang berbeda
train/f06-01-149.wav,maka
train/f06-01-150.wav,maka dia akan
train/f06-01-151.wav,mencoba mencoba menghitung
train/f06-01-152.wav,kelompok mana yang
train/f06-01-153.wav,memiliki usaha lebih sedikit
train/f06-01-154.wav,untuk dia mengikuti kelompok tersebut
train/f06-01-155.wav,contoh bisa dilihat dalam 
train/f06-01-156.wav,aplikasi
train/f06-01-157.wav,net logo
train/f06-01-158.wav,berikut ini ada suatu segmen garis
train/f06-01-159.wav,yang menunjukkan
train/f06-01-160.wav,bentuk formasi kelompoknya
train/f06-01-161.wav,selanjutnya
train/f07-01-001.wav,langsung saja kita mulai
train/f07-01-002.wav,pada hari ini akan menjelaskan mengenai studi literatur terkait terkait di bidang hci
train/f07-01-003.wav,jadi yang pertama kita akan membahas tentang definisi perancangan interaksi
train/f07-01-004.wav,apa itu definisi definisi dari dari perancangan interaksi
train/f07-01-005.wav,perancangan interaksi merupakan sebuah pendekatan yang mengutamakan kebutuhan manusia
train/f07-01-006.wav,kapabilitas atau kemampuannya dan perilaku atau behaviour-nya
train/f07-01-007.wav,nah nah alan cooper juga menyampaikan
train/f07-01-008.wav,bahwa desain yang baik itu mulai dari psikologi dan teknologi atau atau mengkombinasikan keduanya
train/f07-01-009.wav,selain itu desain yang baik juga membutuhkan komunikasi yang baik
train/f07-01-010.wav,human centered design merupakan sebuah filosofi yang disertai dengan kumpulan prosedur
train/f07-01-012.wav,definisi satu persatu itu bisa
train/f07-01-014.wav,ini erat kaitannya dengan posisinya atau atau ukurannya pada halaman
train/f07-01-015.wav,lalu yang kedua adalah feedback
train/f07-01-016.wav,feedback ini mengacu kepada kepada reaksi yang diberikan oleh objek setelah pengguna memberikan aksi
train/f07-01-017.wav,dan saat ini feedback itu sudah mulai beragam
train/f07-01-018.wav,mulai dari interaksi rancangannya bahkan sebelum sebelum pengguna itu memberikan aksi
train/f07-01-020.wav,lalu yang ketiga adalah conceptual model
train/f07-01-021.wav,conceptual model merupakan proses analisis
train/f07-01-022.wav,informasi apa saja yang akan diberikan pada antar muka
train/f07-01-023.wav,lalu yang keempat adalah affordance mengacu pada hubungan antara objek dengan pengguna
train/f07-01-024.wav,dan signifiers
train/f07-01-025.wav,mengacu kepada peletakan objek agar pengguna dapat melakukan aksi yang sesuai dengan lebih mudah
train/f07-01-027.wav,berikutnya adalah constraint yaitu menyediakan batasan dari segi fisik logic maupun semantik
train/f07-01-030.wav,untuk user experience goal sendiri itu ada tujuh belas
train/f07-01-031.wav,yang diinginkan sedangkan aspek yang yang tidak diinginkan juga juga ada
train/f07-01-033.wav,biasanya untuk user experience mungkin dapat dipilih dua atau tiga aspek yang diinginkan
train/f07-01-034.wav,untuk untuk begitu pula pula hal yang sama untuk usability goal
train/f07-01-036.wav,lalu kemudian ada pendekatan
train/f07-01-038.wav,selain daripada metode yang dilakukan 
train/f07-01-040.wav,kemudian
train/f07-01-041.wav,seberapa seberapa kedekatan
train/f07-01-042.wav,designer dengan
train/f07-01-043.wav,calon penggunanya
train/f07-01-044.wav,kemudian untuk alur kerja yang dipilih
train/f07-01-046.wav,dan pada pada tugas akhir ini yang dipilih adalah 
train/f07-01-047.wav,iso pendekatan pendekatan pendekatan alur kerja dari iso 
train/f07-01-049.wav,tapi tapi tetapi selain dari keempat tahap tersebut
train/f07-01-052.wav,oleh karena itu itu 
train/f07-01-054.wav,kegiatan-kegiatan berikutnya
train/f07-01-055.wav,pada tahap perencanaan sendiri terdapat dua proses utama yaitu persiapan kuesioner dan penyebaran kuesioner
train/f07-01-057.wav,untuk tahap yang ketiga yaitu analisis kebutuhan pengguna
train/f07-01-058.wav,terdapat
train/f07-01-061.wav,perancangan prototipenya yang biasanya terbagi menjadi dua yaitu low fidelity dan high fidelity
train/f07-01-062.wav,kemudian pengujian internal prototipe
train/f07-01-063.wav,dan penyerahan prototipe kepada tim terkait
train/f07-01-065.wav,perencanaan jalur evaluasi
train/f07-01-066.wav,pelaksanaan pengujian analisis pengujian dan penyerahan design solusi kepada sistem terkait
train/f07-01-069.wav,sedangkan pada dua alur kerja lainnya yaitu lowdermilk dan albani-lombardi albani-lombardi 
train/f07-01-072.wav,selain itu alur kerja ini juga lebih ditujukan untuk pengembangan programmer daripada designer
train/f07-01-074.wav,perbedaannya hanya terdapat pada iterasi yang dilakukan 
train/f07-01-076.wav,sedangkan pada iso
train/f07-01-077.wav,iterasinya itu
train/f07-01-078.wav,dapat ke tahap manapun sesuai dengan kebutuhan sehingga dinilai dapat menjadi lebih efisien 
train/f07-01-079.wav,dari segi waktu
train/f07-01-080.wav,untuk e-commerce penjelasannya akan 
train/f07-01-081.wav,dilewat saja
train/f07-01-082.wav,juga juga beberapa
train/f07-01-083.wav,aplikasi yang sudah ada saat ini
train/f07-01-084.wav,kemudian akan dibahas masalah-masalah umum yang biasa ditemui dalam perancangan interaksi speech recognition
train/f07-01-088.wav,namun pada perancangan interaksi speech recognition kedua aktivitas tersebut cukup sulit untuk dilakukan 
train/f07-01-090.wav,seharusnya seharusnya 
train/f07-01-091.wav,penguji itu
train/f07-01-092.wav,tidak tidak 
train/f07-01-093.wav,tidak termasuk sebagai 
train/f07-01-094.wav,masukan dari pengujian 
train/f07-01-095.wav,suaranya
train/f07-01-097.wav,padahal interaksi speech recognition hanya ditujukan untuk penerima yang menerima masukan dari penguji saja
train/f07-01-099.wav,perlu menekan suatu tombol terlebih dahulu sebelum menerima semua masukan 
train/f07-01-102.wav,ini adalah detail dari 
train/f07-01-103.wav,pelaksanaan
train/f07-01-106.wav,jadi secara singkat saja akan dijelaskan bagaimana akhirnya dapat mendapatkan user goal ini 
train/f07-01-108.wav,kemudian dari dua masalah utama tersebut didapatkan dua jenis persona
train/f07-01-109.wav,dan dua jenis persona ini kemudian kemudian dicari fitur-fitur apa saja yang dibutuhkan
train/f07-01-110.wav,dari kedua persona tersebut
train/f07-01-111.wav,dan terdapat lima buah fitur
train/f07-01-112.wav,sebagai berikut yaitu fitur mencari produk dengan lima user task
train/f07-01-113.wav,kemudian melihat produk rekomendasi dengan tiga user task
train/f07-01-114.wav,kemudian melihat produk pada keranjang belanja
train/f07-01-115.wav,memesan produk dengan dua user task dan melacak status produk
train/f07-01-117.wav,kemudian didapatkan terdapat satu fitur yaitu
train/f07-01-119.wav,berikut adalah kebutuhan dari setiap persona untuk keempat fitur yang akhirnya dipilih
train/f07-01-121.wav,yang akan diuji kepada masing-masing persona minimal lima orang
train/f07-01-123.wav,yaitu apabila usability goal dan experience goal sudah tercapai sebanyak sembilan puluh persen
train/f07-01-125.wav,kemudian akan dilakukan pengujian yang sama yang serupa
train/f07-01-126.wav,kemudian untuk 
train/f07-01-127.wav,pengujiannya sendiri
train/f07-01-128.wav,di sini ada beberapa
train/f07-01-129.wav,parameter yang digunakan 
train/f07-01-130.wav,biasanya ada tiga jenis
train/f07-01-131.wav,perhitungan tipe parameter ut yaitu yang pertama adalah seq atau single easy question
train/f07-01-132.wav,kemudian yang kedua adalah
train/f07-01-133.wav,ini adalah contohnya
train/f07-01-134.wav,biasanya skalanya bisa tujuh atau lima
train/f07-01-135.wav,minimal lima
train/f07-01-136.wav,kemudian yang parameter kedua adalah system usability scale
train/f07-01-137.wav,dengan jumlah pertanyaan yang sudah
train/f07-01-138.wav,di bawah seperti ini sehingga bahkan terkadang
train/f07-01-139.wav,ini tidak boleh di-translate karena akan mengubah artinya
train/f07-01-140.wav,ya yang digunakan tetap bahasa inggris dengan asumsi
train/f07-01-141.wav,peserta dapat memahami arti dari bahasa tersebut
train/f07-01-142.wav,kemudian yang ketiga adalah 
train/f07-01-143.wav,net promote score
train/f07-01-144.wav,untuk perhitungan ini lebih dari sisi marketing apakah pengguna akan mempromosikannya kepada orang lain
train/f07-01-145.wav,cukup sekian kuliah hari ini
train/f07-01-146.wav,terima kasih atas perhatiannya
train/f08-01-004.wav,yang pertama langsung saja kita masuk ke pendahuluan 
train/f08-01-005.wav,jadi apa itu analisis sentimen sentimen 
train/f08-01-006.wav,analisis sentimen adalah suatu studi yang mengklasifikasikan teks berdasarkan sentimennya sentimennya 
train/f08-01-007.wav,sentimennya itu bisa positif negatif maupun netral
train/f08-01-008.wav,dan dan dan dari studi literatur yang telah saya lakukan sebelumnya terdapat
train/f08-01-009.wav,empat jenis level sentimen sentimen 
train/f08-01-010.wav,yang pertama yaitu level dokumen dokumen yang mengklasifikasikan dokumen secara keseluruhannya berdasarkan sentimennya
train/f08-01-012.wav,kemudian yang ketiga ketiga ketiga untuk level aspek
train/f08-01-013.wav,jadi ada beberapa daftar aspek 
train/f08-01-017.wav,jadi apa itu sentiment analysis yang berbasis aspek dan entitas entitas 
train/f08-01-022.wav,nah untuk lebih jelasnya di sini ada contoh kalimat
train/f08-01-023.wav,misal ada kalimat kalimat saya tetap menyukai avanza karena struktur kendaraannya mencakup semua aspek
train/f08-01-025.wav,entitas di sini yaitu avanza avanza 
train/f08-01-028.wav,kemudian apa bedanya dengan aspect based biasa biasa 
train/f08-01-030.wav,pada kalimat ini
train/f08-01-031.wav,tidak bisa hanya diselesaikan dengan aspect based karena karena 
train/f08-01-034.wav,sentimennya adalah positif dan negatif
train/f08-01-037.wav,sentimen di satu sisi saja
train/f08-01-039.wav,berikut ini adalah rumusan masalah dan tujuan dari tugas akhir ini ini 
train/f08-01-042.wav,adapun untuk metodologinya metodologinya 
train/f08-01-043.wav,langkah pertama yaitu men-design dan analisis
train/f08-01-048.wav,dan yang kelima adalah integrasi 
train/f08-01-050.wav,kemudian kemudian berikutnya masuk ke analisis persoalan
train/f08-01-054.wav,yang pertama ada deteksi aspek
train/f08-01-055.wav,yang mereka gunakan adalah cnn dan feed forward neural network
train/f08-01-056.wav,kemudian untuk ekstraksi kata kunci kunci yang digunakan adalah bi-lstm dan crf
train/f08-01-057.wav,dan klasifikasi sentimen aspek yang digunakan adalan cnn cnn cnn 
train/f08-01-059.wav,kemudian kemudian kemudian untuk 
train/f08-01-060.wav,pelabelan sendiri sendiri masih terdapat human error dan dan subjektivitas yang yang cukukp banyak
train/f08-01-061.wav,sedangkan untuk level entitas entitas permasalahannya diambil dari beberapa penelitian terkait ner
train/f08-01-065.wav,untuk level level dataset terdiri dari terdiri dari tiga tiga tiga jenis aspek
train/f08-01-066.wav,yang pertama ada general general kemudian machine parts price service dan fuel
train/f08-01-068.wav,atau mengekstraksi entitas apa saja yang terkandung di dalamnya 
train/f08-01-070.wav,dan yang ketiga ada klasifikasi sentimen
train/f08-01-071.wav,yaitu menghasilkan sentimen dari aspek-aspek dan entitas tadi tadi 
train/f08-01-072.wav,ini dia adalah berupa 
train/f08-01-073.wav,arsitektur sistem secara keseluruhan bisa dilihat dilihat 
train/f08-01-076.wav,kemudian setelah dipraproses
train/f08-01-077.wav,masukan akan dimasukan kedalam modul ekstraksi entitas
train/f08-01-078.wav,pada pada pada modul ekstraksi entitas ini menggunakan teknik gabungan bi-lstm dan crf 
train/f08-01-080.wav,fitur yang digunakan digunakan berupa pos tag dan word embedding
train/f08-01-083.wav,dalam bentuk position embedding
train/f08-01-084.wav,jadi untuk modul deteksi aspek ini menggunakan bi-lstm dan svm
train/f08-01-085.wav,kemudian untuk position embedding-nya embedding-nya 
train/f08-01-086.wav,mengikuti penelitian yang telah dilakukan oleh
train/f08-01-087.wav,oleh
train/f08-01-088.wav,oleh seseorang seseorang 
train/f08-01-089.wav,setelah itu itu setelah didapatkan aspeknya akan dimasukan ke
train/f08-01-090.wav,modul klasifikasi sentimen sentimen 
train/f08-01-091.wav,di sini sini setiap aspek akan dicari sentimennya apakah positif ataupun negatif
train/f08-01-092.wav,kemudian kemudian setelah itu yang terakhir itu rencana pengerjaan pengerjaan 
train/f08-01-093.wav,terdiri dari implementasi setiap modul tadi secara terpisah kemudian eksperimen juga dilakukan terpisah
train/f08-01-095.wav,sekian dan terima kasih
train/f08-01-096.wav,aku banyak ininya ininya 
train/f09-01-001.wav,selamat sore semuanya jadi untuk
train/f09-01-003.wav,nah jadi
train/f09-01-008.wav,nah selanjutnya selanjutnya kita masuk ke sistem komputer
train/f09-01-010.wav,nah jadi jadi komunikasi antar komponen ini nantinya menggunakan satu atau lebih bus
train/f09-01-013.wav,input device itu itu alat untuk memasukkan sesuatu ke dalam komputernya 
train/f09-01-014.wav,sementara untuk output device itu alat untuk mengeluarkan mengeluarkan sesuatu dari komputernya
train/f09-01-015.wav,jadi input device itu contohnya bisa keyboard bisa mouse bisa juga joy stick
train/f09-01-017.wav,nah terus selanjutnya selanjutnya kita ke arsitektur von neumann
train/f09-01-019.wav,nah untuk key concept-nya sendiri itu adalah eksekusi eksekusi program-program
train/f09-01-021.wav,kemudian
train/f09-01-022.wav,isi dari suatu memori itu dapat dialamatkan dengan lokasi 
train/f09-01-023.wav,tapi tapi kita
train/f09-01-024.wav,kita tidak bisa tahu apa yang disimpan di lokasi tersebut
train/f09-01-026.wav,nah jadi jadi inti dari arsitektur von neumann-nya itu 
train/f09-01-027.wav,dia terdiri dari dua dua terdiri dari dua komponen yaitu cpu
train/f09-01-028.wav,nah cpu ini sendiri terbagi lagi menjadi control unit dan arithmetic atau logic unit
train/f09-01-029.wav,nah control unit ini akan digunakan untuk mengatur eksekusi instruksi 
train/f09-01-030.wav,jadi jadi urutan instruksi mana yang akan dieksekusi terlebih dahulu
train/f09-01-032.wav,selanjutnya untuk komponen yang kedua seperti biasa itu ada main memory
train/f09-01-033.wav,ya selanjutnya kita akan masuk ke representasi data
train/f09-01-037.wav,seperti itu
train/f09-01-040.wav,nah jadi jadi 
train/f09-01-041.wav,instruksi itu direpresentasikan dengan sequence dari bits bits atau kepanjangannya adalah binary digits
train/f09-01-044.wav,nah jadi untuk informasi yang pertama yaitu apa yang harus diselesaikan itu itu 
train/f09-01-045.wav,digits-nya disebut juga dengan operation code
train/f09-01-050.wav,nah kemudian untuk tipe machine instruction-nya sendiri itu kira-kira ada empat tipe
train/f09-01-051.wav,yang pertama itu instruksi untuk transfer data antara antara memori dan register dari cpu-nya
train/f09-01-052.wav,kemudian ada juga instruksi aritmatik atau logic operations
train/f09-01-054.wav,dan tipe instruksi yang keempat itu adalah transfer input dan output-nya
train/f09-01-055.wav,nah selanjutnya sebenarnya apa-apa aja sih yang penting dalam suatu instruksi 
train/f09-01-056.wav,jadi jadi ini ada beberapa aspek-aspek yang penting dalam perancangan suatu set instruksi
train/f09-01-059.wav,kemudian ada akses register dan yang terakhir ada format instruksi itu sendiri
train/f09-01-061.wav,kemudian kemudian instruksi itu dia juga punya cycle-nya sendiri
train/f09-01-062.wav,jadi setiap instruksi itu dilakukan sebagai sebagai satu sequence tahapan
train/f09-01-063.wav,nah tahapan-tahapannya itulah yang disebut sebagai instruction cycle
train/f09-01-072.wav,eh
train/f09-02-001.wav,lalu sekarang kita akan melanjutkan ke ke 
train/f09-02-002.wav,akan membahas tentang memorinya
train/f09-02-008.wav,jadi jadi data-data atau program yang masih berada di secondary memory ketika akan
train/f09-02-013.wav,nah untuk main memory arsitekturnya dapat dilihat pada gambar yang yang ditampilkan di slide
train/f09-02-015.wav,bit-bit ada address address yang tersusun dari bit-bit-nya
train/f09-02-017.wav,nah tiap sel itu memiliki alamat yang unik dan diberikan nomor yang berurutan
train/f09-02-020.wav,nah informasi yang disimpan di ram ini akan hilang kalau daya listriknya dihilangkan
train/f09-02-021.wav,makanya itu juga adalah salah satu kekurangan dari dari main memory
train/f09-02-022.wav,nah selanjutnya ada secondary memory
train/f09-02-023.wav,contoh-contoh dari secondary memory ini ada cukup banyak
train/f09-02-025.wav,ya kira-kira itu adalah contoh-contoh dari secondary memory-nya
train/f09-02-026.wav,nah kalau untuk harddisk itu dia terbuat dari besi yang dilapisi material magnetic
train/f09-02-027.wav,fitur-fitur utama dari harddisk ini dia dia direct access
train/f09-02-028.wav,kemudian dia juga fast access jadi dia dia aksesnya lumayan cepat
train/f09-02-030.wav,kemudian kapasitas penyimpanannya itu itu cukup besar dari range delapan megabyte sampai beberapa gigabyte
train/f09-02-031.wav,ini mungkin mungkin yang yang yang sering kita temukan saat ini itu adalah harddisk
train/f09-02-032.wav,kemudian ada juga disket
train/f09-02-033.wav,tapi untuk disket disket untuk di jaman sekarang udah sangat jarang sekali ditemukan
train/f09-02-037.wav,selanjutnya itu ada magnetic tape
train/f09-02-038.wav,nah dia itu terbuat dari lapisan plastik yang dilapisi dengan oksida besi 
train/f09-02-039.wav,main features-nya
train/f09-02-041.wav,jadi access time-nya time-nya sekitar satu sampai lima detik
train/f09-02-043.wav,nah dia ini biasa dipakai untuk untuk backup atau arsip
train/f09-02-044.wav,kemudian yang keempat itu ada optical memory
train/f09-02-045.wav,jadi ini tuh tuh 
train/f09-02-046.wav,optical memory itu itu kita biasanya lebih seringnya mendengar mendengar cd 
train/f09-02-048.wav,kemudian replikasinya juga murah produksinya murah terus dia juga removable
train/f09-02-051.wav,kemudian ada juga jenis optical memory yang lain yaitu erasable optical disk
train/f09-02-053.wav,nah selanjutnya kita akan akan membahas tentang macam-macam io device
train/f09-02-057.wav,terus kita juga ada scanner jadi kita bisa bisa bisa bisa memasukkan dokumen
train/f09-02-058.wav,yang tadinya tadinya dalam bentuk hard copy kita jadikan soft copy-nya
train/f09-02-059.wav,kemudian ada juga mikrofon untuk menerima menerima input suara
train/f09-02-060.wav,nah untuk untuk 
train/f09-03-001.wav,nah tadi kita udah membahas secara secara keseluruhan tapi memang hanya hanya 
train/f09-03-003.wav,nah jadi yang pertama kita berangkat dari masalahnya dulu
train/f09-03-004.wav,jadi masalah yang ada pada sistem memori itu yang pertama pertama kebutuhan ya
train/f09-03-007.wav,nah sementara memori jauh lebih lambat dari mikroprosesor
train/f09-03-011.wav,jadi ini disebut juga juga 
train/f09-03-012.wav,prinsip ini disebut juga two level principle
train/f09-03-015.wav,nah nah bisa dilihat pada gambar di sana 
train/f09-03-016.wav,jadi jadi itu adalah adalah hierarki dari memori
train/f09-03-021.wav,nah jadi jadi kira-kira seperti itu untuk hierarki memorinya
train/f09-03-024.wav,cuman access time-nya ini dia cuman beberapa nanosecond jadi jadi sangat cepat sekali
train/f09-03-026.wav,kemudian access time-nya itu sekitar sekitar sepuluh nanosecond
train/f09-03-029.wav,nah untuk harddisk ini dia memang sangat besar sekali bisa mencapai beberapa gigabytes 
train/f09-03-030.wav,cuman memang memang access time-nya itu sekitar puluhan millisecond
train/f09-03-033.wav,selanjutnya
train/f09-03-040.wav,nah arsitekturnya juga unified
train/f09-03-041.wav,jadi jadi cache data dan instruksi itu itu sama 
train/f09-03-043.wav,nah jadi di sini ada beberapa terminologi yang berhubungan dengan cache
train/f09-03-044.wav,yaitu ada hit miss ada hit rate terus juga ada miss rate
train/f09-03-046.wav,jadi itu terhitungnya sebagai hit
train/f09-03-055.wav,kemudian 
train/f09-03-056.wav,selain ada replacement strategies ada juga juga write strategies
train/f09-03-057.wav,jadi jadi kenapa sih dibutuhkan write strategies
train/f09-03-058.wav,write strategies ini diperlukan agar isi cache-nya itu koheren dengan main memory-nya
train/f09-03-060.wav,nah kemudian setelah itu kita akan membahas tentang tentang konsep mengenai locality
train/f09-03-061.wav,jadi jadi locality ini ada temporal locality dan juga special locality
train/f09-03-062.wav,nah apa yang dimaksud dengan temporal locality
train/f09-03-063.wav,jadi temporal locality ini maksudnya itu adalah locality in time
train/f09-03-067.wav,nah jadi jadi tadi kalau untuk
train/f09-03-068.wav,arsitekturnya itu
train/f09-03-071.wav,kemudian kemudian perancangan dan implementasinya juga lebih murah
train/f09-03-072.wav,nah tapi tapi untuk arsitektur split dia juga punya keuntungan 
train/f09-03-075.wav,nah virtual memory ini jadi sebenarnya dia dia merupakan merupakan memori yang 
train/f09-03-076.wav,virtual jadi jadi tidak benar-benar ada 
train/f09-03-080.wav,nah binary address yang diberikan oleh prosesor adalah virtual logic address
train/m01-01-001.wav,selamat pagi bapak imam selaku pembimbing bapak riza selaku penguji serta teman teman sekalian
train/m01-01-004.wav,yang pertama adalah mengenai ssd
train/m01-01-006.wav,ssd atau solid state drive merupakan media penyimpanan data yang lebih modern modern 
train/m01-01-010.wav,pada hard disk drive baik pembacaan penulisan maupun penghapusan dilakukan pada level blok
train/m01-01-019.wav,konsep lain yang penting adalah raid
train/m01-01-026.wav,salah satu solusi untuk menanggulangi kegagalan disk adalah rekonstruksi data berdasarkan berdasarkan paritas
train/m01-01-028.wav,misalkan raid menerima operasi untuk menuliskan konten file foo ke disk
train/m01-01-033.wav,selain itu dalam banyak sistem raid dituntut untuk memiliki latency yang stabil
train/m01-01-036.wav,namun kondisi ini seringkali tidak terpenuhi karena karena karena adanya fenomena tail latency
train/m01-01-037.wav,tail latency merupakan fenomena kemunculan latency yang sangat tinggi secara tiba tiba tiba 
train/m01-01-038.wav,contohnya dapat dilihat pada gambar berikut berikut 
train/m01-01-043.wav,kondisi ini menjadi lebih parah dalam raid
train/m01-01-046.wav,kondisi inilah yang membuat latency menjadi sangat tinggi tinggi 
train/m01-01-048.wav,salah satu solusi yang sudah teruji untuk mengatasi hal ini adalah ttrais
train/m01-01-049.wav,sebelumnya saya sudah menyinggung parity reconstruction
train/m01-01-053.wav,dengan cara ini raid tidak perlu menunggu gc selesai untuk melayani request
train/m01-01-054.wav,ttrais terbukti dapat mengeliminasi tail latency hampir seratus persen
train/m01-01-055.wav,saat ini ttrais diimplementasikan pada program ssd emulator yang disebut vssim vssim 
train/m01-01-056.wav,vssim dapat kita temui pada link berikut
train/m01-01-058.wav,kemampuan ini sangat bermanfaat untuk melakukan penelitian terkait ssd
train/m01-01-065.wav,demikianlah latar belakang yang dapat saya sampaikan terkait dengan tugas akhir saya
train/m01-01-066.wav,berdasarkan latar belakang tersebut saya merumuskan masalah saya sebagai berikut
train/m01-01-067.wav,bagaimana mengimplementasi ttrais untuk berjalan di atas femu
train/m01-01-075.wav,sebelum modifikasi ssd akan memberikan sinyal error jika menerima request saat sedang melakukan gc
train/m01-01-077.wav,kernel harus melakukan parity reconstruction tapi tidak menggagalkan request tersebut
train/m01-01-080.wav,vssim telah dimodifikasi pada bagian ide host interface seperti yang dapat dilihat pada gambar
train/m01-01-081.wav,saya berikan lingkaran merah pada bagian yang harus dimodifikasi
train/m01-01-082.wav,dan untuk melakukannya saya harus mencari padanan dari bagian tersebut di dalam femu
train/m01-01-083.wav,metodologi yang akan saya lakukan adalah yang pertama mempersiapkan environment-nya terlebih dahulu
train/m01-01-085.wav,hal ini akan melibatkan analisa perbedaan arsitektur antara vssim dengan femu
train/m01-01-090.wav,kemudian saya harus memodifikasinya dengan dengan mengacu pada hasil modifikasi vssim
train/m01-02-001.wav,oke selamat sore semuanya
train/m01-02-002.wav,kita akan melanjutkan pembelajaran kita terkait dengan hyper performance server architecture
train/m01-02-009.wav,kodenya dapat dilihat pada gambar berikut
train/m01-02-010.wav,atau yang serupa dengan itu kita juga dapat membuat satu thread untuk satu client
train/m01-02-011.wav,akan tetapi permasalahannya adalah satu thread dengan satu client menggunakan resource yang sangat besar
train/m01-02-014.wav,http server modern mendukung persistent connection
train/m01-02-016.wav,sehingga dapat kita katakan karakteristik aplikasi jaringan distributed ini bersifat i o bound
train/m01-02-017.wav,sebagian besar waktu proses menunggu i o event
train/m01-02-018.wav,salah satu solusi dari hal ini yang pertama adalah multiplexing
train/m01-02-019.wav,multiplexing memungkinkan sebuah server meng-handle beberapa client sekaligus
train/m01-02-020.wav,setiap ada koneksi client server memasukkannya ke dalam daftar watchlist
train/m01-02-021.wav,kita dapat menggunakan select untuk menunggu event dari koneksi client
train/m01-02-023.wav,select select mengembalikan jumlah jumlah descriptor yang ready
train/m01-02-025.wav,bit bernilai satu jika descriptor tersebut diperlukan
train/m01-02-031.wav,kita dapat mengeceknya dengan potongan kode kode yang ada di depan
train/m01-02-032.wav,pertama kita melakukan is set kemudian kita membaca setiap line dari file socket tersebut
train/m01-02-034.wav,namun select ini juga memiliki problem
train/m01-02-037.wav,pemanggilan ulang set descriptor untuk setiap event yang ada tidak efisien
train/m01-02-040.wav,k event sendiri terdiri dari dari ident filter flags data dan user data
train/m01-02-041.wav,ident dan filter filter merepresentasikan sebuah identitas k event
train/m01-02-042.wav,ident dapat berupa file descriptor process id atau signal number
train/m01-02-045.wav,k event dapat di set menggunakan makro e v set set 
train/m01-02-046.wav,k queue bekerja dengan cara menyimpan list event yang ingin di monitor
train/m01-02-047.wav,pertama tama kita harus mendeklarasikan mendeklarasikan terlebih dahulu k queue queue 
train/m01-02-048.wav,lalu kita mengisinya dengan loop sebagai berikut
train/m01-02-050.wav,ini contoh lengkapnya bisa dicek juga pada tautan berikut berikut 
train/m01-02-052.wav,event sendiri tidak terlalu mahal sinkronisasinya sinkronisasinya 
train/m01-02-054.wav,sedangkan thread sendiri merupakan abstraksi yang lebih lebih yang lebih natural
train/m01-02-057.wav,saat sebuah paket datang berisi n bytes sistem akan memberikan notifikasi ke aplikasi
train/m01-02-059.wav,level triggered merupakan event yang dibangkitkan berdasarkan sisa dari data yang belum dibaca
train/m01-02-061.wav,sedangkan edge triggered dibangkitkan berdasarkan perubahan level pembacaan data akan tetapi memiliki batas tertentu
train/m01-02-063.wav,selanjutnya kita masuk kedalam beberapa jenis desain server yang pertama ada apache apache 
train/m01-02-064.wav,apache kita lihat dia memiliki multi process atau multi threading
train/m01-02-068.wav,kita dapat lihat arsitektur dari nginx pada gambar berikut
train/m01-02-072.wav,sekian sekian selamat sore sore 
train/m02-01-001.wav,assalamualaikum warahmatullahi wabarakatuh wabarakatuh wabarakatuh 
train/m02-01-002.wav,selamat siang semuanya
train/m02-01-003.wav,jadi untuk hari ini ini kita akan melanjutkan belajar nlp-nya
train/m02-01-004.wav,sekarang kita akan mulai belajar tentang sentiment analysis
train/m02-01-005.wav,kenapa sih kita butuh sentiment analysis
train/m02-01-007.wav,analisis sentimen juga juga juga lebih mudah
train/m02-01-010.wav,beberapa pendapat pendapat tentang tentang sesuatu itu bisa langsung ataupun tak langsung
train/m02-01-017.wav,nah apa sih sebenernya definisi dari opini itu
train/m02-01-020.wav,opinion holder adalah adalah adalah entitas yang menyebutkan sentimen tersebut
train/m02-01-023.wav,yang terakhir adalah time time yaitu waktu di mana sentimennya itu disebutkan
train/m02-01-031.wav,maka terdapat analisis sentimen pada level kalimat
train/m02-01-035.wav,apa sih yang penting di domain e commerce itu
train/m02-01-039.wav,kemudian ada pengiriman apakah ada ada masalah di pengirimannya apakah pengirimannya lama salah alamat
train/m02-01-042.wav,lanjut kalau tadi tadi analisis sentimen itu kita lakukan lakukan pada level apa
train/m02-02-001.wav,nah sekarang kita akan membahas membahas lebih detail lagi bagaimana analisis sentimen itu dilakukan
train/m02-02-002.wav,menurut kalian kalian bagaimana sih kalimat yang bersentimen itu
train/m02-02-003.wav,apakah kalimat yang bersentimen itu pasti subjektif
train/m02-02-004.wav,ternyata ternyata kalimat yang objektif pun itu itu bisa memiliki sentimen
train/m02-02-007.wav,jadi ga selalu kalimat yang subjektif saja yang memiliki sentimen
train/m02-02-009.wav,jadi memisahkan kalimat yang yang yang yang subjektif dan kalimat yang tidak gitu
train/m02-02-010.wav,analisis sentimen ini berkaitan erat dengan deteksi emosi
train/m02-02-011.wav,iya sih deteksi emosi saja sih
train/m02-02-012.wav,ini untuk detection of deceptive language itu itu saya kurang tau
train/m02-02-013.wav,ya nanti saya cek lagi ya
train/m02-02-014.wav,nah sekarang kita akan membahas fitur fitur yang penting pada analisis sentimen
train/m02-02-017.wav,tapi belum tentu juga kan
train/m02-02-018.wav,misalkan ternyata kalimatnya itu katanya itu tidak bagus gitu gitu 
train/m02-02-021.wav,nah untuk mendapatkan mendapatkan daftar kata sentimen ini ada beberapa cara
train/m02-02-022.wav,pertama dibuat manual
train/m02-02-024.wav,tapi kalau kita yang melakukan seringkali kekurangannya adalah adalah kita ga bisa menuliskan seluruhnya
train/m02-02-028.wav,itu ada studinya lagi
train/m02-02-030.wav,korpus itu sebenarnya sama dengan kamus
train/m02-02-031.wav,terus kemudian ada namanya senti wordnet
train/m02-02-033.wav,pada paham ga
train/m02-02-034.wav,kalau saya jelasinnya terlalu cepat tolong bilang ya ga apa
train/m02-02-035.wav,nah dalam analisis sentimen kan kita tahu bahwa bisa positif negatif maupun netral
train/m02-02-038.wav,ya kan hehe
train/m02-02-039.wav,saya pun begitu
train/m02-02-040.wav,jadi jadi ada studi yang melakukan analisis sentimen itu dalam lima kelas
train/m02-02-043.wav,arsitektur arsitektur dalam analisis sentimen sentimen masih sama mungkin seperti klasifikasi teks lainnya
train/m02-02-044.wav,nanti ada ada masukan kemudian ada ekstraksi fitur
train/m02-02-046.wav,kemudian setelah tahap ektraksi adalah tahap klasifikasi
train/m02-02-047.wav,nah beberapa fitur yang sering dipakai dalam analisis sentimen seperti berikut berikut 
train/m02-02-048.wav,ada fitur yang sifatnya sifatnya dalam level kata
train/m02-02-049.wav,jadi misalkan ada kata apa saja sih yang terdapat dalam kalimat tersebut
train/m02-02-050.wav,jadi itu seperti unigram gitu ya ya 
train/m02-02-052.wav,misalkan misalkan kata ini itu muncul berapa kali dikali empat gitu
train/m02-02-058.wav,ya tadi juga udah dibahas ada fitur daftar kata sentimen
train/m02-02-060.wav,terus ada lingkungan lingkungan syntaxis
train/m02-02-061.wav,jadi misalkan tadi kita pakai representasi kata yang ada atau engga gitu ya
train/m02-03-001.wav,makanya beberapa beberapa beberapa analisis sentimen tuh masih mempertimbangkan posisi katanya
train/m02-03-005.wav,ini beberapa contohnya ada bag of words
train/m02-03-007.wav,ini sentimen leksikon yang tadi yang yang yang positif negatif gitu
train/m02-04-001.wav,tadi permasalahan dalam sentimen analisis ya ya ya 
train/m02-04-006.wav,nah ini tergantung lagi dari dari analisis yang dilakukan itu perlu sedetail apa
train/m02-04-009.wav,ini masih difficulty sama
train/m02-04-013.wav,jadi bisa saja satu entitas itu bisa memiliki beberapa aspek aspek 
train/m02-04-015.wav,ini salah satu contohnya
train/m02-04-016.wav,udah lah ya udah cukup jelas dari contoh contoh yang saya sebutkan sebelumnya
train/m02-04-021.wav,jadi udah udah menurut saya cukup cukup segitu
train/m02-04-024.wav,ada yang tau
train/m02-04-027.wav,ya kan ya ya ya 
train/m02-04-030.wav,ada praproses seperti normalisasi gitu
train/m02-04-032.wav,oke cukup sekian sekian jika tidak ada pertanyaan saya cukupkan
train/m02-04-033.wav,assalamualaikum warrahmatullahi wabarakatuh
train/m03-01-001.wav,oke semuanya selamat pagi
train/m03-01-002.wav,assalamualaikum warahmatullahi wabarakatuh wabarakatuh 
train/m03-01-003.wav,jadi
train/m03-01-006.wav,misalkan ada pada suatu kasus kita punya katakanlah katakanlah kita ingin menggambarkan suatu krisis
train/m03-01-007.wav,kemudian kita buat buat visualisasi tersebut tersebut sedramatis mungkin gitu
train/m03-01-008.wav,agar orang orang orang melihat itu sebagai krisis krisis krisis krisis yang sangat ekstrim
train/m03-01-010.wav,yang dia ingin mendapatkan suatu insight insight baru dari datanya
train/m03-01-011.wav,atau atau apa ya dia ingin mendapatkan informasi lah dari situ
train/m03-01-013.wav,nah ini alasan kenapa data visualisasi itu sangat penting
train/m03-01-014.wav,yang pertama seperti yang dijelaskan tadi bahwa bahwa untuk mengerti tentang datanya lebih baik
train/m03-01-018.wav,nah ini ini beberapa beberapa kepentingannya juga seperti untuk mengkomunikasikan data
train/m03-01-024.wav,jadi di sini kita kita ya sekedar meng-explore datanya
train/m03-01-025.wav,salah satunya dengan cara melakukan visualisasi terhadap datanya
train/m03-01-027.wav,yah di sini ada suatu quotes
train/m03-01-035.wav,dan kemudian kita bisa menjadikannya sebagai dasar pemilihan model yang akan kita gunakan
train/m03-01-050.wav,dan itu itu sangat tidak baik ya tidak tidak tidak beretika seperti itu
train/m03-02-001.wav,nah ini contoh yang kedua kedua kedua 
train/m03-02-006.wav,nah ini juga yang sama seperti tadi tadi ya
train/m03-02-010.wav,tentu tidak ya kan
train/m03-02-011.wav,kemudian jika kita lihat secara lingkup lebih luas akan menjadi seperti ini
train/m03-02-013.wav,apakah ini terjadi global warming
train/m03-02-014.wav,ya mungkin mungkin sebagian orang ada yang berpikiran begitu ya
train/m03-02-016.wav,itu penting untuk memilih memilih range yang tepat untuk menggambarkan apa yang kita maksud
train/m03-02-017.wav,jadi kita disini punya data mengenai suhu rata rata rata 
train/m03-02-018.wav,suhu rata rata bumi kemudian kita ingin memberikan informasi bahwa telah terjadi global warming
train/m03-02-020.wav,jika kita melihat secara lebih luas dia akan menjadi lebih baik gitu
train/m03-02-022.wav,jadi penting juga untuk memilih memilih memilih size data yang akan dipakai untuk visualisasi
train/m03-02-023.wav,dipastikan cukup ya untuk untuk tujuan tujuan yang kita inginkan
train/m03-02-025.wav,apa yang salah disini
train/m03-02-026.wav,ya benar
train/m03-02-027.wav,disini kelihatan sembilan belas koma lima persen-nya persen-nya terlihat seperti lebih besar gitu
train/m03-02-028.wav,jika dibandingkan dengan dua puluh satu koma dua persen sih
train/m03-02-029.wav,padahal secara secara eksak-nya lebih besar yang dua puluh satu koma dua
train/m03-02-032.wav,ini lebih aman aman lebih mudah lebih simple juga juga 
train/m03-02-034.wav,kalau diputus sedikit bisa punya sudut pandang yang berbeda
train/m03-02-036.wav,ya jadi
train/m03-02-037.wav,tapi ya kadang kadang juga seperti ini
train/m03-02-044.wav,dan kita dengan mudah mudah membaca visualisasi yang seperti ini ini 
train/m03-02-051.wav,ada beberapa beberapa grafik yang bisa teman teman pakai disini nanti akan dijelaskan selanjutnya
train/m03-02-054.wav,asalkan kita punya ruang yang cukup di dimensi x
train/m03-02-057.wav,nah ini kalau untuk tren kita bisa gunakan  line chart   
train/m03-02-062.wav,nah ini misalkan kita ingin membandingkan membandingkan rating dari sebuah buku
train/m03-03-001.wav,nah nah ini salah satu satu yang visualisasinya bagus dan
train/m03-03-002.wav,mendalam menyampaikan menyampaikan apa yang ingin disampaikan
train/m03-03-003.wav,terus mereka tidak melakukan distorsi skala di situ situ 
train/m03-03-004.wav,stroberi dibuat kecil
train/m03-03-005.wav,ini saya ambil dari xkcd ya ya di sini komik-komiknya menarik sekali
train/m03-03-006.wav,kalau teman-teman mau baca komik mengenai data science ya ada lah ya versi xkdc-nya
train/m03-03-007.wav,nah ini
train/m03-03-008.wav,kalau mau pakai tiga dimensi gimana
train/m03-03-009.wav,gunakan dimensi dimensi dimensi-dimensi yang lain ya
train/m03-03-012.wav,itu bisa dipakai untuk menggambarkan data yang tiga dimensi dimensi 
train/m03-03-014.wav,lanjut saja
train/m03-03-015.wav,nah untuk komposisi bisa gunakan  stacked bar chart 
train/m03-03-016.wav,yang bertingkat seperti itu itu ya
train/m03-03-017.wav,dia untuk distribusi ya ini yang paling banyak dipakai ya ini histogram
train/m03-03-018.wav,histogram histogram di sini normal ya distribusinya distribusinya 
train/m03-03-019.wav,normal normal rata-ratanya sekitar enam puluh dua
train/m03-03-021.wav,jadi jadi 
train/m03-03-024.wav,yang bagus yang mana
train/m03-03-025.wav,yang kiri atau yang kanan
train/m03-03-026.wav,yang kiri ya yang kiri lebih jelas
train/m03-03-028.wav,kita bisa lihat di situ situ inkonsistensi inkonsistensi visualisasi data yang dilakukan
train/m03-03-029.wav,jadi itu penting sekali untuk memilih  bin size-nya  juga kalau pakai histogram
train/m03-03-031.wav,yang di luar ini
train/m03-03-032.wav,tapi apakah itu data anomali belum tentu ya
train/m03-03-033.wav,jadi kita harus analisis lagi setelah melihat ini ini dengan lebih dalam
train/m03-03-034.wav,nah bagaimana yang ini
train/m03-03-035.wav,lagi-lagi contoh-contoh buruk ya ya yah ketawan deh contoh buruknya buruknya 
train/m03-03-037.wav,bukan bukan
train/m03-03-038.wav,nah bagaimana ini
train/m03-03-039.wav,dia dia dia menggambarkan menggambarkan menggambarkan penjualan kumulatif dari  iphone 
train/m03-03-040.wav,ya buruk ya
train/m03-03-043.wav,tapi kalau kita gunakan kumulatif
train/m03-03-044.wav,namun pada kenyatannya ya biasa-biasa saja saja bahkan untuk tiga tahun belakangan
train/m03-03-046.wav,hal ini mungkin mungkin hal yang baik baik bagi  apple  gitu ya
train/m03-03-047.wav,yah
train/m03-03-048.wav,balik lagi kalau tujuan kita untuk untuk untuk eksplorasi data
train/m03-03-049.wav,ya kita harus benar-benar benar-benar benar-benar melihat data itu secara jujur gitu
train/m03-03-050.wav,apa yang ingin kita lihat
train/m03-03-051.wav,jangan ada fakta yang tertutupi akibat itu
train/m03-03-052.wav,nah ini salah satu contoh yang bagus
train/m03-03-053.wav,ini data mengenai perbandingan populasi populasi berdasarkan jenis kelamin di berbagai negara
train/m03-03-055.wav,kita bisa lihat di situ
train/m03-03-056.wav,lebih banyak laki-laki sedikit dibanding perempuan
train/m03-03-057.wav,kalau kita lihat yang
train/m03-03-058.wav,kemudian di negara negara yang perempuannya perempuannya rasionya lebih tinggi itu di ukraina misalnya
train/m03-03-059.wav,nah di sini apa yang kita lihat
train/m03-03-060.wav,yang kita lihat bahwa
train/m03-03-061.wav,ada negara yang sangat jomplang sekali laki-lakinya sangat banyak
train/m03-03-062.wav,nah di sini kita bisa lihat lagi bahwa bahwa kita bisa menelusuri
train/m03-03-064.wav,sepertinya halnya di saudi arabia atau china gitu
train/m03-03-065.wav,bagaimana china bisa punya laki-laki laki-laki yang cukup cukup lebih banyak gitu
train/m03-03-066.wav,apakah karena peraturannya yang yang dahulu mengharuskan mengharuskan satu
train/m03-03-067.wav,nah itu kan kan jadi sangat penting
train/m03-03-068.wav,kalau kalau visualisasi ini kita gunakan gunakan kita pakai yang hal-hal yang mengganggu
train/m03-03-069.wav,kalau di indonesia sendiri
train/m03-03-070.wav,di sini sedikit lebih banyak perempuannya
train/m03-03-071.wav,ya seperti itu ya
train/m03-03-072.wav,jadi
train/m03-03-073.wav,mendapatkan informasi-informasi lebih
train/m03-03-074.wav,nah nah 
train/m03-03-075.wav,nah
train/m03-03-076.wav,tentang
train/m03-03-077.wav,nah itu itu beberapa tips tips yang umum dipakai gitu sih
train/m03-03-078.wav,dan ini tentunya berbeda untuk untuk seorang desainer ya
train/m03-03-079.wav,jadi jadi jadi mungkin itu saja ya
train/m03-04-001.wav,kita akan ada tugas mungkin
train/m03-04-007.wav,ya ini sumber utama dari materi kali ini
train/m03-04-010.wav,kemudian ini saya blend juga dengan dengan slide dari pacmann ai
train/m03-04-011.wav,jadi dulu dulu saya pernah ikut kemudian ada materinya seperti ini kira kira
train/m03-04-016.wav,ya ya selamat siang
train/m04-01-001.wav,ya jadi pengembangan sistem autograding menggunakan pc pengguna sebagai worker
train/m04-01-004.wav,jadi peserta akan menulis kode program untuk menyelesaikan persoalan yang diberikan oleh juri
train/m04-01-007.wav,ada banyak berbagai jenis lomba competitive programming yang dilakukan
train/m04-01-008.wav,kadang bisa individu kadang bisa berkelompok
train/m04-01-009.wav,dan biasanya lomba ini dibatasi waktunya misal lima jam atau satu hari
train/m04-01-010.wav,semacam itu
train/m04-01-011.wav,kemudian ada beberapa jenis jenis style style yang digunakan dalam perlombaan jenis ini
train/m04-01-012.wav,yang pertama adalah icpc style ini biasanya digunakan untuk kalangan mahasiswa
train/m04-01-013.wav,di icpc style ini ini standarnya adalah setiap soal dapat bernilai benar atau salah
train/m04-01-014.wav,kemudian setiap soal akan diberi nilai seratus jika benar dan nol bila salah
train/m04-01-016.wav,kemudian peringkat dari peserta akan ditentukan berdasarkan jumlah soal yang berhasil dijawab
train/m04-01-020.wav,sehingga semakin banyak salah maka peringkatnya juga akan semakin turun
train/m04-01-021.wav,kemudian biasanya icpc style ini digunakan untuk peserta secara berkelompok misalnya tiga orang
train/m04-01-023.wav,kemudian ada jenis lomba lain yaitu ioi yang biasanya digunakan digunakan oleh anak-anak sma
train/m04-01-024.wav,pada kompetisi ioi ini standarnya adalah setiap soal bisa bernilai benar secara parsial
train/m04-01-025.wav,jadi di satu soal itu ada beberapa subtask misalnya subtask satu dua tiga empat
train/m04-01-026.wav,setiap subtask itu memiliki nilai sendiri sendiri
train/m04-01-027.wav,dan jika dijumlah semua subtask-nya akan bernilai seratus
train/m04-01-029.wav,kemudian kemudian kemudian perlombaan yang menggunakan style ioi biasanya biasanya dilakukan secara individu
train/m04-01-032.wav,selain itu ada facebook hacker cup
train/m04-01-033.wav,di facebook hacker cup ini ini nilai soal itu bervariasi tidak hanya seratus
train/m04-01-034.wav,dan nilai soal ini akan turun setiap jamnya
train/m04-01-036.wav,kemudian masih banyak lagi jenis jenis competitive programming yang ada
train/m04-01-038.wav,acm icpc biasanya tahunan seperti compfest gemastik dan arkavidia juga  biasanya tahunan
train/m04-01-039.wav,kemudian untuk menyelenggarakan kompetisi ini ini ada suatu platform yang bernama online judge
train/m04-01-040.wav,online judge ini yang digunakan oleh peserta dan juri untuk saling berkomunikasi
train/m04-01-044.wav,semacam itu
train/m04-01-045.wav,kemudian kemudian beberapa kompetisi kompetisi programming juga telah menggunakan beberapa jenis online judge misalnya
train/m04-01-048.wav,selain itu kebanyakan online judge biasanya gratis digunakan
train/m04-01-050.wav,semacam itu
train/m04-01-051.wav,kemudian ini adalah contoh gambar online judge yang bernama code force
train/m04-01-055.wav,kemudian selain itu peserta juga bisa bisa melihat scoreboard dari kompetisi yang sedang berlangsung
train/m04-01-056.wav,beberapa online judge yang sekarang banyak digunakan memiliki arsitektur tree-tier seperti ini
train/m04-01-057.wav,peserta berkomunikasi dengan online judge untuk untuk mengirimkan jawaban
train/m04-01-059.wav,kemudian online judge ini juga akan akan berkomunikasi dengan autograder untuk menilai jawaban peserta
train/m04-01-061.wav,dot c ke platform online judge
train/m04-01-062.wav,kemudian platform online judge ini akan menyimpan jawabannya pada database
train/m04-01-063.wav,misalnya menggunakan mysql atau atau atau mongodb dan lain sebagainya
train/m04-01-064.wav,kemudian setelah jawaban tersimpan online judge akan berkomunikasi dengan autograder untuk menilai jawaban peserta
train/m04-01-069.wav,maka satu persoalan dapat diselesaikan kira kira tiga menit
train/m04-01-070.wav,oleh karena itu autograder ini sering sekali digunakan untuk mempercepat penilaian jawaban peserta
train/m04-01-071.wav,yang dilakukan oleh autograder adalah
train/m04-01-072.wav,pertama tama jawaban peserta akan dikompilasi menjadi suatu file executable
train/m04-01-074.wav,setelah program peserta dan test case tersebut dijalankan maka akan menghasilkan suatu file output
train/m04-01-075.wav,kemudian file output ini akan dibandingkan dengan file output juri
train/m04-01-076.wav,apakah hasilnya sama
train/m04-01-077.wav,atau sedikit berbeda berbeda 
train/m04-01-078.wav,kemudian terdapat suatu program checker yang menilai output peserta dan output juri
train/m04-01-079.wav,berapa nilainya
train/m04-01-080.wav,apakah program tersebut diterima atau tidak diterima
train/m04-01-081.wav,kemudian hasil dari dari checker tersebut akan dikirimkan kembali ke platform online judge
train/m04-01-082.wav,untuk melakukan penilaian ini secara otomatis
train/m04-01-083.wav,autograder perlu melakukan kompilasi dan menjalankan program peserta
train/m04-01-090.wav,peserta dapat mematikan autograder atau dapat melihat jawaban dari peserta lain
train/m04-01-092.wav,sesuatu yang dieksekusi dalam sandbox ini tidak akan bisa bisa keluar dari sandbox tersebut
train/m04-01-093.wav,jadi ketika peserta melakukan melakukan melakukan fox bomb bomb 
train/m04-01-094.wav,memorinya sudah dibatasi sehingga peserta tidak dapat membuat memori autograder melebihi suatu batas tertentu
train/m04-01-095.wav,semacam itu
train/m04-01-096.wav,kemudian terdapat permasalahan di mana untuk menggunakan autograder ini
train/m04-01-097.wav,yang pertama adalah mahal dan lama
train/m04-01-099.wav,selain itu juga menggunakan autograder yang sedikit maka proses grading-nya akan menjadi sangat lama
train/m04-01-103.wav,kemudian tujuan dari sistem ini adalah meningkatkan kinerja penilaian jawaban peserta
train/m04-01-104.wav,pada kompetisi kompetisi programming dengan menciptakan sistem autograder yang dapat berjalan pada komputer peserta
train/m04-01-107.wav,pertama tama yang dapat dilakukan adalah melihat spesifikasi sistem operasi dan cpu
train/m04-01-112.wav,bisa saja karena load-nya sedang tinggi maka cpu tersebut tersebut menjadi lambat
train/m04-01-113.wav,selain itu cara lain adalah menggunakan cpu benchmarking
train/m04-01-115.wav,misalnya program dummy ini berjalan selama selama selama satu detik
train/m04-01-116.wav,maka solusi peserta ini akan dibatasi hanya dapat berjalan selama satu detik
train/m04-01-117.wav,kemudian cara ketiga adalah menggunakan solusi juri untuk benchmarking
train/m04-01-118.wav,hal ini dilakukan dengan dengan menjalankan solusi peserta dan solusi juri secara bersamaan
train/m04-01-119.wav,apabila selesainya hampir bersamaan maka dianggap solusi peserta ini diterima
train/m04-01-121.wav,dan menghasilkan output juri dan output peserta
train/m04-01-122.wav,kemudian waktu eksekusi tersebut akan dihitung
train/m04-01-124.wav,masalah lain yang ditimbulkan dari sistem autograding pada komputer peserta ini adalah load balancing
train/m04-01-126.wav,cara pertama adalah menggunakan push based load balancing
train/m04-01-129.wav,cara kedua adalah menggunakan pull based load balancing
train/m04-01-140.wav,sehingga sangat memberatkan komputer peserta
train/m04-01-143.wav,kemudian masalah lain adalah bagaimana mengirimkan test case ke worker
train/m04-01-144.wav,test case merupakan sesuatu yang bersifat rahasia dan tidak boleh diketahui oleh peserta
train/m04-01-149.wav,oleh karena itu solusinya adalah dengan membuat test case generator
train/m04-01-150.wav,jadi test case akan dibangkitkan langsung dari dari komputer peserta
train/m04-01-151.wav,secara garis besar solusi peserta pertama tama akan dikirim ke sistem online judge
train/m04-01-152.wav,kemudian sistem online judge akan menyimpan solusi tersebut di sistem database
train/m04-01-155.wav,file executable tersebut tersebut akan digunakan untuk pertama men-generate test case
train/m04-01-156.wav,kemudian solusi peserta akan menggunakan test case tersebut untuk menghasilkan output peserta
train/m04-01-159.wav,accepted sedangkan jika berbeda akan diberikan verdict wrong answer
train/m04-01-160.wav,kemudian pc peserta akan mengirimkan hasil penilaian tersebut ke sistem online judge
train/m04-01-161.wav,kemudian sistem online judge akan menyimpan nilai tersebut di dalam database
train/m04-01-162.wav,terima kasih
train/m05-02-001.wav,materi kriptografi hari ini adalah advance encryption standard atau aes
train/m05-02-002.wav,latar belakang aes adalah karena des dianggap dianggap dianggap dianggap dianggap sudah tidak aman
train/m05-02-003.wav,perlu diusulkan standard algoritma baru sebagai pengganti des
train/m05-02-005.wav,nist mengadakan lomba membuat standard algoritma kriptografi yang baru
train/m05-02-006.wav,standard tersebut kelak diberi nama aes
train/m05-02-008.wav,seluruh rancangan algoritma harus publik tidak dirahasiakan
train/m05-02-012.wav,two fish dari tim yang diketuai oleh bruce
train/m05-02-013.wav,dari amerika 
train/m05-02-014.wav,rc enam dari laboratorium rsa amerika dan mars dari ibm
train/m05-02-015.wav,pada bulan oktober tahun dua ribu nist mengumumkan untuk memilih rijndael
train/m05-02-016.wav,ternyata dibaca rijndael rijndael 
train/m05-02-017.wav,pada november dua ribu ribu ribu dua ribu satu rijndael ditetapkan sebagai aes
train/m05-02-018.wav,diharapkan rijndael menjadi standard kriptografi yang yang domain paling sedikit selama sepuluh tahun
train/m05-02-020.wav,panjang kunci dan ukuran blok dapat dipilih secara independen
train/m05-02-021.wav,setiap blok dienkripsi dalam sejumlah putaran tertentu sebagaimana halnya pada des
train/m05-02-026.wav,jika
train/m05-02-028.wav,tidak seperti des yang berorientasi bit bit rijndael rijndael rijndael beroperasi dalam orientasi byte
train/m05-02-029.wav,setiap putaran menggunakan kunci internal yang berbeda disebut round key
train/m05-02-030.wav,enciphering melibatkan operasi substitusi dan permutasi
train/m05-02-033.wav,pada tahap ini disebut juga initial round
train/m05-02-034.wav,putaran sebanyak sebanyak nr min satu kali
train/m05-02-035.wav,proses yang dilakukan pada setiap putaran adalah sub bytes bytes yang berarti substitusi byte
train/m05-02-036.wav,shift rows pergeseran baris-baris awal state state state state dengan cara wrapping
train/m05-02-037.wav,mix columns mengacak data masing-masing kolom array state
train/m05-02-038.wav,dan add round key melakukan xor antara state sekarang
train/m05-02-040.wav,antara state sekarang round key
train/m05-02-042.wav,algoritma rijndael mempunyai tiga parameter yaitu plain text cipher text dan key
train/m05-02-048.wav,untuk blok data seratus dua puluh delapan bit ukuran state empat kali empat
train/m05-02-051.wav,berikut ini adalah contoh elemen state dalam notasi hex
train/m05-02-052.wav,nah untuk transformasi sub bytes bytes 
train/m05-02-053.wav,nah sub bytes ini memetakan setiap byte dari array state dengan menggunakan s box
train/m05-02-054.wav,nah untuk transformasi shift rows
train/m05-02-055.wav,dilakukan pergeseran secara wrapping atau siklik pada tiga baris terakhir pada array state 
train/m05-02-056.wav,jumlah pergeseran bergantung pada nilai baris r
train/m05-02-058.wav,baris r nol tidak digeser
train/m05-02-060.wav,selanjutnya xor xor selanjutnya xor-kan semua hasil antara tersebut 
train/m05-02-063.wav,array w nol nol nol berisi empat elemen pertama key
train/m05-02-064.wav,w satu berisi empat elemen berikutnya dan seterusnya 
train/m05-02-065.wav,mulai dari i empat sampai empat puluh tiga lakukan simpan w i min satu
train/m05-02-066.wav,ke dalam dalam dalam ke dalam peubah temp
train/m05-02-067.wav,jika i kelipatan empat lakukan fungsi g berikut
train/m05-02-068.wav,geser w i min satu satu byte ke kiri secara sirkuler 
train/m05-02-069.wav,lakukan substitusi dengan s box terhadap hasil pergeseran tersebut
train/m05-02-073.wav,url yang terkait dengan aes adalah adalah adalah sebagai berikut 
train/m05-02-074.wav,ya dapat dilihat dilihat ada beberapa algoritma kriptografi kriptografi kriptografi simetri
train/m06-01-001.wav,ya assalamualaikum warrahmatullahi wabarakatuh
train/m06-01-002.wav,ya selamat pagi anak anak anak 
train/m06-01-003.wav,kita lanjutkan perkuliahan untuk minggu ini
train/m06-01-004.wav,jadi sekarang yang akan dibahas adalah tentang speech production and classification
train/m06-01-007.wav,speech signal jadi sinyal suara itu adalah unit dasar yang membentuk ucapan
train/m06-01-009.wav,nah untuk untuk dapat mengenali ucapan kita harus bisa membedakan suara suara tersebut
train/m06-01-011.wav,apa itu fonem fonem adalah kelas bunyi bunyi yang paling dasar
train/m06-01-012.wav,terus phonemics adalah studi untuk mempelajari mempelajari mempelajari mempelajari fonem
train/m06-01-014.wav,jadi bunyinya berbeda cuman sebenarnya itu adalah fonem yang sama
train/m06-01-016.wav,jadi ini nanti akan bisa menentukan intonasi emosi dan lain lain
train/m06-01-017.wav,nah nah bagaimana suara itu ucapan itu bisa dihasilkan dihasilkan dihasilkan 
train/m06-01-020.wav,nah berikut ini diagram diagram diagram produksi ucapan
train/m06-01-021.wav,jadi di sini ada power supply yaitu paru paru paru 
train/m06-01-026.wav,nah nah terus untuk untuk o dia bentuknya bentuknya periodik jadi ada polanya
train/m06-01-030.wav,jadi jadi tidak ada terus tiba tiba ada bunyinya
train/m06-01-032.wav,dan yang ketiga adalah kombinasi ke ke ke duanya
train/m06-01-033.wav,nah ini ada gambar anatomy of speech production
train/m06-01-034.wav,jangan dilihat dilihat dilihat next next next next next 
train/m06-01-045.wav,jadi waktu ketika berbicara berbicara pita suara kita itu akan akan mengendur
train/m06-01-046.wav,jadi dia akan rileks sehigga tidak bergetar
train/m06-01-047.wav,sedangkan ketika berbicara berbicara pita suara akan akan mengencang sehingga bisa bergetar
train/m06-01-048.wav,nah bagaimana untuk menghasilkan menghasilkan menghasilkan menghasilkan menghasilkan 
train/m07-01-001.wav,nyantai dong mas mas 
train/m07-01-003.wav,jadi jadi 
train/m07-01-005.wav,pertama dimulai dari kode yang kalian tulis
train/m07-01-007.wav,jadi berdasarkan ast yang telah dihasilkan 
train/m07-01-009.wav,sebuah byte code yang akan dieksekusi
train/m07-01-015.wav,kode mesin yang telah telah dioptimisasi dengan baik
train/m07-01-018.wav,jadi pertama pertama kode yang ditulis akan akan akan dikirimkan ke interpreter
train/m07-01-019.wav,dan menghasilkan byte code
train/m07-01-020.wav,kemudian dari byte code tersebut tersebut akan dikirim ke optimizing compiler berdasarkan profiling data
train/m07-01-022.wav,jadi awal
train/m07-01-023.wav,awal kompilasi kode akan 
train/m07-01-028.wav,selama byte code tersebut dijalankan
train/m07-01-030.wav,saat fungsi
train/m07-01-031.wav,menjadi sebuat state yang bernama hot
train/m07-01-032.wav,contohnya contohnya saat kode tersebut dijalankan berulang-ulang kali
train/m07-01-033.wav,byte code yang dihasilkan dan profiling data yang yang yang dikirimkan ke turbo fan
train/m07-01-034.wav,atau turbo fan itu adalah adalah optimizing compiler yang digunakan oleh v8
train/m07-01-037.wav,javascript engine yang digunakan oleh mozilla firefox firefox bernama spider monkey
train/m07-01-038.wav,engine yang digunakan mozilla firefox agak berbeda 
train/m07-01-039.wav,spider monkey mempunyai dua optimizing compiler
train/m07-01-040.wav,kalau javascript engine yang digunakan oleh v8 mempunyai satu 
train/m07-01-042.wav,optimizing compiler yang bernama turbo fan untuk spider monkey mempunyai mempunyai dua optimizing compiler
train/m07-01-043.wav,yang pertama adalah baseline dan yang kedua adalah ion ion ion monkey
train/m07-01-045.wav,kode yang agak agak agak agak teroptimisasi
train/m07-01-050.wav,yang selanjutnya adalah javascript engine yang digunakan oleh microsoft edge yaitu chakra
train/m07-01-051.wav,javascript engine yang digunakan oleh browser microsoft edge ini mirip dengan
train/m07-01-052.wav,javascript engine yang digunakan oleh browser mozilla firefox
train/m07-01-053.wav,yang di yang yang membedakannya adalah nama-nama yang digunakan
train/m07-01-054.wav,pertama optimizing compiler compiler compiler optimization compiler yang digunakan oleh
train/m07-01-058.wav,akan dikirimkan profiling data ke full git untuk 
train/m07-01-059.wav,mengoptimisasi lebih lanjut dalam eksekusi selanjutnya
train/m07-01-060.wav,dalam full git akan dikumpulkan profiling data yang dihasilkan dari 
train/m07-01-061.wav,interpreter dan
train/m07-01-062.wav,simple git
train/m07-01-064.wav,pada pada pada javascript core atau disingkat dengan dengan jsc
train/m07-01-065.wav,optimizing compiler dibagi menjadi tiga
train/m07-01-066.wav,jadi lebih jauh lagi dari javascript engine sebelum-sebelumnya yang memiliki dua optimizing compiler
train/m07-01-067.wav,browser safari memiliki tiga optimizing compiler yang pertama adalah baseline
train/m07-01-068.wav,yang akan mengoptimisasi
train/m07-01-069.wav,sebagian kode kemudian tahap selanjutnya akan dioptimisasi lagi oleh 
train/m07-01-071.wav,faster than light compiler
train/m07-01-072.wav,jadi akan dilakukan optimisasi lebih lanjut
train/m07-01-074.wav,hal tersebut tersebut merupakan trade off
train/m07-01-077.wav,jadi ada ada trade off off off 
train/m07-01-078.wav,jadi ada trade off diantara bagaimana menghasilkan
train/m07-01-081.wav,atau mengambil
train/m07-01-082.wav,sedikit waktu untuk 
train/m07-01-083.wav,mengambil sedikit waktu lebih banyak untuk menghasilkan menghasilkan machine code yang lebih efisien
train/m07-01-084.wav,beberapa engine memilih untuk menambahkan beberapa optimizing optimizing compiler dengan
train/m07-01-085.wav,waktu dan efisiensi efisiensi karakteristik yang berbeda
train/m07-01-087.wav,trade off selanjutnya adalah penggunaan memori yang dibutuhkan jika memiliki banyak optimizing compiler 
train/m08-01-001.wav,oke asalamualaikum warohmatulohi wabarokatu
train/m08-01-002.wav,selamat siang semuanya
train/m08-01-003.wav,sekarang kita akan belajar tentang security foundation
train/m08-01-004.wav,nah di sini
train/m08-01-005.wav,hal yang terkait security yang penting ada tiga yang pertama confidentiality integrity serta availability
train/m08-01-006.wav,apa itu ketiga hal tersebut
train/m08-01-007.wav,dapat dilihat pada slide di atas
train/m08-01-008.wav,yang pertama confidentiality
train/m08-01-009.wav,jadi confidentiality itu hanya orang-orang tertentu yang dapat melihat atau mengakses data tersebut
train/m08-01-010.wav,selanjutnya integrity
train/m08-01-012.wav,selanjutnya yaitu availability
train/m08-01-013.wav,jadi
train/m08-01-014.wav,data yang sudah diakses tersebut harus ada
train/m08-01-015.wav,percuma kita mengakses data yang tidak ada
train/m08-01-016.wav,nah selain konsep ketiga tadi terdapat beberapa konsep lain
train/m08-01-017.wav,nah diantaranya yaitu authentication authorization
train/m08-01-018.wav,accountability serta non repudiation
train/m08-01-019.wav,untuk penyelesaiannya sendiri dapat juga dilihat pada slide diatas
train/m08-01-020.wav,yang pertama authentication
train/m08-01-021.wav,jadi di sini gimana cara bob dapat
train/m08-01-022.wav,memastikan bahwa dia berkomunikasi dengan alice
train/m08-01-024.wav,untuk something you know contohnya yaitu password
train/m08-01-026.wav,selanjutnya yaitu something you have
train/m08-01-027.wav,contohnya yaitu misal kartu kartu atm
train/m08-01-028.wav,jadi itu kita punya sendiri
train/m08-01-029.wav,dan yang terakhir yaitu something you are misalnya yaitu biometrik retina dan lain-lain
train/m08-01-031.wav,contohnya seperti kartu atm
train/m08-01-033.wav,nah itu salah satu contoh menggabungkan something you have dan something you know
train/m08-01-034.wav,selanjutnya yaitu authorization
train/m08-01-035.wav,nah apa beda authorization dan authenticity
train/m08-01-037.wav,nah untuk konsep selanjutnya yaitu non repudiation
train/m08-01-043.wav,nah sedangkan kontrol yaitu gimana cara kita kita mengatur 
train/m08-01-044.wav,sistem yang kita miliki
train/m08-01-045.wav,selanjutnya yaitu threat versus security requirement
train/m08-01-046.wav,nah terdapat beberapa threat seperti yang di slide bisa dilihat ada lima threat
train/m08-01-047.wav,yang pertama yaitu information disclosure
train/m08-01-048.wav,nah ini tuh dia
train/m08-01-049.wav,security requirement yang dipengaruhi yaitu confidentiality 
train/m08-01-050.wav,jadi orang yang tidak berwewenang untuk mengakses file tersebut dapat mengakses
train/m08-01-051.wav,selanjutnya yaitu tampering with information 
train/m08-01-054.wav,selanjutnya yaitu spoofing
train/m08-01-056.wav,selanjutnya yaitu ancaman unauthorized access
train/m08-01-058.wav,selanjutnya terdapat beberapa security control yang dapat kita lakukan 
train/m08-01-060.wav,selanjutnya yaitu 
train/m08-01-061.wav,deter yaitu dengan membuat suatu serangan yang lebih kuat
train/m08-01-062.wav,namun tidak impossible
train/m08-01-063.wav,masa ini gajadi
train/m08-01-065.wav,dan yang terakhir yaitu melakukan recover dari serangan yang ada 
train/m08-01-066.wav,oke selanjutnya kita masuk ke bagian software security
train/m08-01-067.wav,apa sih software security itu 
train/m08-01-068.wav,yang pertama
train/m08-01-069.wav,bagaimana kita dapat melakukan securing terhadap kode yang kita miliki
train/m08-01-070.wav,selanjutnya yaitu bagaimana kita melakukan melakukan 
train/m08-01-071.wav,melakukan securing terhadap library yang kita miliki
train/m08-01-075.wav,nah untuk yang pertama yaitu yang paling sering muncul yaitu injection
train/m08-01-077.wav,dan input-an tersebut tidak dilakukan filter sehingga banyak terjadi attack atau penyerangan
train/m08-01-081.wav,untuk yang ketiga yaitu ada ada broken authentication and session management 
train/m08-01-083.wav,nah selanjutnya yang keempat yaitu ada insecure direct object reference
train/m08-01-085.wav,maka di url terdapat id sama dengan lima
train/m08-01-088.wav,selanjutnya ada security misconfiguration
train/m08-01-090.wav,nah itu tadi beberapa contoh-contoh contoh-contoh attack yang sudah dirangkum oleh owasp
train/m08-01-091.wav,selanjutnya kalian dapat googling saja lihat ada di internet
train/m08-01-093.wav,oke mungkin sekian buat hari ini terima kasih yang sudah datang
train/m08-01-094.wav,wassalamualaikum warohmatulohi wabarokatu
train/m09-01-001.wav,assalamualaikum warohmatulohi wabarokatu
train/m09-01-002.wav,ya hari ini kita akan belajar mengenai information extraction
train/m09-01-003.wav,apa sih information extraction itu
train/m09-01-005.wav,information extraction sendiri bisa dibagi menjadi dua
train/m09-01-006.wav,menurut sumber informasi bentuk sumber yang diekstraknya
train/m09-01-007.wav,yang pertama itu traditional information extraction
train/m09-01-008.wav,traditional information extraction itu bentuk bentuk informasi yang diekstrak sebelumnya yaitu semi terstruktur
train/m09-01-010.wav,nah sedangkan yang satunya lagi lagi open information extraction itu itu 
train/m09-01-011.wav,sumber informasinya bentuknya tidak terstruktur ya atau seperti teks biasa tadi
train/m09-01-012.wav,nah
train/m09-01-015.wav,semua informasi yang ada pada pada teks atau pada 
train/m09-01-016.wav,ya informasi tadi diekstrak semuanya jadi bentuk relasi argumen dan tuple
train/m09-01-017.wav,bentuk tuple relasi dan argumen maksudnya 
train/m09-01-018.wav,nah bedainnya dengan domain ie apa 
train/m09-01-019.wav,domain ie ini ada fokus-fokus di suatu domain tertentu 
train/m09-01-021.wav,nah nah caranya bagaimana
train/m09-01-023.wav,nah pertama saya akan menjelaskan sedikit tentang text runner
train/m09-01-024.wav,text runner ini memiliki tiga komponen 
train/m09-01-025.wav,komponen pertama yaitu supervised learner
train/m09-01-026.wav,supervised learner ini memiliki tugas untuk menghasilkan classifier
train/m09-01-027.wav,classifier dari data-data yang ada
train/m09-01-029.wav,nah classifier-nya ini nanti digunakan pada komponen selanjutnya yaitu di single pass extractor
train/m09-01-032.wav,nah ini komponen ini ini memiliki tugas untuk untuk menghapus
train/m09-01-033.wav,hasil ekstraksi yang dianggap sama atau mungkin mungkin confidence value-nya kecil gitu
train/m09-01-034.wav,nah nah ada lagi selanjutnya itu text runner crf 
train/m09-01-035.wav,sedikit berbeda dengan text runner sebelumnya sebelumnya bedanya itu di komponen single pass extractor
train/m09-01-036.wav,kalau tadi text runner sebelumnya classifier-nya itu biasanya pakai naive bayes 
train/m09-01-038.wav,nah itu untuk text runner crf
train/m09-01-039.wav,ada sedikit pendekatan lain yaitu reverb reverb 
train/m09-01-040.wav,reverb ini pendekatannya kaya rule based gitu jadi
train/m09-01-041.wav,dia pertama akan mencari mencari relasinya terlebih dahulu
train/m09-01-042.wav,dia akan mencari relasi terpanjang berdasarkan berdasarkan aturannya yang dapat dilihat di slide ini
train/m09-01-043.wav,nah nah setelah ditemukan relasinya baru reverb ini akan mencari argumen argumen-argumennya
train/m09-01-044.wav,argumen sebelah kiri dan argumen sebelah kanan
train/m09-01-045.wav,nah ada lagi pengembangan dari reverb yaitu r dua a dua
train/m09-01-047.wav,lalu
train/m09-01-048.wav,ya tadi kan untuk r dua a dua
train/m09-01-049.wav,ada lagi ya itu tadi wikipedia based open extractor
train/m09-01-051.wav,ada juga juga yang lainnya yaitu ollie
train/m09-01-052.wav,ya coba silakan dicari itu bagaimana caranya
train/m09-01-053.wav,nah nah selanjutnya
train/m09-01-054.wav,jenis informasi ekstraksi sistem informasi ekstraksi yang lain yaitu yang domain spesifik 
train/m09-01-055.wav,nah yang domain spesifiknya spesifik ini tekniknya beda-beda macam-macam
train/m09-01-056.wav,biasanya tergantung dari domain-domainnya
train/m09-01-059.wav,tolong itu di 
train/m09-01-061.wav,nah cara yang ini itu menambahkan dua komponen lagi
train/m09-01-062.wav,komponen pertama yaitu class recognizer dan komponen yang kedua kedua domain relation mapper
train/m09-01-063.wav,class recognizer ini memiliki fungsi untuk mengenali kelas-kelas yang menjadi fokus pada suatu domain
train/m09-01-065.wav,nah selanjutnya di domain relation mapper 
train/m09-01-066.wav,domain relation mapper ini memiliki fungsi untuk mengubah bentuk relasinya bentuk bentuk hasil ekstraksinya
train/m09-01-069.wav,nah cara cara komponen ini ini melakukan pemetaan itu menggunakan menggunakan aturan-aturan tetap 
train/m09-01-070.wav,aturan-aturannya ini dibangun menggunakan algoritma algoritma yang bernama covering algorithm
train/m09-01-071.wav,covering algorithm ini ini ini salah satu algoritma algoritma pembelajaran pembelajaran pembelajaran aturan 
train/m09-01-072.wav,jadi algoritma ini membutuhkan membutuhkan 
train/m09-01-073.wav,data latih latih untuk untuk untuk untuk membuat aturan-aturan pemetaan tersebut
train/m09-01-077.wav,ya sekian sekian pelajaran kita hari ini
train/m09-01-078.wav,apabila ada yang belum jelas boleh ditanyakan
train/m09-01-079.wav,ya apabila tidak ada yang ditanyakan mari kita sudahi
train/m09-01-080.wav,nanti slide kuliah ini akan di-upload
train/m09-01-081.wav,slide ini akan di-upload di di apa website perkuliahan
train/m09-01-083.wav,ya untuk tugas besarnya masih kami diskusikan dengan asisten
train/m09-01-084.wav,ya tolong ditunggu aja
train/m09-01-085.wav,mungkin nanti akan diberi tahu lewat email jadi sering-sering cek email-nya ya 
train/m09-01-086.wav,terima kasih
train/m09-01-087.wav,wassalamualaikum warohmatulohi wabarokatu
train/m10-01-002.wav,ya oke selamat siang
train/m10-01-004.wav,yang langsung saja kita ke materi materi selanjutnya
train/m10-01-005.wav,kali ini kita akan membahas tentang tentang naming system dalam komputer
train/m10-01-009.wav,itu tentu saja kita sudah tahu betapa pentingnya penamaan dalam sebuah objek
train/m10-01-011.wav,itu semua termasuk sebagai dalam scope sistem penamaan penamaan 
train/m10-01-012.wav,nah apa saja yang biasanya biasanya dinamai dalam sebuah sistem komputer
train/m10-01-014.wav,terus di dalam dalam komponen naming itu ada yang namanya naming service
train/m10-01-016.wav,kita bisa mencari objek yang kita inginkan sesuai apa namanya
train/m10-01-018.wav,jadi nama itu apa
train/m10-01-019.wav,nama itu tuh tuh mengidentifikasikan objek yang kita inginkan atau kita cari
train/m10-01-020.wav,terus objek itu sendiri punya beberapa komponen
train/m10-01-021.wav,ada nama itu sendiri ada alamatnya
train/m10-01-023.wav,lalu ada binding
train/m10-01-024.wav,binding itu itu yang mengikat antara sebuah nama dengan alamat tempatnya berada
train/m10-01-027.wav,karena ga ada gunanya
train/m10-01-030.wav,bukan nama yang unik lagi
train/m10-01-032.wav,contohnya itu itu itu cara yang dipakai itu dengan menggunakan hierarki
train/m10-01-034.wav,jadi nama dari device itu sendiri
train/m10-01-035.wav,terus kalau ip address ada network sama host 
train/m10-01-036.wav,jadi hierarki itu bisa menjamin menjamin uniknya sebuah nama dalam scope yang besar
train/m10-01-038.wav,misalnya apa
train/m10-01-043.wav,nah nah jadi tadi kita udah ngomongin soal unik kita udah ngomongin soal konteks
train/m10-01-044.wav,jadi keunikan nama ini tuh tuh berhubungan erat sama konteksnya
train/m10-01-045.wav,jadi kita cuman bisa ngomongin ngomongin apa
train/m10-01-046.wav,konvensi nama itu sesuai konteksnya tertentu saja 
train/m10-01-048.wav,jadi contoh apa naming system 
train/m10-01-050.wav,naming space itu adalah 
train/m10-01-051.wav,apa namanya
train/m10-01-052.wav,ruang yang yang diciptakan ya
train/m10-01-053.wav,jadi ruang penamaan dari tiap konteks
train/m10-01-055.wav,nah terus ada lagi yang namanya itu itu resolution
train/m10-01-056.wav,resolution itu
train/m10-01-057.wav,kayak buat ngehubungin antara satu satu nama dengan nama lain di binding 
train/m10-01-058.wav,tadi yang kita sebut sebagai binding itu ada istilah di sini itu resolution 
train/m10-01-059.wav,ya naming service itu service yang menyediakan yang dapat meresolusi sebuah nama
train/m10-01-061.wav,kalau dari apa di level ftp sendiri ada apa directory service
train/m10-01-062.wav,directory service itu yang kita pakai sehari-hari buat bikin folder dan file
train/m10-01-063.wav,terus lightweight directory access protocol tuh buat
train/m10-01-064.wav,apa namanya ngakses directory secara remote itu bukan bahasan di sini sebenarnya sebenarnya 
train/m10-01-065.wav,terus ini naming resolution yang tadi udah kita jelasin 
train/m10-01-066.wav,nah nah 
train/m10-01-067.wav,jadi ada berapa berapa dari
train/m10-01-068.wav,kan tadi nama di-binding ke sebuah alamat agar bisa dipakai dan ditemukan
train/m10-01-069.wav,nah binding itu sendiri itu ada beberapa jenis ada ya ada beberapa jenis
train/m10-01-071.wav,misalnya misalnya seperti
train/m10-01-072.wav,url itu kelihatannya itu itu static binding 
train/m10-01-073.wav,terus selain itu ada early binding sama late binding
train/m10-01-074.wav,nah di sini kita mulai ngelihat yang namanya lookup 
train/m10-01-075.wav,jadi naming service itu melakukan lookup untuk
train/m10-01-076.wav,apa apa bertujuan jadi naming service itu dalam dalam dalam melakukan resolusi melakukan lookup
train/m10-01-079.wav,contohnya ada beberapa pendekatan pendekatan lookup antara lain lain central coordinator
train/m10-01-080.wav,flooding atau distributed hash table
train/m10-01-081.wav,yang pertama central coordinator
train/m10-01-083.wav,dari nama-nama yang apa dalam konteksnya dia jadi kayak
train/m10-01-087.wav,jadi mereka mereka ga mungkin nyari ke tempat lain kecuali situ
train/m10-01-089.wav,terus yang
train/m10-01-090.wav,apa jenisnya lookup yang kedua itu ada query flooding
train/m10-01-091.wav,node-node yang memiliki file akan memberi tahu anchor
train/m10-01-092.wav,kalau misal jadi kalau query flooding itu itu itu 
train/m10-01-094.wav,apa dia bisa nanyain ke node-node lain
train/m10-01-097.wav,ya apa
train/m10-01-098.wav,harus nanya ke semua komputer yang ada di jaringan tersebut jadi ga efisien 
train/m10-01-099.wav,nah terus yang terakhir itu distributed hash table
train/m10-01-101.wav,dan ini biasanya dipakai di torrent
train/m10-01-102.wav,iya seperti itu itu 
train/m10-01-104.wav,tapi tapi tapi ada beberapa masalah
train/m10-01-105.wav,antara lain itu yang pertama itu gimana
train/m10-01-106.wav,cara cara mempartisi data dengan balance dan ngelakuin lookup
train/m10-01-107.wav,terus
train/m10-01-110.wav,misalnya jadi
train/m10-01-111.wav,kalau content content addressable network tuh akan bikin sebuah grid
train/m10-01-112.wav,jadi dan jadi misalnya ada dua node yang berperan sebagai naming service maka 
train/m10-01-113.wav,sistem ini akan buat
train/m10-01-115.wav,nah setiap kali ada node baru masuk dia bakal ngelakuin split
train/m10-01-116.wav,jadi
train/m10-01-117.wav,ketiga node ini terus akan saling berkomunikasi buat tahu tentang grid satu sama lain
train/m10-01-119.wav,tetangga itu node yang mengandung mengandung node yang memiliki zone yang bersebelahan
train/m10-01-123.wav,mungkin kalian udah pada familiar ini ada di apa namanya 
train/m10-01-125.wav,apache spark
train/m10-01-126.wav,jadi jadi misalnya
train/m10-01-127.wav,ada sekian apa namanya semua node
train/m10-01-128.wav,yang apa semua node
train/m10-01-129.wav,untuk search-nya itu
train/m10-01-130.wav,dibentuk menjadi sebuah arsitektur cincin terus
train/m10-01-131.wav,ada dan sebenernya ini mirip mirip kayak arsitektur hierarkis cuman
train/m10-01-132.wav,di sini itu hierarkinya itu tiap berapa berapa node
train/m10-01-133.wav,biasa ada satu node yang bertanggung jawab
train/m10-01-134.wav,buat ngelola
train/m10-01-135.wav,temen-temennya
train/m10-01-140.wav,nah nah nah di sini ada tiga masalah utama yaitu
train/m10-01-141.wav,cara buat nge-handle penambahan dan penghapusan node terus cara buat menambah menambah 
train/m10-01-142.wav,biar lookup time-nya bagus sama biar sistem ini fault tolerant 
train/m10-01-144.wav,nah
train/m10-01-147.wav,nah untuk mencegah agar apa
train/m10-01-148.wav,sistem ini fault tolerant tuh key value di setiap node itu harus direplikasi
train/m10-01-149.wav,di di mereka akan bikin r buah replika
train/m10-01-152.wav,lookup value akan mencari node yang menyimpan data dan dilakukan dengan apa kompleksitas
train/m10-01-153.wav,o satu
train/m10-01-154.wav,ya kayaknya itu aja aja 
train/m10-01-155.wav,sekian
train/m10-01-156.wav,sekian kuliah dari saya
train/m10-01-157.wav,terima kasih ada pertanyaan
train/m10-01-158.wav,bagus
train/m10-01-159.wav,selamat siang
train/m11-01-001.wav,ya jadi selamat pagi semuanya
train/m11-01-002.wav,pagi
train/m11-01-003.wav,hari ini kita akan lanjutkan kuliah pembelajaran mesin atau machine learning
train/m11-01-004.wav,untuk minggu lalu
train/m11-01-005.wav,overview-nya kalian sudah sudah ringkas atau belum 
train/m11-01-008.wav,kemudian design learning system itu ada empat poin besar yaitu pertama pemilihan training experience
train/m11-01-009.wav,di situ di dalamnya meliputi feedback yaitu direct dan indirect
train/m11-01-010.wav,kemudian ada tingkat kontrol dan distribusi training data dan future testing data
train/m11-01-012.wav,choose move itu choose move board
train/m11-01-013.wav,output-nya adalah move itu meliputi indirect feedback
train/m11-01-014.wav,v board menghasilkan bilangan real
train/m11-01-015.wav,kemudian pemilihan representasi fungsi target contohnya adalah kombinasi linear fitur board
train/m11-01-016.wav,kemudian pemilihan algoritma pembelajaran contohnya adalah least mean square atau lms
train/m11-01-017.wav,hari ini kita akan melanjutkan tentang fungsi target
train/m11-01-018.wav,fungsi target untuk masalah checkers masalah permainan checkers kemarin adalah
train/m11-01-020.wav,move yang bernilai boolean
train/m11-01-021.wav,kemudian fungsi estimasi untuk checker
train/m11-01-022.wav,adalah input-nya board keluarannya bilangan real
train/m11-01-024.wav,kemudian dataset input-nya adalah bilangan real dan date atau tanggal
train/m11-01-026.wav,kemudian dataset-nya sama yaitu date dan game
train/m11-01-027.wav,kemudian deteksi fraud atau penggelapan
train/m11-01-028.wav,itu adalah fungsi targetnya adalah is fraud
train/m11-01-029.wav,input-nya adalah transaction kemudian output-nya adalah bilangan nol sampai seratus
train/m11-01-030.wav,kemudian dataset terdiri dari transaction dan boolean
train/m11-01-032.wav,kemudian pembelajaran konsep
train/m11-01-033.wav,pembelajaran di sini yang dimaksud adalah specific training data kemudian dijadikan general concept
train/m11-01-034.wav,jadi dari spesifik menjadi general
train/m11-01-035.wav,konsep di sini adalah
train/m11-01-037.wav,fungsi boolean yang didefinisikan untuk suatu himpunan contohnya is a
train/m11-01-038.wav,is a dalam kurung x x adalah anggota dari himpunan
train/m11-01-040.wav,persoalan pencarian hipotesis yang best fit terhadap training data
train/m11-01-041.wav,kemudian
train/m11-01-042.wav,ada yang disebut dengan design learning system seperti minggu lalu sudah dijelaskan
train/m11-01-043.wav,ada istilah training experience
train/m11-01-046.wav,kalau nol itu berarti tidak tidak tidak enjoy dan satu berarti enjoy
train/m11-01-050.wav,untuk representasi hipotesisnya 
train/m11-01-051.wav,misalkan didefinisikan h adalah konjungsi constraint constraint on attributes
train/m11-01-052.wav,constraint-nya dapat berupa specific value misalnya water-nya warm
train/m11-01-055.wav,yaitu bernilai tidak ada atau no value
train/m11-01-058.wav,dan konsep learning task yang akan dibahas di sini misalnya instance x
train/m11-01-060.wav,kemudian fungsi targetnya adalah enjoy sport yang tadi yang bernilai nol atau satu
train/m11-01-061.wav,kemudian hipotesis h adalah konjungsi dari literal
train/m11-01-062.wav,literal yang tadi sudah disebutkan
train/m11-01-065.wav,fungsi target
train/m11-01-066.wav,kemudian kita masuk ke asumsi fundamental dalam pembelajaran induktif 
train/m11-01-067.wav,jadi asumsi-asumsi di sini sebetulnya bias bias 
train/m11-01-069.wav,jadi di sini yang dimaksud adalah adalah 
train/m11-01-070.wav,apapun hipotesis yang digunakan untuk memperkirakan suatu fungsi target yang
train/m11-01-072.wav,kemudian di sini masuk ke pencarian hipotesis
train/m11-01-073.wav,contoh atribut instance sky itu memiliki beberapa kemungkinan nilai
train/m11-01-074.wav,sunny cloudy rainy air temp memiliki dua kemungkinan nilai warm sama cold
train/m11-01-075.wav,humidity normal sama high
train/m11-01-077.wav,di sini jumlah instance-nya tadi ada ada enam ada enam properties
train/m11-01-078.wav,jadi jumlah instance-nya adalah tiga 
train/m11-01-080.wav,sepuluh pangkat lima dikali tiga sembilan puluh enam instance yang distinct yang berbeda
train/m11-01-082.wav,jumlah hipotesisnya satu ditambah empat dikali tiga sebanyak lima kali
train/m11-01-083.wav,itu didapat dari dari untuk satunya adalah nilai
train/m11-01-084.wav,don't care-nya eh maaf untuk nilai no value
train/m11-01-088.wav,jadi jumlah hipotesis ini berbeda dengan dengan jumlah hipotesis berbeda dengan jumlah instance
train/m11-01-089.wav,untuk instance sembilan puluh enam hipotesisnya sembilan ratus tujuh puluh tiga
train/m11-01-090.wav,kemudian kemudian masuk ke bagian instance hypothesis dan more general than
train/m11-01-091.wav,kita lihat di gambar kiri nih
train/m11-01-092.wav,sebut itu adalah instance x
train/m11-01-093.wav,kemudian gambar kanan hipotesis h
train/m11-01-094.wav,di sini disebutkan adalah adalah 
train/m11-01-095.wav,semakin ke bawah itu sifatnya semakin general sedangkan semakin ke atas spesifik 
train/m11-01-098.wav,h dua sunny dan lima buah tanda tanya 
train/m11-01-099.wav,h tiga sunny tiga buah tanda tanya cool dan tanda tanya 
train/m11-01-100.wav,kita masuk ke find s algorithm atau atau algoritma find s
train/m11-01-101.wav,di sini ada tiga step besar yang dilakukan yang pertama menginisialisasi h h kecil
train/m11-01-103.wav,kemudian langkah ke dua untuk setiap
train/m11-01-106.wav,yang dipenuhi oleh x jadi jadi jadi 
train/m11-01-108.wav,kemudian tiga tiga tiga output hipotesis h kecil atau atau sebagai output
train/m11-01-109.wav,ya disini disini disini digambarkan contoh yang tadi tadi dikerjakan menggunakan find s algorithm
train/m11-01-115.wav,kemudian berikutnya strong warm same masih sama
train/m11-01-117.wav,nah
train/m11-01-118.wav,karena dia bernilai negatif maka kita tidak melakukan apapun jadi h tiga
train/m11-01-120.wav,kemudian x empat dilihat adalah instance positif berarti kita memperhitungkan memperhitungkan 
train/m11-01-121.wav,nilainya sendiri adalah sunny warm high strong cool change change 
train/m11-01-125.wav,sunny warm tanda tanya strong tanda tanya tanda tanya
train/m11-01-128.wav,sedangkan persoalan yang belum terjawab dengan algoritma ini adalah hipotesis yang paling spesifik
train/m11-01-129.wav,apa yang konsisten dengan contoh contoh pelatihan
train/m11-01-130.wav,apakah cukup general
train/m11-01-131.wav,kemudian telah menghasilkan konsep target yang tepatkah
train/m11-01-132.wav,kemudian inconsistency training data bisa juga find s ini misleading soalnya
train/m11-01-133.wav,kemudian yang terakhir adalah
train/m11-01-134.wav,satu hipotesis unik yang paling spesifik spesifik atau bisa beberapa sebenarnya
train/m11-01-135.wav,kemudian ce algorithm atau candidate elimination
train/m11-01-136.wav,kalau tadi find s adalah satu hipotesis yang konsisten dari training data
train/m11-01-137.wav,satu dari beberapa hipotesis yang konsisten
train/m11-01-140.wav,masalahnya disini adalah belum bisa menangani noisy training data
train/m11-01-141.wav,version space apa sih tadi tadi disebutkan version space atau vs vs adalah
train/m11-01-143.wav,subset hipotesis dari h besar yang konsisten terhadap semua training
train/m11-01-144.wav,yang berada di d atau data
train/m11-01-149.wav,jadi kita langsung masuk saja ke algoritmanya candidate elimination
train/m11-01-150.wav,yaitu g besar diisi dengan
train/m11-01-152.wav,then for in each training sample d do
train/m11-01-154.wav,jadi hilangkan dari g semua hipotesis yang inkonsisten dengan d
train/m11-01-156.wav,kemudian tambahkan kepada s besar semua
train/m11-01-157.wav,generalisasi h pada s s s yang paling minimal
train/m11-01-158.wav,tapi juga harus memenuhi syarat ada dua
train/m11-01-161.wav,jadi di-remove hipotesis yang lebih general daripada hipotesis di s
train/m11-01-168.wav,tanda tanya itu berarti dont care
train/m11-01-169.wav,untuk s nya yang spesifik diisi dengan no value semua semua 
train/m11-01-170.wav,ada ada enam buah
train/m11-01-171.wav,property
train/m11-01-173.wav,untuk g nya nya tetap tanda tanya semua
train/m11-01-176.wav,liat instance dua yang ditanya yes juga
train/m11-01-178.wav,kemudian data ketiga itu bernilai negatif atau no
train/m11-01-179.wav,untuk g nya akan berpengaruh disini jadi
train/m11-01-182.wav,kemudian untuk s nya dia tidak pengaruh karena dia data negatif jadi diabaikan
train/m11-01-183.wav,untuk data keempat yes berarti positif
train/m11-01-184.wav,untuk g nya dia akan berpengaruh yaitu akan dieliminasi yang tidak konsisten
train/m11-01-187.wav,yang tadinya warm jadi jadi cool yang tadinya same jadi change change 
train/m11-01-189.wav,enam buah hipotesis nah disini bisa dilihat bahwa
train/m11-01-190.wav,penentuan version space ini juga selain menggabungkan g dan s
train/m11-01-191.wav,jadi tadi hasil g g g g ada dua s ada satu satu 
train/m11-01-194.wav,kita bandingkan untuk hipotesis tadi ce dan find s ce itu menghasilkan version space
train/m11-01-196.wav,sedangkan untuk masalah inconsistent training data tidak ada perbaikan antara ce dengan find s
train/m11-01-197.wav,asumsi ce dan find s training data akurat aturan hipotesis memiliki hipotesis target
train/m11-01-199.wav,nah terakhir ini biased hypothesis space
train/m11-01-200.wav,misalnya liat pada tabel masih enjoy sport ya masalahnya masalahnya 
train/m11-01-203.wav,berarti ada sepuluh pangkat dua puluh delapan konsep target
train/m11-01-205.wav,ya itu sekian untuk kuliah hari ini
train/m11-01-206.wav,terima kasih dan sampai jumpa jumpa