1. Aplikasi Manajemen Waktu

Kemalasan sering kali disebabkan oleh kurangnya pengelolaan waktu yang efektif. Aplikasi manajemen waktu seperti Trello, Asana, dan Todoist dapat membantu kita mengatur jadwal harian, menetapkan prioritas, dan memastikan tugas-tugas selesai tepat waktu.

Tips:

• Buat daftar tugas harian setiap pagi.
• Gunakan fitur pengingat untuk tugas-tugas penting.
• Evaluasi kembali tugas yang sudah selesai untuk mengetahui progres harian.

2. Teknik Pomodoro

Teknik Pomodoro adalah metode manajemen waktu yang membagi pekerjaan menjadi interval waktu 25 menit kerja diikuti oleh 5 menit istirahat. Aplikasi seperti Focus Booster dan Pomodone dapat membantu menerapkan teknik ini.

Contoh Nyata:

• Bayangkan Anda memiliki tugas menulis laporan. Aktifkan timer selama 25 menit dan fokuslah pada tugas tersebut. Setelah selesai, ambil istirahat singkat untuk menyegarkan pikiran Anda.

3. Aplikasi Produktivitas untuk Peningkatan Fokus

Teknologi juga menawarkan berbagai aplikasi yang membantu meningkatkan fokus, seperti Forest dan Cold Turkey. Aplikasi ini dapat membantu memblokir situs-situs yang mengganggu dan memberikan insentif untuk tetap fokus.

Tips:

• Gunakan Forest untuk menanam pohon virtual saat Anda fokus bekerja. Semakin lama Anda fokus, semakin besar pohon yang tumbuh.
• Blokir media sosial dan situs hiburan selama jam kerja menggunakan Cold Turkey.

4. Automasi dengan Aplikasi Produktivitas

Automasi dapat menghemat waktu dan energi, sehingga kita dapat fokus pada tugas-tugas yang lebih penting. Aplikasi seperti Zapier dan IFTTT memungkinkan kita mengotomatiskan tugas-tugas rutin seperti mengirim email, memposting di media sosial, atau mencadangkan file.

Contoh Nyata:

• Jika Anda sering menghabiskan waktu mengirim email yang sama berulang kali, buatlah otomatisasi di Zapier untuk mengirim email tersebut secara otomatis pada waktu yang ditentukan.

5. Aplikasi Pembelajaran dan Pengembangan Diri

Kemalasan sering kali muncul karena kurangnya motivasi atau ketertarikan pada tugas yang sedang dikerjakan. Aplikasi seperti Coursera, Udemy, dan Khan Academy dapat membantu meningkatkan pengetahuan dan keterampilan, sehingga meningkatkan motivasi untuk bekerja lebih produktif.

Tips:

• Tetapkan tujuan belajar mingguan dengan menggunakan aplikasi ini.
• Gabungkan waktu belajar ke dalam jadwal harian Anda.

6. Teknologi Wearable

Perangkat wearable seperti Fitbit dan Apple Watch dapat membantu memantau kesehatan fisik, yang berpengaruh besar terhadap produktivitas. Dengan pemantauan aktivitas fisik, kita dapat memastikan tubuh tetap bugar dan berenergi untuk menyelesaikan tugas sehari-hari.

Contoh Nyata:

• Gunakan Fitbit untuk memantau langkah harian dan kualitas tidur. Kualitas tidur yang baik akan meningkatkan fokus dan energi sepanjang hari.

7. Ruang Kerja Virtual

Dengan semakin berkembangnya teknologi, ruang kerja virtual seperti Slack dan Microsoft Teams menjadi alat penting untuk berkolaborasi dengan tim secara efektif. Fitur-fitur seperti obrolan, konferensi video, dan berbagi dokumen membantu menjaga komunikasi dan kolaborasi tetap lancar.

Tips:

• Atur ruang kerja virtual dengan saluran khusus untuk setiap proyek.
• Gunakan fitur video call untuk rapat tim secara rutin.

Penutup

Mengatasi kemalasan memang tidak mudah, tetapi dengan bantuan teknologi yang tepat, kita bisa tetap produktif dan menyelesaikan tugas-tugas dengan lebih efektif. Mulailah dengan mencoba beberapa aplikasi dan teknik yang telah dibahas di atas, dan sesuaikan dengan kebutuhan dan preferensi Anda. Ingat, teknologi adalah alat yang membantu, tetapi disiplin diri tetap menjadi kunci utama untuk mencapai produktivitas yang optimal.

The post Mengatasi Kemalasan dengan Teknologi Produktif appeared first on Onestring Lab.

Di ambang pintu era baru, teknologi terus mengalami evolusi dengan kecepatan yang luar biasa. Tahun ini, beberapa tren teknologi siap mengubah landskap industri dan cara kita berinteraksi dengan dunia digital.

Kecerdasan Buatan (AI) dan Pembelajaran Mesin

Kecerdasan Buatan tidak lagi menjadi konsep futuristik. Tahun ini, AI dan pembelajaran mesin akan lebih terintegrasi dalam kehidupan sehari-hari, membawa personalisasi dan efisiensi ke tingkat yang baru.

Quantum Computing: Membuka Dimensi Baru

Quantum computing diperkirakan akan menembus batasan komputasi konvensional, memberikan kemampuan pemrosesan yang belum pernah terjadi sebelumnya. Ini membuka jalan untuk penemuan dan inovasi dalam bidang kesehatan, keuangan, dan keamanan siber.

Jaringan 5G/6G: Era Koneksi Ultra-Cepat

Pengembangan dan penerapan jaringan 5G dan 6G akan mempercepat transformasi digital, menghadirkan kecepatan dan koneksi yang lebih stabil. Ini akan membuka peluang baru dalam IoT, smart cities, dan teknologi seluler.

Teknologi Berkelanjutan: Menuju Masa Depan Hijau

Saat dunia bergerak menuju keberlanjutan, teknologi ramah lingkungan menjadi lebih penting. Inovasi dalam energi terbarukan, efisiensi sumber daya, dan pengurangan limbah elektronik akan menjadi fokus utama.

Realitas Maya dan Realitas Tertambah: Mendefinisikan Ulang Pengalaman

Teknologi VR dan AR siap untuk mengambil panggung tengah, mendefinisikan ulang cara kita belajar, bekerja, dan bermain. Dengan pengalaman yang lebih imersif, teknologi ini akan mengubah industri hiburan, pendidikan, dan ritel.

The post Review Teknologi Terbaru: Apa Saja yang Harus Diperhatikan di Tahun Ini? appeared first on Onestring Lab.

Fania menemukan bahwa dia dapat membantu menyelesaikan misteri ini dengan pemrograman setelah mendapatkan cukup informasi. Untuk mengatur ulang catatannya berdasarkan waktu kejadian yang mereka sebutkan, dia memilih untuk menulis program sederhana dalam Bahasa C. Tujuannya adalah untuk mengidentifikasi urutan kejadian dan mengidentifikasi kesamaan atau kesalahan dalam kesaksian saksi.

Fania menulis kode berikut:

#include <stdio.h>
#include <string.h>

void urutkanBerdasarkanWaktu(char kejadian[][50], int n) {
    char temp[50];
    for (int i = 0; i < n - 1; i++) {
        for (int j = i + 1; j < n; j++) {
            if (strcmp(kejadian[i], kejadian[j]) > 0) {
                strcpy(temp, kejadian[i]);
                strcpy(kejadian[i], kejadian[j]);
                strcpy(kejadian[j], temp);
            }
        }
    }
}

int main() {
    char kejadian[5][50] = {
        "09:00 - Nenek di dapur",
        "09:15 - Paman datang",
        "09:05 - Sepupu bermain di halaman",
        "09:10 - Anjing menyalak",
        "09:20 - Jam ditemukan hilang"
    };
    int n = 5;

    urutkanBerdasarkanWaktu(kejadian, n);

    printf("Urutan Kejadian:\n");
    for (int i = 0; i < n; i++) {
        printf("%s\n", kejadian[i]);
    }
    return 0;
}

Fania berhasil mengatur ulang kesaksian berdasarkan urutan waktu dengan program ini. Dengan demikian, dia lebih mudah menemukan bahwa paman adalah orang terakhir yang terlihat di dekat jam sebelum jam itu dilaporkan hilang. Setelah perselisihan kecil, paman secara tidak sengaja membawa jam ke ruangan lain dan lupa memberi tahu siapa pun.

Mistik jam yang hilang akhirnya terungkap, dan Nenek senang memiliki jam kesayangannya kembali. Kisah ini menunjukkan bagaimana kemampuan pemrograman dapat digunakan untuk menyelesaikan masalah dengan cara yang sistematis dan efisien dalam situasi sehari-hari.

Penjelasan Program

Fungsi urutkanBerdasarkanWaktu menggunakan algoritma pengurutan bubble sort untuk mengatur ulang array string berdasarkan waktu. Algoritma ini membandingkan setiap string dengan string berikutnya dan menukarnya jika tidak dalam urutan yang benar. Pengurutan dilakukan berdasarkan perbandingan lexicographical waktu dalam string, menggunakan fungsi strcmp. Ini menghasilkan array yang diurutkan berdasarkan urutan waktu dari masing-masing kejadian.

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Pengurutan Waktu Efektif dengan Bahasa C appeared first on Onestring Lab.

Suatu hari, guru matematikanya mengumumkan sebuah tantangan khusus di sekolahnya. Selama bertahun-tahun, ada teka-teki yang belum terselesaikan: “Bagaimana kita bisa mengatur ulang barisan angka sehingga total dari setiap pasangan angka yang berurutan selalu konstan?” Banyak orang telah bingung dengan teka-teki ini, tetapi Fania merasa sulit.

Setelah kembali ke rumah, Fania mulai mengerjakan sesuatu di laptopnya. Dia menyadari bahwa untuk memecahkan masalah ini, dia harus menulis program dalam Bahasa C yang dapat mengatur ulang barisan angka dan menemukan total konstan antara setiap pasangan angka yang berurutan. Fanya mulai menulis kode:

#include <stdio.h>

void susunUlang(int arr[], int n) {
    int i, j, temp;
    for (i = 0; i < n - 1; i++) {
        for (j = i + 1; j < n; j++) {
            if (arr[i] + arr[j] == n) {
                temp = arr[j];
                arr[j] = arr[i + 1];
                arr[i + 1] = temp;
                break;
            }
        }
    }
}

int main() {
    int arr[] = {1,2,3,4,5,6,7,8,9,10}; // Contoh barisan angka
    int n = sizeof(arr) / sizeof(arr[0]);
    susunUlang(arr, n);

    printf("Barisan angka yang disusun ulang: ");
    for (int i = 0; i < n; i++) {
        printf("%d ", arr[i]);
    }
    return 0;
}

Fania akhirnya menemukan solusi setelah banyak percobaan dan penyempurnaan kode. Keesokan harinya, dia membawa hasilnya ke sekolah. Solusi Fania terkesan guru matematikanya, yang memujinya di depan kelas. Fania merasa bangga karena berhasil menyelesaikan teka-teki yang rumit dan menunjukkan bahwa dia bisa menyelesaikan masalah nyata dengan pemrograman. Kisah ini menunjukkan bagaimana kreativitas dan pengetahuan dapat bekerja sama untuk menghasilkan solusi inovatif.

Proses pengaturan ulang terjadi sebagai berikut:

• Fungsi memulai dengan angka pertama, yaitu 1, dan mencari angka lain yang, jika ditambahkan dengan 1, jumlahnya sama dengan 10 (nilai n dalam kasus ini).
• Angka 9 memenuhi kondisi ini (karena 1 + 9 = 10), sehingga 9 ditukar dengan angka yang berada langsung setelah 1 dalam barisan, yaitu 2.
• Selanjutnya, fungsi melanjutkan dengan angka kedua dalam barisan yang baru (sekarang 9) dan mencari angka yang, jika ditambahkan dengan 9, hasilnya 10. Tidak ada angka lain yang memenuhi kondisi ini, jadi tidak ada pertukaran lebih lanjut.
• Proses serupa dilakukan untuk setiap angka berikutnya dalam barisan.

Hasil akhirnya, [1, 9, 3, 7, 5, 6, 4, 8, 2, 10], merupakan konfigurasi barisan setelah pertukaran berdasarkan kondisi yang ditentukan dalam fungsi.

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Kode Rahasia Fania: Misteri Barisan Angka appeared first on Onestring Lab.

Fania menemukan meja dengan deret angka yang tampaknya tidak lengkap dan catatan lama yang menyatakan bahwa deret itu adalah kunci untuk membuka kotak misterius di sudut ruangan. Dia menyadari bahwa ia harus menemukan angka yang hilang dalam deret untuk membuka kotak itu. Fania dengan cepat menulis kode dalam Bahasa C di laptopnya, yang selalu dia bawa:

#include <stdio.h>

int temukanAngkaHilang(int arr[], int n) {
    int total = (n + 1) * (n + 2) / 2;
    for (int i = 0; i < n; i++) {
        total -= arr[i];
    }
    return total;
}

int main() {
    int arr[] = {1, 2, 4, 5, 6}; // Deret angka dari catatan kuno
    int n = sizeof(arr) / sizeof(arr[0]);
    int angkaHilang = temukanAngkaHilang(arr, n);
    printf("Angka yang hilang adalah %d\n", angkaHilang);
    return 0;
}

Setelah programnya berjalan, Fania menemukan angka yang hilang dan langsung memasukkannya ke dalam kombinasi kunci di kotak misterius tersebut. Ketika kotak itu terbuka, sebuah buku tua terbuka yang mengandung rahasia terdalam tentang sejarah sekolah yang gelap dan penuh misteri.

Dengan buku rahasia di tangannya, Fania merasa seolah-olah dia telah menjadi bagian dari sejarah sekolah yang telah terlupakan untuk waktu yang lama. Fania memperoleh pemahaman yang lebih baik tentang matematika dan pemrograman sebagai hasil dari pengalaman ini. Selain itu, pengalaman ini membawa dia ke dalam cerita misteri sekolah yang selama ini hanya menjadi legenda. Cerita ini menunjukkan betapa keberanian dan pengetahuan dapat membawa ke rahasia dan penemuan yang tidak diduga.

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Rahasia Angka Tersembunyi appeared first on Onestring Lab.

Artikel ini merupakan kelanjutan dari Belajar Data Science – Preprocessing Data Kapal Titanic (Bagian 3). Silahkan baca artikelnya sebelumnya melanjutkan. Data kapal Titanic dapat di akses melalui situs Kaggle.

Import Pustaka

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import cross_val_predict
from sklearn.metrics import confusion_matrix,precision_score
from sklearn.metrics import recall_score,f1_score, roc_auc_score

Modeling

X_train = train_df.drop('Survived', axis=1)
Y_train = train_df['Survived']
X_test = test_df.drop('PassengerId', axis=1)

Random forest

Random Forest adalah supervised learning algorithm. Random Forest membangun beberapa pohon keputusan dan menggabungkannya untuk mendapatkan prediksi yang lebih akurat dan stabil. Satu keuntungan besar dari Random Forest adalah dapat digunakan untuk masalah klasifikasi dan regresi, yang membentuk sebagian besar sistem pembelajaran mesin saat ini. Dengan beberapa pengecualian, pengklasifikasi Random Forest memiliki semua hyperparameter dari pengklasifikasi pohon keputusan dan juga semua hyperparameter dari pengklasifikasi bagging, untuk mengontrol ansambel itu sendiri.

random_forest = RandomForestClassifier(n_estimators=100)
random_forest.fit(X_train, Y_train)

Y_prediction = random_forest.predict(X_test)

random_forest.score(X_train, Y_train)
acc_random_forest = round(random_forest.score(X_train, Y_train)* 100, 2)

results = pd.DataFrame({
    'Model' : ['Random Forest'],
    'Score' : [acc_random_forest]
})
results

hasil dari kode diatas adalah

Random Forest	90.68

K-Fold Cross Validation

Bagaimana kinerja Random Forest saat digunakan validasi silang. K-Fold Cross Validation secara acak membagi data pelatihan menjadi subset K yang disebut folds. Bayangkan data akan dibagi menjadi 10 folds (K = 10). Model Random Forest yang akan dilatih dan dievaluasi 10 kali, menggunakan folds yang berbeda untuk evaluasi setiap saat, sementara itu akan dilatih pada 9 folds lainnya. Oleh karena itu output array dengan 10 skor yang berbeda.

random_forest = RandomForestClassifier(n_estimators=100)
scores = cross_val_score(random_forest, X_train, Y_train, cv=10, scoring = "accuracy")
print("Scores:", scores)
print("Mean:", scores.mean())
print("Standard Deviation:", scores.std())

hasil dari kode program tersebut adalah

Scores: [0.74444444 0.80898876 0.73033708 0.84269663 0.88764045 0.85393258
 0.83146067 0.78651685 0.85393258 0.79775281]
Mean: 0.8137702871410737
Standard Deviation: 0.04756243170100532

Ini terlihat jauh lebih realistis dari sebelumnya. Model memiliki akurasi rata-rata 81% dengan standar deviasi 4,7%. Deviasi standar menunjukkan seberapa tepat estimasi tersebut. Ini berarti hasil pembelajaran keakuratan model dapat berbeda + — 4,7%. Karena akurasinya cukup bagus dan Random Forest adalah model yang mudah digunakan. Untuk meningkatkan kinerjanya lebih jauh lagi sebagai berikut

Hyperparameter Tuning

Untuk meningkatkan kinerjanya dapat dilakukan hyperparameter tunning. Sekarang telah dimiliki model yang tepat, proses mengevaluasi kinerjanya dapat mulai dengan cara yang lebih akurat. Sebelumnya hanyadiggunakan akurasi dan skor oob, yang merupakan bentuk lain dari akurasi.

random_forest = RandomForestClassifier(criterion='gini',
                                       min_samples_leaf=1,
                                       min_samples_split=10,
                                       n_estimators=100,
                                       max_features='auto',
                                       oob_score=True, 
                                       random_state = 1,
                                       n_jobs=-1)

random_forest.fit(X_train, Y_train)
Y_prediction = random_forest.predict(X_test)

random_forest.score(X_train, Y_train)

print("obb score:", round(random_forest.oob_score_,4)*100, "%")

keluaran dari kode program diatas adalah

obb score: 83.73 %

Confusion Matrix

Baris pertama adalah tentang prediksi tidak selamat: 487 penumpang diklasifikasikan dengan benar sebagai tidak selamat (disebut true negatives) dan 62 salah diklasifikasikan sebagai tidak selamat (false positives). Baris kedua adalah tentang prediksi selamat: 98 penumpang salah diklasifikasikan selamat (false negatives) dan 2446 benar diklasifikasikan sebagai selamat (true positives).Confusion matrix memberi banyak informasi tentang seberapa baik model yang dihasilkan, tetapi ada cara untuk mendapatkan lebih banyak lagi, seperti menghitung ketepatan pengklasifikasi.

predictions = cross_val_predict(random_forest, X_train, Y_train, cv=3)
confusion_matrix(Y_train, predictions)

keluaran kode program diatas

array([[487,  62],
       [ 98, 244]])

Precision and Recall

Model telah memprediksi 79% kelangsungan hidup penumpang dengan benar (presisi). Penarikan itu memberi tahu bahwa imeramalkan kelangsungan hidup 71% orang yang benar-benar selamat.

print("Precision:", precision_score(Y_train, predictions))
print("Recall:", recall_score(Y_train, predictions))

keluaran dari kode program diatas

Precision: 0.7973856209150327
Recall: 0.7134502923976608

F-Score

Precision and Recall dapat digabungkan menjadi satu nilai, yang disebut F-Score. F-Score dihitung dengan rata-rata harmonik Precision and Recall. Perhatikan bahwa ini memberikan lebih banyak bobot pada nilai rendah. Akibatnya, pengklasifikasi hanya akan mendapatkan F-Score tinggi, jika Precision and Recall tinggi.

f1_score(Y_train, predictions)

keluaran dari kode program diatas adalah

0.7530864197530864

F-score menunjukkan angka 75%. Skornya tidak terlalu tinggi, karena kami memiliki recall sebesar 71%. Sayangnya, F-score tidak sempurna, karena mendukung pengklasifikasi yang memiliki precision and recall yang serupa. Ini adalah masalah, karena terkadang diinginkan precision dan recall yang tinggi. Masalahnya adalah precision yang meningkat, terkadang menghasilkan perolehan yang menurun pada recall dan sebaliknya (depending on the threshold). Ini disebut tradeoff precision/penarikan.

Kesimpulan

Data kapal Titanic telah dilatih menggunakan model random forest, mengambil dan menerapkan cross validation pada model tersebut. Kemudian dibahas cara kerja random forest dan menyesuaikan kinerjanya dengan mengoptimalkan nilai hyperparameternya. Terakhir, ditunjukkan confusion matrix dan menghitung precision, recall and f-score.

The post Belajar Data Science – Random Forest Untuk Modeling Data Kapal Titanic (Bagian 4) appeared first on Onestring Lab.

Import Pustaka

Melakukan import pustaka yang dibutuhkan yaitu pandas dan numpy.

import pandas as pd
import numpy as np

Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab. Data yang akan digunakan adalah data train.csv dan test.csv.

train_df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
train_df.head()

test_df  = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/test.csv')
test_df.head()

Menghapus Beberapa Kolom Data

Pada data kapal Titanic terdapat beberapa kolom yang perlu dihilangkan. Ini dikarenakan data tersebut bersifat unik. Kolom data tersebut adalah Passenger Id, Name, Ticket dan Cabin.

train_df['Ticket'].describe()

Terlihat bahwa dari 891 data terdapat 681 data unik.

count        891
unique       681
top       347082
freq           7
Name: Ticket, dtype: object

Berikut ini adalah perintah drop untuk beberapa kolom tersebut.

train_df = train_df.drop(['Ticket'], axis=1)
test_df  = test_df.drop(['Ticket'], axis=1)
train_df = train_df.drop(['PassengerId'], axis=1)
test_df  = test_df.drop(['PassengerId'], axis=1)
train_df = train_df.drop(['Name'], axis=1)
test_df  = test_df.drop(['Name'], axis=1)
train_df = train_df.drop(['Cabin'], axis=1)
test_df  = test_df.drop(['Cabin'], axis=1)

Mengecek Data Yang Hilang

Berikut ini adalah proses untuk mengetahui data mana saja yang hilang.

row = train_df.shape[0]
total = train_df.isnull().sum().sort_values(ascending=False)
presentase = ((train_df.isnull().sum()/row)*100).sort_values(ascending=False)
presentase = round(presentase,2)
dt_missing = list(zip(total,presentase))
train_df_missing = pd.concat([total,presentase],axis=1,keys=['Total','%'])
train_df_missing

Menggabungan Data Train dan Test

Berikut ini akan menggabungkan data Train dan Test dalam bentuk array.

data = [train_df,test_df]

Mengisi Data Kosong Pada Kolom Age

Untuk data kosong pada kolom Age akan diisi angka random diantara mean – stdeviasi dan mean+ stdeviasi. Berikut ini kode programnya.

train_df['Age'].isnull().sum()

for dataset in data:
  mean = train_df['Age'].mean()
  std = train_df['Age'].std()
  is_null = dataset['Age'].isnull().sum()
  rand_age = np.random.randint(mean-std,mean+std, size= is_null)
  age_slice = dataset['Age'].copy()
  age_slice[np.isnan(age_slice)] = rand_age
  dataset['Age'] = age_slice
  dataset['Age'] = train_df['Age'].astype(int)

train_df['Age'].isnull().sum()

Mengisi Data Kosong Pada Kolom Embarked

Untuk data kosong pada kolom Embarked akan diisi dengan huruf ‘S’ dikarenakan data tersebut paling banyak pada kolom tersebut. Berikut ini kode programnya.

for dataset in data:
  dataset['Embarked'] = dataset['Embarked'].fillna('S')

Mengisi Data Kosong Pada Kolom Fare

Untuk data kosong pada kolom Fare akan diisi dengan angka 0. Berikut ini kode programnya.

for dataset in data:
  dataset['Fare'] = dataset['Fare'].fillna(0)
  dataset['Fare'] = dataset['Fare'].astype(int)

Mengubah Data Pada Kolom Sex dan Embarked

Proses pembelajaran machine learning hanya mengenal angka. Ini mengharuskan melakukan perubahan data string kedalam bentuk bilangan. Kolom Sex yang berisi male dan female akan diubah kedalam bentuk 1 dan 2. Sedangkan kolom Embarked S, C dan Q berubah menjadi 0,1 dan 2. Berikut ini kode programnya.

genders = {"male" : 0, "female" :1}
for dataset in data:
  dataset['Sex'] = dataset['Sex'].map(genders)

ports = {"S":0, "C":1, "Q":2}
for dataset in data:
  dataset['Embarked'] = dataset['Embarked'].map(ports)

Mengompokan Data Kolom Age

Data pada kolom Age sifatnya hampir mendekati unik. Ini kurang baik untuk proses pembelajaran. Hal yang harus dilakukan adalah mengelompokkkanya dalam bentuk range umur. Pada kolom Fare juga akan dilakukan proses yang sama. Berikut ini kode programnya.

for dataset in data:
  dataset['Age'] = dataset["Age"].astype(int)
  dataset.loc[dataset['Age'] <=11, 'Age']=0
  dataset.loc[(dataset['Age'] >11) & (dataset['Age'] <=18), 'Age']=1
  dataset.loc[(dataset['Age'] >18) & (dataset['Age'] <=22), 'Age']=2
  dataset.loc[(dataset['Age'] >22) & (dataset['Age'] <=27), 'Age']=3
  dataset.loc[(dataset['Age'] >27) & (dataset['Age'] <=33), 'Age']=4
  dataset.loc[(dataset['Age'] >33) & (dataset['Age'] <=40), 'Age']=5
  dataset.loc[(dataset['Age'] >40) & (dataset['Age'] <=66), 'Age']=6
  dataset.loc[(dataset['Age'] >66), 'Age']=6

for dataset in data:
  dataset.loc[dataset['Fare'] <=7.91, 'Fare']=0
  dataset.loc[(dataset['Fare'] >=7.91) & (dataset['Fare'] <=14.454), 'Fare']=1
  dataset.loc[(dataset['Fare'] >14.454) & (dataset['Fare'] <=31), 'Fare']=2
  dataset.loc[(dataset['Fare'] >31) & (dataset['Fare'] <=99), 'Fare']=3
  dataset.loc[(dataset['Fare'] >99) & (dataset['Fare'] <=250), 'Fare']=4
  dataset.loc[dataset['Fare'] >250, 'Fare']=5

Membuat Kolom Baru

Untuk proses machine learning dinilai perlu membuat kolom baru yang merupakan hasil kombinasi dari kolom yang sudah ada. Berikut ini kode programnya.

for dataset in data:
    dataset['relatives'] = dataset['SibSp'] + dataset['Parch']
    dataset.loc[dataset['relatives'] > 0, 'not_alone'] = 0
    dataset.loc[dataset['relatives'] == 0, 'not_alone'] = 1
    dataset['not_alone'] = dataset['not_alone'].astype(int)

for dataset in data:
  dataset['Age_Class'] = dataset['Age'] * dataset['Pclass']

for dataset in data:
  dataset['Fare_Per_Person'] = dataset['Fare']/(dataset['relatives']+1)
  dataset['Fare_Per_Person'] = dataset['Fare_Per_Person'].astype(int)

Hasil Preprocessing Data Kapal Titanic

Berikut ini adalah hasil data terakhir setelah dilakukan proses manipulasi.

train_df.head(10)

test_df.head(10)

Kesimpulan Preprocessing Data Kapal Titanic

Proses pengelolaan data merupakan hal terpenting sebelum dilakukan proses pembelajaran. Jika proses ini tidak dilakukan dengan benar dan tepat maka proses pembelajaran tidak ada menghasilkan model yang baik dan bisa digunakan.

The post Belajar Data Science – Preprocessing Data Kapal Titanic (Bagian 3) appeared first on Onestring Lab.

Input Data

Input yang pertama adalah variabel N yang berguna untuk menetukan jumlah data yang akan dimasukkan. Selanjutnya, memasukkan nilai pada array sesuai jumlah data yang ditentukan.

Output Data

Output berupa hasil penjumlahan dari seluruh bilangan yang terdapat pada array.

Kode Program Menjumlahkan Array

Berikut ini adalah kode programnya menggunakan bahasa C.

#include <stdio.h>

int main()
{
  int n, i, jum;
  printf("Banyak Data: ");
  scanf("%d", &n);

  int data[n];

  for (i = 0; i < n; i++)
  {
    printf("Data-%d: ", i + 1);
    scanf("%d", &data[i]);
  }

  jum = 0;
  for (i = 0; i < n; i++)
  {
    jum = jum + data[i];
  }

  printf("Jumlah: %d", jum);
}

Keluaran Program Menjumlahkan Array

Berikut ini dalah keluaran dari kode program menjumlahkan array.

Banyak Data: 8
Data-1: 84
Data-2: 75
Data-3: 67
Data-4: 43
Data-5: 76
Data-6: 45
Data-7: 73
Data-8: 53
Jumlah: 516

Tentang Fania

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Belajar Bahasa C – Menjumlahkan Array appeared first on Onestring Lab.

Rumus dari ketiga bangun datar tersebut dapat di lihat pada artikel Rumus Luas 8 Bangun Datar Beserta Contoh Soalnya.

Input Program

Tampilan pertama akan menampilkan menu untuk memilih luas bangun yang akan dihitung. Selanjutnya perhitungan luas untuk bangunan tersebut.

Output Program

Keluaran dari program adalah hasil perhitungan dari luas bangun datar yang dipilih.

Kode Program

#include <stdio.h>
#include <stdlib.h>

int main()
{
  int i, co;
  float ri, pa, le, lu;

  do
  {
    system("cls");
    printf("Menu :\n");
    printf("1. Luas Lingkaran\n");
    printf("2. Luas Segi Tiga\n");
    printf("3. Luas Persegi Panjang\n");
    printf("4. Keluar\n");
    printf("Pilihan : ");
    scanf("%d", &co);

    if (co == 1)
    {
      printf("Panjang jari-jari lingkaran = ");
      scanf("%f", &ri);
      lu = 3.14 * ri * ri;
      printf("Luas lingkaran = %.2f\n", lu);
      printf("Tekan Enter!");
      getchar();
    }
    else if (co == 2)
    {
      printf("Panjang segi tiga = ");
      scanf("%f", &pa);
      printf("Tinggi segi tiga = ");
      scanf("%f", &le);
      lu = 0.5 * pa * le;
      printf("Luas segi tiga = %.2f\n", lu);
      printf("Tekan Enter!");
      getchar();
    }
    else if (co == 3)
    {
      printf("Panjang persegi panjang = ");
      scanf("%f", &pa);
      printf("Tinggi persegi panjang = ");
      scanf("%f", &le);
      lu = pa * le;
      printf("Luas persegi panjang = %.2f\n", lu);
      printf("Tekan Enter!");
      getchar();
    }
    getchar();
  } while (co != 4);

  return 0;
}

Keluaran Program

Menu :
1. Luas Lingkaran
2. Luas Segi Tiga
3. Luas Persegi Panjang
4. Keluar
Pilihan : 1
Panjang jari-jari lingkaran = 10
Luas lingkaran = 314.00
Tekan Enter!
Menu :
1. Luas Lingkaran
2. Luas Segi Tiga
3. Luas Persegi Panjang
4. Keluar
Pilihan : 2
Panjang segi tiga = 10
Tinggi segi tiga = 5
Luas segi tiga = 25.00
Tekan Enter!
Menu :
1. Luas Lingkaran
2. Luas Segi Tiga
3. Luas Persegi Panjang
4. Keluar
Pilihan : 3
Panjang persegi panjang = 5
Tinggi persegi panjang = 7
Luas persegi panjang = 35.00
Tekan Enter!
Menu :
1. Luas Lingkaran
2. Luas Segi Tiga
3. Luas Persegi Panjang
4. Keluar
Pilihan : 4

Tentang Fania

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Belajar Bahasa C – Menghitung Luas Lingkaran, Segi Tiga dan Persegi Panjang appeared first on Onestring Lab.

Diagram yang digunakan pada proses visualisasi kali ini adalah Histogram. Dalam bidang statistik, histogram adalah tampilan grafis dari tabel frekuensi yang diwakili oleh grafik batang sebagai bentuk dari pengelompokan data. Setiap tampilan batang menunjukkan proporsi frekuensi di setiap kelompok kategori yang berdekatan pada interval yang tidak tumpang tindih.

Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab.

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
df.head()

Histogram Visualisasi Data Kapal Titanic

Bagian ini akan melihat hubungan antara kelompok umur dan jenis kelamin dengan jumlah penumpang yang selamat. Diagram yang akan digunakan pada visualisasi ini adalah Histogram. Berikut ini adalah kode programnya.

import matplotlib.pyplot as plt

data_age_survived =df[['Sex','Age','Survived']].copy()
data_age_survived =df[['Sex','Age','Survived']].copy()
data_male_0 = data_age_survived.loc[(data_age_survived['Sex'] == 'male') & 
                                    (data_age_survived['Survived'] == 0)].copy()
data_male_0 = data_male_0.dropna()

data_male_1 = data_age_survived.loc[(data_age_survived['Sex'] == 'male') & 
                                    (data_age_survived['Survived'] == 1)].copy()
data_male_1 = data_male_1.dropna()

fig = plt.figure(figsize=(12,8))
plt.hist(data_male_0['Age'],40, color ='orange', alpha = 0.7, label = "Not Survived")
plt.hist(data_male_1['Age'],40, color ='blue', alpha = 0.7, label = "Survived")
plt.title('Male')
plt.xlabel('Age')
plt.ylabel('Survived')
plt.legend()
plt.show() 

Keluaran dari kode program ditunjukkan pada gambar berikut ini

data_female_0 = data_age_survived.loc[(data_age_survived['Sex'] == 'female') & 
                                    (data_age_survived['Survived'] == 0)].copy()
data_female_0 = data_female_0.dropna()

data_female_1 = data_age_survived.loc[(data_age_survived['Sex'] == 'female') & 
                                    (data_age_survived['Survived'] == 1)].copy()
data_female_1 = data_female_1.dropna()

fig = plt.figure(figsize=(12,8))
plt.hist(data_female_0['Age'],40, color ='orange', alpha = 0.7, label = "Not Survived")
plt.hist(data_female_1['Age'],40, color ='blue', alpha = 0.7, label = "Survived")
plt.title('Female')
plt.xlabel('Age')
plt.ylabel('Survived')
plt.legend()
plt.show() 

Keluaran dari kode program ditunjukkan pada gambar berikut ini

Kesimpulan

Visualisasi data dapat memberikan pemahaman yang lebih baik daripada data ditampilkan dalam bentuk tabel. Histogram menunjukkan bahwa penumpang wanita dengan rentang usia 20-40 tahun memilki kemungkinan yang tinggi untuk selamat dari kecelakan kapal Titanic dan juga terlihat bahwa pada rentang usia tersebutlah baik penumpang laki-laki atau perempuan yang paling banyak selamat.

The post Belajar Data Science – Visualisasi Data Histogram – Mengeksplorasi Data Kapal Titanic (Bagian 2) appeared first on Onestring Lab.

DIKUTIP dari Wikipedia.org, dalam matematika, bilangan prima adalah bilangan asli yang lebih besar dari angka 1, yang faktor pembaginya adalah 1 dan bilangan itu sendiri.

Input Menentukan Bilangan Prima

Terdapat 2 angka input yaitu bilangan pertama dan kedua. Bilangan pertama mewakili awal dari sebuah deret bilangan prima dan bilangan kedua merupakan akhir dari dari deret tersebut

Keluaran Menentukan Bilangan Prima

Menampilkan deret semua bilangan prima yang terdapat diantara bilangan pertama dan kedua.

Kode Program Menentukan Bilangan Prima Dengan Bahasa C

#include <stdio.h>
#include <math.h>

int isPrima(int p)
{
  int prima, k;
  prima = 1;
  if (p == 1)
  {
    prima = 0;
  }
  else if (p == 2)
  {
    prima = 1;
  }
  else
  {
    for (k = 2; k <= sqrt(p); k++)
    {
      if (p % k == 0)
      {
        prima = 0;
        break;
      }
    }
  }
  return prima;
}

int main()
{
  int i, bil1, bil2;

  printf("Bilangan 1: ");
  scanf("%d", &bil1);
  printf("Bilangan 2: ");
  scanf("%d", &bil2);

  printf("Deret Bilangan Prima antara %i dan %i:\n", bil1, bil2);
  for (i = bil1; i <= bil2; i++)
  {
    if (isPrima(i) == 1)
    {
      printf("%d ", i);
    }
  }
  return 0;
}

Keluaran Kode Program

Bilangan 1: 1
Bilangan 2: 31
Deret Bilangan Prima antara 1 dan 31:
2 3 5 7 11 13 17 19 23 29 31

Tentang Fania

Ingin tahu cerita lain tentang Fania? Klik disini untuk kisah lainnya

The post Belajar Bahasa C – Kutukan Sihir Bilangan Prima appeared first on Onestring Lab.

1. Mengambil data

Data akan diambil dari github yang disiapkan oleh tim Onestring Lab. Data akan disimpan dalam bentuk Pandas dataframe. Penjelasan mengenai Pandas dataframe dapat dipelajari pada bagian Data Science. Berikut ini kode program untuk mengambil data dari github Onestring Lab.

import pandas as pd
df = pd.read_csv('https://raw.githubusercontent.com/Onestringlab/osl_datascience/main/data/titanic/train.csv')
df.head()

2. Mengetahui jenis data dan jumlah data

Langkah selanjutnya adalah mengetahui jenis data yang pada setiap variabel. Selain itu, juga untuk mengetahui berapa jumlah kelengkapan data pada masing-masing variabel. Tipe data variabel pada data kapal Titanic cukup beragam yaitu int64, object, dan float64. Untuk jumlah data kosong, variabel Age dan Cabin memiliki data kosong. Variabel Age memiliki 177 data kosong, sedangkan variabel Cabin memiliki 687 data kosong.

df.info()

4. Mengetahui statistik deskriptif

Bagian ini akan diperlihatan statistif deskriptif dari data kapal Titanic. Data menunjukan bahwa jumlah data sebanyak 891 data dan presentase rata-rata penumpang selamat pada tragedi tenggelamnya kapa tersebut sebesar 38.38%. Selain itu, pada variabel Age juga dapat diketahui pada usia penumpang kapal Titani antar 0.42 – 80 tahun.

df.describe()

5. Mengetahui jumlah data yang kosong

Bagian ini akan mengeksplorasi lebih jauh mengenai variabel yang memiliki data yang kosong. Tabel menunjukkan bahwa terdapat 2 variabel yang memiliki data kosong, yaitu Cabin dan Age. Variabel Cabin memiliki presetanse data kosong sebesar 77.10%, sedangkan Age sebesar 19.92%.

row = df.shape[0]
total = df.isnull().sum().sort_values(ascending=False)
presentase = ((df.isnull().sum()/row)*100).sort_values(ascending=False)
presentase = round(presentase,2)
dt_missing = list(zip(total,presentase))
df_missing = pd.concat([total,presentase],axis=1,keys=['Total','%'])
df_missing

Kesimpulan Mengeksplorasi Data Kapal Titanic

Setelah dilakukan eksplorasi tahap awal pada data Kapal Titanic maka dapat disimpulkan bahwa data ini memiliki 891 baris data terdiri dari 11 variabel dengan tipe data int64, float64 dan object dan terdapat 2 variabel yang memiliki data kosong yaitu Cabin dan Age. Cabin memiliki presentase data kosong yang besar yaitu mencapai 77.10%, sehingga layak untuk tidak digunakan, sedangkan variabel Age masih di layak untuk digunakan untuk proses selanjutnya.

The post Belajar Data Science – Mengeksplorasi Data Kapal Titanic (Bagian 1) appeared first on Onestring Lab.