Langsung ke konten utama

Part 1 : Object Relational Mapping ( ORM )

Halo pemirsa,mumpung ada kesempatan saya mau lanjutin nulis lagi ini.Yah sekedar buat pengisi waktu daripada ngantuk di kerjaan.Karena akhir akhir ini saya lagi tertarik buat belajar yang namanya ORM,maka kali ini saya akan menulisnya di lapak ini buat sekedar bahan bacaan atau referensi buat agan agan semua.Cekidot....

Apa sih ORM itu ??

ORM adalah sebuah mekanisme pemrograman yang memetakan data / database relasional kedalam konsep pemrograman berorientasi object ( OOP ) agar memungkinkan untuk mengakses atau memanipulasi data tanpa mempertimbangkan bagaimana object object berhubungan dengan sumber data mereka.Atau kalo menurut bahasa saya bisa dibilang ORM itu memodelkan data yang ada dalam database relational menjadi konsep OOP.Konsep ORM ini memudahkan programmer mempertahankan tampilan yang konsisten dari data data dari waktu ke waktu walaupun dari sumber database yang berbeda.

Dengan ORM,programmer dapat memisahkan antara tampilan,dan akses database sehingga program tidak bercampur dan memudahkan saat maintenance.ORM menyembunyikan proses akses data dari program ke database sehingga program lebih rapi.

Manfaat ORM antara lain :
  1. Development yang sederhana karena mengotomatisasi data dari object ke tabel relasi atau sebaliknya sehingga biaya pembangunan dan pemeliharaan menjadi lebih rendah.
  2. kode program menjadi lebih ringkas dan rapi karena pemisahan antara logika ke data dengan program untuk pembuatan tampilan.
  3. solusi pembuatan aplikasi yang lebih cepat dan perawatan lebih mudah dan kalo masih kurang banyak agan cari lagi deh di google,hehe....
Kira kira seperti itulah konsep ORM secara singkat menurut pemahaman ane.Platform yang menggunakan teknik ini antara lain Hibernate ( java ) ,PHPActiveRecord (PHP ) dll yang gak bisa saya sebutin satu persatu.

Lah terus cara implementasinya gimana ??

Tunggu di artikel saya selanjutnya tentang Hibernate.
Sekian dulu ya tulisan saya,kita lanjutkan di lain kesempatan.Sampai jumpa
Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Contoh Perhitungan Algoritma Perceptron

      Melanjutkan tulisan saya sebelumnya tentang algoritma perceptron,kali ini saya akan menulis tentang conto perhitungan manual algoritma perceptron. Untuk contoh kasusnya saya menggunakan data logika AND. Cekidot.... Algoritma      Data yang kita gunakan sebagai contoh adalah data logika AND sebagai berikut: x1 x2 target 0 0 0 0 1 0 1 0 0 1 1 1       tentukan bobot awal secara acak, saya pakai contoh w1 = 0,w2 =0, learning rate = 1, bias = 0,maksimal epoh = 10. Disini saya memakai fungsi aktivasi undak biner. Epoh ke 1 Data ke satu x = {0,0}, bobot w = {0,0},b=0,target = 0 y_in = (x1*w1)+(x2*w2)+b = (0*0)+(0*0)+0 = 0 y = sign(0) = 1 karena y != target maka hitung error dan update bobot  error = target - y = 0 - 1 = -1 w1_baru = w1_lama +(learning_rate*error*x1)                = 0 ...
12 komentar
Baca selengkapnya

Contoh Perhitungan Algoritma Learning Vector Quantization

Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung. No X1 X2 X3 X4 target 1 0 1 1 0 0 2 0 0 1 1 1 3 1 1 1 1 0 4 1 0 0 1 1 pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1. Pelatihan Iterasi ke 1 1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}}      - menghitung bobot untuk masing masing output :          kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-...
39 komentar
Baca selengkapnya

Part 7 : Normalisasi Histogram

Menyambung tulisan saya yang sebelumnya tentang pengolahan citra khususnya histogram,kali ini saya lanjutkan tentang Normalisasi histogram.Sebelumnya saya harap agan sudah mengerti tentang histogram.Jika belum bisa di baca dulu di tulisan saya sebelumnya di sini . Normalisasi Histogram adalah menskalakan nilai piksel secara linear untuk menggunakan secara penuh jangkauan yang tersedia. Rumus :  Keterangan : n k= nilai grayscale dari piksel ke k(k = 0,1,2,3....) min = nilai grayscale terkecil yang diperoleh dari histogram max = nilai grayscale terbesar L = range nilai grayscale citra Contoh perhitungan : dari tabel di atas,nilai min adalah 2 yaitu nilai grayscale terkecil dari citra dan max adalah 5 s = 0 - 2 /5 - 2 =0 (untuk n = 0)  hasil = 0 x 7(nilai maksimal grayscale) = 0 sk = 3 - 2 /5 - 2 = 0.333  (untuk n = 3) hasil = 0.333 x 7 = 2 keterangan : 7 adalah range grayscale dari citra,dan untuk banyak kasus biasanya memakai 255. Tujuan Normalisasi...
1 komentar
Baca selengkapnya