Langsung ke konten utama

Ilmu VS Pekerjaan


Selamat siang,jumpa lagi dengan saya.Mengawali tulisan saya di bulan Desember ini,saya lagi kepengen sebentar keluar dari tulisan tulisan saya sebelumnya.

Sebelumnya coba tanya pada diri kita,apa yang sebenarnya kita cari di bangku kuliah.Gelar ,pekerjaan?? atau ilmu ??

Gelar memang penting,karena itu untuk menunjang karir kita di pekerjaan yang pada akhirnya penghasilan kita.Tapi apa kita mau dapat gelar aja tanpa ilmu ?? Punya gelar dan punya ilmu dua duanya memang tidak menjamin bahwa kelak hidup kita kaya.Rejeki itu sudah ada yang mengatur,tapi kalo ilmu kita sendiri yang mengusahakan.

Kalo ibaratnya hidup itu jalan,kita sama sama jalan.Urusan kita pakai mobil atau sepeda itu urusan rejeki dari tuhan.walaupun kita jalan cuma pake sepeda,tapi kalo kita udah paham tentang jalan itu pasti kita jalannya lancar dan gak tersesat.Dan meski kita jalan pake mobil tapi kalo gak menguasai medan apa kita bisa jalan ?? dan begitu juga dengan ilmu.Meski hidup gak kaya kaya amat,tapi minimal kita sudah tahu dan mengerti tentang jalan hidup yang kita jalani.dengan begitu hidup pasti lebih mudah meski gak kaya kaya amat.

Sementara cukup sekian dulu coretan saya kali ini.Sekedar pengobat kangen sama blog.Semoga bermanfaat.See you.

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 ...

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-...

SOLID - Prinsip Desain Arsitektur Di Dalam Pemrograman Object Oriented (Dependency Inversion Principal)

Akhirnya kita sampai di bagian paling akhir dari seri tulisan SOLID Principal yaitu untuk huruf D.  Ketika kita bekerja menggunakan bahasa pemrograman berorientasi object, kita pasti akan menggunakan Class. Class tersebut pada akhirnya akan saling terkait /  ketergantungan satu dan yang lain untuk melakukan tugas tertentu.  Ketergantungan ini disebut dengan istilah  Dependency.  Dependency ini bisa terjadi antar Class di dalam satu  Code Base  yang sama, atau bahkan antar  Library.  Controhnya seperti potongan kode berikut. <?php namespace App\DependencyInversion; /** * Description of Engine * * @author programmer */ class Engine { private KeihinCarburator $carburator ; private NGKSpark $spark ; public function __construct (KeihinCarburator $carburator , NGKSpark $spark ) { $this -> carburator = $carburator ; $this -> spark = $spark ; } public funct...