Langsung ke konten utama

PHP : Array

Melanjutkan tulisan mengenai PHP, kali ini saya akan lanjutkan untuk membahas array di PHP. Seperti juga bahasa pemrograman yang lain, PHP juga mempunyai tipe data berupa array atau larik. Konsep Array mirip seperti lemari yang mempunyai beberapa ruang yang masing-masing mempunyai nomor / alamat / key untuk mengaksesnya.
seperti pada gambar di atas, key dimulai dari 0 sampai ke n. Dan untuk mengaksesnya dengan menggunakan nomor tersebut.

Membuat Array

Untuk membuat array di php seperti pada contoh berikut.
<?php 

$data = array();

$data = [];

?>
atau bisa langsung dengan disertai data / isinya seperti berikut ini.
<?php 

$nama = array("Nur Hidayat", "Irfan Haris", "Rian Tri");

$nama = ["Nur Hidayat", "Irfan Haris", "Rian Tri"];

?>

Mengakses Array

Untuk mengakses array, kita bisa memanggilnya beserta dengan key. seperti contoh berikut.
<?php 

$nama = array("Nur Hidayat", "Irfan Haris", "Rian Tri");

echo $nama[0]; // output : Nur Hidayat
echo $nama[2]; // output : Rian Tri
?>

Menambahkan Data Pada Array

untuk menambahkan data pada array, bisa dlihat contoh kode berikut
<?php 

$nama = array("Nur Hidayat", "Irfan Haris", "Rian Tri");

echo count($nama); // output: 3

$nama[3] = "David Beckam";
$nama[4] = "David Moyes";

echo count($nama); // output: 5
?>

Menampilkan Data Array

Untuk menampilkan keseluruhan data pada array, kita bisa menggunakan perulangan yang sudah saya bahas pada tulisan saya sebelumnya. Contoh menampilkan data array dengan perulangan:

<?php 

$nama = array("Nur Hidayat", "Irfan Haris", "Rian Tri");

for($i = 0; $i < count($nama); $i++)
{
    echo $nama[$i];
    echo '<br/>';
}

// output :
// Nur Hidayat
// Irfan Haris
// Rian Tri
?>

Array Multi Dimensi

Dari latihan diatas, kita sudah mempraktekkan array satu dimensi. Kita lanjut membahas array multi dimensi yang dimana mempunyai isi berupa array di dalam array. atau untuk lebih jelasnya bisa saya analogikan seperti gambar berikut.
gambar diatas merupakan tabel yang mempunyai baris dan kolom yang dimulai dengan kolom ke 0 dan baris ke 0 (0,0) dan di akhiri dengan baris ke 3 kolom ke 4(3, 4). selayaknya tabel di atas, array multi dimensi bisa dibuat seperti contoh berikut.
<?php 

$nama = array(
    array("nama" => "Nur Hidayat", "alamat" => "Lamongan"),
    array("nama" => "Irfan Haris", "alamat" => "Malang"),
    array("nama" => "Rian Tri", "alamat" => "Tuban"),
);
?>
untuk melakukan akses, kita bisa mengaksesnya dengan menggunakan key / alamat data. Contoh seperti pada potongan kode berikut
<?php 

$nama = array(
    array("nama" => "Nur Hidayat", "alamat" => "Lamongan"),
    array("nama" => "Irfan Haris", "alamat" => "Malang"),
    array("nama" => "Rian Tri", "alamat" => "Tuban"),

echo $nama[0]["nama"]; // Nur Hidayat
echo $nama[0]["alamat"]; // Lamongan
echo $nama[2]["nama"]; // Rian Tri
echo $nama[2]["alamat"]; // Tuban
);
?>
sementara cukup sekian dulu tulisan mengenai array di PHP. Apabila ada pertanyaan boleh tulis di kolom komentar. Semoga bermanfaat. Salam


Komentar

  1. kelinci99
    Togel Online Terpercaya Dan Games Laiinnya Live Casino.
    HOT PROMO NEW MEMBER FREECHIPS 5ribu !!
    NEXT DEPOSIT 50ribu FREECHIPS 5RB !!
    Ada Bagi2 Freechips Untuk New Member + Bonus Depositnya Loh ,
    Yuk Daftarkan Sekarang Mumpung Ada Freechips Setiap Harinya
    segera daftar dan bermain ya selain Togel ad juga Games Online Betting lain nya ,
    yang bisa di mainkan dgn 1 userid saja .
    yukk daftar di www.kelinci99.casino

    BalasHapus

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 ...

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-...

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...