Pembelajaran Mesin

Secara umum, algoritma pembelajaran mesin dapat dianggap sebagai kotak hitam. Dibutuhkan input dan menghasilkan output. Tujuan pembelajaran ini adalah untuk menunjukkan kepada Anda cara membuat 'kotak hitam' ini dan menyesuaikannya dengan kebutuhan Anda. Misalnya, kita dapat membuat model yang memprediksi cuaca besok, berdasarkan data meteorologi beberapa hari terakhir. "Kotak hitam" sebenarnya adalah model matematika. Algoritma pembelajaran mesin akan mengikuti semacam metode coba-coba untuk menentukan model yang memperkirakan keluaran, dengan masukan yang diberikan. Setelah kita memiliki model, kita harus melatihnya. Pelatihan adalah proses dimana, model belajar bagaimana memahami input data.

	Jenis Pembelajaran Mesin
Supervised	UnSupervised	Reinforcement
Disebut terawasi karena disediakan algoritme yang tidak hanya dengan input, tetapi juga dengan target (output yang diinginkan). Berdasarkan informasi itu, algoritme mempelajari cara menghasilkan output sedekat mungkin dengan target. Fungsi tujuan dalam pembelajaran terawasi disebut loss function (juga biaya atau kesalahan) Kami mencoba meminimalkan kerugian(loss) karena semakin rendah fungsi kerugian(loss function), semakin tinggi akurasi model.	Dalam pembelajaran mesin tanpa pengawasan, peneliti memberi masukan kepada model, tetapi tidak dengan target. Sebaliknya, dia memintanya untuk menemukan semacam ketergantungan atau logika yang mendasari dalam data yang disediakan. Misalnya, Anda mungkin memiliki data keuangan untuk 100 negara Model berhasil membagi (menjadi 5 kelompok, Anda kemudian memeriksa 5 kelompok dan mencapai kesimpulan bahwa kelompok tersebut adalah “Maju”, “Berkembang tetapi berprestasi”, berprestasi tinggi”, “Berkembang tetapi kurang berprestasi”, kurang berprestasi”, “stagnasi” dan “memburuk” Algoritme membagi mereka menjadi 5 kelompok berdasarkan kesamaan tetapi Anda tidak tahu kesamaan apa yang dapat dibagi berdasarkan lokasi.	Dalam ML Reinforcement penguatan,tujuan algoritme adalah untuk memaksimalkan imbalannya Ini terinspirasi oleh perilaku manusia dan cara orang mengubah tindakan mereka sesuai dengan insentif, seperti mendapatkan hadiah atau menghindari hukuman. Fungsi tujuan disebut reward function Kami mencoba memaksimalkan reward function Contoh adalah komputer bermain Super Mario, Semakin tinggi skor yang dicapai, semakin baik kinerjanya Skor dalam hal ini adalah fungsi tujuan.
Metode: 1.    Regression 2.    Classification	Metode: Clustering	Metode: 1.     Decision process 2.     Reward system

Membangun Blok Algoritma Pembelajaran Mesin
Logika dasar di balik pelatihan suatu algoritma melibatkan empat bahan: data, model, fungsi tujuan, dan algoritma optimasi.
1. kita perlu menyiapkan sejumlah data untuk dilatih. Biasanya, mengambil data historis
2. Memilih jenis model Secara kasar, ini adalah beberapa fungsi, yang ditentukan oleh bobot dan bias. Memasukkan data masukan ke dalam model. Pada dasarnya, ide dari algoritma pembelajaran mesin adalah untuk menemukan parameter yang modelnya memiliki kekuatan prediksi tertinggi.
3.Fungsi tujuan mengukur kekuatan prediksi model. Secara matematis, masalah pembelajaran mesin bermuara pada pengoptimalan fungsi. Misalnya, dalam kasus kerugian, kita berusaha meminimalkannya.
4.Mencapai optimasi menggunakan algoritma optimasi. Menggunakan nilai fungsi tujuan, algoritma optimasi memvariasikan parameter model. Operasi ini diulang sampai kita menemukan nilai parameter, yang fungsi tujuannya optimal.

Pembelajaran yang diawasi(supervise) dapat dibagi menjadi dua subtipe yaitu regresi dan klasifikasi

Regresi

Klasifikasi

Output regresi adalah angka kontinu Contoh Memprediksi nilai tukar EUR/USD pada waktu akan dating. Outputnya adalah angka, seperti 102,153 dll. Memprediksi harga rumah, misalnya $234,200 atau $512,414. Salah satu sifat utama dari keluaran regresi adalah bahwa terurut, Sebagai $102<$153 dan $243200<$512414 sehingga dapat pasti dikatakan bahwa satu output lebih besar dari yang lain. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin karena algoritma akan mendapat informasi tambahan dari keluaran.

Output klasifikasi adalah label dari semacam kelas Contoh Mengklasifikasikan foto hewan berdasarkan Kelasnya contoh: “kucing”, “anjing“, “sapi”, dll Memprediksi konversi dalam konteks bisnis dapat memiliki dua kelas pelanggan, misalnya “akan membeli lagi” dan “tidak akan membeli lagi”. Dalam hal klasifikasi, label tidak dipesan dan tidak dapat dibandingkan sama sekali. Foto anjing bukanlah “atau “foto kucing (secara objektif). rumah dpinggir jalan senilai $512,414 adalah “lebih” (lebih mahal) daripada rumah senilai $234,200 tidak di pinggir jalan. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin, karena kelas yang berbeda diperlakukan pada pijakan yang sama.

Virtual Machine (VM)

Lingkungan komputasi cloud menyediakan pasokan sumber daya komputasi berdasarkan permintaan saat dibutuhkan. Dibangun di atas kemajuan teknologi virtualisasi dan komputasi terdistribusi untuk mendukung penggunaan sumber daya komputasi yang efisien biaya, menekankan pada skalabilitas sumber daya dan layanan sesuai permintaan. Memungkinkan untuk meningkatkan hasil bisnis dan menurunkan penggunaan sumber daya berdasarkan kebutuhan. Mengelola permintaan pelanggan menciptakan tantangan alokasi sumber daya sesuai permintaan. Teknologi Virtual Machine (VM) digunakan untuk penyediaan sumber daya. Diharapkan dengan menggunakan lingkungan tervirtualisasi akan mengurangi waktu rata-rata respons pekerjaan, serta pelaksanaan task sesuai dengan ketersediaan sumber daya. Oleh karena itu, VM dialokasikan untuk pengguna berdasarkan karakteristik pekerjaan. Pemanfaatan sumber daya di cloud secara efektif dan dinamis dapat membantu menyeimbangkan beban dan menghindari situasi seperti sistem yang berjalan lambat.
Cloud adalah jenis sistem paralel dan terdistribusi, terdiri dari sekumpulan komputer yang saling berhubungan dan virtual. Disediakan secara dinamis dan disajikan sebagai satu atau lebih sumber daya komputasi terpadu, berdasarkan Service Level Agreements (SLA). Dibentuk melalui negosiasi antara penyedia layanan dan konsumen. Komputasi cloud adalah komputasi berbasis internet dimana sekelompok besar jaringan server jarak jauh, yang memungkinkan berbagi tugas pemrosesan data, penyimpanan data terpusat dan akses online. Komputasi cloud juga berfokus pada memaksimalkan efektivitas sumber daya bersama. Sumber daya cloud tidak hanya dibagikan oleh banyak pengguna tetapi juga dialokasikan ulang berdasarkan permintaan, secara dinamis. Teknologi pendukung utama adalah virtualisasi. Perangkat lunak virtualisasi memungkinkan perangkat komputasi fisik dipisahkan secara elektronik menjadi satu atau lebih perangkat virtual, yang masing-masing dapat dengan mudah digunakan dan dikelola untuk menghitung task. Virtualisasi mempercepat operasi teknologi informasi dan mengurangi biaya, dengan meningkatkan pemanfaatan infrastruktur.
Penjadwalan adalah bagian penting dari sistem operasi, penjadwalan CPU berkaitan dengan masalah dalam memutuskan proses mana dalam antrean siap pakai yang akan dialokasikan. Ketika suatu pekerjaan diserahkan ke manajer sumber daya, pekerjaan akan menunggu dalam antrean sampai dijadwalkan dan dieksekusi. Waktu yang dihabiskan dalam antrean atau waktu tunggu, tergantung pada beberapa faktor termasuk prioritas pekerjaan, memuat sistem, dan ketersediaan sumber daya yang diminta. Waktu penyelesaian merupakan waktu antara ketika pekerjaan diserahkan sampai pekerjaan selesai. Termasuk waktu tunggu serta waktu pelaksanaan pekerjaan yang sebenarnya. Waktu respons menunjukkan seberapa cepat pengguna menerima respons dari sistem setelah pekerjaan diserahkan. Throughput sistem didefinisikan sebagai jumlah pekerjaan yang diselesaikan per unit waktu. Waktu respons rata-rata adalah metrik kinerja penting bagi pengguna yang diharapkan waktu responsnya minimal. Banyak pekerjaan berbeda dikirimkan ke cloud dalam lingkungan produksi yang khas. Broker cloud melakukan pra-konfigurasi dan menyimpan semua VM yang diperlukan ke cloud untuk menjalankan pekerjaan pengguna dan semua pekerjaan masuk dalam antrean. Penjadwal tingkat sistem berjalan pada sistem khusus, mengelola semua pekerjaan dan memutuskan apakah menyediakan VM baru dari cloud atau mengalokasikan pekerjaan ke VM.
Teknologi mesin virtual telah digunakan untuk penyediaan sumber daya. VM dialokasikan untuk pengguna berdasarkan karakteristik pekerjaan. Pekerjaan berprioritas rendah tidak seharusnya menunda pelaksanaan pekerjaan berprioritas tinggi. Skenario ini mengarah pada pertentangan sumber daya antara pekerjaan prioritas rendah dan tinggi untuk mengakses sumber daya. VM didasarkan pada reservasi sumber daya yaitu reservasi CPU, memori dan sumber daya jaringan untuk setiap instance VM atau cluster VM. Tujuan dasarnya adalah mengaktifkan aplikasi untuk meminta pembuatan mesin virtual dan cluster berdasarkan spesifikasi tingkat tinggi pada lingkungan VM dan QoS yang diinginkan. Sebuah model untuk memprediksi berbagai overhead run-time yang terlibat dalam menggunakan mesin virtual, memungkinkan untuk mendukung reservasi sebelumnya. Abstraksi pekerjaan yang digunakan oleh penjadwal batch mengikat penyediaan sumber daya, pekerjaan dan pelaksanaannya secara bersama.

Grid and Cloud

Bidang grid, utility dan cloud computing memiliki seperangkat kesamaan tujuan dalam pemanfaatan sumber daya bersama agar dapat digunakan secara optimal, untuk memenuhi berbagai permintaan dengan biaya yang kompetitif dan tepat waktu. Sejak komputasi grid memulai perjalanan teknologinya sekitar satu dekade lebih awal dari komputasi cloud, cloud dapat mengambil manfaat dari teknologi dan pengalaman grid dalam membangun infrastruktur komputasi terdistribusi. Komputasi cloud adalah kombinasi komunitas distribusi dan komputasi grid yang diimplementasikan pada dunia nyata. Implementasi komputasi cloud saat ini lebih difokuskan pada masalah penelitian. Salah satu masalah utama dalam cloud adalah alokasi task yaitu mengalokasikan task secara dinamis pada prosesor server. Komputasi cloud bukanlah teknologi baru, cloud adalah nama baru dari grid yang dikombinasikan dengan mesin virtual. Fokus grid pada banyak masalah penjadwalan, yang juga terjadi dalam skenario komputasi cloud secara online. Cloud menyediakan perangkat keras komputasi tervirtualisasi yang mirip dengan utilitas publik, sehingga disebut Infrastructure-as-a Service (IaaS). Semua perangkat keras divirtualisasikan, cloud memberikan ilusi sumber daya tanpa batas yang dapat dibuat tersedia bagi pengguna sesuai permintaan dan dapat ditingkatkan secara dinamis. Komputasi yang ditawarkan melalui cloud mengacu pada aplikasi dan platform perangkat lunak, biasanya dengan notasi model layanan, maka disebut Software-as-a Service (SaaS).
Penjadwalan task adalah aktivitas berurutan yang menggunakan satu set input untuk menghasilkan satu set output. Proses dalam himpunan terbatas ditugaskan secara statis ke prosesor, baik pada saat kompilasi atau saat start-up. Beban kerja berlebihan dapat dihindari menggunakan beberapa algoritme terkait. Teknik komputasi grid dapat secara luas dikategorikan sebagai kebijakan terpusat atau desentralisasi, dinamis atau campuran dalam tren terbaru. Penjadwalan sumber daya adalah pusat penelitian pada cloud, karena besarnya waktu eksekusi dan biaya sumber daya. Perbedaan kriteria penjadwalan sumber daya dan parameter yang digunakan mengarah ke berbagai kategori Resource Scheduling Algorithms (RSA). Tahap pertama manajemen sumber daya adalah penyediaan sumber. Tujuan pertama penjadwalan sumber daya adalah untuk mengidentifikasi sumber daya yang sesuai untuk penjadwalan beban kerja yang tepat waktu dan meningkatkan efektivitas pemanfaatan sumber daya. Dengan kata lain, tingkat kualitas layanan yang disyaratkan dapat terpenuhi dengan jumlah sumber daya yang digunakan dapat minimum dan beban kerja dapat dipertahankan, atau meminimalkan waktu penyelesaian beban kerja (memaksimalkan throughput). Penjadwalan sumber daya yang baik, diperlukan pemetaan beban kerja pada sumber daya yang baik. Tujuan kedua penjadwalan sumber daya adalah mengidentifikasi beban kerja yang memadai dan cocok untuk mendukung penjadwalan beberapa beban kerja, agar mampu memenuhi berbagai persyaratan QoS seperti pemanfaatan CPU, ketersediaan, keandalan, keamanan, dll, pada beban kerja cloud.

Gambar 1. Model Penjadwalan Cloud Dinamis

Kecerdasan buatan dan komputasi awan(cloud computing)

Kecerdasan buatan dan komputasi awan(cloud computing) telah bergabung untuk meningkatkan kehidupan jutaan orang. Asisten digital seperti Siri, Google Home, dan Amazon Alexa memadukan AI dan komputasi awan dalam kehidupan kita setiap hari. Dengan isyarat verbal cepat, pengguna dapat melakukan pembelian, menyesuaikan termostat rumah pintar, atau mendengar lagu yang diputar melalui speaker terhubung. Aliran AI dan sumber daya berbasis cloud yang lancar membuat permintaan tersebut menjadi kenyataan. Sebagian besar pengguna bahkan tidak pernah menyadari bahwa ini adalah perpaduan khusus dari dua bidang teknologi—kecerdasan buatan dan komputasi awan—yang memungkinkan pengalaman terhubung dan intuitif. Dalam skala yang lebih besar, kemampuan bekerja AI di lingkungan bisnis komputasi awan membuat organisasi lebih efisien, strategis, dan didorong oleh wawasan pengetahuan. Komputasi awan menawarkan lebih banyak fleksibilitas, kelincahan, dan penghematan biaya bagi bisnis dengan menghosting data dan aplikasi di cloud. Kemampuan kecerdasan buatan sekarang berlapis dengan komputasi awan dan membantu perusahaan mengelola data mereka, mencari pola dan wawasan dalam informasi, memberikan pengalaman pelanggan, dan mengoptimalkan alur kerja. Berikut untuk melihat lebih dekat apa yang perlu Anda ketahui tentang masa depan AI dan komputasi awan. 

1. Peran AI dan Cloud Computing
Menurut Statista, nilai global pasar AI akan melampaui perkiraan lebih dari $89 miliar per tahun pada tahun 2025. Persentase signifikan dari nilai itu akan terjadi karena kecerdasan buatan menggerakkan komputasi awan pada gilirannya, karena komputasi awan bertindak sebagai mesin. untuk meningkatkan cakupan dan dampak AI di pasar yang lebih besar. McKinsey baru-baru ini melakukan penelitian untuk mengeksplorasi bagaimana AI dapat memengaruhi penciptaan nilai di berbagai industri. Mereka memperkirakan bahwa di 19 area bisnis dan lebih dari 400 kasus penggunaan potensial, AI dapat menghasilkan nilai $3,5 triliun dan $5,8 triliun per tahun. Angka itu sebenarnya konservatif, karena mencerminkan sub-segmen tertentu dari teknik AI. Secara lebih luas, McKinsey memperkirakan dampaknya bisa mencapai $15,4 triliun per tahun. Deloitte, menunjukkan dalam sebuah analisis bahwa sementara AI memiliki kemampuan luar biasa untuk menguntungkan perusahaan, kebutuhan akan bakat teknis dan infrastruktur besar telah membuatnya kurang dapat dicapai oleh banyak organisasi. Di situlah cloud masuk. Deloitte mencatat, “Hasilnya adalah para inovator ini mempermudah lebih banyak perusahaan untuk mendapatkan keuntungan dari teknologi AI bahkan jika mereka tidak memiliki bakat teknis terbaik, akses ke kumpulan data besar, dan kekuatan komputasi mereka sendiri yang besar. Melalui cloud, mereka dapat mengakses layanan untuk mengatasi kekurangan ini—tanpa harus melakukan investasi besar di muka. Singkatnya, cloud mendemokratisasikan akses ke AI dengan memberi perusahaan kemampuan untuk menggunakannya sekarang.” Mari kita jelajahi beberapa aplikasi paling penting dan menjanjikan untuk AI dan komputasi awan.
 

2. Memberdayakan Self-Managing Cloud dengan AI 

Kecerdasan buatan sedang disematkan ke dalam infrastruktur TI untuk membantu merampingkan beban kerja dan mengotomatiskan tugas yang berulang. Beberapa telah memprediksi bahwa ketika AI menjadi lebih canggih, instance cloud pribadi dan publik akan mengandalkan alat AI ini untuk memantau, mengelola, dan bahkan memperbaiki diri sendiri ketika masalah terjadi. Awalnya, AI dapat digunakan untuk mengotomatisasi alur kerja inti dan kemudian seiring waktu, kemampuan analitis dapat menciptakan proses yang lebih baik yang sebagian besar independen. Proses rutin dapat dikelola oleh sistem itu sendiri, yang selanjutnya membantu tim TI menangkap efisiensi komputasi awan dan memungkinkan mereka untuk fokus pada aktivitas strategis yang bernilai lebih tinggi.
 

3. Meningkatkan Manajemen Data dengan AI 

Di tingkat cloud, alat kecerdasan buatan juga meningkatkan manajemen data. Pertimbangkan penyimpanan data yang sangat besar yang dihasilkan dan dikumpulkan oleh bisnis saat ini, serta proses pengelolaan infrastruktur tersebut—mengidentifikasi data, mencernanya, mengkatalogkannya, dan mengelolanya dari waktu ke waktu. Solusi komputasi awan sudah menggunakan alat AI untuk membantu aspek tertentu dari proses data. Di perbankan, misalnya, bahkan organisasi keuangan terkecil pun mungkin perlu memantau ribuan transaksi per hari. Alat AI dapat membantu merampingkan cara data diserap, diperbarui, dan dikelola, sehingga lembaga keuangan dapat lebih mudah menawarkan data real-time yang akurat kepada klien. Proses yang sama juga dapat membantu menandai aktivitas penipuan atau mengidentifikasi area risiko lainnya. Peningkatan serupa dapat berdampak besar pada bidang-bidang seperti pemasaran, layanan pelanggan, dan manajemen data rantai pasokan.
 4. Menyelesaikan Lebih Banyak dengan Integrasi AI–SaaS 

Alat kecerdasan buatan juga diluncurkan sebagai bagian dari platform Software-as-a-Service (SaaS) yang lebih besar untuk memberikan nilai lebih. Semakin banyak, penyedia SaaS menanamkan alat AI ke dalam rangkaian perangkat lunak mereka yang lebih besar untuk menawarkan fungsionalitas dan nilai yang lebih besar kepada pengguna akhir. Mari kita jelajahi satu contoh populer: platform manajemen hubungan pelanggan Salesforce dan alat AI Einstein-nya. Nilai dari CRM adalah bahwa ia menangkap sejumlah besar data pelanggan dan membuatnya lebih mudah untuk melacak hubungan pelanggan dan mempersonalisasi interaksi. Tetapi volume data bisa sangat banyak. Salesforce memperkenalkan Einstein untuk membantu mengubah data menjadi wawasan yang dapat ditindaklanjuti yang dapat digunakan bisnis untuk menjual lebih banyak, meningkatkan strategi penjualan mereka, dan terlibat dengan pelanggan. Alat tersebut dapat membantu bisnis mencari pola dalam interaksi pelanggan, misalnya, untuk membantu memberi saran kepada penjualan tentang metode apa—seperti telepon, email, atau pertemuan langsung—yang lebih mungkin untuk mendorong adanya konversi. Ini juga dapat digunakan untuk membuat rekomendasi "langkah selanjutnya" berdasarkan sinyal pembelian yang dirasakan alat tersebut.
 

5. Memanfaatkan Layanan Cloud Dinamis 

AI sebagai layanan juga mengubah cara bisnis mengandalkan alat. Pertimbangkan modul ritel berbasis cloud yang memudahkan untuk menjual produk merek mereka. Modul ini memiliki fitur penetapan harga yang dapat secara otomatis menyesuaikan harga pada produk tertentu untuk memperhitungkan masalah seperti permintaan, tingkat inventaris, penjualan pesaing, dan tren pasar. Analisis canggih yang didasarkan pada pemodelan–menarik jaringan saraf dalam–dapat memberi perintah yang jauh lebih baik atas data bisnis mereka, dengan implikasi waktu nyata yang penting. Modul penetapan harga yang didukung AI seperti ini memastikan bahwa penetapan harga perusahaan akan selalu dioptimalkan. Ini bukan hanya tentang memanfaatkan data dengan lebih baik; melakukan analisis dan kemudian menerapkannya tanpa perlu campur tangan manusia. AI dan komputasi awan mengubah bisnis di setiap level. Dari pembelajaran yang lebih dalam hingga otomatisasi proses utama, yang potensinya sangat menjanjikan. Meskipun ada beberapa contoh di pasar sekarang, dengan melihat lanskap, yang menunjukkan bahwa ini akan terus tumbuh di tahun-tahun mendatang. Mulailah menjelajahi bagaimana AI dan komputasi awan bersama-sama dapat membantu Anda memberikan pengalaman yang lebih baik, bekerja lebih efisien, dan menangkap nilai maksimum dari data dan wawasan yang Anda kumpulkan di pasar.

PANDUAN PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT EDISI XIII REVISI TAHUN 2021

PANDUAN PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT EDISI XIII REVISI TAHUN 2021 Perguruan Tinggi Penyelenggara Pendidikan Akademik Perguruan tinggi berkewajiban menyelenggarakan pendidikan, penelitian, dan pengabdian kepada masyarakat sebagaimana diamanatkan dalam Undang-Undang Nomor 20 Tahun 2003 tentang Pendidikan Nasional Pasal 20. Penelitian di perguruan tinggi diarahkan untuk mengembangkan ilmu pengetahuan dan teknologi, serta meningkatkan kesejahteraan masyarakat dan daya saing bangsa seperti dijelaskan dalam Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi Pasal 45 dan 46. Penelitian sebagaimana dimaksud, dilakukan oleh sivitas akademika dan dilaksanakan berdasarkan jalur kompetensi dan kompetisi. Hasil penelitian wajib disebarluaskan dengan cara diseminarkan, dipublikasikan, dan/atau dipatenkan. Hasil penelitian di tingkat perguruan tinggi diharapkan bermanfaat untuk:

LINK DOWNLOAD: BUKU PENELITIAN

 Bagaimana Antrean  digunakan dalam aplikasi nyata dan implementasinya dalam C ++

Link Aplikasi Antrean

Antrean  adalah salah satu struktur data yang paling sederhana dan berguna, tidak hanya dalam ilmu komputer, Antrean  juga relevan dalam kehidupan kita sehari-hari di banyak bidang yang berbeda.
Kita akan membahas mengapa Antrean  sangat penting, bagaimana mereka digunakan dalam ilmu komputer dan akhirnya melihat implementasinya dalam C ++. Tujuannya adalah untuk memahami pola Antrean , dan memahami mengapa mereka ada, ini diharapkan dapat membantu Anda yang ingin mempelajari Antrean .

Aplikasi praktis

Jadi apa yang membuat Antrean  spesial? Antrean  adalah struktur data yang mengikuti First In First Out - yang berarti item pertama yang masuk Antrean  adalah yang pertama meninggalkan Antrean .

Dalam ilmu komputer, pola ini berguna ketika proses perlu dijalankan sesuai urutan pembuatannya. Ini juga digunakan untuk mengirim pesan ke penerima sesuai urutan pembuatannya.

Antrean  berguna dalam skenario di mana hanya ada satu sumber daya, tetapi beberapa objek yang ingin menggunakan atau mengakses sumber daya. Jadi Antrean  bisa dianggap seperti daftar tunggu, untuk sumber daya. Sumber daya ini bisa berupa prosesor, atau mungkin layanan yang menjalankan fungsi, atau bahkan bisa menjadi penerima pesan. Memperkenalkan konsep daftar tunggu untuk sumber daya ini membantu dalam membuat sistem asinkron, meningkatkan kecepatan pemrosesan, dan juga memastikan sumber daya digunakan secara efisien.

Belajar tentang Antrean  diperlukan, karena akan digunakan di beberapa titik dalam karier Anda. Berikut adalah beberapa aplikasi di mana Antrean  digunakan:

·      1. Antrean  Pesan - Antrean  pesan adalah konsep umum yang digunakan untuk komunikasi antar proses. Pada dasarnya pengirim mengirim pesan, dan jika penerima tidak dapat segera menerimanya mungkin karena sibuk dengan sesuatu atau offline, pesan tersebut bukannya terkirim, menunggu dalam semacam Antrean , dan ketika penerima siap menerimanya, pesan dikonsumsi atau dihapus dari Antrean  dan dikirim ke penerima. Misalnya, saat Anda mengirim email, ia menunggu dalam Antrean  yang disebut Antrean  SMTP, sampai penerima masuk ke kotak masuk mereka. Konsep yang sama diterapkan saat Anda mengirim pesan ke seseorang yang tidak online di jejaring sosial. Pesan Anda menunggu dalam semacam Antrean  di server, dan ketika penerima online, pesan akan dikirim kepada mereka.

·       2.  Proses Penjadwalan - Semua proses yang berjalan di komputer Anda sekarang, menunggu dulu dalam Antrean  yang disebut Antrean  siap, menunggu untuk dieksekusi oleh prosesor. Ada berbagai algoritma penjadwalan yang memutuskan proses mana yang harus dijalankan selanjutnya berdasarkan kriteria tertentu seperti prioritas.

·      3.   Data Buffer - Buffer mengimplementasikan Antrean  dan biasanya digunakan dalam komunikasi ketika ada perbedaan antara kecepatan penerimaan data dan kecepatan pemrosesannya. Misalnya dalam aplikasi video streaming, video di-streaming secara burst dan disimpan dalam buffer sehingga meskipun jaringan menjadi lambat untuk beberapa saat, pemutaran tidak akan terganggu. Katakanlah misalnya video diputar pada 24fps, maka aplikasi streaming dapat menyimpan 240 bingkai dalam buffernya, sehingga dapat terus diputar selama 10 detik berikutnya meskipun jaringan terputus. Buffer juga digunakan untuk mengurutkan frame, yaitu jika frame rusak, mereka akan diurutkan dalam buffer sebelum dimainkan. Buffer juga digunakan dalam drive disk, perangkat input / output, dan komunikasi melalui jaringan.

Ini juga digunakan dalam beberapa algoritma seperti algoritma Breadth First Search atau BFS, dan algoritma round robin. Sekarang setelah kita memahami pentingnya Antrean , mari kita lihat operasi Antrean .

Ada empat operasi Antrean :

Enqueue - menambahkan elemen ke Antrean  disebut enqueue. Elemen baru biasanya ditambahkan ke belakang Antrean . Dalam contoh, 10 diantrekan, dan ditambahkan ke Antrean .

Dequeue - menghapus elemen dari Antrean  disebut dequeue. Saat memanggil dequeue, elemen dari depan Antrean  (lebih umum, ujung berlawanan di mana enqueue dilakukan) dihapus. Dalam contoh, 15 berada di depan, dan saat mengantre, dihapus dan nilainya dikembalikan.

Front - fungsi ini hanya mengembalikan nilai di depan Antrean . Ini akan menjadi elemen yang akan diantrekan selanjutnya.

Back / Rear - fungsi ini mengembalikan nilai di belakang Antrean . Ini akan menjadi elemen yang baru saja ditambahkan ke Antrean .

JARINGAN SARAF TIRUAN BACKPROPAGATION

Backpropagation

Jaringan saraf tiruan backpropagation adalah suatu model jaringan saraf tiruan yang paling sering dipakai karena memiliki unjuk kerja yang baik dari sisi tingkat ketelitiannya. Selain itu, jaringan ini juga memiliki kemudahan dalam melakukan pelatihan.

               Pada jaringan saraf tiruan backpropagation, kesalahan pada lapisan keluaran dipropagasikan kembali ke lapisan sebelumnya yang sedang belajar. Jika lapisan sesudahnya bukan lapisan masukan, maka kesalahan pada lapisan tersembunyi dipropagasikan kembali ke lapisan sebelumnya.

  Link Download Disini 

Pengertian Dalam GA

Ide komputasi evolusi diperkenalkan pada tahun 1960 oleh I. Rechenberg dalam karyanya "Evolution strategi" ((Evolutions strategie (dalam dokumen asli)). Idenya kemudian dikembangkan oleh peneliti lain. Algoritma Genetika (GAs) diciptakan oleh John Holland dan dikembangkan oleh dia serta para mahasiswa dan koleganya. Diterbitkan di Belanda dengan judul "adaptasi di Alam dan Sistem Buatan " pada tahun 1975.
Pada tahun 1992 John Koza telah menggunakan algoritma genetika untuk melakukan tugas tertentu. Ia menyebut metodenya "pemrograman genetika" (GP). Program yang digunakan LISP, karena program dalam bahasa ini dapat dinyatakan dalam bentuk "pohon parse", yang merupakan obyek GA.
Kromosom
Semua organisme hidup terdiri dari sel-sel. Dalam setiap sel ada set yang sama pada kromosom. Kromosom adalah string DNA dan berfungsi sebagai model bagi seluruh organisme. Sebuah kromosom terdiri dari gen, blok DNA. Setiap gen menyandi protein tertentu. Pada dasarnya dapat dikatakan, bahwa masing-masing gen mengkodekan suatu sifat, seperti warna mata. Pengaturan yang mungkin untuk suatu sifat (misalnya biru, coklat) disebut alle. Setiap gen memiliki posisi sendiri di kromosom. Posisi ini disebut lokus.
Set lengkap materi genetik (semua kromosom) disebut genom. Khusus set gen dalam genom disebut genotipe. Genotipe ini didalam perkembangannya kemudian setelah lahir merupakan dasar untuk fenotipe organisme, karakteristik fisik dan mental, seperti warna mata, kecerdasan dll.
Reproduksi
Selama reproduksi, pertama kali yang terjadi adalah rekombinasi (atau crossover). Kromosom baru akan terbentuk dalam beberapa cara dari Gen orang tua. Keturunan baru yang dibuat kemudian dapat bermutasi. Mutasi berarti, bahwa unsur-unsur DNA ada sedikit perubahan. Perubahan ini terutama disebabkan oleh kesalahan dalam menyalin gen dari orang tua.
Kesesuaian suatu organisme diukur dengan keberhasilan organisme dalam hidupnya.
Jika kita memecahkan beberapa masalah, kita biasanya mencari beberapa solusi yang terbaik. Ruang dari semua solusi yang layak (artinya objek di antara mereka adalah solusi yang diinginkan) disebut ruang pencarian (ruang keadaan). Setiap titik dalam ruang pencarian merupakan salah satu solusi yang layak. Setiap solusi yang layak dapat "ditandai" oleh nilai atau kesesuaian untuk masalah. Kita sedang mencari solusi, yang merupakan salah satu titik (atau lebih) diantara solusi yang layak, yang merupakan salah satu titik dalam ruang pencarian.
Para pencari solusi, kemudian mencari beberapa kondisi ekstrim (minimum atau maksimum) dalam ruang pencarian. Ruang pencarian dapat menjadi utuh, dikenal dengan nama waktu penyelesaian masalah, tetapi biasanya kita tahu hanya beberapa poin dari dari poin lain yang dihasilkan sebagai proses pencarian solusi.
Masalahnya adalah bahwa pencarian bisa sangat rumit. Orang tidak tahu ke mana harus mencari solusi dan dari mana harus memulainya. Ada banyak metode, bagaimana menemukan beberapa solusi yang sesuai (belum tentu solusi yang terbaik), misalnya metode tabu search, simulated annealing dan algoritma genetika. Solusi yang ditemukan oleh metode ini sering dianggap sebagai solusi yang baik.

Dua unsur yang berbeda dalam GA adalah individu dan populasi. Individu adalah solusi tunggal, sementara populasi adalah himpunan individu yang saat ini terlibat dalam proses pencarian.
Individu adalah salah satu solusi tunggal yang mungkin dari permasalahan yang terjadi. Masing-masing kelompok bersama-sama membentuk solusi seperti yang diberikan di bawah ini:
1. Kromosom, merupakan gabungan dari gen-gen yang membentuk suatu nilai tertentu.
2. Fenotipe, merupakan ekspresi kromosom didalam bentuk suatu model.
Gen
Gen adalah satuan dasar "instruksi" untuk membangun Algoritma Genetik. Sebuah kromosom
merupakan urutan(gabungan) dari gen. Nilai gen bisa berupa nilai biner, float, integer maupun karakter, atau kombinatorial. Gen menggambarkan kemungkinan solusi untuk masalah, tanpa benar-benar menjadi solusi. gen adalah bit string dengan panjang tertentu. Bit string biner adalah representasi jumlah interval dari batas bawah. Gen adalah representasi GA tentang nilai faktor tunggal untuk faktor kontrol, dimana faktor kontrol harus memiliki batas atas dan batas bawah. Rentang ini dapat dibagi menjadi jumlah interval yang dapat dinyatakan oleh string bit gen. Panjang string 'n' dapat mewakili (2n-1) interval. Ukuran interval menjadi
(range) / (2n-1).

• Allele adalah nilai dari gen.

• Kromosom adalah, gabungan dari gen-gen yang membentuk suatu nilai tertentu.

• Individu adalah salah satu nilai atau keadaan yang menyatakan satu solusi yang mungkin dari permasalahan yang terjadi

• Populasi adalah sekumpulan individu yang akan diproses bersama dalam satu siklus evolusi.

• Generasi adalah satu-satuan siklus proses evolusi.

• Nilai Fitness adalah seberapa baik nilai suatu individu atau solusi yang didapat.

Jenis Machine Learning

Boltzmann Machine

Boltzmann Machine

Jaringan saraf Boltzmann Machine dikenalkan oleh Hinton dan Sejnowski pada tahun 1983. Metode Boltzmann Machine sendiri ada dua macam yaitu Boltzmann Machine dengan learning dan Boltzmann Machine tanpa learning.

            Jaringan saraf Boltzmann Machine dengan learning adalah jaringan yang mengatur bobotnya sehingga bentuk atau susunan keseimbangan jaringan akan memecahkan masalah yang diberikan, misalnya masalah encoder. Sedangkan jaringan saraf Boltzmann Machine tanpa learning adalah salah satu jaringan saraf tiruan yang digunakan untuk memecahkan masalah constrained optimization atau masalah yang cara pemecahannya dengan memberikan sejumlah nilai maksimum atau minimum.

Link Download Disini Dasar Teori

Ramadhan Bulan Peningkatan Ilmu (bagian 2)

Alhamdulillah, segala puji hanya kepada Allah SWT. Kita bersyukur hingga hari ini diberi kekuatan dan kesempatan untuk menjalani hari-hari Ramadhan dengan penuh amal kebaikan. Sholawat dan salam kepada Rasulullah SAW nabi junjungan kita semua, yang mengisi Ramadhan dengan sepenuh amal yang berkah. Memberikan contoh kepada kita beragam amal yang disyariatkan dalam Ramadhan yang mulia. Semoga kita mampu meniru dan menjalankannya.

Kelima : Karena ilmu membuat kita takut pada Allah SWT

Allah SWT berfirman : Sesungguhnya yang takut kepada Allah di antara hamba-hamba-Nya, hanyalah para ulama.. (QS Faathir 28)

Ilmu menjadikan para ulama takut kepada Allah SWT. Bukan hanya ilmu agama atau syariah, tetapi semua ilmu kebaikan berasal dari Allah sehingga mereka yang mendalaminya semestinya bisa merasakan keagungan dan kebesaran Allah SWT, untuk kemudian lebih takut kepada-Nya.

Ilmu aqidah membuat orang mengenal Allah SWT dari dalil-dalil naqli dalam Al-Quran dan Hadits, tentang sifat Allah SWT, kebesaran dan kekuasaan-Nya. Ilmu Fiqh membuat orang terkagum-kagum dan mengakui kebesaran Allah yang telah menciptakan syariat yang begitu sempurna dan komprehensif, tidak ada tandingannya dengan hukum buatan manusia ! Begitu pula mereka yang mempelajari ilmu kedokteran, fisika, biologi bahkan matematika, akan mengagumi kebesaran Allah SWT melalui ayat-ayat kebesaran Allah SWT yang begitu banyak tersebar di alam raya ini ; tentang fase penciptaan manusia, tentang pengaturan alam semesta, tentang anatomi hewan dan tumbuhan, tentang mineral sumber daya alam dan seterusnya dan seterusnya. Semua menceritakan dengan lugas dan jujur tentang kebesaran Allah SWT. Maka layaklah jika para ulama dan ilmuwan sholeh menjadi orang yang paling takut kepada Allah SWT.

Keenam : Karena orang yang berilmu akan mendapat kebaikan

Dari Muawiyah ra, Rasulullah SAW bersabda : " Barang siapa yang Allah SWT menginginkan kebaikan padanya, maka akan difahamkan dalam masalah agama ! " ( HR Bukhori dan Muslim)

Dengan ilmu maka seluruh kebaikan akan mendatanginya. Ketika ibadah maka ia beribadah dengan benar sesuai syariat. Ia juga beribadah dengan ikhlas dan khusyuk karena ia adalah orang yang paling takut pada Allah SWT. Ketika ia bermuamalah maka ia mengetahui yang halal dan haram, maka tidak sekeratpun harta haram masuk dalam tubuhnya dan tubuh anak istrinya.

Bahkan ketika ia mendapat ujian dari Allah SWT, baik yang berupa kenikmatan seperti ;

kekayaan, pangkat jabatan atau yang berupa kesusahan, seperti ; sakit, musibah, kematian dan cobaan , maka ia menghadapi semua itu dengan syukur ataupun sabar. Syukur dan Sabar adalah sumber kebaikan yang menakjubkan, tidak dimiliki kecuali orang yang beriman dan berilmu.

Dari Suhaib bin Sinan ra, Rasulullah SAW bersabda : " Sungguh mengagumkan urusan kaum mukmin, semua urusannya adalah baik baginya. Dan kebaikan ini hanya dimiliki orang mukmin. Jika mendapat kesenangan ia bersyukur dan itu baik baginya.Jika mendapat musibah ia bersabar dan hal itu juga baik baginya !" (HR Muslim)

Ketujuh : Karena ilmu yang bermanfaat menjadi pahala yang terus mengalir hingga kiamat

Dari Abu Hurairah Rasulullah SAW bersabda : Semua amal manusia terputus (pahalanya) setelah kematiannya, kecuali tiga perkara : sedekahnya, ilmu yang bermanfaat dan anak shalih yang mendoakannya " ( HR Muslim)

Kemuliaan orang yang berilmu terus berlanjut hingga hari kiamat, meski jasadnya telah menyatu dengan tanah. Hal ini berlaku untuk seluruh ilmu kebaikan yang bermanfaat tanpa terkecuali.

Misalnya seseorang mahasiswa dengan ilmu elektronika yang ia dapat di perkuliahannya, pulang ke desanya yang terpencil dan merintis pembangkit listrik kecil-kecilan pada sungai tepi desanya. Ia berhasil dan warga desa suka cita menyambutnya. Tidak cukup hanya itu, ternyata warga desa tetangga pun tertarik mengikutinya dan segera belajar darinya. Kembali ia mengajarkan, berhasil, dan diikuti oleh yang lainnya. Demikian seterusnya dan kebaikan itu terus diikuti oleh yang lainnya. Ibaratnya sistem Multi Level Marketing, maka sang mahasiswa ternyata terus mendapat point dari level di bawah yang mengikuti ilmu kebaikannya, bahkan hingga ia meninggal nantinya.

Sistem MLM pahala karena ilmu kebaikan yang bermanfaat adalah legal dan disyariatkan dalam Islam. Dari Jarir bin Abdullah ra, Rasulullah SAW bersabda : " Barang siapa yang mensunnahkan (memulai) dalam Islam sunnah yang baik, maka bagi dia pahalanya dan pahala orang yang mengerjakannya setelah itu, tanpa mengurangi pahala mereka sedikitpun " ( HR Muslim)

Kedelapan : Karena orang yang berilmu dimintakan ampunan oleh semua makhluk

Dari Abu Darda', Rasulullah SAW bersabda : " dan sesungguhnya orang yang berimu itu, dimintakan ampunan oleh penghuni langit, bumi bahkan ikan-ikan di laut yang dalam " (HR Ibnu Hibban)

Mengapa setiap makhluk merasa berhutang budi pada para ulama, bahkan ikan di dalam lautan ?. Dalam kitab Mukhtasor Minhajul Qasidin disebutkan bahwa hal ini terjadi karena ulama mengajarkan ilmu yang membawa kebaikan pada seluruh makhluk pula, seperti ; ilmu ihsan dalam penyembelihan, ilmu larangan untuk menyiksa binatang, menebang pepohonan, merusak alam, dan seterusnya. Sehingga wajar ketika kemudian mereka memintakan ampunan pada Allah SWT bagi orang yang berilmu.

Kesembilan : Karena Allah SWT, para malaikat, penghuni langit dan bumi bershalawat /mendoakan para pengajar ilmu kebaikan

Dari Abu Umamah ra, Rasulullah SAW bersabda : Sesungguhnya Allah SWT dan para malaikat-Nya, penghuni langit dan bumi, bahkan semut dilobangnya, bahkan juga ikan, semuanya bershawalat / mendoakan orang yang mengajarkan ilmu kebaikan " ( HR Tirmidzi, ia mengatakan : Hadits Hasan )

Barangkali ini adalah kemuliaan di atas kemuliaan makhluk bernama manusia. Orang berilmu yang mendapatkan kemuliaan tak terhingga itu. Bayangkan saja, Sang Kholiq dan makhluk-Nya semua bershalawat dan mendoakan untuknya! Mengharapkan kebaikan dan kemuliaan itu senantiasa ada pada orang yang berilmu hingga akhir hayatnya ! Akhirnya, semoga Allah SWT memudahkan niatan kita dalam meningkatkan keilmuan kita, khususnya pada bulan Ramadhan yang mulia, wallahu a’lam bisshowab.

(Hatta Syamsuddin, Lc)

Ramadhan Bulan Peningkatan Ilmu(Bagian 1)

Kenyataan sejarah dan juga pengamatan di sekitar kita telah menyimpulkan dengan sederhana bahwa ; ilmu mengubah seseorang menjadi lebih mulia. Kesimpulan sederhana ini sejalan dengan banyak dalil dalam Al-Quran maupun As-Sunnah . Banyak dalil naqli yang menguatkan kemuliaan seseorang karena ilmunya. Mari kita teliti satu per satu, mengapa ilmu membuat kita jadi mulia dunia dan akhirat.

Pertama : Karena Allah SWT membedakan dan mengangkat derajat orang yang berilmu

Allah SWT berfirman : Katakanlah: "Adakah sama orang-orang yang mengetahui dengan orang-orang yang tidak mengetahui?" Sesungguhnya orang yang berakallah yang dapat menerima pelajaran. (QS az-Zumar 9 ). Firman Allah SWT : "Allah akan meninggikan orang-orang yang beriman di antaramu dan orang-orang yang diberi ilmu pengetahuan beberapa derajat. dan Allah Maha mengetahui apa yang kamu kerjakan." (QS Al-Mujadalah ayat 11). Ibnu Abbas ra mengomentari ayat di atas dengan mengatakan : Tingkatan para ulama dibanding orang mukmin biasa adalah lebih tinggi sebanyak 700 derajat, dimana diantara satu derajat ke derajat setelahnya adalah sama dengan jarak 500 tahun perjalanan !

Kedua : Karena orang yang berilmu senantiasa dijadikan rujukan

Allah SWT berfirman : Maka bertanyalah kepada orang yang mempunyai pengetahuan jika kamu tidak mengetahui, (QS an-Nahl 43). Seorang yang berilmu suka atau tidak pasti menjadi tempat orang bertanya dan merujuk kepadanya ketika mendapat sebuah permasalahan. Karena itu, mereka senantiasa menempatkan para ulama, guru dan ustadz pada kedudukan yang mulia. Ini adalah bukti nyata bahwa ilmu juga membuat orang mulia bukan Cuma di akhirat saja.

Ketiga : Karena ilmu adalah satu-satunya warisan Nabi

Dari Abu Darda', Rasulullah SAW bersabda : Dan sesungguhnya ulama itu pewaris para nabi, dan sesungguhnya para nabi itu tidak pernah mewariskan dinar dan tidak pula dirham, tetapi mereka mewariskan ilmu. Maka barang siapa mengambilnya, sungguh telah mengambil bagian yang besar ". (HR Tirmidzi, Ahmad dan Ibnu Majah)

Tidak ada keraguan bahwa manusia termulia adalah para nabi. Kemuliaan mereka diwariskan melalui ilmu agama. Para ulama yang mengambilnya pun berhak mendapatkan kemuliaan itu. Maka derajat mereka pun naik membumbung tinggi di akhirat nanti, sejajar dengan para nabi dan syuhada ! Dari Utsman bin Affan ra, Rasulullah SAW bersabda : Yang pertama memberi syafaat pada hari kiamat ada tiga : para nabi, para ulama dan para syuhada' (HR Ibnu Majah)

Keempat : Karena ilmu membuat kita beramal dengan benar dan ditakuti syaitan

Dari Abu Darda' ra, Rasulullah SAW bersabda : " Dan sungguh perbedaan keutamaan orang yang berilmu dengan orang yang gemar beribadah, sebagaimana keutamaan bulan purnama dari seluruh bintang lainnya" ( HR Tirmidzi , Ahmad). Mengapa orang 'alim (berilmu) ternyata mempunyai keutamaan yang lebih mulia dibandingkan orang yang rajin ibadah? Logika sederhana kita akan menjawabnya. Seorang berilmu sholat sunnah dua rekaat. Dia berwudhu dengan benar, sholat dengan benar dan khusyuk, mengetahui syarat, rukun dan hal-hal yang merusak ibadahnya. Sementara ada yang lainnya yang gemar sholat hingga delapan bahkan dua belas rekaat setiap malamnya, tetapi tidak memahami bacaannya, tidak mengetahui adab, syarat dan rukunnya, kira-kira yang mana yang lebih mulia amalannya ?

Semoga Allah SWT memudahkan kita dalam meningkatkan ilmu agama dan menjalankannya dengan baik dan istiqomah. Wallahu a’lam bisshowab.

(Hatta Syamsuddin, Lc)

Stack(tumpukan) adalah Tipe Data Abstrak (ADT)

Stack(tumpukan) adalah Tipe Data Abstrak (ADT), yang umum digunakan di sebagian besar bahasa pemrograman. Dinamai tumpukan karena berperilaku seperti tumpukan pada dunia nyata, misalnya - setumpuk kartu atau tumpukan piring, dll.

Tumpukan pada dunia nyata memungkinkan operasi di satu ujung saja. Misalnya, kita dapat menempatkan atau mengeluarkan kartu atau piring hanya dari atas tumpukan. Demikian pula, Stack ADT memungkinkan semua operasi data di satu ujung saja. Pada waktu tertentu, kita hanya dapat mengakses elemen teratas tumpukan.

Fitur ini membuatnya menjadi struktur data LIFO. LIFO adalah singkatan dari Last-in-first-out. Di sini elemen yang ditempatkan (disisipkan atau ditambahkan) terakhir, diakses terlebih dahulu. Dalam terminologi stack, operasi penyisipan disebut operasi PUSH dan operasi penghapusan disebut operasi POP.

Link Download

Stack menggunakan Link List

Stack adalah struktur data Last In First Out (LIFO). memiliki operasi sebagai berikut: 

1. Push: push elemen ke dalam tumpukan. 
2. Pop: hapus elemen terakhir yang ditambahkan. 
3. Top: mengembalikan elemen di atas tumpukan.

Link Download

Queue Data Structures

Antrean merupakan tipe data abstrak atau struktur data linier, di mana elemen pertama disisipkan dari salah satu ujung yang disebut REAR (juga disebut ekor), dan penghapusan elemen yang ada, terjadi dari ujung lain yang disebut FRONT (juga disebut head ). Hal ini menjadikan antrean sebagai struktur data FIFO, artinya elemen yang dimasukkan lebih dulu juga akan dihapus terlebih dahulu.

Link Download Queue Data Structures

PENYEDERHANAAN TATA BAHASA BEBAS KONTEKS

Penyederhanaan tata bahasa bebas konteks bertujuan untuk melakukan pembatasan sehingga tidak menghasilkan pohon penurunan yang memiliki kerumitan yang tak perlu atau aturan produksi yang tidak berarti. 

Link Download Penyederhanaan tata bahasa bebas konteks 

Materi : Mesin Moore dan Mesin Mealy

 Finite Automata Dengan Output (Mesin Moore)

•          Sebuah finite set dari state q₀, q₁, q₂, q₃, . . .  Dimana q0 adalah  start state

•          Alphabet S berisi huruf-huruf yang membentuk input string.    S = {a, b, c, . . . }

•          Alphabet dari karakter yang akan menjadi output         T = {x, y, z, . . . }

•          Tabel transisi yang memperlihatkan untuk tiap state dan tiap huruf input, state apa yang akan dicapai

•          Tabel Keluaran yang memperlihatkan karakter apa dari T yang akan dihasilkan untuk tiap state yang tercapai

•          Mesin Moore tidak mendefinisikan language dari word yang  diterima, karena tiap input yang diumpankan akan menghasilkan suatu keluaran.

•          Tidak mempunyai Final State.

•          Proses akan berhenti jika huruf input yang terakhir telah selesai dibaca.

•          Tampilan Mesin Moore mirip dengan sebuah FA.

Perbedaannya terletak pada state. Sebuah state akan mempunyai nama dan karakter apa yang dihasilkan dengan

pemisahnya garis miring ( / ). 

Link Download : Mesin Moore dan Mesin Mealy