Long Short-Term Memory Networks (LSTMs)
LSTM adalah jenis khusus dari RNN dan sangat mampu mempelajari dependensi jangka panjang. Mari kita coba memahami ketergantungan jangka panjang dengan sebuah contoh.
Misalkan Sahabat DQ telah membangun model untuk memprediksi kata berikutnya berdasarkan yang sebelumnya. Asumsikan Sahabat DQ mencoba memprediksi kata terakhir dalam kalimat, "matahari terbit di timur," kita tidak memerlukan konteks lebih lanjut, dan jelas istilah berikutnya adalah timur.
Dalam kasus seperti ini, di mana tidak ada banyak kesenjangan antara informasi yang relevan dan tempat yang membutuhkannya, RNN dapat mempelajari dan memprediksi output dengan mudah. Tetapi jika kita memiliki kalimat seperti, “Saya lahir di India. Saya berbicara bahasa Hindi dengan lancar”.
Prediksi semacam ini membutuhkan beberapa konteks dari kalimat sebelumnya tentang di mana seseorang dilahirkan, dan RNN mungkin tidak dapat mempelajari dan menghubungkan informasi dalam kasus seperti itu.
Deteksi anomali dalam data lalu lintas jaringan atau IDS (sistem deteksi intrusi), Peramalan deret waktu, Penyelesaian otomatis, analisis teks dan video, dan Pembuatan teks.
Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021
Belajar memulai karir sebagai praktisi data science dengan menggunakan Python, R dan SQL sederhana dengan sign up dan login melalui DQLab Academy! Yuk nikmati kemudahan belajar tanpa ribet melalui live code editor DQLab. Belajar sambil buat portfolio dengan modul DQLab!
Signup sekarang atau isi form dibawah ini ya Sahabat DQ!
Struktur data dan algoritma pada python merupakan dua konsep mendasar dalam dunia computer science. Kedua konsep tersebut merupakan tools yang paling diperlukan oleh programmer di seluruh dunia. Struktur data pada python berhubungan dengan penyimpanan database sedangkan algoritma python merupakan serangkaian instruksi rinci yang membantu dalam pemrosesan data untuk tujuan tertentu. Struktur data adalah serangkaian cara untuk mengatur dan menyimpan data serta berisi hubungan data dan berbagai operasi logis yang bisa diterapkan pada data. Struktur data dibagi menjadi dua, yaitu struktur data primitif dan non primitif. Data yang termasuk kedalam tipe primitif adalah integer, float, strings, dan boolean, sedangkan yang termasuk data non primitif adalah array, list, tuple, dictionary, sets, dan files, Beberapa tipe data non primitif seperti list, tuple, dictionary, dan sets sudah ada di dalam python.
Algoritma python merupakan sekumpulan instruksi yang dijalankan untuk mendapatkan solusi dari masalah yang ada. Algoritma tidak hanya dikhususkan untuk bahasa, oleh karena itu algoritma dapat diimplementasikan dalam beberapa bahasa pemrograman. Tidak ada aturan standar untuk menulis algoritma. Algoritma ini bergantung pada sumber daya dan masalah yang akan dipecahkan. Namun, ada konstruksi kode umum yang bisa digunakan, seperti flow control (if-else) dan loop (do, while, for). Pada artikel kali ini DQLab akan membahas struktur data dan algoritma pada python. Penasaran? Yuk simak artikel ini sampai akhir!
Kelebihan dan Kekurangan Selection Sort
Implementasi Quick Sort di Python
Berikut adalah implementasi Quick Sort dalam bahasa Python.
# Fungsi untuk melakukan partisi
def partition(arr, low, high):
pivot = arr[high] # Mengambil elemen terakhir sebagai pivot
i = low – 1 # Indeks dari elemen yang lebih kecil
for j in range(low, high):
# Jika elemen saat ini lebih kecil atau sama dengan pivot
# Tukar elemen arr[i] dan arr[j]
arr[i], arr[j] = arr[j], arr[i]
# Tukar elemen pivot ke posisi yang tepat
arr[i + 1], arr[high] = arr[high], arr[i + 1]
# Fungsi utama quicksort
def quicksort(arr, low, high):
# Pi adalah indeks partisi
pi = partition(arr, low, high)
# Mengurutkan elemen sebelum dan sesudah partisi
quicksort(arr, low, pi – 1)
quicksort(arr, pi + 1, high)
arr = [10, 7, 8, 9, 1, 5]
quicksort(arr, 0, n – 1)
print(f”Hasil pengurutan: {arr}”)
Pemilihan pivot adalah aspek yang sangat penting dalam Quick Sort. Pilihan pivot yang buruk dapat menghasilkan pembagian yang tidak seimbang pada setiap iterasi, yang meningkatkan waktu eksekusi hingga mencapai O(n2)O(n^2)O(n2). Berikut beberapa strategi umum dalam memilih pivot:
Untuk meningkatkan performa dalam skenario terburuk, banyak implementasi Quick Sort modern menggunakan teknik pemilihan pivot acak atau strategi median-of-three yang memilih pivot dari median tiga elemen (elemen pertama, tengah, dan terakhir).
Berikut implementasi Quick Sort dengan pemilihan pivot acak:
def partition(arr, low, high):
pivot_index = random.randint(low, high)
arr[pivot_index], arr[high] = arr[high], arr[pivot_index] # Tukar pivot dengan elemen terakhir
for j in range(low, high):
arr[i], arr[j] = arr[j], arr[i]
arr[i + 1], arr[high] = arr[high], arr[i + 1]
def quicksort(arr, low, high):
pi = partition(arr, low, high)
quicksort(arr, low, pi – 1)
quicksort(arr, pi + 1, high)
arr = [10, 7, 8, 9, 1, 5]
quicksort(arr, 0, n – 1)
print(f”Hasil pengurutan dengan pivot acak: {arr}”)
By: Finn Christoffer K.
Fungsi sortir dapat digunakan untuk mengurutkan daftar dalam urutan naik, turun atau yang ditentukan pengguna. Tujuan utama dari proses sorting adalah untuk mengurutkan data, baik itu dari terendah ataupun tertinggi. Yang secara tidak langsung akan menjadikan data lebih terstruktur, rapi dan teratur.
Ada banyak algoritma populer untuk mengurutkan data, seperti : insertion sort, selection sort, merge sort, heap sort, quick sort, bubble sort, shell sort, comb sort, counting sort, bucket sort, radix sort. Tapi di artikel ini saya hanya akan menyebutkan salah satu jenis algoritma sort yaitu Selection Sort.
Selection Sort adalah perbaikan dari algoritma bubble sort, dengan mengurangi jumlah perbandingan. Dikatakan selection sort karena algoritma ini mencoba memilih satu per satu elemen data dari posisi awal, untuk mencari data paling kecil dengan mencatat posisi index-nya saja, lalu dilakukan pertukaran hanya sekali pada akhir setiap tahapan.
Selection sort merupakan metode pengurutan dengan mencari nilai data terkecil dimulai dari data diposisi 0 hingga diposisi N-1. Jika terdapat N data dan data terkoleksi dari urutan 0 sampai dengan N-1 maka algoritma pengurutan dengan metode selection sortadalah sebagai berikut:
Jika kita memiliki elemen array : {5, 1, 12, -5, 16, 2, 12, 14} maka cara pengurutannya
Jaringan Fungsi Radial (RBFNs)
Seperti namanya, ini didasarkan pada fungsi aktivasi Radial basis function (RBF). Proses pelatihan model membutuhkan waktu yang sedikit lebih sedikit menggunakan RBFN daripada MLP. Jenis RBFN langsung adalah jaringan saraf umpan maju tiga lapis dengan lapisan input, lapisan tersembunyi yang terdiri dari beberapa unit aktivasi nonlinier RBF, dan lapisan keluaran linier yang bertindak sebagai unit penjumlahan untuk memberikan keluaran akhir.
RBFN digunakan untuk menganalisis harga pasar saham dan juga memperkirakan harga jual di industri Ritel karena kemampuannya untuk bekerja pada data berbasis deret waktu. Aplikasi lain termasuk pengenalan ucapan, analisis deret waktu, pengenalan gambar, pemerataan adaptif, diagnosis medis, dll.
RNN atau Recurrent Neural Network
Pernahkah Sahabat DQ memperhatikan ketika Sahabat DQ mulai mengetik sesuatu, Google secara otomatis melengkapi kalimat untuk Sahabat DQ! Sekarang, jika Sahabat DQ memikirkan cara kerjanya, rahasianya adalah RNN.
Recurrent Neural Networks telah mengarahkan siklus di antara node yang saling berhubungan. Mereka menggunakan memori mereka untuk memproses urutan input berikutnya untuk mengimplementasikan jenis fungsi fitur pelengkapan otomatis. RNN dapat mengambil serangkaian input tanpa batasan ukurannya, menjadikannya unik.
Google, Mesin Pencari, dan Peramban Web secara ekstensif menggunakan RNN untuk melengkapi kata dan kalimat secara otomatis. Aplikasi lain adalah Deteksi dan Pengenalan Teks, Menganalisis bingkai video, dll.
Berikut ini implementasi algoritma selection sort dalam Bahasa pemrograman Python:
Multilayer Perceptron (MLP)
MLP adalah algoritma deep learning paling dasar dan juga salah satu teknik deep learning tertua. Algoritma ini digunakan oleh situs media sosial (Instagram, Facebook) untuk mengkompres data gambar. Itu secara signifikan membantu memuat gambar bahkan jika kekuatan jaringan tidak terlalu kuat. Aplikasi lain termasuk Digunakan dalam pengenalan gambar dan ucapan, kompresi data, dan juga untuk masalah klasifikasi.
Jika Sahabat DQ seorang pemula dalam pembelajaran mendalam dan baru saja mulai menjelajahinya, kami sarankan Sahabat DQ memulai dengan MLP. MLP dapat disebut sebagai bentuk jaringan syaraf Feedforward. Cara kerja MLP sama dengan yang kita bahas di atas dalam contoh data MNIST kita. Lapisan pertama mengambil input, dan yang terakhir menghasilkan output berdasarkan lapisan tersembunyi.
Setiap node terhubung ke setiap node pada lapisan berikutnya, sehingga informasi terus-menerus diumpankan antara beberapa lapisan, itulah sebabnya disebut sebagai jaringan feed-forward. Setiap lapisan tersembunyi diberi makan dengan beberapa bobot (nilai yang ditetapkan secara acak). Kombinasi bobot dan input dipasok ke fungsi aktivasi yang diteruskan lebih jauh ke lapisan berikutnya untuk menentukan output.
Jika kami tidak mencapai output yang diharapkan, kami menghitung kerugian (kesalahan) dan kami melacak kembali untuk memperbarui bobot. Ini merupakan proses berulang sampai diperoleh keluaran yang diprediksi (trial and error). Sangat penting dalam melatih model pembelajaran mendalam, karena bobot yang benar akan menentukan hasil akhir Sahabat DQ.
Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!
Multidimensional Array
Salah satu fitur menarik dari NumPy adalah library ini mampu membuat multidimensional array dan melakukan manipulasi array dengan mudah dan cepat. Multidimensional array adalah array yang berbentuk lebih dari 1 dimensi seperti 2D, 3D, 4D dan seterusnya. Cara membuat multidimensional array sama dengan membuat array 1 dimensi, perbedaannya hanya pada parameter yang digunakannya saja. Berikut ini adalah contohnya membuat array 2 dimensi:
Array diatas adalah berbentuk (2,5) artinya mempunyai 2 baris dan 5 kolom. Kita bisa melihat jumlah elemen di setiap dimensi dengan menggunakan fungsi shape.
3. Operasi Aritmatika
Operator aritmatika adalah operator yang biasa ditemukan untuk operasi matematika. Aritmatika sendiri merupakan cabang ilmu matematika yang membahas perhitungan sederhana, seperti kali, bagi, tambah dan kurang (kabataku). Kita bisa menggunakan operasi aritmatika seperti penjumlahan, pengurangan, perkalian, pembagian dan perpangkatan. Operator yang digunakan adalah +, -, *, / dan **
Berikut contoh operasi aritmatika pada array,
Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python
Kalian pasti pernah bahkan sering menjumpai berbagai jenis data khususnya data angka yang berantakan. Atau bahkan juga bingung bagaimana caranya mengurutkan data numerik dengan bahasa pemrograman. Tenang saja, algoritma sorting adalah jawabannya. Secara singkatnya sorting adalah metode untuk pengurutan data.
Secara garis besarnya, Sorting (Pengurutan) adalah suatu proses penyusunan kembali kumpulan objek menggunakan tata aturan tertentu. Sorting disebut juga sebagai suatu algoritma untuk meletakkan kumpulan elemen data ke dalam urutan tertentu berdasarkan satu atau beberapa kunci dalam tiap-tiap elemen. Pengurutan atau sorting merupakan proses dasar yang ada dalam sebuah algoritma dan struktur data. Penggunaan algoritma sorting dapat pula diaplikasikan pada algoritma Python.
Tujuan utama dari proses pengurutan atau sorting adalah untuk mengurutkan data berdasarkan keinginan baik itu dari yang terendah maupun yang tertinggi, sehingga data yang dihasilkan akan lebih terstruktur, teratur dan sesuai dengan kebutuhan.
Terdapat beberapa algoritma python yang cukup populer dalam mengurutkan data. Seperti misalnya insertion sort, selection sort, merge sort, heap sort, quick sort, bubble sort, shell sort, comb sort, counting sort, bucket sort, radix sort.
Tentunya pengaplikasian algoritma sorting pada algoritma python memiliki banyak keuntungannya. Hal yang paling utama dalam penggunaannya yakni untuk mempersingkat dalam penggunaan waktu dalam pembuatan proses program, karena jika saja tidak menggunakan sorting, bisa anda bayangkan kembali jika data yang anda buat lebih dari ratusan hingga ribuan, akankah anda akan mengurutkan data satu persatu hingga kesekian.
Dengan demikian, penggunaan algoritma sorting ini sangat memudahkan pengguna dan efisien untuk melakukan pengurutan data. Terlebih jika sewaktu-waktu ada beberapa kesalahan dalam metode penyortingan sangat mudah untuk mengubah proses pengurutannya karena metode sorting ini hanya menggunakan mungkin saja satu rumus utama yang digunakan untuk semua data.
Pada artikel DQLab kali ini, kita akan membahas mengenai algoritma sorting dengan menggunakan Python. Artikel ini khusus dibuat teruntuk kalian para data lovers di bidang data untuk mengetahui penerapan algoritma sorting khususnya pada Python. Jadi, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!
Algoritma bubble sort cukup populer dan sederhana. Proses pada bubble sort dilakukan dengan pertukaran data di sebelahnya secara terus menerus hingga dalam suatu iterasi tertentu tidak ada lagi perubahan atau pertukaran. Algoritma bubble sort termasuk ke dalam kategori algoritma comparison sort, karena menggunakan perbandingan pada operasi antar elemen nya.
Analogi algoritma bubble sort :
Bandingkan nilai pada data ke satu dengan data ke dua
Apabila nilai data ke satu lebih besar dari data ke dua maka tukar posisinya
Kemudian data yang lebih besar tersebut dibandingkan lagi dengan data ketiga
Apabila data ke tiga lebih kecil dari data ke dua maka tukar posisinya
Dan begitu seterusnya hingga semua data yang ada menjadi terurut
Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan
Algoritma selection sort merupakan pengurutan dengan konsep memilih elemen dengan nilai paling rendah dan menukar elemen tersebut dengan elemen ke i. Nilai dari i dimulai dari 1 ke n, yang dimana n merupakan jumlah total elemen dikurangi satu.
Analogi algoritma selection sort :
Memulai pengecekan data dari data ke 1 hingga data ke n.
Menentukan bilangan dengan index terkecil dari data pada bilangan tersebut.
Menukar bilangan index terkecil dengan bilangan pertama.
Begitu seterusnya hingga data berhasil diurutkan semuanya.
Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python
Algoritma insertion sort merupakan suatu metode pengurutan data dengan melakukan penempatan setiap elemen data pada posisinya dengan membandingkan dengan data-data yang telah ada. Prinsip dari insertion sort adalah dengan membagi data yang akan diurutkan menjadi dua kelompok, satu kelompok yang belum diurutkan dan yang satunya lagi sudah diurutkan, Elemen yang pertama diambil dari kelompok list yang belum diurutkan dan kemudian ditempatkan sesuai posisinya pada bagian lain yang belum diurutkan.
Analogi Algoritma insertion sort
Membandingkan data kedua dengan data kesatu
Apabila data ke dua lebih kecil maka tukar posisinya
Data ketiga dibandingkan dengan data kesatu dan kedua
Apabila data ketiga lebih kecil tukar lagi posisinya
Data keempat dibandingkan dengan data ketiga hingga kesatu
Apabila data keempat lebih kecil dari ketiga maka letakkan data keempat ke posisi paling depan
Begitu seterusnya hingga tidak ada lagi data yang dapat dipindahkan.
Gunakan Kode Voucher "DQTRIAL", dan simak informasi di bawah ini mendapatkan 30 Hari FREE TRIAL:
Buku ini merupakan buku ajar Algoritma Pemrograman yang didalamnya terkandung pelajaran mengenai dasar-dasar pemrograman komputer. Bahasa pemrograman Python digunakan karena bahasa ini sangat populer dan menjadi salah satu bahasa pemrograman terbaik untuk belajar. Besar harapan buku ini dapat menjadi teman belajar mahasiswa sehingga dapat menguasai dasar-dasar pemrograman komputer. Buku ini dimulai dari pengantar Algoritma yang disertai dengan materi penunjang yaitu perangkat lunak flowgorithm. Selanjutnya, pengguna buku ini akan diperkenalkan pada struktur Algoritma yang nantinya digunakan sebagai dasar terkait implementasinya pada Bahasa pemrograman Python. Sehingga selain teori, pengguna buku juga dapat langsung mempraktikkannya. Materi lain pada buku ini mencakup Bahasa pemrograman Python, komponen dasar pemrograman, Percabangan, Pengulangan, Array, List, Tuple, Dictionary serta subrutin baik menggunakan prosedur maupun fungsi.
Algoritma Python merupakan bahasa pemrograman yang sangat populer. Bahasa pemrograman ini dibuat oleh Guido van Rossum dan dikenalkan sejak tahun 1991. Jika kamu tertarik mempelajari Python, sebaiknya kamu harus memahami dulu apa itu Python dan bagaimana kerjanya. Beberapa hal yang dapat dilakukan oleh Python seperti, membangun server ketika ingin membuat website, atau ketika kamu ingin membaca dan memodifikasi sebuah dataset di dalam sebuah pembangunan sistem database, dan atau Python dapat digunakan saat mengolah big data dan menjalankan algoritma matematika yang cukup kompleks.
Pada artikel ini, agar lebih mengenal Python DQLab akan berbagi pengetahuan mengenai bagaimana menggunakan Numpy untuk memanipulasi Array pada Python. Secara spesifik, pada artikel ini akan dijelaskan tutorial dasar yang dapat sahabat data sekalian terapkan menggunakan Numpy pada array. Dengan memahami metode numpy array tersebut, sahabat data akan memiliki dasar yang lebih baik dalam melakukan data processing kedepannya. Penasaran apa saja sebenarnya yang dapat dilakukan Python dengan metode-metode tersebut? Yuk simak penjelasan berikut!
Perbandingan dengan Algoritma Pengurutan Lain
Untuk memahami posisi Selection Sort dalam konteks algoritma pengurutan lainnya, mari kita bandingkan dengan beberapa algoritma pengurutan yang umum digunakan:
