Forecasting (Peramalan)

Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun informal (Gaspersz, 1998).

Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat (Makridakis, 1999):

1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.

Terdapat dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif adalah metode subyektif (intuitif). Metode ini didasarkan pada informasi kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini sangat subjektif (Materi Statistika, UGM).

Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisis regresi. Peramalan time series merupakan metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan secara teratur menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang (Makridakis, 1999).

Model deret berkala dapat digunakan dengan mudah untuk meramal, sedang model kausal lebih berhasil untuk pengambilan keputusan dan kebijakan. Peramalan harus mendasarkan analisisnya pada pola data yang ada. Empat pola data yang lazim ditemui dalam peramalan (Materi Statistika, UGM):

1. Pola Horizontal

Pola ini terjadi bila data berfluktuasi di sekitar rata-ratanya. Produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Struktur datanya dapat digambarkan sebagai berikut ini.

2. Pola Musiman

Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu). Struktur datanya dapat digambarkan sebagai berikut ini.

3. Pola Siklis

Pola ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Struktur datanya dapat digambarkan sebagai berikut.

4. Pola Trend

Pola Trend terjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data. Struktur datanya dapat digambarkan sebagai berikut.

Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang belum terjadi. Ramalan yang dilakukan pada umumnya akan berdasarkan data yang terdapat di masa lampau yang dianalisis dengan mengunakan metode-metode tertentu. Forecasting diupayakan dibuat dapat meminimumkan pengaruh ketidakpastian tersebut, dengan kata lainbertujuan mendapatkan ramalanyang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean Absolute Deviation, Absolute Error, dan sebagainya. Peramalan merupakan alat bantu yang sangat penting dalam perencanaan yang efektif dan efisien (Subagyo, 1986).

Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus diperhatikan untuk menilai hasil suatu proses peramalan permintaan dan metode peramalan yang digunakan. Karakteristik peramalan yaitu faktor penyebab yang berlaku di masa lalu diasumsikan akan berlaku juga di masa yang akan datang, dan peramalan tak pernah sempurna, permintaan aktual selalu berbeda dengan permintaan yang diramalkan (Baroto, 2002).

Penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan (forecast error) yang berbeda pula. Seni dalam melakukan peramalan adalah memilih model peramalan terbaik yang mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data. Model-model peramalan dapat dikelompokan ke dalam dua kelompok utama, yaitu metode kualitatif dan metode kuantitatif. Metode kuantitatif dikelompokkan ke dalam dua kelompok utama, yaitu intrinsik dan ekstrinsik.

Metode kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru, proses baru, perubahan sosial dari masyarakat, perubahan teknologi, atau penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif.

Metode Peramalan

Model kuantitatif intrinsik sering disebut sebagai model-model deret waktu (Time Series model). Model deret waktu yang populer dan umum diterapkan dalam peramalan permintaan adalah rata-rata bergerak (Moving Averages), pemulusan eksponensial (Exponential Smoothing), dan proyeksi kecenderungan (Trend Projection). Model kuantitatif ekstrinsik sering disebut juga sebagai model kausal, dan yang umum digunakan adalah model regresi (Regression Causal model) (Gaspersz, 1998).

1. Weight Moving Averages (WMA)

Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. metode rata-rata bergerak akan efektif diterapkan apabila permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight Moving Averages) dan rata-rata bobot bergerak (Weight Moving Averages). Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data dari periode yang baru biasanya diberi bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai berikut.

2. Single Exponential Smoothing (SES)

Pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya menggunakan model pemulusan eksponensial (Exponential Smoothing Models). MetodeSingle Exponential Smoothing lebih cocok digunakan untuk meramalkan hal-hal yang fluktuasinya secara acak (tidak teratur). Peramalan menggunakan model pemulusan eksponensial rumusnya adalah sebagai berikut.

Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan (α) yang diperirakan tepat. Nilai konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < α < 1. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati nol (Gaspersz, 1998).

3. Regresi Linier

Model analisis Regresi Linier adalah suatu metode populer untuk berbagai macam permasalahan. Menurut Harding (1974) dua variabel yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier. Rumus perhitungan Regresi Linier yaitu sebagai berikut.

Keterangan:

Y = hasil peramalan

n = periode

a = perpotongan dengan sumbu tegak

b = menyatakan slope atau kemiringan garis regresi

Ukuran Akurasi Peramalan

Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage Error), validasi peramalan (Tracking Signal), dan pengujian kestabilan (Moving Range).

1. Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan rumus sebegai berikut.

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.

3. Mean Absolute Percentage Error  (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

4. Tracking Signal

Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. NilaiTracking Signal dapat dihitung dengan menggunakan rumus sebegai berikut.

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Tracking signal disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive error yang sama banyak atau seimbang dengannegative error, sehingga pusat dari tracking signal mendekati nol. Tracking signal yang telah dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di dalam batas kontrol atas dan batas kontrol bawah.

5. Moving Range (MR)

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat dibandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta Moving Range adalah sebagai berikut.

Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi (Gaspersz, 1998).

Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan least square terdahulu. Jika peta Moving Range menunjukkan keadaan diluar kriteria kendali. Hal ini berarti terdapat data yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang maka peramalan pun harus diulangi lagi.

Render Farm

Dewasa ini, meningkatnya kemampuan komputer akan memungkinkan merender sebuah image (gambar) dalam waktu yang singkat. Namun, bagaimanapun juga komputasi yang meningkat itu bukanlah menjadi patokan dalam menentukam taraf kualitas gambar. Sementara gambar yang sederhana dapat diproduksi dengan cepat, gambar yang beresolusi tinggi serta lebih realistis dan rumit justru diproduksi dalam waktu yang lebih lama dari sewajarnya. Waktu yang dihabiskan untuk menghasilkan gambar dapat dibatasi oleh tenggat waktu, dan keinginan untuk menciptakan pekerjaan berkualitas tinggi menjadikan kebutuhan daya komputasi meningkat, bukan hanya sekedar menginginkan gambar yang sama dibuat lebih cepat.

Tahukah anda berapa jam yang diperlukan untuk membuat efek visual dan animasi  untuk film? 40 juta jam untuk Monsters vs Aliens, 30 juta jam untuk Madagaskar: Escape 2 Africa, dan 6,6 juta jam untuk Revenge of the Sith. Untuk menghasilkan 30 – 120 menit diperlukan puluhan juta jam hanya untuk merendernya saja. Untuk mengatasi masalah ini, maka dirancanglah sebuah sistem terpadu yang merupakan gabungan dari ribuan core prosesor, yang disebut dengan Render Farm.

Transformer, Iron Man dan Avatar adalah contoh-contoh film animasi yang menggunakan teknik Render Farm.

A.                PENGERTIAN

Render Farm atau Peternakan Render adalah suatu kumpulan komputer (Computer Cluster) yang dibangun untuk mempercepat rendering suatu animasi atau image yang biasanya digunakan untuk keperluan pembuatan film dan visual-visual efek untuk siaran TV.

Render Farm menggunakan suatu sistem komputer berkinerja tinggi, seperti cluster komputer. Render Farm dibuat untuk merender komputer-generated imagery (CGI), biasanya untuk film dan televisi efek visual.

B.                TEKNIK YANG DIGUNAKAN

Untuk mengelola sebuah farm yang besar, kita harus memperkenalkan manajer antrian yang secara otomatis akan membagikan proses ke banyak prosesor. Setiap "proses" bisa menjadi render dari satu gambar penuh, beberapa gambar, atau bahkan sub-bagian (potongan) dari suatu gambar. Perangkat lunak ini biasanya merupakan paket client-server yang menyediakan komunikasi antara prosesor dan manajer antrian, meskipun beberapa antrian tidak memiliki manajer pusat. Beberapa fitur umum dari manajer antrian adalah: re-prioritas antrian, manajemen lisensi perangkat lunak, dan algoritma untuk mengoptimalkan throughput yang terbaik berdasarkan berbagai jenis perangkat keras di ladang.

Teknik yang digunakan pada Render Farm adalah Clustering. Clustering merupakan teknik pada dunia komputer dimana tedapat beberapa komputer yang berhubungan satu sama lainya, sehingga menghasilkan kinerja yang maksimal. Dalam membuat Cluster biasanya digunakan Personal Computer dengan spesifikasi yang tinggi.

Seperti yang telah dijelaskan di atas bahwa Render Farm merupakan kumpulan dari banyak komputer yang membentuk sebuah Cluster dalam satu jaringan. Konsepnya adalah menggabungkan kecepatan yang dimiliki oleh setiap komputer yang tergabung di dalamnya. Misalnya dalam sebuah cluster terdapat lima unit komputer dengan spesifikasi utama menggunakan enam Core prosesor berkecepatan 3 Ghz. Maka kekuatan Render Farm yang terbentuk dari kelima unit komputer tersebut akan menjadi 6 Core prosesor x 5 unit = 30 Core. Bila setiap Core prosesor tersebut berkecepatan 3 Ghz, maka total kecepatan Render Farm tersebut adalah 3 Ghz x 30 Core = 90Ghz. Dari contoh sederhana di atas, dapat kita bayangkan bagaimana cepatnya sebuah Render Farm dalam merender gambar resolusi tinggi atau animasi singkat.

C.                 TOOLS YANG DIGUNAKAN

Ada beberapa tools yang umumnya digunakan pada Render, antara lain :

1.                  Yadra

Yadra bekerja dengan memecah dan mendistribusikan frame dari animasi kepada setiap komputer. Hal ini membuat Yadra sangat efektif digunakan untuk merender animasi.

2.                  Royal Render

Royal Render adalah aplikasi yang kuat untuk mengatur pekerjaan dalam Render Farm karena dibentuk oleh realitas keras dari proyek-proyek kecil dan besar.

3.                  Rebust Farm

Rebust Farm menyediakan 1.700 CPU XEON untuk membuat animasi dan masih banyak gambar lagi.

4.                  Render Core

5.                  Render TITAN

6.                  4D Render Farm

7.                  Blender

Blender merupakan salah satu software multimedia yang powerful, dimana sebuah project animasi hingga selesai menggunaknya. Oleh karena itu Blender dapat digunakan untuk berbagai macam pengolahan digital, selain itu memiliki konsep tampilan freeetyle cocok buat tiap individu untuk mendapatkan tampilan sesuai dengan keinginan masing-masing.

D.                KELEBIHAN DAN KEKURANGAN

Kelebihan dari Render Farm tentu saja adalah fleksibel dan mempunyai kemampuan untuk meningkatkan penggunaan yang diperlukan. Sedangkan kekurangannya adalah mahalnya biaya karena pengadaan banyak unit hardware yang dibutuhkan.

Referensi :

http://en.wikipedia.org/wiki/Render_farm

http://tutorialblender3d.blogspot.com/2012/02/sedikit-kenal-render-farm.html

http://rtakumansang.blogspot.com/2012/10/render-farm.html

Pengertian Render Farm Secara Umum

Rendering adalah suatu proses untuk mengubah model geometri menjadi suatu gambar, dalam melakukan proses tersebut biasanya membutuhkan waktu yang cukup lama, terutama untuk rendering gambar photo-realistic. Untuk mengatasi hal tersebut Rendering Farm yang dijadikan sebagai salah satu alternative pilihan.

Render Farm adalah sebuah sistem komputer yang mempunyai kinerja tinggi, yang dibangun menggunakan teknik clustering computer dimana clustering computer adalah menumpuk komputer sebanyak-banyak untuk memaksimalkan kinerja dalam mengolah citra dan grafis yang ingin dihasilkan, terutama dalam mengolah animasi. Komputer tersebut dibuat untuk menjadikan CGI atau bias disebut Comuter Generated Imager, dan biasanya digunakan untuk produksi fil dan efek-efek visual seakan-akan menjadi nyata.

Kemajuan komputer akan memenuh tuntutan dalam mencapai state 0f the art yang bias disebut sebagai kualitas gambar. Gambar-gambar sederhana dapat diproduksi dengan cepat dan mempunyai resolusi tinggi lebih real dan rumit dapat diproduksi dengan waktu yang cukup ringkas atau wajar. Waktu yang dihabiskan dalam menghasilkan gambar dapat dibatasi dalam mengolah garis-garis dalam setiap gambar, untuk itu diperlukan kemampuan daya komputasi yang sangat tinggi.

Dalam mengelola Render Farm, seorang harus memperkenalkan manajer antrian secara otomatis untuk mendistribusikan proses ke prosesor komputer. Proses tersebut dapat dibagi menjadi satu gambar ukuran penuh, beberapa gambar, atau sub-bagian dari suatu gambar. Software tersebut digunakan dalam pake client-server yang memfasilitasi komunikasi antar prosesor dan manajer antrian, meskipun manajer antrian tidak mempunyai manajer pusat. Fitur yang terdapat manajaer antrian yaitu, re-prioritas antrian, manajemen lisensi Hardware in farm. Softwareperizinan ditangani oleh seorang manajer antrian mungkin melibatkan alokasi dinams lisensi untuk tersedia di CPU, atau bahkan core dalam CPU.

Teknik yang digunakan dalam Render Farm

Clustering

Clustering merupakan teknik dalam dunia komputer yang tedapat beberapa kumpulan komputer yang dihubungkan satu dengan yang lainya, hingga menghasilkan kinerja yang maksimal. Dalam membuat Cluster biasanya digunakanPersonal Computer dengan spesifikasi tinggi.

Tools yang dipakai dalam Render Farm

Tools yang umumnya dipakai pada render farm diantaranya sebagai berikut :

1.      Yadra

Untuk membangun Render Farm dibutuhkan software untukmelakukan proses parallel rendering.yadra sangat efektif digunakan untuk merender animasi, sebab yadra bekerja dengan memcah dan mendistribusikan frame dari animasi kepada setiap komputer.

2.      Royal Render

Royal Render adalah aplikasi yang kuat untuk mengatur pekerjaan dalam render farm.Royal Render dibentuk oleh realitas keras dari proyek-proyek kecil dan besar.

3.      Rebust Farm

Pada Rebus Render Farm ini langsung menyediakan 1.700 CPU XEON untuk membuat animasi dan masih banyak gambar lagi.

4.      Render Core

5.      Render TITAN

6.      4D Render Farm

7.      Blender

Blender merupakan salah satu software multimedia yang powerful, dimana sebuah project animasi hingga selesai menggunaknya. Oleh karena itu Blender dapat digunakan untuk berbagai macam pengolahan digital, selain itu memiliki konsep tampilan freeetyle cocok buat tiap individu untuk mendapatkan tampilan sesuai dengan keinginan masing-masing. Untuk mendapatkan performa yang baik dari render farm, terdapatt beberapa hal yang harus diperhatikan. Untuk membangun render farm, paling tidak dibutuhkan dua buah Komputer. Komputer pertama berperan sebagai ganda (client dan master) sedngkan yang kedua akan berperan sebagai Slave.

DEEPFACE

Program Facebook Baru 'DeepFace'
Apakah Hanya Sebagai Creepy As It Sounds?

Facebook memiliki perpustakaan foto terbesar di dunia, dan sekarang memiliki teknologi untuk mencocokkan hampir semua wajah di dalamnya. Ya, bahkan yang tidak Anda tag.

Facebook mengumumkan pekan lalu bahwa dapat mengembangkan program yang disebutDeepFace," yang peneliti mengatakan dapat menentukan apakah dua wajah difoto adalah orang yang sama dengan Akurasi 97,25 persen.

Menurut Facebook, manusia dihukum sama jawaban tes dengan benar 97,53 persen dari waktu - hanya seperempat persen lebih baik dari pada Facebook software.

Facebook dasarnya telah terperangkap manusia ketika datang untuk mengingat wajah. Program ini dikembangkan oleh tiga in-house Peneliti Facebook dan seorang profesor di Tel Aviv University.

Sebagai contoh, para pengembang menunjukkan dalam sebuah makalah tentang program yang berhasil dapat DeepFace mengakui bahwa ini adalah pemenang Academy Award Sylvester Stallone.

Perangkat lunak pengenalan wajah Facebook adalah dapat menyarankan teman untuk menandaiketika Anda meng-upload foto, menggunakan informasi seperti jarak antara mata, hidung dan mata dalam gambar profil dan sudah tag foto. Namun hasil tersebut jauh lebih akurat dibandingkanDeepFace, yang menggunakan teknik dari pembelajaran dalam, bidang kecerdasan buatan mengkhususkan diri dalam memahami jenis tidak teratur data. Dalam rangka untuk wajah pertandingan yang lebih baik, para peneliti menciptakan sebuah "jaringan saraf" dalam perangkat lunak yang dimaksudkan untuk meniru sistem saraf pusat hewan. Untuk saat ini program ini, pertama kali dilaporkan oleh MIT Technology Review, hanya penelitian proyek dan tidak akan mempengaruhi 1,23 miliar orang yang secara teratur menggunakan Facebook.

Tapi CEO Mark Zuckerberg telah menyatakan dalam bunga dalam membangun keluar kecerdasan buatan Facebook kemampuan ketika berbicara dengan para investor di masa lalu. Ambisinya sebenarnya membentang di luar wajah pengakuan untuk menganalisis teks update status dan komentar untuk menguraikan suasana dan konteks. Ada tujuan bisnis di balik semua ini antusiasme intelektual Memahami semua informasi yang kita posting di jejaring sosial merupakan pusat untuk model bisnis Facebook, leverage yang data untuk mempersonalisasi iklan sehingga Anda akan lebih mungkin untuk klik pada mereka. Tumbuh kemampuan Facebook untuk mengenali Anda ketika teman upload foto dari liburan bersama-sama memiliki menarik perhatian pendukung privasi dan pejabat pemerintah sama. Sebagai contoh, lebih Pemerintah privasi-sadar Eropa memiliki sudah memaksa Facebook untuk menghapus semua data pengenalan wajah di sana.

Awal artikel diawali dengan pertanyaan apakah anda memiliki akun facebook? Pernahkah anda melakukan unggah foto difacebook? Pernahkah anda melakukan tagging nama teman diwajah pada foto yang anda unggah? Lalu pernahkah anda memikirkan bagaimana facebook bisa memberikan saran bahwa teman anda yang berada difoto tersebut? Bagaimana facebook tahu bahwa orang yang ada didalam foto adalah orang yang anda maksud? atau bahkan ada diri anda didalam foto tersebut. Face Recognition (Pengenalan Wajah) adalah jawaban yang paling cocok untuk menjawab pertanyaan tersebut.

Apakah tujuan face recognition? Sebuah usaha yang dilakukan manusia untuk memberikan kecerdasan pada mesin agar dapat mengenal dan membedakan individu berdasarkan karakteristik wajah masing – masing individu. Kemampuan ini sudah dimiliki oleh manusia pada umumnya, dengan melihat saja manusia mampu membedakan individu satu dengan yang lainnya. Kemampuan inilah yang berusaha ditanamkan pada mesin. Facebook adalah salah satu media sosial yang paling dikenal dan banyak digunakan didunia hingga saat ini. Berbagai kemampuan telah dimiliki oleh media jejaring sosial ini. Unggah text, video, gambar, artikel, link dan berbagai macam kejadian dan lokasi bisa dilakukan melalui facebook. Salah satu fitur yang dimiliki oleh facebook adalah pengenalan wajah secara otomatis. Pertanyaan selanjutnya adalah, bagaimana Facebook mampu menanamkan kecerdasan yang ada saat ini? Apa metode yang digunakan? Siapakah orang yang telah bekerja keras dalam pencapaian hingga saat ini. 
Pada tahun 2014 empat orang peneliti dari facebook laboratory dan Tel Aviv University (Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, dan Lior Wolf) berhasil mengembangkan metode pendeteksian wajah dengan kemampuan yang hampir menyerupai kemampuan pengenalan manusia. DeepFace adalah nama metode yang digunakan dalam proses pengenalan wajah secara otomatis pada jejaring sosial facebook. Penjelasan detail mengenai metode DeepFace telah dipublikasikan dalam sebuah international conference dengan judul “DeepFace: Closing the Gap to Human-Level Performance in Face Verification”. DeepFace mampu mencapai akurasi hingga 97.35% hanya terpaut 0.18% dibawah kemampuan pengenalan manusia yakni sebesar 97.53% [1]. Pada metode DeepFace 9 layer deep neural network digunakan untuk membangun representasi 3D dari wajah. Proses pembelajaran menggunakan dataset wajah yang terbesar hingga saat ini. Dataset yang telah diberikan label dari 4 juta citra wajah dengan lebih dari 4000 identitas.

Gambar diatas menunjukkan arsitektur DeepFace. Proses representasi ini menghasilkan 120 Juta parameter. Warna pada gambar diatas menunjukkan feature maps dihasilkan pada setiap layer.

Perbandingan akurasi pengenalan wajah manusia menunjukkan bahwa DeepFace mampu mendekati performa pengenalan dari manusia. ROC Curve menunjukkan bahwa pengenalan DeepFace (Garis warna merah) memiliki nilai true positive paling mendekati pengenalan Dari otak manusia (garis warna hitam). Penggunaan metode DeepFace menurunkan kesalahan dari metode sebelumnya hingga 27%. Sehingga pencapaian akurasi dari metode ini hampir menyamai kemampuan manusia dalam mengenali wajah manusia. Penjelasan lengkap mengenai metode DeepFace dapat dilihat pada publikasi [1].

DeepLearning yang menjadi salah satu breakthrough technology tahun 2013 versi MIT Technology Review ternyata menjadi rahasia keakuratan facebook dalam mengenali wajah pada foto. Deep Learning tidak lepas kaitannya dengan Big Data, bagaimana menggali knowledge dari samudera data, dari data berskala raksasa. DeepFace adalah teknik biometrics yang dikembangkan oleh AI research group facebook. Membaca paper yg dipresentasikan di Conference on Computer Vision and Pattern Recognition (CVPR) bulan Juni yll. (https://www.facebook.com/publications/546316888800776/), ternyata facebook memakai deep learning untuk mencapai akurasi yang tinggi dalam mengenali wajah dari foto yang diupload oleh user. Model yang dipakai terdiri dari 9 layer neural network dengan lebih dari 120 juta parameter (maksudnya synapses). Model tersebut dilatih memakai 4 juta wajah dari 4000 identity (maksudnya 4000 orang, masing-masing rata-rata 1000 wajah). Waktu mengikuti kuliah dari Prof.Anil K.Jain di UI yll., sepertinya beliau kurang terkesan dengan deep learning. Tidak ada terobosan baru dalam deep learning, kecuali memakai jumlah layer yang jauh lebih banyak. Saya belum mendalami benar, apa kekuatan dalam deep learning sehingga demikian powerfull. Backpropagation algorithm yang dikembangkan Rumelhart tahun 1986 sendiri sebenarnya sudah cukup memuaskan dalam pattern recognition, hanya saja akan terkendala oleh local minima, saat dipakai untuk data berskala besar. Dulu di lab. saya memakai vector quantization type neural network untuk membreakdown large scale data (dalam studi mengenali ribuan huruf kanji, dan pemakaian ribusan sampel pada handwriting character recognition) sehingga diperoleh subset yang jauh lebih kecil, dan masing-masing diolah oleh 3-layered neural network. Tetapi untuk data jutaan, tentu dimensi masalahnya sudah berbeda. Kalau mengingat potensi data biometrics yang dimiliki Indonesia saat ini : 170 juta (vs paper group peneliti facebook hanya memakai 4000 orang), tentunya akan menjadi ladang subur bagi peneliti komputasi yang ingin mendalami DeepLearning.

Software pengenalan wajah milik Facebook yaitu DeepFace,kini sudah mencapai tingkat akurasi 97% lebih dan disebut-sebut mendekati level tingkat pengenalan wajah oleh manusia berdasarkan laporan yang dikeluarkan tim riset Facebook di link ini. Sesumbar atau tidak tentunya kita bertanya-tanya bagaimana cara software ini bisa mengenali wajah kita di tiap foto yang diupload ke Facebook?

Facebook menggunakan Software DeepFace ini untuk mengenali pengguna di foto dengan metode pertama mereka menggunakan ‘template’ dari Foto Profil dan/atau foto dengan wajah dimana kita di tag. fitur dari ‘template’ tersebut seperti bentuk hidung, jarak antar mata, bentuk mulut ataupun yang lain. Yang pasti fitur yang diambil adalah fitur-fitur diwajah yang secara umum tidak berubah seiring usia.

lalu bagaimana sebenarnya wajah kita terlihat software ini? gambar dibawah ini jawabannya :

Gambar diatas adalah contoh bagaimana wajah kita terlihat di DeepFace, data tersebut diatas lalu diproses dengan algoritma milik facebook untuk dengan cepat mengenali siapakah orang di foto tersebut. Hal ini tentunya mempermudah Facebook dalam memberikan fitur ini tanpa memberatkan server mereka sehingga pengguna tidak merasa terganggu dengan hadirnya fitur ini.

Di tahun 2013, dalam periode singkat user dapat mengunduh data ‘template’ wajah mereka di profil masing-masing (sayangnya sekarang sudah tidak bisa) dan diantara orang-orang yang beruntung dapat mengunduh data wajah mereka itu diantaranya adalah Brian House seorang guru di Rhode Island School of Design dan muridnya Jason Rabie. Mereka menampilkan data ‘template’ ini di galeri milik Brian House sebagai seni kontemporer yang berjudul ETERNAL PORTRAITS yang ditutup 9 maret 2014 kemarin.

Menurut Brian, data wajah DeepFace ini berbeda dengan foto biasa dimana foto hanya mengabadikan wajah dalam ekspresi tertentu namun data ‘template’ ini mengenali wajah selayaknya kita mengenali wajah orang lain dalam berbagai ekspresi, foto lainnya bisa dilihat di situs miliknya.

Terlepas dari kontroversi apakah ini mengganggu wilayah privasi pengguna, yang pasti ini merupakan salah satu pertanda bahwa Facebook benar-benar bekerja keras dalam meningkatkan ‘User Experience’ penggunanya dan menjadi Social Network terbaik saat ini.

Logistic Regression di SPSS

Regresi logistic merupakan salah satu analisi multivariate, yang berguna untuk memprediksi dependent variabel berdasarkan variabel independen.

Data

Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan binary logistic, dan ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistic regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan ordinal logistic regression.

Konsep Regresi Logistik

Regresi logistik merupakan alternative uji jika asumsi multivariate normal distribution pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metric) dan kategorial (non metric). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya.

Asumsi Regresi Logistik

• Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan variabel terikat.
• Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau odd seorang anak dapat lulus atau tidak pada Ujian Nasional.
• Variabel bebas tidak memerlukan asumsi multivariate normality
• Asumsi homokedastis tidak diperlukan
• Variabel bebas tidak perlu dirubah ke bentuk metric (interval atau skala ratio)

CONTOH KASUS Logistic Regression

Data Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistik

Seorang dokter ingin mengetahui probabilitas seorang pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia

Data dikumpulkan dari catatan medis sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC

Sakit	Rokok	Usia
1	0	51
1	1	46
1	1	53
1	0	55
1	1	43
1	1	33
1	1	42
1	1	42
1	1	46
1	1	51
1	1	46
1	1	46
1	1	46
1	1	51
1	1	25
0	1	29
0	0	38
0	0	31
0	0	47
0	0	50
0	0	51
0	1	41
0	0	32
0	0	42
0	0	38
0	0	40
0	0	42
0	0	33
0	0	43
0	0	46

Keterangan :

sakit (1), tidak sakit (0)

merokok (1), tdk merokok (0)

Usia (usia dalam tahun)

PENYELESAIAN KASUS

Pada menu Analyze, Pilih Regression >> Binary Logistic

Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke “covariate box”

Kemudian, Klik Options, lalu beri tanda pada Classification Plots, Hosmer-Lemeshow GoF, Correlation matrix, dan itteration history

Klik Continue, kemudian OK

HASIL Dan INTERPRESTASI

Output didownload OUTPUT LOGISTIC REGRESSION 1

Menilai Model Fit

Untuk menilai model fit dapat diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertakan variabel hanya berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 2 variabel baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41.589 – 16.750 = 24.839.

Untuk -2LogL pertama diperoleh nilai 41.589 dengan df1 = 30-1 = 29. Nilai ini signifikan pada alpha 5% yang berarti Ho ditolak, artinya model tidak fit.

nilai -2LogL kedua adalah sebesar 16.750 dengan df2 = 30-3 = 27 adalah tidak signifikan pada alpha 5%. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x^2.), artinya model fit dengan data.

Statistik -LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan dalam model dapat secara signifikan mempengaruhi model. dengan selisih 24.839 dan df(df1-df2=29-27=2) maka menunjukkan angka ini signifikan pada alpha 5%. Hal ini berarti Ho ditolak dan Model fit dengan data.

Cox n Snell’s R Square adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R Square adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan model adalah sebesar 75.10%.

Selanjutnya, Hosmer and Lemeshow’s GoF dilakukan untuk menguji hipotesis. Jika sig < 0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya. Jika sig > 0.05 maka Ho diterima, artinya tidak ada perbedaan antara model dan nilai observasinya.

statistik Hosmer and Lemeshow’s GoF diperoleh sebesar 0.594 (> 0.05) sehingga dapat dinyatakan bahwa model fit dengan data. Hosmer and Lemeshow’s GoF juga menghasilkan nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa model fit dengan data.

Estimasi Parameter dan Interprestasi

Estimasi Maximum Likehood parameter model dapat dilihat dari output pada tabel Variables in the Equation. Logistic Regression kemudian dapat dinyatakan :

Ln P/1-P = -11.506 + 5.348 Rokok + .210 Usia.

Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0.004 (< 0.05) dan variabel usia juga signifikan dengan probabilitas 0.032. dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb :

Log of Odds seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Odds seorang terkena penyakit jantung jika ia perokok adalah sebesar 5.348. artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5.35 kali lebih besar dibanding yang tidak merokok.

Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada setiap kenaikan satu tahun usia.

Jika Rokok dianggap konstan, maka seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan maka odds seorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan dengan yang tidak merokok. Hasil overall clasification rate adalah sebesar 90.0% pada cutoff 50%

Kesimpulan

• Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit jantung
• Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok
• Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung adalah sebesar 0.210 pada setiap penambahan usia.