Archives

Time Management

Pekerjaan yang menumpuk sangatlah membahayakan. Sebab hal ini bisa menimbulkan stress dan konflik di tempat kerja. Solusi untuk memecahkan isu ini adalah dengan menghandle waktu yang kita miliki untuk dimanfaatkan dengan efektif. Beberapa poin berikut dapat membantu Anda untuk menggunakan waktu dengan efisien:

  1. Bekerja cerdas, bukan bekerja keras. Kerja keras penting untuk diimplementasikan. Namun kerja cerdas bisa membantu Anda mengurangi waktu Anda yang terbuang dibandingkan dengan bekerja keras untuk melakukan hal yang manual. Otomatisasi dan penggunaan teknologi merupakan salah kunci untuk bekerja secara cerdas. Misalnya dengan memanfaatkan fasilitas Google document sehingga Anda bisa men-sharing suatu file pekerjaan Anda kepada kolega Anda sesuai dengan otoritasnya masing-masing. Menggunakan fasilitas contact grouping juga dapat membantu Anda mengurangi repetisi yang biasa dilakukan untuk mengirim email pada orang yang sama pada suatu kelompok tertentu.
  2. Sederhanakan Pekerjaan. Mengerjakan project besar ibarat memakan banyak buah semangka sekaligus dalam waktu bersamaan. Manusia memiliki banyak keterbatasan waktu dan kemampuan. Oleh karena itu, alangkah lebih baiknya untuk memecahkan pekerjaan besar ke dalam bagian-bagian kecil sehingga Anda bisa merasakan pekerjaan yang sudah selesai dari potongan bagian-bagian itu. Hal ini tentu jauh lebih baik dibandingkan dengan mengerjakan suatu project besar yang akan terasa sangat lama sekali untuk diselesaikan secara menyeluruh.
  3. Selesaikan pekerjaan yang paling penting dulu. Setiap tugas dalam pekerjaan Anda pastilah memiliki level prioritas masing-masing. Mengerjakan tugas dengan prioritas tertinggi terlebih dahulu akan meringankan beban kerja Anda. Parameter dari prioritas tertinggi bisa dilihat dari tanggal deadline nya. Lebih awal deadline berarti pekerjaan tersebut lebih prioritas.
  4. Fokus pada pekerjaan yang sedang dilakukan. Anda bisa saja melakukan multitasking atau melakukan beberapa pekerjaan sekaligus dalam satu waktu. Namun hal ini sangat lah tidak baik untuk kesehatan dan kinerja otak Anda. Riset berhasil membuktikan bahwa ketika seseorang sedang melakukan multitasking, maka IQ nya turun drastis setingkat dengan IQ anak SD. Cara terbaik untuk menyelesaikan masalah yang ada pada pekerjaan Anda adalah dengan memfokuskan pada pekerjaan yang sedang dilakukan sesuai dengan prioritasnya. Hal ini jauh lebih efisien dan efektif terhadap hasil yang akan Anda peroleh.
  5. Jangan tunda pekerjaan. Sudah menjadi hal yang lumrah kalau manusia bisa merasa malas dan jenuh. Namun malas merupakan suatu sifat yang hanya akan menghambat Anda menyelesaikan pekerjaan. Tetaplah semangat dan janganlah menunda pekerjaan Anda di hari esok. Tugas di kantor umumnya akan terus muncul pada setiap harinya. Jika Anda menunda pekerjaan Anda sekarang dan mendapati pekerjaan yang baru pada esok harinya akan membuat Anda tertekan atau pun stress. Hal ini tentu akan merusak performansi Anda. Ketika Anda merasa jenuh, cobalah untuk mencari selingan seperti keluar kantor untuk menghirup udara segar ataupun bermain video game untuk merefresh kembali otak Anda.
  6. Carilah Waktu Produktifmu. Setiap orang memiliki gaya dan kemampuan yang berbeda-beda. Begitu pula ketika seseorang sedang bekerja. Alangkah lebih baiknya untuk mencari waktu yang tepat untuk bekerja, datang lebih awal ke kantor sebelum kolega lain sampai merupakan salah satu kunci untuk mendapatkan waktu produktif yang tenang. Pepatah lama mengatakan “Awal hari mu akan menentukanmu pada waktu berikutnya”.
  7. Istirahat yang cukup. Anda pasti lelah dengan setumpuk pekerjaan dan rutinitas yang harus diselesaikan setiap harinya. Oleh karena itu, agar tetap prima, Anda haruslah beristirahat cukup pada malam harinya. Umumnya orang dewasa membutuhkan waktu sekitar 6 – 8 jam dalam sehari untuk tidur. Oleh karena itu, pergunakanlah waktu sebaik mungkin ketika Anda sedang bangun.

Semoga tips-tips di atas bisa membantu Anda untuk bekerja dengan lebih baik lagi. Layaknya seorang manusia, tentu, do’a dan hiburan juga vital untuk dilakukan untuk menyelingi rutinitas Anda di kantor.

Pengenalan Data Mining

Data Mining adalah campuran dari statistic, kecerdasan buatan dan riset basis data yang masih berkembang.

4 akar bidang data mining:

  1. Statistik.
  2. Kecerdasan buatan.
  3. Pengenalan pola.
  4. Sistem basis data.

Kebutuhan ‘penggalian’ informasi dari dalam data dapat dilihat pada kasus dunia nyata, diantaranya:

  • Ada sejumlah data yang sangat besar yang dikumpulkan dari berbagai bidang, seperti data web, e-commerce, supermarket, transaksi keuangan dan perbankan yang siap dianalisis dengan tujuan untuk mendapatkan keputusan yang optimal terkait tujuan lembaga.
  • Pelayanan kesehatan. Saat ini ada banyak basis data berbeda dalam bidang pelayanan kesehatan (medis dan farmasi), yang dianalisis secara parsial, khususnya dengan cara medis sendiri, padahal sebenarnya dalam data tersembunyi banyak informasi yang belum dibuka secara tepat.
  • Riset pengetahuan. Ada basis data besar yang dikumpulkan bertahun-tahun dalam bermacam-macam bidang yang tidak dapat dieksplorasi menggunakan cara tradisional.

Jadi kesimpulannya, metode dalam data mining melakukan identifikasi pola dan hubungan tersembunyi yang tidak selalu jelas dibawah keadaan asumsi tertentu. Pencarian dalam data mining tidak mencari secara individualis, tetapi set individualis atau dengan kata lain dikelompokkan dengan kriteria tertentu. Perbedaan antara pencarian biasa dengan data mining dianalogikan dengan pencarian pohon dengan pencarian hutan “tidak bisa menilai hutan hanya dengan menilai pohon”

Pekerjaan dalam data mining

  1. Model prediksi. Pekerjaan ini berkaitan dengan pembuatan sebuah model yang dapat melakukan pemetaan dari setiap himpunan variable ke setiap targetnya, kemudian menggunakan model tersebut untuk memberikan nilai target pada himpunan baru yang di dapat. Contohnya adalah melakukan deteksi jenis penyakit pasien berdasarkan sejumlah nilai parameter penyakit yang diderita masuk. Sementara melakukan prediksi jumlah penjualan yang didapatkan pada 3 bulan ke depan itu termasuk regresi karena untuk mendapatkan nilai penjualan bulan ketiga harus mendapatkan nilai penjualan bulan kedua dan untuk mendapat nilai penjualan bulan kedua harus mendapat nilai penjualan bulan pertama.
  2. Analisis kluster. Contohnya adalah bagaimana bisa mengetahui pola pembelian barang oleh konsumen pada waktu tertentu.
  3. Analisis asosiasi. Digunakan untuk menemukan pola yang menggambarkan kekuatan hubungan fitur dalam data. Contoh jika ibu rumah tangga akan membeli barang kebutuhan rumah tangga (misal beras) di sebuah supermarket, maka sangat besar kemungkinan ibu rumah tangga tsb juga akan membeli kebutuhan rumah tangga yang lain, misalnya minyak atau telur dan tidak mungkin (atau jarang) membeli barang lain seperti topi atau buku.
  4. Deteksi anomaly. Berkaitan dengan pengamatan sebuah data dari sejumlah data yang secara signifikan mempunyai karakteristik yang berbeda dari sisa data yang lain.

Proses data mining

Ada tiga langkah utama dalam data mining:

  1. Eksplorasi pemrosesan awal data. Terdiri dari ‘pembersihan’ data, normalisasi data, transformasi data, penanganan data yang salah, reduksi dimensi, pemilihan subset fitur.
  2. Membangun model dan melakukan validasi terhadapnya. Berarti melakukan analisis berbagai model dan memilih model dengan kinerja prediksi terbaik.
  3. Berarti menerapkan model pada data yang baru untuk menghasilkan perkiraan/prediksi masalah yang diinvestigasi.

Set Data

Kumpulan objek dengan atribut tertentu dimana objek tersebut adalah individu berupa data dimana setiap data memilih sejumlah atribut. Ordered data adalah data-data yang tersusun dengan suatu cara dalam urutan atau aturan tertentu, misalnya data struktur DNA mempunyai urutan genetic tertentu.

Konsep Kluster

Klustering data dapat dibedakan menjadi 2 tujuan, yaitu klustering untuk pemahaman dan klustering untuk penggunaan. Jika tujuannya untuk pemahaman maka kluster yang terbentuk harus menangkap struktur alami data. Jika tujuannya untuk penggunaan, biasanya tujuan utamanya untuk mencari prototype kluster yang paling representative terhadap data dan memberikan abstraksi dan setiap objek data dalam kluster dimana sebuah data terletak di dalamnya.

Menurut struktur, klustering terbagi menjadi 2, yaitu hirarki dan partisi. Dalam pengelompokkan berbasis hirarki, satu data tunggal bisa dianggap sebuah kluster, dua atau lebih kluster dapat bergabung menjadi sebuah kluster besar, begitu seterusnya hingga semua data dapat bergabung menjadi sebuah kluster.

Dalam kategori eksklusif, sebuah data bisa dipastikan hanya menjadi anggota satu kluster dan tidak menjadi anggota di kluster yang lain. Sementara yang termasuk kategori tumpang tindih adalah metode klustering yang membolehkan sebuah data menjadi anggota di lebih dari satu kluster, misalnya Fuzzy C-Means dan pengelompokkan berbasis hirarki.

11 Desember 2014 (22:54 PM)

Functional Test

Functional Testing

Functional test bermanfaat untuk mengecek ulang (mengetest) fitur-fitur yang ada pada suatu aplikasi sebelum aplikasi ini benar-benar di pakai oleh klien. Hal ini dilakukan untuk memastikan kualitas yang ada pada suatu aplikasi tetap berjalan sesuai dengan standar fungsinya. Functional test ini biasanya dilakukan pada masa development (pengembangan suatu aplikasi). Hasil test kemudian di simpan di dalam suatu dokumen Test Plan.

Test Plan

Penjelasan Kolom:

  1. Daftar Fitur. Berisi Judul task, tiket dsbg.
  2. Description. Daftar fitur perlu diuraikan lagi serinci mungkin agar lebih jelas. Lebih bagus lagi kalau disertakan dengan screen shot yang alamat URL nya di simpan pada kolom catatan.
  3. Nama orang yang mengetest aplikasi.
  4. Tgl test. Tanggal dilakukannya test.
  5. Isi sesuai dengan status test Anda, apakah Sukses (Sesuai dengan scenario dan tidak terjadi bug), Gagal (jika masih terjadi bug), ataupun Not tested (bila rincian fitur tersebut belum di test sama sekali.)
  6. Isi kolom ini dengan catatan yang mungkin untuk memudahkan pembaca atau QA lainnya (jika Anda bekerja secara tim).

Tugas dari QA disini adalah memastikan bahwa setiap halaman yang berhubungan dengan data yang diinput oleh pengguna sesuai dengan scenario yang ada.

Jenis Case ada 2:

  1. Happy Case. Jika penjelasannya sesuai dengan scenario (misal. Pengguna melihat halaman Dashboard setelah memasukkan username & password yang benar).
  2. Unhappy Case. Jika penjelasannya tidak sesuai dengan scenario (misal. Pengguna melihat tampilan error jika memasukan username & password yang salah).

Usability Testing

Fungsionalitas dari suatu aplikasi haruslah mudah untuk diakses oleh klien. Termasuk jika pengguna memiliki keterbatasan, baik secara teknis maupun non-teknis. Keterbatasan teknis yang dimaksud contohnya:

  1. Pengguna menggunakan ukuran layar dibawah ukuran pada umumnya (misalnya 800 x 600).
  2. Pengguna menggunakan cross browser. Disini, aplikasi harus bisa dijalankan dengan baik dengan berbagai browser, misalnya Firefox, Chrome, IE, Safari, Opera dan sebagainya.
  3. Pengguna menggunakan browser dengan versi lama.
  4. Pengguna menggunakan browser dengan menonaktifkan javascriptnya.

Dan yang dimaksud dengan keterbatasan non-teknis adalah:

  1. Pengguna menderita buta warna.
  2. Pengguna memiliki daya penglihatan rendah.

Jika hal ini terjadi, sebaiknya Anda menggunakan

  1. Degradable Javascript. Matikan Javascript pada browser, kemudian cek fungsionalitasnya. Seharusnya semua tetap berfungsi, kalaupun tidak, maka harus ada keterangan seperti misalnya tulisan “You must enable Javascript to use this application.”

Misal pada Firefox, untuk mengaktifkan Javascript adalah dengan mengetik about:config pada address bar, kemudian cari javascript.enable kemudian klik 2x pada tulisan itu.

Javascript Required

 

  1. Color Combination.

Cek lah kombinasi warna nya apakah sudah sesuai dengan persyaratan WCAG dengan menggunakan website www.checkmycolours.com Disini Anda hanya memasukkan URL dari aplikasi Anda, kemudian Anda bisa melihat hasilnya. WCAG (Web Content Accessibility Guidelines) merupakan bagian dari panduan seri aksesibilitas web yang dikembangkan oleh Web Accessibility Initiative (WAI) dari W3C. Standar Organisasi Internasional Utama untuk World Wide Web.

Check My Colours

12 Desember 2014 (11:00)

Pengertian Statistika

Istilah statistika berasal dari bahasa latin, yaitu kata “status” atau bahasa Italia “Statista” yang artinya bentuk politik atau pemerintahan. Statistika adalah ilmu pengetahuan yang memuat kegiatan meliputi: koleksi data, presentasi data, analisis data, dan interpretasi data.


MENGELOMPOKKAN RUANG LINGKUP STATISTIKA

Tugas statistika mengoleksi data meliputi mengelompokkan, menyusun dalam suatu barisan dan mengurutkan data. Setelah data dikoleksi, selanjutnya disajikan, baik dalam table atau diagram. Kegiatan statistika dimana seseorang mengoleksi, mengorganisir, menggambarkan dengan bantuan statistika sederhana atau memperesentasikan dengan diagram, dinamakan statistika deskriptif.

Sementara itu, statistika kualitatif atau nonparametric lebih banyak berhubungan dengan statistika deskriptif. Kekuatan analisis pada pengelompokkan ini berupa deskriptif yang dinyatakan dalam bentuk kata-kata, sedangkan perhitungan statistika sederhana hanya dipakai sebagai pendukung informasi.

Kegiatan statistika mengolah data yang diperoleh dengan menghitung dan mengukur dikelompokkan dalam bidang statistika kuantitatif. Pengelompokkan statistika kuantitatif atau statistika parametric kegiatannya lebih banyak berhubungan dengan statistika inferensial. Disini dalam mebuat keputusan dan memprediksi hubungan antarkejadian didasarkan atas perhitungan numeric (angka).


PENGERTIAN DASAR DALAM STATISTIKA

  1. Unit statistic adalah individu objek atau orang yang akan diteliti, disurvei atau didata.
  2. Variabel adalah suatu karakteristik dari suatu objek yang nilainya untuk tiap objek bervariasi dan dapat diobservasi, dibilang atau diukur.
  3. Data adalah suatu keterangan yang berbentuk kualitatif (rusak, bagus, kurang, dan sedang) atau berbentuk kuantitas (bilangan) yang merupakan hasil observasi (pengamatan, angket, wawancara).

KLASIFIKASI DATA

  1. Skala nominal. Data nominal diperoleh dari hasil pengamatan (observasi).
  2. Skala ordinal. Data ordinal berasal dari hasil pengamatan, observasi atau angket berskala dari suatu variable. Hasilnya berbentuk data kualitatif
  3. Skala cardinal. Data cardinal berasal dari hasil membilang atau menghitung suatu variable. Hasilnya selalu bulat.
  4. Skala interval. Data interval berasal dari hasil mengukur suatu variable. Data diasumsikan berbentuk bilangan kontinu mempunyai ukuran urutan, seperti dengan data ordinal. Skala ini tidak memiliki nilai nol.
  5. Skala rasio. Data rasio berasal dari hasil mengukur suatu variable. Pada skala rasio memiliki nilai nol mutlak.