Doaku Hari Ini dan Selamanya

Tuhanku Yang Maha Agung,

Sesungguhnya aku tahu bahwa kehidupan ini indah,
dan jika aku merasakan kejenuhan -
ini pasti karena aku yang tidak memberagamkan
pikiran dan yang kulakukan.

Aku tak akan melihat yang baru dalam hidupku,
jika aku tak membarukan cara pandangku terhadap kehidupan.

Jika cara pandangku baik,
dunia kelihatan baik dan penuh kemungkinan baik.

Tapi, jika cara pandangku negatif,
aku akan mengeluhkan sebaik-baiknya anugerah.

Dan, jika yang kulakukan sama dan dengan cara yang sama,
aku tak akan mungkin mendapatkan hasil yang baru.

Maka jika aku ingin keluar dari penjara kejenuhan,
akulah yang harus membarukan diri, dan segera.

Tuhan, bantulah aku menceriakan hati,
menjernihkan pandanganku, dan mengindahkan perilakuku,
agar aku lebih terlibat dalam kehidupan yang dinamis,
yang bebas dari kejenuhan.

Aamiin

— Mario Teguh (Thanks for your inspiration pops^^)—

Klasifikasi Microarray Data

Ekspresi gen merupakan rangkaian proses penerjemahan informasi genetik (dalam bentuk urutan basa pada DNA atau RNA) menjadi protein, dan lebih jauh lagi: fenotipe. Informasi yang dibawa bahan genetik tidak bermakna apa pun bagi suatu organisme apabila tidak diekspresikan menjadi fenotipe. Ekspresi genetik beserta dinamika yang mempengaruhinya dipelajari dalam genetika molekular beserta cabang-cabangnya seperti genomika, transkriptomika, proteomika, serta metabolomika. <Wikipedia>

Saat ini, analisa ekspresi gen dari data microarray menjadi salah satu tema menarik dalam penelitian. Penemuan microarray telah memberikan peluang untuk menganalisa ekspresi ribuan gen dalam satu waktu. Gen dimonitor berulang kali pada kondisi yang berbeda dan untuk tipe jaringan yang berbeda. Namun, analisa ekspresi gen memiliki kelemahan yaitu minimnya jumlah sampel dibandingkan dengan dimensi dari ruang vector yang dibentuk oleh ekspresi gen. Dalam satu studi teoritik yang berkaitan dengan jumlah sampel dan dimensional data (d), setidaknya disyaratkan lebih dari 2(d+1). Jika jumlah gen manusia sekitar 30 ribu, maka jumlah sampel yang disyaratkan setidaknya menjadi sekitar 60 ribu. Sementara biaya yang diperlukan untuk membaca ekspresi satu sampel dari sel manusia saja sangat tinggi. Maka dapat dibayangkan betapa mahalnya eksperimen analisa data microarray.

Salah satu alternatif untuk memecahkan masalah tersebut mengembangkan perangkat lunak (metode pattern recognition) yang dapat mengolah data dengan jumlah sampel relatif kecil dibandingkan dimensionalnya. Alternatif inilah yang membuat banyak metode diajukan untuk menganalisis data ekspresi gen, seperti klasifikasi dan clustering.

Seleksi fitur adalah salah satu metode pengolahan awal data (pre-processing) untuk menentukan subset fitur yang akan diolah pada tahap berikutnya. Seleksi fitur mereduksi jumlah fitur dan menghilangkan data yang tidak relevan, berlebihan, atau noise. Seleksi fitur telah diterapkan secara ekstensif pada klasifikasi tumor yang menggunakan data microarray.

Berdasarkan cara mengevaluasi kualitas dari subset fitur, terdapat dua kategori pada metode seleksi fitur, yaitu pendekatan filter dan pendekatan wrapper. Pada pendekatan filter, sekumpulan fitur yang baik dipilih sebagai hasil dari pre-processing berdasarkan karakteristik data itu sendiri dan tidak bergantung pada algoritma klasifikasi. Sedangkan pada pendekatan wrapper, dibutuhkan performa dari sebuah algoritma mining untuk mengevaluasi dan menentukan fitur mana yang dipilih. Akan tetapi, secara komputasional pendekatan wrapper jauh lebih mahal dibandingkan pendekatan filter. Oleh karena itu pendekatan filter lebih banyak digunakan pada seleksi fitur ekspresi gen data microarray.

Transformasi Paket Wavelet

Transformasi paket wavelet merupakan pengembangan dari dekomposisi untuk transformasi wavelet. Aproksimasi dan detail sinyal yang didapatkan transformasi wavelet pada tiap level akan lebih didekomposisi oleh transformasi paket wavelet, jadi hasil dengan resolusi yang lebih tinggi dalam domain waktu dan frekuensi dapat diperoleh. Berdasarkan teori paket wavelet tradisional, sinyal transformasi paket wavelet x(t) didefinisikan sebagai berikut :

dimana μ_n(t) adalah fungsi paket wavelet, j adalah banyaknya level dekomposisi, atau disebut juga parameter skala, p adalah parameter posisi, n adalah banyaknya channel, S adalah level dekomposisi maksimum. Untuk sinyal x(t), setelah didekomposisi dengan transformasi paket wavelet, 2^S sequence dapat diperoleh pada level ke-S.

Algoritma dekomposisi cepat yang sesuai untuk transformasi paket wavelet semacam ini yaitu

dimana h(i) dan g(i) adalah koefisien wavelet quadrature mirror filter (QMF). Persamaan disamping adalah formula dekomposisi transformasi paket wavelet, dan pada aplikasi teknik transformasi paket wavelet, seperti ekstraksi fitur untuk sinyal heart rate variability (HRV) dan sinyal electroencephalogram (EEG), dan beberapa aplikasi lain. Karakteristik yang terdapat pada formula ini adalah downsampling, yang berarti ketika menghitung sequence pada level (j+1), untuk sequence data pada level ke-j, hanya data yang berada pada posisi genap dapat disampelkan untuk menghitung sequence pada level ke-(j +1). Jadi dibandingkan dengan panjang sequence pada level ke-j, sequence yang ada pada level ke-(j+1) akan berkurang setengahnya. Sebagai contoh, jika panjang sinyal original adalah 1024, maka setelah dekomposisi transformasi paket wavelet dilakukan, panjang dari sequence pada level pertama akan berkurang menjadi 512, dan pada level kedua akan berkurang menjadi 256, dan seterusnya. Penurunan panjang pada transformasi paket wavelet bisa jadi sangat berguna pada domain kompresi data, tetapi sangat sempit dalam domain kesalahan diagnosis. Karena untuk mendapatkan hasil diagnosis yang reliable, sequence pada level terakhir akan dianalisa lebih lanjut, tetapi pendeknya panjang sequence tersebut akan membuat pertentangan pada analisis yang lebih lanjut. Sebagai contoh, untuk mendapatkan hasil akurasi fast Fourier Transform (FFT) dari sequence dengan resolusi frekuensi tinggi, pada umumnya panjang dari sequence yang dibutuhkan setidaknya lebih dari 64. Misalkan panjang dari sinyal original adalah 1024, dan level dekomposisi maksimalnya adalah S = 5, maka setelah dekomposisi, untuk sequence yang berada pada level kelima, panjangnya akan berkurang hingga 32, dan panjangnya terlalu pendek sehinggai hasil FFT dengan resolusi frekuensi tinggi tidak bias diperoleh. Disamping itu, sangat sulit untuk mengobservasi fitur bentuk gelombang dari sequence tersebut untuk panjang sequence yang terlalu pendek. Untuk menganalisa lebih jauh sequence pada level terakhir atau mengobservasi fitur bentuk gelombangnya, satu-satunya cara adalah dengan melakukan perhitungan rekonstruksi. Formula rekonstruksi untuk transformasi paket wavelet adalah :

Berdasarkan downsampling pada formula dekomposisi, karakteristik dari rekonstruksi ini adalah upsampling, yaitu sebelum menghitung x^n,j_p, untuk sequence x^2n,j+1_k dan x^2n+1,j+1_k, sebuah nol akan diselipkan antara setiap dua data yang berdekatan pada dua sequence tersebut. Dengan tujuan dari operasi rekonstruksi ini, panjang dari sequence pada level terakhir akan men-recover sinyal original, sehingga analisis yang lebih jauh untuk sequence tersebut dapat berjalan. Dalam beberapa penelitian, untuk menyatakan fitur pada hasil dekomposisi transformasi paket wavelet, operasi rekonstruksi transformasi paket wavelet harus dilakukan sehingga hasil dekomposisi dapat memperoleh kembali panjang yang sama dengan sinyal original dan kemudian fitur dapat jelas ditampilkan.

Neighborhood Rough Set v.1

Konsep dasar dari neighborhood rough set telah diperkenalkan oleh Hu et al. dalam papernya yang berjudul Neighborhood Classifiers.

Secara formal, struktur data untuk pembelajaran klasifikasi dapat dituliskan:

IS = <U, A, V, f>

U = {x1, x2, x3, …… xn}. U adalah sample space (non-empty sample set).

A = {a1, a2, a3, ……. an}. A adalah set variable yang tidak kosong (disebut juga sebagai fitur, input, atribut). A digunakan untuk mengkarakteristikan sampel.

V adalah nilai domain dari atribut .

f adalah fungsi informasi, dimana f : U x A -> V

Lebih spesifik,  juga disebut tabel keputusan jika  A = C union D dan C ∩ D = Ø , dimana  adalah C sekumpulan atribut kondisi (set attribute condition) dan D adalah output atau disebut juga atribut keputusan (decision attribute).

Rough Set

Teori rough set adalah pendekatan matematika baru untuk pendekatan analisis data intelegen dan data mining. Setelah hampir 20 tahun mengupayakan teori rough set dan aplikasinya, pendekatan mencapai sebuah tingkat kematangan tertentu. Dalam beberapa tahun terakhir ini, kami menyaksikan pertumbuhan pesat akan ketertarikan pada teori rough set dan aplikasinya di seluruh dunia. Banyak workshop internasional, konferensi dan seminar menyertakan rough set dalam programnya. Hingga saat ini, 2000 paper dan beberapa buku telah mempublikasikan berbagai macam aspek rough set.

Filosofi rough set didirikan pada asumsi bahwa dengan setiap objek wacana alam semesta kita mengasosiasikan beberapa informasi (data, pengetahuan). Sebagai contoh, jika objek adalah pasien yang menderita penyakit tertentu, gejala dai penyakit tersebut merupakan informasi tentang pasien. Objek ditandai oleh informasi yang sama yang indiscernible (similar) mengingat informasi yang tersedia pada objek tersebut. Hubungan indiscernibility yang dihasilkan dengan cara ini adalah dasar matematika teori rough set. Himpunan dari seluruh obyek indiscernible (similar) yang disebut elementary set, dan membentuk granul dasar (atom) dari pengetahuan tentang alam semesta. serikat pekerja dari beberapa elementary set dirujuk sebagai satu set crisp (tepat) – dengan kata lain set tersebut rough. Setiap rough set memiliki masalah garis batar (boundary-line), yaitu objek yang tidak dapat diklasifikasikan dengan pasti, dengan menggunakan pengetahuan yang ada, karena member dari set tersebut atau objek complement. Tentunya rough set, berbeda dengan precise set, tidak dapat dicirikan dalam hal informasi tentang elemen mereka. Dengan rough set, sepasang precise set — menyebutkan aproksimasi bawah dan atas dari rough set berasosiasi. Aproksimasi bawah (lower approximation) terdiri dari semua objek yang tentu saja termasuk set dan upper approximation berisi semua objek yang mungkin termasuk set. Perbedaan antara aproksimasi atas dan bawah membentuk daerah batas (boundary region) rough set. Aproksimasi adalah dua operasi dasar pada teori rough set.

Pendekatan rough set tampaknya menjadi dasar yang penting untuk AI dan ilmu kognitif, khususnya pada area machine learning, akuisisi pengetahuan, decision analysis, penemuan pengetahuan dari database, sistem pakar, penalaran induktif dan pengenalan pola. Teori rough set telah berhasil diterapkan dalam banyak masalah kehidupan nyata dalam kedokteran, farmakologi, teknik, perbankan, keuangan, analisis pasar, pengelolaan lingkungan dan lain-lain.

Pendekatan roughset untuk analisis data memiliki banyak kelebihan utama. Diantaranya adalah

• menyediakan algoritma efisien untuk menemukan pola yang tersembunyi dalam data;
• menemukan set minimal data (reduksi data);
• mengevaluasi signifikansi data;
• menghasilkan set decision rule dari data;
• menawarkan interpretasi langsung dari hasil yang diperoleh;
• sebagian besar algoritma didasarkan pada teori roughset sangat cocok untuk pemrosesan paralel;
• mudah untuk dipahami.

Jumat Pagi di Akhir September

Pagi ini dengan segala daya upaya ku coba bangun pagi karena 2 hari yang lalu, dosen pembimbing tugas akhirku berpesan

“Hari jumat bimbingan jam setengah 8 ya mba.. Soalnya siang saya ada acara.”

Ya.. meskipun susah dan masih ngantuk, gara-gara tadi malam nonton one piece -,-’ akhirnya aku bisa bangun pagi juga. Jam 7 ku langsung berangkat dari kos dan sampai dikampus 15 menit kemudian. Dan begitu waktu sudah menunjukkan pukul setengah 8, datanglah aku ke ruangan ibu dosenku. Dan terjadilah percakapan..

“Assalamu’alaikum bu.. ” ucapku.

“Wa’alaikumsalam. Oh Rindang.. Mau bimbingan ya?”

Ku anggukan kepalaku.

“Wah, maaf ya Rindang, proposalnya belum saya baca. Kemarin saya masih sibuk dengan urusan lain, ” jelas si Ibu. ” Nanti saya hubungi lagi saja ya kapan bimbingannya. “

Kembali ku anggukan kepalaku. Berucap pamit pada bu Dosbim dan berlalu. Ku langkahkan kaki menuju lab yang terletak di lantai 3. Membukan aplikasi Firefox dan mengetikan “Hijab Tutorial” di tempat pencarian google. Hohoho..

 

Meninggalkanmu dan Dirinya

Tolong pahami Ku harus pergi..
Meninggalkanmu meniti sepi..
Walau terluka perih mendera..
Tapi ku harus meninggalkanmu..

Malam ini aku kembali mendengarkannya. Meninggalkanmu.. Sebuah lagu dari Jikustik yang membuatku teringat pada seseorang yang mampu membuatku jatuh hati, bahkan sebelum aku melihatnya. Ya, ini lagu yang dinyanyikan kak Danang delapan tahun silam di pagelaran seni yang tiap tahun. Saat itu aku baru menginjak kelas dua SMP. Kak Danang adalah kakak kelasku. Aku sama sekali tidak mengenalnya sebelum itu. Namun, masih lekat dalam ingatanku ketika aku sedang mengerjakan ujian bahasa inggris di kelas dan ku dengar kak Danang bernyanyi. Tanpa aku sadari, suaranya telah mengetuk pintu cinta di hatiku. Dan sejak itu, melihatnya adalah satu hal yang selalu membuat hatiku tergetar. Aku menyukainya, meski aku tak mengenalnya. Aku menyukainya, meski ku belum tahu namanya.

Hari berganti hari, cinta itu terus tumbuh di hati. Namun, seiring berjalannya waktu, ku sudah merasa cukup hanya dengan perasaanku. Tak ada keinginan untuk membawanya lebih jauh. Mencoba mengenalkan diri padanya pun tidak. Dan tiba pada saat aku harus merasakan patah hati untuk pertama kalinya. Ternyata kak Danang telah memilih orang lain tuk mengisi hatinya. Dan entah kenapa Tuhan memilihku menjadi saksi ketika kak Danang menyerahkan sebuah surat pada perempuan itu. Surat yang hingga saat ini ku anggap sebagai surat cinta. Hatiku terasa sakit, aku pun menangis. Tapi ternyata hal itu tak pernah menyurutkan sedikitpun rasaku untuk kak Danang. Aku masih tetap menyukainya, bahkan hingga setahun kemudian. Namun, keadaan tetap sama. Aku masih belum mengenal kak Danang ataupun ingin mengenalnya meski hanya sebagai teman. Cukup memandangnya dari jauh saja. Dan kak Danang pun masih menjalin hubungan dengan perempuan itu.

Sekian tahun berlalu. Tepat di tahun ketiga aku menjalani kehidupan baruku sebagai mahasiswi, tanpa sengaja ku temukan facebook kak Danang. Ketika itu aku sudah tak memiliki perasaan apapun pada kak Danang. Namun hal itu yang membuatku ingin mengenalnya. Lewat facebook, aku mulai bertegur sapa dengan kak Danang. Aku tidak tahu apakah sebelumnya kak Danang pernah tahu tentangku atau tidak. Tapi sepertinya kak Danang sedikit kaget saat ku katakan bahwa aku mengenalnya sejak masih duduk di bangku SMP. Kak Danang memang bukan orang yang cukup menonjol di sekolah ketika itu. Namun, chit chat via facebook pun hanya berlangsung sesaat. Aku tidak ingat kenapa. Yang ku ingat hanya setahun kemudian aku mengganti account facebookku dan tidak lagi berteman dengan facebook kak Danang.

26 November 2010. Sebuah berita mengejutkan ku dapat dari seorang teman yang tahu bagaimana perasaanku pada kak Danang. Ini bukan tentang kak Danang punya pacar baru ataupun kak Danang menikah. Ternyata sudah seminggu berlalu kak Danang berada di rumah sakit. Dan hari itu adalah hari dimana kak Danang kembali ke rumahnya. Rumah yang abadi. Tak terperi hatiku sakit mendengarnya. Namun, aku tidak sanggup meneteskan air mata ini. Aku tak ingin air mata ini akan menyulitkan jalan kak Danang di dunianya yang baru.

Kak Danang.. Lewat lagu ini aku mengenalmu, menambatkan hati ini padamu. Dan lewat lagu ini pula, aku menyadari kau telah jauh meninggalkanku.

Kak Danang.. Semoga kau bahagia di sana. Semoga kau tenang di keabadianmu. Semoga Tuhan memberikan semua yang terbaik untukmu. Ku selalu mendoakanmu di sini.