True Love by 藤井フミヤ

19 01 2009

True Love by 藤井フミヤ (Fujii Fumiya). This soundtrack song of a winter love story drama long time ago, is still a memorable love song and an easy song to listen.

Lyrics:

Furikaeru to itsumo kimi ga waratte kureta
Kaze no you ni sotto

Mabushi sugite me wo tojitemo ukande kuru yo
Namida ni kawatteku

Kimi dake wo shinjite kimi dake wo kizutsukete
Bokura wa itsumo haruka haruka tooi mirai wo
Yume miteta hazu sa

Tachitomaru to nazeka kimi wa utsumuita mama
Ame no you ni sotto

Kawaranai yo ano hi kimi to deatta hi kara
Namida ni kawattemo

Kimi dake wo mitsukete kimi dake shika inakute
Bokura wa itsumo haruka haruka tooi mirai wo
Yume miteta hazu sa

Yume miteta hazu sa

Japanese Lyrics:

振り返ると
いつも君が笑ってくれた
風のようにそっと

まぶしすげて
目を閉じても浮かんでくるよ
涙 に変わってく

君だけを信じて
君だけを傷つけて
僕らはいつも
はるかはるか遠い未来 を
夢見てたはずさ

立ち止まると
なぜか君はうつむいたまま
雨のようにそっと

変わらないよ
あの日君と出合った日から
涙 に変わっても

君だけをみつめて
君だけしかいなくて
僕らはいつも
はるかはるか遠い未来を
夢見てたはずさ

夢みてたはずさ

Advertisements




Feature Selection

13 01 2009

Feature Selection atau Feature Reduction adalah suatu kegiatan yang umumnya bisa dilakukan secara preprocessing dan bertujuan untuk memilih feature yang berpengaruh dan mengesampingkan feature yang tidak berpengaruh dalam suatu kegiatan pemodelan atau penganalisaan data. Ada banyak alternatif yang bisa digunakan dan harus dicoba-coba untuk mencari yang cocok. Secara garis besar ada dua kelompok besar dalam pelaksanaan feature selection: Ranking Selection dan Subset Selection.

Ranking Selection

Ranking selection secara khusus memberikan ranking pada setiap feature yang ada dan mengesampingkan feature yang tidak memenuhi standar tertentu. Ranking selection menentukan tingkat ranking secara independent antara satu feature dengan feature yang lainnya. Feature yang mempunyai ranking tinggi akan digunakan dan yang rendah akan dikesampingkan. Ranking selection ini biasanya menggunakan beberapa cara dalam memberikan nilai ranking pada setiap feature misalnya regression, correlation, mutual information dan lain-lain.

Subset Selection

Subset selection adalah metode selection yang mencari suatu set dari features yang dianggap sebagai optimal feature. Ada tiga jenis metode yang bisa digunakan yaitu selection dengan tipe wrapper, selection dengan tipe filter dan selection dengan tipe embedded.

Feature Selection Tipe Wrapper: feature selection tipe wrapper ini melakukan feature selection dengan melakukan pemilihan bersamaan dengan pelaksanaan pemodelan. Selection tipe ini menggunakan suatu criterion yang memanfaatkan classification rate dari metode pengklasifikasian/pemodelan yang digunakan. Untuk mengurangi computational cost, proses pemilihan umumnya dilakukan dengan memanfaatkan classification rate dari metode pengklasifikasian/pemodelan untuk pemodelan dengan nilai terendah (misalnya dalam kNN, menggunakan nilai k terendah). Untuk tipe wrapper, perlu untuk terlebih dahulu melakukan feature subset selection sebelum menentukan subset mana yang merupakan subset dengan ranking terbaik. Feature subset selection bisa dilakukan dengan memanfaatkan metode sequential forward selection (dari satu menjadi banyak feature), sequential backward selection (dari banyak menjadi satu), sequential floating selection (bisa dari mana saja), GA, Greedy Search, Hill Climbing, Simulated Annealing, among others.

Feature Selection Tipe Filter: feature selection dengan tipe filter hampir sama dengan selection tipe wrapper dengan menggunakan intrinsic statistical properties dari data. Tipe filter berbeda dari tipe wrapper dalam hal pengkajian feature yang tidak dilakukan bersamaan dengan pemodelan yang dilakukan. Selection ini dilakukan dengan memanfaatkan salah satu dari beberapa jenis filter yang ada. Contohnya: Individual Merit-Base Feature Selection dengan selection criterion: Fisher Criterion, Bhattacharyya, Mahalanobis Distance atau Divergence, Kullback-Leibler Distance, Entropy dan lain-lain. Metode filter ini memilih umumnya dilakukan pada tahapan preprocessing dan mempunyai computational cost yang rendah.

Feature Selection Tipe Embedded: feature selection jenis ini memanfaatkan suatu learning machine dalam proses feature selection. Dalam sistem selection ini, feature secara natural dihilangkan, apabila learning machine menganggap feature tersebut tidak begitu berpengaruh. Beberapa learning machine yang bisa digunakan antara lain: Decision Trees, Random Forests dan lain-lain.

Sumber: J.Kittler, “Feature Selection & Extraction”, in Handbook of Pattern Recognition and Image Processing, Tzay Y. Young, King Sun Fu Ed. Academic Press, 1986.





Registrasi Penduduk Online Part 4

10 01 2009

Beberapa tahun belakangan ini, beberapa wilayah di Indonesia baik di tingkat kabupaten/kota maupun provinsi berlomba untuk berusaha menata catatan kependudukan di wilayah mereka masing-masing, khususnya setelah adanya otonomi. Tapi tidak sadarkah bahwa beberapa kegiatan yang dilakukan bisa mengefesiensikan biaya/anggaran negara dalam jumlah yang cukup besar. Salah satu contoh yang sudah saya ulas dalam tulisan saya tentang Registrasi Penduduk Online Part 2 adalah tentang pendaftaran pemilih dalam kegiatan pemilu. Beberapa efesiensi lain yang bisa menjadi dampak antara lain:

  • Pengembangan sistem informasi yang sebenarnya memerlukan hanya satu saja di tingkat nasional, harus dilakukan di tingkat wilayah masing-masing. Kalau di Indonesia ada 349 kab/kota misalnya, berarti pemerintah paling sedikit harus menyediakan 349 anggaran yang sama dalam pengembangan sistem informasi kependudukan.
  • Belum lagi, kegiatan seperti pendaftaran penduduk miskin, pendaftaran siswa sekolah, pendaftaran balita, pendaftaran wanita usia subur dan pendaftaran-pendaftaran terkait penduduk jenis lainnya, yang seharusnya bisa diintegrasikan menjadi satu kesatuan dengan sistem informasi kependudukan yang ada dengan sedikit tambahan-tambahan di sana-sini, harus dilakukan berulang kali, membuat pemerintah harus menyediakan dana/anggaran untuk kegiatan-kegiatan yang sebenarnya tujuannya adalah sama atau sejenis.

Kalau saja dana-dana ini bisa diefesiensikan untuk membiayai orang-orang atau keluarga-keluarga yang susah untuk hanya sekedar melangsungkan kegiatan hidup mereka. Tentu akan lebih bermanfaat lagi.