Bootsrap your own latent-Grill-PaperReview

Paper Title:Bootstrap Your Own Latent; A new approach to self-supervised learning

Authors: Jean Bastian Grill, Florian Strub, Florent Altche, Corentin Tallec, Pierre H.Richemond, Elena Buchatskaya, Carl Doersch, Bernardo Avila Pires, Zhaohan Daniel Guo, Mohammed Gheshlaghi Azar, Bilal Piot, Koray Kavukcuoglu, Remi Munos, Michal Valko

Venue: Advances in Neural Information Processing Systems 33 (NeurIPS 2020)

URL: https://arxiv.org/pdf/2006.07733

Problem:

Mendapatkan image representasi yang baik adalah sebuah tantangan dalam computer vision. Banyak pendekatan training telah diajukan untuk mengatasi tantangan ini diantaranya mengandalkan pada visual pretext task, seperti metoda contrastive dengan melakukan traning dengan mengurangi distance antara representasi dari augmented views yang berbeda dari gambar yang sama (positive pair) dan meningkatkan distance antara representasi dari augmented view dari gambar berbeda (negative pair).

Namun metode ini membutuhkan treatment khusus untuk negative pairs dan performansinya tergantung pada pemilihan image augmentation

Contribution:

  1. Mengenalkan BYOL, metode SSL (self-supervised Learning) baru
  2. BYOL menghasilkan performa lebih baik dibandingkan state-of-the-art semi-supervised dan transfer benchmarks
  3. BYOL lebih kuat terhadap perubahan batch size pada set augmentasi gambar dibandingkan pendekatan contrastive

Method/solution

  1. BYOL menggunakan 2 neural network: online dan target
  2. Online network ditentukan dengan sebuah set weight θ dan dibagi menjadi tiga tahapan: sebuah encoder fθ , projector g0 dan predictor q0
  3. Target network memiliki arsitektur yang sama dengan online network, tapi memiliki weight yang berbeda
  4. Target network menyediakan target regresi untuk train online network, dan parameternya secara exponensial mengubah rata-rata dari parameter 0
  5. Dari sebuah set image D, image x->D disampling dari D, dan 2 distribusi dari augmentasi image T dan T‘
  6. BYOL menghasilkan dua augmented view v dan v’
  7. Dari augmented view pertama v, online network menghasilkan representasi y0 dan proyeksi z0
  8. Target network menghasilkan y’ dan target proyeksi z’ dari augmented view v’
  9. Kemudian dihasilkan output prediksi q0 dari z’ dan l2 normalisasi q0 dan z’
  10. Prediktor ini hanya diterapkan pada online branch, sehingga arsitektur asimetrik antara online dan target
  11. Pada setiap training step, dilakukan optimasi stokastik untuk minimasi L0
  12. Pada setiap akhir training kita hanya menyimpan f0
  13. Dibandingkan metode lain, diperhitungkan juga jumlah inference time weight hanya pada representasi akhir f0
  14. Pengujian dilakukan dengan dataset ILSVRC-2012
  15. Benchmark adalah semi-supervised pada ImageNet
  16. Diukur transfer capability dari dataset dan task lain, termasuk klasifikasi, segmentasi, deteksi objek dan estimasi depth

Main result

  1. BYOL mencapai performansi lebih baik dibandingkan metode state-of-the-art contrastive method tanpa negative pairs
  2. Pada pengujian linear evaluasi pada ImageNet BYOL mencapai akurasi top-1 74,3%
  3. Mengurangi gap dengan supervised baseline 78,9%
  4. Pada arsitektur yang lebih dalam dan lebih lebar, menghasilkan performa 79,6% (top-1) akurasi. Lebih baik dibandingkan state-of-the-art self-supervised
  5. Pada ResNet-50 BYOL mencapai akurasi 78,5% hamper menyerupai supervised baseline 78,9% pada arsitektur yang sama
  6. Mengginakan protocol semi-supervised dengan 1% dan 10% dataset ImageNet dihasilkan akurasi top-1 77,5% setelah fine-tuning diperoleh 100%
  7. Pengujian transfer ke task classification lain, BYOL menghasilkan performa lebih baik dibandingkan SimCLR pada semua benchmark dan Supervised-IN pada 7 dari 12 benchmark
  8. Representasi BYOL bisa ditransfer ke small images seperti COFAR, landscape (SUN397) , VOC 2007 dan teksture (DTD)
  9. Transfer ke task lain pada vision seperti semantic segmentasi, object detection dan depth estimasi, BYOL lebih baik dibandingkan baseline

Limitation:

  1. Fokus pada vision, belum diuji pada audio, video, text dl
  2. membutuhkan kemampuan dan resource besar untuk proses augmentasi untuk implementasi pada modal lainnya

Latihan 1 Sistem Operasi

Kepada para peserta mata kuliah sistem operasi silahkan kerjakan latihan berikut:

  1. Mengapa komputer butuh sistem operasi ?
  2. Sebutkan ciri OS yang baik ?
  3. Mengapa komputer butuh sistem operasi ?
  4. Sebutkan ciri OS yang baik ?
  5. Sebutkan 5 fungsi dasar OS?
  6. Ceritakan tentang evolusi operating systems ?
  7. Dalam OS ada yang disebut proses, Jelaskan apa artinya ?
  8. Apa yang dimaksud dengan manajemen proses pada OS ?
  9. Jelaskan tentang Kernel? apa fungsinya ?
  10. Sebutkan 5 fungsi dasar OS?
  11. Ceritakan tentang evolusi operating systems ?
  12. Dalam OS ada yang disebut proses, Jelaskan apa artinya ?
  13. Apa yang dimaksud dengan manajemen proses pada OS ?
  14. Jelaskan tentang Kernel? apa fungsinya ?

Have fun!

ACM A.M Turing Award Lecture 2018 – Digital Learning Revolution

Saya baru lihat kuliah Geoffrey Hinton pada acara penganugeraahn A.M Turing award lecture 2018 dengan judul deep learning revolution. 

2 paradigma AI sejak tahun 1950:

  • Pendekatan Logik: menggunakan simbolic rules untuk melakukan manipulasi symbolic expressions; masalah utamanya reasoning; representasi yg digunakan symbolic expression; programmer meminta komputer;
  • pendekatan terinspirasi dari biologi: neural network: masalah yang dibahas learning dan persepsi; representasi dengan vektor neural

Vektor belajar dari data, dan mempengaruhi vektor neuron lainnya.

intelligent design: manipulasi symbolic representasi untuk menjalankan tugas dan memprogram komputer untuk melakukan itu

Learning, memberi input banyak contoh serta menentukan output yang diinginkan, meminta komputer belajar untuk memetakan input dengan output menggunakan prosedur learning yang general. Hinton memberi contoh dengan input sebuah gambar, komputer diminta menjelaskan apa isi gambar tersebut. Pendekatan intelligent design tidak berhasil memberikan deskripsi gambar, namun neural net bisa menjelaskan gambar tersebut dengan pendekatan learning. Neural Net yang besar dengan jutaan weight dan banyak layer non-linear neuron mampu menghitung perhitungan yang kompleks. Tapi mampukah neural network belajar hanya dari random weights dan mengambil informasi hanya dari data training, tanpa label dari manusia. Turing dan selfridge pernah mengusulkan bahwa reinforcement learning (RL) bisa melakukan ini. RL menggunakan reward & punishment untuk mengupdate weights dari koneksi neural net. Namun menurut hinton tidak efficient. 

  • 1960 rosenblatt mengusulkan metoda learning sederhana yang dapat menghitung weight dari feature untuk melakukan klasifikasi input, namun perceptron tidak dapat menentukan feature
  • 1969 Minsky dan papert menyatakan perceptron memiliki keterbatasan, dan memiliki ide menggunakan deeper network
  • 1970 neural net winter
  • 1980 an muncul back propagation, berhasil membuat neural net merancang featurenya dan memiliki beberapa layer feature. Back propagation bisa mengconvert kata menjadi vektor, dan memprediksi kata berikutnya. Berhasil di speech recognition, dan beberapa bentuk shape recognition.  Yalican network membaca tulisan tangan

artificial neuron –> rectified linear neuron; output dengan jumlah input yang sama, merubah nilai weight. Klo gak ada cycle disebut feed-forward neural net. Merubah weight–>> merubah feature yang dipelajari net. tambah beberapa hidden layer

Ada 2 learning algoritm

  • supervised:  memberi vektor input dan memberikan output yang benar.  merubah weights untuk mengurangi diskrepansi antara output saat ini dan yang seharusnya
  • unsupervised hanya memberi input, merubah weight pada hidden layer supaya sistem dapat melakukan rekonstruksi input lebih baik 

Masih banyak lagi catatan yang menarik dari kuliah Hinton

video lengkapnya bisa dilihat disini

GAN – Generative Adversarial Nets

Saya baru baca tentang GAN – Generative Adversarial Nets. GAN ini framework yang dikembangkan oleh Ian Goodfellow, Yoshua Bengio dkk. Selama ini teknik Machine learning (ML) digunakan untuk melakukan klasifikasi atau mengenali gambar. Bisa gak teknik ML digunakan untuk membuat gambar baru? Ide ini yang dipikirkan Ian Goodfellow. 

Jadi dia menggabungkan dua neural network untuk membuat sebuah data baru.  Network pertama disebut generator, menggenerate data baru. Caranya adalah kebalikan dari proses klasifikasi data. Jadi diberikan sebuah output, mesin berusaha meng-generate input yang bisa menghasilkan output yang sesuai.

Network yang kedua disebut sebagai discriminator. Discriminator ini adalah sebuah Deep Neural Network yang berfungsi sebagai classifier.  Tugasnya melakukan penilaian terhadap hasil dari generator tadi, misalnya nilainya diberi skala 0-1. 1 diberikan bila gambar yang dihasilkan generator sesuai dengan yang diinginkan. Misalnya kita mau membuat gambar orang. Berarti matanya harus dua, mulutnya satu, telinganya dua, proporsinya seimbang, dsb. 0 diberikan bila gambar yang diberikan generator tidak sesuai dengan yang diinginkan, misalnya matanya satu, mulutnya dua dll. 

Kalo nilai yang dihasilkan discriminator kecil, maka generator akan memperbaiki lagi datanya, untuk kemudian dinilai lagi oleh discriminator. Begitu terus berulang, sampai nilainya tinggi, maksudnya gambarnya yang dihasilkan generator sesuai dengan yang diharapkan. 

Contohnya dari foto2 artis, GAN bisa membuat foto orang yang berbeda/baru. Contohnya bisa dilihat pada video berikut:

Beberapa riset yang menggunakan GAN misalnya oleh NVIDIA, untuk melakukan koreksi pada gambar. Ada juga yang digunakan untuk membuat desain interior secara acak. Selain itu membuat komposisi musik. Ada juga riset yang menggunakan GAN untuk membuat data train untuk self driving car. Contoh lainnya GAN digunakan untuk menggenerate data training medis.

Kelemahan GAN, dia butuh data yang banyak. Selain itu GAN hanya melakukan kombinasi dan tidak bisa menemukan sesuatu yang benar-benar baru. Agak rumit proses optimasi generator dan discriminatornya.

Namun menurut Good fellow ada tantangan juga penyalahgunaan teknik ini untuk kejahatan, membuat deepfake, mengacaukan self-driving car, dll. Paper Ian Godfellow bisa dilihat pada link berikut: https://arxiv.org/pdf/1406.2661.pdf

riset NVIDIA:

interview Ian Goodfellow dengan MIT: https://www.technologyreview.com/s/610253/the-ganfather-the-man-whos-given-machines-the-gift-of-imagination/

reference: 

What is GAN, the AI technique that makes computers creative?

Self-Supervised Learning-Keynote Lecture Yann LeCun

Saya baru nonton video kuliah Yann LeCun tentang self supervised learning (SSL) di konferensi AAAI. Menurut beliau walaupun Deep Learning (DL) telah memberikan kontribusi besari bagi dunia Artificial Intelligence (AI), namun DL membutuhkan data yang besar.   Sebelum membahas DL, dia bercerita bahwa Supervised learning (SL) membutuhkan data training yang telah diberi label. DL tidak sama dengan SL, melainkan neural network. DL bisa diterapkan pada beberapa paradigma learning termasuk SL, Reinforcement learning, unsupervised dan SSL. Namun mayoritas algoritma DL berbasis model SL. Sistem SL kesulitan menghadapi input yang berbeda dengan contoh data training, misalnya gambar yang diambil dari sudut yang berbeda.

RL banyak digunakan di game dan simulasi. Secara dasar RL agent diberikan blank slate dan aksi apa saja yang bisa dia lakukan pada environment. Kemudian sistem melakukan trial & error sebanyak2nya untuk mendapatkan reward paling besar. Teknik ini membutuhkan tenaga komputasi yang besar, dan sesi trial error yang banyak. RL juga tidak cocok untuk transfer learning. Sehingga RL tidak cocok untuk implementasi dalam dunia nyata.

Dia bercerita ada 3 tantangan DL: 

  1. Dibutuhkan sistem AI yang dapat belajar dengan jumlah sampel / trial & eror yang sedikit
  2. Membangun sistem DL yang cerdas
  3. Membangun sistem DL yang bisa 

Untuk mengatasi 3 tantangan itu dia mengajukan SSL. SSL secara singkat dari input berupa gambar, video, maupun text, sistem bisa melakukan prediksi output yang hilang. SSL dapat menggunakan model Transformer yang sudah berhasil di NLP dan text, namun untuk input berupa video kurang bagus hasilnya. Sehingga LeCun menyarankan model Latent Variable Energy based.

Selain SSL, ada beberapa alternatif lain seperti yang ditawarkan Yoshua Bengio, maupun capsule network yang diusulkan Geoffrey Hinton. Videonya bisa dilihat disini

Semoga Bermanfaat

 

 

Video Kuliah Pengenalan Pola

Saya lagi belajar tentang pengenalan pola, nemu video kuliah pengenalan pola dari Ibu Masayu dari ITB. Materinya cukup lengkap

  1. Introduction : What and Why Pattern Recognition : https://www.youtube.com/watch?v=vU9_4um4gas
  2. Introduction: Pattern recognition Artificial Intelligence https://www.youtube.com/watch?v=Ns8JokH0hUc
  3. What is AI – Acting Humanly : https://www.youtube.com/watch?v=wfmM5-d0Zh0
  4. Thinking Humanly Seg03 AI Introduction NUMYouTube video   ‬
  5. Thinking Rationally Seg04 AI Introduction NUMYouTube video   ‬
  6. Acting Rationally Seg05 AI Introduction NUMYouTube video   ‪
  7. Agent & Environment Seg01 AI IntelligentAgent NUMYouTube video  
  8. Agent Model Seg02 AI IntelligentAgent NUMYouTube video  
  9. Rational Agent Seg03 AI IntelligentAgent NUMYouTube video  
  10. PEAS Seg04 AI IntelligentAgent NUMYouTube video 
  11. Task Environment Seg05 AI IntelligentAgent NUMYouTube video 
  12. Agent Level Seg06 AI IntelligentAgent NUMYouTube video  
  13. Introduction: Supervised vs Unsupervised Classification: https://www.youtube.com/watch?v=3uem5RgBomY
  14. Introduction: Pattern Recognition and intelligent Agent: https://www.youtube.com/watch?v=wfXtgm-sxzc
  15. Introduction: Pattern Recognition Approaches: https://www.youtube.com/watch?v=Zf69SS6ngLU
  16. Pattern Recognition System: Knowledge-based Recognition SystemYouTube video  ‬
  17. Template-based Recognition System: https://www.youtube.com/watch?v=Zf8qCDbedro
  18. Pattern Recognition System: Automatic Fish Sorting (Case Study)YouTube video
  19. Learning-based Pattern Recognition SystemYouTube video
  20. Bayes Decision Theory – Bayes Decision RuleYouTube video  
  21. Bayes Decision Theory – Classifier and Discriminant FunctionYouTube video 
  22. Bayes Decision Theory – Minimum Risk Bayes Decision RuleYouTube video
  23. Bayesian Network: What & Why https://www.youtube.com/watch?v=o_Fn3QAUZ7g
     
  24. Bayesian Network: Classification: https://www.youtube.com/watch?v=BdcwLJAzyK0
  25. Bayesian Network Learning https://www.youtube.com/watch?v=cx2RXJjGrCI
  26. Classification: https://www.youtube.com/watch?v=nODiPmVTlUQ
  27. Design Of Experiment : https://www.youtube.com/watch?v=QgV2OJTGMbs
  28. Classification : https://www.youtube.com/watch?v=RYB4yKF4Cvo
  29. Applying ML https://www.youtube.com/watch?v=AtbxGT21wNc
  30. ANN: Basic Concept: https://www.youtube.com/watch?v=etw-93LDJoU
  31. Feed Forward Neural Network: https://www.youtube.com/watch?v=iEra80WydQs
  32. ANN: Backpropagation: https://www.youtube.com/watch?v=4k2TsyOeD94
  33. Convolutional Neural Network, What & Why: https://www.youtube.com/watch?v=Z_bdMFCQuF0
  34. CNN: Local Connectivity & Sharing Parameter: https://www.youtube.com/watch?v=aHaudnBtv5s
  35. CNN: Convolutional Layer: https://www.youtube.com/watch?v=PLJ_70wX5cc
  36. CNN: Architecture: https://www.youtube.com/watch?v=Nma7D8hnZdg
  37. CNN Backpropagation: https://www.youtube.com/watch?v=efy8ZT_vGTE
  38. Recurrent NN: What & Why: https://www.youtube.com/watch?v=tVAabA8Hyik
  39. RNN: Forward Propagation: https://www.youtube.com/watch?v=Mobz24iNr0w
  40. RNN Architecture: https://www.youtube.com/watch?v=zAKPljOdD2A
  41. LSTM https://www.youtube.com/watch?v=w7U46SnJnhY
  42. BPTT: https://www.youtube.com/watch?v=X3FnXNb9Ero
  43. Classification: Applying ANN: https://www.youtube.com/watch?v=Z-Cmt8zpVYA
  44. Real Use Case:https://www.youtube.com/watch?v=WbcmvEkKsNE
  45. Multilabel Classification: https://www.youtube.com/watch?v=hmTmOzQbxmE
  46. Clustering https://www.youtube.com/watch?v=E5OP3FQTcu4
  47. AI K- Means: https://www.youtube.com/watch?v=stGt8yiI4Tk
  48. Pattern Recognition in Text: https://www.youtube.com/watch?v=DVHaQ7fe4To

 

Materi Kuliah Machine Learning UI

Barusan dapet share materi kuliah machine Learning dari UI ADVANCED MACHINE LEARNING. 

Deskripsi Mata Kuliah

Mata kuliah ini membahas metodologi pembelajaran mesin lanjut dimana fokus dari metode pembelajaran mesin yang akan dibahas adalah deep learning. Mata kuliah akan dibagi menjadi dua sesi, yakni sesi tengah semester pertama (sebelum pekan UTS) dan sesi tengah semester kedua (setelah pekan UTS). Pada sesi pertama, topik-topik yang dibahas adalahsejarah dan motivasi pengembangan metode deep learning, dasar-dasar pembelajaran mesin (statistika dan probabilistik), model pembelajaran mesin regresi (regression), gradient descent, artificial neural network, pendekatan modern dari artificial neural network, dan berbagai macam bentuk arsitektur deep learning. Mahasiswa akan dilatih untuk membiasakan diri dengan konsep-konsep dasar serta model persamaan matematika yang sering digunakan dalam pengembangan model deep learning dan implementasinya menggunakan Python dan berbagai libraries untuk machine/deep learning.

Pengajar

• Prof. Dr. Wisnu Jatmiko, SMIEEE
Guru Besar Fasilkom UI / Ketua IEEE Indonesia 2019 & 2020

• Muhammad Febrian Rachmadi, Ph.D.
RIKEN – Center for Brain Science

Materi

  1. Pengantar | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=ijuH19K1NIM
  2. Dasar-dasar Pembelajaran Mesin | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=GFolOn3inqg

  3. Regression | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=5qUu7v0yRJU

  4. Regression dengan Gradient Descent | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=rr7QeJMRzRk&t=561s

  5. Neural Network | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=RITyQeYUbKU

  6. Arsitektur CNN untuk Computer Vision | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=xHOpZXS4u2A&t=169s

  7. Training Deep Neural Networks (Bagian 1) | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=KmYVUgHmWOg&t=11s

  8. Training Deep Neural Networks (Bagian 2) | Kuliah Pemelajaran Mesin Lanjut 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=k5Fafz10kPw&t=1s

  9. Representation Learning (Bagian 1) – Introduction | Kuliah PML 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=FaOs_lunRC0

  10. Representation Learning (Bagian 2) – Autoencoders | Kuliah PML 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=1lZSDVNi-NA&t=71s

  11. Representation Learning (Bagian 3) – Generative Adversarial Networks | Kuliah PML 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=nqiOMW0zZ5g

  12. Deep Learning for Medical Imaging (#1) – Introduction and Challenges | Kuliah PML 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=-3bd3npCprI

  13. Deep Learning for Medical Imaging (#2) – 3DComputation & Uncertainty | Kuliah PML 2020 | Fasilkom UI

https://www.youtube.com/watch?v=wu4en8a5YPU

  1. Deep Learning for Medical Imaging (#3) – Transfer Learning | Kuliah PML 2020 | Fasilkom UI
    https://www.youtube.com/watch?v=ZQU75Ps2VY4

Buku Rujukan :

  1. Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016.
  2. Géron, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow:
    Concepts, tools, and techniques to build intelligent systems. O’Reilly Media, 2019.
  3. Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT press, 2012.
  4. Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006.

 

Rekap materi kuliah Sistem Operasi 2020

Semester lalu saya ngajar mata kuliah sistem operasi. Mata kuliah ini pengenalan sistem operasi Windows dan Linux untuk mahasiswa prodi D3 Teknologi Komputer semester 1. Awal perkuliahan masih berjalan normal 2x seminggu, 3 jam praktek dan 2 jam teori. Jam praktek dipandu asprak, menggunakan modul praktikum. Jam teori dipandu dosen. Cuman setelah pertengahan perkuliahan terpaksa dilakukan secara online. Berikut ini beberapa materi latihan yang saya berikan pada jam teori:

Latihan 1 tentang Dasar Sistem Operasi

Latihan 2 Perintah dasar Linux

Latihan 3 tentang Linux Distro

Latihan 4 tentang struktur direktori Linux

Latihan 5 tentang sistem file Linux

Latihan 6 Manajemen memory, IO

Latihan 7 tentang layanan di linux

Latihan 8 tentang administrasi resource Linux

Latihan 9 tentang Jaringan

Latihan 10 Troubleshooting

Latihan 11 Penjadwalan

Tubes remastering Linux

Semoga Bermanfaat!

TBC

Sekitar 7 tahun lalu (2013) saya sempat sakit TBC. Lumayan parah, saya sempat mondok di Borromeus selama 20 hari dan berat badan saya turun 10 Kg. Saya akan coba share pengalaman tersebut. Gejala yang saya rasakan demam cukup tinggi, sampai 40 C. Badan terasa panas dingin. Malam hari badan saya berkeringat banyak, sampe harus ganti kaos beberapa kali. Gejala ini awalnya saya abaikan karena aktifitas kampus cukup padat. Waktu itu sudah mau akhir semester, bulan juni.

Setelah 3 hari demam saya coba ke Lab dan periksa darah. Hasil labnya typhus negatif tapi ada kelainan fungsi darah, anomali SgOT Sgpt dll. Kemudian coba konsul ke internis, Dr.Primal di Halmahera. Dia minta di usg perut dan periksa darah lagi.  Dari hasilnya dia curiga ada infeksi, cuman belum ketauan sakit apa, baru ketauan ada gangguan fungsi hati. Dia kasih obat antibibiotik dll. Cuman setelah konsul berikutnya, sepertinya belum ada perubahan. Akhirnya saya dirujuk ke Prof Siti di Borromeus.

Oleh Prof Siti saya langsung diminta cari kamar di Borromeus, supaya bisa diperiksa lebih intensif. Alhamdulilah dapat kamar ber-4. Sepertinya saya yang paling muda dan paling lama di kamar itu. Kemudian dari hasil USG perut disana baru ketauan ada asites, kalo gak salah sm dr ricky. Kemudian dikeluarkanlah asites itu, cairannya pekat banget kayak teh, ada sekitar 2 liter di perut saya. Cairan ini kemudian katanya mau diuji di lab.

Kemudian oleh prof Siti saya dirujuk juga ke berbagai macam ahli, ada dr Prayudi spesialis paru, Prof Iman (imunolog kalo gak salah). Kemudian dr prayudi menduga saya kena TB. Dan di rontgen lah paru saya, waktu itu hasilnya tidak terlalu jelas bercak yang biasanya jadi indikasi TB paru. Saya juga diminta cek sputum, kayak cairan dahak. Cuman saya gak bisa ngeluarin dahak. Bahkan sampe di nebu, kayak disuruh diasap hidung sama mulut, juga cuman dapet dikit. Terus selain itu juga di cek macem2, ada air kencing, dll. Cuman waktu itu beliau memutuskan mencoba treatment TB. Waktu itu memang ada respon, dalam artian saya jadi gak demam lagi dst. 

Klo dari prof iman saya cuman diajak ngobrol, sambil dicek macem2, mungkin prof siti takut klo ada kemungkinan penyakit imun dll. Prof Siti kemudian minta saya di CT scan. Nah ini persiapannya lumayan cape. Karena perut saya dikuras dulu, dikasih garam inggris kata susternya, sehingga saya buang air terus. Kemudian diminta puasa. Pas hari H, saya dimasukan semacam cairan pewarna katanya dari belakang, kemudian di scan pake alat itu. 

Abis itu setelah hampir 20 hari mondok di Borro, saya dinyatakan boleh pulang. Vonisnya TB perut, dan harus diterapi obat selama TB 6 bulan. Obat TB ini lumayan keras, pas hari pertama saya langsung mual dan muntah kalo gak salah, trus buang air kecil jadi merah. Padahal pada waktu itu dosisnya masih rendah. Setelah seminggu kalo gak salah saya harus ke RS, untuk suntik obat TB setiap hari.Saya lupa sampai berapa lama harus suntik. Kalo gak salah setelah konsul ke berapa, dr Prayudi memutuskan saya lulus suntik. 

Oiya yang seru juga, pas waktu saya mau pulang dari Borro, saya dapat telpon dari Bank Mandiri. Jadi sekitar 3 tahun sebelumnya (2010) saya ikut tabungan haji di sana, nah petugas bank nya bilang saya tahun ini dapat porsi haji, dan diminta melakukan pelunasan. Wow, saya bilang saya lagi di rumah sakit, musti nanya dokter dulu, dan waktu itu seinget saya, saya masih di kursi roda, nunggu istri saya ngurus administrasi kelulusan mondok. Sebenernya kaget juga, karena waktu daftar tahun 2010, dibilangnya antriannya masih panjang, sekitar 10 tahun lah. 

Untungnya dokter prayudi mengijinkan, selama saya tetap menjaga pengobatan TB yang harus minum obat tiap hari. Kata dia kalo kelewat, harus ngulang lagi dari awal pengobatannya selama 6 bulan lagi. Sampe istri saya nyiapin alarm di hp, jam berapa saya harus makan obat, biar gak kelewat.

Keluar dari mondok, kondisi saya masih lemah banget. Baru jalan dikit aja turun dari mobil ke rumah, udah ngos-ngosan. Apalagi waktu itu kontrakan kami di lantai 2, jadi pertama naik tangga rumah tuh harus meniti satu satu anak tangga, serasa kayak disuruh naik gunung sambil jalan jongkok,

Alhamdulillah setelah 9 bulan, pengobatan saya dinyatakan sembuh. TB ini penyakit yang cukup banyak di Indonesia. Dan dia menular lewat droplet dari orang yang sakit. Droplet itu maksudnya percikan ludah yang keluar ketika pasien, berbicara, batuk atau bersin. Jadi saya selama pengobatan juga diminta pake masker dan jaga jarak sama orang.

TB ini biasanya menyerang paru, tapi bisa juga nyerang tulung, usus, atau kelenjar. Waktu itu sepertinya saya ketularan dari seseorang. Dan waktu itu saya kondisinya memang lagi drop, gara-gara malas olahraga, sering begadang dan sutris juga sepertinya.

Tulisan ini saya buat cuman untuk mengenang aja kisah saya mondok dulu. Sekalian untuk introspeksi diri biar disiplin jaga kesehatan. Semoga yang baca ini bisa mengambil hikmahnya dan terhindar dari penyakit ini!

Kajian 3 Sistem Operasi

Kepada para mahasiswa peserta mata kuliah sistem operasi, alhamdulillah kita telah memasuki kajian 3. Untuk kajian 3 ini kita akan membuat sebuah distro linux dengan teknik remastering. Berikut adalah rincian dari tugas remastering sistem operasi:

  1. Modifikasi Interface dan paket sebuah distro Linux sesuai dengan tema yang diinginkan!
  2. Hasil akhir dari tugas ini adalah distro Linux varu versi kalian!
  3. Membuat laporan Dokumentasi langkah2 pengerjaan!
  4. Presentasi!
  5. Boleh dikerjakan berdua


Contoh tema:

  • Distro Linux untuk Multimedia
  • Distro Linux untuk Pendidikan
  • Distro Linux untuk Game
  • Distro Linux untuk Programming
  • Distro Linux untuk Desain
  • dll..

Tentukan sebuah tema untuk distro anda; Tema bebas; buat rancangan tampilan serta paket aplikasi yang sesuai dengan tema yang anda pilih. Contoh berbagai macam distro Linux bisa dilihat pada web distrowatch

Laporan berisi:

  • Penjelasan tentang pemilihan tema
  • Paket/Aplikasi apa saja yang dimasukan (minimal 7)
  • Tampilan dari distro
  • Langkah2 pengerjaan
  • Pembagian kerja(khusus utk yg mengerjakan berdua)
  • Laporan dikumpulkan ke email dengan subjek: Laporan Tubes Sisop

Presentasi:

  • Penjelasan tentang Distro yang dibuat
  • Pemilihan Tema
  • Langkah-langkah Pengerjaan
  • Demo

Penilaian diambil dari:

  • Presentasi
  • Demo
  • Tampilan Distro
  • Dokumentasi 

Tools Remastering

Gunakan aplikasi open source ya, untuk melihat aplikasi open source bisa dilihat di web https://alternativeto.net

Have Fun!

Tutorial tentang remastering ada banyak di internet, Contohnya:

https://help.ubuntu.com/community/LiveCDCustomization

https://wiki.debian.org/DebianInstaller/Modify/CD

https://community.linuxmint.com/tutorial/view/1784

Contoh berbagai jenis paket untuk Debian:

https://packages.debian.org/stable/

Berbagai jenis paket untuk Ubuntu

https://packages.ubuntu.com/trusty/

berbagai jenis paket untuk Linux Mint

http://packages.linuxmint.com/list.php?release=Sylvia

Contoh beberapa tampilan/themes di Ubuntu

https://www.ubuntupit.com/best-ubuntu-themes-will-blow-mind/

Slide tentang tugas besar

https://www.slideshare.net/Setiajuli/kajian3-upload