Rabu, 12 Juni 2019

Prinsip Dasar Animasi

Prinsip dasar animasi adalah prinsip-prinsip yang digunakan seorang animator untuk mengetahui dan memahami bagaimana sebuah animasi dibuat sedemikian rupa sehingga menghasilkan animasi yang menarik, dinamis dan tidak membosankan. 
2 orang animator professional Thomas dan Olle Johnston memberikan 12 prinsip animasi yang diadopsi dari animasi produksi Walt Disney. Nah, disini saya akan menjelaskan salah satu cuplikan dan menjelaskan apa saja prinsip animasi yang diadopsi dari animasi tersebut. Disini saya mengambil contoh animasi dari negeri Jepang yaitu Boku no Hero / My Hero Academia :

Referensi : https://www.youtube.com/watch?v=OSNWAn3lsaQ
Beberapa prinsip animasi yang ada di cuplikan yang saya tonton :

  1. Anticipation
    Anticipation
    adalah persiapan sebelum aksi, yang diikuti oleh sebuah aksi kemudian penyelesaian aksi tersebut, dimana animator memberikan tanda pada penonton mengenai apa yang akan dilakukan oleh si karkater. Disini terlihat awalan dimana karakter yang berambut hijau akan mengambil ancang-ancang untuk melakukan serangan. 
  2. Staging
    Staging
    ini dapat mengarahkan perhatian audience pada cerita atau ide yang dibuat. Background ini langsung bisa terlihat bahwa adegan animasi tersebut terasa menegangkan, dilihat dari pergerakan kamera yang awalnya zoom-in pada 2 karakter yang sedang bertarung lalu di ­zoomt-out untuk menambahkan aksi tegang pada adegan tersebut dan ditambahnya ­effect-effect yang terjadi pada adegan tersebut, 
  3. Pose to Pose
    Pose to Pose
    merupakan metode pembuatan animasi yang lebih terencana dan terpeta dengan kunci gambar pada interval tertentu. Pada adegan di menit 01:35 terlihat adegannya sudah terencana yang dimana awalnya karakter berambut hijau dibagian bawah lalu berpindah menyerang ke karakter selanjutnya. 
  4. Arcs
    Arcs
    ini akan membuat gerakan animasi menjadi lebih alami, khusunya gerakan manusia. Pada adegan tersebut gerakannya seperti di dunia nyata karena gerakannya juga mengikuti kurvanya tidak langsung jatuh lurus begitu saja tetapi mengikuti kurva yang ada 
  5.  Secondary Action
    Secondary Action
    adalah prinsip dimana ada gerakan sekunder yang terjadi akibat adanya gerakan utama. Secondary Action ini bisa dilihat pada saat si karakter berbadan besar ini menamah massa ototnya dan celananya pun menjadi sobek saat ototnya bertambah besar. 
  6. Exaggeration
    Exaggeration
    merupakan upaya mendramatisir animasi dalam bentuk rekayasa gambar yang bersifat hiperbolis. Disini ada adegan saat dimana karakter yang berambut hijau menyerang balik si badan besar dan tanah disekitarnya-pun ikut terguncang. Dan juga adegan yang otot-nya menjadi besar ini juga upaya untuk menambahkan aksi ketegangan pada adegan bertarung. 
  7. Appeal
    Appeal
    adalah tentang bagaimana kita membuat karkater menjadi menarik. Disini terlihat dibagian awal animasinya karakter yang berambut hijau terlihat gagah dan kuat pada adegan tersebut, dan ini juga membuat yang menonton menjadi kagum. 

Minggu, 14 April 2019

Minggu, 16 Desember 2018

Machine Learning

(© to website)  

Definisi

Apa itu Machine Learning ? Machine Learning adalah metode analitis data yang mengotomatisasi pembuatan model analitik. Machine Learning ini juga cabang dari Artificial Intelligence (AI) yang berdasarkan ide bahwa mesin bisa belajar dan beradaptasi melalui pengalaman.

Definisi menurut wikipedia adalah Machine adalah mesin dalam pengertian yang mendekati makna "sistem" dan bukan mesin mekanik. Learning berarti pengetahuan, memahami dengan belajar, dan mengikuti perintah. 

Tahun 1959, menurut Arthur Samuel mendefinisikan bahwa Machine Learning adalah studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajarnya ini dominan ditentukan oleh algoritma dan perangkat lunaknya.

Jadi intinya Machine Learning ini adalah cabang dari Artificial Intelligence(AI) yang berfokus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus berulang kali di program oleh manusia.

Sejarah

Sejak pertama kali komputer diciptakan, manusia sudah memikirkan bagaimana caranya komputer dapat belajar dari pengalaman. Lalu pada tahun 1952, Arthur Samuel menciptakan sebuah program yang bernama "Game of Checkers" di komputer IBM. Program tersebut dapat mempelajari gerakan untuk memenangkan permainan Checkers dan menyimpannya kedalam memorinya.

Machine Learning dasarnya adalah proses komputer untuk belajar dari data. Jika kita ingin belajar machine learning pasti akan terus berinteraksi dengan data, dan tanpa adanya data komputer tidak dapat belajar apa-apa.

Konsep Dasar

Cara kerja machine learning adalah dengan menggunakan data-data dan barulah bisa menjawab pertanyaan. Nah untuk cara kerjanya kurang lebih seperti ini :

(© to website)
Terlihat dari gambar diatas, untuk mehasilkan model si machine learning ini harus belajar terlebih dahulu nah proses belajarnya ini menggunakan algoritma machine learning, jika prosesnya sudah selesai model-nya akan menghasilkan informasi dan dapat dijadikan pengetahuan untuk memecahkan suatu permasalahan.

Ada beberapa jenis dari Algoritma Machine Learning yaitu:
  1. Supervised Learning
    Cara kerjanya, algoritma ini terdiri dari variabel dependen (data train) dan akan diprediksi oleh himpunan prediktor (data test). Dengan algoritma ini bisa menghasilkan sebuah fungsi yang memetakan input ke output. Contoh Supervised Learning : Regresi, Decision Tree, Random Forest, KNN, dll.
  2. Unsupervised Learning
    Cara kerjanya, di algoritma ini tidak memiliki target/variabel output untuk diprediksi. Algoritma ini digunakan untuk mengelompokkan populasi dalam kelompok yang berbeda-beda. Contohnya : algoritma Apriori, K-means
  3. Reinforcement Learning
    Cara kerjanya, dengan algoritma ini si mesin (machine) dilatih untuk membuat keputusan tertentu. Algoritma ini akan memberikan poin (reward) saat model yang diberikan semakin baik atau akan mengurangi poin (error) saat model yang diberikan buruk, dengan algoritma ini mesin akan belajar dari pengalaman masa lalu dan mencoba menangkap pengetahuan yang terbaik. Contohnya : Markov Decision Process.

Contoh Studi Kasus

 (© to website)


Untuk cotoh kasus saya menggunakan Speech Understanding mengapa ? karena fitur ini berguna untuk melakukan pencarian di Google tanpa menggunakan tangan kita pada keyboard. Bagaimana cara kerjanya ? suara yang diterima akan menjadi masukan bagi program untuk diidentifikasi dan dianalisa untuk melakukan pencarian berdasarkan inputan (suara) yang diterima, yang memakai fitur ini Google Voice, Google Assistant, dll.


Referensi

    • https://www.codepolitan.com/mengenal-teknologi-machine-learning-pembelajaran-mesin
    • https://rsinewsupdate.wordpress.com/2017/12/03/machine-learning-pengertian-sejarah-dan-perannya-dalam-kehidupan/
    • https://www.advernesia.com/blog/data-science/machine-learning-adalah/ 
    • https://kumparan.com/@kumparantech/mengenal-teknologi-deep-learning-dan-machine-learning-27431110790425965
    • http://www.catatanrobert.com/konsep-dan-implementasi-machine-learning/