Tujuan practical work ini adalah memberikan pengetahuan dan kemampuan penggunaan MS. Word untuk membuat kutipan dan daftar pustaka secara otomatis menggunakan fitur yang ada pada MS. Word dan EndNote, membuat form/template pengisian data, dan melakukan coding menggunakan Visual Basic for Application(VBA) yang kesemuanya akan meningkatkan kemampuan dalam pengolahan dokumen.
PRACTICAL WORK REPORT
Module
02
Genap|10/11
1
TABLE OF CONTENTS
PRACTICANT WORK INFORMATION Error! Bookmark not defined.
EXAMINER COMMENTS ............... Error! Bookmark not defined.
TABLE OF CONTENTS .................................................... 1
LIST OF FIGURES ......................................................... 2
CHAPTER 1 : OBJECTIVES ............................................... 4
CHAPTER 2 : LITERATURE REVIEW .................................... 5
A. Kutipan ................................................................................5
B. Template .............................................................................6
C. Makro ..................................................................................6
CHAPTER 3 : DELIVERABLES AND RESULT ............................ 7
A. Membuat Kutipan Otomatis ...............................................7
Kutipan dengan Microsoft Word .....................................7
Kutipan Otomatis dengan EndNote ............................ 12
B. Membuat Form dalam MS. Word .................................... 16
Membuat Form ............................................................... 17
Proteksi Form ................................................................. 21
C. Membuat Makro VB ......................................................... 23
D. Self Assessment ............................................................... 29
CHAPTER 4 : CONCLUSION AND IDEAS ............................... 47
PRACTICANT COMMENTS ............ Error! Bookmark not defined.
BIBLIOGRAPHY ........................................................... 48
Genap|10/11
2
LIST OF FIGURES
Gambar 1. Contoh Jurnal sumber kutipan ................................. 8 Gambar 2. Menambahkan sumber referensi ............................... 9 Gambar 3. Menentukan sumber dan penulis referensi .................. 9 Gambar 4. Input informasi sumber referensi ........................... 10 Gambar 5. Hasil kutipan sebuah jurnal .................................. 10 Gambar 6. Insert Bibliography ............................................ 11 Gambar 7. Hasil insert bibliography ...................................... 11 Gambar 8. Mengelola sumber referensi .................................. 12 Gambar 9. Membuat database baru pada EndNote X3 ................. 13 Gambar 10. Pengisian informasi sumber referensi pada EndNote .... 13 Gambar 11. Menyimpan hasil input sumber referensi pada EndNote X3 ................................................................................ 14 Gambar 12. Daftar referensi pada EndNote X3 ......................... 15 Gambar 13. Menyisipkan kutipan dengan EndNote X3 ................. 15 Gambar 14. Hasil kutipan dengan EndNote X3 .......................... 16 Gambar 15. Mengaktifkan developer tab ................................ 17 Gambar 16. Membuat template baru..................................... 18 Gambar 17. Menyisipkan content text input nama ..................... 18 Gambar 18. Menyisipkan pilihan input jenis kelamin .................. 19 Gambar 19. Menyisipkan input text alamat ............................. 19 Gambar 20. Menyisipkan input tanggal lahir ............................ 20 Gambar 21. Proteksi sebagian pada input text nama .................. 21 Gambar 22. Proteksi form ................................................. 22 Gambar 23. Proteksi dengan Password ................................... 22 Gambar 24. Merekam Makro ............................................... 23 Gambar 25. Memberikan nama makro ................................... 23 Gambar 26. Memberikan shortcut makro ................................ 24 Gambar 27. Menampilkan makro.......................................... 25 Gambar 28. Memasukan kode program ke makro ....................... 25 Gambar 29. Menginput angka pertama .................................. 26 Gambar 30. Menginput angka terakhir ................................... 26 Gambar 31. Hasil makro ................................................... 27 Gambar 32. Makro dengan Button ........................................ 27 Gambar 33. Menambahkan tombol makro ............................... 28 Gambar 34. Tampilan tombol makro ..................................... 28 Gambar 35. Copy artikel Artificial neural network ensembles ....... 29
Genap|10/11
3
Gambar 36. Kutipan dengan style numbering ........................... 32 Gambar 37. Sumber referensi kutipan nomor 12 ....................... 32 Gambar 38. Menambahkan source baru sumber kutipan .............. 32 Gambar 39. Mengelola sumber referensi................................. 36 Gambar 40. Menyisipkan daftar pustaka ................................. 36 Gambar 41. Membuat dokumen template baru ......................... 39 Gambar 42. Form dasar Enrollment ...................................... 40 Gambar 43. Menyisipkan Rich Text atau text control .................. 41 Gambar 44. Mengatur properties rich text nama ....................... 42 Gambar 45. Menyisipkan data picker pada tanggal lahir .............. 42 Gambar 46. Menyisipkan dan mengatur drop-down list pada jenis kelamin ....................................................................... 43 Gambar 47. Menyisipkan dan mengatur dro-down list pada agama .. 43 Gambar 48. Membuat makro baru ........................................ 44 Gambar 49. Assign Makro konversi huruf ke angka ..................... 45 Gambar 50. Merekam makro konversi huruf ke angka ................. 45 Gambar 51. Assign Makro konversi angka ke huruf ..................... 46 Gambar 52. Merekam makro konversi angka ke huruf ................. 46
Genap|10/11
4
CHAPTER 1 : OBJECTIVES
Practical work 2 memiliki tujuan agar practicant memiliki pengetahuan dan kemampuan lebih banyak dalam penggunaan word processing menggunakan Microsoft Word di mana difokuskan pada beberapa hal, yaitu : 1. Pembuatan dan pengolahan kutipan yang berasal
dari berbagai macam sumber, seperti buku, jurnal, website dan lainnya. Untuk jenis kutipan yang digunakan dalam practical adalah American Psychological Association (APA). Dengan menguasai hal tersebut, maka akan memudahkan dalam pembuatan daftar pustka untuk berbagai macam tujuan, misalkan pada laporan tugas.
2. Pembuatan form input dengan template yang berfungsi untuk melakukan input dari data yang berjumlah banyak serta melakukan proteksi dari data input tersebut.
3. Pembuatan suatu fungsi menggunakan makro dengan
pemrograman Visual Basic for Application (VBA) yang dapat dipergunakan dalam berbagai tujuan seperti membuat fungsi penomoran dan pengubahan angka menjadi huruf dan lainnya.
Genap|10/11
5
CHAPTER 2 : LITERATURE REVIEW
A. Kutipan
Kutipan dapat diartikan sebagai referensi dari suatu sumber. Dalam membuat suatu tulisan sering kita mengambil konsep ataupun kata-kata dari sumber lain yang berkaitan dengan tema yang sedang kita tulis. Dalam bidang akademis, melakukan kutipan tersebut memiliki aturan tersendiri dengan jenis/gaya yang berbeda-beda. Menurut Lipson (2006), secara umum terdapat beberapa jenis kutipan, yaitu : 1. Chicago (or Turabian) 2. MLA 3. APA kutipan American Psychological Association (APA) banyak digunakan dalam psikologi,pendidikan, teknis, bisnis dan ilmu-ilmu sosial. Dalam penulisan kutipan APA ditampilkan nama penulis diikuti oleh tahun publikasi. Berikut adalah beberapa contoh penulisan kutipan jenis APA: Kutipan buku dengan seorang penulis
Genap|10/11
6
Daftar Referensi : Mandelbaum, M. (2002). The ideas that conquered the world: Peace, democracy, andfree markets in the twenty-first century. New York: Public Affairs. Kutipan dalam text : (Mandelbaum, 2002) Kutipan buku dengan dua penulis Daftar Referensi : Reiter, D., & Stam, A. C. (2002). Democracies atwar. Princeton, NJ: Princeton University Press. Kutipan dalam text : (Reiter & Stam, 2002)
B. Template
Template adalah alah satu tipe dari dokumen pada Microsoft word. Suatu dokumen yang disimpan dalam bentuk template akan menghasilkan file yang memiliki ekstensi *.dot yang berbeda dengan tipe file dokumen biasanya seperti *.doc. Dokumen template ini dapat digunakan sebagai dokumen utama yang tidak akan berubah ketika dilakukan perubahan data secara individu dengan suatu variabel atau text. Dengan demikian, template dapat digunakan untuk melakukan input data yang banyak jumlahnya dalam suatu format yang sama.
C. Makro
Makro adalah kumpulan intruksi-instruksi yang diwakili oleh format yang singkat. Dalam Microsoft Word
Genap|10/11
7
instruksi-instruksi tersebut dituliskan dengan pemrograman Visual Basic for Application (VBA). Jadi penulisan programmnya menggunakan bahasa Visual Basic.
CHAPTER 3 : DELIVERABLES AND RESULT
A. Membuat Kutipan Otomatis
Kutipan dengan Microsoft Word
Microsoft Word menyediakan fitur membuat kutipan secara otomatis. Misalkan jika kita mengutip “An artificial neural network ensemble is a learning paradigm where several artificial neural networks are jointly used to solve a problem ” dari sebuah jurnal sebagaiman gambar berikut.
Genap|10/11
8
Gambar 1. Contoh Jurnal sumber kutipan Berikut adalah langkah-langkah dalam membuat kutipan tersebut : 1. Letakkan pointer pada akhir kalimat yang dikutip
kemudian pada klik tab References lalu pilih Add New Source pada Insert Citation di Citations & Bibliography. Pada style tentukan jenis Citation yang diinginkan, misalkan APA. Ini bisa dilihat sebagaimana gambar berikut :
Genap|10/11
9
Gambar 2. Menambahkan sumber referensi 2. Pilih Type of Source sebagai Journal, lalu klik edit
untuk memasukan nama masing-masing author sebagaimana gambar berikut.
Gambar 3. Menentukan sumber dan penulis referensi
Genap|10/11
10
3. Setelah selesai klik ok lalau lanjutkan pengisian Title
sesuai dengan judul jurnal, kemudia Journal Name,Year dan Pages hingga sebagaimana gambar berikut.
Gambar 4. Input informasi sumber referensi
4. Setelah selesai kemudian klik ok dan secara otomatis
akan muncul kutipan sebagaimana gambar berikut.
Gambar 5. Hasil kutipan sebuah jurnal Setelah membuat kutipan seperti sebelumnya dilakukan, maka selanjutnya dapat dibuat daftar pustak (bibliography) secara otomatis dengan langkah-langkah sebagai berikut : 1. Letakkan pointer pada halaman yang akan dijadikan
sebagai halaman daftar pustaka kemudian pada klik tab References lalu pilih Insert Bibliography pada
Genap|10/11
11
Bibliography di Citations & Bibliography. Ini bisa dilihat sebagaimana gambar berikut :
Gambar 6. Insert Bibliography 2. Selanjutnya akan muncul daftar pustaka secara
berurutan sebagaimana gambar berikut.
Gambar 7. Hasil insert bibliography
3. Jika ingin menambahkan daftar pustaka yang
terdapat pada data source, maka masih pada tab References, pilih Manage Source pada Citation & Bibliography. Kemudian klik pada daftar pustaka
Genap|10/11
12
yang ingin ditambahkan pada jendela sebela kiri lalu klik copy. Sementara jika ingin melakukan perubahan data dapat dilakukan dengan melakukan klik Edit Hal ini bisa dilihat gambar berikut.
Gambar 8. Mengelola sumber referensi
Kutipan Otomatis dengan EndNote
EndNote merupakan software yang berfungsi sebagai pengolahan kutipan dan daftar pustaka. Berikut adalah langkah-langkah dalam membut kutipan dan daftar pustaka dengan EndNote. Sebelum menggunakan EndNote langkah pertama yang harus dilakukan adalah install EndNote, misalkan digunakan EndNote X3. Setelah EndNote berhasil diinstal, maka jalankan aplikasi EndNote kemudian pilih File New untuk membuat database baru sebagaimana gambar berikut.
Genap|10/11
13
Gambar 9. Membuat database baru pada EndNote X3 Tentukan nama file dan lokasi penyimpanan database
baru kemudian klik Save. Selanjutnya pilih tanda ,
maka akan muncul jendela New Reference, lalu tentukan Refences Type dan lakukan pengisian data sumber referesnsinya sebagaimana gambar berikut.
Gambar 10. Pengisian informasi sumber referensi pada EndNote
Genap|10/11
14
Setelah diinput datanya lalu tutup jendela New Reference dengan melakukan klik pada tanda silang di pojok atas kanan jendela. Saat muncul konfirmasi, klikYes untuk menyimpan data.
Gambar 11. Menyimpan hasil input sumber referensi pada EndNote X3
Jika semua berjalan lancar maka akan muncul daftar referensi dengan tampilan sebagaimana berikut.
Genap|10/11
15
Gambar 12. Daftar referensi pada EndNote X3 Selanjutnya bukalah Microsof Word untuk menyisipkan kutipan dan daftar pustaka. Klik tab EndNote X3, lalu pilih Insert Selected Citation(s) pada Insert Citation di Citation Ribbon.
Gambar 13. Menyisipkan kutipan dengan EndNote X3
Genap|10/11
16
Selanjutnya akan nampak hasil kutipan sebagaimana gambar berikut.
Gambar 14. Hasil kutipan dengan EndNote X3
B. Membuat Form dalam MS. Word
Genap|10/11
17
Membuat Form
Aktifkan tab Developer dengan melakukan klik pada tombol Office, lalu pilih Word Options. Di Populer berikan tanda ceklist pada Show developer tab in the Ribbon sebagaimana gambar berikut.
Gambar 15. Mengaktifkan developer tab Buka dokumen baru lalu simpan dengan format template dengan klik pada tombol office lalu pilih Word Template pada Save As untuk membuat template baru. Berikan nama template sesuai dengan keinginan sebagaimana gambar berikut.
Genap|10/11
18
Gambar 16. Membuat template baru Kemudian klik rich text atau text pada Controls di tab developer ribbon untuk menyisipkan text yang akan dijadikan sebagai input data. Berikan content control text input tersebut pada propertiesnya sebagaimana gambar berikut.
Gambar 17. Menyisipkan content text input nama
Genap|10/11
19
Untuk input pilihan jenis kelamin pilihlah drop-down list pada controls di tab Developer Ribbon. Kemudian tambahkan pilihan pada propertiesnya sebagaimana gambar berikut.
Gambar 18. Menyisipkan pilihan input jenis kelamin Untuk input text alamat dapat dilakukan seperti halnya menyisipkan text nama sebagaiamana gambar berikut.
Gambar 19. Menyisipkan input text alamat
Genap|10/11
20
Sementara untuk menyisipkan input tanggal lahir, pilihlah Data Picker pada Controls di tab Developer Ribbon. Lalu sesuaikan content control propertiesnya seperti gambar berikut.
Gambar 20. Menyisipkan input tanggal lahir Dengan demikian telah terbentuk form yang dapat diinput data nama, jenis kelamin, alamat dan tanggal lahir dari banyak orang yang berbeda-beda.
Genap|10/11
21
Proteksi Form
Proteksi terhadap form yang telah dibuat dapat di-protect untuk menghindari pengubahan yang tidak diiginkan dari tangan-tangan orang lain. Proteksi tersebut dapat dilakukan dengan sebagian atau keseluruhan. Jika ingin melakukan proteksi pada input text nama, dapat dilakukan dengan memberikan tanda centrang pada bagian lock di contant control properties.
Gambar 21. Proteksi sebagian pada input text nama Sementara untuk melakukan proteksi secara keseluruhan pilih Restrict Formatting and Editing pada Document Template di tab Developer Ribbon. Kemudian berikan tanda centrang pada Editing restriction dan pilij Filling in Forms pada drop-down list.
Genap|10/11
22
Gambar 22. Proteksi form
Selanjutnya pilih Start Enforcerement untuk menerapkan setting proteksi lalu masukan password yang diinginkan sebagaimana gambar berikut.
Gambar 23. Proteksi dengan Password
Genap|10/11
23
C. Membuat Makro VB
Untuk membuat suatu makro, maka pilihlah Record Macro
pada Macros di tab View Ribbon sebagaimana gambar
berikut.
Gambar 24. Merekam Makro Berikan nama makro lalu pilih Keybord dan klik ok.
Gambar 25. Memberikan nama makro
Genap|10/11
24
Dengan menggunakan keyboard sebagai media
menjalankan makro, maka tekanlah tombol Alt + A, yang
akan dijadikan perintah shortcut dari makro yang dibuat
lalu klik Assign sebagaimana gambar berikut.
Gambar 26. Memberikan shortcut makro
Pilih View Makro pada Makro di tab View Ribbon untuk
menampilkan daftar makro yang telah dibuat sebagaimana
gambar berikut.
Genap|10/11
25
Gambar 27. Menampilkan makro
Selanjutnya klik tombol Edit untuk melakukan input kode
program Visual Basic pada makro yang telah direkam
sebelumnya sebagaimana gambar berikut.
Gambar 28. Memasukan kode program ke makro
Setelah kode program dimasukan, simpan program
tersebut lalu jalankan makro dengan menekan tombol
Alt+A. Masukan angka pertama dan terkahir maka akan
Genap|10/11
26
muncul daftar nomor secara berurutan sebagaimana
gambar berikut.
Gambar 29. Menginput angka pertama
Gambar 30. Menginput angka terakhir
Genap|10/11
27
Gambar 31. Hasil makro
Selain menjalankan makro dengan menekan tombol pada keyboard, makro dapat pula dijalankan dengan melakukan klik pada tombol yang telah ditentukan sebelumnya. Namun pada Record makro sebagaimana gambar 31 pilih Button lalu tekan ok.
Gambar 32. Makro dengan Button
Add tombol makro yang tersedia sebagaimana gambar
berikut lalu klik ok.
Genap|10/11
28
Gambar 33. Menambahkan tombol makro
Selanjutnya tombol makro akan muncul sebagaimana
gambar berikut.
Gambar 34. Tampilan tombol makro
Genap|10/11
29
D. Self Assessment
Mengubah Kutipan
Melakukan copy artikel Artificial neural network ensembles ke Microsoft Word sebagaimana gambar berikut :
Gambar 35. Copy artikel Artificial neural network
ensembles
Lakukan paste ke dalam Microsoft Word sehingga menghasilkan artikel sebagaimana berikut ini :
Artificial neural network ensembles
From the brief review on computer-aided lung cancer diagnosis presented in Section 1, it is obvious that artificial neural networks have already been widely exploited in this area. Generally speaking, artificial neural networks are very useful in pattern recognition. Hornik et al. [12] showed that feedforward artificial neural networks with one hidden layer
Genap|10/11
30
can approximate any functions in any accuracy. However, until now there is no rigorous theory indicating how to do such error-free approximation. Therefore, whether an artificial neural network based application will be successful or not is almost fully determined at present by that who is the user. In general, the more experiences the user has on artificial neural networks, the more chances the application will have in gaining success. Unfortunately, in real-world applications the users are often those with little knowledge on neural computing. Therefore, the fruits that artificial neural network techniques may obtain do not always appear.
In the beginning of the 1990s, Hansen and Salamon [9] showed that the generalization ability of an artificial neural network system can be significantly improved through ensembling artificial neural networks, i.e. training several artificial neural networks and combining their predictions. Later, Hansen et al. [10] applied artificial neural network ensemble to handwritten digit recognition and attained astonishing good results whose accuracy is 20±25% better than that of the best individual artificial neural network. Subsequently, there appears a hot wave in investigating artificial neural network ensembles, which lasts up to present. Much work has been put in analyzing why and how artificial neural network ensembles work. The classical one is Krogh and Vedelsby „s work [15], in which they derived that the generalization ability of the applied ensemble is determined by the average generalization ability and the average ambiguity of the individual artificial neural networks that constitute the ensemble. As to the definition of an artificial neural network ensemble, the most accepted one is that an artificial neural network ensemble is a collection of a finite) number of artificial neural networks that are trained for the same task [27]. However, some researchers prefer another definition, i.e. an artificial neural network ensemble consists of a set of individually trained artificial neural networks whose predictions are combined when classifying novel instances [21]. Work satisfying the latter definition can be traced up to what was done in the NESTOR system by Cooper [6].
Genap|10/11
31
Much work has been done in designing ensemble approaches. Examples are as follows. Maclin and Shavlik [18] utilized competitive learning to generate individual networks and then combined their outputs via simple averaging. Taniguchi and Tresp [28] designed variance-based weighting and variance-based Bagging, and experimentally found that the improvement in performance that could be achieved by averaging depended critically on the degree of regularization which was used in training the individual networks. Sharkey et al. [25] nsemble both an ensemble biased to false negative and an ensemble biased to false positive to improve the accuracy while lowering the false positive rate. Liu and Yao [17] proposed negative correlation learning to encourage specialization and cooperation among the individual networks, where all the individual networks were trained simultaneously through the correlation penalty terms in their error functions. Chan [3] presented weighted least square ensemble that did not require that the individual networks were independent. More developments in this area can be found in [24].
Since artificial neural network ensembles work remarkably well and are easy to be used, they are regarded as a promising methodology that can profit not only experts in artificial neural network research, but also engineers in real-world applications. Besides Hansen et al.‟s work in handwritten digit recognition [10], artificial neural network ensembles have already been applied to many real-world domains such as scientific image analysis [4], face recognition [8,13], OCR [19], seismic signals classification [26], breast cancer diagnosis [25], and in vitro fertilization treatment [7].
Kemudian carilah kutiapn yang bernor pada text tersebut sebagaimana gambar berikut.
Genap|10/11
32
Gambar 36. Kutipan dengan style numbering
Kemudian lakukan penggantian satu per satu terhadap
kutipan dengan styel numbering tersebut dengan membuat
source baru pada kutipan yang disesuaikan dengan
referensi sebagaimana gambar berikut.
Gambar 37. Sumber referensi kutipan nomor 12
Gambar 38. Menambahkan source baru sumber kutipan
Setelah menyesuaikan satu persatu didapatkan hasilnya
sebagai berikut .
Genap|10/11
33
Artificial neural network ensembles
From the brief review on computer-aided lung cancer diagnosis presented in Section 1, it is obvious that artificial neural networks have already been widely exploited in this area. Generally speaking, artificial neural networks are very useful in pattern recognition. Hornik et al. (Hornik, 1989) showed that feedforward artificial neural networks with one hidden layer can approximate any functions in any accuracy. However, until now there is no rigorous theory indicating how to do such error-free approximation. Therefore, whether an artificial neural network based application will be successful or not is almost fully determined at present by that who is the user. In general, the more experiences the user has on artificial neural networks, the more chances the application will have in gaining success. Unfortunately, in real-world applications the users are often those with little knowledge on neural computing. Therefore, the fruits that artificial neural network techniques may obtain do not always appear. In the beginning of the 1990s, Hansen and Salamon (Hansen & Salamon, 1990)showed that the generalization ability of an artificial neural network system can be significantly improved through ensembling artificial neural networks, i.e. training several artificial neural networks and combining their predictions. Later, Hansen et al. (Hansen, Salamon, & Liisberg, In: Proceedings of the IEEE-SP Workshop on Neural Networks for Signal Processing, 1992) applied artificial neural network ensemble to handwritten digit recognition and attained astonishing good results whose accuracy is 20±25% better than that of the best individual artificial neural network. Subsequently, there appears a hot wave in investigating artificial neural network ensembles, which lasts up to present. Much work has been put in analyzing why and how artificial neural network ensembles work. The classical one is Krogh and Vedelsby „s work (Krogh & Vedelsby, 1995), in which they derived that the generalization ability of the applied ensemble is determined by the average
Genap|10/11
34
generalization ability and the average ambiguity of the individual artificial neural networks that constitute the ensemble. As to the definition of an artificial neural network ensemble, the most accepted one is that an artificial neural network ensemble is a collection of a finite) number of artificial neural networks that are trained for the same task (Sollich & Krogh, 1996). However, some researchers prefer another definition, i.e. an artificial neural network ensemble consists of a set of individually trained artificial neural networks whose predictions are combined when classifying novel instances (Optitz & Maclin, 1999). Work satisfying the latter definition can be traced up to what was done in the NESTOR system (Cooper, 1991). An ensemble approach can be viewed as comprising two kinds of methods, i.e. a method or generating individual artificial neural networks and a method for combining individual predictions. Schapire‟s Boosting (Schapire, 1990)and Breiman‟s Bagging (Breiman, 1996)are prevailing methods for generating individual networks. Simple averaging and weighted averaging are prevailing methods for combining individual predictions of regression estimators. Majority voting and plurality voting are prevailing methods for combining individual predictions of classifiers. Majority voting judges a prediction to be the final output if more than half of the individual networks vote to the prediction. Plurality voting judges a prediction to be the final output if the prediction ranks first according to the number of votes. Much work has been done in designing ensemble approaches. Examples are as follows. Maclin and Shavlik (Maclin & Shavlik, 1995) utilized competitive learning to generate individual networks and then combined their outputs via simple averaging. Taniguchi and Tresp (Taniguchi & Tresp, 1997)designed variance-based weighting and variance-based Bagging, and experimentally found that the improvement in performance that could be achieved by averaging depended critically on the degree of regularization which was used in training the individual networks. Sharkey et al. (Sharkey, Sharkey, & Cross, 1998) nsemble both an ensemble biased to false negative and an ensemble biased to false positive to
Genap|10/11
35
improve the accuracy while lowering the false positive rate. Liu and Yao (Liu & Yao, 1999)proposed negative correlation learning to encourage specialization and cooperation among the individual networks, where all the individual networks were trained simultaneously through the correlation penalty terms in their error functions. Chan (Chan, 1999)presented weighted least square ensemble that did not require that the individual networks were independent. More developments in this area can be found in (Sharkey D. , 1999). Since artificial neural network ensembles work remarkably well and are easy to be used, they are regarded as a promising methodology that can profit not only experts in artificial neural network research, but also engineers in real-world applications. Besides Hansen et al.‟s work in handwritten digit recognition (Hansen, Liisberg, & Salamon, Ensemble methods for handwritten digit recognition, 1992), artificial neural network ensembles have already been applied to many real-world domains such as scientific image analysis (Cherkauer, 1996), face recognition (Gutta & Wechsler, 1996), (Huang, Zhou, Zhang, & Chen, 2000), OCR (Mao, 1993), seismic signals classification (Shimsoni & Intrator, 1998), breast cancer diagnosis (Sharkey, Sharkey, & Cross, 1998), and in vitro fertilization treatment (Cunningham, Carney, & Jacob, 2000).
Kemudian untuk menyisipkan daftar pustaka dengan
melakukan penyesuaian Current List pada Source
sebagaimana berikut.
Genap|10/11
36
Gambar 39. Mengelola sumber referensi
Selanjutnya insert daftar pustaka sebagaimana gambar
berikut.
Gambar 40. Menyisipkan daftar pustaka
Genap|10/11
37
Adapun daftar pustka yang dihasilkan adalah sebagai berikut :
Breiman, L. (1996). Bagging predictors. . Machine Learn.
Chan, L. W. (1999). Weighted least square ensemble networks. Proceedings of the IEEE International Joint , 1393.
Cherkauer, K. (1996). Human expert level performance on a scientific image analysis task by a system using combined artificial neural networks. Proceedings of the 13th AAAI Workshop on Integrating Multiple Learned Models for Improving and Scaling Machine Learning Algorithms, (pp. 15-21).
Cooper, L. (1991). Hybrid neural network architectures: equilibrium systems that pay attention. In R. Mammone, Neural networks: theory and applications (pp. 81-96). San Diego: Academic Press.
Cunningham, P., Carney, J., & Jacob, S. (2000). Stability problems with artificial neural networks and the ensemble solutions. Artif Intell Med.
Grover, C. (2006). Word 2007: The Missing Manual. Sebastopol: O‟Reilly Media.
Gutta, S., & Wechsler, H. (1996). Face recognition using hybrid classifier systems. Proceedings of the IEEE International Conference on Neural Networks, (p. 1017).
Hansen, L., & Salamon, P. (1990). Neural networks ensembles. In IEEE Trans Pattern Anal Machine Intell (pp. 993-1001).
Hansen, L., Liisberg, L., & Salamon, P. (1992). Ensemble methods for handwritten digit recognition. Proceedings of the IEEE-SP Workshop on Neural Networks for Signal Processing , 333.
Hansen, L., Salamon, P., & Liisberg, L. (1992). In: Proceedings of the IEEE-SP Workshop on Neural Networks for Signal Processing. In Ensemble methods for handwritten digit recognition (p. 333).
Genap|10/11
38
Hornik, K. M. (1989). Multilayer feedforward networks are universal approximators. In K. M. Hornik, M. Stinchcombe, & H. White, Neural Networks (p. 359).
Huang, F., Zhou, Z., Zhang, H., & Chen, T. (2000). Pose invariant face recognition. Proceedings of the 4th IEEE International Conference on Automatic Face and Gesture Recognition, (p. 245).
Krogh, A., & Vedelsby, J. (1995). Neural network ensembles, cross validation, and active learningNeural network ensembles, cross validation, and active learning. In Advances in Neural Information Processing Systems (p. 231). MIT press.
Liu, Y., & Yao, X. (1999). Ensemble learning via negative correlation. Neural Networks.
Maclin, R., & Shavlik, J. (1995). Combining the predictions of multiple classifiers: using competitive learning to initialize neural networks. In Proceedings of the 14th International Joint Conference on Artificial (p. 524).
Mao, J. (1993). A case study on bagging, boosting and basic ensembles of neural networks for OCR. Proceedings of the IEEE International Joint Conference on Neural Networks, (p. 1828).
Optitz, D., & Maclin, R. (1999). Popular ensemble methods: an empirical study. Artif Intell Res , 169.
Schapire, R. (1990). The strength of weak learnability. Machine Learn.
Sharkey, A., Sharkey, N., & Cross, S. (1998). Adapting an ensemble approach for the diagnosis of breast cancer. In Proceedings of the International Conference on Artificial Neural Networks (p. 281).
Sharkey, D. (1999). Combining artificial neural nets: ensemble and modular multi-net systems. London: Springer.
Shimsoni, Y., & Intrator, N. (1998). Classification of seismic signals by integrating ensembles of neural networks. IEEE Trans Signal Process.
Sollich, P., & Krogh, A. (1996). Learning with ensembles: how over-fitting can be useful. In D. Touretzky, & M. Mozer,
Genap|10/11
39
Advances in neural information processing systems, vol. 8 (p. 190). Cambridge: MIT Press.
Tanenbaum, A. S. (2009). Modern Operating System Third Edition. New Jersey: Pearson Prentice Hall.
Taniguchi, M., & Tresp, V. (1997). Averaging regularized estimators. Neural Comput.
Zhou, Z.-H., Yuan, J., Yu-Bin, Y., & Shi-Fu, C. (2001). Lung cancer cell identitication based on artiticial neural network ensembles. Artificial Intelligence in Medicine .
Membuat Form Enrollment Mahasiswa Baru
Buatlah sebuah dokumen template baru pada Microsoft Word.
Gambar 41. Membuat dokumen template baru Kemudian buatlah form dasar yang berisi data pribadi mahasiswa baru sebagaimana gambar berikut.
Genap|10/11
40
Gambar 42. Form dasar Enrollment
Pada keterangan nama, tempat lahir, alamat, kota,
provinsi, kode pos, nomot telepon, nomor, email, nama
ibu, pekerjaan ibu, nama bapak, pekerjaan bapak, fakultas,
dan jurusan insert Rich text atau text pada Controls di tab
Developer Ribbon menjadi seperti gambar berikut.
Genap|10/11
41
Gambar 43. Menyisipkan Rich Text atau text control
Kemudian aturlah properties untuk masing-masing rich text atau text tersebut. Misalkan untuk rich text nama sebagai berikut.
Genap|10/11
42
Gambar 44. Mengatur properties rich text nama
Sementara untuk Tanggal lahir pilihlah Data Picker pada tab control. Sementara untuk agama dan jenis kelamin dapat disisipkan Drop-down list control yang akan memberikan pilihan input.
Gambar 45. Menyisipkan data picker pada tanggal lahir
Genap|10/11
43
Gambar 46. Menyisipkan dan mengatur drop-down list
pada jenis kelamin
Gambar 47. Menyisipkan dan mengatur dro-down list
pada agama
Makro
Genap|10/11
44
Membuat suatu makro dengan memilih Record Macro pada Macros di tab View Ribbon sebagaimana gambar berikut.
Gambar 48. Membuat makro baru
Kemudian beri nama makro ubahkeAngka lalu klik pada
tombol icon keyboard sebagaimana gambar berikut.
Assign makro baru tersebut dengan menekan tombol
ALT+0 sebagaimana gambar berikut.
Genap|10/11
45
Gambar 49. Assign Makro konversi huruf ke angka
Lalu rekam makro dengan menekan CTRL+H untuk
mengubah hufuf ke angka sebagaimana gambar berikut.
Gambar 50. Merekam makro konversi huruf ke angka
Selanjutnya melakukan hal yang sama untuk membuat makro yang mengubah angka ke huruf sebagaimana gambar berikut.
Genap|10/11
46
Gambar 51. Assign Makro konversi angka ke huruf
Lalu rekam makro dengan menekan CTRL+H untuk
mengubah angka ke huruf sebagaimana gambar berikut.
Gambar 52. Merekam makro konversi angka ke huruf
Genap|10/11
47
CHAPTER 4 : CONCLUSION AND IDEAS
Melalui practical work 2 yang telah dilaksanakan
memberikan banyak manfaat bagi practicant. Pertama,
practicant selain mengetahui mengenai pentingnya kutipan
ketika melakukan kutipan dari sumber lain juga dapat
dengan lebih mudah membuat dan mengelola referensi-
refernsi sumber kutipan yang diambil yang pada akhirnya
akan mempermudah pula dalam membuat daftar pustaka.
Kedua, practicant mengetahui dan mampu membuat form
yang bermanfaat dalam menyimpan data yang banyak
jumlahnya secara mudah dan cepat. Ketiga, practicant juga
mampu membuat makro dengan pemrograman Visual
Basic for Application (VBA) yang pada intinya membantu
mempermudah dan mempercepat pekerjaan dalam
pengolahan dokumen. Dengan itu semua, practicant
memperoleh peningkatan pengetahuan dan kemampuan
dalam word processing dengan lebih cepat dan mudah.
Genap|10/11
48
BIBLIOGRAPHY
Grover, C. (2006). Word 2007: The Missing Manual.
Sebastopol: O'Reilly Media.
Lipson, C. (2006). Cite Right: a quick guide to citation
styles—MLA, APA, Chicago, the sciences, professions,
and more. London: The University of Chicago Press, Ltd.
Wikipedia.org. (n.d.). Retrieved March Wednesday, 2011,
from Wikipedia bahasa indonesia, Ensiklopedia Bebas:
http://id.wikipedia.org
Wikipedia.org. (n.d.). Retrieved March Wednesday, 2011,
from Wikipedia, The Free Encyclopedia:
http://en.wikipedia.org
Zhou, Z.-H., Yuan, J., Yu-Bin, Y., & Shi-Fu, C. (2001).
Lung cancer cell identitication based on artiticial neural
network ensembles. Artificial Intelligence in Medicine .