Soulygianie

Ratu malam sang rembulan
Raja siang sang matahari
Keduanya selalu bertentangan,

Tarik menarik
Dorong mendorong
Saling menguasai,
Seolah selalu bertanding tiada henti

Tiada yang kalah
Tak ada yang menag,
Karena dengan kedua sifat yang bertentangan ini
Seluruh alam semesta bergerak!

Dunia berputar,
Saling mengisi,
Yang satu melengkapi yang lain
Tanpa yang satu
Takkan ada yang lain,

Siang dan malam
Terang dan gelap
BAik dan jahat
Tanpa yang satu,
Apakah yang lain itu akan ada?
Tanpa adanya gelap,
Dapatkah kita mengenal terang?

Inilah sebuah kenyataan
Yang telah dikenhendaki Allah
Tanpa kehendaknya, takkan terjadi apa-apa

Riuh... ramai... gaduh... dan penuh kegembiraan
Taman hati berwarna warni
Panggung rumah paru-paru berdiri kokoh
Kolam cinta mengalir indah keawan kasih

Badan terasa sejuk...
Segar tak terkirakan
Rumput selaput nadi bergoyang lembut
Di tiup angin cinta sejati

Burung camar jantung menukik pelan
Hinggap di pohon tulang iga putih
Matanya melihat kearah taman hati
Pandangannya terpesona oleh pemandangan cantik

Bidadari cinta dan pangeran kasih sayang
Bersenda gurau diangan yang tinggi
Hati pun gembira...
Jiwa pun lega...

Ya Allah...
Abadikan keadaan ini
Agar menjadi pedoman
Bagi hati yang saling menyatu

Mentari sanubari tersenyum riang
Alam jiwa bergembira ria
Serentak...
Jiwa0jiwa riang berdansa di sekitar taman hati
Oooh...
Indahnya fantasi cinta

DDL SQL memungkinkan dilakukannya spesifikasi tidak hanya pada himpunan relasi tetapi juga informasi untuk setiap relasi, yang meliputi :
- Skema setiap relasi
- Domain nilai setiap atribut relasi
- Konstrain integritas
- Himpunan indeks untuk setiap relasi
- Sekuriti dan autorisasi setiap relasi
- Struktur penyimpanan secara fisik untuk setiap relasi dalam disk.
Perintah SQL untuk definisi data:
- CREATE untuk membentuk basis data, taable atau index
- ALTER untuk mengubah struktur table
- DROP untuk menghapus basis data, table atau index
CREATE DATABASE
- Untuk membentuk basis data
- Sintaks: CREATE DATABASE nama_database
- Contoh: CREATE DATABASE COMPANY
CREATE TABLE
- Untuk membentuk table dari basis data
- Untuk menyebutkan spesifikasi dan batasan atribut
Contoh:

CREATE TABLE EMPLOYEE
( PNAME CHAR(15) NOT NULL
LNAME CHAR(15) NOT NULL
SSN CHAR(9) NOT NULL
BDATE DATE
ADDRESS CHAR(30)
SEX CHAR
SALARYDECIMAL(10.2)
DNO CHAR(10) );
ALTER TABLE
Digunakan untuk mengubah struktur table
Contoh kasus: misalkan ingin menambahkan kolom JOB pada table EMPLOYEE dengan tipe karakter selebar 12.
Perintah:
ALTER TABLE EMPLOYEE ADD JOB CHAR(12);
CREATE INDEX
Membentuk berkas index dari table
Index digunakan untuk mempercepat proses pencarian
Sintaks: CREATE [UNIQUE] INDEX nama_index
ON nama_table(kolom1, kolom2, …. )
Contoh: CREATE INDEX EMPLOYEENDX ON
EMPLOYEE(SSN)
Menghapus Basis Data
DROP DATABASE
Sintaks: DROP DATABASE nama_database
Contoh: DROP DATABASE COMPANY
Menghapus Table
DROP TABLE
Sintaks: DROP TABLE nama_table
Contoh: DROP TABLE EMPLOYEE
Menghapus Berkas Index
DROP INDEX
Sintaks: DROP INDEX nama_index
Contoh: DROP INDEX EMPLOYEENDX

Sistem basis data komersial menghendaki adanya sebuah bahasa query yang lebih user-friendly. Oleh karena itu dikenal SQL sebagai bahasa query yang marketable. SQL menggunakan kombinasi aljabar relasional & kalkulus relasional. Meskipun SQL adalah bahasa query, namun SQL mempunyai banyak kemampuan lain disamping melakukan query terhadap basis data. SQL mempunyai kemampuan untuk mendefinisikan struktur data, modifikasi data dalam basis data dan menentukan konstrain sekuriti.
SQL adalah bahasa query baku untuk DBMS. SQL diambil sebagai bakuan sejak tahun 1992. Awalnya diterapkan pada DBMS besar seperti Oracle dan Informix, sekarang juga pada DBMS berbasis PC seperti dBASE dan FoxPro. SQL bersifat sebagai bahasa tingkat tinggi (high level). Pemakai hanya menyebutkan hasil yang diinginkan dan optimasi pelaksanaan query dilakukan oleh DBMS. Satu perintah SQL dapat mewakili puluhan baris perintah bahasa xBASE. SQL dapat disisipkan ke bahasa pemrograman yang lain seperti C, Pascal, Cobol, dll.
Bahasa SQL terbagi dalam dua bagian besar, yaitu: DDL (Data Definition Language) dan DML (Data Manipulation Language) DDL mendefinisikan struktur basis data, seperti pembuatan basis data, pembuatan tabel dsbnya. Contoh: CREATE DATABASE dan CREATE TABLE. DML merupakan bagian untuk memanipulasi basis data seperti: pengaksesan data, penghapusan, penambahan dan pengubahan data. DML juga dapat digunakan untuk melakukan komputasi data. Contoh: INSERT, DELETE, dan UPDATE.

Jaringan komputer adalah sebuah sistem yang terdiri atas komputer dan perangkat jaringan lainnya yang bekerja bersama-sama untuk mencapai suatu tujuan yang sama. Tujuan dari jaringan komputer adalah:
• Membagi sumber daya: contohnya berbagi pemakaian printer, CPU, memori, harddisk
• Komunikasi: contohnya surat elektronik, instant messaging, chatting
• Akses informasi: contohnya web browsing
Agar dapat mencapai tujuan yang sama, setiap bagian dari jaringan komputer meminta dan memberikan layanan (service). Pihak yang meminta layanan disebut klien (client) dan yang memberikan layanan disebut pelayan (server). Arsitektur ini disebut dengan sistem client-server, dan digunakan pada hampir seluruh aplikasi jaringan komputer. (http://id.wikipedia.org/wiki/Jaringan_komputer)

Manfaat jaringan computer:
 sharing data
 Media komunikasi
 integrasi

Model komunikasi
 Sumber/source
 Transmitter
 System transmisi
 Receiver
 Tujuan


A B C D E


Keterangan:
A. Informasi masuk
B. Data yang masuk
C. Sinyal yang ditransmisikan
D. Sinyal yg diterima
E. Data yang keluar
F. Informasi





Model Topologi

Topologi Bus

 Keunggulan:
- Hemat kabel
- Layout sederhana
- Tidak perlu kendali pusat
- Mudah dikembangkan
- Penambahan/pengurangan terminal tidak perlu mematikan computer lain

 Kerugian
- putus jaluran
- Jaluran datanya padat
- Kecepatannya
- Repeater jika jaraknya jauh


Topologi Ring

 Keunggulan:
- Hemat kabel
- Kabel khusus
- Dapat melayani lalulintas data

 Kerugian:
- jika salah satu mengalami gangguan maka semuanya gangguan
- pengembangan jaringan sulit

Topologi Star

 Keunggulan:
- penambahan jaringan mudah
- pemeliharaan cukup dengan computer pusat
- pemasangan mudah


 Kerugian:
- mahal
- kabel boros
- jika terjadi kerusakan(server) semua akan off





Jaringan menurut kecepatan transmisi datanya:
A. Low Speed PC Network < 1 mpbs
B. Medium 1-20 mpbs
C. High diatas 20 mbps
D. Super high satuan – gbps – video,data file


Pola transmisi

- Transmisi parallel
- Transmisi Serial

Berdasarkan media transmisi data
- Jaringan Berkabel (Wired Network) Pada jaringan ini, untuk menghubungkan satu komputer dengan komputer lain diperlukan penghubung berupa kabel jaringan. Kabel jaringan berfungsi dalam mengirim informasi dalam bentuk sinyal listrik antar komputer jaringan.
- Jaringan Nirkabel (Wireless Network) Merupakan jaringan dengan medium berupa gelombang elektromagnetik. Pada jaringan ini tidak diperlukan kabel untuk menghubungkan antar komputer karena menggunakan gelombang elektromagnetik yang akan mengirimkan sinyal informasi antar komputer jaringan. (http://id.wikipedia.org/wiki/Jaringan_komputer)

Metode Transmisi
A. Teknik pengiriman Baseband
Metode pengriman data kepada penerima dengan melalui sistem antrian terlebih dahulu, data mana yang akan dikirim terlebih dahulu dan data yang lainnya antri dulu untuk sampai ke penerima(receiver)
B. Teknik pengiriman Broadband
Metode pengiriman data kepada penerima tanpa adanya sistem antrian, karena pada metode ini sudah terbagi sesuai dengan type datanya (audio,video,suara).

Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak diketahui [11][5]. Proses clustering berusaha membagi data set dengan mengelompokkan seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami. Hampir semua algoritma clustering yang populer selalu mengharuskan adanya inisialisasi jumlah cluster awal [8][3]. Padahal jumlah ini sangatlah sulit untuk diketahui, sebab dibutuhkan orang yang benar-benar menguasai konfigurasi objeknya.
Dengan adanya fenomena tersebut, maka para peneliti dalam bidang pengenalan pola (pattern recognition) berusaha menghasilkan algoritma yang mampu mendeteksi jumlah cluster ini secara otomatis [3][8][5]. J. J. Simpson [5] telah mengembangkan algoritma ISMC (Improved Split and Merge Classification). Algoritma clustering ini menggabungkan proses split dan merge yang diiterasi hingga konvergen. Prosedur split yang dikembangkannya berusaha membagi sebuah cluster menjadi 2 sub cluster. Pembagiannya berdasarkan pasangan pixel yang jaraknya terjauh (2 pixel kutub). Setelah masing-masing pixel telah memilih salah satu pixel kutub ini, maka terbentuklah 2 sub cluster baru. Tiap cluster yang sudah terbentuk dipecah lagi dengan proses yang sama hingga ukuran cluster tersebut melampaui batas Threshold untuk split. Selanjutnya dilakukan proses penggabungan (merging) antar cluster yang berdekatan. Proses selanjutnya adalah partitional, yakni assignment pixel terhadap tiap pusat cluster untuk menentukan pusat cluster baru. Proses split, merge, dan partitional ini diulang hingga konvergen. Nampak bahwa mekanisme split pada algoritma tersebut tidak mempertimbangkan lokasi tempat berkumpulnya mayoritas pixel. Namun hanya mempertimbangkan jarak terjauh antar pixel. Hal ini bisa mengakibatkan pemotongan cluster yang berada di antara kedua pixel tersebut. Penyebabnya bisa berupa perbedaan distribusi atau juga ukuran cluster yang terlalu besar. Dengan demikian dibutuhkan metode split yang memperhatikan distribusi pixel dalam feature space. Distribusi ini dapat digambarkan melalui histogram, dimana tiap kurva yang terbentuk dapat diasosiasikan sebagai sebuah cluster.
Masalah dalam pembagian secara langsung ini juga dilakukan oleh Mehmet Celenk [6]. Metodenya menggabungkan split dan merge, dengan membagi seluruh citra menjadi non-overlapping window 4x4. Tiap window di-split menjadi 2 cluster dengan K-means clustering, dan ini bisa dilakukan secara paralel. Seluruh cluster hasil split, digabungkan dengan metode yang sama. Oleh karena tiap 1 window memiliki 2 cluster, maka jumlah cluster menjadi sedemikian banyak, sehingga proses merge akan memakan waktu lama. Dengan demikian, dibutuhkan metode yang secepat mungkin mampu membentuk sejumlah cluster.
Pada kenyataannya, proses pembentukan cluster dengan pencarian kurva pada feature space citra multispektral sangatlah sulit. Sebab dibutuhkan teknik scanning kurva yang sangat rumit. Cara yang termudah adalah mentransformasikannya menjadi satu dimensi, namun mampu mewakili seluruh spektrum. Proses ini biasa disebut dengan PCT (Principal Component Transformation). Bila proses split di atas menghasilkan cluster yang cukup banyak, maka dibutuhkan metode pengabungan yang lebih ketat.

Penggabungan ini tidak hanya sekedar mencari cluster yang terdekat kemudian digabungkan, namun juga perlu dilihat apakah efek penggabungan ini menyebabkan chain effect. Efek ini sangat mungkin terjadi, bila pada citra tersebut terdapat noise. Noise yang terletak diantara 2 cluster yang berjauhan dapat bertindak sebagai perantara. Akibatnya, kedua cluster yang seharusnya tidak layak digabung ini, akhirnya akan tergabung, bila salah satu cluster tersebut menarik cluster noise untuk menjadi anggotanya. Masalah lain yang harus dihadapi oleh algoritma clustering adalah adanya uncentainty baik yang berupa noise maupun outlier. Salah satu metode yang dapat mengatasi kedua problema ini adalah Fuzzy C-Means (FCM) [4]. Algoritma ini selanjutnya dikembangkan oleh para peneliti [7][3][8] untuk meningkatkan kinerjanya.

Posisi noise dan outlier, pada umumnya berada di antara sejumlah cluster, dimana jarak terhadap tiap pusat cluster tersebut hampir sama. Dengan metode ini, membership keduanya terhadap semua pusat cluster tidak akan terlalu besar. Sehingga tidak akan terlalu menentukan lokasi pusat cluster yang diikutinya pada tiap iterasi. Penelitian ini bertujuan untuk membangun sebuah perangkat lunak yang mampu melakukan unsupervised classification (klasifikasi tak terawasi) terhadap citra multispektral dengan lebih akurat, dalam artian kondisi cluster yang lebih kompak dan perbedaan antar cluster
yang lebih meningkat, serta ketepatan pengenalan kelas yang lebih tinggi.
K-Means merupakan metode data clustering yang digolongkan sebagai metode
pengklasifikasian yang bersifat unsupervised (tanpa arahan). Pengkategorian metode-metode pengklasifikasian data antara supervised dan unsupervised classification didasarkan pada adanya dataset yang data itemnya sudah sejak awal mempunyai label kelas dan dataset yang data itemnya tidak mempunyai label kelas. Untuk data yang sudah mempunyai label kelas, metode pengklasifikasian yang digunakan merupakan metode supervised classification dan untuk data yang belum mempunyai label kelas, metode pengklasifikasian yang digunakan adalah metode unsupervised classification. Selain masalah optimasi pengelompokan data ke masing-masing cluster, data clustering juga diasosiasikan dengan permasalahan penentuan jumlah cluster yang paling tepat untuk data yang dianalisa. Untuk kedua jenis K-Means, baik Hard K-Means dan Fuzzy K-Means, yang telah dijelaskan di atas, penentuan jumlah cluster untuk dataset yang dianalisa umumnya dilakukan secara supervised atau ditentukan dari awal oleh pengguna, walaupun dalam penerapannya ada beberapa metode yang sering dipasangkan dengan metode K-Means. Karena secara teori metode penentuan jumlah cluster ini tidak sama dengan metode pengelompokan yang dilakukan oleh K-Means, kevalidan jumlah cluster yang dihasilkan umumnya masih dipertanyakan. Melihat keadaan dimana pengguna umumnya sering menentukan jumlah cluster sendiri secara terpisah, baik itu dengan menggunakan metode tertentu atau berdasarkan pengalaman, di sini, kedua metode K-Means ini dapat disebut sebagai metode semi-supervised classification, karena metode ini mengalokasikan data items ke masing-masing cluster secara unsupervised dan enentukan jumlah cluster yang paling sesuai dengan data yang dianalisa secara supervised.

Cyclic Redundancy Check (CRC) adalah salah satu fungsi hash yang dikembangkan untuk mendeteksi kerusakan data dalam proses transmisi ataupun penyimpanan. CRC menghasilkan suatu checksum yaitu suatu nilai dihasilkan dari fungsi hash-nya, dimana nilai inilah yang nantinya digunakan untuk mendeteksi error pada transmisi ataupun penyimpanan data. Nilai CRC dihitung dan digabungkan sebelum dilakukan transmisi data atau penyimpanan, dan kemudian penerima akan melakukan verifikasi apakah data yang diterima tidak mengalami perubahan ataupun kerusakan. CRC cukup terkenal karena mudah diterapkan dalam hardware, dan mudah dilakukan analisis secara matematika. Prinsip utama yang digunakan adalah dengan melakukan pembagian polinomial dengan mengabaikan bit-bit carry. Cara yang biasa digunakan adalah dengan menggunakan tabel CRC yang nilainya telah dihitung sebelumnya, sehingga dapat menghemat waktu dan meminimalisir kesalahan di tengah perhitungan.

Heat Exchanger merupakan peralatan yang digunakan untuk memindahkan energi panas dari fluida yang bersuhu tinggi ke fluida yang bersuhu rendah. Untuk mengetahui performansinya temperatur fluida outputnya selalu diukur oleh instrumentasi plant. Namun sangat disayangkan informasi yang diperoleh dari instrumentasi plant sering tidak akurat dan tidak konsisten. Hal ini disebabkan data hasil pengukuran mengandung error baik pada saat pengukuran, pengolahan dan transmisi sinyal pengukuran. Pada kondisi dinamik pengukuran dan keadaan variabel proses beserta akumulasi dalam sebuah proses berubah terhadap waktu. Oleh karena itu diperlukan usaha untuk memperbaiki akurasi dan konsistensi data pengukuran. Sebuah Teknik Rekonsiliasi Data dan Deteksi Gross Error telah hadir sebagai solusi dalam usaha perbaikan akurasi dan konsistensi data hasil pengukuran.

Artificial Neural Network merupakan suatu jaringan saraf tiruan yang dibangun untuk meniru cara kerja otak manusia. Dengan jaringan saraf tiruan maka kita dapat memberikan semacam kecerdasan pada sistem, dimana sistem tersebut akan diberikan waktu untuk 'belajar' dan kemudian diharapkan dari proses belajarnya, sistem bisa memberikan solusi dari suatu kasus. Analoginya seperti mengajarkan seorang anak kecil untuk mengetahui bentuk kursi, kita akan menunjukan pada anak tersebut berbagai macam bentuk kursi dan bukan kursi. Kita akan memperlihatkan mana saja yang termasuk kursi dan mana yang bukan, proses ini disebut proses training. Setelah proses training selesai, maka tiba waktunya untuk melakukan test terhadap anak tersebut dengan menunjukan suatu bentuk kursi dan menanyakan apakah itu termasuk kursi atau bukan. Hal yang menarik adalah pada saat kita menunjukan suatu bentuk kursi yang belum pernah diajarkan pada anak tersebut dan apabila itu memang variasi dari kursi (dengan ciri misalnya: kakinya ada 4, ada pegangan tangannya, bentuknya seperti angka 4, dll) maka dia dapat mengambil kesimpulan bahwa benda tersebut adalah kursi, apabila jawaban si anak salah maka kita kembali melatihnya (proses training) dengan memasukan bentuk kursi yang baru tadi kedalam data latih, sehingga si anak dapat mengambil kesimpulan bahwa benda tersebut (dan yang mirip benda tersebut dimasa yang akan datang) adalah kursi.

Hal yang sama terjadi pada sistem dimana sistem akan diajarkan dengan berbagai macam contoh (disebut data latih) dan kemudian diharapkan sistem akan dapat mengambil keputusan atas suatu masalah yang berhubungan dengan data latih sistem tersebut. Pemanfaatan ANN sekarang ini sudah cukup banyak dan telah diterapkan pada berbagai bidang, misalnya untuk mengetahui keadaan bursa saham di masa yang akan datang berdasarkan keadaan saat ini, menentukan jenis kelamin seseorang berdasarkan bentuk wajah, dll.


Adapun tahap Neural Network ini:
1. Pembelajaran, pada tahap ini neural network diberikan sekumpulan data input beserta outputnya. Dan melalui model sementara yang telah ditentukan, akan dibuat bobot masing-masing variabel yang mempengaruhi suatu output. Dalam tahap pembelajaran ini, bobot tersebut selalu di perbaiki untuk dapat menghasilkan suatu model dengan residu terkecil.
2. Pengujian, adalah tahap untuk menguji model yang telah didapatkan dari proses pembelajaran. Tahap ini akan membandingkan apakah error rate yang dihasilkan dapat diterima atau tidak.
3. Peramalan, pada tahap ini model Neural network yang sudah jadi akan digunakan untuk meramalkan suatu input yang ada.

Neural Network atau Jaringan Syaraf Tiruan merupakan suatu metode yang mensimulasikan kecerdasan manusia. Sistem Neural yang ada pada manusia selalu belajar dan berdasarkan dari pengalaman yang didapatnya, neural tersebut dapat memberikan hasil atau pemecahan terhadap suatu masalah. Sama seperti neural network yang ada pada manusia, Artificial Neural Network(ANN) ini akan selalu belajar melalui data-data atau fakta-fakta input dan output yang ada, sehingga pada waktunya ANN ini dapat menjawab beberapa persoalan yang telah dipelajarinya tersebut.
Neural Network ini pertama kali diperkenalkan oleh Waren McCulloch dan Walter Pitss pada tahun 1943. Cara kerja model Neural Network ini adalah dengan menggunakan pembobotan terhadap faktor-faktor yang mempengaruhi suatu keadaan input menjadi output.


Beberapa definisi tentang Neural Network:
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:
“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:
“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan syaraf buatan sebagai berikut :
Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes

A. Kertas

1. Laporan KP harus diketik pada kertas HVS 80 gram berukuran A5

2. Tabel-tabel dan gambar-gambar, jika ada, sedapat mungkin juga disajikan pada kertas yang sama. Apabila masih juga tidak dapat disajikan dalam kertas yang sama maka bisa dilipat-lipat tanpa mengurangi tampilan buku laporan KP.

B. Penyajian Naskah

1. Jarak Tepi

Ketikan harus terletak sekurang-kurangnya :

– Dari tepi atas : 2,5 cm

– Dari tepi bawah : 2,5 cm

– Dari tepi kiri : 2,5 cm

– Dari tepi kanan : 2 cm

2. Pengetikan

a. Laporan KP diketik dengan jarak 1 spasi.

b. Apabila dipakai pengolah kata MS-Word, jenis huruf yang dipakai adalah Times New Roman, Normal, ukuran 10 (khusus untuk judul dapat dipakai ukuran 12). Untuk pengolah kata yang lain dapat dipakai penyesuaian.

c. Untuk seluruh naskah hendaknya dipergunakan mesin tulis atau printer yang sama.

d. Cover Depan, Lembar Judul, dan Lembar Pengesahan menggunakan tinta biasa (tidak timbul).

e. Warna Cover biru muda

3. Nomor Halaman

Halaman-halaman naskah laporan KP (Bagian Inti/Pokok) diberi nomor urut, dimulai dengan angka 1 dan dimulai dari Bab Pendahuluan. Nomor halaman ditulis di tengah dan 1,5 cm dari tepi bawah.

Khusus Halaman Abstraksi, Kata Pengantar, Daftar isi, Daftar Gambar, Daftar Tabel, dan Daftar Istilah menggunakan format penomoran angka romawi yaitu : i,ii,iii, iv..vii.. dst

4. Tabel dan Gambar

a. Tabel atau gambar yang terlalu besar (misalnya diagram skema) dapat disajikan pada lampiran, lalu dilipat.

b. Tabel-tabel diberi nomor urut pada setiap bab dengan angka desimal dengan ketentuan penulisan :

– Nomor terdiri dari 2 bagian, bagian pertama menunjukkan bab sedangkan bagian kedua menunjukkan nomor tabel. (contoh : Tabel 2.1, Tabel 3.2, Tabel 3.3, dan sebagainya).

– Nomor dan Judul Tabel diletakkan di sebelah atas tabel.

– Nama kolom (heading) pada tabel harus ada, terutama pada tabel yang menempati lebih dari 2 halaman.

– Tabel yang berasal dari referensi buku atau internet, Sumbernya dituliskan pada footnote[1]. (footnote : catatan kaki yang terdapat pada halaman tersebut dan letaknya di bagian halaman paling bawah). Jika menggunakan Microsoft Word penulisan footnote bisa otomatis langsung digunakan.

c. Gambar-gambar diberi nomor urut pada setiap bab dengan angka desimal dengan ketentuan penulisan sebagai berikut :

– Nomor terdiri dari 2 bagian, bagian pertama menunjukkan bab sedangkan bagian kedua menunjukkan nomor gambar. (contoh : Gambar 2.1, Gambar 3.2, Gambar 3.3, dan sebagainya)

– Nomor dan Judul Gambar diletakkan di sebelah bawah gambar.

– Gambar yang berasal dari referensi buku atau internet, Sumbernya dituliskan pada footnote. (footnote : catatan kaki yang terdapat pada halaman tersebut dan letaknya di bagian halaman paling bawah)

5. Bahasa

Bahasa yang digunakan adalah bahasa Indonesia yang baku berdasarkan kaedah ejaan yang telah disempurnakan.

a. Bentuk kalimat tidak boleh menampilkan orang pertama atau orang kedua, tetapi disusun dalam bentuk pasif. Kecuali dalam penyajian ucapan terima kasih pada kata pengantar.

b. Istilah yang dipakai adalah istilah Indonesia atau yang sudah di-Indonesiakan. Jika terpaksa harus memakai istilah asing, harus menggunakan huruf italics atau diberi garis bawah pada istilah tersebut.

c. Penggunaan kata penghubung, kata depan, awalan, akhiran dan tanda baca secara tepat.

6. Kulit muka dan kulit belakang soft cover, warna biru muda. Kulit muka ditulisi sama dengan lembar judul laporan KP dengan tinta hitam (lihat lampiran). Setiap pergantian bab diberi kertas pembatas warna biru muda dengan tulisan nama Bab dan Judul Bab saja.

Lampiran 1 : Contoh form Halaman Depan (cover) Laporan KP

	12

JUDUL TUGAS AKHIR SIMETRIS KIRI – KANAN

MEMBENTUK HURUF V

KERJA PRAKTEK

12

Oleh :

Nama Penyusun Tugas Akhir

Nomor Pokok Mahasiswa

12

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS TRUNOJOYO

BANGKALAN

2007

Lampiran 2 : Contoh Lembar Pengesahan Jurusan

LEMBAR PENGESAHAN JURUSAN

LAPORAN KERJA PRAKTEK

11

DI tempat keja praktek

12

Judul :

JUDUL LAPORAN KERJA PRAKTEK

Menyetujui,

Koordinator Kerja Praktek .......................... NIP. ……	Dosen Pembimbing ........................... NIP. .................
Ketua Jurusan ……………………… NIP. …………..

Lampiran 3 : Contoh Lembar Pengesahan Instansi

LEMBAR PENGESAHAN INSTANSI

LAPORAN KERJA PRAKTEK

DI tempat keja praktek

	11

12

Judul :

JUDUL LAPORAN KERJA PRAKTEK

Oleh :

Sony P 05.04.111.00xxx

Windy A 05.04.111.000xx

....................... (Max 3 orang)

11

Menyetujui,

Kepala institusi, ................................. .........................

Lampiran 5 : Contoh Daftar Isi

DAFTAR ISI

LEMBAR PENGESAHAN JURUSAN ................................................ i

LEMBAR PENGESAHAN INSTANSI ............................................... ii

KATA PENGANTAR ...........................................................................iii

DAFTAR ISI ..........................................................................................iv

BAB I PENDAHULUAN

Latar belakang .........................................................................

Rumusan masalah ....................................................................

Tujuan ...................................................................................

Manfaat .............................................................................................

Metodologi ................................................................................

Sistimatika Pembahasan ..........................................................

BAB II PROFIL PERUSAHAAN

2.1 Sejarah Singkat ..........................................................................

2.2 Lokasi perusahaan ....................................................................

2.3 Motto dan Lambang ................................................................

2.4 Struktur Organisasi .....................................................................

2.5 Job Description .........................................................................

BAB III DASAR TEORI

3.1 Definisi Web Design ..................................................................

3.2 Karakteristik Aplikasi Berbasis Web…………………………… ....

3.3 Lapisan-lapisan (layers) pada rekayasa Aplikasi berbasis Web .......

3.4 Databas………………………………………………………………

3.5 SQL(Structure Query Language)……………………………... ……

3.6 PHP………………………………………………………………….

3.7 PengenalancontentManagementSystem(CMS) .................

BAB IV PEMBAHASAN

4.1 Analisa permasalahan .........................................................................

4.2. Analisa Kebutuhan

4.3 Perancangan

4.4 Implementasi

BAB V PENUTUP

5.1 Kesimpulan ..................................................................................

5.2 Saran .........................................................................................

DAFTAR PUSTAKA ...........................................................................

DAFTAR LAMPIRAN