JADWAL PELAJARAN SMAK DIPONEGORO BLITAR MULAI 17 MARET 2015

Catatan : Jadwal ini mulai berlaku tanggal 17 Maret 2015, untuk jadwal hari senin tanggal 16 Maret 2015 masih menggunakan jadwal yang lama...

Materi Pekan Ulangan TIK Kelas XII

Materi Pekan Ulangan TIK Kelas XII

1.   Ulangan Semester Genap :

a.   Pengertian perangkat lunak presentasi

b.   Macam-macam software presentasi

c.   Menunjukkan dan menggunakan menu dan ikon yang terdapat dalam perangkat lunak powerpoint (mulai dari menu Home, Insert, Design  dan Animation)

d.    Menunjukkan dan menggunakan menu dan ikon yang terdapat dalam perangkat lunak powerpoint (mulai dari Slide Show, Review, View, Add Ins dan Acrobat)

e.   Kelebihan dan kekurangan perangkat lunak presentasi

f.     Membuat teks dengan variasi table, diagram, variasi grafik dan gambar

g.   Membuat hyperlink

2.   Ujian Praktek :

a.   Ms Word (Paragraf, Tabulasi, mailmerge, font, font size, page setup)

b.   Ms Excel (Fungsi Statistika, teks, if, vlookup dan hlookup)

3.   Ujian Tulis Akhir Sekolah :

a.   Undang-undang HAKI

b.   Jaringan

c.   Teknik Pengkabelan

d.   Internet

e.   Ms Word

f.     Ms Excell

g.   Coreldraw

h.   Adobe Photoshop

i.     Powerpoint

Catatan :

Untuk download Ringkasan Materi Mailmerge silahkan download disini

Untuk download Ringkasan Materi Excell silahkan download disini

Untuk download Contoh soal Excell silahkan download disini
 

Blitar, 20 Pebruari 2015

Pengajar TIK

Eko Istanto, S.Pd

Tugas Kelas XII

Setelah semua menyelesaikan presentasi, silahkan :

1. membuat minimal 20 soal pilihan ganda sesuai dengan materi kelompok yang dipresentasikan
2. soal diketik di program Microsoft Word dengan ketentuan : Font Arial, Font Size 10, Paper Size Folio dengan batas margin 2 cm semua (left, right, top dan bottom)
3. dikumpulkan paling lambat 06 Februari 2015 berupa softcopy (file) --> flasdisk, CD, atau kirim ke email:ekoissmak94@gmail.com jangan lupa Nama, Kelas dan nomor absenmu sendiri

Tanya Informasi Pendaftaran Siswa Baru SMAK Diponegoro Blitar Tahun Pelajaran 2015/2016

Powered by 123ContactForm | Report abuse

BUKU PANDUAN E-RAPORT K-13

Buku Panduan E_Raport Kurikulum 2013

Cara menampilkan password proteksi sheet pada Ms. Excel

Banyak di antara kita yang mendapatkan file excel untuk keperluan tertentu dengan proteksi sheet di dalamnya. Dengan di proteksi maka user atau kita yang meng-copy file tersebut tidak bisa melakukan perubahan atau yang edit yang lainnya di file tersebut.
Masalahnya adalah jika kita harus menambahkan atau memperbaiki file tersebut …. ?
Jalan satu – satunya adalah kita hilangkah proteksinya.
Berbekal petunjuk dari learn72. ini maka kita bisa dengan mudah menampilkan Password proteksinya.
Caranya dengan mengaktifkan Macro di Ms. Excel.
1. Buka file excel yang di password untuk proteksi sheet nya.
2. Tekan Alt + F11.
3. Klik Insert – Module
4. Paste kode di bawah ini .
Sub PasswordBreaker()
‘Breaks worksheet password protection.
Dim i As Integer, j As Integer, k As Integer
Dim l As Integer, m As Integer, n As Integer
Dim i1 As Integer, i2 As Integer, i3 As Integer
Dim i4 As Integer, i5 As Integer, i6 As Integer
On Error Resume Next
For i = 65 To 66: For j = 65 To 66: For k = 65 To 66
For l = 65 To 66: For m = 65 To 66: For i1 = 65 To 66
For i2 = 65 To 66: For i3 = 65 To 66: For i4 = 65 To 66
For i5 = 65 To 66: For i6 = 65 To 66: For n = 32 To 126
ActiveSheet.Unprotect Chr(i) & Chr(j) & Chr(k) & _
Chr(l) & Chr(m) & Chr(i1) & Chr(i2) & Chr(i3) & _
Chr(i4) & Chr(i5) & Chr(i6) & Chr(n)
If ActiveSheet.ProtectContents = False Then
MsgBox “One usable password is ” & Chr(i) & Chr(j) & _
Chr(k) & Chr(l) & Chr(m) & Chr(i1) & Chr(i2) & _
Chr(i3) & Chr(i4) & Chr(i5) & Chr(i6) & Chr(n)
Exit Sub
End If
Next: Next: Next: Next: Next: Next
Next: Next: Next: Next: Next: Next
End Sub
Jangan melakukan perubahan pada kode di atas.
5. Jalankan dengan cara teken tombol F5
6. Tunggu beberapa saat, password akan di tampilkan dalam PopUp di file excel.
Selamat semoga berhasil dan bermanfaat.
sumber : disini

Perbedaan Classification dengan Clustering

Classification

Classification memiliki tujuan untuk mengklasifikasikan suatu data ke dalam kelompok kelas yang sudah ada. Tidak akan ada pembentukan kelompok baru. Dan biasanya prosesnya supervised. Dalam arti ada training yang dilakukan.

Salah satu pendekatan classification adalah pendekatan neural network. Dalam pendekatan ini, neural network dilatih dengan menggunakan data yang sudah diketahui untuk dimasukkan ke dalam kelompok data tertentu. Setelah pelatihan, prosesnya cukup sederhana, yaitu dengan memasukkan data baru (yang tidak termasuk dalam data training) ke dalam neural network, lalu neural network akan memberikan informasi termasuk ke dalam kelompok manakah data baru tersebut.

Contoh algoritma classification adalah nearest centroid dan k-nearest neighbor.

Nearest centroid

Algoritmanya :

-          Menghitung centroid untuk setiap kelas

-          Menghitung  jarak antara test sample dan setiap kelas centroid

-          Memprediksi kelas dengan metode centroid terdekat

K-nearest neighbor

K-nn (k nearest neighbour). Dalam hal ini setiap data baru akan dibandingkan dengan data training. Lalu 3 data training terdekat (misalkan kita ambil k = 3) dengan data baru akan diambil. Misalkan ketiga data tersebut masuk ke dalam kelompok 1, 2 dan 1, maka data baru tersebut dimasukan ke dalam kelompok 1 (seperti voting, karena suara yang terbanyak adalah 1, maka keputusannya adalah 1). Menggunakan prediksi dengan majority vote dengan jumlah yang ganjil.

Clustering

Algoritma clustering merupakan algoritma pengelompokkan sejumlah data ( N ) menjadi kelompok – kelompok data tertentu ( cluster ). Objek data yang terletak didalam satu cluster harus mempunyai kemiripan. Sedangkan yang tidak berada didalam satu cluster tidak mempunyai kemiripan.

Jenisnya :

a.       Hierarchical

Merepresentasikan semua jarak dari setiap data. Hasilnya berupa 1 cluster yang besar dan berbentuk herarchical tree.

Hierarchical ada 2 macam pendekatan yaitu agglomerative dan divisive

-          Agglomerative (buttom-up)

Agglomerative clustering merupakan suatu teknik hierarki clustering yang menghasilkan suatu rangkaian penurunan jumlah cluster pada setiap tahapan. Clustering yang terdapat pada setiap tahapan diperoleh dari tahapan sebelumnya dengan cara menggabungkan 2 cluster yang mempunyai kemiripan. Agglomerative clustering dapat dilakukan dengan menggunakan 2 cara yaitu : teori matriks (matrix theory) dan teori grafik (graph theory).

Algoritmanya : Menandai setiap item pada clusternya sendiri. Bergabung dengan cluster yang paling dekat. Estimasi kembali jarak antar cluster. Ulang untuk data ke 1 sampai n.

-          Divisive (top-down)

Algoritma devisive berkebalikan arah dengan metode agglomerative dimana algoritma ini menghasilkan suatu rangkain peningkatan jumlah cluster pada setiap tahapan. Clustering yang terdapat pada setiap tahapan diperoleh dari tahapan sebelumnya dengan cara memecah suatu cluster tunggal menjadi 2 bagian.

b.      Partitioning

Contohnya : K-means clustering

Algoritmanya :

-          Tandai setiap item kelas pada 1 sampai k (secara acak)

-          Untuk setiap kelas 1 sampai k

Hitung centroid (rata-rata K)

Hitung jarak antara centroid dan setiap item

-          Tandai setiap item yang terdekat dengan centroid

-          Ulangi sampai tidak ada item yang ditandai kembali.

Perbedaan clustering dengan classification

Dataset yang digunakan pada clustering tidak menampilkan class / target attribute, sedangkan dataset yang digunakan pada classification mutlak harus menampilkan class / target attribute.

Pengetahuan yang dihasilkan oleh metode clustering berupa cluster, sedangkan pengetahuan yang dihasilkan oleh metode classification berupa selain cluster (bisa Decision Tree, Ruleset, Weight pada BackPropagation, dan lain-lain).

Clustering dipakai ketika tidak diketahuinya bagaimana data harus dikelompokkan. Jumlah kelompok diasumsikan sendiri tanpa ditentukan terlebih dahulu. Keluaran pendekatan ini adalah data yang sudah dikelompokkan. Sedangkan classification, terdapat informasi mengenai bagaimana data tersebut dikelompokkan. Kemudian dilakukan training pada sistem dengan data yang sudah diberikan label (ke dalam kelompok manakah data tersebut dikelompokkan), selanjutnya sistem akan mengklasifikasikan data-data yang baru ke dalam kelompok yang ada. Tidak akan ada pertambahan kelompok.

Secara formal clustering di definisikan sebagai suatu proses unsupervised untuk mengelempokan data yang memiliki karakteristik tertentu yang sama. Sedangkan classification digolongkan dalam proses supervised.

Supervised classification didasarkan pada ide bahwa pengguna (user) dapat memilih sampel pixel – pixel dalam suatu citra yang merepresentasikan kelas-kelas khusus dan kemudian mengarahkan perangkat lunak pengolahan citra (image processing software) untuk menggunakan pilihan-pilihan tersebut sebagai dasar referensi untuk pengelompokkan pixel-pixel lainnya dalam citra tersebut. Wilayah pelatihan ( training area) dipilih berdasarkan pada pengetahuan dari pengguna ( the knowledge of the user). Sedangkan klasifikasi tak terawasi (unsupervised classifications) merupakan pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software anaysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu. Komputer menggunakan teknik-teknik tertentu untuk menentukan pixel mana yang mempunyai kemiripan dan bergabung dalam satu kelas tertentu secara bersamaan.

SOAL LATIHAN

http://goo.gl/forms/O3FTAqAWA7

Contoh fungsi tanggal dan jam:

Koesplus Bis Sekolah

Soal Remidi Ulangan Harian 1 Prakarya dan Kewirausahaan Kelas X

Soal Remidi Ulangan Harian 1

1.    Buatlah table perbandingan grafik Vektor dengan Bitmap, seperti table berikut ini:

Tolak Ukur	Vektor	Bitmap
Basis Penyusunan
Sifat
Pengaruh perbesaran
Ukuran penyimpanan
Penggunaan
Format Penyimpanan
Contoh Program Pengolah

2.    Tuliskan 5 (lima) definisi design grafis dari beberapa ahli beserta sumbernya !

3.    Tuliskan 7 (tujuh) elemen/ unsur dasar desain grafis !