Adi Murthi

Membuat Bot Instagram Dengan Python

Jul
23

Bagi anda yang ingin menambah follower instagram tanpa perlu aktif 24 jam menggunakan handphone solusi menggunakan bot mungkin dapat membantu anda. program bot ini dibuat dengan bahasa pemgrograman python dan library yang sudah dikembangkan di /github.com/instabot-py

Saya lebih menyarankan menggunakan IDE seperti (540) 669-6375, karena sangat mempermudah programmer dalam mengembangkan aplikasi melalui berbagai fitur yang dimilikinya. Berikut contoh program bot sederhana yang dibuat :

import os
import time

from src import InstaBot
from src.check_status import check_status
from src.feed_scanner import feed_scanner
from src.follow_protocol import follow_protocol
from src.unfollow_protocol import unfollow_protocol

bot = InstaBot(
    login="usernameinstagram",
    password="passwordinstagram",
    like_per_day=1000,
    comments_per_day=0,
    tag_list=['follow4follow', 'f4f', 'cute', 'l:212999109'],
    tag_blacklist=['rain', 'thunderstorm'],
    user_blacklist={},
    max_like_for_one_tag=50,
    follow_per_day=300,
    follow_time=1 * 60,
    unfollow_per_day=300,
    unfollow_break_min=15,
    unfollow_break_max=30,
    log_mod=0,
    proxy='',
    # List of list of words, each of which will be used to generate comment
    # For example: "This shot feels wow!"
    comment_list=[["this", "the", "your"],
                  ["photo", "picture", "pic", "shot", "snapshot"],
                  ["is", "looks", "feels", "is really"],
                  ["great", "super", "good", "very good", "good", "wow",
                   "WOW", "cool", "GREAT","magnificent", "magical",
                   "very cool", "stylish", "beautiful", "so beautiful",
                   "so stylish", "so professional", "lovely",
                   "so lovely", "very lovely", "glorious","so glorious",
                   "very glorious", "adorable", "excellent", "amazing"],
                  [".", "..", "...", "!", "!!", "!!!"]],
    # Use unwanted_username_list to block usernames containing a string
    ## Will do partial matches; i.e. 'mozart' will block 'legend_mozart'
    ### 'free_followers' will be blocked because it contains 'free'
    unwanted_username_list=[
        'second', 'stuff', 'art', 'project', 'love', 'life', 'food', 'blog',
        'free', 'keren', 'photo', 'graphy', 'indo', 'travel', 'art', 'shop',
        'store', 'sex', 'toko', 'jual', 'online', 'murah', 'jam', 'kaos',
        'case', 'baju', 'fashion', 'corp', 'tas', 'butik', 'grosir', 'karpet',
        'sosis', 'salon', 'skin', 'care', 'cloth', 'tech', 'rental', 'kamera',
        'beauty', 'express', 'kredit', 'collection', 'impor', 'preloved',
        'follow', 'follower', 'gain', '.id', '_id', 'bags'
    ],
    unfollow_whitelist=['example_user_1', 'example_user_2'])
while True:

    #print("# MODE 0 = ORIGINAL MODE BY LEVPASHA")
    #print("## MODE 1 = MODIFIED MODE BY KEMONG")
    #print("### MODE 2 = ORIGINAL MODE + UNFOLLOW WHO DON'T FOLLOW BACK")
    #print("#### MODE 3 = MODIFIED MODE : UNFOLLOW USERS WHO DON'T FOLLOW YOU BASED ON RECENT FEED")
    #print("##### MODE 4 = MODIFIED MODE : FOLLOW USERS BASED ON RECENT FEED ONLY")
    #print("###### MODE 5 = MODIFIED MODE : JUST UNFOLLOW EVERYBODY, EITHER YOUR FOLLOWER OR NOT")

    ################################
    ##  WARNING   ###
    ################################

    # DON'T USE MODE 5 FOR A LONG PERIOD. YOU RISK YOUR ACCOUNT FROM GETTING BANNED
    ## USE MODE 5 IN BURST MODE, USE IT TO UNFOLLOW PEOPLE AS MANY AS YOU WANT IN SHORT TIME PERIOD

    mode = 0

    #print("You choose mode : %i" %(mode))
    #print("CTRL + C to cancel this operation or wait 30 seconds to start")
    #time.sleep(30)

    if mode == 0:
        bot.new_auto_mod()

    elif mode == 1:
        check_status(bot)
        while bot.self_following - bot.self_follower > 200:
            unfollow_protocol(bot)
            time.sleep(10 * 60)
            check_status(bot)
        while bot.self_following - bot.self_follower < 400:
            while len(bot.user_info_list) < 50:
                feed_scanner(bot)
                time.sleep(5 * 60)
                follow_protocol(bot)
                time.sleep(10 * 60)
                check_status(bot)

    elif mode == 2:
        bot.bot_mode = 1
        bot.new_auto_mod()

    elif mode == 3:
        unfollow_protocol(bot)
        time.sleep(10 * 60)

    elif mode == 4:
        feed_scanner(bot)
        time.sleep(60)
        follow_protocol(bot)
        time.sleep(10 * 60)

    elif mode == 5:
        bot.bot_mode = 2
        unfollow_protocol(bot)

    else:
print("Wrong mode!")

Pemilihan mode disesuaikan dengan keinginan anda.

6108421590

Sep
23

Salah satu kemampuan dari machine learning adalah fungsi prediksi, dalam hal ini menggunakan model support vector regresion yang sudah ada pada library scikit-learn (pyhton).

berikut adalah source codenya :

import csv
import numpy as np
from sklearn.svm import SVR
import matplotlib
matplotlib.use('Qt5Agg')
import matplotlib.pyplot as plt


dates = []
prices = []

def get_data(filename):
  with open(filename, 'r') as csvfile:
    csvFileReader = csv.reader(csvfile)
    next(csvFileReader)	# skipping column names
    for row in csvFileReader:
      dates.append(int(row[0].split('-')[0]))
      prices.append(float(row[1]))

  return

def predict_price(dates, prices, x):
  SVR(cache_size=7000)
  dates = np.reshape(dates,(len(dates), 1)) # converting to matrix of n X 1
  svr_lin = SVR(kernel= 'linear', C= 1e3)
  svr_poly = SVR(kernel= 'poly', C= 1e3, degree= 2)
  svr_rbf = SVR(kernel= 'rbf', C= 1e3, gamma= 0.1) # defining the support vector regression models
  svr_rbf.fit(dates, prices) # fitting the data points in the models
  svr_lin.fit(dates, prices)
  svr_poly.fit(dates, prices)

  plt.scatter(dates, prices, color= 'black', label= 'Data') # plotting the initial datapoints
  plt.plot(dates, svr_rbf.predict(dates), color= 'red', label= 'RBF model') # plotting the line made by the RBF kernel
  plt.plot(dates,svr_lin.predict(dates), color= 'green', label= 'Linear model') # plotting the line made by linear kernel
  plt.plot(dates,svr_poly.predict(dates), color= 'blue', label= 'Polynomial model') # plotting the line made by polynomial kernel
  plt.xlabel('Tanggal')
  plt.ylabel('Harga')
  plt.title('Prediksi Harga Saham - Support Vector Regression')
  plt.legend()
  plt.show()
  print('y')
  return svr_rbf.predict(x)[0], svr_lin.predict(x)[0], svr_poly.predict(x)[0]

get_data('isat.csv')

predicted_price = predict_price(dates, prices, 29)
print(predicted_price)

Dataset yang digunakan adalah ‘isat‘, adapun hasil yang ditampilkan sebagai berikut :

Meramal Dengan Metode Trend Moment

Apr
30

Selama ribuan tahun, cara manusia berfikir terus diteliti. Proses tersebut mencakup cara manusia mengetahui, memahami, memprediksi, dan melakukan manipulasi terhadap hal-hal yang lebih besar dan lebih rumit dari yang pernah ada. Kecerdasan buatan atau artificial inteligence merupakan bidang ilmu komputer yang pada abad in mengalami perkembangan yang pesat,diawali dengan McMulloh dan Pitts mengusulkan model matematis bernama perceptron dari neuron di dalam otak pada tahun 1943. Di tahun 1950 Alan Turing mencoba menjawab pertanyaan “Dapatkah komputer berpikir ?” yang ditulis dalam paper berjudul Computing Machinery and Inteligence. Artikel kali ini akan membahas salah satu metode sederhana untuk membuat komputer dapat memprediksi hal-hal yang akan terjadi di kemudian hari. Metode peramalan atau prediksi adalah sebuah metode yang mampu melakukan analisa terhadap sebuah faktor atau beberapa faktor yang diketahui mempengaruhi terjadinya sebuah peristiwa dengan terdapat waktu tenggang yang panjang antara kebutuhan akan pengetahuan terjadinya sebuah peristiwa di waktu mendatang dengan waktu telah terjadinya peristiwa tersebut dimasalalu. Berikut adalah contoh kasus dari metode trend moment.

Contoh Tabel

Untuk mendapatkan hasil ramalan atau prediksi akhir setelah dipengaruhi oleh indeks musim digunakan perhitungan sebagai berikut :
Diambil data penjualan Produk honda menggunakan data satu tahun untuk periode ( bulan Januari 2012 sampai dengan Desember 2012 ), seperti ditunjukkan pada Tabel diatas. Ramal Penjualan Bulan Juni 2013 ?

Dari hasil perhitungan analisis peramalan penjualan barang menggunakan rumus trend moment, maka akan diperoleh hasil sebagai berikut :
Nilai trend yaitu :

Sebagai contoh akan meramalkan penjualan untuk bulan Juni 2013 maka diperoleh nilai trend sebagai berikut : (x = 18)
–> Y = 11,7273 + ((-0,26573)* 18 ) , maka diperoleh hasil Y = 6,94416 Hasil perhitungan nilai trend tersebut selanjutnya akan dihitung dengan menggunakan indeks musim untuk mendapatkan hasil akhir peramalan penjualan.

Diperoleh nilai Indeks Musim sebesar :
Dengan menggunakan peramalan bulan Juni 2012, maka rata-rata permintaan menggunakan bulan Juni 2013.
–> Indeks Musim = 3/10 = 0.3

Sehingga untuk mendapatkan hasil akhir ramalan setelah dipengaruhi oleh indeks musim digunakan perhitungan rumus sebagai berikut :
Y* = 0,3 x 6,94416
Y* = 2,083 ( Nilai ramalan merupakan nilai pembulatan )
Setelah dilakukan proses perhitungan dengan indeks musim, maka akan didapatkan hasil perhitungan nilai ramalan penjualan honda pada bulan Juni 2013 sebesar 2 unit honda