TPE612 IOT chatrin

21 oct 2021 

belajar phyton

tugas sampai hari selsa jam 5 sore'bab 2 saja

pakai google colebs

-----------------------------------------------------------------------------

Smart Sensors for Industrial Internet of Things | Deepak Gupta, Victor Hugo C. de Albuquerque, Ashish Khanna, Purnima Lala Mehta | download (id1lib.org)

Profil pribadi Anda (id1lib.org)

Huawei Talent

23 sept 2021: catherin

algoritma bgmnmesin itu belajar

dan mengambil satu keputusan

dengan ,engadopsi bgmn manusia berpikir

mis

ada 2 algoritma A

\utk merancang mesin learning , algoritma pembelajaran

dgn data  yg berbeda walau algoritma ygb sama out putberdbeda

Output Decision yg berbeda pula

data identik dgn eksperince ,  previous learning. , mempelajari task tertentu

bagaimana kompouter bisa belajar / 

begini rolenya

programer tidk perlu bikin rule ,  Role diperoleh dari training data  ,maka akan ada ttraining data  akan terbentuk rolenya ,  

intinya: .........................

apliaksi utk aplikasi yg sangat besar dapat di guanaka

contoh : -

-Face recongnize

-misalnya rolenya change over time/role yg tidak tetap

• Penyiram Otomatis. ...di perkebunan sawit
• supaya rute truk tidak bolak balik 

kalau data selalu berubah terus ,: animo masyrakat terhadap prioduk tertentu

• 
  

------------------------------------------------------------------------------

https://id1lib.org/s/industrial%20internet%20of%20things

bahas 11 bab,

Buat presentasi english 1 Oct jam 17.00

 

membuat rancangan IOT mandiri ,koseptual juga boleh

akan ada dosent tamu praktisi

UAS , presentasi projeknya

Paper , harus cari jurnal jurnal:  dimasukan ke confrencee , berlatih dalam memperkenalkan , /cari kawan  juga/  

setelah konfrence : papaer nya pendek

riset jurnal bisa lebih dalam  ke jurnal  terakredetasi ,  / syarat  lulus py min 1  terakredetasi  / sinta dari dikti   . consisten terbit /    topik 2 relefan dengan judulnya / kualitas harus tinggi /   penulisan didampingi /   author mau masuk  ; luar 

cara mesin learnong bekerja :

case :

matahari diatas 12 siang , suhunya sekian

data yg ada dan hasil data yg di inginkan /    hasilnya hipoteses  atau prediksi  , kira kira mendekati fungsi aslinya

bebrapa hal yfgdapt diselesaikan meschine learning

1. klasifikasion , mengelopokan sesuai gronya berdasarkan persamaan yg ada/ Data input jelas /lebeled

/2 regietion    dari satu data ke hasil tertentu  saja 

misalnya memredeksi  suhu  kedepan seperti apa / 

3/clustering : data awalnya sepert iapa dan memisahkan data berdasarkan kesaan saja

4 jenis machine learinign

1.supervised learning,   datanya sdh sample yg sdh dikategori dgn baik , tinggal di masukan/ rogramer yg mengatur  data ini goalnya kemana . contoh :  produk recomend berdasarkan customer ,    yg suka warna pink  akan bagaimana .

untuk diagnosa penyakit , kalau flu suhi sekian -> di klassifikasi demam

ini langsung menunjuk ke lebel tertentu. koputer visin.

kalau supervised : kalau  dicek lebelnya bukan ini akan coba cek label yang berikutnya / akan terus sampai lebel seterusnya/ jadi tdk efektif.

pengenalan pola dengan lebel yg jelas cocok supervised learning .

2.Unsupervised learning:  tdk ada kategorisasi , belajar sendiri / berdasarkan   similarity yg terlihat /  contoh :   customer habbit . /  cara kerja hacker /  

3.semi supervised learning,         lebih bnylk yg lebel data

4. reinforcement learning,  klau dia benar melakukan aksi  reward, kalau salah ada punismnet / seperti trial dan eror 

dipakai untuk mendetksi /prediksi sesuatu yg lebelnya sdh pasti , bukan klasifikasi lagi.

contoh: smart Filtering  /tanggapan : jenis spam ini banyak  ? bagus kalau banyak lebelnya /tp kalau label banyak akibatnya komputasinya makin berat   /    mendeteksinya juga banyak / 

intinya kalau bukan itu berarti bukan Spam , itu saja.

pengenalan pola langsung meneunjuk ke lebel tertentu. / pola punya ID tertentu , masing pola / dari warna kulit / panjang dagu berapa / punya feature yg berbedabda / bentuk mata/ 

bisa bikin korelasi ...

tag pakai RFI

dengan adanya internet jadi berkembang  tdk hanya telekomunikasi  ,  dalam bentuk dalam perjalanan, any place, any time , any thing.

Human to think , think to think , human to thnik - orang berkomunikasi dengan mesin. 

misalnya cari buku: "hai buku kamus inggris kamu dimana? saya lagi dipinjam sama awi,"

baju kapan terakhir pakai kamu ?

semua benda bisa berkomunikasi , tanpa manusia lagi

pada smart home  , apa bila sampai pulang , mobil otorisasi buka gerbang,

pintu terbuka begitu nelihat wajah saya,

masuk  plya tv yang paling di suka akan di play

masuk dapur toster sdh dipanasin dengan sendirinya

di kulkas telor bisa memberitahu sdh habis akan kontak ke alfanart pesan telor

hal hal yg rutin sdh dilalukan mesin

kedepan tidak perlu lampu merah lagi

mobil ke mobil sdh bisa auto mate bisa ngobrol

mobil IOT bisa diketahu  lagi nongkrong dimana. 

pada kebon kelapa sawit, ada penjadwalan  misalnya saat panen , ada sensor pohonnya yang menentukan  truk akan bergerak kemana saja , kapasitas nya dihitung , kemana lagi pohonnya,  IOT monitoring jadi lebih efisien,   deteksi package :barang di monitor posisinya dimana, 

RFID mix dgn barcode , kegesek hilang dan perlu cahaya , RFIDtdk perlu cahaya

animate: punya nyawa

sel dna akan di trak

kuping sapi bisa di deteksi

nano robot dimasukan dalam pori pori

IOT ,  sama 2 meja,

ada IP addres  IP ada 4 milyard  akan habis tahun 2020 , IP V 6 ,  64 bit , 1 orang py 1 juta device masih bisa dihandle

IOT punya syarat  sensing dan actuating:

pidahnya tidak smooth kr tidak smot di  pasanga NIC  ,  barang 2 baru sdh punya ipv6   

semua barang bisa menjawab identifikasi masing diri meja alumuniam , dan dimana posisi juga.

taging geolocation,  dicatat geonya

benda , harus sdh punya atribut digital utk menjawab pertanyaan ini

sensor fungsinya : merubah menjadi sinyak elektrinik

sensor actuator: kalau masuk nyala

sensoir acelerasi

sensor gerescopic , cek gerakan ,   enaknya main game

sensor chemical

tradeoff between power and size

icu banayak alat alat monitoring, hp harus dimatikan

interfgerency : mtismouse wireless macet ada call masuk

IP 67, :  ketahanan 2 hal : debu dan air  , 

IP 5 kalau masuh akir masih tahan

sensor tdk perlu data basea, low data rate

web 3.0 , program di cloud dikendalikan olh web

sensor  saturasi

power ofer internat,

POwer of internet

internet of energi , beli listrik antar negra

populasi manusi 8 ilyard, jumalah IPOT 3 x jumlah manusia,/kr banyak di pakainya

manuju big data, karena bisa di prediksi , rekriftif : merumuskan . 

reskriptip : kalao copy dengan gula 1 sendok msks anda bisa bertahan 10 tahun

anda minum baru 3 \gelas kurang 5 gelas. 

input pasti bicara sensing ,  segala macam input sensor /   membutuhkan outing  karena di industri / output   berupa dasboard ,     

          dulu data utk medukung yg lain tp sekrang menjadi utama

IOT dipasang di sensor di jalan , pointu, jendela,  -> semua akan mengirimkan datra , menjadi digityal, diolah proseseing menjhadi suatu suatu knoulage 

di parkir langsung ada petunjuk, sdh penuh naok saja ke lantau atas

IOT meningkstkan keamana dan kenyamanan.

terakhir : action : pada akhirnya IOT terasa manfaatnya kalau ada action / membuka pintu/ panggi;lan otomatis , mobil langsung menghub RS dgn memberitahu data posisi dall

tidak terlepas dari protokol sepertia apa , apa sampai wan saja

sensor cahaya / sensor gerak dll  dari pear sensor di kasih kabel saja .

IOT bicara tentang internet, protokol 2 yg di tambahkan ....

trasmisi data bisa leih cepat

sekian tahun lalu IOT , akan ada penggabungannya ./ semua sdh bisa menjadi satu sistem / 

edge compurting/ comouter host tdk perlu satu tempat lagi ,  cara ini mulai dikembangakn de sentralisasi , tp di ujung

sensor ada orang apa kucing , process harus di kamera menentukan, karena procesing cukup di kamera tdk perlu ke host, jadilebih ringan. tidak perlu lagi kirim ke server.

fox computing antar edge fsn host

IOT tujuan sensing dan acting, IOT senssor jumlahnya jutaan hrs ada protokol yang menampung itu smua meskipun datanya masing 2 kecil.

act & colaborate,    para peneliti berthenti pd prototeape ,  tp di incubasi di kembanagkan pada level 67 agar bisa di pakai pasar ,

menyeoakati standar t biar bisa bekerja sama,

chalange IOT: expwmtial grow perlu data besar

reliablity dan predic :  ini yg sering mengganggu

user experince  minta     ; kalau bergerak minta internet juga stabi dong,  manusia py hataoan banyak terhadap perangkat 2 ini, isi program yg menadaptasi keingan manusia. 

komplexiti : manusia tdk bisa mengolahnya; harus dikelloa secara khusus, biar manusia mudah mencerna data , agar lebih cepat

Data integraion : karena sensor banyak harus ada integration 

secirity : bisa dimanupulasi , karena tdk bisa melihat palsu apa di rusak olehmanusia

karena lewat internet banyak yg bisa menguping,

tugas

IOT utk militer /

--------------------------------------- https://keepo.me/techno/aplikasi-ai-artificial-intelligence-terbaik/ Editor :Mohammad Syahrial

A.Memberi Contoh Aplikasi  yang menggunakan AI dalam kehidupan sehari hari:

Teknologi memang terus berkembang pesat. Manusia terus berusaha menciptakan berbagai teknologi yang bisa menggantikan manusia dalam bekerja bahkan lebih pintar dari manusia.

Manusia terus berusaha mencari cara untuk menciptakan teknologi yang lebih cepat lagi. Pada dasarnya, manusia ingin hidupnya menjadi lebih mudah, menjadi lebih cepat. 

dan segala sesuatu dikerjakan dengan mudah dan dimudahkan

 https://keepo.me/techno/aplikasi-ai-artificial-intelligence-terbaik/ Editor :Mohammad Syahrial

1.Instant Heart Rate Pro

2.Waze

B. Memberi Perbandingan:

Pada Instant Heart Rate Pro /

Aplikasi artificial intelligence terbaik yang pertama adalah Instant Heart Rate Pro. Kecerdasan buatan dalam aplikasi ini digunakan untuk mendeteksi kesehatan penggunanya.

Aplikasi ini dapat berperan seperti dokter yang bisa mendeteksi kesehatan para penggunanya. Kamu hanya perlu meletakkan jari telunjuk di atas kamera, setelah itu aplikasi ini akan memberikan gambaran mengenai kesehatan kamu.

 Metode yang dipergunakan

 Adapun  2 (dua)  teknik pencarian / pelacakan yang dipakai,  yaitu  pencarian  buta  (blind search) dan pencarian terbimbing (heuristic search).

Pada metode pencarian buta (blind search)  umumnya  asalnya adalah  algoritma belajar  , bagaiamana cara belajar nya adalah  menggunakan metode tanpa adanya arahan atau pola /peta

konsep dasarnya atau algoritma nya adalah :

1 harus punya data awal dahulu , disini all data dimasukan dan akan di petakan sesuai kebutuhannya. Data ekperince juga bisa si sebut  sebutan data  ini.

(  data record sebelumnya  yang tersimpan atau baru di record diambil dari sensor yang didekat jari atau kulit pasien )

2. Learning algoritm  ,  sini baru di taruh jalur atau apa saja tahapan yang harus dilakukan terhadap data experince sebelumnya  atau algoritma bagaimana belajarnya 

performance, 

proses disini bagaimana belajarnya dengan dibawah ini : 

detak jantung dengan hitungan melebihi mis 60 selama 1 menit ,pada usia tertentu akan di karegrikan High ,sehingga akan di beri indikator tertentu

jumlah denyut nadi, melebihi mis 60 selama 1 menit ,pada usia tertentu akan di karegrikan High ,sehingga akan di beri indikator tertentu juga

tekanan darah: melebihi mis 140 getarann selama batas awal dan akhir ,pada usia tertentu akan di karegrikan High ,sehingga akan di beri indikator tertentu

3.baru masuk ke Performance measurement , bagaimana hasil dari performance pada tahap Sebelumnya apakah yang di harapkan apa tidak

tenyata jarak tempuh yang ditemukan tidak memuaskan apa sudah memuaskan ,

2. Waze

Aplikasi artificial intelligence terbaik selanjutnya adalah Waze. Tentu kamu sudah tidak asing dengan aplikasi satu ini atau mungkin kamu sering menggunakan aplikasi ini. Sama seperti Google Maps, aplikasi ini merupakan aplikasi peta.

Aplikasi ini bisa menunjukkan jalan yang tepat menuju tujuan kamu. Selain itu, aplikasi ini pun memiliki fitur untuk menunjukkan adanya kemacetan atau kecelakaan yang terjadi di jalan yang akan kamu lewati. 

Metode yang dipergunakan

 Adapun  2 (dua)  teknik pencarian / pelacakan yang dipakai,  yaitu  pencarian  buta  (blind search) dan pencarian terbimbing (heuristic search).

Pada metode pencarian buta (blind search)  umumnya  asalnya adalah  algoritma belajar  , bagaiamana cara belajar nya adalah  menggunakan metode tanpa adanya arahan atau pola /peta

konsep dasarnya atau algoritma nya adalah :

1 harus punya data awal dahulu , disini all data dimasukan dan akan di petakan sesuai kebutuhannya. Data ekperince juga bisa si sebut  sebutan data  ini.

( jalur jalur yang perah di lalui di record dalam data bank , begitu ada jalur baru yang baru akan diberlakukan sama )

2. Learning algoritm  ,  sini baru di taruh jalur atau apa saja tahapan yang harus dilakukan terhadap data experince sebelumnya. 

proses disini bagaimana belajarnya dengan dibawah ini : 

GPS Alat akan marking  dan menghitung  titik awal dan titik akhir . Kemudian memilih dengan menggunakan jalur yg pernah ada  dahulu , meski tidak selalu sama tapi persentasinya yang menyerupai akan pasti di gunaka dahulu baru mencari sisa jalur yang belum ada)

3.baru masuk ke Performance measurement , bagaimana hasil dari performance pada tahap Sebelumnya apakah yang di harapkan apa tidak

tenyata jarak tempuh yang ditemukan tidak memuaskan apa sudah memuaskan ,

 

unsupervised learning adalah diagnosis kanker payudara yang dilakukan oleh Chen pada tahun 2014, penelitian untuk mendiagnosis penyakit parkinson yang dilakukan oleh Polat pada tahun 2012 dan Nilashi pada tahun 2016, penelitian penyakit jantung dan diabetes oleh Yilmaz dan kawan-kawan pada tahun 2014, serta gangguan kesehatan mental dan kejiwaan yang dilakukan oleh Trevithick pada tahun 2016. 

reinforcement learning

Contoh pertama penggunaan reinforcement learning adalah di sektor manufaktur. Beberapa perusahaan manufaktur menggunakan robot dengan reinforcement learning untuk mengambil barang dari satu tempat ke tempat lain. Robot ini akan dilatih untuk menghafal objek dan melakukan pekerjaan dengan kecepatan dan presisi yang tinggi.

Reinforcement Learning 

Contoh Pengaplikasian Reinforcement Learning di Beberapa Sektor

Contoh pertama penggunaan reinforcement learning adalah di sektor manufaktur. Beberapa perusahaan manufaktur menggunakan robot dengan reinforcement learning untuk mengambil barang dari satu tempat ke tempat lain. Robot ini akan dilatih untuk menghafal objek dan melakukan pekerjaan dengan kecepatan dan presisi yang tinggi. Selain itu robot-robot ini juga bisa digunakan untuk menyortir berjuta-juta produk di gudang supermarket atau e-commerce. Tujuan pemanfaatan robot ini adalah untuk menghindari human error sehingga produk tersebut dapat dikirim ke konsumen yang tepat. Pabrik tesla pun menggunakan lebih dari 160 robot yang bekerja untuk merakit mobil sehingga dapat mengurangi resiko cacat saat proses produksi.

Algoritma reinforcement learning juga dapat diaplikasikan pada power system. Reinforcement learning dan teknik pengoptimalan digunakan untuk menilai keamanan sistem tenaga listrik dan meningkatkan kinerja Microgrid. Metode adaptive learning digunakan untuk mengembangkan sistem pengontrol dan pelindung. Teknologi transmisi dengan perangkat High-Voltage Direct Current (HVDC) dan Flexible Alternating Current Transmission System devices (FACTS) berdasarkan reinforcement learning dapat membantu mengurangi transmisi dan emisi CO2 secara efektif. Reinforcement learning digunakan untuk mengembangkan struktur kontrol yang terdistribusi untuk satu set sumber pembangkit. 

Selain di sektor manufaktur dan power system, reinforcement learning juga dapat digunakan di sektor keuangan. Perusahaan Pit.AI merupakan perusahaan pertama yang memanfaatkan reinforcement learning untuk mengevaluasi strategi perdagangan. Algoritma ini ternyata menjadi tool yang kuat pada sistem pelatihan untuk mengoptimalkan tujuan keuangan. Algoritma reinforcement learning ini memiliki peran yang sangat besar dalam perdagangan pasar saham karena algoritma Q-Learning (salah satu tipe reinforcement learning) dapat mempelajari strategi perdagangan yang optimal melalui satu instruksi sederhana dengan memaksimalkan nilai portofolio.

Reinforcement learning adalah algoritma yang tidak terlepas dari data science. Kedua teknologi ini saling melengkapi satu sama lain. Hal ini karena data science adalah ilmu yang dapat diterapkan di teknologi manapun. Bahkan saat ini, hampir semua perusahaan sudah mulai menerapkan data science untuk meningkatkan kinerjanya. Tak heran jika belakangan ini lowongan pekerjaan data scientist semakin meningkat. Tingginya lapangan pekerjaan di bidang data science membuat banyak orang mulai tertarik mempelajari ilmu ini secara serius. Uniknya, tidak ada syarat latar pendidikan tertentu untuk mempelajari ilmu data science ini sehingga orang-orang dengan background pendidikan apapun bisa belajar ilmu "mahal" ini.   https://www.dqlab.id/kenalan-dengan-rainforcement-machine-learning  

Mari Berkenalan dengan Reinforcement Learning, Tipe Machine ... (dqlab.id)