Apa itu deep learning dan bagaimana cara kerja nya?. Artikel ini ditulis untuk siapapun yang ingin mengetahui apa itu Deep Learning dan Neural Network. Tulisan ini akan membahas mengenai arti dari Deep Learning dan Neural Network. 

Konsep yang akan dibahas secara khusus pada artikel ini adalah bagaimana cara kerja Deep Learning secara praktis.

Apakah Anda pernah bertanya-tanya mengenai aplikasi pendeteksi wajah untuk membuka password smartphone Anda?  Atau ketika Anda mencari sesuatu pada mesin pencari google, lalu ketika membuka facebook, maka akan muncul iklan yang sesuai dengan apa yang Anda cari? Atau ketika Anda membuka youtube, banyak sekali video rekomendasi yang muncul sesuai dengan selera Anda?

Selain itu, yang lebih mutakhir adalah dengan adanya mobil yang bisa berjalan sendiri seperti yang di iklankan oleh Elon Musk.

Semua itu adalah produk dari Deep Learning dan Neural Networks. Sebelum kita memulai, alangkah baiknya kita membahas definisi dan konsep dari Deep Learning terlebih dahulu.

Apa itu Deep Learning?

Deep Learning adalah bagian dari Machine Learning yang juga merupakan bagian dari Artificial Intelligence (kecerdasan buatan). Artificial Intelligence (AI) adalah istilah umum yang mengacu pada teknik dimana komputer memungkinkan untuk meniru perilaku manusia. 

Sedangkan Machine Learning merepresentasikan sekumpulan algoritma yang telah dilatih berdasarkan data yang ada.

Deep learning adalah salah satu tipe dari algoritma Machine Learning yang terinspirasi oleh struktur otak pada manusia. Algoritma pada deep learning mencoba untuk mengambil suatu kesimpulan sebagaimana halnya pada manusia dalam menganalisa data berdasarkan struktur logika yang diberikan secara berkelanjutan. Untuk mencapai tujuan tersebut, deep learning menggunakan struktur algoritma multilayer yang disebut neural networks.

Desain dari neural network ini didasarkan pada struktur otak manusia. Sama halnya seperti  manusia dalam menggunakan otaknya untuk mengidentifikasi pola dan mengklasifikasikan berbagai jenis informasi. Neural network ini pun dapat kita latih untuk melakukan tugas yang sama berdasarkan data yang digunakan.

Layer individual pada neural networks dapat juga dianalogikan sebagai filter yang bekerja untuk menyaring sesuatu dari kasar kepada yang lembut, sehingga akan meningkatkan kemungkinan untuk melakukan pendeteksian dengan benar, begitupun output nya.

Otak manusia pun bekerja seperti itu, setiap kali kita menerima informasi yang baru, otak akan mencoba membandingkan dengan objek yang telah diketahui sebelumnya. Konsep ini lalu diaplikasikan oleh deep neural networks.

Neural network memungkinkan kita untuk melakukan banyak tugas, seperti pengklasteran (clustering), klasifikasi (classification) ataupun regresi (regression). Dengan algoritma neural networks, kita dapat mengelompokkan atau menyortir data yang belum memiliki label berdasarkan kesamaannya terhadap sampel lain di dalam suatu dataset. Atau pada kasus pengklasifikasian, kita dapat melatih (train) jaringan (network) tersebut pada dataset yang telah memiliki label. Hal ini dilakukan untuk mengklasifikasikan sampel pada suatu dataset kepada kategori yang berbeda

Artificial neural network, memiliki kemampuan unik. Model deep learning ini dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh model machine learning yang lain.

Seluruh kemajuan terbaru dalam bidang kecerdasan buatan dalam beberapa tahun terakhir ini disebabkan oleh adanya Deep Learning. Tanpa adanya algoritma deep learning, kita tidak akan dapat menemui kendaraan tanpa awak, chatbot ataupun personal assistant seperti Alexa. Netflix atau Youtube tidak akan mengetahui video atau film apa yang kita sukai atau tidak disukai. Di belakang teknologi mutakhir tersebut tidak akan tercapai tanpa adanya neural network.

Pada akhirnya, deep learning adalah pendekatan terbaik untuk algoritma kecerdasan buatan yang ada hingga saat ini.

Mengapa Deep Learning begitu populer saat ini?

Apa yang menyebabkan deep learning dan neural network begitu kuat di industri pada saat ini? Mengapa model deep learning lebih handal dibandingkan dengan machine learning?

Keuntungan utama dari deep learning dibandingkan dengan machine learning adalah tidak diperlukannya proses ekstraksi fitur (feature extraction). Jauh sebelum deep learning digunakan, metode machine learning seperti Decision Tree, SVM, Naive Bayes Classifier dan Logistic Regression telah digunakan.

Algoritma yang disebutkan sebelumnya merupakan algoritma datar. Datar di sini berarti bahwa algoritma ini tidak dapat diterapkan secara langsung pada data mentah (seperti .csv, gambar, teks, dll). Melainkan, kita membutuhkan langkah preprocessing terlebih dahulu yang disebut dengan ekstraksi fitur.

Hasil fitur ekstraksi ini adalah representasi data mentah yang baru dapat digunakan oleh algoritma machine learning untuk melakukan sesuatu. Sebagai contoh, pengklasifikasian data terhadap beberapa kategori atau kelas.

Ekstraksi fitur ini cukup kompleks dan membutuhkan pengetahuan domain yang mendetail. Layer pre-processing ini perlu diadaptasi, di uji dan disempurnakan melalui beberapa iterasi untuk mendapatkan hasil yang optimal. 

Artificial Neural Network pada Deep Learning. Tidak memerlukan langkah ekstraksi fitur.

Layer pada neural network dapat belajar secara implisit dari raw data secara langsung. Data mentah yang semakin abstrak dan terkompresi dihasilkan melalui beberapa lapisan artificial neural network. Representasi data terkompresi dari input data ini digunakan untuk menghasilkan output. Hasilnya dapat berupa klasifikasi dari data input ke dalam kelas yang berbeda.

Dengan kata lain, kita pun dapat menyebutkan bahwa langkah ekstraksi fitur sudah merupakan bagian dari proses di dalam artificial neural network.

Selama proses training, langkah ini pun di optimasi oleh neural network untuk mendapatkan representasi abstrak terbaik dari input data. Artinya, model deep learning hanya memerlukan sedikit atau tanpa upaya manual untuk melakukan dan mengoptimalkan proses ekstraksi fitur

Sebagai contoh, Jika Anda ingin menggunakan model machine learning untuk menentukan gambar tertentu untuk menunjukan seekor anjing atau bukan, kita sebagai manusia perlu mengidentifikasikan fitur yang unik dari hewan tersebut (bentuk kepala, telinga, mata, dll). Lalu, kita mengekstrak fitur tersebut dan memberikannya kepada algoritma sebagai input data.

Dengan cara demikian, algoritma akan melakukan pengklasifikasian pada gambar. Artinya, dalam machine learning, seorang developer perlu campur tangan secara langsung agar model yang dikembangkan mencapai suatu kesimpulan yang tepat.

Dalam hal model pada deep learning, tahap ekstraksi fitur benar-benar tidak dibutuhkan. Model algoritmanya akan mengenali karakteristik yang unik dari seekor anjing, lalu membuat prediksi yang tepat tanpa bantuan manusia. Kita hanya perlu memberikan data mentah, lalu sisanya dikerjakan oleh model tersebut.

Era Big Data

Keuntungan besar yang kedua dari deep learning yang membuat nya begitu populer adalah dengan jumlah data yang sangat banyak. Era teknologi big data akan memberikan jumlah kesempatan yang sangat besar untuk berinovasi pada deep learning. Seperti yang telah dikatakan oleh Andrew Ng, Chief Scientist Baidu dan salah satu leader Google Brain Project,

“Analogi terhadap apa itu deep learning adalah bahwa model deep learning adalah suatu mesin roket dan bahan bakarnya adalah jumlah data yang melimpah di mana kita dapat memberikannya pada algoritma tersebut”

Model deep learning memiliki trend meningkatkan akurasi dengan bertambahnya jumlah data yang di training. Sedangkan tradisional machine learning seperti pengklasifikasian SVM dan Naive Bayes berhenti meningkat setelah menemui titik jenuh.

Jaringan syaraf (Neural Networks) Biologis

Sebelum kita berjalan lebih jauh dengan artificial neural networks dan memahami lebih dalam apa itu deep learning, mari kita bahas terlebih dahulu mengenai konsep neural network biologis. Sehingga, ketika membahas mengenai artificial neural network secara lebih detail, kita dapat melihat secara paralel dengan model jaringan saraf biologis.

Artificial neural network terinspirasi oleh neuron pada jaringan saraf manusia yang dapat ditemukan di dalam otak. Faktanya, artificial neural network mensimulasikan beberapa fungsi dasar dari jaringan saraf pada otak kita, namun, dengan cara yang sangat sederhana.

Pertama-tama, mari kita perhatikan jaringan saraf biologis dan melihatnya secara paralel dengan artificial neural networks.

Jaringan saraf biologis terdiri dari banyak neuron. Neuron sendiri memiliki badan sel, dendrit dan akson. Dendrit merupakan struktur tipis yang muncul dari badan sel. Akson adalah ekstensi selular yang muncul dari badan sel ini. Sebagian besar neuron menerima sinyal melalui dendrit, lalu mengirimkannya di sepanjang akson.

Pada sebagian besar sinapsis, sinyal melintas dari akson suatu neuron ke dendrit pada neuron lainnya. Seluruh neuron tereksitasi secara elektrik karena voltase gradien dari membrannya. Jika ada perubahan voltase cukup besar pada interval yang singkat, neuron akan menghasilkan pulsa electrochemical yang disebut aksi potensial. Potensial ini bergerak cepat di sepanjang akson dan mengaktifkan koneksi sinaptik saat mencapainya.

Jaringan syaraf buatan (Artificial Neural Networks)

Setelah kita membahas pemahaman dasar mengenai jaringan saraf biologis pada bagian sebelumnya, sekarang mari kita lihat arsitektur jaringan syaraf tiruan dan apa itu deep learning.

Neural network, secara umum terdiri dari kumpulan unit atau node yang saling terhubung. Kita dapat menyebutnya sebagai node neuron. Neuron tiruan ini secara tidak langsung merupakan model dari neuron biologis pada otak kita.

[Apa itu deep learning].Neuron hanyalah representasi grafis dari nilai numerik (misalkan 1.7, 4.0, 33.0, 0.5, dll). Hubungan antara dua neuron tiruan dapat dianggap sebagai akson dalam otak biologis. Hubungan antara neuron diwujudkan dengan sesuatu yang disebut bobot (weight). Di mana bobot ini tidak lebih dari suatu nilai numerik.

Ketika artificial neural network belajar, bobot (weight) di antara neuron akan berubah begitupun kekuatan koneksinya. Artinya, dari data training yang diberikan dan tugas tertentu seperti mengklasifikasikan nomor, kita mencari set bobot tertentu yang memungkinkan neural network berfungsi sebagai klasifikasi. Kumpulan bobot ini berbeda untuk setiap tugas dan kumpulan datanya. Kita tidak dapat memprediksikan bobot ini sebelumnya. Namun, neural network harus mempelajarinya. Proses pembelajaran disebut juga dengan training

Arsitektur Neural Network

Arsitektur neural network, terdiri dari beberapa lapisan. Lapisan pertama kita dapat menyebutnya input layer.

Input layer menerima input x, yang merupakan data dimana neural network belajar. Pada contoh sebelumnya dari pengklasifikasian tulisan tangan, input berupa x, merepresentasikan gambar dari nomor tersebut (x pada dasarnya adalah seluruh vektor di mana setiap entrinya berupa pixel).

Input layer memiliki jumlah neuron yang sama dengan jumlah entri pada vektor x. Artinya, setiap input neuron mewakili satu elemen di dalam vektor x.

Lapisan terakhir disebut juga output layer,memiliki output vektor y, yang mewakili hasil output dari neural network. Entri dalam vektor ini mewakili nilai neuron di output layer. Pada kasus klasifikasi ini, setiap neuron pada lapisan terakhir akan mewakili kelas yang berbeda.

Dalam hal ini, nilai output neuron memberikan probabilitas bahwa digit tulisan tangan yang diberikan oleh fitur x kemungkinan termasuk ke dalam salah satu kelas ( salah satu dari digit 0-9). Seperti yang kita bayangkan, jumlah output neuron harus sama dengan kelas yang ada.

Untuk mendapatkan vektor hasil prediksi y, neural network harus melakukan operasi matematika tertentu. Operasi ini dilakukan pada lapisan antara input dan output. Kita dapat menyebutnya hidden layer. Pada bagian selanjutnya pada artikel apa itu deep learning akan membahas mengenai koneksi antar layer.

Koneksi antar layer pada Neural Network

Sebagai contoh, jika neural network hanya memiliki dua layer. Di mana input layer memiliki dua input neuron, lalu output nya memiliki tiga neuron seperti pada ilustrasi di bawah ini:

Weight antar neuron. [Apa itu deep learning]

Seperti yang telah dibahas sebelumnya dalam pembahasan apa itu deep learning. Setiap koneksi antar neuron direpresentasikan oleh nilai numerik yang kita sebut bobot (weight) w. Setiap w ini memiliki indeks. Angka pertama pada index menunjukkan nomor neuron dari layer asalnya, angka kedua adalah nomor neuron sambungan layer yang dituju.

Seluruh weight antara dua neural network dapat direpresentasikan dalam bentuk matriks seperti pada persamaan di bawah ini:

Matriks Weight (bobot). [Apa itu deep learning]

Matriks weight ini memiliki jumlah entri yang sama seperti koneksi yang di antara neuron. Dimensi bobot matriks ini dihasilkan dari ukuran dua layer yang terkoneksi berdasarkan bobot matriks tersebut.

Jumlah baris akan sesuai dengan jumlah neuron dari layar, dimana koneksi itu berasal dan jumlah kolomnya sesuai dengan jumlah layer dari tujuan koneksi tersebut.

Pada contoh kasus ini, jumlah baris dari bobot matriks ini adalah dua (ukuran layer input) dan jumlah ukuran kolomnya adalah tiga (ukuran layer output).

Proses training pada Neural Network

Setelah memahami arsitektur neural network dengan baik, sekarang saat nya untuk proses “belajar” pada jaringan saraf tiruan ini. Di harapkan Anda akan lebih mengerti apa itu deep learning.

Misalkan dengan fitur input vektor x, neural network menghitung prediksi vektor yang dapat kita sebut h.

Step ini dalam pembahasan apa itu deep learning disebut juga sebagai forward propagation. Dengan input vektor x dan bobot matriks W yang mengkoneksikan antara dua layer, kita dapat menghitung hasil produk dari vektor x dan matrik W.

Hasil dari produk ini pun berupa vektor yang dapat kita sebut z.

Vektor produk z. [Apa itu deep learning]

Nilai vektor prediksi akhir h didapatkan dengan cara mengaplikasikan fungsi aktivasi (activation function) terhadap vektor z. Dalam hal ini, fungsi aktivasi ini diwakili dengan simbol huruf Sigma. Fungsi aktifasi ini hanya suatu fungsi non linear yang dapat melakukan pemetaan nonlinear dari z ke h.

Ada 3 fungsi aktivasi yang digunakan dalam deep learning, yaitu tanh, sigmoid dan ReLu.

Sekarang mungkin Anda akan mengenali makna di balik neuron dalam jaringan saraf tiruan. Neuron hanyalah representasi dari nilai numerik. Nilai ini memberikan informasi seberapa kuat neuron ini terhubung satu sama lainnya.

Selama proses training, bobot ini disesuaikan, beberapa neuron akan menjadi lebih erat terhubung, dan beberapa jadi kurang terhubung. Seperti halnya pada jaringan saraf biologis, pembelajaran berarti adanya perubahan bobot. Dengan demikian, nilai z, h dan vektor output akhir y, berubah seiring dengan perubahan bobot. Beberapa bobot membuat prediksi neural network mendekati nilai yang benar sesuai dasarnya y_hat, beberapa bobot meningkatkan jarak dari nilai dasar vektor tersebut.

Kita dapat meningkatkan pengetahuan kita dengan arsitektur lebih dalam yang memiliki 5 layer.

Arsitektur 5 layer neural network. [Apa itu deep learning]

Sama seperti sebelumnya, hasil antara input x dan bobot pertama matriks W1 dan mengimplementasikan fungsi aktivasi terhadap hasil vektor untuk mendapatkan hidden layer vektor h1. h1 ini sekarang bisa dikatakan sebagai input dari layer ketiga. Seluruh prosedur dari sebelumnya di ulang-ulang hingga mendapatkan output akhir y.

Hasil output y. [Apa itu deep learning]

Loss Function

Setelah mendapatkan hasil prediksi dari neural network, langkah selanjutnya adalah membandingkan vektor prediksi dengan label dasar sebenarnya. Kita dapat menyebutnya sebagai vektor y_hat. 

Vektor y berisi prediksi yang telah dihitung neural network selama proses forward propagation (bisa jadi pada kenyataannya, nilai akan berbeda dari sebenarnya), sedangkan vektor y_hat berisi nilai sebenarnya.

Secara matematis, kita dapat mengukur perbedaan nilai antara y dan y_hat dengan cara menggunakan loss function, dimana nilainya tergantung pada selisihnya.

Contoh loss function secara umum adalah quadratic loss:

Quadratic loss function. [Apa itu deep learning]

Nilai dari loss function ini tergantung pada perbedaan antara y_hat dan y. Semakin besar perbedaannya, artinya memiliki nilai loss yang lebih tinggi. Sebaliknya, semakin kecil perbedaannya, maka nilai loss akan mengecil.

Meminimalkan loss function, akan menjadikan hasil prediksi neural network lebih akurat, karena perbedaan prediksi dan label menjadi berkurang. Secara otomatis menyebabkan model neural network membuat prediksi lebih baik terlepas dari karakteristik tugas sebenarnya. Anda hanya perlu memilih loss function yang tepat untuk tugas tertentu. Untungnya, hanya ada dua loss function yang harus Anda ketahui untuk menyelesaikan hampir seluruh masalah yang dihadapi dalam prakteknya.

Loss function ini adalah Cross-Entropy Loss:

Dan yang kedua adalah Mean Squared Error Loss:

Oleh karena loss bergantung pada bobot, kita perlu menemukan kumpulan bobot tertentu yang memiliki loss function sekecil mungkin. Metode untuk meminimalkan loss function tersebut secara matematis dapat menggunakan metode yang disebut penurunan gradien ( gradient descent)

Gradient Descent (Penurunan Gradien)

Selama penurunan gradien, kita dapat menggunakan fungsi loss gradien untuk meningkatkan bobot neural network.

Untuk memahami konsep dasar dari proses penurunan gradien, mari kita ambil contoh dasar dari jaringan saraf yang hanya terdiri dari satu neuron input dan satu output yang dihubungkan dengan nilai bobot w.

Jaringan saraf ini menerima input x dan mengeluarkan prediksi y. Misalkan nilai bobot awal neural network ini adalah 5 dan input x adalah 2. Oleh karena itu prediksi y jaringan ini memiliki nilai 10, sedangkan label y_hat mungkin memiliki nilai 6.

Ini berarti prediksi tersebut tidak akurat dan kita harus menggunakan metode gradient descent untuk menemukan nilai bobot baru yang membuat prediksi neural network menjadi benar. Pada langkah pertama, kita perlu memiliki loss function. Mari kita ambil quadratic loss yang telah kita tentukan sebelumnya dan plot dari fungsi tersebut. Sederhananya, fungsi kuadratik itu seperti:

Fungsi kuadratis sederhana. [Apa itu deep learning]

Sumbu y adalah nilai dari loss yang bergantung pada perbedaan antara label dan prediksi. 

Dalam hal ini parameter jaringan memiliki satu weight w. Sedangkan sumbu x adalah nilai dari bobot tersebut. Seperti yang dapat Anda perhatikan, ada nilai bobot tertentu w yang fungsi loss nya mencapai minimum secara global. Nilai ini adalah parameter bobot paling optimal yang membuat prediksi neural network menjadi benar, yaitu 6. Dalam hal ini, nilai bobot optimalnya adalah 3:

Bobot awal secara grafis. [Apa itu deep learning]

Di sisi lain, nilai awal bobot kita adalah 5, yang mengarah pada bobot loss yang cukup tinggi. Target dari proses ini adalah untuk memperbarui parameter bobot berulang kali sehingga mencapai nilai yang optimal untuk bobot tertentu tersebut. Pada kondisi ini kita perlu menggunakan gradien dari loss function. Kabar baiknya, loss function adalah fungsi dari satu variabel tunggal, yaitu bobot w:

Fungsi loss function terhadap bobot w. [Apa itu deep learning]

Pada tahap selanjutnya, kita akan menghitung turunan dari loss function dengan parameter ini:

Turunan fungsi loss function terhadap bobot w. [Apa itu deep learning]

Pada akhirnya, kita akan mendapatkan hasil 8, dimana memberikan kita nilai dari slope (kemiringan) atau tangent dari loss function  untuk titik yang sesuai pada sumbu x di mana bobot awal berada.

Garis singgung ini mengarah ke tingkat tertinggi dari peningkatan loss function dan parameter bobot yang sesuai pada sumbu x.
Ini artinya kita telah menggunakan gradien dari loss function untuk menemukan parameter bobot mana yang memiliki nilai loss lebih tinggi. Namun, yang ingin kita ketahui adalah kebalikannya. Kita akan mendapatkan apa yang kita inginkan jika mengalikannya dengan minus 1. Dengan cara demikian, kita akan mendapatkan arah kebalikan dari gradien tersebut. Cara ini akan memberikan kita arah tingkat penurunan tertinggi dari loss function dan parameter yang membuat penurunan pada sumbu x:

Penurunan gradient. [Apa itu deep learning]

Pada langkah terakhir, kita melakukan satu step penurunan gradien sebagai upaya untuk meningkatkan bobot w. Kita menggunakan gradien negatif ini untuk memperbarui bobot saat ini ke arah bobot yang nilai loss functionnya berkurang sesuai dengan gradien negative:

Perhitungan bobot baru dengan penurunan gradient. [Apa itu deep learning]

Faktor epsilon pada persamaan ini adalah hyperparameter yang disebut dengan learning rate. Learning rate ini menentukan seberapa cepat atau lambat Anda ingin memperbarui suatu parameter. Harap diingat bahwa learning rate adalah faktor yang harus kita gunakan untuk mengalikan gradien negatif. Nilai learning rate ini biasanya cukup kecil, dalam hal ini adalah 0.1. 

Seperti yang telah Anda lihat, bobot w setelah penurunan gradien, kini menjadi 4.2, dan lebih dekat ke bobot optimal daripada sebelum step gradien.

Bobot awal dan akhir. [Apa itu deep learning]

Nilai dari loss function untuk bobot yang baru pun lebih kecil, artinya neural network sudah memiliki kemampuan yang lebih baik untuk memprediksi. Anda dapat melakukan kalkulasi di dalam pikiran Anda dan melihat hasil prediksi terbaru akan lebih mendekati kepada label dibandingkan sebelumnya.

Setiap kali kita melakukan update pada bobot, kita bergerak menuju gradien negatif ke arah bobot optimal.

Setelah setiap penurunan langkah gradien atau update bobot, bobot terbaru pada jaringan menjadi lebih dekat dan dekat terhadap bobot optimal dan akan mencapainya. Sehingga neural network akan mampu memprediksikan sesuai dengan apa yang kita inginkan.

Kesimpulan

Anda telah memahami konsep dasar apa itu deep learning dan bagaimana cara kerjanya dengan penjabaran yang sangat sederhana. Anda akan terbiasa dan lebih mengerti mengenai algoritma ini dengan secara langsung praktek cara penggunaannya. Salah satu contohnya adalah untuk aplikasi object detection dengan menggunakan framework terpopuler Tensorflow.

Sumber:

Adaptasi dari: https://towardsdatascience.com/what-is-deep-learning-and-how-does-it-work-2ce44bb692ac
Machine Learning Mastery

Rekomendasi Laptop Programming Machine Learning. Data sudah menjadi komoditi yang laku untuk diperjual-belikan. Sangat perlu untuk ditahui bagaimana data dapat diproses karena dengan pemrosesan data inilah suatu data yang banyak dapat dijadikan sebagai pengetahuan yang bernilai tinggi. Salah satu pekerjaan yang terkait dengan pemrosesan data saat ini adalah developer pembelajaran mesin yang memiliki pengetahuan untuk menggunakan Machine Learning untuk mengidentifikasi pola tersembunyi dalam data dalam jumlah besar dan cara menggunakannya. Sebagai contoh, 70% dari pengguna Netflix memilih film berdasarkan rekomendasi algoritma machine learning aplikasi tersebut. Menurut Forbes, pasar machine learning dunia akan mengalami pertumbuhan tahunan sebesar 40 %. Machine Learning ini akan menjadi salah satu pasar paling menguntungkan di dunia IT.

Lalu apakah Anda sedang mencari laptop yang cocok untuk Machine Learning ? Anda pasti akan menyukai artikel kali ini, karena kami akan membahas model yang direkomendasikan oleh pakar kecerdasan buatan dan Machine Learning yang terkenal di industri ini.

Machine Learning melibatkan otomatisasi sistem komputer untuk mempelajari sejumlah besar data dan membuat keputusan berdasarkan analisis, semua proses tersebut tanpa adanya campur tangan manusia. Proses Machine Learning adalah bagian dari ArtificaI Intelegent, tetapi karena popularitasnya programnya sekarang menjadi Machine Learning identik dengan proses kecerdasan buatan.

Karena Anda akan memerlukan algoritma pembelajaran mesin yang berat untuk mempelajari data dalam jumlah besar, Anda memerlukan mesin yang canggih serta fitur yang beragam.

Spesifikasi Laptop Machine Learning mirip seperti yang terlihat di laptop gaming. Namun faktanya, setiap laptop Machine Learning dalam rekomendasi kami ini juga berfungsi ganda sebagai laptop yang handal untuk bermain game.

Selanjutnya kita akan bicara Hardware dan Software sebelum memilih Laptop

Untuk kebutuhan pengembangan Machine Learning di sarankan sekali menggunakan personal komputer atau Laptop dengan spesifikasi 64 bit untuk kebutuhan produktif. Dan dianjurkan sekurang-kurangnya menggunakan komputer dengan spesifikasi :

Intel i5 CPU (3.0+ GHz) — 64bit , RAM : 4+ GB DDR4 , Hardisk : 1TB, Ethernet card, Optional : SSD (solid state disk) dan Nvidia GPU Card

Untuk Software OS sendiri bisa dipilih sesuai selera masing masing, bisa pakai Windows, Linux atau Mac. Atau kami sarankan menggunakan OS berbasis Linux seperti Ubuntu. Selain lebih ringan juga Opensource.

Rekomendasi Laptop Programming Machine Learning:

1. Asus ROG Strix SCAR G732LXS

 Laptop ini memiliki tampilan 300Hz-nya yang super cepat. Meskipun sebenarnya tampilan 144Hz saja sudah cukup untuk pengolahan data, namun ini menjadi nilai tambah tersendiri bagi laptop seharga 70 jutaan ini.

Laptop Asus biasanya identik dengan gaya, desain elegan dan kualitas pabrikan yang baik. Hal yang sama berlaku untuk ASUS ROG Strix SCAR G732LXS. Untuk laptop seukurannya bodinya termasuk ringkas. Hasilnya laptop ini tidak hanya cocok bagi kegiatan Machine Learning saja, tapi juga bagi para pekerja kreatif dan pengguna profesional yang lain.

Keunggulan lain dari laptop ini adalah daya tahan baterainya juga cukup baik. Dalam uji laboratorium WLAN yang dilakukan oleh Notebookcheck, baterai ASUS ROG Strix SCAR G732LXS dapat digunakan selama kurang lebih 6 jam.

Untuk meningkatkan performa, ASUS ROG Strix SCAR G732LXS dielu-elukan sebagai salah satu laptop tercepat di tahun 2020. Kombinasi prosesor yang kuat, grafik, dan memori yang besar membuat kinerja pemrosesan data menjadi sangat baik. Tentu saja, bahkan untuk konten 3D, performanya bagus untuk pembuat konten. Inilah urutan pertama berdasarkan penulis untuk rekomendasi laptop programming machine learning.

2. Acer Predator Helios PH717

Laptop dengan layar besar dengan refresh rate 144Hz sudah sangat cocok untuk laptop pengolah data. Layarnya juga memberikan kecerahan maksimal, jadi kejernihan di luar ruangan lebih tinggi. Layarnya juga mendukung fungsi G-sync untuk pengalaman rendering bebas stuttering.

Dari segi performa, Acer Predator Helios PH717 ditenagai prosesor Intel Core generasi ke-10 terbaru yang disebutkan memiliki peningkatan 8% dari processor generasi sebelumnya danan meningkat hingga 11,88% dengan menggunakan Predator Sense.

Fungsi Hyperdrift pada keyboard laptop memungkinkan pengguna untuk dengan mudah meningkatkan kinerja dan aliran udara. Seperti yang dikatakan Acer, dengan menggunakan kipas Aeroblade 3D generasi keempat, aliran udara telah meningkat lebih dari 45% - kinerja notebook ini bisa lebih stabil dan umurnya lebih lama.

Secara desain, Acer Predator Helios PH717 ini cocok bagi para pekerja profesional maupun rumahan. Namun, karena bodinya yang tidak praktis, laptop ini sangat tidak bersahabat dengan pembuat konten, walaupun menjadi salah satu rekomendasi laptop programming machine learning.

3. MSI GS66 Stealth 10SGS-251ID

MSI GS66 Stealth 10SGS-251ID adalah rekomendasi laptop programming machine learning lain dengan portabilitas yang sangat baik, tebal kurang dari 2 cm dan berat sekitar 2,1 kg. Dengan prosesor dan grafis yang bertenaga, laptop ini tidak hanya memiliki performa gaming yang hebat, tapi juga handal untuk menunjang produktivitas hingga Machine Learning.

Salah satu fitur andalan MSI GS66 Stealth 10SGS-251ID adalah bilah kipas Cooler Boost Trinity + terbaru dan eksklusif setipis 0.1mm. Ini membantu memaksimalkan aliran udara, sehingga membuka potensi penuh laptop ini. Aliran udara yang baik juga membantu mempertahankan kinerja jangka panjang.

MSI GS66 Stealth 10SGS-251ID juga memiliki tampilan cepat 300Hz, yang dapat mencapai pengalaman bermain game yang cepat, mulus, dan mulus. Tepi layarnya juga sangat tipis sehingga terlihat elegan dan stylish. MSI juga menyebutkan bahwa untuk gambar yang terlihat nyata di layar, kekuatan warna layar mendekati 100% sRGB.

Dari segi desain, laptop ini dibuat agar bisa digunakan di berbagai karakter penggunanya. Hal tersebut terlihat pada casing metal berwarna hitam dan kokoh dengan permukaan matte, sehingga ideal untuk penggunaan sehari-hari.

4. MSI GT75-9SG Titan

Bagi yang ingin lebih puas merasakan pengolahan data dan Machine Learning secara cepat tanpa lag, MSI GT75-9SG Titan i9-9980HK bisa menjadi rekomendasi laptop programming machine learning yang tepat.

Karena komputer notebook ini menampilkan layar IPS UHD 17,3 inci yang jernih dan cerah, serta memberikan fleksibilitas yang lebih besar dalam bermain dan meningkatkan efisiensi kerja.

Selain layarnya yang besar, laptop ini juga dibekali dengan kapasitas RAM yang lebih besar. 90 juta model memiliki RAM 64 GB dan masih dapat ditingkatkan menjadi 128 GB.

Menggabungkan kinerja yang kuat dari prosesor Core i9 dan kartu grafis Nvidia RTX, laptop ini dapat menangani tugas yang sulit dengan baik.

Kemampuan lain yang diunggulkan dari laptop ini adalah keyboard mekanis yang hebat dan nyaman. Dengan pengaturan yang sangat bagus, keyboardnya dinilai mampu meningkatkan kemampuan mengetik pengguna karena tombol-tombolnya tidak hanya nyaman, tapi juga elastis, kuat dan cepat.

Dibalik bodinya yang tebal dan berat ada banyak fitur-fitur unggulan untuk pengalaman Machine Learning yang mengesankan. Bebarapa diantaranya adalah empat speaker yang diposisikan di sudut  depan laptop. Subwoofer yang dipasang di bagian bawah speaker tersebut mampu mengeluarkan gelombang audio yang kaya, jernih, dan keras, membuatnya salah satu yang paling unggul di kelasnya yang tidak akan membuat Anda bosan dalam mengolah data.

Beberapa fitur unggulan lain yang ditawarkan MSI GT75-9SG Titan i9-9980HK adalah sepasang kipas ganda dengan belasan heat pipe yang efektif mengurangi panas.

Kesimpulan

Artikel Rekomendasi Laptop Programming Machine Learning ini memberikan gambaran laptop yang super power untuk melakukan proses machine learning. Namun, jika di lihat dari harga nya yang begitu mahal membuat kita jadi mengurungkan niat untuk membelinya. Terlebih jika Anda adalah seorang pelajar.

Anda tidak perlu khawatir, karena ada solusi lain yang dapat menggantikan laptop tersebut untuk prosese training data pada pembuatan model machine learning. Anda dapat membaca artikel di bawah ini untuk memanfaatkan google cloud untuk proses training dengan gratis (berkekuatan VGA NVidia Tesla K80):
Memanfaatkan NVidia Tesla K80 dari Google untuk training data machine learning
Setup Laptop/Komputer untuk environment machine learning

Video Tutorial:
Auftechnique Youtube Channel

Contoh Aplikasi Python. Bahasa pemrograman Python pertama kali dirilis oleh Guido Van Rossum pada tahun 1991 dan masih digunakan hingga saat ini, menjadikannya salah satu bahasa pemrograman yang dapat bertahan selama lebih dari 30 tahun tanpa kekurangan peminat. Di sisi lain, pengguna Python telah membludak dalam beberapa tahun terakhir. Saat ini terdapat lebih dari 500 bahasa pemrograman yang sedang dikembangkan dan terus bertambah, tetapi faktanya sebagian besar bahasa ini jarang dikenal atau digunakan di luar lingkungan akademis.

Contoh Aplikasi Python

Saat ini, Python adalah salah satu bahasa yang digunakan di lingkungan akademis, dan mungkin tidak digunakan di Indonesia, tetapi banyak sekolah atau perguruan tinggi di seluruh dunia yang menggunakan Python untuk memperkenalkan pemrograman komputer karena dianggap sebagai bahasa yang ramah pemula.

Mengatakan Pyhon sebagai bahasa untuk mengajarkan pemrograman atau untuk pemula saja adalah kekeliruan, karena banyak perusahaan dunia yang namanya (mungkin) sudah anda kenal ternyata menggunakan Python, dan berikut adalah aplikasi yang dibuat dengan menggunakan Python.

Google

Dari awal berdiri, Google sudah menggunakan Python, bahkan Python merupakan salah satu bahasa pemrograman yang penting bagi Google, itulah mengapa Google pernah merekrut kreator Python Guido Van Rossum untuk bekerja di Google.

Kutipan pendiri Google "Python dapat dicapai, C ++ harus dicapai", yang berarti jika Anda ingin mengontrol memori dan latensi rendah, gunakan C ++, dan selebihnya gunakan Python sebanyak mungkin, bahkan di Perl atau Bash, Nanti script tersebut akan diubah lagi menjadi Python karena kemudahan perawatannya.

Saat ini Python adalah salah satu bahasa pemrograman sisi server resmi Google. Selain Pyhton, Google juga menggunakan C ++, Java, dan Go.

Spotify

Penyedia layanan musik streaming terbesar di dunia dengan hampir 75 juta pelanggan, Spotify. Spotify memanfaatkan Python untuk analisis data dan backend. Di backend Spotify, ada banyak layanan yang berkomunikasi melalui ZeroMQ, yang merupakan framework dan library open source untuk jaringan.

Spotify dibuat menggunakan Python dan C++. Alasan Spotify dibuat menggunakan Python dikarenakan Spotify sangat menyukai kecepatan perkembangan jaringan dari Python.

Sistem rekomendasi Spotify mengandalkan sejumlah besar analisis data untuk menjelaskan analisisnya, dan Spotify menggunakan Luigi (modul Python yang disinkronkan dengan Hadoop). Modul open source ini menangani satu library dan bekerja dengan library lain, dan dengan cepat menangani error-log.

Happy Fresh

Happy Fresh menjamin bahan makanan dikirim dari toko yang Anda pilih dalam waktu satu jam saja. Dengan lebih dari 500.000 pengguna di Indonesia Happy Fresh dengan cepat menjadi salah satu aplikasi pengiriman bahan makanan paling populer bagi millenial.

Menurut  tim teknik Happy Fresh dalam kasus perkiraan permintaan, tim Happy Fresh memiliki kode Python yang melakukan perkiraan, membaca semua data, dan menentukan pembelian yang berulang untuk Minggu depan dan transaksi selanjutnya.

Netflix

Salah satu kegunaan utama Python di aplikasi Netflix adalah Central Alert Gateway Aplikasi RESTful ini akan mengubah rute peringatan dan mengirimkannya ke grup atau individu yang memiliki izin untuk melihat peringatan. Selain itu, aplikasi secara otomatis akan merestart atau menghentikan proses yang dianggap bermasalah. Selain C.A.G, Python juga digunakan dalam aplikasi untuk menelusuri riwayat dan mengubah pengaturan keamanan.

Instagram

Seperti kita ketahui bersama, Instagram telah merevolusi komunikasi visual dan pemasaran digital melalui media foto yang merupakan contoh aplikasi Python. Ada 400 juta pengguna aktif setiap hari, yang tentunya menghilangkan persepsi bahwa aplikasi python tidak terlalu scalable. Insinyur Instagram Hui Ding mengatakan bahwa moto pengembang aplikasi di Instagram adalah "lakukan hal-hal sederhana dulu", yang dapat dilakukan menggunakan Python, karena pengembangan aplikasi Python di Instagram sangat ramah pengguna, sederhana, dan rapi. Selain itu, karena Python sangat populer, tidak sulit mencari developer baru untuk memperluas tim.

Pinterest

Pinterest termasuk salah satu layanan contoh aplikasi Python yang wajib diikuti. Diluncurkan pada di tahun 2010, Pinterest merupakan jejaring sosial yang menawarkan konsep unik dan berbeda dari layanan serupa lainnya. Di Pinterest, pengguna bisa dengan leluasa mengumpulkan dan membagikan foto tanpa diganggu oleh berbagai batasan yang membatasi. Foto yang dibagikan tidak terbatas pada foto yang Anda unggah, tetapi juga menyertakan foto pengguna lain dan situs web tertentu.

Menurut Paul Sciarra selaku Co-Founder Pinterest, mereka menggunakan Python dan Django yang dimodifikasi besar-besaran untuk landasan aplikasinya.

Dropbox

Dropbox pertama kali diluncurkan pada September 2008. Python memainkan peran penting di Dropbox, dan Dropbox adalah aplikasi komputer dan server yang ditulis dalam bahasa pemrograman ini. Menurut Drew Houston, salah satu pendiri Dropbox, Python dipilih karena kesederhanaan, fleksibilitas, dan penampilannya.

Gojek dan Grab

Gojek dan Grab  merupakan layanan berbagi tumpangan yang saat ini begitu ramai digunakan masyarakat Indonesia. Kedua aplikasi ojek online ini bahkan menjadi penguasa pasar layanan pesan antar makanan dan daily needs di Asia Tenggara.

Menurut programer dari Gojek, aplikasi mereka dibuat dengan bahasa pemrograman Python, . Mereka menggunakan Python untuk semua fitur di dalam aplikasinya. Bahasa pemrograman ini juga mendukung sebagian besar layanan yang berjalan di Gojek dan Grab saat ini.

Reddit

Reddit adalah platform komunitas yang memiliki cakupan forum terluas di dunia yang merupakan salah satu contoh aplikasi Python. Secara umum reddit adalah situs hiburan, karena setiap anggota dapat berpartisipasi dalam memberikan teks atau tautan, maka dapat memberikan banyak informasi.

Pada dasarnya, Reddit adalah platform yang mengandalkan komunitas online. Dengan mengizinkan mereka untuk memposting tautan dan informasi mereka sendiri, ini dapat menentukan apa yang layak diberitakan dan apa yang tidak layak diberitakan. Pengguna situs kemudian akan bertanggung jawab untuk memilih (naik atau turun) pada posting ini untuk menentukan informasi terbaik.

Menurut Reddit co-founder Steve Huffman dan Alexis Ohanian mengatakan bahwa Reddit masih tetap menggunakan Python sebagi bahasa pemrograman karena banyaknya referensi. Dan tidak itu saja, Reddit menggunakan Python karena bahasa pemrograman yang mudah dibaca dan mudah diubah.

Face Filter

Face Filter merupakan contoh aplikasi Python spesial-efek yang awalnya digunakan untuk filter beberapa aplikasi Face Swap, namun saat ini Face Filter banyak ditemukan di berbagai macam aplikasi seperti Instagram, Tiktok, Snapchat dan lain sebagainya.

Seiring berkembangnya teknologi Face Filter, developer meyakini bahwa Face Filter merupakan masa depan bagi efek visual dan mulai menjadi fitur wajib yang harus ada.

Karena konstruksi awal Face Filter dibuat menggunakan C dan C ++, akan lebih mudah untuk mengintegrasikan Python. Hingga saat ini Face Filter tetap menggunakan Python karena selalu dapat menghadirkan solusi terbaik untuk kebutuhan developer.

Seperti yang sudah kita ketahui, Python memang banyak digunakan oleh para akademisi dan perusahaan startup karena kesederhanaan Python  dan mudah dipahami bagi programmer pemula.

Kesimpulan

Pada artikel ini Anda telah mengetahui contoh aplikasi Python yang di gunakan pada perusahaan-perusahaan terkenal di seluruh dunia. Oleh karena itu, tidak menutup kemungkinan jika Anda menguasai Python dengan sempurna, akan mampu untuk membuat aplikasi-aplikasi yang mutakhir lainnya.

Rekomendasi artikel untuk memperdalam Python:

Dasar Pemrograman Python
Pemrograman Berorientasi Objek Pada Python

Video Tutorial Python:
Auftechnique Youtube Channel

Sejarah Python. Python adalah bahasa interpreter, interpreter disini apabila dibandingkan dengan Compiler, Python akan memproses kode program baris demi baris. Oleh karena itu metode yang digunakan sama dengan PHP, PERL dan metode lainnya. Python juga merupakan bahasa pemrograman tingkat tinggi atau bahasa tingkat tinggi, yang berarti instruksi dalam Python sangat mirip dengan bahasa manusia.

Python adalah bahasa pemrograman luwes yang mendukung pemrograman berfokus pada objek. Python telah memperoleh beberapa lisensi berbeda dari berbagai versi. Namun pada prinsipnya bahkan untuk tujuan komersial sekalipun, Python bisa didapatkan dan digunakan secara gratis. Karena menurut definisi open source atau General Public License (GPL), lisensi Python tidak akan bertentangan.

Sejarah Python

Python dikembangkan oleh Guido VR di CWI di Belanda pada tahun 90-an dan merupakan kelanjutan dari bahasa pemrograman ABC. Versi terbaru yang dirilis oleh CWI adalah 1.2. Pada tahun 1995, Guido pindah ke CNRI sambil terus mengembangkan Python. Versi terbaru yang dirilis adalah 1.6. Pada tahun 2000, pengembang inti Guido dan Python pindah ke BeOpen.com, sebuah perusahaan komersial, dan mendirikan BeOpen PythonLabs. Python 2.0 dirilis oleh BeOpen.

Setelah Python versi kedua dirilis, Guido dan beberapa anggota tim PythonLabs berubah menjadi DigitalCreations. Pada kala itu sekelompok programmer yang bekerja bersama dengan Guido dan Python S.F terus menguji cobakan Python. Python S.F (Python Software Foundation)  merupakan organisasi nirlaba yang telah ditetapkan sebagai pemilik kekayaan intelektual Python sejak versi 2.1, sehingga dapat mencegah Python dimiliki oleh perusahaan komersial. Saat ini rilis Python sudah mencapai versi 2.7.13 dan versi 3.9.0.

Karena kecintaan Guido pada Flying Circus dari acara TV Monty Python, Guido memilih Python sebagai nama programnya.

Mengapa Harus Menggunakan Python?

Perbedaan antara Python dengan bahasa pemrograman lainnya terletak pada aturan penulisan kode program. Bahasa Python juga mendukung hampir semua sistem operasi, bahkan untuk sistem operasi Unix pun Python sudah disematkan di hampir semua produknya. Dengan menggunakan kode yang sederhana dan mudah, programmer dapat mengutamakan pengembangan aplikasi yang sedang dikembangkan. Selain itu, Python adalah produk multi platform dan open source.

Fitur yang dimiliki Python

Selain sejarah Python yang menarik untuk di ketahui. Di bawah ini merupakan beberapa fitur yang dimiliki oleh bahasa pemrograman Python, diantaranya:

• Keberadaan library yang cukup banyak; dalam distribusi Python, modul dari library siap pakai untuk berbagai keperluan disediakan
• Tata bahasa yang mudah dipelajari dan jelas.
• Python memiliki aturan tata letak kode sumber yang dapat dengan mudah memeriksa, membaca kembali dan menulis ulang kode sumber. Befokus pada objek.
• Memiliki sistem manajemen memori otomatis modular (pengumpulan sampah file, seperti Java), yang dapat dengan mudah dikembangkan dengan membuat modul baru. Dan modul ini dapat dibuat dengan Python atau C atau C ++.
• Dengan fungsi pengumpulan sampah otomatis, sama seperti bahasa pemrograman Java, Python memiliki fungsi untuk mengontrol penggunaan memori komputer, jadi programmer tidak perlu mengatur memori komputer secara langsung.

Meskipun Pyhton memiliki banyak fitur, pastinya memiliki Pro dan Kontra

Pro dan Kontra Python

Sama seperti bahasa pemrograman lainnya, Python merupakan bahasa yang tentunya semakin sedikit dalam penerapannya. Sejauh ini diketahui bahwa Python memiliki keunggulan dalam kemudahan penggunaan dan kesederhanaan bahasanya, sehingga para pemula tidak akan menemui kesulitan besar saat mempelajarinya.

Seperti dari sejarah Python yang kita semua ketahui, Python dapat menjalankan program yang kompleks dengan sintaks dan semantik sederhana. Oleh karena itu, dalam melakukannya, programmer tidak perlu berurusan dengan data dan kode yang kompleks. Ini juga disesuaikan dengan jumlah bahasa yang perlu diterapkan. Python memungkinkan lebih sedikit bahasa untuk menjalankan program yang kompleks. Terakhir, sistem bahasa pemrograman dengan fungsi manajemen memori otomatis mendukung Python.

Kontra dari Python adalah keterbatasan dalam mengambil data. Tidak seperti bahasa pemrograman lain yang memiliki kemampuan untuk mengakses data dalam jumlah besar, Python sebenarnya memiliki kemampuan yang lebih terbatas.

Inilah sebabnya mengapa agak lambat saat menghadapi jenis pemrograman tertentu (misalnya, pada sistem IOS dan Android). Karena batasan ini, jika bahasa pemrograman Python harus diinstal pada komputer berbasis multi-prosesor, tingkat dukungannya juga rendah. Nantinya, akan menyebabkan banyak kesalahan dan keterlambatan proses dan hasil akhir.

Platform Apa Saja Yang Dapat Menjalankan Python

Seperti bahasa pemrograman dinamis lainnya, Python sering digunakan sebagai bahasa scripting, walaupun sebenarnya penggunaan bahasa tersebut mencakup konteks penggunaan yang lebih luas, dan ini biasanya dilakukan tanpa bahasa scripting. Python dapat digunakan untuk berbagai fungsi development software dan dapat bekerja dengan lancar di berbagai platform sistem operasi.

Saat ini kode Python dapat berjalan di berbagai platform sistem operasi, beberapa di antaranya adalah Microsoft Windows, Macintosh, Java Virtual Machine, Ubuntu, Huaweii dan Symbian (untuk produk Nokia)

Hasil Dari Menggunakan Python

Python dapat menghasilkan banyak program, yang paling menarik dari Python adalah dapat membuat program menampilkan kata "Hello World" secara sederhana,. Selain itu ada beberapa point yang patut di ketahui selain sejarah Python, yaitu:

• Aplikasi Desktop. Karena Python adalah bahasa berbasis desktop, Python pun bisa mengimplementasikannya
• Pengembangan situs web. Dengan menggunakan kerangka kerja Python seperti Django dan Flask, kita dapat dengan mudah membangun situs web menggunakan Python
• Aplikasi Mobile. Di perangkat seluler, terutama di platform Android, kita dapat menggunakan teknologi Kivy untuk membangun aplikasi.
• Artificial Intelligence (AI) Science. Selain bahasa R, Python juga sangat cocok untuk aplikasi sains AI, seperti machine learning, deep learning, dan lain sebagainya. Kita bisa menerapkan semua ini ke Python dengan bantuan pustaka seperti Tensorflow, Scikit, dan Numpy.
• Game. Bagi Anda yang ingin menjadi developer game, Selain menggunakan bahasa C, C++, Java. Python juga jago dalam hal ini
• Teknologi robot. Dengan menggunakan pyRobot, Anda dapat dengan mudah memahami dunia robotika
• Internet of Things (IoT). Tertarik dengan Internet of Things? Anda dapat dengan mudah menerapkan konsep ini dengan Python.

Dukungan Komunitas yang Aktif

Berkat dukungan komunitas aktif di seluruh dunia, Python menjadi program yang terus berkembang dan bertahan lama dari awal mula sejarah Python. Banyak forum atau website yang sering membagikan pengalaman mereka dalam menggunakan Python. Hal ini memungkinkan pengguna dan developer pemula dapat dengan mudah mengajukan pertanyaan dan berbagi pengetahuan mengenai ilmu pemrograman ini.

Nah itulah tadi segala sesuatu tentang Python baik sejarah sampai manfaat yang dimiliki, masih mau belajar Python?

Kesimpulan

Pada artikel kali ini Anda telah mengetahui sejarah Python serta paparan singkat mengenai apa saja yang dapat dilakukan oleh Python. Dengan begitu diharapkan Anda mendapatkan gambaran mengenai bahasa pemrograman ini yang menjadi sangat populer seiring banyaknya programmer memilih menggunakan Python.

Untuk melengkapi pengetahuan Anda mengenai Python. Anda dapat melanjutkan membaca artikel lebih jauh mengenai Python pada link di bawah ini:

Dasar bahasa pemrograman Python
Cara Menggunakan Jupyter Notebook
Tutorial Youtube Python dasar:
Auftechnique Youtube Channel

Bahasa pemrograman komputer merupakan rangkaian kata-kata yang terdapat instruksi atau perintah yang biasanya terdiri dari banyak baris yang bisa dimengerti oleh perangkat komputer.Developer harus menguasai konten ini untuk membangun perangkat lunak atau aplikasi.

Untuk membuat aplikasi tertentu, perlu juga menggunakan bahasa yang sesuai untuk aplikasi tersebut. Jadi, bahasa pemrograman apa yang paling populer

1.Bahasa Pemrograman Komputer Java

Java adalah salah satu bahasa pemrograman yang paling fleksibel di dunia. Perusahaan di seluruh dunia menggunakan Java untuk membuat aplikasi desktop dan pengembangan back-end situs web . Salah satu fitur unik Java adalah dapat berjalan di hampir semua sistem operasi. Java merupakan bahasa yang paling populer dalam pengembangan aplikasi Android, dan juga disukai untuk pembuatan situs web yang lebih besar karena stabilitasnya.

Permintaan untuk pengembang Java selalu tinggi permintaannya. Pada kenyataannya, jika Anda ahli pada bahasa pemrograman Java, Anda tidak akan pernah kehilangan pekerjaan.

Komunitas online yang sangat besar menjadi tolak ukur bahwa Java adalah bahasa yang cukup sederhana untuk dipelajari - Anda akan selalu mendapatkan bantuan ketika Anda mengalami masalah dengan kode Anda.

2. Bahasa Pemrograman Komputer C

C adalah salah satu bahasa pemrograman tertua di dunia. Meskipun dirilis beberapa dekade yang lalu pada tahun 1972, C tetap menjadi bahasa pemrograman yang paling banyak digunakan karena fleksibilitasnya yang luar biasa.

C sangat serbaguna dan dapat digunakan untuk berbagai development, mulai dari pengembangan game mobile hingga pemrograman komputer untuk perangkat mobile.

C memiliki performa yang begitu cepat, dimana  C bisa dibilang bahasa pemrograman yang paling berguna ketika digunakan untuk pengembangan game.

C juga menjadi dasar untuk sejumlah bahasa pemrograman lain, termasuk C # dan C ++. Jika Anda belajar C, Anda akan lebih mudah mempelajari bahasa-bahasa pemrograman lainnya.

C adalah merupakan bahasa pemrograman paling favorit  sampai munculnya Java, pada awal 2000-an.

Meskipun C bisa menjadi bahasa yang cukup sulit untuk dipelajari, namun tetap saja C juga salah satu yang terbaik.

3. Bahasa Pemrograman Komputer Python

Salah satu bahasa favorit di antara akademisi dan penggiat bahasa pemrograman di seluruh dunia, Python bisa dibilang bahasa pemrograman paling populer untuk belajar terlebih dahulu. Python diajarkan di sekolah-sekolah, dan banyak kursus pemrograman yang mengajarkannya sebagai pengantar karena kesederhanaannya.

Python adalah bahasa pemrograman lain yang sangat serbaguna yang digunakan untuk segala macam hal. Dengan perkembangan penggunaan sederhana seperti pengembangan web dan analisis data, Python menjadi semakin populer di bidang pembelajaran mesin, kecerdasan buatan, dan robotika.

Anda dapat mengikuti tutorial komprehensif dari channel youtube ini untuk memahami pemrograman Pyhon dasar

4. Bahasa Pemrograman Komputer C++

C ++ digunakan untuk berbagai pemrograman, termasuk pemrograman fungsional, prosedural, dan berorientasi objek. C++ sangat fleksibel, dan dapat digunakan untuk menulis semua jenis program. Salah satu penggunaan C ++ yang paling umum adalah untuk membuat aplikasi yang dapat digunakan di berbagai perangkat atau platform yang berbeda. Karena dikenali oleh sebagian besar sistem operasi dan browser, C++ benar-benar bahasa yang sempurna untuk beberapa program.

Beberapa  penggunaan C ++ yang paling terkenal adalah pengembangan sebuah game dan editing video, yang menjadikannya opsi populer bagi pemula-pemula yang ingin memasuki industri pemrograman ini. C++ juga digunakan oleh raksasa teknologi seperti LinkedIn, Facebook, NASA, dan Microsoft, sehingga mempelajari C++ akan tetap dibutuhkan untuk pengembang berpengalaman.

Jika C ++ sepertinya bahasa yang menarik untuk Anda dipelajari, penting untuk diketahui bahwa C++ bukan salah satu bahasa pemrograman yang mudah. C++ adalah bahasa yang kompleks yang membutuhkan komitmen waktu yang signifikan.

5. Bahasa Pemrograman Komputer Visual Basic .NET

Visual Basic .NET atau VB.NET adalah bahasa pemrograman multi-pola  berfokus pada objek yang dibuat dan dikembangkan oleh Microsoft pada tahun 2001. Meskipun tidak biasa seperti dulu, VB.NET masih menjadi bahasa yang sangat baik untuk orang yang ingin mengembangkan aplikasi layanan web.

VB.NET dalah bahasa yang cukup sederhana untuk dipelajari, seperti namanya dan karena itu populer di kalangan pemula. Namun, fakta bahwa karena sederhana bukan berarti VB.NET lemah. Faktanya, VB.NET adalah salah satu bahasa paling kuat di luar sana. VB.NET adalah bahasa tingkat tinggi dengan sangat mudah untuk mengikuti Sintaks.

VB.NET adalah salah satu dari dua bahasa utama yang menargetkan kerangka .NET bersama dengan C #. Dalam kebanyakan pekerjaan pemrograman, C # sering digunakan sebagai pengganti VB.NET.

6. Bahasa Pemrograman Komputer C #

C # adalah salah satu bahasa pemrograman yang paling banyak digunakan karena keamanan dan sifatnya yang kuat.

C # banyak digunakan untuk membuat aplikasi untuk pesanan Windows, layanan Web XLM, aplikasi data pusat, aplikasi server sisi klien, dan banyak lagi lainnya. C # berjalan pada .NET Framework, seperti VB.NET, C # sendiri memiliki editor kode yang sangat canggih, mudah digunakan, dan membuat debug kode Anda jauh lebih mudah.

Sebagai bahasa C yang berfokus objek, C # bisa jadi susah dipelajari, terutama jika Anda tidak memiliki basic di pemrograman. Jika Anda sudah mengetahui dasar-dasar Java, Anda akan lebih mudah menemukan C # karena memiliki sintaks yang sama. Menurut Developer Windows lebih menyarankan memilih bahasa yang lebih sederhana seperti Python atau Java untuk dipelajari terlebih dahulu, dan kemudian pindah ke C # nanti.

7. Bahasa Pemrograman Komputer JavaScript

Sebagai bahasa yang sudah lama digunakan untuk pengembangan web, JavaScript telah mencapai keterkenalannya karena semakin banyak developer mulai menggunakannya untuk pengembangan back-end developer. Secara teori, ini berarti JavaScript dapat digunakan untuk membangun sebagian besar situs web.

Namun, ada beberapa orang yang mengklaim bahwa kode JavaScript yang terkadang membingungkan akan mengakibatkan berkurangnya penggunaan bahasa pemrograman ini mendatang.

8. Bahasa Pemrograman Komputer PHP

PHP dikenal sebagai bahasa web. Bahkan jika beberapa perusahaan mulai beralih dari PHP ke bahasa yang lebih modern, lebih dari 80% situs web di Internet masih menggunakannya. PHP jelas merupakan salah satu bahasa pemrograman paling populer.

PHP memfasilitasi pengembangan web back-end, memungkinkan pengembang membangun aplikasi web dinamis dengan koneksi database MySQL. PHP juga digunakan oleh developer kelas wahid di seluruh dunia, yang berarti bahwa belajar PHP akan menjadi media yang baik untuk memulai karir pemrograman Anda.

PHP benar-benar sangat mudah dimengerti, mudah diikuti sintaksisnya, fleksibel dan mudah digunakan, memungkinkan Anda untuk menulis kode kompleks bahkan dengan cepat dan efisien.

9. Bahasa Pemrograman Komputer SQL

SQL dikenal sebagai Structured Query Language, SQL memungkinkan Anda untuk melakukan segala hal dengan database dengan berbagai cara yang Anda inginkan. SQL juga digunakan oleh hampir semua platform eCommerce raksasa termasuk eBay dan Amazon , untuk menginformasikan keputusan bisnis dan strategi pemasaran produk. Nah itulah tadi beberapa bahasa pemrograman terpopuler yang masih digunakan para developer hingga saat ini. Anda ingin belajar yang mana ?

Kesimpulan

Pada artikel ini Anda telah mengetahui secara singkat beberapa bahasa pemrograman yang cukup banyak digunakan dan populer di kalangan programmer. Anda dapat memilih yang sekiranya sesuai dengan kebutuhan pekerjaan ataupun usaha Anda sehari-hari.

Artikel rekomendasi:

Dasar Pemrograman Python
Cara menggunakan Jupyter Notebook

Penerapan IoT di Pertanian.Internet of Things atau IoT adalah suatu hal yang jamak digunakan di dunia 4.0. IOT merupakan hal yang pasti ada di dalam berbagai bidang tidak terkecuali sektor pertanian. Ledakan populasi dunia pada tahun 2040 yang tentu juga akan berdampak pada meningkatnya kebutuhan pangan akan menuntut sistem pertanian yang lebih cerdas dibanding sebelumnya. Di antara berbagai kendala peningkatan produksi pertanian, pertanian teknologi modern, drone untuk pertanian, pemantauan hewan, dan rumah kaca modern penerapan teknologi Internet of Things adalah terobosan yang dapat membuat produksi pertanian lebih efektif dan berkelanjutan.

Pendahuluan Penerapan IoT di Pertanian:

Pondasi dasar dari ekonomi suatu bangsa adalah sektor pertanian. Apabila kita mendambakan situasi ekonomi bangsa yang stabil, maka pembangunan sektor pertanian pun mesti mendapatkan perhatian yang serius. Sebuah bangsa dapat dikatakan maju jika seluruh rakyat terpenuhi kebutuhan utamanya yaitu makanan. Di saat yang bersamaan, pondasi dasar sebuah negara menjadi kuat ketika produksi pertanian merupakan industri kedua dan ketiga dengan bahan mentah dan pemasukan sumber daya keuangan

Dalam hal ini, Indonesia memiliki modal besar untuk menjadi negara yang maju sebab sumber daya alam dan potensi bidang pertaniannya. Negara kita merupakan Negara pertanian terbesar yang menghasilkan serta mengkonsumsi hasil pertanian. Masalah kebutuhan akan pangan dan papan bagi 200 jutaan penduduk Indonesia terselesaikan oleh sektor pertanian. Namun, sayangnya  sektor Pertanian di Indonesia sendiri masih banyak yang menggunakan teknologi tradisional tanpa perlu bantuan alat modern dikarenakan kondisi alam yang serba tanpa kekurangan.

Selain itu, kelebihan Indonesia yang berada di cincin pergunungan api  membuat tanah Indonesia sangat subur. Dengan kelebihan tersebut, tentu Indonesia berpotensi menjadi produsen pangan terbesar dunia melalui penerapan teknologi IoT. Dengan kecanggihan Internet of Things, Indonesia dapat menjadi Negara pengekspor hasil pertanian terbesar bagi negara lainnya. Fakta bahwa permintaan bahan pangan di negara ini cukup tinggi, maka dengan teknologi pertanian yang maju hasil yang kita dapat dari hasil pertanian pun akan semakin besar.

Tidak efektifnya proses distribusi pasokan dalam sektor pertanian saat ini pada dasarnya disebabkan karena kesalahan manajemen yang tersebar dan kurangnya titik temu dalam pertanian. Yang menyebabkan efisiensi dan proses operasi yang mudah dan sempurna dalam sistem produksi pertanian sulit untuk diterapkan.

Sampai di sini tentu kita dapat melihat bahwa untuk mengubah industri di dunia menjadi industri yang lebih efisien, Internet of Things merupakan salah satu solusi ideal dan efektif. Bersama teknologi IoT, bidang agribisnis dan agroteknologi pun akan mendapatkan dampak positif yang besar. Oleh karena itu, dapat dikatakan bahwa dunia pertanian dan perkebunan perlu mengenal dan menerima konsep Internet of Things agar lebih berkembang daripada sebelumnya.

Penerapan IoT di pertanian dapat mengurangi bahkan menjadi solusi yang tepat bagi berbagai problematika bisnis pada sektor pertanian. Akurasi Internet of Things dapat memberikan perubahan pada distribusi pasokan pertanian dan menyediakan teknologi yang membuat pasokan logistik pertanian menjadi lebih lancar.

Oleh sebab itu, sudah jelas bahwa teknologi IoT sangat bagus dan cocok sekali diterapkan pada sektor pertanian sebab karakteristik bidang agribisnis yang berpotensi sekali menerapkan IoT.

Seperti apa penerapan secara Internet of Things secara praktis di bidang pertanian? Simak contoh-contoh di bawah ini!

Maksimalisasi produk

Cuaca, keadaan tanah, dan kebutuhan pasar terhadap tanaman tertentu adalah situasi-situasi yang berpengaruh terhadap maksimalisasi produk pertanian. Dalam membuat keputusan yang tepat petani membutuhkan data secara langsung tentang kondisi cuaca saat itu. Teknologi tanpa kabel, penerapan mapping berbasi GPS dan juga penyimpanan data berbasis internet bisa membantu banyak petani untuk hal ini.

Pemanfaatan sumber daya secara efektif

Sumber daya utama pertanian adalah air dan nutrisi tanah. Komponen ini harus digunakan secara efektif. Kekurangan air dan unsur hara tanah merupakan musuh utama kegagalan panen. Oleh karena itu, kedua komponen tersebut harus dikelola dan dikendalikan secara detail dan akurat. Dengan menggunakan kekuatan Internet of Things, petani dapat mengukur dan menemukan kekurangan komponen utama pertanian sedini mungkin, agar kemudian dapat mengatur penggunaan energi yang digunakan.

Pest Control atau Penanganan hama

Penerapan IoT dalam persoalan kontrol dan penanganan hama dapat diaplikasikan ke dalam bentuk jaringan sensor untuk memantau jumlah hama bisa. Pada prakteknya, jika sensor mendeteksi terlalu banyak hama, informasi tersebut dapat dikirim ke sistem pengendalian hama secara otomatis untuk mengambil tindakan. Dalam beberapa kasus, hal ini dapat menggantikan penggunaan pestisida, sehingga hasil panen pun bisa menjadi lebih sehat untuk dikonsumsi

Memaksimalkan operasi produksi

Kegiatan produksi pertanian meliputi pemupukan, penyemprotan hama dan pemanenan. Semua aktivitas ini menggunakan mesin atau peralatan khusus. Dengan menggunakan Internet of Things, petani dapat menemukan lokasi peralatan secara real time. Mereka menggunakan data ini untuk menganalisis dan secara akurat menentukan lokasi efektif area operasi produksi. Hal ini tentu akan berdampak baik pada alur kegiatan pertanian.

Penerapan IoT di Pertanian untuk Monitoring

Dalam memaksimalkan hasil pertanian, pemanfaatan IoT sebagai alat monitoing sangat diperlukan. Hal ini tentu akan menambah efisiensi waktu para pelaku bisnis pertanian sebab kegiatan monitoring perkembangan tanaman dengan IoT akan menggunakan sensor-sensor dan beberapa peralatan khusus. Memanfaatkan keunggulan dari teknologi IoT, petani bisa mengukur, dan mendeteksi dari dini data perkembangan tanaman berbasis agroteknologi ini. Dengan teknologi IoT, petani bisa mengetahui kesehatan tanaman yang ditanam secara real-time.

Penerapan Internet of Things di bidang pertanian dapat digunakan sesuai dengan permintaan pangan global yang terus meningkat dari tahun ke tahun. Internet of Things tidak hanya berlaku untuk rantai pasokan pertanian, tetapi juga untuk teknologi sensor air, sensor untuk mendeteksi invasi organisme berbahaya, dan sensor untuk menjaga suhu lingkungan. Melalui aplikasi ini, efisiensi kerja akan bertambah dan hasil pertanian dapat meningkat pesat.

Internet of Things menggunakan aplikasi yang memproses informasi dan infrastruktur. Teknologi Internet of Things (IoT) seperti penggabungan dari ilmu pengetahuan, manajemen, dan pengambilan keputusan  pertanian terkait produksi pertanian. Aplikasi Internet of Things (IOT) mencakup fasilitas untuk memproses data pertumbuhan pabrik, manajemen produksi digital, berbagi data, antarmuka pengguna, dan layanan jaringan cerdas serta pengambilan keputusan.

Konsep Internet of Things terkait dengan jaringan, yang menghubungkan segala sesuatu ke Internet melalui identifikasi frekuensi radio (RFID), sensor, sistem pemosisian global (GPS), pemindai laser dan sensor informasi lainnya sesuai dengan protokol yang disetujui dan pertukaran informasi pengetahuan identifikasi, pelacakan lokasi, pemantauan serta manajemen.

Internet of Things dapat secara otomatis mengidentifikasi objek dan lokasi, melacak, memantau, dan memicu peristiwa. Dengan menggunakan teknologi RFID untuk memindai dan membaca tag EPC pada komoditas pertanian, serta memperoleh informasi identitas dari komoditas dan berbagi informasi terkait komoditas tersebut.

Pertanian berbasis Internet of Things memungkinkan pemangku kepentingan mendapatkan data secara langsung yang valid, akurat dan berguna. Proses ini akan memangkas semua kegiatan yang memakan waktu tertentu dan mengurangi banyaknya tenaga kerja di industri pertanian. Oleh karena itu, industri pertanian saat ini harus menyadari dan mulai menerima konsep IoT serta potensi penerapan pasar Internet of Things di bidang pertanian.

Penggunaan teknologi pintar dapat meningkatkan daya saing dan keberlanjutan produk pertanian. Ketika Internet of Things dalam bidang pertanian telah diaplikasikan, maka masalah-masalah yang menghambat produksi pertanian seperti keterbatasan lahan, perubahan iklim serta masalah kekurangan tenaga kerja akan tertanggulangi sehingga kebutuhan untuk mempercepat produktivitas pangan untuk meningkatkan populasi dunia dapat tercapai.

Lalu perlukah dunia pertanian mengenal teknologi IoT ? Tentu saja, jika tidak ingin tertinggal di sektor pertanian Global.

Kesimpulan

Pada artikel penerapan IoT di pertanian ini Anda telah mengetahui beberapa manfaat yang utama agar menjadi lebih optimal dan effisien. Jika Anda tertarik untuk mendalami lebih mengenai IoT, Anda dapat membaca artikel rujukan di bawah ini:

Sejarah dan perkembangan IoT
Penerapan IoT di kehidupan sehari-hari
Bagaimana Membuat IoT Dashboard
Contoh IoT Platform
Membuat Project IoT Sederhana realtime monitoring
Sistem Pengelolaan Sampah berbasis IoT

10 contoh IoT sederhana. Menghubungkan kapabilitas mesin satu dengan mesin lainnya secara langsung melalui sambungan internet merupakan fungsi dari Internet of Things atau yang biasa disingkat IoT. Melalui IoT, mesin yang satu dengan lainnya bisa langsung berinteraksi tanpa perlu adanya campur tangan manusia.

Dengan mengurangi interaksi dan bantuan manusia, mesin bisa bekerja secara otomatis sehingga berdampak pada efisiensi dan kecepatan dalam ketika melakukan suatu tugas tertentu. Sebuah kegiatan bisa dikatakan menggunakan teknologi IoT jika setidaknya memenuhi tiga komponen dalam penerapanya yakni perangkat elektronik, adanya internet, serta aplikasi untuk mengendalikan alat.

Contoh IoT sederhana di negara kita diantaranya :

Sistem Monitor Rumah Pintar atau Smart Home

Seperti penerapan smart home. Sebuah rumah bisa dikatakan sebagai smart home jika kegiatan dalam rumah tersebut sebagian besar menggunakan teknologi IoT. Sebagai contoh, untuk menyalakan lampu, rumah tersebut sudah memakai smart kamp yang bisa dikendalikan lewat aplikasi untuk menyalakan dan mematikannya.

Cara kerja serupa juga berlaku untuk perangkat elektronik pintar lainnya seperti air conditioner, air purifier atau penjernih udara, atau sensor gerak. Tidak hanya untuk menyalakan, pengguna juga bisa memasang pengatur waktu atau langsung mematikan semua perangkat pintar tersebut dari jarak jauh jika kita lupa untuk mematikannya saat meninggalkan rumah.

 untuk kenyamanan, IoT juga bisa dimanfaatkan untuk memaksimalkan keamanan di rumah. Melalui CCTV yang mendukung teknologi IoT, pemilik rumah bisa mengawasi rumahnya melalui aplikasi saat sedang bepergian.

Sistem Monitor Untuk Anak Sekolah

Salah satu penerapan IoT sederhana yang bermanfaat bagi kalangan orang tua di berbagai negara adalah adanya sistem monitor anak-anak sekolah atau beberapa mengenalnya dengan MABO. Sistem ini bekerja dengan men-tag beberapa jenis sensor pada anak-anak di sekolah. Dengan sistem ini, Anda bisa memonitor lokasi anak-anak saat di sekolah dan mendapat notifikasinya via internet

IoT Sederhana pada Penerapan Smart City

Penerapan teknologi berbasis IoT juga bisa dimanfaatkan untuk kebutuhan publik dan pemerintahan. Misalnya, dalam penerapan Command Center yang dibentuk oleh setiap pemerintah kota maupun kabupaten. Melalui Command Center, pemerintah kota atau kabupaten bisa memantau mobilitas warganya melalui pantauan kamera CCTV yang disebar di berbagai titik.

Adanya Command Center juga memudahkan warga untuk menyampaikan keluhan terkait fasilitas atau masalah publik yang mereka hadapi. Hal ini akan memangkas proses birokrasi sehingga keluhan warga bisa cepat ditanggapi oleh instansi terkait.

Cara penyampaian keluhan ini pun bisa melalui berbagai saluran, tidak hanya melalui panggilan telepon, SMS, atau media sosial. Saat ini beberapa Command Center juga terhubung dengan aplikasi yang dikembangkan oleh pihak ketiga demi memperluas saluran pada publik untuk menyampaikan laporan atau keluhan.

Beberapa contoh aplikasinya berada di kota Surabaya yaitu : E-health untuk screening di Puskesmas, Layanan Satu Atap hingga Wadul untuk menerima keluhan hingga saran dari warga.

Pengelolaan Pelayanan Kesehatan dan Medis Puskesmas

Secara keseluruhan, penambahan fitur IoT sederhana ke beberapa puskesmas bertujuan untuk meminimalisir terjadinya hal-hal yang tidak diinginkan pada pasien dan calon pasien. Jadi, bahkan sebelum terjadipun dokter bisa mengetahui potensi gangguan kesehatan pada seorang individu dan melakukan upaya pencegahan.

Pada E-health riwayat penyakit, hingga rumah sakit rujukan bisa terintegrasi dengan layanan BPJS kesehatan.

Sistem Penerangan Lampu Jalan Otomatis

Teknologi IoT ini diterapkan agar dapat menghemat penggunaan energi listrik yang terbilang sangat tinggi. Teknologi lampu jalan pintar ini akan mengganti lampu penerangan di jalan yang sebelumnya menggunakan lampu biasa menjadi lampu yang lebih “smart“. Lampu yang akan dikendalikan jarak jauh dan bisa memberikan notifikasi apabila sudah harus diganti.

Sistem Lampu Lalu Lintas Otomatis

Teknologi IoT yang mirip seperti yang diterapkan pada lampu jalan, memiliki fungsi yang sama agar dapat menghemat penggunaan energi listrik yang terbilang sangat tinggi. Teknologi lampu lalu lintas pintar ini akan mengganti tanda lalu lintas di jalan yang sebelumnya menggunakan lampu biasa menjadi lampu yang lebih “smart“ dengan integrasi dengan tenaga surya. Lampu lalu lintas yang akan dikendalikan jarak jauh serta otomatis dan bisa memberikan notifikasi apabila ada kerusakan atau sistem yang mengalami gangguan.

Sistem Informasi Terintegrasi Kota Surabaya

Kehadiran SITS atau Sistema Informasi Terintegrasi Kota Surabaya berbasis IoT turut membantu sinergi antar instansi di Surabaya ketika menghadapi keadaan darurat. Sebagai contoh, ketika kamera CCTV menangkap adanya kecelakaan yang mengakibatkan tersendatnya lalu-lintas, petugas SITS bisa langsung menghubungi instansi yang berwenang untuk menghadapi masalah tersebut.

Sistem Informasi Terintegrasi Surabaya juga bisa dimanfaatkan untuk mencegah hal-hal yang tidak diinginkan. Misalnya, ketika kamera CCTV menangkap gambar pergerakan massa dalam jumlah besar, petugas Command Center SITS bisa menghubungi instansi berwenang untuk mengawal dan mengamankan aksi tersebut agar tetap sesuai koridor dan tak mengganggu aktivitas publik. Selain itu warga juga dapat ikut memantau kondisi lingkungan sekitar.

Sistem Tilang Elektronik

Penerapan sistem tilang ini menerapkan banyak CCTV disetiap lampu merah dan persimpangan kota yang di mana terkoneksi dengan data center di Kepolisian, yang merekam nomor polisi pelanggar lalu mencocokannya dengan BPKB pengguna lalu polisi akan mendatangi rumah pelanggar lalu melakukan tilang.

Cara ini terbilang cukup efektif untuk mengurangi pelanggar lalu lintas dan cocok untuk diterapkan di banyak kota besar di Indonesia. Diharapkan dengan adanya sistem ini pelanggar akan berkurang.

Smart E Toll

Seperti namanya, sistem bernama Smart E Toll merupakan sistem IoT yang dapat memonitor status E-money dan pintu tol sekaligus membukanya dengan fitur scanner beam. Apabila menerapkan sistem ini, Anda bisa masuk ke pintu tol dimanapun berada tanpa mengeluarkan kartu E-Toll dari mobil. Untuk akses pembukanya juga akan lebih aman karena hanya E Toll yang ada di mobil Anda. Cara Smart E Toll ini akan memudahkan Anda yang tidak perlu mengeluarkan tongkat tol ketika ada akses masuk ke Tol.

Tempat Sampah Sementara Terintegrasi

Pengolahan sampah terintegrasi pada tempat pembuangan sampah sementara untuk memonitor volume sampah di suatu TPS yang bisa dipantau dari jarak jauh pada kantor pasukan kuning Surabaya. Petugas kebersihan tidak perlu mendatangi tempat sampah warga untuk memeriksanya setiap hari karena terbantu adanya Internet Of Things pada perangkat smartphone dan sistem sensor yang terdapat pada bak sampah angkut sementara.

Warga juga bisa membuang sampah plastik dan botol yang bisa ditukarkan menjadi tiket Surabaya Bus. Cukup menggunakan KTP saja serta menghitung banyaknya jumlah sampah botol.

Masih banyak sekali penerapan teknologi IoT yang bisa dikembangkan dalam proses pengembangan indonesia. Penerapan pada industri hingga Smart City. Penanggulangan bencana, kerusuhan hingga masalah kesehatan dengan Command Center yang terintegrasi.

Setelah penjelasan di atas, kapan Anda dapat menerapkan teknologi IoT sederhana? Apakah sudah ada keinginan untuk menerapkan teknologi IoT ?   

Rekomendasi Artikel Terkait:

Penerapan IoT di Kehidupan Sehari-hari: 13 Contoh Real

Mengetahui Sejarah dan Perkembangan IoT: 3 Pilar Penting

Sistem Pengelolaan Sampah Berbasis IoT

Penerapan IoT di kehidupan sehari-hari. Beberapa dekade yang lalu, munculnya Internet benar-benar mengubah cara dunia beroperasi dengan kecepatan yang sedemikian cepat. Era baru sudah di ambang pintu, yaitu era IoT atau Internet of Things . Secara umum, Internet of Things mendukung semua orang untuk memiliki pemahaman yang tinggi tentang dunia di sekitar kita dan perkembangannya.

Internet of Things dalam kehidupan sehari-hari juga menjadi fokus perkembangan teknologi saat ini. Pasalnya, Internet of Things (IoT) dapat memfasilitasi pekerjaan semua orang. Di bawah ini kami akan memberikan informasi tentang penerapan Internet of Things dalam kehidupan sehari-hari. Mau tahu tentang teknologi IoT yang mempermudah pekerjaan kita sehari-hari? Silahkan telusuri artikel ini.

Studi Kasus IoT pada aplikasi hidroponik

Contoh Penerapan IoT

Penerapan IoT di kehidupan sehari – hari pun menjadi perhatian pada perkembangan teknologi saat ini. Karna internet of things (IoT) dapat memudahkan pekerjaan setiap orang. Dibawah ini saya akan memberikan informasi tentang penerapan IoT pada kehidupan sehari – hari. Bingung seperti apa sih yang disebut dapat memudahkan pekerjaan ? Daripada penasaran langsung aja ya.

Colokan Listrik Pintar

Colokan listrik ini memiliki koneksi wifi dan terhubung ke produk elektronik, seperti lampu atau oven.

Nah cara kerjanya adalah Anda dapat menghidupkan dan mematikan koneksi listrik melalui jangkauan Internet pada smartphone yang terhubung ke stopkontak.

Dengan sistem Internet of Things ini, ketika kita lupa mematikan lampu atau alat elektronik lainnya saat kita berada di luar rumah, kita hanya perlu mematikannya dengan smartphone yang terkoneksi dengan internet.

Smart Garage Door

Proyek IoT garasi pintar ini dapat memantau status pintu garasi dan membuka garasi secara otomatis, atau menggunakan fungsi pemindai sidik jari (mirip di luar negeri). Dikatakan bahwa garasi dengan IoT ini dapat menjaga keamanan pada garasi rumah. Teknologi itu dapat mengirimkan pemberitahuan ketika seseorang mencoba memasuki garasi secara paksa atau seseorang ingin mencuri sesuatu.

Kulkas Pintar

Keunggulan dari kulkas pintar ini adalah kita bisa melihat persediaan makanan dan miuman yang ada di kulkas, dengan bantuan sensor yang ada. Oleh karena itu, ketika kita berada di luar, kita tahu bahwa barang-barang di lemari es telah habis, dan kita akan segera mengetahui dan membeli makanan ketika kita memeriksa di ponsel kita.

Penerapan IoT pada Tempat Sampah Pintar

Tempat sampah pintar ini adalah bentuk yang sangat kreatif dan inovatif yang dapat digunakan sebagai saran membelinya. Dengan menggunakan alat ini, Anda dapat mengoptimalkan pengumpulan sampah dan meminimalkan konsumsi bahan bakar.

Jika jumlah tempat sampah dan suhu tempat sampah tidak normal, sistem kerja tempat sampah akan memberi tahu Anda. Sangat berguna untuk mengumpulkan sampah utuh.. Jika Anda ingin membuat tempat sampah pintar, maka dapat membaca artikel tutorial system pengelolaan sampah berbasis IoT.

Jakarta One Card

Jakarta One card merupakan “kartu pintar” yang dapat digunakan sebagai KTP elektronik, alat pembayaran belanja, dan kartu BPJS. Pemerintah Jakarta bekerja sama dengan Bank DKI untuk memproduksi "Kartu Jakarta". Semua layanan di kota dapat digunakan hanya dengan satu kartu, dan orang dapat membayar sesuai dengan kebutuhannya tanpa menghabiskan banyak uang dan waktu.

Penyiram Otomatis

Inovasi berikutnya adalah mesin penyiram otomatis yang saat ini sudah ada beberapa kota besar di Indonesia, seperti di taman-taman di Jakarta Anda yang mengetahui, di bundaran tugu tani, tanaman disana sudah menggunakan teknologi ini.

Menyiramkan air secara otomatis tanpa harus menunggu petugas kebersihan yang menggunakan armada penyiram air yang berkeliling. Cara kerjanya adalah dengan menetapkan jadwal penyiraman dan menghubungkannya ke jaringan wifi.

Studi Kasus IoT pada aplikasi hidroponik

Surabaya Bus

Dengan mengaktifkan fitur scan QR ketika menunggu bus di halte, pengguna transportasi akan mengetahui posisi bus terdekat, bus yang sudah berangkat hingga jalur Bus Kota Surabaya.

Sistem kerja Surabaya Bus ini akan memberikan notifikasi ketika bus akan datang. Dan sangat berguna untuk mengetahui berapa lama bus akan sampai, sehingga Anda bisa bersiap-siap.

Sepeda Pintar

Sepeda adalah salah satu alat olah raga yang tepat digabungkan dengan teknologi IoT. Sepeda Pinter atau connected bicycle dibuat untuk pengendara urban.

Sepeda pintar ini dilengkapi dengan sistem pemosisian universal atau GPS, berbagai sensor, serta koneksi Wi-Fi dan Bluetooth, sehingga memudahkan komunikasi dengan ponsel atau jam tangan pintar.

Smart Bike atau Sepeda Pintar dapat mendeteksi kendaraan di titik buta pengemudi untuk meminimalkan kecelakaan.

Selain itu, setiap kali digunakan, sepeda akan mencatat data perjalanan.Misalnya, apakah ada lubang pada rute yang dilewati. Pada sesi bersepeda berikutnya,  sepeda pintar ini dapat menyarankan rute yang lebih aman untuk dilalui.

Smart Helmet Visor

Helm dengan tambahan fitur IoT akan sangat mendukung kenyamanan pengguna kendaraan bermotor.

Smart Helmet Visor ini dilengkapi dengan layar mini yang tepat berada didepan mata pengendara, dimana terdapat GPS dan Map untuk mengetahui jarak dan petunjuk arah ketika ingin mencapai ke suatu lokasi.

Selain itu Smart Helmet juga bisa berintegrasi dengan kondisi kendaraan yang tersambung dengan bluetooth, dimana helm ini juga bisa mengetahui kondisi mesin, panas mesin, oli hingga kapasitas bensin.

Smart Home

Teknologi IoT yang dimanfaatkan untuk menjaga keamanan sebuah hunian adalah Smart Home. Dengan menggunakan Smart Home, Anda bisa mengetahui segala kondisi disetiap sudut rumah.

Terkoneksi dengan internet dan WiFi, Smart Home dapat mendeteksi pergerakan yang ada didalam dan diluar rumah. Termasuk juga untuk menyalakan lampu, menutup pagar rumah hingga menyalakan televisi dan radio.

Pemilik rumah dan bisnis memanfaatkan sensor IoT untuk memanfaatkan teknologi Smart Home untuk pemantauan yang ramah lingkungan dan hemat energi. Perangkat yang dilengkapi dengan sensor ini dapat memantau konsumsi energi, baik untuk rumah individu dan bisnis.

Smart Mirror

Kaca yang sekilas nampak biasa saja, sebenarnya memiliki fitur yang sangat canggih.Smart Mirror dapat mengatur kecerahan cahaya pada kaca Anda. Terdapat juga berbagai fitur yang mirip dengan smartphone seperti, layanan cuaca, penunjuk waktu, hingga anda bisa melakukan video call menggunakan kaca ini.

Menggunakan platform android sebagai otaknya, membuat kaca ini bisa melakukan segala hal yang sama persis dengan smart home anda.

Sistem Perawatan Lansia

Penduduk lansia di berbagai negara terus berkembang pesat, dan kebanyakan anak sibuk dengan pekerjaan dan tidak memiliki banyak waktu untuk mengurus orang tuanya di rumah. Sistem perawatan lansia mengacu pada penggunaan teknologi pengumpulan informasi untuk mengumpulkan informasi tentang aktivitas lansia, dan kemudian mengirimkan informasi tersebut ke komputer melalui jaringan nirkabel.

 Alat ini secara realtime dapat dianalisis oleh anak melalui ponsel. Dengan memasukkan akselerometer axis, termometer, sfigmomanometer (jam tangan tekanan darah) dan juga sepatu lansia yang dilengkapi dengan sensor perawatan pakaian lansia untuk merekam aktivitas lansia.

Lampu jalan pintar

Lampu jalan berkemampuan IoT sekarang dapat otomatis nyala dan mati dengan bantuan manajemen penerangan kota besar di Indonesia yang jaraknya beberapa kilometer jauhnya, Lampu jalan pintar akan mengirimkan data IoT yang relevan tentang penggunaan daya dan menyesuaikan lampu dari jarak jauh untuk menyesuaikan dengan kondisi lingkungan setempat - seperti lampu redup di malam hari di bawah sinar bulan.

Lampu menyala saat hujan deras dan kabut. Kemampuan untuk mengatur lampu jalan berdasarkan kondisi lingkungan dapat menghemat energi dan mengurangi biaya energi.

Penggunaan teknologi ini bisa Anda temukan dibeberapa perumahan elit di kota kota besar di Indonesia.

Nah itulah tadi beberapa contoh dari IoT di kehidupan Sehari-hari, apakah Anda sadar bahwa teknologi disekitar kita menerapkan IoT?

Kesimpulan

Anda telah mengetahui penerapan IoT pada kehidupan sehari-hari. Banyak sekali manfaat yang didapatkan dengan teknologi ini. Jika Anda ingin memulai membuat project IoT ada beberapa rekomendasi artikel yang dapat Anda baca untuk di ikuti tutorialnya step by step:

Studi Kasus IoT pada aplikasi hidroponik

Apa itu Arduino?
Mengenali 4 Jenis Arduino
Memulai Raspbery Pi
Membuat realtime monitoring system

Sejarah dan perkembangan IoT. Internet of Things atau IoT adalah teknologi komunikasi antar mesin dengan menggunakan koneksi internet. Bentuk komunikasi pintar ini juga disebut Machine-to-Machine  dengan manusia sebagai pengelola dan penggunanya.

Sejarah dan perkembangan IoT

Sebagaimana telepon seluler dapat menjadi telepon pintar dengan menghubungkan ke Internet, demikian pula mesin dan peralatan bisnis dapat menjadi pintar dengan menghubungkan ke Internet. Mesin di pabrik, peralatan perbankan, kamera keamanan di tempat umum, dan bahkan sensor di sektor pertanian semuanya bisa menjadi perangkat pintar.

Internet of Things tidak terbatas pada lingkungan industri, tetapi juga dapat digunakan untuk kebutuhan sehari-hari. Seperti kontrol suara rumah, bel pintu, lampu pintar, monitor polusi ruangan, dan lain sebagainya.

Ketika berbagai aset bisnis Anda terhubung ke Internet, Anda bisa mendapatkan informasi detail tentang kondisi bisnis saat ini atau real-time. Oleh karena itu, sangat memungkinkan untuk melakukan perencanaan operasional berdasarkan data yang benar, memantau kinerja dan menjaga kualitas produk.

Sejarah IoT

Sebelum tanki bensin IoT, sensor listrik NB-IoT, atau smart TV, perangkat pertama yang terkoneksi dengan internet adalah… pemanggang roti!

Pada tahun 1989, John Romkey dan Simon Hackett menghubungkan pemanggang roti ke Internet yang dapat dijalankan di bawah perintah komputer. Pada saat itu, konsep ini disebut "Internet tertanam" atau "komputasi pervasive". Namun, setelah pengenalan teknologi RFID atau teknologi identifikasi frekuensi radio pada tahun 1999, Kevin Ashton menciptakan istilah "Internet of Things".

Perkembangan Internet of Things telah dimulai. Mulai dari inovasi RFID yang memungkinkan pelacakan barang jarak jauh melalui frekuensi radio, hingga berbagai inovasi objek tampilan data berupa bola berwarna atau robot kelinci, penggunaan Internet Protocol (IP) pada jaringan objek pintar mulai tahun 2008, dan penggunaan IPv6 pada tahun 2011 . Memberikan informasi tentang identitas dan lokasi perangkat di jaringan internet.

Perkembangan IoT

Teknologi Internet of Things terus berkembang hingga saat ini. Seperti yang ditunjukkan pada gambar Hype-Cycle berikut yang diteliti oleh Gartner pada tahun 2019, pasar Internet of Things diharapkan cukup matang sehingga teknologinya akan lebih stabil dan diterima secara luas oleh pasar dalam waktu 5-10 tahun. Setelah memasuki generasi kedua dan ketiga, risiko penerapan Internet of Things akan berkurang, dan 20% target pasar akan menggunakan Internet of Things.

Mesin yang saling berkomunikasi dapat mempermudah proses bisnis, karena tidak seperti manusia, mesin tidak perlu istirahat. Mesin dapat bekerja tanpa gangguan selama 24 jam. Oleh karena itu, menghemat tenaga dan waktu. Pekerjaan perangkat IoT juga akan otomatis terekam secara detail, dan parameter kerja dapat dikelola dari jarak jauh, sehingga menghemat energi. Manajemen sederhana ini akan menghemat biaya operasional dan mendorong perencanaan bisnis.

Internet of Things bukan hanya sekedar alat, tetapi juga merupakan solusi teknis yang akan memberikan aspek baru dalam kegiatan bisnis yaitu visibilitas. Dengan solusi IoT, pemilik bisnis dapat memahami kondisi bisnisnya secara real time. Misalnya, solusi Managed SD-WAN mendemonstrasikan penggunaan data Internet di cabang bisnis dan memberikan kontrol atas manajemen lalu lintas Internet kantor pusat. Contoh lainnya adalah bahwa solusi manajemen kinerja aset (APM) memberikan visibilitas ke dalam kondisi fisik aset (seperti suhu, kelembaban, pencahayaan), terlepas dari lokasi aset.

Visibilitas menyederhanakan jalur komunikasi di perusahaan, memfasilitasi pemantauan, meningkatkan keamanan, dan memastikan bahwa semua perencanaan didasarkan pada data tertentu dalam solusi IoT.

Sesuai dengan namanya, Internet of Things mengandalkan internet sebagai penghubung antar sensor atau perangkat, yang akan saling berkomunikasi di cloud. Data yang dikirim dari sensor ke cloud akan diproses oleh perangkat lunak, yang akan menentukan langkah selanjutnya. Tindakan ini dapat berupa: mengirim peringatan, menyesuaikan rencana, menutup akses ke alat, atau lainnya.

Solusi IoT dapat dikontrol oleh pengguna melalui dashboard di komputer, laptop, atau perangkat seluler lainnya. Pengguna atau karyawan yang telah diberikan izin dapat mengatur dan mengubah operasi dan aturan sesuai kebutuhan perusahaan. Perubahan ini akan dikirim kembali ke cloud, dan sensor yang sesuai akan diperbarui secepatnya.

Kegunaan Internet of Things di Masa Depan

Di masa depan, teknologi akan memainkan peran yang lebih besar dalam operasi dan manajemen perusahaan. Data akan menjadi penentu utama keputusan. Visibilitas bisnis dan transparansi data yang disediakan oleh IoT akan membuka pintu isolasi antar unit bisnis. Departemen pengembangan bisnis dapat melihat data tangan pertama dari hasil kerja di tempat yang sebelumnya hanya dimiliki oleh departemen operasi. Keterbukaan ini akan mendorong karyawan untuk mengambil tanggung jawab dan mengedepankan efisiensi waktu dan kinerja produksi. Nilai teknologi IoT dalam sebuah perusahaan tidak hanya akan menjadi alat pendukung, tetapi juga sebagai penggerak utama bisnis tersebut.

Internet of Things adalah solusi komunikasi mesin-ke-mesin yang memberikan visibilitas bisnis secara real-time. Konektivitas 24 jam dan berbagai fungsi otomatis menjadikan Internet of Things metode yang efektif untuk pemantauan jarak jauh dan manajemen bisnis. Dengan cara ini, sumber daya yang ada dapat digunakan untuk situasi darurat. Perusahaan dapat dengan cepat beradaptasi dan mempertahankan produktivitas, bahkan di era normal yang baru berubah.

Bagian pembentuk IoT

Teknologi seperti kecerdasan buatan, Machine Learning, dan visi komputer dapat ditambahkan ke sistem IoT. Empat elemen utama yang membentuk sistem IoT, diantaranya:

Sensor atau device

Ada banyak bentuk solusi IoT. Terkadang suatu perangkat memiliki banyak sensor. Misalnya, solusi manajemen aset cair INTANK memiliki sensor suhu dan sensor pengukur level. Solusi pemantauan aset (seperti APM) memiliki 2 perangkat untuk ditinjau, yang ditempatkan di aset dan ruang atau transportasi aset.

Menurut kegunaannya masing-masing, tugas sensor tersebut adalah mengumpulkan data setiap saat sesuai interval waktu yang ditentukan. Karena data yang dikumpulkan oleh sensor sangat kecil, baterai pada perangkat dapat digunakan dalam jangka waktu yang lebih lama, misalnya sensor NB-IoT dapat bertahan selama 10 tahun tanpa perlu mengganti baterai.

Konektivitas

Tanpa koneksi, data di perangkat tidak akan bisa mencapai sistem. Metode komunikasi antara perangkat dan sistem IoT mungkin berbeda. Seluler, satelit, WiFi, Bluetooth, koneksi jaringan area luas berdaya rendah (LPWAN), dll.

Pilihan koneksi selalu disesuaikan dengan kebutuhan pengguna. Untuk industri yang banyak menggunakan perangkat kecil dalam skala besar (seperti pertanian dan distribusi tenaga listrik), LPWAN adalah jenis sambungan yang tepat. Pada saat yang sama, hal yang sama berlaku untuk SD-WAN dan konektivitas layanan terkelola untuk industri keuangan yang membutuhkan keamanan tinggi.

Data processing

Saat data dari sensor memasuki cloud, pemrosesan pun dimulai. Karena data selalu datang dan selalu diperbarui, perangkat lunak dapat melihat perkembangan aset secara real time dan memastikan bahwa aktivitas aset memenuhi aturan atau parameter yang telah ditentukan sebelumnya.

Prosesnya sesederhana mengonfirmasi tanggal pemeliharaan truk pengiriman pada solusi FleetSight. Bisa juga lebih rumit, seperti menggunakan teknologi computer vision untuk mengidentifikasi penggunaan masker atau alat pelindung diri (APD) di tempat umum melalui gambar dari kamera keamanan.

Proses ini sangat cepat dan dapat mengaktifkan tindakan segera, seperti memberi tahu manajer armada tentang kebutuhan perawatan truk atau memberi tahu personel keamanan yang tidak mengenakan APD di area yang ditentukan.

Nah itulah sejarah dan perkembangan Internet of Things. IoT sendiri merupakan solusi komunikasi antar mesin yang dapat memberi visibilitas usaha secara real-time.

Kesimpulan

Pada artikel ini Anda telah mengetahui sejarah dan perkembangan IoT, serta 3 pillar pembentuk bagian IoT yang utama. Untuk memahami dasar aplikasi IoT, Anda dapat memulai dengan mempelajari Arduino dan sensor-sensor open source. Dengan demikian Anda dapat mengaplikasikannya pada kehidupan sehari-hari dan membantu tugas Anda. Oleh karena itu, segera mulai untuk membangun IoT project