Teknologi Jaringan 5G

    Saat ini, jaringan internet sudah menjadi nyawa di dunia komunikasi. Sinyal yang buruk akan berdampak langsung kepada yang merasakan, terganggunya pekerjaan, komunikasi jarak jauh, dan pengiriman informasi cepat.

    Konsep komunikasi real time menjadi semakin nyata dengan kecepatan internet yang ada saat ini. Kebutuhan manusia dalam saling mengirimkan data dan informasi semakin berkembang seiring berjalannya waktu, jaringan komunikasi pun terus ikut berkembang. Dengan kecepatan jaringan generasi keempat (4G), manusia sangat terbantu untuk dapat terus mengikuti perkembangan dunia, dan menjalankan banyak aktifitas secara efektif dan efisien, atau bahkan hanya untuk hiburan.

    Sebenarnya 4G bagus untuk sekarang, tetapi jika melihatnya dalam lima atau sepuluh tahun, 4G jelas tidak akan bisa memenuhi persyaratan untuk aplikasi baru yang akan datang dalam beberapa tahun mendatang. Dengan 5G akan meningkatkan laju data, mengurangi latensi end-to-end, dan meningkatkan cakupan. Properti ini sangat penting untuk banyak aplikasi terkait dengan IoT dan D2D, yang mana mereka diakui sebagai milik komponen teknologi arsitektur 5G yang terus berkembang. (Journal : Mobile Communication through 5G Technology (Challenges and Requirements))

    Namun, perkembangan teknologi saat ini berkembang begitu pesatnya. Para peneliti dunia sedang mengembangkan teknologi jaringan generasi kelima (5G). Jaringan ini yang nantinya akan menjadikan jaringan komunikasi dunia secepat kilat. Jaringan wireless dan cepat ini akan sangat membantu manusia dalam terus terhubung dengan dunia tanpa terbatas jarak.

    Berikut ini mengapa kita membutuhkan teknologi jaringan 5G (berdasarkan jurnal 5G Mobile Technology) :

• Kecepatan sangat tinggi, kapasitas tinggi, dan biaya per bit rendah
• Mendukung multimedia interaktif, suara, video, Internet, dan layanan broadband lainnya, lebih efektif dan lebih menarik, dan memiliki Bidirectional, statistik lalu lintas yang akurat.
• Menawarkan layanan berkualitas tinggi karena kesalahan yang tinggi toleransi.
• Menyediakan kapasitas penyiaran besar hingga Gigabit yang mendukung hampir 65.000 koneksi pada suatu waktu.
• Lebih banyak aplikasi dikombinasikan dengan kecerdasan buatan (AI) karena kehidupan manusia akan dikelilingi oleh buatan sensor yang dapat berkomunikasi dengan ponsel telepon.
• Teknologi 5G menggunakan manajemen jarak jauh yang dapat digunakan pengguna mendapatkan solusi yang lebih baik dan cepat.
• Kecepatan mengunggah dan mengunduh 5G sangat tinggi.
• Teknologi 5G menawarkan resolusi tinggi untuk pengguna telepon dan bandwidth besar bi-directional.
• Teknologi 5G menawarkan gerbang kelas transporter dengan konsistensi yang tak tertandingi.

Daftar Pustaka : 
https://file.scirp.org/pdf/IJCNS_2017052714423408.pdf
http://ijarcet.org/wp-content/uploads/IJARCET-VOL-2-ISSUE-2-568-571.pdf

Inovasi Sistem Informasi

IMPLEMENTASI DEEP LEARNING BERBASIS KERAS UNTUK PENGENALAN WAJAH

     Computer Vision akhir-akhir sering menjadi perbincangan dalam perkembangan teknologi deep learning yang merupakan cabang dari machine learning. Dengan teknologi pengenalan wajah, perkembangan teknologi untuk pengenalan identitas, keamanan dan bidang lainnya dapat menjadi lebih baik lagi. Dengan deep learning, teknologi pengenalan wajah dapat berkembang dengan baik dan semakin akurat. 

KUTIPAN JURNAL 

    Belakangan ini Deep Learning menjadi sorotan dalam pengembangan Machine Learning.  Alasannya  karena Deep Learning telah mencapai hasil yang luar biasa dalam visi computer [3]. Deep Learning merupakan cabang dari Machine Learning yang terinspirasi dari kortex manusia    dengan menerapkan jaringan  syaraf  buatan yang memiliki banyak hiden layer. Convolutional Neural Network(CNN) merupakan salah satu metode dalam Deep Learning yang  dibuat   untuk menutupi kelemahan dari metode sebelumnya. Terdapat  beberapa  kelemahan  dalam  metode sebelumnya, tetapi dengan model ini sejumlah parameter bebas dapat dikurangi dan deformasi gambar input seperti translasi, rotasi dan skala dapat ditangani[4].Seiring  dengan  banyaknya  pengembangan dan riset tentang Deep Learning, banyak library yang bermunculan  dengan fokus mempelajari  tentang  jaringan syaraf  tiruan, salah satu contohnya yaitu keras. Keras merupakan library jaringan syaraf tiruan tingkat tinggi yang ditulis   dengan   bahasa python dan mampu  berjalan di atas TensorFlow, CNTK, atau Theano [5]. Library ini  menyediakan fitur yang digunakan dengan fokus  mempermudah    pengembangan    lebih dalam tentang Deep Learning.

DAFTAR PUSTAKA

http://journals.ums.ac.id/index.php/emitor/article/view/6235/3901

Telaah Jurnal | Jurnal Inovasi Sistem Informasi Implementasi Extreme Learning Machine

Jurnal Inovasi Sistem Informasi
Implementasi Extreme Learning Machine 

Jurnal 1
Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital

Metode        : Eksperimental

Kelebihan : Pembahasan yang lengkap dan jelas dengan banyak percobaan yang meyakinkan pembaca akan teori yang disampaikan.

Kekurangan : Pembahasan teori dan rumus yang digunakan dalam percobaan dalam jurnal tak mudah dipahami, perlu pengetahuan dasar sebelumnya untuk bisa memahami eksperimen yang dicontohkan dalam jurnal.

Rangkuman 

    Perkembangan teknologi informasi yang sangat cepat di tengah masyarakat membuat data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio, dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video. Citra (image), istilah lain untuk gambar, merupakan salah satu komponen multimedia yang berperan sangat penting sebagai bentuk informasi visual. Sebuah gambar dapat memberikan informasi yang lebih banyak dari pada informasi tersebut disajikan dalam bentuk kata-kata. 

    

    Istilah pengolahan citra digital secara umum didefinisikan sebagai pemroresan citra dua dimensi dengan komputer. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra sehingga dapat lebih mudah diinterpretasikan oleh mata manusia, namun dengan berkembangnya dunia komputasi dan dengan semakin meningkatnya kapasitas dan kecepatan proses komputer maka muncullah ilmu-ilmu komputasi yang memungkinkan komputer dapat mengambil informasi dari suatu citra untuk keperluan pengenalan objek secara otomatis. Pengolahan citra digital ini sangat erat kaitannya dengan ilmu pengenalan pola (pattern recognition) yang umumnya bertujuan untuk mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra. 

    

    Pengenalan pola bisa didefinisikan sebagai cabang kecerdasan yang menitikberatkan pada metode pengklasifikasian objek ke dalam kelas-kelas untuk menyelesaikan masalah tertentu. Pengenalan citra digital merupakan salah satu masalah dalam computer vision khususnya pattern recognition dan machine learning. Machine learning adalah salah satu disiplin ilmu dari computer science yang mempelajari bagaimana membuat komputer atau mesin mempunyai suatu kecerdasan. Agar mempunyai suatu kecerdasan, komputer atau mesin harus dapat belajar. Dengan kata lain machine learning adalah suatu bidang keilmuan yang berisi tentang pembelajaran komputer atau mesin untuk menjadi cerdas. 

    

    Pada tahun 2016 telah dilakukan penelitian oleh I Wayan Suartika, dkk mengenai salah satu metode machine learning yaitu Convolutional Neural Network (CNN) yang digunakan untuk klasifikasi citra objek. CNN adalah pengembangan dari Multilayer Perceptron yang didesain untuk mengolah data dua dimensi. Hasil uji coba dari klasifikasi objek citra dengan CNN ini menghasilkan tingkat akurasi sebesar 20%- 50% [1]. Metode lain dari machine learning yang dapat mengatasi permasalahan ini adalah Extreme Learning Machine (ELM) dengan tingkat akurasi yang lebih baik [2]. 

    Berdasarkan kelebihan ELM tersebut, dapat diambil kesimpulan bahwa ELM memiliki kemampuan klasifikasi yang diperuntukkan untuk data gambar. Oleh karena itu, pada Tugas Akhir ini akan digunakan Extreme Learning Machine untuk pengenalan objek citra digital.

Kesimpulan

Dari uji coba dan evaluasi dapat disimpulkan beberapa hal sebagai berikut: 1. Konstruksi model Extreme Learning Machine yang dibangun oleh tiga layer yaitu input layer, hidden layer, dan output layer dengan masing-masing terdiri dari 2500 node, 1250 node, dan 3 node berhasil melakukan pengenalan objek citra digital dengan rata-rata tingkat akurasi mencapai 57,33% pada citra dengan objek berukuran kecil, 81,33% pada citra dengan objek berukuran sedang, dan 74,67% pada citra dengan objek berukuran besar. 2. Keakuratan sistem sangat dipengaruhi oleh ukuran objek dalam citra. Citra dengan objek berukuran sedang menghasilkan tingkat akurasi paling tinggi, sedangkan citra dengan objek berukuran kecil menghasilkan tingkat akurasi paling rendah. Penentuan dataset juga sangat berpengaruh dalam menentukan kemampuan ELM. Selain itu, proses cropping yang tidak tepat mengakibatkan citra hasil praproses tidak terfokus pada objek yang akan dikenali sehingga hasil pengenalan yang diberikan tidak tepat. 3. Penentuan arsitektur dari ELM juga mempengaruhi keakuratan sistem. Pemilihan yang kurang tepat untuk jumlah node pada input layer, hidden layer, dan output layer akan memberikan hasil pengenalan yang kurang akurat. 

Jurnal 2
Implementasi Extreme Learning Machine Untuk Deteksi Dini Infeksi Menular Seks (IMS) Pada Puskesmas Dinoyo Kota Malang

Metode        : Eksperimental

Kelebihan    : Pengujian data cukup banyak. Penjelasan grafik dari data yang digunakan lengkap.

Kekurangan : Implementasi sistem masih kurang jelas.

Rangkuman

    Infeksi menular seks (IMS) merupakan penyakit atau infeksi yang biasanya ditularkan melalui hubungan seks yang tidak aman (vagina, anus, dan mulut) penularan bisa berupa cairan tubuh dalam. Adapun penularan lainya ibu yang menyusui bayinya dan penggunaan jarum suntik berulang pada seseorang yang beresiko. IMS tidak selalu menunjukkan gejala, seringkali seseorang terlihat biasa namun sebenarnya telah terinfeksi. 

    Penanganan pada Poli Penyakit Kulit dan Kelamin Puskesmas Dinoyo sudah baik namun tentunya masih ada kendala. Petugas medis kesulitan untuk melengkapi data pasien karena pasien penderita sendiri tidak tahu pasti akan gejala-gejala yang dialaminya. Ketika tanya jawab pemeriksaan dengan pasien penderita beberapa tidak berkata jujur pada riwayat penyakit IMS sebelumnya ataupun faktor resiko tertular. Dari permasalahan tersebut, penulis membuat suatu sistem cerdas yang mampu untuk menjawab permasalahan sebagai salah satu sarana pelayanan identifikasi dini IMS. 

    Berdasarkan penelitian sebelumnya, menggunakan kombinasi metode Rough Set (RS) dan Extreme Learning Machine (ELM). RS digunakan sebagai ekstraksi fitur dan menghapus fitur yang berlebihan. Kemudian dari fitur yang tersisa proses klasifikasi menggunakan metode ELM. Akurasi klasifikasi terbaik dari penelitian ini menggunakan 80% - 20% sebesar 100%. Ini merupakan perolehan yang sangat baik untuk sistem klasifikasi dengan kombinasi dua metode (Kaya dan Uyar, 2013). Selain itu Huang, et al (2006) dalam penelitiannya menyatakan metode ELM memiliki learning speed sangat cepat dan memiliki kinerja lebih bagus dari beberapa pembelajaran berbasis gradient. 

    Fardani (2015) menggunakan ELM untuk meramalkan jumlah kunjungan pasien rumah sakit. Penelitian menghasilkan akurasi baik dan tingkat error yang kecil yaitu menghasilkan MSE sebesar 0.027. Penelitian Lainnya yaitu prediksi klasifikasi menggunakan Extreme Learning Machine (ELM). ELM digunakan untuk mendiagnosis penyakit diabetes melitus, memakai 3 kelas klasifikasi. Dari segi kecepatan dan akurasi kinerja ELM lebih baik dibandingkan backpropagation. Tingkat akurasi dianalisis menggunakan Mean Square Error (MSE) untuk data testing menghasilkan adalah 0.4036 dan tingkat kesalahan MSE untuk backpropagation pada data testing adalah 0.9425. (Pangaribuan, 2016). 

  

    Berdasarkan permasalahan yang dijabarkan di atas dan juga penelitian sebelumnya, maka dalam penelitian ini penulis mengambil judul “Implementasi Extreme Learning Machine untuk Deteksi Dini Infeksi Menular Seks (IMS)”. Diharapkan dengan adanya aplikasi ini dapat memudahkan pasien atau masyarakat untuk mendiagnosis awal secara mandiri dengan pengawasan dan tindakan lanjut oleh pihak medis.

Kesimpulan

    Berdasarkan perancangan, implementasi, dan hasil analisis pengujian implementasi algoritma Extreme Learning Machine untuk untuk deteksi dini Infeksi Menular Seks (IMS), didapatkan kesimpulan sebagai berikut: 1. Algoritma Extreme Learning Machine dapat diimplementasikan pada permasalahan untuk deteksi dini Infeksi Menular Seks (IMS). Proses ELM dibagi menjadi 2 yaitu training untuk pembelajaran dan testing untuk pengukuran akurasi. Selanjutnya klasifikasi IMS dilakukan dengan cara memasukkan data pasien seperti jenis kelamin, faktor risiko serta gejala penyakit dan mengklasifikasikan berdasarkan parameter training terbaik yaitu nilai bobot keluaran, matrik random weight dan matrik random bias. 2. Nilai Evaluasi prediksi berdasarkan hasil pengujian yang diukur menggunakan nilai Akurasi pada implementasi algoritma ELM untuk deteksi dini IMS adalah sebagai berikut: a. Berdasarkan pengujian dan analisis perbandingan jumlah data latih dan data uji berpengaruh terhadap hasil perhitungan ELM. Rata-rata akurasi terbaik sebesar 36.36% pada rasio perbandingan 90%:10%. Hal ini membuktikan bahwa semakin banyak data training akan semakin baik nilai akurasinya. b. Pengujian dan analisis perbandingan nilai hidden neuron berpengaruh terhadap hasil perhitungan ELM. nilai akurasi paling optimal ditunjukkan pada 100 hidden layer dengan akurasi 0 20 40 1 2 3 4 akurasi presentase range weight Akurasi terhadap nilai range weight Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4406 Fakultas Ilmu Komputer, Universitas Brawijaya terbaik 50%. Hal ini menunjukkan bahwa 100 hidden layer lebih cocok digunakan untuk jenis data seperti pada penelitian ini. c. Pengujian dan analisis perbandingan jumlah range nilai weight random berpengaruh terhadap hasil perhitungan ELM. Akurasi terbaik sebesar 31.82% pada nilai range -1 sampai 0. Hasil pengujian ini bersifat fluktuatif tetapi ketika nilai range weight dipersempit pada parameter tertentu dapat meningkatkan akurasi.

DAFTAR PUSTAKA

https://media.neliti.com/media/publications/134572-ID-implementasi-extreme-learning-machine-un.pdf

j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/2914/1133/

Diffusion of Innovation Theory and an Implementation on Enterprise

Resource Planning Systems

Diffusion of Innovation Theory and an Implementation on Enterprise

Resource Planning Systems