Overcoming Challenges and Achieving Success, 11.11.2024

Hari Senin, 11.11.2024, bertempat di ruang Coworking Space DSU GWM, Universitas Kristen Maranatha, Bandung, berkesempatan berbagi pengetahuan dan pengalaman, sekaligus membekali mahasiswa/i Prodi Manajemen, Fakultas Bisnis. Pertemuan yang dimulai pk 09.30, ternyata baru selesai pk 11.00, dari rencana semula hanya 60 menit.

Kiranya, apa yang disampaikan dapat menjadi inspirasi bagi teman-teman mahasiswa/i yang akan segera memasuki proyek akhir untuk persiapan skrips.

Kunjungan Dosen Politeknik Negeri Jakarta, 02.09.2024

Bapak Nana Sutarna, Ph.D. dan Ibu Dr. Prihatin Oktivasari adalah dua dosen pembimbing tesis saya saat menempuh studi di Program Magister Teknik Elektro di Politeknik Negeri Jakarta.  Kehadiran mereka di Padepokan NEXT SYSTEM Bandung, pada hari Senin, 2 September 2024, adalah sebuah kehormatan. Harapannya, Padepokan NEXT SYSTEM Bandung dan Politeknik Negeri Jakarta dapat melakukan kerjasama berkelanjutan, khususnya dalam rangka meningkatkan kualitas SDM. Hal ini selaras dengan salah satu visi dari Padepokan.

Time Series Forecast

Time series forecast adalah metode prediksi yang digunakan untuk memperkirakan nilai di masa depan berdasarkan data historis yang diurutkan secara kronologis. Dalam jenis analisis ini, data yang digunakan adalah data yang dikumpulkan secara berkala dari waktu ke waktu, seperti harian, bulanan, atau tahunan. Tujuan utama dari time series forecast adalah memodelkan pola yang ada di data masa lalu agar bisa memperkirakan tren atau perubahan yang mungkin terjadi di masa depan.

Contoh data time series termasuk suhu harian, harga saham, penjualan bulanan, atau konsumsi energi harian. Model yang baik akan membantu kita memahami pola musiman, tren jangka panjang, atau bahkan fluktuasi mendadak yang dapat memengaruhi data di masa depan.

Bagaimana Membuat Model Time Series Forecast?

Proses pembuatan model time series forecast umumnya terdiri dari beberapa langkah utama:

1. Pengumpulan Data
Langkah pertama adalah mengumpulkan data yang relevan. Data ini harus memiliki stempel waktu yang konsisten, misalnya data harian, bulanan, atau tahunan. Pastikan data mencakup periode yang cukup lama untuk mengidentifikasi pola dan tren.

2. Preprocessing Data
Sebelum memulai pemodelan, data perlu dibersihkan dan diproses. Hal ini meliputi:
– Menangani data yang hilang (*missing data*).
– Normalisasi data untuk membuat skala variabel yang konsisten.
– Resampling jika data memiliki interval yang tidak teratur.

3. Identifikasi Pola
Data time series sering kali memiliki komponen musiman (pola yang berulang pada periode tertentu) dan tren (pola naik atau turun jangka panjang). Mengidentifikasi pola ini akan membantu dalam memilih model yang tepat.

4. Pemilihan Model
Ada berbagai model yang dapat digunakan dalam *time series forecasting*, di antaranya:
– ARIMA (AutoRegressive Integrated Moving Average): Digunakan untuk menangkap tren dan pola musiman dalam data time series.
– SARIMA (Seasonal ARIMA): Perluasan dari ARIMA yang mampu menangani komponen musiman.
– LSTM (Long Short-Term Memory): Model *deep learning* yang unggul dalam memprediksi data time series yang memiliki ketergantungan jangka panjang.
– Prophet**: Model yang dikembangkan oleh Facebook yang khusus digunakan untuk forecast dengan tren dan musiman yang jelas.

5. Training dan Evaluasi Model
Setelah memilih model, data dibagi menjadi training dan testing set. Model dilatih menggunakan data historis, kemudian diuji pada data yang belum pernah dilihat sebelumnya untuk mengevaluasi akurasinya. Metrik evaluasi yang umum digunakan adalah Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE).

6. Penggunaan Model untuk Prediksi
Setelah model dievaluasi dan hasilnya memadai, model dapat digunakan untuk memprediksi nilai di masa depan. Model yang akurat akan memberikan prediksi yang bisa diandalkan untuk membantu pengambilan keputusan.

Di Padepokan NEXT SYSTEM Bandung terdapat sejumlah topik pelatihan terkait dengan Time Series Forecast. Untuk keterangan lebih lanjut, silahkan menghubungi kontak WA 085102238024.

 

Keepalive Timeout pada MQTT

Dalam komunikasi antar perangkat yang menggunakan protokol MQTT, keepalive timeout memiliki peran penting untuk menjaga stabilitas koneksi. Ketika sebuah klien MQTT terhubung ke server (broker), klien harus mengatur nilai keepalive timeout—biasanya dalam satuan detik. Nilai yang umum digunakan adalah 60 detik, yang artinya klien MQTT diharapkan mengirimkan paket setidaknya sekali setiap 60 detik.

Jika dalam periode keepalive tidak ada paket lain yang dikirim, klien dapat mengirimkan pesan PINGREQ kepada server. Server kemudian akan membalas dengan pesan PINGRESP. Tujuan dari proses ini adalah untuk mendeteksi apakah koneksi TCP masih aktif atau tidak. Dalam beberapa kasus, koneksi TCP bisa terlihat aktif meskipun sudah terputus, dan keepalive membantu mendeteksi hal tersebut.

Apabila server tidak menerima paket MQTT dari klien dalam interval keepalive (ditambah sedikit masa tenggang, biasanya sekitar 150% dari nilai keepalive), server akan menutup koneksi TCP. Ini memaksa klien untuk melakukan koneksi ulang.

Sebaliknya, jika klien tidak menerima balasan PINGRESP dari server dalam waktu yang telah ditentukan (biasanya juga 150% dari nilai keepalive), pustaka MQTT di klien akan menutup koneksi TCP, yang memaksa aplikasi klien untuk kembali melakukan koneksi ulang ke server.

Proses keepalive ini bisa dimatikan jika diperlukan. Caranya adalah dengan mengatur nilai keepalive menjadi 0 saat klien melakukan koneksi awal ke server. Ini berguna dalam skenario tertentu di mana tidak diinginkan adanya pemeriksaan rutin untuk memastikan koneksi masih hidup.

import paho.mqtt.client as mqtt 

clientPub = mqtt.Client("NextSystem_Brg68SiangF2_40112")
clientPub.connect("broker.mqtt-dashboard.com", keepalive=120) # keep alive 120 detik

Sidang Tesis di Politeknik Negeri Jakarta, 01.08.2024

Proses pembelajaran di program magister teknik elektro (MTTE) Politeknik Negeri Jakarta, tiba di penghujung. Hari Kamis, 1 Agustus 2024, menjadi sebuah milestone, di mana sidang tesis dilangsungkan di ruang sidang gedung Pascasarjana, kampus Politeknik Negeri Jakarta, di Depok. Sidang dimulai pk 14.00 WIB. Setelah mendapatkan penjelasan mengenai agenda sidang, proses ujian pun dimulai dengan pemaparan hasil penelitian tesis, yang dilanjutkan dengan pertanyaan-pertanyaan dari dosen penguji: Dr. Drs. Tossin Alamsyah, S.T., M.T., Dr. Dewi Yanti Liliana, S.Kom, M.Kom, dan Mera Kartika Delimayantim S.Si, M.T., Ph.D.

Dua dosen pembimbing: Nana Sutarna, S.T., M.T., Ph.D. (Pembimbing I) dan Dr. Prihatin Oktivasari, S.Si, M.Si,  (Pembimbing II) juga hadir di ruang sidang.

Dari lembar undangan ujian sidang, durasi ujian adalah 1 jam, namun prosesnya berlangsung selama 2 jam lebih 🙂

Setelah sesi tanya jawab selesai, setelah menunggu sekitar 15 menit, hasil sidang diumumkan oleh moderator, bahwa capaian nilai A. Puji Tuhan!

Dan sebagai penutup sesi ujian sidang, kami berfoto bersama. Pastinya bersama istri tercinta yang setia menunggu di ruang admin Pascasarjana selama ujian sidang berlangsung. Satu sobat juga turut hadir, Kang  Tohazen, M.Tr.T. Beliau memberikan pengawalan sejak sesi makan siang, perjalanan menuju kampus — seperti voorijder :), mengarahkan parkir kendaraan, memfasilitasi ruang tunggu untuk istri, dan menunggu hingga acara sidang selesai. Sungguh luar biasa sobat yang satu ini! Jempol, Kang Toha!

Hatur nuhun dan salam hormat untuk Bapak / Ibu dosen pembimbing dan Bapak / Ibu dosen penguji.

Deep Learning: Time Series Forecasting, 28.06.2024 – 02.07.2024

Terima kasih kepada Bapak Nana Sutarna, Ph.D., Ibu Dr. Murie Dwiyaniti, Ibu Dr. Prihatin Oktivasari (tidak tampak dalam foto) dan Bapak Tohazen, M.Tr. yang telah mengikuti kelas pelatihan Deep Learning: Time Series Forecasting, 28 Juni 2024 – 2 Juli 2024, yang berlangsung secara online.

Kiranya materi yang disampaikan dan sejumlah praktik yang dilakukan, memberikan asupan pengetahuan dan pengalaman, untuk mendukung riset dan proses mengajar belajar di kampus Politeknik Negeri Jakarta.

Workshop IPB 2024

Sabtu, 25 Mei 2024, bertempat di Hotel Grand Savero, Bogor, diadakan workshop terkait Internet of Things bagi dosen-dosen Prodi Teknologi Rekayasan Komputer, Sekolah Vokasi Institut Pertanian Bogor. Dalam kesempatan ini, saya mencoba menjelaskan secara singkat mengenai Internet of Things, dan menaruh perhatian lebih dalam pada perkembangan Artificial Intelligence of Things di bidang agrikultur. Waktu jualah yang membatasi pertemuan ini. Terima kasih kepada rekan-rekan yang telah bergabung dan bersemangat dalam bertanya. Kiranya benih yang ditabur jatuh di tanah yang baik, sehingga dapat berakar, bertumbuh dan berbuah 🙂

Jurnal SINTA1 Q3 Scopus

Pada tanggal 9 Maret 2024, sebuah email dari  chief editor Journal of Robotics and Control (JRC) masuk ke mailbox. Rupanya, email pemberitahuan bahwa naskah yang ditulis, diterima dan siap publikasi. Sebuah perjalanan yang tidak mudah, mengingat proses review yang cukup menyita waktu dan pikiran. Namun, proses tidak pernah mengecewakan hasil.

Setelah ditelusuri, ternyata jurnal yang satu ini memiliki akreditasi Sinta1 dan terindeks Q3-scopus.

Selamat kepada seluruh rekan yang telah bersama berjuang.

IEEE : Machine Learning Algorithm and Modeling in Solar Irradiance Forecasting

Publikasi ilmiah yang pertama akhirnya terbit juga. Tulisan bertajuk Machine Learning Algorithm and Modeling in Solar Irradiance Forecasting terbit melalui publisher IEEE, setelah diseminarkan pada perhelatan 6th International Conference of Computer and Informatics Engineering (IC2IE), 14-15 September 2023.

Machine Learning Algorithm and Modeling in Solar Irradiance Forecasting | IEEE Conference Publication | IEEE Xplore

 

 

Praktisi Mengajar Angkatan III

Dalam program Praktisi Mengajar angkatan ke 3, “dilamar” oleh tiga prodi dari dua kampus, namun yang satu gugur karena dosen pengampu lupa meng-upload RKK. Dua yang berjalan, dua-duanya dari prodi Teknik  Telekomunikasi (D4), Politeknik Negeri Sriwijaya, masing-masing berdurasi 12 jam.

Terima kasih kepada teman-teman yang sudah bergabung, semoga apa yang dibagikan boleh bermanfaat.