Nov 12
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.
Sep 03
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.
Aug 28
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.
Langkah pertama adalah mengumpulkan data yang relevan. Data ini harus memiliki time stamp yang konsisten, misalnya data harian, bulanan, atau tahunan. Pastikan data mencakup periode yang cukup lama untuk mengidentifikasi pola dan tren.
Sebelum memulai pemodelan, data perlu dibersihkan dan diproses. Hal ini meliputi:
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.
Ada berbagai model yang dapat digunakan dalam time series forecasting, di antaranya:
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:
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 WhatsApp 085102238024.
Aug 27
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 detikAug 02
Proses pembelajaran di Program Magister Terapan Teknik Elektro (MTTE) Politeknik Negeri Jakarta (PNJ), tiba di penghujung. Pada Kamis, 1 Agustus 2024, sidang tesis diselenggarakan sebagai salah satu tahap akhir studi. Acara ini berlangsung di ruang sidang Gedung Pascasarjana, Kampus Politeknik Negeri Jakarta, Depok., dimulai pk 14.00 WIB. Setelah mendapatkan penjelasan mengenai agenda sidang, proses ujian pun dimulai dengan pemaparan hasil penelitian tesis, dilanjutkan dengan sesi tanya jawab dari tim 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) turut hadir mendampingi selama sidang berlangsung.
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 nilai yang diraih adalah A. Puji Tuhan atas pencapaian ini!
Sebagai penutup rangkaian sidang tesis, sesi foto bersama menjadi momen berharga. Foto diabadikan bersama istri tercinta, yang dengan setia menunggu di ruang admin Pascasarjana selama 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.
Jul 03
Terima kasih kepada Bapak Nana Sutarna, S.T., M.T., Ph.D., Ibu Dr. Murie Dwiyaniti, S.T., M.T., Ibu Dr. Prihatin Oktivasari, S.Si, M.Si. (tidak tampak dalam foto) dan Bapak Tohazen, S.T., M.Tr.T. 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.
May 27
Pada Sabtu, 25 Mei 2024, saya mendapat kehormatan menjadi narasumber dalam workshop Internet of Things (IoT) yang diadakan oleh Prodi Teknologi Rekayasa Komputer, Sekolah Vokasi Institut Pertanian Bogor (IPB). Acara ini berlangsung di Hotel Grand Savero, Bogor, dengan fokus membahas penerapan teknologi IoT dalam mendukung berbagai sektor, khususnya agrikultur.
Workshop ini dihadiri oleh para dosen yang antusias mendalami teknologi IoT dan bagaimana inovasi ini dapat dimanfaatkan dalam dunia pertanian. Sebagai pembicara, saya memaparkan konsep dasar Internet of Things, manfaatnya dalam menghubungkan perangkat pintar, serta mengintegrasikan data untuk mendukung pengambilan keputusan yang lebih baik.
Saya terkesan dengan antusiasme para peserta, yang tidak hanya aktif bertanya tetapi juga berbagi pengalaman mereka dalam menerapkan teknologi di bidang masing-masing. Waktu memang terasa singkat, tetapi perbincangan yang hangat dan mendalam ini menjadi bukti bahwa semangat inovasi selalu hidup di tengah-tengah kita.
Terima kasih kepada Institut Pertanian Bogor atas kesempatan ini dan kepada rekan-rekan dosen yang telah bergabung dalam workshop. Harapan saya, ilmu yang telah dibagikan dapat menjadi “benih yang jatuh di tanah yang baik,” yang kelak berakar, bertumbuh, dan menghasilkan buah bagi kemajuan agrikultur Indonesia.
Mar 23
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.
Solar energy is one of the most promising renewable energy sources that can reduce greenhouse gas emissions and fossil fuel dependence. However, solar energy production is highly variable and uncertain due to the influence of weather conditions and environmental factors. Accurate forecasting of photovoltaic (PV) power output is essential for optimal planning and operation of PV systems, as well as for integrating them into the power grid. This study develops a deep learning model based on Bidirectional Long Short-Term Memory (Bi-LSTM) to predict short-term PV power output. The main objective is to examine the effect of hyperparameter tuning on the forecasting accuracy and the actual PV output power. The main contribution is identifying the optimal combination of hyperparameters, namely the optimizer, the learning rate, and the activation function, for the PV output. The dataset consists of 143786 observations from sensors measuring solar irradiation, PV surface temperature, ambient temperature, ambient humidity, wind speed, and PV power output for 50 days in Bandung, Indonesia. The data is preprocessed by smoothing and splitting into training (70%, 35 days), validation (15%, 7.5 days), and testing (15%, 7.5 days) sets. The Bi-LSTM model is trained and tested with two optimizers: Adam and RMSprop, and three activation functions: Tanh, ReLU, and Swish, with different learning rates. The results indicate that the optimal performance is obtained by the Bi-LSTM model with Adam optimizer, learning rate of 1e-4, and Tanh activation function. This model has the lowest MAE of 0.002931070979684591, the lowest RMSE of 0.008483537231080387, and the highest R-squared of 0.9988813964105624 when tested with the validation dataset and requires 93 epochs to build. The model also performs well on the test dataset, with the lowest MAE of 0.002717077964916825, the lowest RMSE of 0.007629486798682186, and the highest R-squared of 0.9992563395109665. This study concludes that hyperparameter tuning is a vital step in developing the Bi-LSTM model to improve the accuracy of PV output power prediction.
Dec 05
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.
Forecasting solar irradiance is a very important requirement for determining the potential of the energy produced, especially to maintain the continuity of the availability of electrical energy. Creating a solar irradiance forecasting modeling algorithm is important to obtain the degree of closeness between the predicted and actual results. This study proposes a novel method to solve solar irradiance prediction by using a machine learning model based on the Bidirectional Long Short-Term Memory (BiLSTM) with one hidden layer and three input data variables and involves setting hyperparameters. The processed data is primary data obtained from the measurement results of three sensors over a certain period. The training technique and model validation use the backpropagation algorithm by adjusting the learning rate value. The proposed BiLSTM model has achieved convergence at epoch 183rd and no overfitting occurs. Furthermore, the comparison between the BiLSTM model and the Baseline model shows that the BiLSTM model has better performance in predicting solar irradiance one minute ahead with mean absolute error (MAE) and root mean squared error (RMSE) values of 0.004326917696744204 W/m2 and 0.00917678491314492 W/m2 respectively. At the same time, the Baseline model shows MAE of 0.01438286076453574 W/m2 and RMSE of 0.033326815578768605 W/m2.
.
Nov 22
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.
