Pengalaman Industri
Riwayat Pendidikan • Asisten Staf Khusus Presiden bid. Komunikasi Politik – 2010 - 2014
• S3, Bidang Informatik, Bielefeld, Germany • Tim Evaluator Eksternal dan Instruktur Asistensi/Piloting Sistem Pemerintahan
• S2, Bidang Computer Studies, Edith Cowan University, Australia Berbasis Elektronik (SPBE), KemenpanRB
• S1, Bidang Fisika, Universitas Indonesia, Jakarta • Tim Integrasi BKN – SIASN, Tim pengembang PISPK, mHealth – Kemenkes
• S1, Bidang Teknik Informatika, Universitas Gunadarma, Jakarta • Tim Pakar Pengembangan Dukcapil
• Tim Akademis Perbaikan JKN
• Tim Pakar Pengembangan pelatihan First Responder berbasis SNI 27037
Pengalaman Profesi • Tim Ahli pada Badan Standard Nasional Pendidikan (BSNP)
●
Dosen / Akademisi Universitas Gunadarma • Tim Perumus Standard Kompetensi Kerja Nasional Indonesia (SKKNI) dan Peta
●
Peneliti Universitaet Bielefed - Jerman Okupasi bidang TIK dan Kamsiber
• Anggota tim Strategi Nasional AI dan POKJA Talenta AI
• Tim Seleksi Beasiswa Unggulan dan DAAD
• Pengajar dan pengembang materi Digital Talent Scholarship dan Microcredential
Certification
COLORING THE GLOBAL FUTURE http://www.gunadarma.ac.id
Implementasi dan Miskonsepsi Big Data
Artificial
Intelligence Visualization
Machine Data
Learning Analysis
IoT devices
BIG DATA in CLOUD Decision
Support
IoT devices System
●
Ketika orang memulai menyimpan data secara digital ●
Semakin lama semakin beragam jenis data yang
ukuran data tidak besar disimpan
●
Makin banyak aplikasi makin banyak data disimpan ●
Semakin cepat laju data disimpan, semakin tinggi
●
Apakah hanya ukuran data yang menyebabkan Big Data? uncertainty dan unreliable data
●
Mungkinkan Big Data di dalam perangkat berukuran
●
Semakin banyak pemanfaatan data tersebut
kecil? ●
Semakin meningkat nilai pemanfaatan data → Kunci
●
Apa perbedaan dengan Very Large Data Base dari BigDta
●
Basically Available, satu titik pada sistem terdistribusi bisa
●
Atomic – Suatu pekerjaan pada sebuah transaksi down, tetapi seluruh sistem tetap tak berpengaruh
hanyalah lengkap (commit) atau tidak, ketika pekerjaan ●
Soft state, (scalable) state dari sistem dari state dan data
A ●
itu selesai.
Consistent – Suatu transaksi mentranformasi database ●
selalu berubah sepanjang waktu.
Eventually Consistent, dengan waktu tertentu, maka data
B
C dari suatu kondisi konsisten ke kondisi konsisten akan konsisten pada sistem terdistribusi
Characteristics
A
lainnya. Konsistensi di definisikan dengan constraing ●
I ●
Isolated – Hasil dari suatu perubahan yang dilakukan – Weak consistency – stale data OK S
pada suatu transaksi hanya akan terlihat ketika – Availability first
D transaksi tersebut telah commit – Best effort E
●
Durable – Hasil dari suatu transaksi yang kommit akan
– Approximate answers OK
bertahan ketika terjadi gangguan – Aggressive (optimistic)
– Simpler and faster
Sistem Informasi
Arsitektur Teknologi
●
Pendekatan berdasarkan Enterprise Arsitektur, TOGAF (The Open Architecture Framework)
●
Pengembangan sistem dimulai dengan memahami Arsitektur Bisnis → membutuhkan subject expert yang
memahami permasalahan, ruang lingkup dan cara pemecahannya
●
Aristektur Informasi dan Data harus dipahami dan dikembangkan dengan baik
●
Baru terakhir mengembangkan arsitektur aplikasi dan teknologi. Sebaiknya tidak melompat mengembangkan
sistem tanpa pemahaman informasi dan data yang lengkap
sumber:
https://www.knowledgehut.com/blog/data-science/role-of-unstructured-data-in-data-science
LIDAR
●
Agrikultur dan kehutanan – Dari data panen maka machine
learning dapat memprediksi pertumbuhan hutan per tahun,
Laser Scanning
untuk mengestimasi kesehatan hutan yang mungkin memiliki
Scannning Radar keterkaitan dengan populasi dan kecepatan penyakit menyebar
●
Latitude and longitude
●
Nama
●
Street address
●
Jenis Kelamin
x and y coordinates
●
Pendapatan
●
Link dalam user
Range and township
●
NIK
Link dalam aplikasi
●
●
Location shown on a map
●
NPWP
Link dalam db ●
Kesehatan
Link dalam data
MATA MATA
KULIAH KULIAH
ENTRE
TRAINING MAGANG PROYEK
PRENEUR
Data AI/ML
Data
7 Scientist Applied
Engineer
Research
Microsoft
INTEL
●
CRISP-DM: Cross Industry Standard Process for Data Mining
●
Non proprietary, Kerangkar Kerja untuk Panduan Kerja
●
Diadopsi menjadi Standard Kompetensi Kerja Nasional, Kepmennaker No. 299/2020
COLORING THE GLOBAL FUTURE http://www.gunadarma.ac.id
Pipelining
●
Pada penerapan solusi Data Science besar, di samping aplikasi
untuk melakukan algoritma data science dibutuhkan komponen Source: Machine Learning
lainnya Engineering
●
Aliran data (pipelining) harus dikelola secara otomatis
Diimplementasikan Diimplementasikan
●
Dibutuhkan perangkat bantu seperti ETL, Metadata Management, Jadi program Jadi program
Datawarehouse, Database dan lain sebagainya Dan dideploy pada sistem Untuk
Untuk membuat model memanfaatkan model
●
Sehingga proses pemanfaatan data tahap demi tahap dikelola oleh
software pipelining tersendiri
COLORING THE GLOBAL FUTURE http://www.gunadarma.ac.id
SDM Sipil dan Arsitek dalam Data Science/AI
01 Data Scientist
Mengembangkan model terbaik dari data untuk
menjawab permasalahan bisnis
02 Data Engineer
Menyiapkan (big) data untuk diolah/ dimodelkan
03 Data Analyst
Menganalisis/ mencari insight dari data (dan
menampilkannya dalam dashboard)
04
Project/ Product Manager
Mengelola projek/ produk berbasis data.
05 Domain Expert
●
Data scientist, Data Engineer, DevOps engineer bekerja
Memberi arahan tentang domain permasalahan
sama untuk memberikan solusi
Pada organisasi kecil seringkali dirangkap oleh orang yang
IT People
●
sama
06 Menyiapkan infrastruktur IT (terutama
●
Dengan mengetahui apa yang menjadi pertimbangan
pihak lain maka, data scientist dapat mempersiapkan deployment)
pekerjaannya dapat lebih tepat sehigga luarannya dapat
dimanfaatkan oleh pihak lain, misal Data Engineer DevOps
COLORING THE GLOBAL FUTURE http://www.gunadarma.ac.id
Platform teknologi
●
Beragam teknologi yang
menyusun solusi Big Data
●
Jadi bukan hanya
penyimpanan data
●
Query engine
●
Messaging - Queue
●
Pipelining data
●
Beragam model data dapat
ditangani
●
Sistem untuk penangani
ingestion dan crawling data
●
CI/CD untuk pengembangan
sistem dengan VM dan
Container
●
Harus dipertimbangkan
lisensi dan biaya subscription
termasuk perawatan
Horizontal
●
Skalabilitas: Sistem Big Data akan menerima data semakin lama semakin banyak, juga pengguna
akan semakin lama semakin banyak
●
Availabilitas: Pengguna bergantung pada Big Data untuk pekerjaan di dalam organisasinya,
termasuk menentukan rute perjalanan, menentukan kebijakan, maka sistem harus selalu dapat
diakses walau beban tinggi
●
Pada pendekatan ini ketika beban bertambah maka ●
Pada pendekatan ini ketika beban bertambah besar
perangkat keras diperbesar (lebih besar storage, RAM maka sistem yang sama ditambah
dsb) ●
Jadi bukan 1 komputer diperbesar tetapi ditambah
●
Tetapi terkadang permasalahan tidak bisa diatasi banyak komputer yang terintegrasi jadi satu
dengan ini ●
Google, Facebook dan sebagainya menggunakan
●
Masih ada masalah SPOF (Single Point of Failure pendekatan ini
COLORING THE GLOBAL FUTURE http://www.gunadarma.ac.id
Terima Kasih
VENDOR
HW/SW ●
AI diajarkan ke mahasiswa SEMUA
jurusan, baik bidang Rekayasa dan
●
Membutuhkan solusi ●
Membutuhkan solusi Teknologi juga bidang Humaniora
●
Mengoperasikan ●
Mengoperasikan sebagai mata kuliah unggulan
sistem PEMERINTAH Center INDUSTRI
sistem
●
Membangun solusi di Of ●
Membutuhkan solusi
●
Semua mahasiswa mengakses
pemerintah
Excellence
dengan platform DGX komputasi dengan perangkat Super
komputer NVIDIA DGX A100 atau
DGX-1
●
Materi praktek, juga diintegrasikan
Konsultan Developer
dengan V-Class (LMS pada Univ
● ●
DOSEN MAHASISWA
Trainer System Gunadarma) dan via UG TV (TV Digital)
● ●
●
Peneliti Support
●
Untuk embedded disediakan juga
Jetson Nano dan INTEL OpenVINO
https://www.hpc-hub.gunadarma.ac.id/