Machine Translated by Google

Diterima 18 Juli 2023; diterima 3 Agustus 2023. Tanggal terbit 31 Agustus 2023; tanggal versi saat ini 25 September 2023.
Pengenal Objek Digital 10.1109/ OJCOMS.2023.3310528

Kota Cerdas Berbasis Multi-Agen Generasi Berikutnya

Aplikasi dan Paradigma Penelitian
ANUJA ARORA 1 (Anggota Senior, IEEE), ARTI JAIN 1 (Anggota Senior, IEEE),

DIVAKAR YADAV 4 2 (Anggota Senior, IEEE), VIKAS HASSIJA3,

VINAY CHAMOLA (Anggota Senior, IEEE)
(Anggota Senior, IEEE), DAN BIPLAB SIKDAR 5
1Departemen Ilmu & Teknik Komputer dan Teknologi Informasi, Institut Teknologi Informasi Jaypee, Noida 201304, India

2Sekolah Ilmu Komputer dan Informasi, Universitas Terbuka Nasional Indira Gandhi, New Delhi 110068, India

3Sekolah Komputasi, Universitas Nasional Singapura, Singapura

4Departemen Teknik Elektro dan Elektronika, Institut Teknologi dan Sains Birla—Pilani, Pilani 333031, India
5Departemen Teknik Elektro dan Komputer, National University of Singapore, Singapura

PENULIS SESUAI: V. CHAMOLA (email: vinay.chamola@pilani.bits-pilani.ac.in)

Pekerjaan ini sebagian didukung oleh Kementerian Pendidikan, Singapura, di bawah Grant R-263-000-E78-114 dan Grant R-263-001-E78-114,
dan sebagian melalui Skema Penelitian dan Pengembangan Kolaboratif ASEAN-India melalui Pengembangan Ilmu Pengetahuan dan Teknologi ASEAN-India
Dana (AISTDF) (Disponsori) di bawah Hibah CRD/2020/000369.

ABSTRAK Kota pintar (smart city) telah mengalami peningkatan minat di kalangan pemerintah, peneliti, dan industri.
Kota pintar menggunakan teknologi digital untuk meningkatkan kualitas hidup penduduknya sekaligus mendorong keberlanjutan
dan pengelolaan sumber daya yang efisien. Dengan mengintegrasikan berbagai teknologi seperti Informasi dan
Teknologi Komunikasi (TIK), Kecerdasan Buatan (AI), dan Internet of Things (IoT), kota pintar
dapat meningkatkan penyampaian layanan publik, mengoptimalkan sistem transportasi, mengurangi konsumsi energi,
dan meningkatkan keselamatan publik, serta manfaat lainnya. Kota pintar fokus pada otomatisasi berbagai disiplin ilmu,
termasuk lingkungan cerdas, rumah pintar, ekonomi cerdas, mobilitas cerdas, dan tata kelola cerdas. Sebagai
Hasilnya, kota pintar yang digerakkan oleh multi-agen telah mendapat perhatian besar dari komunitas riset
untuk mendapatkan solusi cerdas terhadap masalah kompleks dalam berbagai disiplin ilmu dengan membagi tanggung jawab
menjadi beberapa agen dan memberdayakan agen melalui AI. Dalam hal ini, penting untuk ditelusuri
penggunaan sistem multi-agen di berbagai area aplikasi penting kota pintar. Dalam makalah ini, a
penjelasan rinci tentang proses multi-agen untuk area penerapan kota pintar disediakan, bersama dengan
sumber daya dan arah penelitian masa depan. Empat bidang aplikasi berbeda: rumah pintar, tata kelola cerdas,
lingkungan cerdas, dan mobilitas cerdas dibahas secara rinci.

ISTILAH INDEKS Kota pintar, sistem multi-agen, rumah pintar, tata kelola cerdas, lingkungan cerdas, cerdas
mobilitas, kecerdasan buatan, IoT, data besar.

I. PENDAHULUAN Urusan Perkotaan, Pemerintah India telah memulai misi,

Transform-Nation-Smart City, untuk mendorong pertumbuhan ekonomi dan
UNTUK MEMBANGUN
pendekatan perlu ekosistem
ditekankanperkotaan yang cerdas, smart city
ke arah berkelanjutan untuk meningkatkan kualitas hidup warga negara. Upaya besar lainnya
dan desain holistik untuk semua aplikasi penting. Kota pintar untuk membangun/mengubah kota pintar berasal dari Uni Eropa
sedang menjadi tren di seluruh belahan dunia [1]. misalnya, proyek NEOM (UE) yang sedang merancang strategi untuk menanamkan kota pintar
Arab Saudi bertujuan untuk menggabungkan konsep untuk pertumbuhan wilayah perkotaan [5]. Upaya-upaya ini bertujuan
teknologi kota pintar untuk mengembangkan kota berpenduduk satu juta dalam menghilangkan dampak negatif urbanisasi yang tidak terencana
jiwa yang membentang sepanjang 170 km, yang akan terhadap lingkungan dan masyarakat, termasuk
melestarikan 95% alam sekitar dengan nol emisi karbon [2], [3], [4]. penipisan sumber daya alam, peningkatan polusi, dan kepadatan berlebih
Kementerian Perumahan dan [6]. Urbanisasi yang tidak terencana juga dapat menimbulkan dampak tambahan

Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0. Untuk informasi lebih lanjut, lihat https://creativecommons.org/licenses/by/4.0/

2104 JILID 4, 2023

Machine Translated by Google
GAMBAR 1. AI Paralel: Tingkat fleksibilitas yang rendah.
tekanan pada pelayanan publik, seperti transportasi dan pengelolaan
sampah [7], [8].
Biasanya semua permasalahan smart city memerlukan proses
pembelajaran yang dapat menemukan solusinya dengan penalaran otomatis.
Integrasi Teknologi Informasi dan Komunikasi (TIK) bertindak sebagai
teknologi yang memungkinkan penalaran otomatis dan proses
pembelajaran otonom untuk memecahkan berbagai masalah kota
pintar. Kota pintar memanfaatkan berbagai teknologi informasi dan
komunikasi: komputasi awan dan kabut [9], pembelajaran mesin (ML)
[10], Internet of Things (IoT) [11], blockchain [12], kecerdasan buatan
(AI) [13] dll ., untuk membangun ekosistem yang cerdas [14]. Salah
satu pendekatan yang menjanjikan dan memberikan prognosis adalah
kecerdasan buatan terdistribusi (DAI) yang spektrum penerapannya
yang luas untuk kota pintar dieksplorasi secara rinci dalam makalah ini.
Banyak aplikasi kota pintar memerlukan pendekatan untuk menangani
masalah pembelajaran, perencanaan, dan pengambilan keputusan
yang kompleks [15]. Oleh karena itu, DAI merupakan satu-satunya
solusi yang dapat menyelesaikan permasalahan kota pintar secara
cerdas. Kekokohan, pemanfaatan sumber daya yang optimal, dan
fleksibilitas juga dapat dimasukkan ke dalam sistem kota pintar dengan
dukungan DAI [16], [17], [18]. Pekerjaan penelitian kota pintar telah
dilakukan dalam tiga paradigma AI berikut [19], [20]:
• Sistem AI Paralel (PAI): Dalam AI paralel, algoritma, arsitektur,
dan bahasa paralel dikembangkan. Sistem ini dikembangkan
menggunakan AI paralel dan memiliki fleksibilitas, namun pada
tingkat yang rendah. Gambar 1 menunjukkan contoh proses
aplikasi kota pintar yang digerakkan oleh AI secara paralel.
• Sistem Pemecahan Masalah Terdistribusi (DPS): DPS membagi
tugas menjadi sub-tugas yang ditugaskan ke entitas komputasi
(dianggap sebagai node dalam sistem). Entitas komputasi ini
berbagi sumber daya dan pengetahuan jika diperlukan,
berdasarkan pengaturan komunikasi yang telah ditentukan
sebelumnya [21]. Proses ini meningkatkan faktor fleksibilitas
JILID 4, 2023
GAMBAR 2. Pemecahan masalah terdistribusi: Fleksibilitas yang lebih baik dibandingkan dengan AI paralel.
GAMBAR 3. Sistem multi agen: Tingkat fleksibilitas yang tinggi.
dalam sistem multi-agen tetapi dalam batas tertentu. Proses
terdistribusi yang didorong oleh pemecahan masalah dari contoh
aplikasi kota pintar ditunjukkan pada Gambar 2. Garis padat pada
Gambar 2 menunjukkan transfer data aktual dan garis putus-putus
mencerminkan data untuk pembentukan pengetahuan dan sintesis
pengetahuan menggunakan proses
kecerdasan buatan. • Sistem Multi Agen (MAS): MAS mewakili
entitas otonom yang mempelajari konteks dan tindakan dalam
koordinasi dengan agen tetangga dan lingkungan. Terakhir,
setiap agen menggunakan basis pengetahuan AI-nya sendiri
untuk memutuskan dan melakukan tindakan yang paling tepat
sesuai dengan situasinya. AI dan pembelajaran menggabungkan
fleksibilitas tingkat tinggi dalam sistem untuk melakukan tugas
[22]. Gambar 3 menggambarkan sistem multi-agen/terdistribusi
yang digerakkan oleh AI dengan tingkat fleksibilitas yang tinggi.
Garis padat dan putus-putus pada Gambar 3 masing-masing
menunjukkan data aktual dan pembentukan pengetahuan, serta
sintesis pengetahuan menggunakan proses AI.
Perbedaan antara cara kerja AI paralel, pemecahan masalah
terdistribusi, dan sistem multi-agen terlihat jelas
2105
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY

TABEL 1. Makalah survei MAS terbaru.

terlihat pada penggambaran gambar [23], [24]. Transisi dari AI
paralel ke MAS secara signifikan meningkatkan fleksibilitas
dalam koordinasi, analisis, pengambilan keputusan, dan
pembagian sumber daya dalam sistem cerdas. Dari ketiga sistem
yang dibahas di atas, MAS dianggap sebagai subdivisi DAI dan
mengalami pertumbuhan pesat karena kemampuannya mengatasi
masalah komputasi kompleks secara cerdas. DAI memungkinkan
algoritme AI dalam sistem MAS untuk memproses data secara
mandiri dan cerdas di berbagai sistem, domain, atau perangkat di
edge. Dalam MAS, agen adalah entitas yang ditempatkan dalam
lingkungan yang merasakan berbagai faktor dan melakukan
tindakan untuk membangun sistem pengambilan keputusan yang
terenkapsulasi, otonom, dan berorientasi pada tujuan [25]. Agen
melakukan tindakan tertentu berdasarkan keputusan tersebut.
Agen/entitas otonom melakukan tindakan yang sesuai
menggunakan berbagai masukan seperti riwayat tindakan,
interaksi dengan agen tetangga, dan tujuan agen. Survei terbaru
yang relevan dengan MAS tercantum pada Tabel 1; makalah ini
mencakup berbagai perspektif MAS seperti pemrograman
berbasis agen, pembelajaran penguatan mendalam, deteksi
intrusi, dan teknologi berbasis logika untuk memecahkan masalah
aplikasi kota pintar [26].
Penjelasan komprehensif tentang agen, sistem multi-agen,
aplikasi MAS, evaluasi, komunikasi, dan tantangan penelitian
sistem multi-agen telah dieksplorasi oleh Dorri et al. [19]. Ikhtisar
pemrograman multi-agen disediakan oleh Cardoso dan Ferrando
[32], metode pembelajaran penguatan mendalam MAS oleh Du
dan Ream [33], dan makalah tambahan tercantum dalam Tabel
1. Publikasi terbaru ini menunjukkan pentingnya MAS untuk
mengatasi masalah penelitian terbaru dalam merancang aplikasi
kota pintar yang efektif dan cerdas [42]. Makalah ini bertujuan
untuk memberikan tinjauan literatur yang komprehensif dan
terintegrasi mengenai solusi MAS untuk domain kota pintar.
Selain itu, masalah penelitian yang terkait dengan empat sub-
domain kota pintar, beserta kumpulan data dan solusi multi-agen
dieksplorasi dan disajikan secara skematis. Kontribusi penelitian
makalah ini adalah sebagai berikut:

ÿ Gambaran umum skema dan diagram umum dari proses AI

terdistribusi pada teknologi multi-agen untuk masalah kota
pintar disajikan.
ÿ Studi mendetail tentang empat sub-domain utama: rumah
pintar, tata kelola cerdas, lingkungan cerdas, dan mobilitas
cerdas disajikan.
ÿ Proses multi-agen konseptual umum dan tinjauan penelitian
terkini untuk rumah pintar, tata kelola cerdas, lingkungan
cerdas, dan mobilitas cerdas disajikan dari sudut pandang
penelitian masa depan.
ÿ Sumber daya kumpulan data untuk sub-domain yang dipertimbangkan adalah

dieksplorasi.
ÿ Arah penelitian di masa depan beserta titik referensi
dicantumkan.
tata kelola yang cerdas, lingkungan yang cerdas, dan mobilitas
Dalam makalah ini, Bagian II membahas kerangka kerja dan yang cerdas masing-masing dibahas dalam Bagian III, Bagian IV,
dukungan teknologi ICT yang diperlukan untuk masalah penelitian Bagian V, dan Bagian VI . Kerangka konseptual, kumpulan data,
kota pintar multi-agen. Empat bidang penelitian penting: rumah pintar,dan arahan penelitian untuk domain kota pintar ini adalah

2106 JILID 4, 2023

Machine Translated by Google
GAMBAR 4. Diagram skema sistem AI terdistribusi untuk berbagai area aplikasi kota pintar.
dibahas secara rinci di bagian ini. Terakhir, kata penutup disajikan
pada Bagian VII.
II. CERDAS BERBASIS SISTEM MULTI-AGEN
KOTA PINTAR
Kota pintar mengacu pada suatu tempat atau wilayah yang berisi
penggunaan sumber daya manusia dan alam secara terencana
untuk meningkatkan kualitas hidup dengan bantuan integrasi faktor
teknologi canggih. Kota pintar didefinisikan sebagai pendekatan multi-
dimensi yang digabungkan, dikoordinasikan, dan diintegrasikan
dengan bantuan teknik AI untuk mengatasi permasalahan sosial,
ekonomi, dan lingkungan suatu kota. Dimensinya dapat berupa
manusia (insinyur, tenaga kerja terampil, pekerja, dll.), fasilitas
infrastruktur (zona WiFi), sosial (pertukaran informasi), dan
kewirausahaan (keputusan dan aktivitas bisnis) [27], [43]. Pada
dasarnya, sistem MAS untuk kota pintar merupakan gabungan dari
perspektif multi-aktor, multi-sektor, dan multi-level [44] untuk
menyediakan lingkungan yang serbaguna, kemampuan pengambilan
keputusan, dan koordinasi dalam sistem sosial-teknis. . Proses
sistem multi-agen secara bergambar direpresentasikan dalam
Gambar 4 yang menunjukkan domain aplikasi inti kota pintar: rumah
pintar, lingkungan pintar, industri pintar [45], ekonomi pintar [46],
dan pemerintahan cerdas dalam awan warna biru.
Teknologi TIK mencakup pusat metadata, database terdistribusi,
server terdistribusi, basis pengetahuan AI (untuk pengambilan
keputusan), portal multi-agen terdistribusi, dll. Ini diperlukan
berdasarkan ruang lingkup pekerjaan dan digambarkan dalam batas
warna merah elips. Variasi pendekatan teknis ditentukan berdasarkan
tujuan/sasaran
JILID 4, 2023
aplikasi kota pintar. Pengaturan intervensi, keamanan, dan
pengaturan privasi juga merupakan bagian dari sistem MAS yang
dirancang. Untuk meniru perilaku manusia, sistem AI digabungkan
untuk menunjukkan kecerdasan manusia dalam sistem kota pintar
dan menjadikannya sukses di semua tingkatan. Struktur kota
tradisional beroperasi dengan tingkat interaksi yang minimal antara
satu sama lain, sehingga mempengaruhi kualitas hidup, keberlanjutan
infrastruktur kota, serta lingkungan. Mengingat, pengembangan dan
integrasi Internet of Things (IoT), Internet of Services (IoS),
pembelajaran online, dan jejaring sosial di perkotaan mempunyai
dampak yang terus-menerus, tegas, dan positif terhadap layanan
kota seperti transportasi, energi. , layanan kesehatan, keamanan,
keselamatan, distribusi air, ekonomi, dan pemerintahan.
Sistem kota pintar adalah sistem berbasis multi-agen yang
kompleks untuk membuat keputusan berdasarkan perilaku multi-
agen menggunakan sumber daya yang diminimalkan dan infrastruktur
optimal yang dikendalikan oleh algoritma baru [47]. Berbagai agen
terlibat dalam aplikasi kota pintar sesuai dengan peran mereka yang
ditentukan. Pembagian kategori agen untuk kota pintar ditunjukkan
pada Gambar 5 di mana agen adalah entitas otonom fleksibel yang
ditempatkan dalam suatu lingkungan. Peran agen adalah merasakan
berbagai parameter pengambilan keputusan berdasarkan tujuan
yang ditentukan entitas dan selanjutnya melakukan tindakan spesifik
berdasarkan keputusan yang diambil. Beberapa agen lainnya adalah
sebagai berikut:
ÿ Agen Aktif: Secara proaktif mengambil tindakan di
lingkungannya untuk mencapai tujuannya;
ÿ Agen Pasif: Merespon rangsangan yang masuk atau
permintaan dari lingkungannya;
2107
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY
GAMBAR 5. Kategori agen dalam sistem multi-agen.
ÿ Multi-Agen: Berinteraksi satu sama lain untuk mencapai tujuan bersama.
Dalam MAS, agen memiliki kemampuannya sendiri; ÿ Agen Refleks
Sederhana:
Mengambil masukan dari lingkungan dan menghasilkan tindakan sebagai
respons terhadap masukan tersebut, berdasarkan seperangkat aturan
yang telah ditentukan sebelumnya; ÿ Agen Kognitif: Agen yang dapat
bernalar, belajar, dan membuat keputusan berdasarkan pengetahuan dan
pemahaman mereka tentang dunia, tidak seperti agen yang berdasarkan
aturan yang telah ditentukan sebelumnya dalam agen refleks;
ÿ Agen Berbasis Model: Mempertahankan model internal atau representasi
lingkungan di mana ia beroperasi;
ÿ Agen Berbasis Tujuan: Beroperasi dengan terlebih dahulu menentukan
serangkaian tujuan yang ingin mereka capai dan kemudian mengambil
tindakan untuk mencapai tujuan tersebut;
ÿ Agen Berbasis Utilitas: Membuat keputusan berdasarkan utilitas atau
nilai yang diharapkan dari tindakan yang berbeda; ÿ Agen
Perantara: Beroperasi di MAS dan bertindak sebagai perantara antara agen
lain dalam sistem.
Faktor-faktor yang terkait dengan agen yang disebutkan adalah:
1) Entitas adalah jenis agen, misalnya perangkat lunak,
perangkat keras, dan kombinasi keduanya;
2) Lingkungan adalah tempat dimana agen berada;
3) Parameter adalah variasi data yang diterima agen dari lingkungan;
4) Tindakan adalah kegiatan yang secara otomatis dilakukan oleh suatu
agen yang mengakibatkan perubahan pada lingkungan; Dan
5) Kendala adalah faktor tambahan terkait entitas, lingkungan, atau tindakan
yang perlu dipertimbangkan saat mengembangkan sistem multi-agen.
Penelitian MAS sangat penting untuk mengembangkan agen cerdas yang dapat
secara efektif mengontrol, mengelola, dan mengoordinasikan beberapa data
perangkat, khususnya untuk area aplikasi kota pintar yang penting. Empat
bagian berikutnya membahas area penerapan penting kota pintar yang
memerlukan penelitian MAS yang signifikan untuk menyediakan sistem kota
pintar yang stabil. Dalam penelitian MAS, agen dapat berkolaborasi untuk
mengoptimalkan aliran data, mengoordinasikan penjadwalan, dan memfasilitasi
pembagian sumber daya antar entitas yang berbeda. Praktik penelitian MAS ini
tetap sama untuk semua subdomain kota pintar. Dari sekian banyak, empat
detail subdomain paling menonjol dan populer dibahas di
2108
makalah ini. Tantangan MAS dari keempat subdomain tersebut adalah sebagai
berikut:
1) Rumah pintar dilengkapi dengan berbagai perangkat dan sensor IoT yang
berinteraksi satu sama lain untuk memberikan layanan otomatis dan
cerdas kepada penghuninya. Penelitian MAS sangat penting untuk
mengembangkan agen cerdas yang dapat mengontrol dan mengelola
perangkat ini. Agen dapat mengoordinasikan tugas-tugas seperti suhu,
pencahayaan, keamanan, dan manajemen energi di dalam rumah.
Sistem MAS perlu memberikan solusi optimal untuk meningkatkan
kenyamanan dan kemudahan penghuni.
2) Tujuan smart governance adalah untuk meningkatkan pelayanan publik,
memberikan proses pengambilan keputusan yang efektif, dan
membangun solusi yang optimal untuk melibatkan masyarakat dalam
pengambilan keputusan kebijakan pemerintah. Sistem MAS diperlukan
untuk mengumpulkan dan menganalisis data opini publik yang
dikumpulkan melalui berbagai sumber dan memberikan wawasan real-
time kepada para pembuat kebijakan. Bahkan antarmuka atau aplikasi
interaktif perlu dikembangkan untuk memantau operasi kota, keterlibatan
warga, partisipasi masyarakat, dan lain-lain.
3) Lingkungan cerdas berfokus pada pemantauan, pengelolaan, dan
pengendalian faktor lingkungan. Sistem lingkungan cerdas multi-agen
memiliki agen cerdas untuk mengumpulkan data sensor dan membuat
keputusan cerdas.
MAS di lingkungan cerdas dapat membantu jaringan cerdas dan sistem
manajemen energi cerdas untuk mengoptimalkan pembangkitan,
distribusi, dan konsumsi energi.
4) Mobilitas cerdas berfokus pada pembangunan sistem transportasi cerdas
untuk pejalan kaki, angkutan umum, manajemen lalu lintas, dan
kendaraan otonom. Dengan memanfaatkan layanan MAS, berbagai
agen dapat berkolaborasi untuk mengoptimalkan arus lalu lintas,
mengoordinasikan jadwal transportasi umum, dan memfasilitasi
pembagian sumber daya antar moda transportasi yang berbeda.
AKU AKU AKU. RUMAH PINTAR
Rumah pintar adalah area yang sedang berkembang dan menarik sinergi dari
beberapa teknik komputasi. Bagian ini berfokus pada beberapa contoh aplikasi
rumah pintar spesifik yang diperlukan untuk meningkatkan kualitas hidup
manusia. Sistem multi-agen adalah sistem cerdas komputasi yang memiliki
JILID 4, 2023
Machine Translated by Google
GAMBAR 6. Kerangka kerja multi-agen umum untuk aplikasi rumah pintar.
potensi untuk mengimplementasikan beberapa agen cerdas interaktif
dalam lingkungan untuk membangun aplikasi rumah pintar. Beberapa
Inisiatif ini ada ketika arsitektur teknis dan komersial yang realistis dan
didukung ICT untuk rumah pintar telah ada
dirancang [48]. Praktik umum dan biasa adalah pengembangan aplikasi
rumah pintar cerdas individu,
yaitu, aplikasi rumah pintar cerdas yang digerakkan oleh agen [49].
Sedangkan, kecerdasan terdistribusi yang digerakkan oleh multi-agen
Aplikasi di rumah adalah satu-satunya solusi yang layak dan efektif untuk
solusi akhir yang proaktif dan berbasis AI tingkat tinggi
proyek rumah pintar. Tujuan dari MavHome pintar
proyek rumah [50] di Universitas Texas di Arlington
dapat memprediksi pola mobilitas dan penggunaan perangkat
penduduknya. Para penulis telah menunjukkan bahwa multi-agen adalah sebuah
Gambar 6. Gambar tersebut menunjukkan generik
pendekatan yang efektif untuk mengendalikan masalah lingkungan
cerdas. Meskipun agen individu cukup untuk menangani a
serangkaian masalah tertentu, tetapi untuk mengkoordinasikan kegiatan
banyak agen, solusi multi-agen diperlukan.
A. KERANGKA UMUM RUMAH PINTAR
Pekerjaan terbaru yang dilakukan dalam arah ini menyajikan sistem multi-
agen yang menggunakan pemrograman logika probabilistik untuk
lingkungan rumah pintar. Para penulis telah memperkenalkan teknik
penalaran prob-abilistik yang membantu agen untuk mengambil keputusan
JILID 4, 2023
keputusan dalam ketidakpastian dan meningkatkan proses pengambilan
keputusan dengan bertukar informasi tentang kehilangan
dan faktor yang tidak teridentifikasi [51] [52]. Mekuria dkk. [53] punya
memperkenalkan sistem multi-agen di mana agen perangkat, agen
layanan, agen pemikir, dan agen negosiator terbentuk
untuk skenario berbeda untuk lingkungan rumah pintar.
Sistem multi-agen lain untuk mengembangkan adaptif diri
Sistem IoT untuk mengambil keputusan yang tepat dalam situasi yang
tidak terduga diperkenalkan oleh Ayala et al. [54]. Di dalam
pekerjaan, kombinasi pendekatan berorientasi tujuan dan lini produk
perangkat lunak diperkenalkan untuk mendorong evolusi
sistem multi-agen. Berdasarkan literatur yang ada, bersifat generik
Kerangka multi-agen khusus untuk aplikasi rumah pintar disajikan pada
diagram konseptual yang pada tahap pertama dan awal dimiliki
beberapa sensor dipasang di rumah pintar. Agen perangkat
mengontrol dan secara cerdas menangani semua status sensor di
rumah Pintar. Informasi tentang semua sensor disimpan di
database dan ditangani oleh agen database. Antarmuka
agen berfungsi sebagai antarmuka untuk memeriksa kecerdasan buatan
perilaku pada data sensor untuk memberikan dukungan AI yang berbeda
layanan seperti manajemen energi, kontrol rumah pintar,
keamanan, dan perawatan lansia. Kerangka pada gambar mungkin
memerlukan perubahan agen dan layanan yang disediakan/ditangani oleh
agen sesuai dengan tujuan penelitian.
2109
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY

TABEL 2. Sumber kumpulan data dan makalah penelitian yang relevan untuk rumah pintar.
B. SUMBER DATA Di rumah
pintar, data dikumpulkan oleh sensor dari sejumlah profesional berbeda
(layanan kesehatan, portal e-commerce, pengasuh, keluarga, dan
penyedia layanan) yang mungkin tertarik dengan data tersebut. Untuk
aplikasi rumah pintar diperlukan data temporal yang berupa sequence
atau time series. Data temporal ini dikumpulkan menggunakan sensor
yang ditempatkan di rumah pintar untuk menangkap aktivitas manusia
sehari-hari dan berisi informasi berharga yang sangat besar. Survei
literatur sistematis di bidang ini diterbitkan dalam [51], [52], [53]. Para
penulis telah mengutip bahwa penelitian untuk area rumah pintar terutama
dilakukan dalam tiga arah: manajemen energi, otomatisasi rumah, dan
perawatan pasien-lansia [53]. Oleh karena itu, data juga dieksplorasi ke
arah yang sama dan dirinci bersama ini.

Pengumpulan data otomatisasi rumah pintar dilakukan melalui

beberapa metode tetap. Metode pengumpulan data yang paling umum
dan populer adalah memasang sensor di berbagai tempat di rumah dan
merekam data deret waktu untuk jangka waktu tertentu. Beberapa
kumpulan data yang dikumpulkan melalui ini tercantum pada Tabel 2.
Chimamiwa dkk. [55] telah menyediakan kumpulan data tak berlabel yang
dikumpulkan secara terus menerus dari sensor selama jangka waktu
enam bulan. Beberapa sensor (sensor inframerah, resistor penginderaan
gaya, saklar buluh, sensor cahaya, sensor suhu, sensor kelembaban, dll.)
digunakan untuk mengambil data dari interaksi pengguna dengan
lingkungan seperti pergerakan manusia, penggunaan air, dan tekanan
pada kasur. Kumpulan data terdiri dari enam sensor unik: cahaya,
tekanan, gerakan, kelembapan, gaya, dan suhu. Keenam sensor ini
dipasang di berbagai tempat, sehingga total 23 data sensor dikumpulkan
dan disimpan dalam database SQL selama enam bulan terus menerus.
Beberapa metode pengumpulan data alternatif telah digunakan oleh para
peneliti seperti ponsel pintar dan kamera. Ponsel pintar digunakan untuk
mengumpulkan aktivitas kehidupan sehari-hari dan penulis telah
menggunakan akselerometer dan giroskop untuk hal yang sama [56],
[57], [58].
Umpan kamera untuk melacak aktivitas manusia adalah pendekatan
lain yang digunakan oleh Pirsiavash dan Ramanan [67] di mana data
ditangkap menggunakan perangkat kamera yang dapat dipakai. Beberapa
kumpulan data lainnya untuk lingkungan rumah pintar tertentu tersedia
di GitHub, Mendeley, dan Kaggle seperti informasi cuaca, kumpulan data
penjadwalan perangkat rumah pintar [68] [69], dan kumpulan data rumah
pintar kesehatan [70]. Daftar rinci kumpulan data rumah pintar diberikan
pada Tabel 2.

C. ARAH PENELITIAN Komunitas

riset rumah pintar telah mempertimbangkan banyak arah penelitian yang
menarik. Dalam literatur yang ada, ada tiga sektor utama dalam domain
penelitian rumah pintar [48], [71]: 1) Manajemen energi, 2) Otomatisasi
rumah, 3) Perawatan

lansia.

digunakan untuk memberikan fasilitas yang sebelumnya tidak terlihat

Potensi penelitian masa depan yang cukup besar tetap ada pada kepada pengguna yang menjadikan penelitian dalam domain ini perseptif
ketiga sektor ini karena evolusi sensor fungsionalitas yang canggih, dan responsif. Visualisasi desain rumah pintar dapat bertransformasi
kompleks, dan unik. Sensor baru ini bisa jadi menjadi rumah pintar yang efektif dan mempercepat pengembangannya. Lainnya

2110 JILID 4, 2023

Machine Translated by Google

TABEL 3. Arah penelitian untuk aplikasi rumah pintar (MAS: sistem

Selain ketiga bidang ini, satu bidang penelitian terbuka adalah privasi multi-agen, SCADA: kontrol pengawasan dan akuisisi data; AI: kecerdasan
dan keamanan. Privasi di rumah pintar bersifat wajib dan memastikan buatan, IoT: Internet of Things, ANN: jaringan syaraf tiruan, CA-MAS:
multi-sadar konteks -sistem agen, OWL: bahasa ontologi web; BDI:
bahwa data dapat diakses berdasarkan kebutuhan, misalnya, • Data apa keyakinan, keinginan, dan niat; AR: augmented reality, RL: pembelajaran penguatan).
saja yang diperlukan? • Siapa
yang membutuhkan data
tersebut? • Mengapa data diperlukan?
Tujuan keamanan sistem multi-agen adalah kebutuhan akan sistem
yang stabil. Arah penelitian lainnya adalah pembentukan kumpulan data
multi-sensor untuk sistem rumah pintar multi-agen dan koordinasi data
sumber daya multi-agen tersebut. Ada potensi besar penelitian masa
depan dalam bidang model pembelajaran. Namun demikian, pekerjaan
di masa depan kemungkinan besar akan berfokus pada eksplorasi model
saraf berbasis memori, model pembelajaran penguatan, dan model
pembelajaran mendalam untuk data deret/urutan waktu yang dikumpulkan
sensor.
Untuk sistem manajemen energi, penyimpanan energi pada penerapan
fotovoltaik surya di atap, permintaan energi di masa depan, dan prediksi
pasokan perlu dipertimbangkan [71].
Penyeimbangan beban peralatan merupakan aplikasi penting dalam
penyeimbangan beban hemat energi. Sistem pemantauan beban intrusif
yang efektif diusulkan pada [72] untuk mengembangkan sistem
pengenalan aktivitas untuk data yang ditangkap melalui sensor IoT.
Tiga model pengklasifikasi pembelajaran mesin: jaringan saraf maju
umpan, memori jangka pendek panjang (LSTM), dan mesin vektor
dukungan digunakan untuk memvalidasi hasilnya. Agen juga terlibat
dalam aktivitas seperti mengumpulkan dan menyimpan data historis
mengenai konsumsi daya. Dengan menerapkan kecerdasan buatan,
sistem dapat memahami kebiasaan pengguna serta dukungan untuk
mengurangi emisi CO2. Arah penelitian lainnya adalah desain rumah
pintar berbasis konteks yang sedang dalam tahap awal baik penelitian
maupun pengembangan dan memiliki banyak ruang lingkup penelitian
dengan berbagai faktor kontekstual.
Beberapa makalah penelitian tentang topik serupa tercantum pada
Tabel 3 yang berisi rincian aplikasi, penulis terkait, dan teknologi ICT
untuk berbagai arah penelitian dalam domain rumah pintar.

IV. SMART GOVERNANCE

Paradigma smart governance ditujukan untuk mendukung pengambilan
keputusan di kota pintar untuk menentukan kebijakan yang dirancang
dengan baik. Hal ini juga mengacu pada penggunaan TIK dalam cara-
cara inovatif untuk bertukar informasi, berkomunikasi, dan berkolaborasi
dengan pemangku kepentingan untuk melakukan improvisasi dalam
penyampaian layanan pemerintah. Sistem multi-agen digunakan untuk
memungkinkan komunikasi antar pemangku kepentingan di berbagai
layanan, terutama masyarakat. MAS juga menyelidiki metode pengambilan
keputusan untuk mengatasi kesenjangan komunikasi antara masyarakat
dan penyedia layanan pemerintah. Meskipun sejumlah besar karya
telah diterbitkan untuk pengambilan keputusan di kota pintar, metode
berbasis AI untuk pengambilan keputusan perkotaan memerlukan
perhatian khusus karena kurangnya eksplorasi [77].
Pada tahun 2019, Hoang dkk. [86] menyebutkan dalam ulasan mereka
bahwa hanya sedikit penelitian yang merinci metode berbasis agen
dalam hal kecerdasan buatan untuk menyediakan sistem pendukung untuk mengevaluasi model berbasis agen untuk sensus, laporan energi,
keputusan yang kuat dan otomatis. Survei wilayah Komisi Perencanaan Regional Lembah Delaware
Khansari dkk. [87] telah mengeksplorasi dan mengembangkan prototipe (DVRPC), pemodelan GIS, dan teori ilmu sosial

JILID 4, 2023 2111

Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY
GAMBAR 7. Kerangka konseptual tata kelola cerdas yang umum.
kebiasaan manusia. Pekerjaan menarik lainnya dalam arah ini
dilakukan oleh Ligtenberg dkk. [88] yang fokusnya adalah pada sistem
MAS untuk mengembangkan sistem pendukung perencanaan dengan
mengambil tindakan manusia dan keputusan manusia dengan
mempertimbangkan perubahan spasial. Berbagai faktor aktor seperti
pejabat pemerintah, pekerja lapangan, warga negara, dll digunakan.
A. KERANGKA UMUM UNTUK TATA KELOLA YANG CERDAS
Kerangka konseptual tata kelola cerdas yang umum diperkenalkan
dan digambarkan pada Gambar 7. Kotak pembatas pertama
menampilkan pemangku kepentingan yang merupakan penerima
manfaat kebijakan, yaitu masyarakat (warga negara) atau pejabat
yang melakukan pekerjaan dasar dan memahami permintaan/
pandangan publik terhadap suatu kebijakan. kebijakan tertentu [89].
Informasi ini dikumpulkan dalam berbagai bentuk (survei, wawancara,
diskusi kelompok, dll) dan disimpan dalam database terstruktur. Lebih
jauh lagi, dalam hal tata kelola yang cerdas, kementerian, pemerintah
daerah, departemen khusus kebijakan, dan penyedia layanan pusat
akan menerapkan teknologi TIK yang berbeda untuk mengekstraksi
wawasan dari interaksi batas sebelumnya. Hasil akhir dari kegiatan
pembuatan kebijakan atau peningkatan TIK ini adalah untuk
menggabungkan ide-ide publik sambil menggali kebijakan/layanan
pemerintah untuk kesejahteraan warganya. Pada akhirnya, hasil
berupa umpan balik terhadap kebijakan baru yang dirancang oleh tata
kelola cerdas dikumpulkan dari masyarakat dan pejabat pemerintah.
Model konseptual umum yang disajikan dapat dieksplorasi dan
digunakan untuk membangun beberapa prototipe kebijakan tata kelola
cerdas untuk mengevaluasi peran pemodelan berbasis agen. Misalnya,
dalam kasus pembangunan perkotaan, model ini dapat digunakan
untuk mengekstrapolasi populasi dalam skenario perkotaan di masa
depan, mengumpulkan pandangan masyarakat terkait dengan
permasalahan yang diangkat, dan merancang alat untuk mengukur
permintaan transportasi, permintaan energi, permintaan ekonomi,
dan permintaan jejak lingkungan. Selanjutnya, kebijakan yang tepat
dalam semua aspek ini harus dirancang dengan memperhatikan
semua faktor lingkungan [87]. Rausser dkk. [90] telah mengerjakan
2112
karakteristik pemerintahan yang cerdas dan prinsip-prinsip inti analisis
kebijakan yang baik. Penelitian ini dilakukan untuk menjelaskan
keterputusan antara kebijakan pertanian dan sumber daya yang
diamati karena kurangnya interaksi. Kerangka konseptual tersebut
dapat diterapkan pada sejumlah bidang pengambilan kebijakan oleh
pemerintah untuk mengurangi keengganan masyarakat dan
pemerintah. Subbagian selanjutnya memberikan rincian sumber daya
untuk penelitian tata kelola cerdas di masa depan dalam hal kumpulan
data pemerintahan terbuka (Bagian IV-B) dan arahan penelitian
(Bagian IV-C) untuk kemajuan menggunakan teknologi TIK.
B. SUMBER DATASET
Organisasi pemerintah telah mulai berbagi data terbuka untuk
membantu organisasi publik mendapatkan wawasan dari data interaksi
pemangku kepentingan dalam konteks kota pintar. Pereira dkk. [91]
telah mengusulkan model konseptual untuk menganalisis peningkatan
nilai-nilai publik yang diperoleh oleh proyek kota pintar yang
mengungkapkan data terbuka. Pada bulan Oktober 2015, Piagam
Data Terbuka Internasional menetapkan prinsip-prinsip dan praktik
terbaik untuk rilis data pemerintah yang awalnya diadopsi oleh 17
negara dan diperoleh oleh 74 negara penandatangan pemerintah
pusat dan daerah pada tahun 2020. Dari sekian banyak negara,
terdapat beberapa repositori data terbuka dari berbagai negara
tercantum pada Tabel 4 dalam konteks smart governance.
Berbagai aktivitas terkait data dalam konteks smart governance
telah diupayakan dalam penelitian beberapa tahun terakhir seperti
pengumpulan data, pengolahan data, penataan data, akses data,
analisis data, dan data real-time untuk menganalisis kehidupan kota.
Namun, menyiapkan data untuk merancang kebijakan berdasarkan
sudut pandang pemangku kepentingan merupakan tugas yang
menantang karena data yang dikumpulkan umumnya tidak terstruktur
dan semi-terstruktur, sehingga memerlukan penyempurnaan.
C. ARAH PENELITIAN Smart
governance merupakan salah satu cara untuk membantu organisasi
publik menjadi lebih terbuka dan meningkatkan interaksi dengan
pemangku kepentingan untuk mengidentifikasi keputusan berdasarkan
pandangan mereka yang dibagikan dalam berbagai bentuk seperti
media sosial, blog, forum diskusi publik, kata-kata. dari mulut ke mulut,
survei, dll. Para peneliti memiliki spektrum penelitian yang luas dan
banyak pekerjaan telah dimulai di bidang ini untuk kesejahteraan
masyarakat dengan menggunakan teknologi. Pekerjaan tersebut
dilakukan sebagai sebuah entitas otonom yang fleksibel, yaitu sebagai
agen, namun akumulasi dari agen-agen ini dalam bentuk sistem multi-
agen masih merupakan area yang belum dieksplorasi. Oleh karena
itu, penelitian khusus mengenai sistem multi-agen mengenai tata
kelola yang cerdas dijelaskan di sini. Dalam sistem multi-agen, setiap
agen melakukan tindakan yang tepat menggunakan banyak masukan
dan kemudian berinteraksi dengan agen tetangga, dan lingkungan
diatur untuk koordinasi dan mempelajari konteks dan tindakan baru
yang menggabungkan fleksibilitas ekstrem ke dalam sistem. Dalam
sistem multi-agen, pendekatan berbasis kecerdasan buatan baru telah
muncul untuk memodelkan sistem pengambilan keputusan yang
kompleks. Ketika tantangan untuk memodelkan sistem tata kelola
cerdas multi-agen yang kompleks semakin besar, komunitas riset pun mulai mela
JILID 4, 2023
Machine Translated by Google
GAMBAR 8. Arah penelitian di bidang lingkungan cerdas.
menerapkan berbagai model komputasi untuk menentukan batas
dan tujuan dari spektrum penelitian yang luas ini.
Administrasi yang cerdas dan cerdas mempromosikan digital
martabat warga negara dengan memasukkan nilai-nilai publik dan kemajuan
teknologi ke dalam pembuatan kebijakan [92]. Didistribusikan
AI perlu diterapkan oleh pemerintah dalam pelayanan publik, pengambilan
keputusan, dan proses perancangan kebijakan
untuk menangani lingkungan yang selalu berubah dan menyediakan a
solusi berkelanjutan [93]. Beberapa aplikasi yang menarik adalah
tercantum pada Tabel 5 terkait AI yang dapat menjadi studi dasar untuk
mengusulkan sistem AI multi-agen/terdistribusi untuk smart
aplikasi tata kelola. Tabel menunjukkan pekerjaan yang dilakukan
untuk kemajuan tata kelola yang cerdas serta teknologi komputasi yang
digunakan untuk mencapai tujuan yang telah ditentukan.
Namun, terdapat sejumlah kesenjangan penelitian untuk penelitian di masa depan
di bidang tata kelola cerdas mengenai MAS untuk masyarakat cerdas
domain kota.
V. LINGKUNGAN CERDAS
Salah satu tujuan utama kota pintar adalah untuk memperkaya
kualitas hidup dengan memberikan informasi yang akurat dan tepat waktu
dan layanan kepada masyarakat dengan bantuan TIK, sekaligus mengatasi
permasalahan pengurangan jejak lingkungan
kota. Oleh karena itu, badan-badan pemerintah telah berintegrasi
lingkungan cerdas sebagai salah satu bidang utama penelitian dan inovasi
dalam proyek kota pintar. Lingkungan berkelanjutan di
kota dan kualitas hidup adalah tujuan utama dari a
kota Pintar.
JILID 4, 2023
A. DIMENSI PENELITIAN LINGKUNGAN CERDAS
DAN DUKUNGAN TEKNOLOGI
Untuk memantau jejak lingkungan, digunakan sensor ad-hoc
diperlukan untuk diterapkan di kota pintar. Evolusi IoT
telah membuat sensor layak dilakukan karena biayanya yang rendah tetapi jumlahnya banyak
faktor lain seperti area pemasangan yang luas dan teratur
masalah pemeliharaan/penggantian telah meningkatkan biaya dengan cepat.
Oleh karena itu, solusi cerdas diperlukan untuk mencapai sistem yang layak
dan hemat biaya. Penelitian ke arah ini telah dilakukan
berfokus pada kerangka kerja dan dimensi IoT hybrid [103].
seleksi [104] untuk merancang yang cerdas dan hemat biaya
sistem lingkungan cerdas. Sistem lingkungan cerdas
Dimensi penelitian tersebar mulai dari memperkaya kualitas hidup hingga
meminimalkan dampak buruk alam
dan bencana akibat ulah manusia [105]. Dampak dari sistem lingkungan
yang cerdas akan meningkatkan kualitas secara positif
kehidupan bagi warga perkotaan. Misalnya, penurunan besar emisi karbon
dioksida akan membantu dalam memberikan nilai tambah
kehidupan semua orang.
Hal ini terbukti dengan adanya teknologi penginderaan dan komputasi
pemrosesan adalah faktor utama untuk memfasilitasi lingkungan cerdas.
Solusi mandiri lingkungan cerdas telah hadir
keberadaannya tetapi mulai mendapatkan lebih banyak adopsi sebagai
solusi lengkap untuk solusi kota pintar multi-agen. Sebuah ulasan
pekerjaan pada sistem pemantauan lingkungan cerdas menggunakan
sensor dan IoT disajikan oleh Ullo dan Sinha [106] untuk mendapatkan
pengetahuan rinci tentang pekerjaan penelitian lingkungan cerdas.
Sebuah karya menarik untuk menunjukkan perspektif blockchain untuk
pertanian berbasis IoT dilakukan oleh Vangala dkk. [107].
2113
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY
TABEL 4. Pemerintah menyediakan tempat penyimpanan data di beberapa negara.
Para penulis mengusulkan arsitektur umum yang aman dan
cerdas berbasis blockchain dengan analisis biaya terperinci.
Juga, skema canggih dan tinjauan literatur tentang informasi
keamanan data sensor IoT melalui teknologi blockchain
dibahas, khususnya untuk pertanian cerdas. Gambar 8
menunjukkan beberapa arah penelitian di bidang smart
environment. Lingkungan cerdas prihatin dengan
2114
TABEL 5. Arah penelitian tata kelola cerdas (MAS: sistem multi-agen, AI: kecerdasan buatan,
IR: pengambilan informasi, IoT: Internet of Things, ANN: jaringan saraf tiruan, AR:
augmented reality, SCRUM: pertemuan penguraian resolusi pelanggan yang sistematis ).
mengendalikan dan memantau faktor lingkungan seperti
polusi, limbah, pembangunan hijau, irigasi, analisis faktor
pemanasan global, dll. [108]. Berbagai aspek lingkungan
cerdas tersebut beserta arahan penelitian lainnya
JILID 4, 2023
Machine Translated by Google

TABEL 6. Beberapa kumpulan data lingkungan cerdas. TABEL 7. Arah penelitian yang terkait dengan lingkungan cerdas SAE: encoder otomatis yang
dipertaruhkan; LSTM: memori jangka pendek, DL: pembelajaran mendalam; ML:
pembelajaran mesin; CNN: jaringan saraf konvolusi, MAS: sistem multi-agen.

ditampilkan, yang menggambarkan beberapa penelitian yang

dilakukan di bidang udara, air, radiasi, dan pertanian. Beberapa
isu dari masing-masing domain disebutkan seperti dalam domain
pertanian, sehubungan dengan lingkungan, pertumbuhan dan aktuator mulai diadopsi secara luas dan berguna dalam
tanaman, pemantauan tanah, pengukuran pupuk, dan lain-lain. membangun MAS cerdas untuk menjaga lingkungan dengan
merupakan bidang studi untuk perspektif penelitian dan cerdas. Pembelajaran mesin dan metode pembelajaran
pengembangan. Sensor dan teknologi bahan utama yang mendalam telah mulai berkontribusi dalam membangun model
digunakan untuk pekerjaan dalam arah ini juga tercantum di sini. lingkungan cerdas yang cerdas dalam berbagai aspek
Beberapa sumber daya himpunan data lingkungan cerdas tercantumperencanaan, prediksi, pengelompokan, klasifikasi, dan analisis
dalam Tabel 6.
ketidakpastian kota pintar karena faktor lingkungan [114]. Tabel
7 menunjukkan beberapa arah penelitian untuk masalah penelitian
B. ARAH PENELITIAN
lingkungan cerdas menggunakan MAS.
Pekerjaan penelitian berada pada tahap awal dan memasuki era
baru lingkungan cerdas dalam konteks permasalahan kota pintar
multi-agen. Lingkungan cerdas terdiri dari berbagai layanan untuk VI. MOBILITAS CERDAS
faktor-faktor yang mendorong polusi seperti kualitas udara, Mobilitas pintar berarti penggunaan TIK untuk meningkatkan
pengelolaan limbah [109], polusi air, polusi radiasi, sistem layanan dan fungsi terkait transportasi seperti manajemen lalu
pertanian, pemantauan lingkungan laut, dll. [106]. lintas [115], estimasi lalu lintas, sistem transportasi otonom,
penanganan barang dan logistik [116], pencarian material dalam
Sistem ini harus berbasis agen untuk studi terkait lingkungan kargo, dll. Mobilitas cerdas adalah kombinasi TIK dan mobilitas,
cerdas di mana teknik ICT seperti pembelajaran mesin, AI, yaitu penggunaan TIK untuk menangkap berbagai tingkat
manajemen data besar, sensor IoT, mobilitas dieksplorasi dan direkonstruksi di bawah konsep mobilitas cerdas.

JILID 4, 2023 2115

Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY

TABEL 8. Beberapa kumpulan data mobilitas pintar.

domain mobilitas. Sejumlah proyek telah dimulai di bidang mobilitas
cerdas untuk menangkap pola mobilitas penggunaan masyarakat umum
yang dapat dilacak oleh masyarakat dengan perangkat genggam
mereka. Sistem mobilitas cerdas memerlukan pemodelan multi-agen
karena strukturnya yang sangat terdistribusi untuk mengatasi masalah
data real-time dan spatiotemporal yang kompleks.

A. DIMENSI PENELITIAN
Mobilitas cerdas berisi berbagai fasilitas transportasi termasuk kendaraan
berbahan bakar bensin, kendaraan listrik, kendaraan tradisional,
pelacakan mobil/sepeda/skuter/sepeda [117], dan layanan berbagi
(misalnya, Uber, Ola, Lyft), rencana pengumpulan mobil, jalur kereta
api , sistem pembelajaran dan pendidikan tambahan yang berkaitan dengan mobilitas.
Layanan-layanan ini berjanji untuk memfasilitasi dan mendukung warga
dalam kebutuhan mobilitas mereka dan menghemat waktu dengan
memberi tahu mereka tentang kemacetan dan meningkatkan
keselamatan yang pada gilirannya berdampak positif pada perekonomian.
Salah satu publikasi terbaru oleh Teixeira dkk. [118] mengusulkan
pendekatan proaktif untuk mencegah potensi kecelakaan antara
kendaraan dan pengguna jalan yang rentan (VRU), seperti pejalan kaki
dan pengendara sepeda. Dengan menggunakan pendekatan multi-
sensing dan komunikasi, sistem dapat memprediksi potensi tabrakan
dan memberi tahu pengemudi kendaraan dan VRU tentang bahaya
sebelum kecelakaan terjadi [118]. Pada tahun 2020, Anagnostopoulos
dkk. [117] mengerjakan infrastruktur Intelligent Transport Signaling
(ITS) untuk menangani prioritas antara sekelompok pengendara sepeda
dan lalu lintas lainnya sambil menjangkau sinyal lampu lalu lintas. Sistem
MAS diusulkan dengan menggabungkan data jejak GPS nyata untuk
kota Melbourne di Australia. Sistem multi-agen untuk berbagi sepeda
dikembangkan di [119], di mana model mobilitas multi-moda dihubungkan
ke lokasi berbagi sepeda di dunia nyata di Hamburg, Jerman. Model ini
mengambil data dari sensor IoT dan menggabungkannya ke dalam
model simulasi sistem lalu lintas Hamburg yang ada. Teknologi penting
untuk melakukan eksperimen mobilitas cerdas ini adalah IoT, komputasi
awan, manajemen dan analisis data besar, dan kecerdasan buatan.
Model yang diusulkan, yang merupakan kombinasi MAS dan IoT,
merupakan kembaran digital yang menunjukkan potensi besar dalam
perencanaan kota dan pengambilan keputusan lainnya.

Sistem berbagi sepeda juga berperan penting dalam aplikasi mobilitas

cerdas untuk menyediakan sarana transportasi yang nyaman. Sistem ini
biasanya melibatkan armada sepeda yang tersedia untuk disewakan
jangka pendek kepada individu dengan biaya rendah.

B. SUMBER DATASET Dalam

aplikasi mobilitas cerdas, kumpulan data dikumpulkan melalui berbagai
sensor yang ditempatkan di tempat berbeda. Masalah penelitian utama
dalam pengumpulan data mobilitas cerdas adalah koneksi silang antara
berbagai sumber data yang diperlukan untuk membangun aplikasi
mobilitas cerdas yang efektif. Di sinilah sistem multi-agen menempatkan
peran kunci dalam domain khusus ini. Aplikasi mobilitas cerdas
memerlukan MAS yang mempelajari konteks dan tindakan dalam merekomendasikan tindakan yang paling tepat sesuai dengan skenario.
koordinasi dengan berbagai agen dan lingkungan. Terakhir, agen Misalnya, dengan mempertimbangkan sistem carpooling yang efektif,
menggunakan pengetahuan kecerdasan buatannya untuk memutuskan berbagai kumpulan data yang diperlukan adalah navigasi jalan, informasi
dan demografis masyarakat, waktu masuk dan keluar kantor,

2116 JILID 4, 2023

Machine Translated by Google
dan informasi lokasi kantor dan rumah. Oleh karena itu, untuk aplikasi
ini, pengetahuan dan pencocokan lintas domain itu sendiri merupakan
tugas yang menantang. Contoh kumpulan data yang relevan dengan
mobilitas cerdas dibahas pada Tabel 8. Tantangan terbuka lainnya
untuk mobilitas cerdas dalam hal kumpulan data adalah kumpulan data
multimoda, yaitu kumpulan data yang dikumpulkan menggunakan
berbagai jenis sensor seperti LiDAR, RADAR, GPS/IMU, dan kamera
yang perlu disimpan dalam kumpulan data yang sama.
C. ARAH PENELITIAN
Beberapa tujuan dan arahan umum penelitian pada subdomain
mobilitas cerdas kota pintar adalah: (1) peningkatan keselamatan jalan
raya; (2) peningkatan perekonomian kota yang bergantung pada
mobilitas cerdas untuk menopang kehidupan profesional dan kehidupan
sehari-hari warganya; (3) memantau dan mengumpulkan informasi
mobilitas kendaraan dengan bantuan GPS, radar, dan kamera untuk
mengkomunikasikan situasi secara real-time kepada pengemudi
sebagai sistem peringatan dini; (4) sistem transaksi tol yang cerdas
dan aman [130]; (5) pengurangan waktu perjalanan kendaraan pintar
menggunakan algoritma routing [131]; (6) mengekang polusi dan
konsumsi energi melalui sistem car polling dan bike sharing [132] [133];
(7) meningkatkan penghematan bahan bakar dalam sistem mobilitas
cerdas. Dari semua bidang ini, hanya sedikit karya terbaru yang banyak
dikutip yang dilakukan oleh para peneliti dalam beberapa tahun terakhir
yang dibahas secara rinci di sini. Pada tahun 2020, Wu dkk. membahas
solusi algoritmik untuk penyeimbangan kembali dalam sistem berbagi
sepeda karena solusi optimal diperlukan untuk redistribusi sepeda di
seluruh stasiun untuk memastikan keseimbangan pasokan dan
permintaan yang memadai [134]. Masalah sistem bike-sharing untuk
empat komponen utama: desain sistem, prediksi sistem, keseimbangan
sistem, dan penasihat perjalanan dipertimbangkan dalam [134]. Aplikasi
mobilitas pintar lain yang terkenal adalah layanan ride-hailing yang
menghubungkan penumpang dengan pengemudi melalui aplikasi
seluler. Sejumlah tantangan telah diatasi bagi penyedia layanan ride-
hailing yang efektif dan beberapa tantangan ini diselesaikan dengan
menggunakan pendekatan pembelajaran mesin dan pembelajaran
mendalam. Ikhtisar metodologi berbasis pembelajaran mesin untuk
layanan pemesanan kendaraan berdasarkan permintaan disajikan pada
tahun 2022 [135]. Penulisnya telah menjelaskan teknik pembelajaran
mendalam yang sedang berkembang (jaringan saraf konvolusi (CNN),
jaringan saraf konvolusi grafik (GCN), jaringan saraf berulang (RNN),
dll.) yang digunakan untuk dinamika lalu lintas spatio-temporal. Fokus
penelitiannya adalah pada dua aspek data lalu lintas spatio-temporal
untuk menghasilkan rekomendasi yang tepat dan tepat waktu untuk
mencocokkan dan menetapkan kendaraan menganggur. Dalam
makalah tinjauan yang sama, solusi pembelajaran mesin untuk
menangani beberapa tantangan lain untuk layanan ride-hailing juga
dicantumkan, seperti pola mobilitas individu, pencocokan pesanan
layanan ride-hailing online, dan pengiriman kendaraan [135].
Aplikasi mobilitas cerdas memiliki cakupan penelitian yang luas, dan
beberapa diskusi yang ada mengenai arah penelitian masa depan
untuk mobilitas cerdas disorot dalam [136]. Makalah ini mengulas
beberapa aplikasi mobilitas pintar seperti jalan pintar, parkir pintar,
sistem manajemen pejalan kaki, sistem manajemen lalu lintas, sistem
navigasi, dll.
JILID 4, 2023
Aplikasi transaksi tol cerdas telah menghadirkan keamanan dan privasi
ke dalam aplikasi mobilitas cerdas di mana IoT, blockchain, dan
kecerdasan buatan berfungsi sebagai akselerator utama. Abraham
dkk. [96], [130] telah memperkenalkan sistem berbasis AI yang
memungkinkan sistem multi-agen dan kontrak pintar real-time antara
mobil dan tol. Sistem mereka mengamankan privasi transaksi ekonomi
pengguna yang menggunakan blockchain, bertindak sebagai antarmuka
antara lapisan transaksi ekonomi dan lapisan tata kelola. Mengelola
sumber daya secara efektif merupakan tantangan besar lainnya dalam
mobilitas. Secara umum, arsitektur yang ada dalam literatur
mempertimbangkan posisi sebelumnya dari mobile node yang
merupakan batasan sesuai dengan skenario sebenarnya. Oleh karena
itu, Fazio dkk. mengusulkan pendekatan untuk pengambilan sampel
pola mobilitas secara adaptif berdasarkan fitur intrinsik perilaku
manusia, dan konten spektral dipertimbangkan dalam sampel mobilitas
[137]. Karya ini mencerminkan beberapa aspek penting dan baru yang
dapat membantu peneliti masa depan untuk menentukan periode
pengambilan sampel dalam lingkungan seluler IoT yang cerdas, dengan
memberikan perhatian khusus pada masalah energi.
VII. KESIMPULAN
Dalam makalah ini, kami menyajikan gambaran umum tentang AI
Terdistribusi serta peran sistem multi-agen di kota pintar.
Diagram skema kota pintar dan detail untuk kecerdasan buatan
terdistribusi, yaitu sistem multi-agen, dirinci.
Kami telah membahas peran sistem multi-agen di bidang penerapan
kota pintar yang penting. Kerangka konseptual umum, sumber dataset,
dan arahan penelitian dari semua area aplikasi yang dianggap penting
disajikan.
Area penerapan penting yang dirinci dalam makalah ini adalah: rumah
pintar, tata kelola cerdas, lingkungan cerdas, dan mobilitas cerdas.
Arah penelitian yang berasal dari karya seni mutakhir juga telah
dibahas. Penelitian ini diharapkan dapat menjadi sumber daya berharga
untuk peningkatan kota pintar bagi semua negara, pemerintah, lembaga
penelitian, dan industri.
REFERENSI
[1] Y. Otoum, V. Chamola, dan A. Nayak, “Deteksi intrusi yang diberdayakan
pembelajaran gabungan dan transfer untuk aplikasi IoT,” IEEE Internet Things
Mag., vol. 5, tidak. 3, hlm. 50–54, September 2022.
[2] AM Aseere, “Sistem multiagen diterapkan pada kota pintar,” J. Eng.
Aplikasi. Sains, jilid. 7, tidak. 1, hlm. 29–36, 2020.
[3] M. Alghamdi, “Perencanaan kota kota cerdas menggunakan kedalaman evolusi
model pembelajaran,” Soft Comput., akan diterbitkan.
[4] L. Cui dkk., “Platform komputasi tepi kemas berbasis blockchain untuk Internet
Kendaraan,” IEEE Internet Things J., vol. 8, tidak. 4, hlm. 2395–2408, Februari
2021.
[5] A. Caragliu, CD Bo, dan P. Nijkamp, “Kota pintar di Eropa,” J.
Teknologi Perkotaan., jilid. 18, tidak. 2, hal.65–82, 2011.
[6] P. Bagga, AK Das, V. Chamola, dan M. Guizani, “Kontrol akses yang dibayangkan
Blockchain untuk aplikasi Internet of Things: Survei komprehensif dan arah masa
depan,” Telecommun. Sistem., jilid. 81, tidak. 1, hal.125–173, 2022.
[7] AS Alatawi, AA Youssef, M. Abaza, MA Uddin, dan A. Mansour, “Pengaruh
turbulensi atmosfer pada komunikasi nirkabel optik di kota pintar NEOM,”
Photonics, vol. 9, tidak. 4, hal. 262, 2022.
2117
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY
[8] S. Deep, Y. Tian, J. Lu, Y. Zhou, dan X. Zheng, “Memanfaatkan pembelajaran multi-
tampilan untuk deteksi anomali manusia di Industrial Internet of Things,” di Proc.
Int. Konf. Internet Things (iThings) IEEE Green Comput. Komunitas. (GreenCom)
IEEE Cyber Phys. sosial. Hitung.
(CPSCom) Data Cerdas IEEE (SmartData) Konfigurasi IEEE. Sibermatika
(Sibermatika), 2020, hlm.533–537.
[9] N. Mohamed, J. Al-Jaroodi, I. Jawhar, S. Lazarova-Molnar, dan S. Mahmoud,
“SmartCityware: Middleware berorientasi layanan untuk layanan kota pintar yang
diaktifkan cloud dan kabut,” IEEE Access, vol . 5, hal.17576–17588, 2017.
[10] M. Shafiq, Z. Tian, Y. Sun, X. Du, dan M. Guizani, “Pemilihan algoritma pembelajaran
mesin yang efektif dan identifikasi lalu lintas serangan bot-IoT untuk Internet of
Things di kota pintar,” Future Gener.
Hitung. Sistem., jilid. 107, hlm. 433–442, Juni 2020.
[11] DK Chiu, T. Xu, dan I. Gondra, “Pembelajaran beberapa contoh berbasis grafik acak
untuk aplikasi kota pintar IoT terstruktur,” ACM Trans. Teknologi Internet., jilid. 21,
tidak. 3, hlm. 1–17, 2021.
[12] S. Singh, PK Sharma, B. Yoon, M. Shojafar, GH Cho, dan I.-H. Ra, “Konvergensi
blockchain dan kecerdasan buatan dalam jaringan IoT untuk kota pintar yang
berkelanjutan,” Sustain. Perkumpulan Kota, vol. 63, Desember 2020, Pasal. TIDAK.
102364.
[13] L. Kong, “Sebuah studi tentang model triase online berbasis AI untuk rumah sakit di
kota pintar berkelanjutan,” Future Gen. Hitung. Sistem., jilid. 125, hlm. 59–70,
Desember 2021.
[14] D. Mehta, A. Mehta, P. Narang, V. Chamola, dan S. Zeadally, “Pembelajaran
mendalam meningkatkan citra UAV untuk perlindungan infrastruktur penting,” IEEE
Internet Things Mag., vol. 5, tidak. 2, hlm. 30–34, Juni 2022.
[15] KN Qureshi, A. Ahmad, F. Piccialli, G. Casolla, dan G. Jeon, “Kerangka penyebaran
data aman berbasis algoritma yang terinspirasi dari alam untuk jaringan kota
pintar,” Neural Comput. Aplikasi, jilid. 33, hlm. 10637–10656, September 2021.
[16] AH Bond dan L. Gasser, Bacaan dalam Kecerdasan Buatan Terdistribusi. London,
Inggris: Morgan Kaufmann, 2014.
[17] S. Wang dkk., “Mekanisme memori kognitif jangka pendek manusia untuk pemantauan
visual di kota pintar berbantuan IoT,” IEEE Internet Things J., vol. 9, tidak. 10, hlm.
7128–7139, Mei 2022.
[18] Z. Wang, M. Wen, Y. Xu, Y. Zhou, JH Wang, dan L. Zhang, “Teknik kompresi
komunikasi dalam pembelajaran mendalam terdistribusi: Sebuah survei,” J. Syst.
Arsitek., jilid. 142, September 2023, Pasal. TIDAK. 102927.
[19] A. Dorri, SS Kanhere, dan R. Jurdak, “Sistem multi-agen: Survei,” IEEE Access, vol.
6, hal.28573–28593, 2018.
[20] G. Han, M. Guizani, J. Lloret, S. Chan, L. Wan, dan W. Guibene, “Tren, isu, dan
tantangan yang muncul dalam big data dan implementasinya menuju kota pintar
masa depan,” Komunitas IEEE. Mag., jilid. 55, tidak. 12, hlm. 16–17, Desember
2017.
[21] W. Li, X. Chen, dan S. Lu, “Sinkronisasi konten menggunakan komunikasi perangkat-
ke-perangkat di kota pintar,” Comput. Jaringan, jilid. 120, hlm. 170–185, Juni 2017.
[22] X. Chen dan W. Li, “Sinkronisasi konten dengan umpan balik dalam komunikasi
perangkat-ke-perangkat kota pintar,” di Proc. Komunikasi Nirkabel IEEE. jaringan.
Konf. (WCNC), 2017, hlm.1–6.
[23] V. Hassija, G. Bansal, V. Chamola, V. Saxena, dan B. Sikdar, “BlockCom: Model
perdagangan berbasis blockchain untuk komunitas pintar menggunakan
mekanisme lelang,” di Proc. IEEE Int. Konf. Komunitas.
Lokakarya (Lokakarya ICC), 2019, hlm.1–6.
[24] X. Zhang, W. Li, H. Ying, F. Li, S. Tang, dan S. Lu, “Deteksi emosi di jejaring sosial
online: Pendekatan pembelajaran multilabel,”
IEEE Internet Things J., jilid. 7, tidak. 9, hlm.8133–8143, September 2020.
[25] G. Bansal, V. Hasija, V. Chamola, N. Kumar, dan M. Guizani, “Pasar bursa saham
pintar: Model desentralisasi prediktif yang aman,” di Proc. Komunitas Global IEEE.
Konf. (GLOBECOM), 2019, hlm.1–6.
[26] M. Lin dkk., “Maksimalisasi pengaruh yang adil dalam jaringan sosial berskala besar
berdasarkan pengambilan sampel pengaruh balik yang sadar atribut,” J.
Artif. Intel. Res., jilid. 76, hlm. 925–957, April 2023.
[27] RWS Ruhlandt, “Tata kelola kota pintar: Tinjauan literatur sistematis,” Cities, vol. 81,
hlm. 1–23, November 2018.
[28] A. Gjikopulli dan A. Banerjee, Survei Sistem Multi-Agen (MAS), Tech. Universitas.
Munich, Munich, Jerman, 2020.
[29] GD Sharma, A. Yadav, dan R. Chopra, “Kecerdasan buatan dan tata kelola yang
efektif: Agenda tinjauan, kritik dan penelitian,”
Mempertahankan. Berjangka, jilid. 2 Januari 2020, Seni. TIDAK. 100004.
[30] N. Bougueroua, S. Mazouzi, M. Belaoued, N. Seddari, A. Derhab, dan A. Bouras,
“Survei tentang sistem deteksi intrusi kolaboratif berbasis multi-agen,” J. Artif. Intel.
Komputasi Lembut. Res., jilid. 11, tidak. 2, hal.111–142, 2021.
2118
[31] R. Calegari, G. Ciatto, V. Mascardi, dan A. Omicini, “Teknologi berbasis logika untuk
sistem multi-agen: Tinjauan literatur sistematis,”
otomatis. Sistem Multiagen Agen., vol. 35, tidak. 1, hal. 1 Agustus 2021.
[32] RC Cardoso dan A. Ferrando, “Tinjauan pemrograman berbasis agen untuk sistem
multi-agen,” Computers, vol. 10, tidak. 2, hal. 16 Agustus 2021.
[33] W. Du dan S. Ding, “Survei tentang pembelajaran penguatan mendalam multi-agen:
dari perspektif tantangan dan penerapan,” Artif.
Intel. Pdt., jilid. 54, hlm. 3215–3238, Juni 2021.
[34] M. Herrera, M. Pérez-Hernández, AK Parlikad, dan J. Izquierdo, “Sistem multi-agen
dan jaringan kompleks: Tinjauan dan aplikasi dalam rekayasa sistem,” Proses,
vol. 8, tidak. 3, hal. 312, 2020.
[35] OP Mahela dkk., “Ikhtisar komprehensif sistem multi-agen untuk mengendalikan
jaringan pintar,” CSEE J. Power Energy Syst., vol. 8, tidak. 1, hal.115–131, 2020.
[36] D. Zhang, G. Feng, Y. Shi, dan D. Srinivasan, “Analisis keselamatan fisik dan
keamanan siber sistem multi-agen: Survei kemajuan terkini,” IEEE/ CAA J.
Automatica Sinica, vol. 8, tidak. 2, hlm. 319–333, Februari 2021.
[37] T. Singh, A. Solanki, SK Sharma, A. Nayyar, dan A. Paul, “Tinjauan satu dekade
tentang kota pintar: Paradigma, tantangan dan peluang,” IEEE Access, vol. 10, hal.
68319–68364, 2022.
[38] SS Band dkk., “Ketika kota pintar menjadi lebih pintar melalui pembelajaran mesin:
Tinjauan literatur mendalam,” IEEE Access, vol. 10, hal. 60985–61015, 2015.
[39] A. Gohari, AB Ahmad, RBA Rahim, A. Supa'at, SA Razak, dan MSM Gismalla,
“Keterlibatan drone pengawasan di kota pintar: Tinjauan sistematis,” IEEE Access,
vol. 10, hal.56611–56628, 2022.
[40] S. Pandya dkk., “Pembelajaran gabungan untuk kota pintar: Survei komprehensif,”
Sustain. Teknologi Energi. Menilai., jilid. 55, Februari 2023, Pasal. TIDAK. 102987.
[41] H. Wang, X. Chen, F. Jia, dan X. Cheng, “Kota pintar yang didukung kembaran digital:
Status, tantangan, dan arah penelitian masa depan,” Exp.
sistem. Aplikasi, jilid. 217, Mei 2023, Pasal. TIDAK. 119531.
[42] V. Hassija, V. Chamola, dan S. Zeadally, “BitFund: Platform pendanaan massal
berbasis blockchain untuk negara yang cerdas dan terhubung di masa depan,”
Mempertahankan. Perkumpulan Kota, vol. 60, September 2020, Pasal. TIDAK. 102145.
[43] V. Hassija, V. Saxena, dan V. Chamola, “Kerangka kerja pembongkaran data seluler
berdasarkan kombinasi blockchain dan pemungutan suara virtual,”
perangkat lunak. Praktek. Contoh, jilid. 51, tidak. 12, hlm.2428–2445, 2021.
[44] KA Paskaleva, “Memungkinkan kota pintar: Kemajuan e-Governance kota di Eropa,”
Int. J.Inovasi. Reg. Mengembangkan., jilid. 1, tidak. 4, hal.405–422, 2009.
[45] S. Wang, J. Wan, D. Zhang, D. Li, dan C. Zhang, “Menuju pabrik pintar untuk industri
4.0: Sistem multi-agen yang terorganisir sendiri dengan umpan balik dan koordinasi
berbasis data besar,” Comput . Jaringan, jilid. 101, hlm. 158–168, Juni 2016.
[46] V. Yazdanpanah, DM Yazan, dan WHM Zijm, “Dinamika dan alokasi biaya transaksi
dalam simbiosis industri multiagen,” 2020, arXiv:2010.01361.
[47] O. Pribyl dan M. Svitek, “Pendekatan berorientasi sistem terhadap kota pintar,”
di Proc. Foton IEEE. Utara, 2015, hlm.1–8.
[48] W. Li, T. Logenthiran, dan WL Woo, “Sistem multi-agen cerdas untuk manajemen
energi rumah pintar,” di Proc. Inovasi IEEE. Teknologi Jaringan Cerdas. Asia (ISGT
ASIA), 2015, hal.1–6.
[49] JC Augusto dan CD Nugent, Merancang Rumah Pintar: Peran Kecerdasan Buatan,
vol. 4008. Heidelberg, Jerman: Springer, 2006.
[50] DJ Cook, M. Youngblood, dan SK Das, “Pendekatan multi-agen untuk mengendalikan
lingkungan cerdas,” dalam Merancang Rumah Pintar: Peran Kecerdasan Buatan.
Heidelberg, Jerman: Springer, 2006, hlm.165–182.
[51] DN Mekuria, P. Sernani, N. Falcionelli, dan AF Dragoni, “Penalaran logika probabilistik
dalam lingkungan rumah pintar berbasis multi-agen,” dalam Ambient Assisted
Living: Italian Forum. Cham, Swiss: Springer, 2021, hlm.121–137.
[52] DN Mekuria, P. Sernani, N. Falcionelli, dan AF Dragoni, “Arsitektur sistem multi-agen
probabilistik untuk penalaran di rumah pintar,” di Proc. IEEE Int. Gejala. Inovasi.
Intel. sistem. Aplikasi. (INISTA), 2019, hlm.1–6.
JILID 4, 2023
Machine Translated by Google
[53] DN Mekuria, P. Sernani, N. Falcionelli, dan AF Dragoni, “Penalaran dalam rumah pintar
berbasis multi-agen: tinjauan literatur sistematis,” dalam Ambient Assisted Living:
Italian Forum. Cham, Swiss: Springer, 2019, hlm.161–179.
[54] I.Ayala, M.Amor, J.-M. Horcas, dan L. Fuentes, “Pendekatan lini produk perangkat lunak
yang berorientasi pada tujuan untuk mengembangkan sistem multi-agen di Internet of
Things,” Knowl. Berdasarkan Sistem., vol. 184, November 2019, Pasal. TIDAK. 104883.
[55] G. Chimamiwa, M. Alirezaie, F. Pecora, dan A. Loutfi, “Dataset multi-sensor aktivitas
manusia di lingkungan rumah pintar,” Data Brief , vol. 34 Februari 2021, Pasal. TIDAK.
106632.
[56] P. Casale, O. Pujol, dan P. Radeva, “Pengenalan aktivitas manusia dari data
akselerometer menggunakan perangkat yang dapat dikenakan,” di Proc.
Pengenalan Pola. Gambar Anal. Iber ke-5. Konf. (IbPRIA), Juni 2011, hlm.289–296.
[57] D. Anguita dkk., “Kumpulan data domain publik untuk pengenalan aktivitas manusia
menggunakan telepon pintar,” di Proc. Esann, jilid. 3, 2013, hal. 3.
[58] B. Bruno, F. Mastrogiovanni, A. Sgorbissa, T. Vernazza, dan R. Zaccaria, “Analisis
algoritma pengenalan perilaku manusia berdasarkan data akselerasi,” di Proc. IEEE Int.
Konf. Robot. Otomatis., 2013, hlm.1602–1607.
[59] T. Alshammari, N. Alshammari, M. Sedky, dan C. Howard, “SIMADL: Simulasi aktivitas
kumpulan data kehidupan sehari-hari,” Data, vol. 3, tidak. 2, hal. 11, 2018.
[60] P. Lago, F. Lang, C. Roncancio, C. Jiménez-Guarín, R. Mateescu, dan N. Bonnefond,
“Kumpulan data kehidupan nyata A4H kontekstual dari aktivitas kehidupan sehari-hari:
Pengenalan aktivitas menggunakan pemeriksaan model, ” di Proc. Int ke-10.
Antardisiplin. Konf. Model. Menggunakan Konteks (KONTEKS), 2017, hlm.175–188.
[61] H. Alemdar, H. Ertan, OD Incel, dan C. Ersoy, “Kumpulan data aktivitas manusia Aras di
banyak rumah dengan banyak penghuni,” di Proc. IEEE ke-7 Int. Konf. Komputasi
Pervasif. Teknologi. Lokakarya Kesehatan, 2013, hlm. 232–235.
[62] FJ Ordónez, P. De Toledo, dan A. Sanchis, “Pengenalan aktivitas menggunakan model
generatif/diskriminatif hibrida di lingkungan rumah menggunakan sensor biner,” Sensors,
vol. 13, tidak. 5, hal.5460–5477, 2013.
[63] DJ Cook, AS Crandall, BL Thomas, dan NC Krishnan, “CASAS: Rumah pintar dalam
kotak,” Komputer, vol. 46, tidak. 7, hal.62–69, 2012.
[64] D. Cook, M. Schmitter-Edgecombe, A. Crandall, C. Sanders, dan B. Thomas,
“Mengumpulkan dan menyebarkan data sensor rumah pintar dalam proyek CASAS,” di
Proc. Lokakarya CHI Berkembang. Kumpulan Data Perilaku Rumah Bersama Adv.
Komputasi HCI di mana-mana. Res., 2009, hlm.1–7.
[65] TL van Kasteren, G. Englebienne, dan BJ Kröse, “Pengenalan aktivitas manusia dari data
jaringan sensor nirkabel: Tolok Ukur dan perangkat lunak,” dalam Pengenalan Aktivitas
di Lingkungan Cerdas Pervasif.
Paris, Prancis: Atlantis Press, 2011, hlm.165–186.
[66] M. Skubic, G. Alexander, M. Popescu, M. Rantz, dan J. Keller, “Aplikasi rumah pintar
untuk perawatan lansia: Status terkini dan pembelajaran,” Technol. Perawatan
Kesehatan, jilid. 17, tidak. 3, hal.183–201, 2009.
[67] H. Pirsiavash dan D. Ramanan, “Mendeteksi aktivitas kehidupan sehari-hari dalam
tampilan kamera orang pertama,” di Proc. Konferensi IEEE. Hitung. Vis. Pengenalan
Pola., 2012, hlm.2847–2854.
[68] F. Fioretto, W. Yeoh, dan E. Pontelli, “Pendekatan sistem multiagen untuk menjadwalkan
perangkat di rumah pintar,” di Proc. Konferensi ke-16. otomatis.
Agen Multiagen Syst., 2017, hlm.981–989.
[69] W. Kluegel, MA Iqbal, F. Fioretto, W. Yeoh, dan E. Pontelli, “Kumpulan data realistis untuk
masalah penjadwalan perangkat rumah pintar untuk DCOP,” di Proc. otomatis. Sistem
Multiagen Agen. (AAMAS), 2017, hlm.125–142.
[70] A. Fleury, M. Vacher, F. Portet, P. Chahuara, dan N. Noury, “Korpus interaksi audio dan
multimodal Perancis di rumah pintar kesehatan,”
J. Antarmuka Pengguna Multimodal, vol. 7, hlm. 93–109, Maret 2013.
[71] X. Xu, Y. Jia, Y. Xu, Z. Xu, S. Chai, dan CS Lai, “Metode berbasis data berbasis
pembelajaran penguatan multi-agen untuk manajemen energi rumah,” IEEE Trans.
Jaringan Cerdas, jilid. 11, tidak. 4, hlm. 3201–3211, Juli 2020.
[72] P.Franco, JM Martinez, Y.-C. Kim, dan MA Ahmed, “Pendekatan berbasis IoT untuk
pemantauan beban dan pengenalan aktivitas di rumah pintar,” IEEE Access, vol. 9,
hal.45325–45339, 2021.
[73] S. Padmanaban dkk., “Peran Internet of Things di rumah pintar,” dalam Sistem Tenaga
Cerdas berbasis Kecerdasan Buatan.
Piscataway, NJ, AS: IEEE Press Wiley, 2023, hlm.259–271.
JILID 4, 2023
[74] MA Omran, BJ Hamza, dan WK Saad, “Desain dan pemenuhan material rumah pintar
(SH) yang didukung oleh IoT menggunakan aplikasi blynk,” Mater. Hari ini Proc., vol.
60, tidak. 3, hlm.1199–1212, 2022.
[75] F. Sun dan J. Yu, “Metode kontrol pencahayaan cerdas dalam ruangan berdasarkan
kerangka kerja multi-agen terdistribusi,” Optik, vol. 213, 2020, Pasal. TIDAK. 164816.
[76] SA Mostafa, SS Gunasekaran, A. Mustapha, MA Mohammed, dan WM Abduallah,
“Memodelkan sistem internet multi-agen otonom yang dapat disesuaikan untuk rumah
pintar lansia,” di Proc. Adv.
Neuroergon. Pengetahuan. bahasa Inggris (AHFE) Int. Konf. Neuroergon. Pengetahuan. bahasa Inggris
AHFE Int. Konf. Ind.Pengetahuan. Ergon. bahasa Inggris Psikologi, 2020, hlm.301–311.
[77] DM Jiménez-Bravo, Á. L. Murciego, DH de la Iglesia, JF De Paz, dan GV González,
“Optimasi biaya pemanas sentral untuk rumah pintar dengan logika fuzzy dan arsitektur
multi-agen,”
Aplikasi. Sains, jilid. 10, tidak. 12, hal. 4057, 2020.
[78] BE Sabir, M. Youssfi, O. Bouattane, dan H. Allali, “Menuju model baru untuk mengamankan
agen seluler rumah pintar berbasis IoT menggunakan teknologi blockchain,” Eng.
Teknologi. Aplikasi. Sains. Res., jilid. 10, tidak. 2, hal.5441–5447, 2020.
[79] L. Rafferty, F. Iqbal, S. Aleem, Z. Lu, S.-C. Huang, dan PC Hung, “Model kolaborasi multi-
agen cerdas untuk keamanan IoT rumah pintar,” di Proc. IEEE Int. Kongr. Internet
Things (ICIOT), 2018, hlm.65–71.
[80] M. Zouai, O. Kazar, B. Haba, dan H. Saouli, “Sistem multi-agen berbasis simulasi rumah
pintar dan Internet of Things,” di Proc. IEEE Int.
Konf. Matematika. Inf. Teknologi. (ICMIT), 2017, hlm.201–203.
[81] D. Singh, E. Merdivan, S. Hanke, J. Kropf, M. Geist, dan A. Holzinger, “Jaringan saraf
konvolusional dan berulang untuk pengenalan aktivitas di lingkungan cerdas,” di Proc.
Menuju Mach Integratif. Mempelajari. Tahu. Lokakarya Ekstraksi BIRS, 2017, hlm. 194–
205.
[82] W.Li, T. Logenthiran, WL Woo, V.-T. Phan, dan D. Srinivasan, “Implementasi manajemen
sisi permintaan rumah pintar menggunakan sistem multi-agen,” di Proc. Kongres IEEE.
berevolusi. Hitung. (CEC), 2016, hlm. 2028–2035.
[83] A. Munoz, JC Augusto, A. Villa, dan JA Botía, “Desain dan evaluasi sistem kehidupan
berbantuan ambien berdasarkan sistem multi-agen argumentatif,” Pers. Komputasi di
Mana-Mana., vol. 15, hlm. 377–387, Januari 2011.
[84] CH Lim, P. Anthony, dan LC Fan, “Menerapkan sistem multi-agen dalam rumah pintar
yang sadar konteks,” Learning, vol. 24, tidak. 1, hal.53–64, 2009.
[85] Y. Uhm, Z. Hwang, M. Lee, Y. Kim, G. Kim, dan S. Park, “Sistem multi-agen yang sadar
konteks untuk membangun layanan cerdas dengan klasifikasi aturan dan ontologi
dalam a rumah pintar,” di Proc. Konferensi IEEE ke-32. Komputasi Lokal. jaringan.
(LCN), 2007, hlm.203–204.
[86] GTT Hoang, L. Dupont, dan M. Camargo, “Penerapan metode pengambilan keputusan
dalam proyek kota pintar: Tinjauan literatur sistematis,” Smart Cities, vol. 2, tidak. 3,
hal.433–452, 2019.
[87] N. Khansari, BG Silverman, Q. Du, JB Waldt, WW Braham, dan JM Lee, “Alat pengambilan
keputusan berbasis agen untuk mengeksplorasi iklim perkotaan & kemungkinan kota
pintar,” di Proc. Ann. IEEE Int. sistem. Konf.
(SysCon), 2017, hlm.1–6.
[88] A. Ligtenberg, A. Beulens, D. Kettenis, AK Bregt, dan M. Wachowicz, “Simulasi berbagi
pengetahuan dalam perencanaan tata ruang: Pendekatan berbasis agen,” Environ.
Rencana. Rencana B. Desain, jilid. 36, tidak. 4, hal.644–663, 2009.
[89] MA Nour dan MM Islam, “Pencarian kepemimpinan yang kuat untuk meningkatkan tata
kelola yang cerdas dalam pembangunan pedesaan Bangladesh: Sebuah studi empiris,”
di Proc. Int. Kelola Publik. jaringan. Conf., Seoul, Korea Selatan, Juli 2020, hlm.1–16.
[90] GC Rausser, W. Foster, dan D. Zilberman, “Pencarian tata kelola yang cerdas di bidang
pertanian dan sumber daya alam,” Appl. ekonomi.
Perspektif. Kebijakan, hal. 26 Juli 2021.
[91] GV Pereira, MA Macadar, EM Luciano, dan MG Testa, “Menyampaikan nilai publik melalui
inisiatif data pemerintah terbuka dalam konteks kota pintar,” Inf. sistem. Depan., jilid.
19, hlm. 213–229, Juli 2017.
[92] JG Corvalán, “Administrasi publik digital dan cerdas: transformasi di era kecerdasan
buatan,” A&C-Revista de Direito Administrativo & Constitucional, vol. 18, tidak. 71,
hlm.55–87, 2018.
[93] M. Milano, B. O'Sullivan, dan M. Gavanelli, “Pembuatan kebijakan berkelanjutan:
Tantangan strategis untuk kecerdasan buatan,” Ai Mag., vol. 35, tidak. 3, hlm. 22–35,
2014.
2119
Machine Translated by Google
ARORA et al.: APLIKASI SMART CITY DAN PARADIGMA PENELITIAN GENERASI BERIKUTNYA DARI MULTI-AGENT DRIVEN SMART CITY
[94] E. Ruijer dkk., “Kotak alat tata kelola yang cerdas: Tinjauan literatur yang sistematis,”
Kota Cerdas, vol. 6, tidak. 2, hal.878–896, 2023.
[95] B. Zhang, G. Peng, C. Liu, ZJ Zhang, dan SM Jasimuddin, “Perilaku adaptasi dalam
penggunaan aplikasi tata kelola cerdas terpadu: Sebuah studi eksplorasi antara
imigran digital dan penduduk asli digital,”
Elektron. Pasar, jilid. 32, hlm. 1–21, April 2022.
[96] M. Abraham, H. Aithal, dan K. Mohan, “Blockchain dan kecerdasan kolaboratif berbasis
aplikasi tol pintar generasi berikutnya,” di Proc. Konferensi ke-2 IEEE. Res Blockchain.
Aplikasi. Inovasi. jaringan. Layanan (BRAINS), 2020, hlm.206–207.
[97] RA Gonzalez, RE Ferro, dan D. Liberona, “Pemerintahan dan tata kelola di kota cerdas,
studi kasus transportasi cerdas di bogotá colombia,” Ain Shams Eng. J., jilid. 11,
tidak. 1, hlm. 25–34, 2020.
[98] C. Varghese, AS Varde, dan X. Du, “Aplikasi penambangan tweet peraturan untuk
menyebarkan pengetahuan kebijakan perkotaan untuk tata kelola yang cerdas,” di
Proc. Implementasi Desain yang Bertanggung Jawab. Inf. Komunitas. Teknologi.
IFIP WG ke-19 6.11 Konf. e-Bus. e-Layanan e-Soc. (I3E), 2020, hlm.389–401.
[99] J. Grayson dkk., “Analisis data besar dan urbanisme berkelanjutan dalam tata kelola
cerdas yang mendukung Internet of Things,” Geopolitics History Int. Hubungan, jilid.
12, tidak. 2, hlm. 23–29, 2020.
[100] FF Alruwaili, “Kecerdasan buatan dan sistem buku besar terdistribusi berbasis multi
agen untuk privasi dan keamanan catatan perawatan kesehatan elektronik yang lebih
baik,” PeerJ Comput. Sains, jilid. 6, hal. e323, November 2020.
[101] E. Nissan, “Teknologi digital dan kecerdasan buatan berdampak saat ini dan yang dapat
diperkirakan terhadap pengacara, peradilan, kepolisian, dan penegakan hukum,” Ai
Soc., vol. 32, hlm. 441–464, Agustus 2017.
[102] Z. Khan dkk., “Mengembangkan platform partisipasi warga berbasis pengetahuan untuk
mendukung pengambilan keputusan kota cerdas: Studi kasus yang cerdas,” Informasi,
vol. 8, tidak. 2, hal. 47, 2017.
[103] DA Guastella, V. Campss, dan M.-P. Gleizes, “Sistem multi-agen yang kooperatif untuk
estimasi berbasis penginderaan massa di kota pintar,”
Akses IEEE, jilid. 8, hal.183051–183070, 2020.
[104] DA Guastella, V. Camps, dan M.-P. Gleizes, “Sistem multi-agen untuk memperkirakan
informasi yang hilang di kota pintar,” di Proc. ICAART, 2019, hlm.214–223.
[105] D. Vallejo, JJ Castro-Schez, C. Glez-Morcillo, dan J. Albusac, “Arsitektur multi-agen
untuk pengambilan informasi dan pemantauan cerdas oleh UAV di lingkungan yang
diketahui terkena dampak bencana,” Eng. Aplikasi. Artif. Intell., jilid. 87, Januari
2020, Pasal. TIDAK. 103243.
[106] SL Ullo dan GR Sinha, “Kemajuan dalam sistem pemantauan lingkungan cerdas
menggunakan IoT dan sensor,” Sensors, vol. 20, tidak. 11, hal. 3113, 2020.
[107] A. Vangala, AK Das, N. Kumar, dan M. Alazab, “Penginderaan cerdas yang aman untuk
pertanian berbasis IoT: perspektif Blockchain,” IEEE Sensors J., vol. 21, tidak. 16,
hlm. 17591–17607, Agustus 2021.
[108] E. Wang et al., “Manajemen irigasi yang lebih cerdas dalam sistem pertanian tebu
menggunakan Internet of Things,” di Proc. Konf. Australia. sosial.
Sugar Cane Technol., April 2018, hlm.117–122.
[109] M. Saad, MB Ahmad, M. Asif, MK Khan, T. Mahmood, dan MT Mahmood, “VANET
berkemampuan Blockchain untuk pengelolaan limbah padat yang cerdas,” IEEE
Access, vol. 11, hlm.5679–5700, 2023.
[110] X.Wu, C.Zhan, Y.-K. Lai, M.-M. Cheng, dan J. Yang, “IP102: Kumpulan data tolok ukur
skala besar untuk pengenalan serangga hama,” di Proc. Konferensi IEEE/ CVF.
Hitung. Vis. Pengenalan Pola., 2019, hlm.8787–8796.
[111] F. Balducci, D. Impedovo, dan G. Pirlo, “Aplikasi pembelajaran mesin pada kumpulan
data pertanian untuk peningkatan pertanian cerdas,” Machines, vol. 6, tidak. 3, hal.
38, 2018.
[112] E. Gambi, G. Temperini, R. Galassi, L. Senigagliesi, dan A. De Santis, “Pengenalan
ADL melalui algoritma pembelajaran mesin pada kumpulan data sensor kualitas
udara IoT,” IEEE Sensors J., vol. 20, tidak. 22, hlm. 13562–13570, November 2020.
[113] JM Barcelo-Ordinas, P. Ferrer-Cid, J. Garcia-Vidal, M. Viana, dan A. Ripoll, “Dataset
proyek CAPTOR H2020: Data mentah yang dikumpulkan oleh sensor ozon MOX
berbiaya rendah dalam polusi udara nyata jaringan pemantauan,” Data Brief , vol. 36
Juni 2021, Pasal. TIDAK. 107127.
[114] L. Liu dan Y. Zhang, “Perencanaan desain lingkungan cerdas untuk kota pintar
berdasarkan pembelajaran mendalam,” Sustain. Teknologi Energi. Menilai., jilid. 47,
Mei 2021, Pasal. TIDAK. 101425,
2120
[115] PK Mall dkk., “Pemodelan sistem lalu lintas cerdas berbasis Fuzzynet di kota pintar
menggunakan model pembelajaran mendalam,” dalam Buku Pegangan Penelitian
Pemodelan Matematika Berbasis Data di Kota Cerdas. New York, NY, AS: IGI
Global, 2023, hlm.76–95.
[116] N. Jabeur, T. Al-Belushi, M. Mbarki, dan H. Gharrad, “Menuju kolaborasi logistik cerdas
yang meningkatkan penuaan dengan solusi berbasis sistem multi-agen,” Procedia
Comput. Sains, jilid. 109, tidak. 1, hal.672–679, 2017.
[117] T. Anagnostopoulos, C. Luo, J. Ramson, K. Ntalianis, V. Kostakos, dan C. Skourlas,
“Sistem multi-agen untuk siklus penginderaan ponsel cerdas terdistribusi di kota
pintar,” J. Syst. Inf. Teknologi., jilid. 22, tidak. 1, hal.119–134, 2020.
[118] P. Teixeira, S. Sargento, P. Rito, M. Luís, dan F. Castro, “Pendekatan penginderaan,
komunikasi dan komputasi untuk keselamatan pengguna jalan yang rentan,” IEEE
Access, vol. 11, hlm. 4914–4930, 2023.
[119] T. Clemen dkk., “Sistem multi-agen dan kembaran digital untuk kota yang lebih cerdas,”
di Proc. Konferensi ACM SIGSIM. Prinsip Adv. Diskr. Simulat., 2021, hlm.45–55.
[120] P. Rito dkk., “Laboratorium kehidupan kota teknologi Aveiro: Platform komunikasi,
penginderaan, dan komputasi untuk lingkungan kota,” IEEE Internet Things J., vol.
10, tidak. 15, hlm. 13489–13510, Agustus 2023.
[121] S. Baranwal, A. Arora, dan S. Khandelwal, “Mendeteksi penyakit pada daun tanaman:
Pendekatan jaringan saraf konvolusional pembelajaran mendalam yang dioptimalkan,”
Int. J.Lingkungan. Mempertahankan. Mengembangkan., jilid. 20, tidak. 2, hlm.166–
188, 2021.
[122] D. Shinde dan N. Siddiqui, “Pemantauan & pengendalian perubahan lingkungan
berbasis IoT di rumah kaca menggunakan WSN,” di Proc. Int. Konf.
Inf. Komunitas. bahasa Inggris Teknologi. (ICICET), 2018, hal.1–5.
[123] WP Chen, LK Wang, TT Wang, dan YT Chen, “Sistem manajemen cerdas untuk
pemantauan lingkungan dan konservasi energi akuakultur,” di Proc. Int. Lokakarya
Komputasi. Sains. Olahraga, 2013, hlm.194–198.
[124] SF Shaikh dan MM Hussain, “Marine IoT: Platform multisensori non-invasif yang dapat
dipakai untuk pemantauan lingkungan kelautan,” di Proc.
IEEE 5th World Forum Internet Things (WF-IoT), 2019, hlm.309–312.
[125] T. Anagnostopoulos dkk., “Sistem multi-agen stokastik untuk pengelolaan sampah
berbasis Internet of Things di kota pintar,” Waste Manag. Res., jilid. 36, tidak. 11,
hal.1113–1121, 2018.
[126] H. Rahmayanti, V. Oktaviani, dan Y. Syani, “Implementasi konsep sampah cerdas
sebagai lingkungan cerdas,” dalam Proc. Konferensi Web E3S., vol. 74, 2018, hal.
6003.
[127] H. Fanaee-T. “Kumpulan data berbagi sepeda.” 2013. [On line]. Tersedia:
https://doi.org/10.24432/C5W894
[128] J. Xia, KM Curtin, J. Huang, D. Wu, W. Xiu, dan Z. Huang, “Model pencocokan carpool
dengan jaringan sosial dan rute,”
Hitung. Mengepung. Sistem Perkotaan, vol. 75, hlm. 90–102, Mei 2019.
[129] A. Geiger, P. Lenz, C. Stiller, dan R. Urtasun, “Visi bertemu robotika: Kumpulan data
kitti,” Int. J.Robot. Res., jilid. 32, tidak. 11, hlm.1231–1237, 2013.
[130] M. Abraham, H. Aithal, dan K. Mohan, “Kontrak pintar waktu nyata untuk IoT
menggunakan blockchain dan penetapan harga dinamis berbasis kecerdasan
kolaboratif untuk aplikasi tol pintar generasi berikutnya,” 2020, arXiv:2002.12654.
´ ´
[131] B.Kaminski, ÿ. Krai nski, A. Mashatan, P. Praÿat, dan P. Szufel, “Simulasi perutean
multiagen dengan penetrasi kendaraan pintar parsial,” J. Adv. Trans., jilid. 2020,
hlm. 1–11, Maret 2020.
[132] R. Olszewski, P. Paÿka, dan A. Turek, “Memecahkan masalah transportasi 'kota pintar'
dengan merancang skema gamifikasi carpooling dengan sistem multi-agen: Kasus
yang disebut 'ordor of warsa,”' Sensor , jilid. 18, tidak. 1, hal. 141, 2018.
[133] K. Bache dan M. Lichman (Univ. California, School Inform. Comput.
Sains„ Irvine, CA, AS). Repositori Pembelajaran Mesin UCI. (2013).
Diakses: 10 Mei 2023. [Online]. Tersedia: http://archive.ics.uci. pendidikan/ml
[134] J. Wu, “Tantangan dan peluang dalam solusi algoritmik untuk menyeimbangkan
kembali sistem berbagi sepeda,” Tsinghua Sci. Teknologi., jilid. 25, tidak. 6, hal.721–
733, 2020.
[135] Y. Liu, R. Jia, J. Ye, dan X. Qu, “Bagaimana pembelajaran mesin menginformasikan
layanan ride-hailing: Sebuah survei,” Commun. Trans. Res., jilid. 2 Desember 2022,
Pasal. TIDAK. 100075.
[136] R. Savithramma, B. Ashwini, dan R. Sumathi, “Implementasi mobilitas cerdas di kota
pintar: Tinjauan komprehensif tentang teknologi tercanggih,” di Proc. ke-4 Int. Konf.
Sistem Cerdas. Menciptakan. Teknologi.
(ICSSIT), 2022, hlm.10–17.
JILID 4, 2023
Machine Translated by Google
[137] P. Fazio, M. Mehic, dan M. Voznak, “Skema pengambilan sampel mobilitas
dinamis yang inovatif berdasarkan analisis wavelet multiresolusi dalam
jaringan IoT,” IEEE Internet Things J., vol. 9, tidak. 13, hlm. 11336–
11350, Juli 2022.
ANUJA ARORA (Anggota Senior, IEEE) menerima
gelar Ph.D. gelar dalam bidang ilmu komputer dari
Institut Matematika dan Teknologi Komputer Terapan
Apaji, Universitas Banasthali, Banasthali, India, pada
bulan Desember 2013. Ia bekerja sebagai Profesor
di Departemen Teknik Ilmu Komputer, Institut
Teknologi Informasi Jaypee. Dia memiliki pengalaman
akademis dan penelitian selama 19 tahun dan
pengalaman industri selama 1,5 tahun. Dia telah
menerbitkan lebih dari 100 makalah penelitian di
jurnal internasional, bab buku, dan konferensi yang
ditinjau oleh rekan sejawat. Tiga siswa telah dianugerahi Ph.D. di bawah
pengawasannya dan tiga sedang dalam proses. Minat penelitiannya meliputi
pembelajaran mendalam, jaringan saraf tiruan, analisis dan penambangan
jaringan sosial, komputasi berkelanjutan, ilmu data, pembelajaran mesin,
penambangan data, kecerdasan Web, pengembangan aplikasi Web dan
teknologi Web, rekayasa perangkat lunak, pengujian perangkat lunak, dan sistem
pengambilan informasi. Dia berpartisipasi dalam banyak konferensi internasional
sebagai penyelenggara, ketua sesi, dan anggota penasehat nasional atau
komite program internasional. Dia adalah anggota dewan editorial di berbagai
jurnal internasional IGI, Inderscience, dan Bentham. Dia adalah Peninjau dari
banyak transaksi IEEE yang bereputasi dan ditinjau sejawat— TRANSAKSI
IEEE PADA PENGETAHUAN DAN TEKNIK DATA , TRANSAKSI IEEE PADA
MANAJEMEN JARINGAN DAN LAYANAN , dan TRANSAKSI IEEE
CYBERNETICS. Beliau juga menjadi reviewer di berbagai Jurnal Elsevier,
Springer, IGI Global, Inderscience, dan De Gruyter. Dia adalah Anggota ACM,
Anggota SIAM, Anggota INSTICC, dan Anggota Seumur Hidup IAENG.
ARTI JAIN (Anggota Senior, IEEE) bekerja sebagai
Asisten Profesor (Sr. Grade) di Departemen Ilmu &
Teknik Komputer dan Teknologi Informasi, Institut
Teknologi Informasi Jaypee, Noida, India. Dia memiliki
21 tahun pengalaman akademis. Dia menjadi editor
tamu tiga terbitan khusus kontemporer. Dia
membimbing dua Ph.D. kandidat. Dia telah
menerbitkan tiga buku sebagai penghargaannya.
Dia memiliki lebih dari 40 makalah penelitian di jurnal
internasional yang ditinjau oleh rekan sejawat, bab
buku, dan konferensi internasional. Minat penelitiannya
meliputi pemrosesan bahasa alami, pembelajaran mesin, ilmu data, pembelajaran
mendalam, analisis media sosial, komputasi lunak, data besar, dan penambangan
data. Beliau telah berpartisipasi sebagai ketua sesi, penyelenggara, dan
penasihat serta anggota komite program di berbagai konferensi internasional.
Beliau merupakan anggota dewan redaksi jurnal internasional bereputasi. Dia
adalah anggota profesional IAENG, INSTICC, IFERP, dan TERA.
DIVAKAR YADAV (Anggota Senior,IEEE) menerima
gelar B.Tech. gelar di CSE dari IET Lucknow pada
tahun 1999, dan M.Tech. gelar di bidang IT dan Ph.D.
gelar di bidang CSE dari IIIT Allahabad pada tahun
2005 dan 2010. Beliau adalah Postdoctoral Fellow
dari University of Carlos-III, Madrid, Spanyol, pada
tahun 2012. Beliau telah bekerja sebagai Profesor di
School of Computer and Information Science, Indira
Gandhi National Universitas Terbuka (IGNOU), New
Delhi, sejak September 2022. Sebelum bergabung
dengan IGNOU, beliau bekerja sebagai Associate
Professor dan Kepala Departemen Ilmu dan Teknik Komputer, Institut Teknologi
Nasional, Hamirpur, dari 2019 hingga 2022, Madan Universitas Teknologi Mohan
Malaviya, Gorakhpur, dari tahun 2016 hingga 2019, dan Institut Teknologi
Informasi Jaypee, Noida, dari tahun 2005 hingga 2016.
Beliau memiliki lebih dari 22 tahun pengalaman mengajar dan penelitian. Dia
membimbing sembilan Ph.D. tesis dan 31 M.Tech. disertasi dan menerbitkan
lebih dari 125 artikel penelitian di jurnal internasional dan prosiding konferensi
bereputasi. Bidang penelitiannya meliputi pembelajaran mesin, pengambilan
informasi, NLP, dan komputasi lunak. Dia adalah Anggota Senior ACM.
JILID 4, 2023
VIKAS HASSIJA menerima gelar B.Tech. gelar dari
MDU University, Rohtak, India, pada tahun 2010,
gelar MS di bidang telekomunikasi dan rekayasa
perangkat lunak dari Birla Institute of Technology and
Science, Pilani, India, pada tahun 2014, dan Ph.D.
gelar dalam keamanan IoT dan blockchain dari Institut
Informasi dan Teknologi Jaypee (JIIT), Noida. Saat
ini beliau bekerja sebagai Peneliti Postdoctoral di
National University of Singapore, Singapura. Ia juga
pernah bekerja sebagai Asisten Profesor di JIIT
selama empat tahun. Ia memiliki pengalaman industri
selama delapan tahun dan telah bekerja dengan berbagai perusahaan
telekomunikasi seperti Tech Mahindra dan Accenture.
Minat penelitiannya meliputi keamanan IoT, keamanan jaringan, blockchain, dan
komputasi terdistribusi.
VINAY CHAMOLA (Anggota Senior, IEEE) menerima
gelar BE di bidang teknik elektro dan elektronika dan
gelar master di bidang teknik komunikasi dari Institut
Teknologi dan Sains Birla—Pilani (BITS-Pilani), Pilani,
India, masing-masing pada tahun 2010 dan 2013. ,
dan Ph.D. gelar di bidang teknik elektro dan komputer
dari National University of Singapore, Singapura,
pada tahun 2016.
Pada tahun 2015, beliau menjadi Peneliti Tamu di
Autonomous Networks Research Group, University
of Southern California, Los Angeles, CA, AS. Beliau juga bekerja sebagai
Postdoctoral Research Fellow di National University of Singapore, Singapura.
Saat ini beliau menjabat sebagai Associate Professor di Departemen Teknik
Elektro dan Elektronika, BITS-Pilani, dan mengepalai Internet of Things Research
Group/Lab. Minat penelitiannya meliputi Keamanan IoT, blockchain, UAV,
VANET, 5G, dan layanan kesehatan. Ia terdaftar dalam 2% Ilmuwan Top Dunia
yang diidentifikasi oleh Universitas Stanford. Dia adalah salah satu pendiri dan
presiden startup kesehatan Medsupervision Pvt. Ltd. Ia menjabat sebagai Editor
Area untuk Jurnal Jaringan Ad Hoc (Elsevier) dan Majalah IEEE Internet of
Things. Beliau juga menjabat sebagai Associate Editor untuk IEEE
TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE
NETWORKING LETTERS, IEEE Consumer Electronics Magazine, IET Quantum
Communications, IET Networks, dan beberapa jurnal lainnya. Beliau menjabat
sebagai Co-Chair untuk berbagai workshop ternama seperti IEEE Globecom
Workshop 2021, IEEE INFOCOM Workshop 2022, IEEE ANTS 2021, dan IEEE
ICIAfS 2021. Beliau adalah Fellow IET.
BIPLAB SIKDAR (Anggota Senior, IEEE) menerima
gelar B.Tech. gelar di bidang teknik elektronik dan
komunikasi dari North Eastern Hill University, Shillong,
India, pada tahun 1996, M.Tech. gelar di bidang
teknik elektro dari Indian Institute of Technology
Kanpur, Kanpur, India, pada tahun 1998, dan Ph.D.
gelar di bidang teknik kelistrikan dari Rensselaer
Polytechnic Institute, Troy, NY, USA, pada tahun
2001. Beliau adalah seorang Fakultas di Rensselaer
Polytechnic Institute dari tahun 2001 hingga 2013,
sebagai Asisten Profesor dan Associate Professor.
Saat ini beliau menjabat sebagai Profesor dan Kepala Departemen Teknik
Elektro dan Komputer, National University of Singapore, Singapura. Minat
penelitiannya saat ini meliputi jaringan nirkabel, keamanan Internet of Things,
dan sistem cyber-fisik.
Beliau pernah menjabat sebagai Associate Editor untuk IEEE TRANSACTIONS
ON COMMUNICATIONS, IEEE TRANSACTIONS ON MOBILE COMPUTING,
IEEE INTERNET OF THINGS JOURNAL, dan IEEE OPEN JOURNAL OF
VEHICULAR TECHNOLOGY.
2121