NAMA : Arnoldus Jul Keflin Sarumaha

NIM : 2022-14-029

MATKUL : Dasar Sistem Cerdas (UTS)

PRODI : S1 Teknik Tenaga Listrik

JAWABAN

1.

1. Yang dimana point utama dalam abstrak makalah tersebut adalah abstrak ini terdapat yang
membahas dan juga menjelaskan tentang penerapan analitik big data dan pembelajaran
mesin dalam suatu mengelola energi terbarukan di jaringan pintar tersebut, dan abstrak
ini juga membahas penerapan analisis big data pada suatu pembangkit energi terbarukan
dan juga dapat mengusulkan kerangka kerja untuk dalam pemanfaatan potensi analisis
big data untuk jaringan pintar dan juga pembangkit listrik tersebut. Dan di dalam kasus
ini juga menyajikan pendekatan beberapa langkah untuk memprediksi stabilitas jaringan
pintar dengan menggunakan sebuah metode pembelajaran mesin yang sangat berbeda,
yang dengan begitu hasilnya akan menunjukkan akurasi yang tinggi dalam
memprediksi stabilitas sebuah sistem. Dan di makalah ini juga diakhiri dengan membahas
suatu keterbatasan penelitian dan juga menyarankan arah penelitian di masa yang akan
datang.

2. Adapun beberapa kontribusi dari makalah tersebut ialah yang membahas tentang sebuah
penerapan analisis big data dan juga pembelajaran mesin dalam suatu pengelolaan energi
terbarukan pada jaringan pintar tersebut, dengan identifikasi tantangan dan juga manfaat
penerapan analisis big data pada produksi energi terbarukan tersebut, yang dapat
menyajikan kerangka kerja untuk sebuah penerapkan potensi analisis data yang besar.
Menyajikan beberapa langkah untuk memprediksi stabilitas jaringan dengan
menggunakan sebuah metode pembelajaran mesin yang berbeda-beda, dengan
menampilkan hasil yang menunjukkan akurasi tinggi di dalam memprediksikan stabilitas
sistem, dan dengan kemudian membahas tentang keterbatasan penelitian dan
menyarankan arah penelitian yang selanjutnya. Dan oleh karena itu, artikel ini dapat
memberikan suatu pengetahuan dan wawasan yang sangat penting yang mengenai dalam
penerapan analisis big data dan juga pembelajaran mesin mesin dalam sebuah manajemen
energi terbarukan di jaringan pintar, dan juga artikel ini memberikan arahan untuk
melakukan sebuah penelitian lebih lanjut pada bidang tersebut.

3. Dengan menggunkan metode fuzzy dan decision tree dapat untuk melakukan
memprediksi sebuah stabilitas jaringan pintar. Yang dimana metode pengelompokan
 fuzzy dapat digunakan untuk mengurangi sebuah ukuran data dan juga memaksimalkan
suatu penyimpanan informasi dengan kesalahan yang sangat kecil dan atau minimum.
Yang dimana sebuah prosesnya dimulai dengan cara pembersihan kumpulan data untuk
menghilangkan sebuah data yang tidak relevan atau tidak valid. Dan kemudian,
parameter masukan yang sesuai dipilih untuk model pengelompokan fuzzy. Lalu
dibangun menggunakan algoritma fuzzy dan rule inference. Dan yang terakhir, dapat
pelatihan model dilakukan menggunakan sebuah jaringan syaraf tiruan dengan algoritma
backpropagation untuk dapat meningkatkan sebuah akurasi prediksi tersebut. Dan yang
dimana sebuah metode ini membantu untuk memahami pola data yang kompleks dan
juga mengidentifikasi suatu hubungan antara variabel input dan juga output dalam
konteks prediksi stabilitas jaringan pintar.

Sedangkan metode decision tree dapat digunakan untuk membangun sebuah model
klasifikasi untuk menentukan apakah dari sistem smart grid dianggap stabil atau tidak.
Yang dimana prosesnya dimulai dengan cara menggunakan sebuah node dan juga cabang
untuk memungkinkan model mempelajari dan menentukan kebenaran dan juga
kecocokan. Dengan decision tree dapat membedakan diri dari sebuah random forest
dalam kompleksitas node dan juga cabang. Dan selanjutnya digunakan algoritma random
forest yang terdiri dari pohon keputusan berbeda dengan menggunakan node yang sama.
Dan untuk masalah klasifikasi, indeks seperti ini digunakan untuk mengidentifikasi node
pada cabang pohon keputusan. Dengan proses ini membantu menciptakan model yang
dapat memprediksi stabilitas sistem dengan akurasi tinggi . Dan oleh karena itu, kedua
metode ini dapat digunakan dalam makalah ini untuk memecahkan masalah prediksi
stabilitas jaringan pintar menggunakan pendekatan yang berbeda namun saling
melengkapi. Yang dimana seharusnya fokus pada pengurangan dimensi data dan
pemilihan parameter masukan yang sesuai dalam metode pengelompokan fuzzy, dan serta
pembuatan model klasifikasi menggunakan decision tree, yang memberikan pendekatan
komprehensif untuk memprediksikan Stabilitas jaringan pintar. Dan oleh karena itu,
artikel ini juga dapat memberikan wawasan penting mengenai penerapan analisis data
besar dan juga pembelajaran mesin dalam memanajemen energi terbarukan di jaringan
pintar tersebut.

4. Data yang di gunakan dalam makalah tersebut adalah data untuk mencakup sebuah data
yang historis dan juga real-time dari sistem jaringan pintar yang terdiri dari 60.000
instansi dan 12 atribut. Dan data ini juga dapat digunakan untuk dapat memprediksikan
suatu stabilitas dalam sistem melalui tiga metode pembelajaran mesin yang berbeda beda.

5. Yang dimana makalah tersebut kita dapat menyimpulkan bahwa artikel ini adalah artikel
yang dapat membahas tentang sebuah penerapan analitik big data dan juga pembelajaran
mesin dalam mengelola energi terbarukan di jaringan pintar terssebut, dan kemudian juga
 terdapat penekanan pada pentingnya menggunakan berbagai teknologi dan juga
algoritma, yang seperti markov chain modeling, map Reduce, smart metering, dan juga
terdapat machine learning, untuk mendukung pengambilan keputusan dan juga
meningkatkan manajemen artikel ini juga dapat menjelaskan tentang tantangan dan
pertimbangan terkait konsumsi energi di pusat data dan serta pengembangan dan juga
solusi berkelanjutan yang didukung oleh energi terbarukan. Dengan kemudian terdapat
penekanan pada pentingnya keamanan data untuk dukungan pengambilan keputusan
dalam kerangka kerja big data dengan utilitas pembangkit listrik energi terbarukan
tersebut. Dan artikel ini juga dapat memberikan pendekatan lima metode untuk
memprediksi stabilitas jaringan pintar menggunakan berbagai metode pembelajaran
mesin, dan juga dengan hasil yang menunjukkan bahwa akurasi tinggi dalam
memprediksi stabilitas system dan artikel ini juga membahas dan dapat menjelaskan
penggunaan berbagai model pembelajaran mesin, yang seperti decision trees, random
forests, deep learning, dan convolutional neural networks, dan serta metode regresi linier
yang digunakan untuk mengurangi kesalahan kuadrat rata-rata dalam model terebut ini.

6. Dan terdapat di dalam artikel tersebut keterbatasan penelitian dalam artikel ini yaitu
walaupun dataset terdiri dari 60.000 objek, dan namun data tersebut tidak mewakili big
data, dengan komputasi awan dan penyimpanan awan digunakan untuk menyediakan
kerangka data besar menggunakan objek-objek ini. Yang selain itu, analisis peristiwa
real-time untuk data yang dikumpulkan disimulasikan menggunakan Apache Spark dan
Google Colab. Penelitian di masa depan harus mengatasi keterbatasan ini dan juga
mempertimbangkan keterlibatan pelanggan dalam entri data dan penyediaan data, serta
pemanfaatan IoT dan pengukuran pintar untuk pengumpulan data tersebut.

7. Di dalam makalah ini dapat menyarankan beberapa bidang untuk penelitian lebih lanjut,
seperti :
1. Keterlibatan Pelanggan: Yang dimana penelitian di masa depan harus
mempertimbangkan keterlibatan pelanggan dalam entri data dan juga penyediaan
data.
Dengan hal ini dapat memberikan wawasan berharga mengenai pola konsumsi energi
dan juga berkontribusi pada model prediksi yang lebih pasti atau akurat.
2. Analisis Peristiwa Real-Time: Dimana studi ini merekomendasikan eksplorasi lebih
lanjut analisis peristiwa real-time untuk data yang dapat dikumpulkan.
Dapat memanfaatkan teknologi seperti IoT dan smart meter untuk mengumpulkan dan
juga dapat menganalisis data real-time dan dapat meningkatkan pemahaman tentang
konsumsi energi dan juga stabilitas jaringan listrik.
 3. Perbandingan dengan penelitian terkait: Dimana penulis merekomendasikan untuk
membandingkan hasil dengan penelitian terkait di bidang ini.
Analisis komparatif ini dapat memberikan perspektif yang lebih luas mengenai
efektivitas dan penerapan metode yang diusulkan.
4. Memperluas Kerangka Big Data: Penelitian di masa depan dapat fokus pada
perluasan kerangka Big Data ke perusahaan pembangkit energi terbarukan.
Hal ini mungkin mencakup pertimbangan aspek tambahan seperti keamanan data,
dukungan keputusan, dan perluasan kerangka kerja.
5. Komputasi dan penyimpanan awan: Penelitian lebih lanjut harus dilakukan mengenai
penggunaan komputasi awan dan penyimpanan awan untuk analisis data besar dalam
konteks jaringan energi terbarukan.
Yang dimana hal ini dapat mengarah pada kemajuan dalam kemampuan pemrosesan dan
penyimpanan data untuk sistem energi skala besar. Secara keseluruhan, makalah ini
memberikan wawasan berharga dan juga meletakkan dasar bagi arah penelitian masa
depan mengenai penerapan analisis big data dan pembelajaran mesin di sektor energi,
khususnya dalam konteks energi terbarukan tersebut.

2.
1. Konsep-konsep penting yang ada di tayangan dari kedua video yaitu:
(Intelligent Systems Research)
1. Definisi Sistem Cerdas: Dimana sistem yang merasakan dan juga bereaksi terhadap
lingkungan, dengan memanfaatkan kecerdasan buatan dan pembelajaran mesin.
2. Elemen Komputasi dalam Sistem Cerdas: Yang dimana melibatkan komponen
komputasi untuk dapat meningkatkan kinerja sistem dan juga adaptabilitas
berdasarkan pengalaman sebelumnya.
3. Lebih dari AI: Pada sistem cerdas melampaui kecerdasan buatan tradisional, yang
berfokus pada adaptasi dan juga pengembangan aplikasi.
4. Pengembangan Perangkat Keras untuk Kecerdasan: Pada sistem cerdas melibatkan
berbagai perangkat, di mulai dari jam pintar hingga sampai mobil self-driving, yang
memerlukan pengembangan perangkat keras tersebut.
5. Pentingnya Desain Sistem Cerdas: Yang dimana desain sangat penting untuk
menetapkan dasar mendukung komputasi dalam suatu aplikasi baru dan juga
komputasi generasi berikutnya.
6. Signifikansi Program ISC: Yang dimana suatu program ISC di Atlantis School adalah
inisiatif terdepan secara global, dan yang mendorong penelitian multi disiplin.
7. Kerjasama Fakultas yang Beragam: Kerjasama fakultas melibatkan berbagai disiplin,
termasuk teknik komputer, sistem fisik siber, bioengineering, dan rekayasa molekuler.
8. Dorongan bagi Mahasiswa: Yang dimana pada mahasiswa dari berbagai latar
belakang didorong untuk terlibat dalam penelitian mutakhir tentang sistem cerdas.
9. Bidang Penelitian yang Dicakup: Yang dimana dapat melibatkan berbagai aspek
sistem cerdas, termasuk sensor biologis, robotika, sensor lingkungan, pemrosesan
data, dan sistem pembelajaran mendalam.
10. Masa Depan Komputasi: Yang dimana terdapat fokus pada desain sistem komputasi
yang sangat performan, hemat energi, heterogen, dan juga ramah lingkungan di
sepanjang kontinum dari komputasi awan hingga perangkat edge dan jaringan cerdas.

(AI vs ML vs DL Data Science – Difference Explained | Simplilearn)

1. Evolusi Pembelajaran Mesin (Machine Learning Evolution)
- Pembelajaran mesin dimulai pada tahun 1943 dengan pemodelan matematika jaringan saraf.
- Pembelajaran mesin merupakan cabang kecerdasan buatan dan ilmu komputer yang
menggunakan data dan algoritme untuk meniru cara manusia belajar.
- Ada tiga jenis pembelajaran mesin: pembelajaran yang diawasi, pembelajaran tanpa
pengawasan, dan pembelajaran penguatan.
2. Evolusi Pembelajaran Mendalam (Deep Learning Evolution)
Pembelajaran mendalam diperkenalkan pada tahun 1940-an dan mengalami perkembangan
bertahap selama tujuh dekade.
Terdapat banyak tesis dan penemuan sepanjang periode ini, dan popularitasnya meningkat,
terutama setelah tahun 2000 dengan kontribusi perusahaan seperti Facebook dan Google.
3. Jaringan Saraf (Neural Networks)
- Jaringan saraf merupakan komponen utama dalam pembelajaran mendalam.
- Terdapat tiga jenis utama jaringan saraf, yaitu jaringan saraf tiruan, jaringan saraf konvolusi
(CNN), dan jaringan saraf berulang (RNN).
- Jaringan saraf konvolusional dan jaringan saraf berulang digunakan dalam berbagai aplikasi
seperti pengenalan gambar, suara, dan bahasa alami.
4. Cabang-cabang Kecerdasan Buatan (Branches of AI)
 - Cabang-cabang kecerdasan buatan mencakup pembelajaran mesin, pembelajaran mendalam,
sistem pakar, robotika, pemrosesan bahasa alami, dan logika fuzzy.

5. Kecerdasan Buatan (Artificial Intelligence)

- Kecerdasan buatan memiliki dua jenis utama, yaitu kecerdasan buatan lemah (AI lemah)
dan kecerdasan buatan umum (AGI).
- AI lemah hanya dapat melakukan tugas tertentu, seperti asisten virtual, sementara AGI
memiliki kemampuan setara dengan kecerdasan manusia.

2. Dalam artikel ini, terdapat beberapa konsep penting terkait dengan sistem cerdas dan
komputasi generasi berikutnya. Salah satunya adalah konsep sistem cerdas, yang
merupakan sistem yang mampu merasakan lingkungan atau masukan lain dan bereaksi
sesuai dengan itu, menggunakan kecerdasan buatan dan pembelajaran mesin. Konsep ini
sangat relevan dengan perkembangan teknologi kecerdasan buatan saat ini, di mana
sistem-sistem cerdas semakin banyak digunakan dalam berbagai aplikasi, mulai dari
asisten virtual hingga mobil otonom.

Selain itu, konsep komputasi generasi berikutnya juga menjadi fokus dalam artikel ini.
Konsep ini mengacu pada pencarian sistem komputasi yang memiliki kinerja tinggi,
hemat energi, heterogen, serta ramah lingkungan. Hal ini juga terkait dengan fenomena
saat ini di mana semakin banyak perusahaan dan organisasi yang berusaha
mengembangkan teknologi kecerdasan buatan yang efisien secara energi dan ramah
lingkungan, serta mampu beroperasi di berbagai platform komputasi.

Namun, terdapat juga permasalahan yang sering terjadi dalam pengembangan teknologi
kecerdasan buatan saat ini, salah satunya adalah kekhawatiran terkait privasi dan
keamanan data. Dalam konteks konsep perangkat portabel, di mana sistem cerdas dapat
digunakan pada perangkat kecil yang digunakan sehari-hari, muncul permasalahan terkait
dengan pengiriman data sensitif ke pusat data dan perlindungan privasi pengguna. Selain
itu, dengan semakin berkembangnya teknologi kecerdasan buatan, diperlukan juga upaya
 untuk memastikan bahwa sistem-sistem cerdas benar-benar aman dan dapat diandalkan
dalam melakukan tugas-tugas yang diinginkan.

Dengan demikian, artikel ini memberikan gambaran tentang konsep-konsep penting

dalam pengembangan sistem cerdas dan komputasi generasi berikutnya, serta
relevansinya dengan fenomena dan permasalahan terkait kecerdasan buatan tersebut.

3. Pemaparan tersebut menguraikan konsep-konsep penting terkait dengan sistem cerdas,

kecerdasan buatan, dan pembelajaran mesin. Sistem cerdas dijelaskan sebagai sistem
yang mampu merasakan lingkungan atau masukan lain dan bereaksi sesuai dengan
informasi yang diterimanya. Dalam konteks ini, sistem cerdas menggunakan kecerdasan
buatan dan pembelajaran mesin untuk beroperasi. Pembelajaran mesin, yang terbagi
menjadi tiga jenis (diawasi, tidak diawasi, dan penguatan), juga disebutkan sebagai
bagian integral dari sistem cerdas. Selain itu, pembelajaran mendalam, yang pertama kali
diperkenalkan pada tahun 1940-an dan terus berkembang selama tujuh dekade, juga
menjadi fokus utama dalam pemaparan tersebut.

Konsep kecerdasan buatan (AI) juga disorot dalam pemaparan tersebut. AI dapat dibagi
menjadi dua jenis, yaitu AI lemah dan AI kuat. AI lemah merujuk pada sistem yang
dirancang untuk menyelesaikan tugas tertentu tanpa kecerdasan umum, sementara AI
kuat bercita-cita untuk membangun mesin yang tidak dapat dibedakan dari pikiran
manusia. Ilmu data juga disebutkan sebagai domain studi yang mencakup pembelajaran
mesin, kecerdasan buatan, dan pembelajaran mendalam, menunjukkan keterkaitan antara
konsep-konsep tersebut dalam konteks sistem cerdas.

Dalam konteks kecerdasan buatan saat ini, terdapat beberapa fenomena dan permasalahan
yang sedang terjadi. Salah satunya adalah perkembangan yang pesat dalam bidang AI
yang telah menghasilkan kemajuan signifikan dalam teknologi seperti pengenalan wajah,
mobil otonom, dan asisten virtual. Namun, hal ini juga menimbulkan permasalahan
terkait dengan etika dan privasi, seperti penggunaan data pribadi dan keputusan yang
diambil oleh sistem AI yang tidak selalu dapat dipertanggung jawabkan.