3d teknologi

Augmented Reality akan mengubah cara kita memandang dunia atau setidaknya cara penggunanya melihat dunia.
Bayangkan diri Anda berjalan atau mengemudi di jalan, dengan Augmented Reality, elemen-elemen digital grafis akan muncul di bidang yang Anda pandang, seperti pada kacamata atau pada kaca depan mobil Anda.
Kemudian ketika Anda membaca koran, dengan Augmented Reality koran tersebut tidak hanya menampilkan tulisan dan foto, tetapi kita bisa melihat video dan mendengar suara yang keluar melalui koran tersebut.
Augmented Reality merupakan kebalikan dari Virtual reality yang berarti integrasi elemen-elemen digital yang ditambahkan ke dalam dunia nyata secara realtime dan mengikuti keadaan lingkungan yang ada di dunia nyata.

Dalam banyak hal, Augmented Reality merupakan upaya untuk menggabungkan elemen digital dengan benda-benda fisik. Salah satu contoh produk yang menggunakan Augmented Reality di Indonesia adalah Sosro Heritage, di mana pada kemasan teh tersebut kita dapat melihat keindahan alam Indonesia dalam bentuk digital, misalkan kemasan teh yang bergambar Candi Borobudur, maka yang terjadi adalah di kemasan teh akan muncul sebuah Candi Borobudur dalam bentuk digital 3D.
Contoh lain dari penggunaan Augmented Reality adalah yang pernah dilakukan di Pekan Raya Jakarta 2010. Di arena Pekan Raya Jakarta ditempatkan beberapa cermin di lokasi-lokasi tertentu, setiap pengunjung yang bercermin di cermin tersebut akan berubah wajahnya menjadi ondel-ondel.
Di masa depan konsep ini bisa digunakan pada shopping centre, di mana para pengunjung tidak perlu lagi mencoba pakaian di kamar pas, tetapi pengunjung hanya perlu berdiri di depan cermin dan cermin tersebut akan menampilkan bayangan anda lengkap dengan baju yang telah anda pilih.

Marker Augmented Reality (Marker Based Tracking)

Ada beberapa metode yang digunakan pada Augmented Reality salah satunya adalah Marker Based Tracking. Marker biasanya merupakan ilustrasi hitam dan putih persegi dengan batas hitam tebal dan latar belakang putih. Komputer akan mengenali posisi dan orientasi marker dan menciptakan dunia virtual 3D yaitu titik (0,0,0) dan 3 sumbu yaitu X,Y,dan Z.
Marker Based Tracking ini sudah lama dikembangkan sejak 1980-an dan pada awal 1990-an mulai dikembangkan untuk penggunaan Augmented Reality.
markerbasedar

Markerless Augmented Reality

Salah satu metode Augmented Reality yang saat ini sedang berkembang adalah metode "Markerless Augmented Reality", dengan metode ini pengguna tidak perlu lagi menggunakan sebuah marker untuk menampilkan elemen-elemen digital.
Seperti yang saat ini dikembangkan oleh perusahaan Augmented Reality terbesar di dunia Total Immersion, mereka telah membuat berbagai macam teknik Markerless Tracking sebagai teknologi andalan mereka, seperti Face Tracking, 3D Object Tracking, dan Motion Tracking.

1. Face Tracking

Dengan menggunakan alogaritma yang mereka kembangkan, komputer dapat mengenali wajah manusia secara umum dengan cara mengenali posisi mata, hidung, dan mulut manusia, kemudian akan mengabaikan objek-objek lain di sekitarnya seperti pohon, rumah, dan benda-benda lainnya. Teknik ini pernah digunakan di Indonesia pada Pekan Raya Jakarta 2010 dan Toy Story 3 Event.

2. 3D Object Tracking

Berbeda dengan Face Tracking yang hanya mengenali wajah manusia secara umum, teknik 3D Object Tracking dapat mengenali semua bentuk benda yang ada disekitar, seperti mobil, meja, televisi, dan lain-lain.

3. Motion Tracking

Pada teknik ini komputer dapat menangkap gerakan, Motion Tracking telah mulai digunakan secara ekstensif untuk memproduksi film-film yang mencoba mensimulasikan gerakan. Contohnya pada film Avatar, di mana James Cameron menggunakan teknik ini untuk membuat film tersebut dan menggunakannya secara realtime.

GPS Based Tracking

Teknik GPS Based Tracking saat ini mulai populer dan banyak dikembangkan pada aplikasi smartphone (iPhone dan Android). Dengan memanfaatkan fitur GPS dan kompas yang ada didalam smartphone, aplikasi akan mengambil data dari GPS dan kompas kemudian menampilkannya dalam bentuk arah yang kita inginkan secara realtime, bahkan ada beberapa aplikasi menampikannya dalam bentuk 3D.
Salah satu pelopor GPS Based Tracking adalah aplikasi yang bernama Layar.

Branditeraction Augmented Reality Brand Interaction

Dengan menggunakan Augmented Reality yang menggabungkan antara dunia maya dan dunia nyata, ini merupakan solusi yang sangat baik dan sangat berpengaruh pada Brand Awareness bagi sebuah produk, sehingga meningkatkan angka penjualan dari produk tersebut.
Misalkan pada sebuah produk ponsel, calon pembeli dapat berinteraksi dan mendapatkan informasi hanya dengan menggunakan packaging produk ponsel tersebut, contohnya melihat model 3D ponsel atau dapat mencoba fitur-fitur terbaru pada ponsel tersebut tanpa membuka segel packaging.
Bahkan dengan menggunakan Augmented Reality ini merupakan langkah baru dalam penjualan sebuah produk.

Future of Augmented Reality

Tidak seperti Virtual Reality yang bertujuan menggantikan persepsi dunia dengan yang buatan, Augmented Reality memiliki tujuan untuk meningkatkan persepsi seseorang dari dunia sekitarnya.
Menjadi sebagian virtual dan nyata, teknologi antarmuka baru Augmented Reality yang mampu menampilkan informasi yang relevan ini sangat membantu dalam pendidikan, pelatihan, perbaikan atau pemeliharaan, manufaktur, militer, permainan dan hiburan.
Augmented Reality memiliki banyak keuntungan dibandingkan Virtual Reality karena pengguna dapat melihat dan menyentuh benda-benda digital dan dapat berinteraksi dengan elemen-elemen digital.
Dengan menggunakan teknologi Augmented Reality berarti akan melahirkan jenis baru interaksi antara manusia dengan komputer.

 sumber : http://www.sby.dnet.net.id/dnews/juli-2012/article-augmented-reality-masa-depan-interaktivitas-162.html


NAMA : ROLAND PANGIHUTAN
NPM  :  16115250
TUGAS : SOFTSKILL_3  

Data Mining

Pengertian, Definisi Dan Fungsi Data Mining 

1. Database

Database (Connoly dan Begg, 2010 : 54-66) adalah suatu pembagian kumpulan data yang berisi secara logika, dan keterangan dari masing-masing data yang didesain untuk mendapatkan informasi yang dibutuhkan sebuah organisasi. Database system adalah kumpulan program aplikasi yang berinteraksi dengan basis data bersama dengan Database Management System (DBMS) dan basis data itu sendiri, sedangkan Database Management System (DBMS) adalah merupakan sistem perangkat lunak yang memungkinkan pengguna untuk mendefinisikan, membuat, memelihara dan kontrol ke akses database.

Database (Mcleod, 2007 : 124), adalah kumpulan dari semua data berbasis komputer pada suatu perusahaan. 

Dari teori-teori tersebut dapat disimpulkan bahwa Database adalah sejumlah data yang terorganisasi dengan record dan field-nya yang terstruktrur dan saling terhubung untuk menyediakan informasi yang dibutuhkan oleh perusahaan.

2. Definisi Data Mining

Data mining (Connolly dan Begg, 2010) adalah suatu proses ekstraksi atau penggalian data yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting.

Data mining (Segall et.all, 2008) biasa juga disebut dengan “Data atau knowledge discovery” atau menemukan pola tersembunyi pada data. Data mining adalah proses dari menganalisa data dari prespektif yang berbeda dan menyimpulkannya ke dalam informasi yang berguna.

Data mining (Han dan Kamber, 2006 : 5) didefinisikan sebagai proses mengekstrak atau menambang pengetahuan yang dibutuhkan dari sejumlah data besar.

Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar. Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti Database System, Data Warehousing, Statistic, Machine Learning, Information Retrieval, dan Komputasi Tingkat Tinggi. Selain itu data mining didukung oleh ilmu lain seperti Neural Network, Pengenalan Pola, Spatial Data Analysis, Image Database, Signal Processing.

Beberapa survey tentang proses pemodelan dan metodologi menyatakan bahwa, “Data mining digunakan sebagai penunjuk, dimana data mining menyajikan intisari atas sejarah, deskripsi dan sebagai standar petunjuk mengenai masa depan dari sebuah proses model data mining”(Mariscal, Marba’n dan Ferna’ndes, 2010)

Karakteristik data mining sebagai berikut:

a. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.

b. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dapat dipercaya.

c. Data mining berguna untuk membuat keputusan kritis.

Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa Data Mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui.

3. Fungsi Data Mining

Teknik – teknik data mining telah digunakan untuk menemukan pola yang tersembunyi dan meprediksi tren masa depan. Dan keuntungan kompetitif dari data mining termasuk dengan meningkatnya pendapatan, berkurangnya pengeluaran, dan kemampuan pemasaran yang meningkat. (Pujari et. All, 2012)

Data mining dibagi menjadi dua kategori utama (Han dan Kamber, 2006 : 21- 29) yaitu:

A. Prediktif

Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai atribut-atribut lain. Atribut yang diprediksi umumnya dikenal sebagai target atau variable tak bebas, sedangkan atribut-atribut yang digunakan untuk membuat prediksi dikenal sebagai explanatory atau variable bebas.

B. Deskriptif

Tujuan dari tugas deskriptif adalah untuk menurunkan pola-pola (korelasi, trend, cluster, teritori, dan anomali) yang meringkas hubungan yang pokok dalam data. Tugas data mining deskriptif sering merupakan penyelidikan dan seringkali memerlukan teknik post-processing untuk validasi dan penjelasan hasil.

Fungsi dari data mining juga ada dalam dunia kesehatan, dimana data mining telah digunakan untuk untuk meningkatkan diagnosis dan pengobatan atau lebih mengerti perilaku dari pasien. (Sandra et all, 2009)

Data mining juga memiliki beberapa fungsionalitas yaitu Concept/Class Description: Characterization and Discrimination, Mining Frequent Patterns, Associations, and Correlations, Classification and Prediction, Cluster Analysis, Outlier analysis, dan Evolution analysis. (Han dan Kamber, 2006 : 21 – 27)

Berikut adalah penjelasan dari masing-masing fungsi diatas:

1. Concept/Class Description: Characterization and Discrimination

Data characterization adalah ringkasan dari semua karakteristik atau fitur dari data yang telah diperoleh dari target kelas. Data yang sesuai dengan kelas yang telah ditentukan oleh pengguna biasanya dikumpulkan di dalam database. Misalnya, untuk mempelajari karakteristik produk perangkat lunak dimana pada tahun lalu seluruh penjualan telah meningkat sebesar 10%, data yang terkait dengan produk-produk tersebut dapat dikumpulkan dengan menjalankan sebuah query SQL. Sedangkan, data discrimination adalah perbandingan antara fitur umum objek data target kelas dengan fitur umum objek dari satu atau satu set kelas lainnya. target diambil melalui query database. Misalnya, pengguna mungkin ingin membandingkan fitur umum dari produk perangkat lunak yang pada tahun lalu penjualannya meningkat sebesar 10% tetapi selama periode yang sama seluruh penjualan juga menurun setidaknya 30%.

2. Mining Frequent Patterns, Associations, and Correlations

Frequent Patterns adalah pola yang sering terjadi di dalam data. Ada banyak jenis dari frequent patterns, termasuk di dalamnya pola, sekelompok item set, sub-sequence, dan sub-struktur. Sebuah frequent patterns biasanya mengacu pada satu set item yang sering muncul bersama-sama dalam suatu kumpulan data transaksional, misalnya seperti susu dan roti.

Associations Analysis adalah pencarian aturan-aturan asosiasi yang menunjukan kondisi-kondisi nilai atribut yang sering terjadi bersama-sama dalam sekumpulan data. Analisis asosiasi sering digunakan untuk menganalisa Market Basket Analysis dan data transaksi.

3. Classification and Prediction

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya. Model yang diturunkan didasarkan pada analisis dari training data (yaitu objek data yang memiliki label kelas yang diketahui). Model yang diturunkan dapat direpresentasikan dalam berbagai bentuk seperti If-then klasifikasi, decision tree, dan sebagainya.

Teknik classification bekerja dengan mengelompokkan data berdasarkan data training dan nilai atribut klasifikasi. Aturan pengelompokan tersebut akan digunakan untuk klasifikasi data baru ke dalam kelompok yang ada. Classification dapat direpresentasikan dalam bentuk pohon keputusan (decision tree). Setiap node dalam pohon keputusan menyatakan suatu tes terhadap atribut dataset, sedangkan setiap cabang menyatakan hasil dari tes tersebut. Pohon keputusan yang terbentuk dapat diterjemahkan menjadi sekumpulan aturan dalam bentuk IF condition THEN outcome. (Mewati Ayub, 2007 : 7).

Dalam banyak kasus, pengguna ingin memprediksikan nilai-nilai data yang tidak tersedia atau hilang (bukan label dari kelas). Dalam kasus ini nilai data yang akan diprediksi merupakan data numeric. Disamping itu, prediksi lebih menekankan pada identifikasi trend dari distribusi berdasarkan data yang tersedia.

4. Cluster Analysis

Cluster adalah kumpulan objek data yang mirip satu sama lain dalam kelompok yang sama dan berbeda dengan objek data di kelompok lain. Sedangkan, Clustering atau Analisis Custer adalah proses pengelompokkan satu set benda-benda fisik atau abstrak kedalam kelas objek yang sama. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu sama lain dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.

1. Outlier analysis

Outlier merupakan objek data yang tidak mengikuti perilaku umum dari data. Outlier dianggap sebagai noise atau pengecualian. Analisis data outlier dapat dianggap sebagai noise atau pengecualian. Analisis data outlier dinamakan Outlier Mining. Teknik ini berguna dalam fraud detection dan rare events analysis.

2. Evolution analysis

Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang memiliki perilaku yang berubah setiap waktu. Teknik ini dapat meliputi karakterisasi, diskriminasi, asosiasi, klasifikasi, atau clustering dari data yang berkaitan dengan waktu.

4. Tujuan Data Mining

Tujuan dari data mining (Hoffer, Prescott, dan McFadden, 2007) adalah:

1. Explanatory

Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up meningkat di Colorado.

2. Confirmatory

Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan satu kali pendapatan keluarga.

3. Exploratory

Untuk menganalisa data yang memiliki hubungan yang baru. Misalnya, pola apa yang cocok untuk kasus penggelapan kartu kredit.

5. Arsitektur Data Mining

Data mining merupakan proses pencarian pengetahuan yang menarik dari data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat penyimpanan informasi lainnya. Dengan demikian arsitektur sistem data mining memiliki komponen-komponen utama (Han dan Kamber, 2006) yaitu:

a. Database, data warehouse, World Wide Web, atau tempat penyimpanan informasi lainnya: bisa berbentuk satu atau banyak database, data warehouse, spreadsheet, ataupun tempat penyimpanan informasi lainnya. Data Cleaning, Data Integration dan Data Selection dapat dijalankan pada data tersebut.

b. Database dan data warehouse server. Komponen ini bertanggung jawab dalam pengambilan data yang relevan, berdasarkan permintaan pengguna.

c. Knowledge Based. Komponen ini merupakan domain knowledge yang digunakan untuk memandu pencarian atau mengevaluasi pola-pola yang dihasilkan. Pengetahuan tersebut meliput hirarki konsep yang digunakan untuk mengorganisasikan atribut atau nilai atribut kedalam level abstraksi yang berbeda. Pengetahuan tersebut juga dapat berupa kepercayaan pengguna (user belief), yang dapat digunakan untuk menentukan kemenarikan pola yang diperoleh.

d. Data mining engine. Bagian ini merupakan komponen penting dalam arsitektur sistem data mining. Komponen ini terdiri dari modul-modul fungsional seperti karakterisasi, asosiasi, klasifikasi, dan analisis cluster.

e. Ghrapical user interface (GUI). Modul ini berkomunikasi dengan pengguna dan data mining. Melalui komponen ini, pengguna berinteraksi dengan sistem menggunakan query.

Gambar Arsitektur sistem data mining

6. Klasifikasi Sistem Data Mining

Data Mining (Han dan Kamber, 2006 : 29) merupakan suatu pendekatan dalam pemecahan masalah dengan menggunakan tinjauan berbagai sudut pandang ilmu secara terpadu yaitu, database system, statistics, machine learning, visualization, dan information system. (Gambar 2.2)

Gambar  Data mining merupakan irisan dari berbagai disiplin

7. Knowledge Discovery In Databases

Han dan Kamber (2006 : 7), lebih spesifik menyatakan istilah Data Mining dan Knowledge Discovery in Databases (KDD) secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu kumpulan data yang besar. Akan tetapi kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain dan salah satu tahap dalam proses KDD adalah data mining.

Data mining adalah salah satu langkah dalam proses KDD secara keseluruhan. Secara umum, data mining digunakan oleh banyak peneliti sebagai sinonim dari proses KDD. Akhir-akhir ini, data mining dan knowledge discovery telah diusulkan sebagai nama yang paling memadai untuk keseluruhan proses KDD. Knowledge Discovery in Databases berkaitan dengan proses penemuan pengetahuan yang diterapkan pada database. Hal ini juga didefinisikan sebagai proses non-trivial untuk identifikasi data yang valid, baru, berpotensi bermanfaat, dan akhirnya memiliki pola yang dapat dimengerti. (Kurgan dan Musilek, 2006)

Knowledge discovery sering terhalang karena tantangan dalam integrasi dan navigasi dari data yang berbeda. Selain itu, karena jumlah dimensi di dalam data meningkat, pendekatan baru untuk penemuan pola sangat diperlukan. (Zhiyuan Chen, 2007).

Berdasarkan pengertian beberapa pengertian tersebut dapat ditarik kesimpulan bahwa Knowledge Discovery in Database (KDD) adalah proses yang bertujuan untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi serta pengetahuan yang berguna.

Langkah penting dalam proses KDD dapat dilihat pada gambar 2.3 yang terdiri dari tahapan-tahapan sebagai berikut:

1) Data cleaning

Data cleaning merupakan proses membuang duplikasi data, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan penulisan. Pada umumnya data yang diperoleh baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isi yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data cleaning juga akan mempengaruhi hasil informasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.

2) Data integration

Proses menambah data yang sudah ada dengan data atau informasi lain yang relevan atau bisa disebut juga merupakan penggabungan data dari berbagai database kedalam satu database baru yang dibutuhkan oleh KDD.

Tahapan cleaning dan integration pada KDD mengasumsikan bahwa integrator data harus menghapus noise dari data awal secara paralel dengan mengintegrasikan beberapa data set. (M. Brian Blake, 2009)

Gambar Data mining sebagai tahapan dalam proses KDD

3) Data selection

Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional. Data hasil pemilihan disimpan dalam database yang terpisah.

4) Data transformation

Proses tranformasi data kedalam bentuk format tertentu sehingga data tersebut sesuai untuk proses data mining. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.

5) Data mining

Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode atau algoritma tertentu.

6) Pattern evaluation

Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai atau tidak.

7) Knowledge presentation

Menampilkan pola informasi yang dihasilkan dari proses data mining, visualisasi ini membantu mengkomunikasikan hasil data mining dalam bentuk yang mudah dimengerti.

sumber: http://globallavebookx.blogspot.co.id/2015/01/pengertian-definisi-dan-fungsi-data.html

NAMA : ROLAND PANGIHUTAN
NPM  :  16115250
TUGAS : SOFTSKILL_3  

Internet of Things (IoT)

Internet of Things (IoT), sebuah istilah yang belakangan ini mulai ramai ditemui namun masih banyak yang belum mengerti arti dari istilah ini. Sebetulnya hingga saat ini belum ada pengertian atau definisi standar mengenai Internet of Things, namun secara singkat Internet of Things bisa dibilang adalah di mana benda-benda di sekitar kita dapat berkomunikasi antara satu sama lain melalui sebuah jaringan seperti internet.
Ide awal Internet of Things pertama kali dimunculkan oleh Kevin Ashton pada tahun 1999 di salah satu presentasinya. Kini banyak perusahaan besar mulai mendalami Internet of Things sebut saja Intel, Microsoft, Oracle, dan banyak lainnya.
Banyak yang memprediksi bahwa pengaruh Internet of Things adalah “the next big thing” di dunia teknologi informasi, hal ini karena IoT menawarkan banyak potensi yang bisa digali. Contoh sederhana manfaat dan implementasi dari Internet of Things misalnya adalah kulkas yang dapat memberitahukan kepada pemiliknya via SMS atau email tentang makanan dan minuman apa saja yang sudah habis dan harus distok lagi.
Bagi pengembang, kini banyak perusahaan yang menyediakan berbagai macam program untuk membantu pengembang dalam mengembangkan produk berbasis IoT. Salah satu yang menyediakan program ini adalah Intel dengan IoT Developer Program mereka.
IoT merupakan salah satu alat teknologi yang dapat digunakan untuk pengembangan aplikasi Smart City. Saya akan memberikan tiga contoh penggunaan teknologi IoT pada Smart City:

• Pada aplikasi Informasi Banjir Online, selain mengandalkan laporan warga, sensor-sensor banjir yang dapat mengukur ketinggian air secara real-time disebarkan ke seluruh wilayah kota sehingga informasi dapat diinformasikan ke Command Center secara cepat dan selanjutnya langsung tertangani oleh Dinas terkait.
• Sistem Notifikasi Gempa dan Tsunami. Beberapa kejadian bencana alam di Indonesia memakan korban jiwa begitu banyak. Jumlah korban jiwa dapat dikurangi secara signifikan apabila Early Warning System diterapkan secara benar dan tepat sasaran. Sensor-sensor yang ditempatkan di daerah rawan bencana alam dapat memberikan informasi secara langsung kepada warga sekitar lokasi rawan gempa, longsor, atau tsunami dalam hitungan detik.
• Sistem yang tak kalah menariknya adalah sistem Smart Parking. Pada sistem ini, sensor parkir ditaruh di tempat parkir umum. Pemakaian sistem Smart Parking ini dapat membantu pemerintah kota memantau dan mengendalikan pendapatan daerah dari parkir. Keuntungan yang bisa dirasakan langsung oleh masyarakat berupa pemeriksaan status dari parkir yang tersedia dan sistem booking atau bayar parkir online.

---

1.2 Man Using Information Board

Sistem seperti ini sangat menarik dan akan sangat berguna apabila dapat diterapkan di seluruh daerah di Indonesia, tidak terbatas hanya perkotaan. Bagaimanapun, investasi untuk Smart City IoT lebih mahal daripada aplikasi software semata. Teknologi tersebut memerlukan CAPEX yang cukup besar berupa infrastruktur dan hardware. Oleh karena itu, “barrier to implement” atau halangan untuk menerapkan teknologi ini jauh lebih tinggi. Pemerintah Daerah tidak bisa hanya sendirian menerapkannya, melainkan harus bersama-sama dengan semua pihak termasuk pihak akademisi, swasta, dan komunitas guna membentuk suatu Smart City Ecosystem yang integrated and sustainable.


Wah ternyata sudah ada yang ambil andil dalam perluasan teknologi IoT ini. Saya sendiri menyambut baik dengan adanya pengembangan IoT. Semakin jauh rasanya dengan era mekanikal dan teknologi biasa. Namun dari teknologi sebelumlah era IoT ini mulai terbentuk, dan faktanya penggerak utama teknologi ini terbentuk adalah kerja nyata yang mengharuskan manusia untuk berkreatifitas demi menciptakan inovas baru. untuk itu kreatifitas yang sesungguhnya tetap harus kita miliki dan salurkan walau dengan adanya IoT yang dapat mempermudah segala aspek kehidupan.
Semoga kita dapat menyikapi era baru ini dengan segala pengetahuan yang mumpuni. Segala perkembangan yang ada memang harus di lewati dan siap dalam mengahadapinya.


Sumber :
https://id.techinasia.com/penggunaan-iot-untuk-pengembangan-smart-city-di-indonesia/





NAMA : ROLAND PANGIHUTAN
NPM  :  16115250
TUGAS : SOFTSKILL_3