[Computer Science] Fenomena Cryptocurrency: Mata Uang Digital Berbasis Ilmu Kriptografi

Sumber Gambar : Bitcoin.Com

Bitcoin yang bikin heboh. Tetapi kali ini saya tidak ingin membahas tentang bagaimana heroiknya Bitcoin menembus nilai setara dengan lebih dari 180 juta rupiah. Saya ingin coba ngulik dari sisi kriptografi-nya, sebagai bagian dari ilmu komputer. Siapa tahu ada dari antara para mahasiswa di Jurusan Teknik Informatika yang tertantang untuk mengembangkan atau setidaknya melakukan penelitian tentang mata uang virtual ini. Mengapa tidak? Toh saat ini sudah berkembang berbagai mata uang virtual yang dikembangkan oleh para programmer-programmer dari berbagai belahan dunia, yang tentu ingin mengekor kesuksesaan sang legendaris Bitcoin. 

Dulu ketika pertama kali mendengar kata "Cryptocurrency", saya berfikir ini adalah cabang ilmu dari Cryptography, yang tentu juga merupakan bagian Computer Science. Sehingga sayapun segera tertarik untuk membaca dan mempelajarinya. Tetapi setelah membaca satu dua paper, ternyata berbeda dengan yang saya fikirkan sebelumnya, meskipun memang ada kaitannya. Tidak menyangka saja, bahwa saat ini Cryptocurrency berkembang dengan pesat, meski membawa pro dan kontra dalam penerapannya.

Cryptocurrency ternyata adalah mata uang digital yang penerapannya bersumber pada ilmu kriptografi. Kriptografi sendiri pada awalnya merupakan ilmu yang mempelajari cara-cara untuk mengamankan sebuah komunikasi, yang akhirnya berkembang ke berbagai aspek dalam keamanan informasi seperti pengiriman data rahasia, integritas data, autentikasi, pengamanan password dan sebagainya.

Lalu bagaimana Kriptografi diterapkan dalam Cryptocurrency?

Yang pertama adalah adanya digital signatures. Sebagaimana segala bentuk transaksi di bank yang membutuhkan tanda tangan, maka demikian juga dengan transaksi dalam cryptocurrency. Dan tentu saja bukan tandatangan konvensional yang dibutuhkan, tetapi tandatangan digital. Digital Signature adalah alat yang berfungsi sebagai penanda pada data, yang memastikan bahwa data tersebut adalah data yang sebenar-benarnya. Digital Signature dibuat setidaknya untuk memenuhi dua syarat utama sebuah keamanan jaringan, yaitu Authenticity dan Non-repudiation.

Sumber: www.blockgeeks.com

Autenticity, berarti tanda tangan digital harus memberikan verifikasi. Tanda tangan tersebut harus bisa memastikan bahwa kita-lah orang yang benar-benar menandatangani dokumen. Harus tidak bisa dipalsukan. Tidak ada orang lain yang bisa memalsukan dan menyalin tanda tangan kita.
Non-repudiation,artinya anti-penolakan. Jika Anda telah menandatangani sesuatu dengan tanda tangan Anda, maka Anda seharusnya tidak dapat mengambilnya kembali atau mengklaim bahwa orang lain telah melakukannya bukan Anda.

Dalam dunia nyata, betapapun rumitnya sebuah tanda tangan, ternyata selalu ada kemungkinan pemalsuan. Untuk itulah kriptografi memberi kita solusi melalui konsep digital signature yang dilakukan melalui penggunaan "kunci". Digital Signature bekerja dengan memanfaatkan dua buah kunci, yaitu kunci publik (public key) yang digunakan untuk mengenkripsi data, serta kunci privat (private key) yang digunakan untuk mendekripsi data. Cara kerjanya adalah dokumen di-hash menghasilkan Message Digest, lalu  Message Digest dienkripsi oleh kunci publik menjadi sebuah Digital Signature.

Yang kedua, Public Key inilah kemudian digunakan sebagai identitas, yaitu identitas seorang pelaku dalam sistem. Jadi jika kita melihat pesan yang disertai digital signature dibawah sebuah public key, maka public key itulah pelaku yang berkata dalam pesan tersebut. Tak heran ketika sebuah artikel di Bloomberg belum lama ini menyebutkan seorang pengguna mata uang virtual (cryptocurrency) menghasilkan kekayaan Rp 3,7 triliun dalam waktu satu bulan dari jumlah semula yang hanya Rp 733 miliar, dan kemudian muncul pertanyaan siapakah orang beruntung tersebut? Yang muncul kemudian hanya identitas yang berupa sederet kombinasi angka dan huruf rumit  "0x00A651D43B6e209F5Ada45A35F92EFC0De3A5184". Waduh, siapakah dia sebenarnya? Tidak ada yang tahu, meskipun ada yang menengarai orang tersebut berasal dari Indonesia. (Monggo yang mau cekidot Link artikel Bloomberg).

Sumber :https://www.ssl2buy.com/wiki

Berikutnya adalah Enkripsi data. Enkripsi adalah metode dalam kriptografi yang digunakan untuk mengirim pesan rahasia. Enkripsi merupakan proses mengamankan suatu informasi dengan membuat informasi tersebut tidak dapat dibaca tanpa bantuan pengetahuan khusus (wikipedia). Dalam konteks ini, perangkat lunak cryptocurrency mengenkripsi setiap transaksi yang terjadi didalamnya. Dengan enkripsi data, pengirim dan penerima teridentifikasi hanya melalui sebuah rangkaian kode. Pembeli dan penjual dalam model ini tetap tidak diketahui, meskipun pelaku bisa melihat pergerakan koin dari pengirim satu ke penerima yang lain.

Jika anda ingin belajar lebih lanjut tentang ilmu dibalik Cryptocurrency ini, bisa cekidot link berikut : The Science Behind Cryptocurrencies Cryptography. Ayo, siapa tertantang menciptakan mata uang virtual sendiri?

Read more »

[Computer Science] Ilmu Titen : Machine Learning dari Para Leluhur Tanah Jawa

Mau belajar Machine Learning bagi para IT-ers? Nggak usah takut, karena ilmu kondang yang mengawali perkembangan komputasi modern di abad XX itu ternyata berasal dari Tanah Jawa. Haha.. mungkin ini sekedar joke. Tetapi memang pada kenyataannya, orang Jawa punya ilmu warisan leluhur yang cara kerjanya mirip dengan machine learning. Ilmu itu disebut dengan ilmu titen.

Kitab Betaljemur Adammakna, salah satu kitab ilmu titen warisan leluhur

Secara etimologis, ilmu titen berasal dari kata dalam bahasa Jawa “titen” yang berarti "ingat" atau “cermat”. Sehingga niteni bisa diartikan sebagai "mengingat-ingat" atau "mencermati". Sejak jaman leluhur, ilmu titen ini membuat seseorang mampu menebak kejadian yang akan terjadi ke depan. Ilmu itulah yang konon digunakan para ahli futurologi Jawa sekelas Jayabaya dan Ronggowarsito. Contoh penerapan ilmu titen ini misalnya adalah tradisi Jawa untuk "memilih hari baik". Ketika orang jawa mau melaksanakan upacara menikahkan anak misalnya, maka mereka akan menentukan hari baik berdasarkan ilmu titen tersebut. Beberapa ilmu titen bahkan telah diwariskan secara turun-temurun dalam bentuk buku yang disebut dengan nama primbon, seperti misalnya Kitab Sabda Pandhita (R. Tanojo) dan Betaljemur Adam Makna (R. Soemodidjojo).

Ilmu Titen sempat di uri-uri nenek moyang, terutama pada jaman kerajaan. Sayang sekali seiring berjalannya waktu, banyak yang menganggap ilmu ini sebagai mistis, ramalan, dan bahkan banyak yang menganggap ilmu titen adalah mithos belaka. Padahal jika dilihat dari asal-usulnya, ilmu titen bukanlah sekedar ramalan, mistis atau bahkan mithos belaka. Ilmu titen didapatkan dari hasil analisa dan pengamatan jangka panjang akan hal-hal yang sebelumnya telah terjadi secara berulang-ulang. Ilmu titen juga dihasilkan dari pengamatan akan tanda-tanda alam karena menurut para leluhur, kejadian-kejadian yang telah terjadi ataupun yang akan terjadi selalu diisyaratkan oleh tanda-tanda alam. Jadi bisa dikatakan bahwa ilmu titen diperoleh karena leluhur belajar dari data, atau tepatnya data historis (data akan hal-hal yang telah terjadi) meskipun tentu saja data tersebut belum tertsruktur seperti sekarang.

Pranatamangsa (sumber: 1001indonesia)

Salah satu tradisi ilmu titen yang sampai sekarang masih lumayan eksis dan digunakan sebagian masyarakat Jawa diantaranya adalah Pranatamangsa. Pranata mangsa, dalam bahasa Jawa berarti "ketentuan musim".  Ini adalah penanggalan yang telah digunakan sejak para leluhur di tanah Jawa terutama untuk kegiatan bercocok tanam atau penangkapan ikan. Pranata mangsa berbasis peredaran matahari dan siklusnya berumur 365 hari. Penanggalan ini juga memuat berbagai aspek fenomena alam lainnya yang dimanfaatkan sebagai pedoman dalam kegiatan usaha tani maupun persiapan diri menghadapi bencana seperti kekeringan, wabah penyakit, serangan pengganggu tanaman, dan sebagainya yang mungkin timbul pada waktu-waktu tertentu (Wikipedia).

Beberapa contoh fenomena alam sebagai ilmu titen yang tertulis dalam pranatamangsa diantaranya adalah ketika daun-daun berguguran, kayu mengering, dan belalang masuk ke dalam tanah maka orang Jawa akan menandainya sebagai saat yang tepat untuk mulai menanam palawija. Ketika mata air mulai terisi, kapuk randu mulai berbuah, burung-burung kecil mulai bersarang dan bertelur, maka itulah saatnya panen palawija dilakukan. Ketika padi berbunga, jangkrik mulai muncul, tonggeret dan gangsir mulai bersuara, maka orang jawa akan menandainya sebagai dimulainya mangsa rendeng, atau mendekati musim penghujan. Luar biasa ilmu ini, sempat digunakan sebagai pedoman yang terpercaya bagi para petani. Tetapi sayang, seiring dengan terjadinya perubahan iklim dunia, pranatamangsa sudah tidak lagi akurat. Terjadinya pemanasan global di berbagai belahan dunia, diikuti fenomena El Nino dan La Nina berdampak terjadinya pergeseran musim panas (kemarau) dan musim penghujan sehingga sulit untuk diprediksi.

Ilmu Titen dan Machine Learning

Pada dasarnya, ilmu titen adalah belajar "niteni" dari data, atau peristiwa yang terjadi secara berulang-ulang. Demikian juga dengan machine learning. Ilmu ini merupakan proses dimana komputer belajar dari data (learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Semakin besar data yang dipelajari, maka akan semakin akurat hasilnya. Dengan demikian, secara prinsip machine learning dan ilmu titen memiliki kesamaan belajar dari data.

Lalu mengapa disebut Machine learning? Disebut mesin dalam hal ini lebih mendekati ‘sistem’ bukan "mekanik". Sedangkan "learning" atau pembelajaran karena mengacu pada disiplin ilmu kecerdasan buatan, yang artinya menambah pengetahuan, memahami dengan belajar dan mengikuti perintah (wikipedia). Machine learning merupakan salah satu cabang dari ilmu kecerdasan buatan (Arificial Intelligence) yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pembelajaran data.

Beberapa contoh penerapan machine learning dalam kehidupan sehari-hari diantaranya adalah penerapan di bidang kedoteran untuk mendeteksi berbagai penyakit dengan belajar dari gejala-gejala yang ada. Contoh lainnya adalah deteksi wajah, deteksi kerusakan pada pesawat terbang, deteksi cuaca, penterjemahan tulisan tangan menjadi teks, mengubah suara menjadi teks dan lain sebagainya.

Jadi jangan takut belajar Machine Learning, karena nenek moyang kitapun telah mempelajarinya. Lets do it!


Ditulis di kaki Merbabu yang dingin, dini hari 3 September 2017.
  

Read more »

[Kampus News] Pemeringkatan Dikti 2017: UKSW di Posisi 36 dan 10 Besar Swasta Terbaik Nasional

Setelah mengumumkan Klaster 1 Perguruan Tinggi di Indonesia pada tanggal 17 Agustus 2017, kemarin pada hari Senin 21 Agustus 2017 Kemenristekdikti kembali mengumumkan 100 Besar Perguruan Tinggi di Indonesia. Dari daftar tersebut, UKSW naik 3 peringkat dari posisi tahun lalu (posisi 39) menjadi posisi 36 tahun ini. Sebuah posisi yang layak di apresiasi, mengingat ada lebih dari 4000 perguruan tinggi di Indonesia. Dengan posisi tersebut, UKSW berada pada Klaster II.

Untuk kategori Universitas Swasta (non Politeknik), UKSW masuk dalam kategori 10 besar Universitas Swasta terbaik Nasional. Berikut urutan peringkatnya:

1.   (30) Universitas Kristen Petra
2.   (31) Universitas Surabaya
3.   (32) Universitas Sanata Dharma
4.   (34) Universitas Katolik Parahyangan
5.   (36) Universitas Kristen Satya Wacana
6.   (39) Universitas Muhammadiyah Malang
7.   (41) Universitas Islam Indonesia
8.   (44) Universitas Merdeka Malang
9.   (46) Universitas Atma Jaya Yogyakarta
10. (48) Universitas Bina Nusantara

Sedangkan di tingkat Jawa Tengah, atau Kopertis VI,  UKSW masih bertahan pada peringkat pertama untuk kategori Universitas Swasta (Non Politeknik).
Berikut adalah 5 besar Universitas Swasta terbaik di Kopertis VI (Jawa Tengah) mengacu pada release yang dikeluarkan Kemenristekdikti tersebut.

1. (36) Universitas Kristen Satya Wacana
2. (54) Universitas Katolik Soegijapranata
3. (55) Universitas Stikubank
4. (66) Universitas Muhammadiyah Surakarta
5. (69) Universitas Islam Sultan Agung

Untuk lebih lengkapnya, berikut adalah  daftar 100 Besar Perguruan Tinggi Indonesia Non Politeknik Tahun 2017:

1.Universitas Gadjah Mada
2.Institut Teknologi Bandung
3.Institut Pertanian Bogor
4.Universitas Indonesia
5.Institut Teknologi Sepuluh Nopember
6.Universitas Diponegoro
7.Universitas Airlangga
8.Universitas Brawijaya
9.Universitas Hasanuddin
10.Universitas Negeri Yogyakarta
11.Universitas Sebelas Maret
12.Universitas Andalas
13.Universitas Pendidikan Indonesia
14.Universitas Padjadjaran
15.Universitas Negeri Malang
16.Universitas Negeri Semarang
17.Universitas Udayana
18.Universitas Lampung
19.Universitas Sumatera Utara
20.Universitas Jember
21.Universitas Negeri Medan
22.Universitas Pembangunan Nasional Veteran Jawa Timur
23.Universitas Riau
24.Universitas Sriwijaya
25.Universitas Jenderal Soedirman
26.Universitas Negeri Jakarta
27.Universitas Syiah Kuala
28.Universitas Negeri Makassar
29.Universitas Negeri Surabaya
30.Universitas Kristen Petra
31.Universitas Surabaya
32.Universitas Sanata Dharma
33.Universitas Mataram
34.Universitas Katolik Parahyangan
35.Universitas Pendidikan Ganesha
36.Universitas Kristen Satya Wacana
37.Universitas Halu Oleo
38.Universitas Tadulako
39.Universitas Muhammadiyah Malang
40.Universitas Pembangunan Nasional Veteran Yogyakarta
41.Universitas Islam Indonesia
42.Universitas Tanjungpura
43.Universitas Jambi
44.Universitas Merdeka Malang
45.Universitas Bengkulu
46.Universitas Atma Jaya Yogyakarta
47.Universitas Sam Ratulangi
48.Universitas Bina Nusantara
49.Universitas Pasundan
50.Universitas Negeri Gorontalo
51.Universitas Lambung Mangkurat
52.Universitas Mulawarman
53.Universitas Negeri Manado
54.Universitas Katolik Soegijapranata
55.Universitas Stikubank
56.Universitas Trisakti
57.Universitas Islam Malang
58.Sekolah Tinggi Ilmu Ekonomi Malangkucecwara
59.Universitas Muslim Indonesia
60.Universitas Tarumanagara
61.Universitas Telkom
62.Sekolah Tinggi Ilmu Ekonomi Indonesia Surabaya
63.Universitas Katolik Widya Mandala Surabaya
64.Universitas 17 Agustus 1945 Surabaya
65.Universitas Islam Bandung
66.Universitas Muhammadiyah Surakarta
67.Universitas Negeri Padang
68.Universitas Nasional
69.Universitas Islam Sultan Agung
70.Institut Teknologi Nasional Malang
71.Universitas Bung Hatta
72.Institut Teknologi Nasional Bandung
73.Universitas Pendidikan Nasional
74.Universitas Warmadewa
75.Universitas Djuanda
76.Institut Seni Indonesia Yogyakarta
77.Sekolah Tinggi Pariwisata Trisakti
78.Universitas PGRI Adi Buana
79.Universitas Janabadra
80.Universitas Kristen Duta Wacana
81.Sekolah Tinggi Filsafat Theologi Jakarta
82.Sekolah Tinggi Filsafat Driyarkara
83.Universitas Sultan Ageng Tirtayasa
84.Universitas Palangka Raya
85.Universitas Trunojoyo
86.Universitas Nusa Cendana
87.Universitas Katolik Indonesia Atma Jaya
88.Universitas Widya Gama
89.Universitas Wijaya Kusuma Surabaya
90.Sekolah Tinggi Ilmu Ekonomi Indonesia Banjarmasin
91.Universitas Mahasaraswati Denpasar
92.Universitas Pelita Harapan
93.Universitas Dr Soetomo
94.Universitas Slamet Riyadi
95.Universitas Kristen Maranatha
96.Institut Sains Dan Teknologi Akprind
97.Universitas PGRI Semarang
98.Sekolah Tinggi Ilmu Ekonomi Nusa Megar Kencana
99.Sekolah Tinggi Pariwisata Pelita Harapan
100.Universitas Muhammadiyah Magelang

Sumber Lengkap:
Kemenristekdikti Umumkan 100 Besar Perguruan Tinggi di Indonesia

Read more »

[Artificial Intellegence] Kecerdasan Berkoloni : Pelajaran berharga dari Alam untuk Perkembangan Ilmu Komputer

Takut akan Tuhan adalah permulaan Pengetahuan. Dan belajar pada keagungan ciptaan-Nya, memberikan inspirasi  yang luar biasa untuk pengembangan ilmu pengetahuan. Yang kita bahas kali ini adalah salah satu bagian dari ilmu komputer yang disebut Artificial Intelligence (AI). Terjemahan bebasnya adalah Kecerdasan Buatan. Tapi Prof. Adang Suwandi, Guru Besar Teknik Elektro ITB lebih suka menyebutnya sebagai Kecerdasan Tiruan. "Manusia tidak membuat kecerdasan, tetapi meniru apa yang sudah disediakan oleh alam" tutur beliau dalam kuliahnya di program Doctor of Computer Science Binus University beberapa hari lalu.

Benar sekali. Alam memberikan inspirasi yang luar biasa untuk pengembangan ilmu komputasi. Artificial Intelligence yang lagi hits itu, banyak terinspirasi oleh kecerdasan alam dalam merespon kehidupannya. Sebut saja Particle Swarm Algoritm (PSA). Algoritma kondang dalam penentuan keputusan berbasis komputasi ini terinspirasi dari perilaku sosial kolektif dari kecerdasan koloni binatang, seperti semut, rayap, lebah, burung dan ikan.

Semut memberikan inspirasi karena kecerdasannya dalam berkoloni
(gambar ilustrasi : science.idntimes.com)

Semut cerdas? Pasti! Terutama dalam hidup berkoloninya. Tentu Anda pernah mengamati barisan semut yang begitu panjang dan berkelok, kan. Anehnya, mereka tidak pernah bertabrakan satu sama lain ataupun bermacet-macet ria seperti Jakarta.. haha.. Kecerdasan semut ini diterapkan dalam salah satu algoritma PSA yang disebut dengan Ant Colony Optimization (ACO). Algoritma ini meniru cara kerja semut pada saat koloninya menemukan sumber makanan. Pada saat menemukan makanan, tentu semut perlu menentukan jalur yang terpendek antara sumber makanan dan sarang semut. Disinilah peran koloni semut tersebut. Penelusuran jalur terpendek didistribusikan kepada beberapa agen semut. Pada awalnya koloni semut yang ratusan atau bahkan ribuan itu akan melalui semua jalur yang memungkinkan secara acak. Lalu penemu jalur terpendek membubuhkan jejak, yang disebut dengan hormon pheromone yang merupakan alat penunjuk jalan bagi semut yang lain. Dengan adanya pheromone, koloni tidak akan berjalan secara acak lagi tapi mengikuti satu jalur yang ada pheromonenya. Semakin banyak semut melalui suatu jalur, semakin banyak pula jumlah pheromone yang tertinggal di jalur tersebut. Dengan demikian semua semut akan melalui satu jalur yang seragam, yaitu jalur yang terpendek. Hebat kan?

Kecerdasan Koloni Lebah Madu, menginspirasi Bee Colony Algorithm
(ilustrasi : earthtimes.org) 

Kecerdasan berkoloni lainnya ditunjukkan oleh kawanan lebah madu. Algoritma Bee Colony terinsiprasi dari perilaku cerdas kawanan lebah madu mencari makanan.  Hebatnya, koloni lebah dalam mencari makanan membagi diri menjadi tiga kelompok yang disebut dengan pengintai, lebah pekerja dan penonton. Lebah pengintai merupakan agen lebah yang bertugas mencari posisi sumber makanan di lingkungan sekitar sarang secara acak. Informasi posisi sumber makanan yang telah ditemukan akan diteruskan ke agen lebah pekerja. Lebah pekerja merupakan agen lebah yang berhubungan langsung dengan sumber makanan yang sebelumnya ditemukan oleh Lebah Pengintai. Tugas dari kelompok ini adalah menyimpan informasi yang berhubungan dengan tiap-tiap sumber makanan, baik berupa informasi tentang jarak dan arah dari sarang, informasi tingkat profitabilitas atau kekayaan dari sebuah sumber makanan, maupun nilai kepantasan informasi sumber makanan tersebut untuk disebarluaskan. Selanjutnya agen penonton bertugas untuk memilih dan mengeksploitasi sumber makanan yang informasinya disimpan oleh Lebah pekerja. Demikianlah koloni ini bekerjasama, sehingga mereka tidak kekurangan sumber makanan untuk kehidupannya. Hebat ya keagungan ciptaan Tuhan.. Mantab jiwa, itu kalau kata si Alvin.. :-).

Flock of birds (ilustrasi : http://www.lovethispic.com)

Berikutnya adalah Flock of Birds. Algoritma yang terinspirasi dari aktivitas sekawanan burung ini pertama kali diperkenalkan oleh Russell C. Eberhart dan James Kennedy pada  tahun 1995. Ketika sekawanan burung terbang untuk mencari sumber makanan, mereka akan saling bekerjasama menjelajahi ruang multi dimensi. Kerjasama koloni burung dilakukan ketika mereka mengevaluasi posisinya, mengambil informasi dari kawanan lainnya dan mengubah posisinya menjadi yang terbaik. Hebatnya, setiap burung memiliki kecerdasan untuk mengingat kondisi saat ini, posisi historis terbaiknya, posisi kawanan terbaik, serta dapat mengambil keputusan untuk mengubah posisi nya jika diperlukan. Hebatnya lagi, pengetahuan tersebut dapat disimpan menjadi pengetahuan untuk masa mendatang. Sebagai contoh, sang burung dapat kembali membandingkan pengetahuan sebelumnya dengan posisi-posisi rekannya dalam mencari makanan yang digunakan sebagai dasar untuk mengambil keputusan. Kecerdasan berkoloni hewan-hewan di atas, menginspirasi munculnya algoritma komputasi dahsyat yang disebut dengan Particle Swan Algorithm. Berbagai macam persoalan optimisasi komputasi, baik dalam persoalan sederhana, kompleks maupun aplikatif, bisa diselesaikan dengan prinsip-prinsip di atas.

Demikianlah, ketika kecerdasan hidup berkoloni manusia mulai dipertanyakan, budaya gugur gunung dan gotong-royong yang mulai menghilang, maka tidak ada salahnya kita menengok kembali ciptaan Tuhan yang lain dan belajar kepada semut, lebah, burung dan binatang lainnya. Siapa tahu ke depan Anda dapat menciptakan algoritma menarik yang lain seperti cicak, kadal atau bahkan buaya? Haha.. Siapa tahu?

Jakarta, yang tengah diguyur gerimis kecil
Akhir April 2017

    

Read more »

[Seputar Kampus] Lagi: Tempat Narsis Dosen ala Dewi "Sinta"

Berbagai tempat narsis di Internet

"Internet ada untuk kita bisa narsis.." kata anak saya yang masih SMP, yang suka upload foto kebersamaannya dengan teman-teman sebaya. Benar juga, pikir saya. Dan bukan hanya kamu non, papa juga pengin narsis.. hahaha..

---- oOo ----

Bagi dosen dan peneliti, sudah banyak tempat "narsis" disediakan di Internet (lihat tulisan : Google Scholar, Tempat Narsisnya para Peneliti). Mulai dari Google Scholar, Research Gate, Academia, blablabla dan sebagainya. Lalu pentingkah itu semua? Tentu tidak, jika itu sekedar narsis, pamer diri. Tetapi akan menjadi penting jika hal itu menyangkut bahwa apa yang dia kerjakan adalah merupakan bagian dari sebuah proses perkembangan ilmu pengetahuan.

Benjamin Franklin (1706-1790) mengatakan tiga hal terkait dengan tanggung jawab seorang ilmuwan yaitu "To study, to finish, and to publish..." Kewajiban seorang peneliti tidak hanya pada sekedar mempelajari dan menyelesaikan penelitiannya, tetapi juga kewajiban publikasi sebagai bentuk diseminasi dan pertanggungjawabannya kepada masyarakat. Seorang penulis atau peneliti tentu akan sangat senang jika tulisan atau hasil penelitiannya bermanfaat bagi orang banyak. Indeks sitasi adalah salah satu yang digunakan untuk melihat, apakah publikasi kita  memberi manfaat kepada orang lain. Internet sudah menyediakan banyak situs web yang menyediakan informasi indeks sitasi, diantaranya Google Scholar, CiteSeer, Scopus dan sebagainya.

Berbagai situs pengindeks tersebut tentu saja dikembangkan oleh Barat. Lalu bagaimana dengan pengindeks di Indonesia? Beberapa ilmuwan kita sebenarnya sudah mengembangkan beberapa sistem pengindeks sebelumnya. Sebut saja Indonesian Citation Index (IDCI) yang dikembangkan oleh para dosen ITB, Indonesian Publication Index (IPI) yang dikembangkan dalam Portal Garuda, serta Indonesia Science and Technology Index (InaSTI) yang dikembangkan oleh LIPI. Tetapi nampaknya kurang sukses mengelola jejaring sehingga banyak peneliti belum menggunakannya sebagai acuan.

Halaman Utama Sinta (http://sinta1.ristekdikti.go.id)

Kemenristek Dikti tidak mau ketinggalan baru saja meluncurkan Science and Technology Index atau dikenal dengan nama SINTA. Dalam situs resminya di http://sinta1.ristekdikti.go.id, disampaikan bahwa SINTA adalah sebuah portal berisi pengukuran kinerja ilmu pengetahuan dan teknologi yang meliputi kinerja peneliti (author), kinerja jurnal (media publikasi) dan kinerja institusi, untuk mendorong budaya publikasi ilmiah di Indonesia.

Berbeda dengan pengindeks-an yang sudah dikembangkan sebelumnya, sistem ini nampaknya akan berhasil mengumpulkan banyak ilmuwan di Indonesia, terutama dosen, karena ada kebijakan Ristekdikti yang "memaksa" dosen untuk terlibat di dalamnya. Menurut Menristekdikti M. Nasir, SINTA akan digunakan dalam implementasi kebijakan seperti akreditasi, jabatan fungsional, dan lain-lain sehingga diharapkan akan terus update sesuai dengan kondisi terbaru penelitian di Indonesia. Sampai artikel ini ditulis, SINTA sudah berhasil mengumpulkan 9634 peneliti dan 172.564 dokumen dari para peneliti di seluruh Indonesia.

My Sinta Profile

Saya sendiri sudah mencoba membuat akun di situs yang berlogo gambar wayang Dewi Sinta ini. Cukup menarik, karena aplikasi ini terintegrasi dengan Google Scholar, Scopus, dan beberapa situs pengindeks yang sudah ada di Indonesia seperti IPI dan Inasti. Beberapa fitur menarik diantaranya kita bisa mendapat indek hasil kolaborasi Scolar dan Scopus, adanya visualisasi Indonesian Author Collaboration Network, dan beberapa overview lainnya.

Gambar Visualisasi Indonesian Authors Collaboration Network

SINTA juga memiliki fitur untuk melihat skor Instansi yang menjadi afiliasi penulis. UKSW misalnya. Universitas ini mendapatkan skor 954. Nampaknya masih banyak dosen UKSW yang belum mendaftar di situs ini. Baru tercatat 126 dosen (dari 400-an dosen yang dimiliki UKSW), dengan 68 artikel Scopus dan 1.425 dokumen Google Scholar.  Bandingkan misalnya dengan UGM yang sudah me-registrasi 883 dosen dengan 706 artikel Scopus dan 22.600 dokumen Goggle Scholar.

Semoga teman-teman dosen UKSW segera mendaftar ke situs ini sehingga dapat meningkatkan skor Universitas tercinta. Apalagi Dikti sudah membuat Surat Edaran juga tertanggal 7 April 2017 tentang Himbauan Pendaftaran dosen ke website SINTA. Nampaknya Dikti serius untuk menggarap situs ini menjadi rujukan bagi kebijakan-kebijakan lainnya. Ayo siapa mau narsis bareng? Hehehe.....

Jakarta yang panas, Jumat 26 Mei 2017.

Read more »

[Artificial Intellegence] Dibutuhkan, Penelitian AI yang Membumi

Jakarta, 11 May 2017, 23.54 WIB.

Artificial Intelligence (AI) atau Kecerdasan Buatan, jelas bukan barang baru bagi dunia komputasi. Metode ini sudah ditemukan sejak tahun 1956 (eh, ternyata bareng dengan lahirnya UKSW - red), ketika John McCarthy dan Marvin Minsky mempublikasikan metode ini dalam konferensi pertama mereka tentang AI. Sempat kurang diminati karena ekspektasi terlalu tinggi jauh melampaui teori, era Komputer Cerdas-pun menggeliat kembali sejak kemunculan Machine Learning yang digagas Yarowsky (1995). Dan di era Big Data ini berkembanglah Deep Learning (2010) yang mampu mengolah data besar dengan mempertahankan velocity (kecepatan tinggi), volume (jumlah besar data) dan variety (variasi data yang sangat besar).

Tantangannya adalah, banyak penelitian-penelitian tentang AI yang gagal membumi karena terlalu berkutat dengan metode dan teori yang berada di awan-awan. Petani Jepang dalam penelitiannya di bawah ini membuktikan, bahwa AI, dalam hal ini Deep Learning bisa diaplikasikan dengan sangat nyata untuk membantu tugas kesehariannya. Bagaimana dengan kita? Iya, kita.. Anda dan saya..

Panen Mentimun di Jepang pakai Deep Learning

Ilustrasi Mentimun, dari Codepolitan.com

Makoto Koike, mantan embedded system designer dari industri otomobil Jepang, mulai membantu orang tuanya untuk berkebun. Ketika tiba musim panen mentimun, ia sangat terkejut dengan banyaknya beban kerja yang harus dilakukan untuk menyortir timun berdasarkan ukuran, bentuk, warna dan atribut-atribut lainnya. Ayah Makoto sangat membanggakan mentimun "berduri" yang diproduksi kebunnya, Ia telah mendedikasikan hidupnya untuk memproduksi mentimun yang segar dan krispi yang masih memiliki "duri-duri" di badannya. Tetapi proses menyortirnya bukan sebuah pekerjaan yang mudah.

Mesin penyortir otomatis telah tersedia di pasar, namun mesin tersebut memiliki keterbatasan dalam hal performa dan harga, selain itu kebun yang relatif kecil biasanya tidak menggunakan mesin ini. Untuk itulah Makoto tertantang untuk mengembangkan sendiri model penyortiran berbasis komputasi. Deep learning dengan TensorFlow menjadi pilihan utamanya untuk pengenalan citra mentimun dan memungkinkan komputer belajar dari fitur-fitur yang dimiliki oleh tiap gambar dan merekomendasikan hasil. Untuk baca cerita lengkap dan kiprah sang petani, cekidot di Website Codepolitan disini:

Petani Jepang Menggunakan Deep Learning untuk Panen Mentimun

Read more »

[Computer Science] Mau Buat Sentiment Analysis pada Netizen ala Debat Gubernur DKI? Nggak Susah Kok

Ilustrasi from Merdeka.Com

Hiruk pikuk Pilkada Jakarta, memunculkan banyak analisis dadakan. Yang paling sering media luncurkan adalah Sentiment Analysis yang dilakukan terhadap kedua pasang calon. Seperti contoh dalam debat Cagub Jakarta beberapa hari kemarin, media seperti berlomba untuk melakukan analisis tanggapan netizen terhadap kedua pasangan calon dalam debat tersebut. PoliticaWave misalnya, mengatakan bahwa pasangan Anies Rasyid Baswedan-Sandiaga Salahuddin Uno unggul tipis atas Basuki Tjahaja Purnama (Ahok)-Djarot Saiful Hidayat dari sisi aspek jumlah percakapan netizen. Dalam catatan analisis mereka, 51 persen netizen membicarakan Anies Sandi dan 49 persen membicarakan pasangan Ahok-Djarot (Sumber: Detikcom, Rabu (12/4/2017). Catatan media lain menyebutkan bahwa Ahok-Djarot lebih unggul dari sisi sentimen yang diberikan netizen yaitu 64 persen untuk sentimen positif dan 36 persen sentimen negatif. Sedangkan pasangan Anies-Sandi mendapat 59 persen untuk sentimen positif dan 41 persen sentimen negatif (Sumber: Metronews). Beberapa info media lain tentang sosial media analisis terkait debat pilkada ini dapat dilihat pada referensi berita di bagian bawah artikel,

Tentang Sentiment Analysis dan Sosial Media

Sentiment Analysis atau yang biasa disebut juga sebagai opinion mining merupakan salah satu cabang penelitian Text Mining. Analisa ini merupakan salah satu jenis riset komputasional dari opini, sentimen dan emosi yang diekspresikan secara tekstual. Sebagai contoh penelitian dilakukan terhadap suatu set dokumen teks yang berisi opini mengenai suatu objek, maka opinion mining bertujuan untuk mengekstrak atribut dan komponen dari objek yang telah dikomentasi pada setiap dokumen dan untuk menentukan apakah komentar tersebut bermakna positif atau negative (Falahah, 2015).

Sosial Media, merupakan target yang empuk untuk melakukan Sentiment Analysis tersebut. Hal ini bisa dipahami mengingat begitu besarnya jumlah masyarakat netizen yang dianggap mampu mewakili pendapat masyarakat yang sesungguhnya. Bagaimana tidak? Di Indonesia sendiri misalnya. Survey APJII menunjukkan bahwa 87,4% pengguna mengakses internet untuk kebutuhan sosial media, 69% untuk pencarian informasi, 60% untuk instant messaging dan 60% untuk mencari berita terbaru (APJII, 2015). Sementara itu dari sisi aplikasi yang digunakan, situs jejaring sosial yang paling banyak diakses oleh pengguna adalah Twitter dan Facebook. Dari sisi pengguna Facebook, Indonesia bahkan menempati peringkat empat dunia (Perfectinsider, 2015).

Bagaimana Membuat Sentiment Analysis?  

Berdasarkan sumber datanya, Sentiment Analysis terbagi menjadi dua  kelompok besar yaitu Coarse-grained Sentiment Analysis dan fined-grained Sentiment Analysis. Coarse-grained menganalisis sentimen pada level dokumen dan menganggap seluruh isi dokumen sebagai sebuah sentiment positif atau sentiment negatif. Sedangkan Fined-grained menganalisa level kalimat yang menentukan sentimen pada setiap kalimat.

Socmed Analysis (ilustrasi : linkedin.com)

Mengapa judul di atas mengatakan "gampang" untuk membuat sentiment analysis? Karena memang sudah banyak tools atau alat bantu yang menyediakan prosesnya. Mulai dari aplikasi Twitter Sentiment (www.sentiment140.com) misalnya, merupakan very simple twitter analysis dengan beberapa features seperti penyediaan chart, penyediaan sentimen secara periodeik, dan bahkan tidak perlu sign up untuk bisa melakukannya. Just log in with your twiiter account. Ada lagi TwazzUp (new.twazzup.com) merupakan free tools twitter untuk mendapatkan hasil twit berdasarkan kata kunci tertentu dan memperlihatkan detail akun yang melakukan tweet pada kata kunci tersebut. Atau Twitalyzer yang merupakan free tools untuk memberikan berbagai analisa dalam bentuk metrik grafik akun twitter Anda. Puluhan jenis grafik disediakan untuk akan memberikan analisis mendalam tentang akun twitter anda. Disamping itu masih banyak lagi aplikasi yang menyediakan perangkat siap pakai untuk melakukan analisis semacam itu.

Tentu berbagai aplikasi di atas kurang menantang bagi Anda yang suka programming. Analisa yang diberikan pada aplikasi-aplikasi di atas tentu hanya sebatas pada yang disediakan oleh tools tersebut. Jika anda adalah programming mania yang tertantang untuk membuat sendiri aplikasi tersebut, Anda dapat menggunakan bahasa pemrograman R, Rapid Miner atau juga Tableau. Jangan khawatir dengan jenis analisis yang diguankan, karena bahasa-bahasa tersebut sudah menyediakan library analisis yang cukup lengkap. Sebagai contoh, R menyediakan library Twitter Data Analysis mulai dari  tahap autentikasi Twiter API, SearchTweets untuk pencarian data dengan kata kunci tertentu, stem words serta fungsi-fungsi analisis seperti Frequent Term, Associantion, Clustering, Word Cloud dan info-info grafis seperti barplot atau semacamnya.

Saya sebenarnya ada sedikit contoh Twitter Data Analysis dengan R-Programming yang saya buat untuk tugas mata kuliah Knowledge and Information Retrieval beberapa waktu lalu. Tapi ini baru saya bongkar-bongkar untuk coba ditulis kembali dalam blog ini. Tunggu posting berikutnya ya..


Kaki Merbabu, Tengah April 2017.
Ditulis di sela-sela penghayatan Sabtu Sunyi menyongsong Paskah 2017.


Lampiran Referensi Berita:

• Debat Final, Ahok-Djarot Dapat Apresiasi Positif dari Netizen
• 560 ribu kicauan bersiliweran kala Debat kedua Pilkada DKI Jakarta
• 55% Percakapan soal Pilgub di Twitter Berasal dari Luar DKI
• Politicawave: 51 Persen Netizen Bicarakan Anies-Sandi Saat Debat

Read more »

[Galery] Mengunjungi Lippo Cikarang, Kota Mandiri yang Mempesona

Memasuki area Lippo Cikarang, ternyata jauh dari apa yang saya bayangkan. Ketika mau berkunjung ke Cikarang, saya sudah membayangkan banyaknya pabrik, polusi udara, dan juga panas. Maklum,

Cikarang lebih dikenal sebagai kawasan industri dengan banyaknya perusahaan yang berada di sana. Tetapi ternyata sungguh di luar dugaan. Turun dari angkot jurusan 17 (kalau tidak salah), saya menapak di sebuah jalan bersih dengan hamparan rumput nan menghijau, ala kota-kota di luar negeri. Saya bahkan langsung terbayang Sun Shine Coast, sebuah kota kecil di Australia yang pernah kami kunjungi beberapa waktu lalu. Sungguh merupakan kawasan hunian modern yang memperhatikan kondisi lingkungan yang asri dan sehat bagi seluruh penghuni.

Akhirnya mendaratkan kaki di Kota Cikarang

Menilik Wikipedia, Lippo Cikarang merupakan proyek kota mandiri yang dibangun oleh PT Lippo Karawaci Tbk di bagian timur Jakarta tepatnya di Cikarang, Kabupaten Bekasi. Dengan mengandalkan tujuh kawasan industri di sekelilingnya dan berbagai macam fasilitas perkotaan seperti perkantoran, hotel, hiburan, rekreasi, perbelanjaan dan olahraga maka kawasan ini layak disebut sebagai kota mandiri. Berikut adalah beberapa  jepretan saya sepanjang perjalanan menyusuri kota asri ini.

Habis dari Jakarta yang bising, agak kaget datang kesini yang terasa lengang dan sejuk.

Pusat perbelanjaan dengan konsep City Walk, sebuah pusat lifestyle dengan tenant-tenant modern.

ATM Drive Thru, mempermudah transaksi tanpa harus turun parkir mobil. 

Hotel Sahid Jaya, siap membuat tidur Anda lebih nyenyak.. :-)

Bunderan dekat RS Siloam ini terasa cantik menghijau

Bunderan empat angsa.. Jadi pengin berputar-putar dulu disitu.. hahahah

Mau kemana tujuan Anda?

Mau Wisata Rohani? Bisa datang ke sini.. :-)

Sambutan hangat sahabat-sahabat dari Cikarang

Perjalanan ini terasa lengkap, dengan sambutan hangat dari rekan-rekan yang berada di kota ini. Keluarga Mas Gie, Keluarga Mas Hafid, dan Keluarga om Rinto, terima kasih atas sambutan yang hangat dan luar biasa.

Cikarang, 2 April 2017.

Read more »