Mar 14

Master Class!

Pelatihan berbasis praktik menjadi salah satu pilar utama dalam membekali talenta muda dan profesional dengan keterampilan industri yang relevan dan aplikatif. Padepokan NEXT SYSTEM Bandung kembali menunjukkan komitmennya dalam membangun ekosistem pembelajaran teknologi yang berkualitas melalui berbagai kelas intensif yang diikuti oleh peserta dari beragam latar belakang.

Dalam dokumentasi kegiatan pelatihan yang berlangsung, tampak suasana penuh semangat dan keakraban antara peserta dan instruktur. Beberapa topik pelatihan unggulan yang diikuti antara lain:

  • Mastering Modbus and CAN Bus: Pelatihan ini membekali peserta dengan pemahaman dan praktik implementasi komunikasi industri berbasis protokol Modbus dan CAN Bus, yang banyak digunakan pada sistem otomasi dan kendaraan modern.
  • Internet of Things (IoT): IoT menjadi salah satu bidang yang sangat diminati. Para peserta belajar merancang dan membangun solusi berbasis perangkat pintar yang saling terhubung, serta mengakses data secara real-time untuk berbagai kebutuhan industri.
  • Programmable Logic Controller (PLC): Materi ini memberikan penguasaan dalam pemrograman dan pengendalian sistem otomatisasi industri menggunakan PLC, yang merupakan inti dari sistem manufaktur modern.
  • Matlab and PLC: Kombinasi penguasaan software Matlab dan hardware PLC membuka peluang analisis dan simulasi sistem kendali yang lebih efisien dan akurat.

Setiap peserta mendapatkan bimbingan langsung dari instruktur berpengalaman, sertifikat pelatihan, dan yang paling penting — pengalaman praktik yang memperkuat pemahaman teknis mereka. Dengan pendekatan personal dan suasana yang interaktif, Padepokan NEXT SYSTEM tidak hanya menyampaikan materi, tetapi juga membangun jejaring dan kolaborasi yang bermanfaat jangka panjang bagi para peserta.

Mar 11

Temporary National Data Center Ransomware Attack Reflects Indonesia’s Weak Cyber Security System

PIKIRAN RAKYAT – The cyber attack of the LockBit 3.0 brain cipher ransomware has breached the crucial data of the Indonesian Temporary National Data Center (PDNS) 2 in Surabaya, reflecting the vulnerability of cyber data security conditions in the country. The Indonesian government is considered to be far too careless, simplifying the issue by claiming it as some sort of error. They were expected to be more transparent in recognizing and admitting the weaknesses of the backup data, which is an important factor in the recovery of a system. Ransomware is malware that can lock computer data with encryption. In most cases around the world, the cybercriminal will blackmail the victim into paying a sum of ransom they had asked for. In the attack that happened to PDNS 2 last week, the ransomware locked the data and asked for a ransom of USD 8 million, or approximately 131,2 million Rupiah. Information and Technology Surveyor, Christianto Tjahyadi, predicts that the scale of this ransomware attack can result in an immeasurable impact exceeding 131,2 million Rupiah. The attack happened for a span of one week, and yet it has not fully recovered until now. The impacts would not be as severe if there were adequate backup data available.

“What must be underlined here is that such breaching incidents have happened repeatedly. This one is the most severe so far. I think it’s scary,” said Christianto to Pikiran Rakyat on Thursday, June 27, 2024. Christianto argued that this repeated incident reflects the vulnerability of Indonesia’s cyber security and backup data. The attack has successfully shut down the National Data Center (PDN) for a few days, and it is still not fully recovered until now. He also expressed his concern regarding the use of Windows Defender as the main antivirus for PDNS 2. Previously, the State Cyber and Cryptography Agency (BSSN) released a temporary forensic analysis report shows that Windows Defender is not capable of overcoming such attacks. According to him, the use of Windows Defender without the support of advanced firewalls for extra protection is an inadequate measure for critical infrastructures such as PDN. “To be honest, I am quite shocked that it was hacked, and as it turns out, they used Windows Defender for protection. That is for personal use. In the end, it’s not too surprising they were hacked. Aside from how this is possible, what I am really questioning is, how come the system’s backup data cannot be fully recovered?” said Christianto. As though building a house full of precious items, of course, the security system needs to be enhanced. It would be a totally different case if the house did not possess any of those items. “We are talking about the National Data Center (PDN) here, which means that the data possessed are all national data. Security must be anticipated because it is interlinked with the internet network. And, if they call this a ‘temporary’ data center, then nothing is temporary in the data,” he said.

Christianto continued, stating that the danger of these breaches is that people do not recognize that the hacked data is important. The government should have been more transparent about why the attack happened in order to educate people. People keep becoming victims of this matter most of the time because they cannot do anything about it. Looking back at the previous attack, the government needs to take crucial protection and mitigation steps more clearly in the future. The security ‘shield’ needs to be re-evaluated once more. Backup data requires special attention, more so when it is linked with crucial national-scale data. It’s no longer a secret that the recovery of a system really depends on the backup data it possesses. “Since we are discussing mindset and technology, which are developing continuously, obviously it needs to be updated because today’s attack is different from what happened in the past, and attacks in the future would be even more advanced,” he stated. PDN needs to have a resilient IT system that is capable of facing various disruption scenarios, including natural disasters, cyber attacks, and system failure.

Learning from Previous Mistakes

Christianto mentioned that ransomware attacks are not something new in the world of information technology. All companies and institutions are supposed to have their own cyber protection and mitigation measures when their systems are attacked. They must at least have great backup data, especially if the data they are managing and protecting is a national asset. It obviously requires layered security and a technologically advanced system to prevent breaches from happening. Even so, if it is still successfully hacked, the system can be quickly recovered because backup data is available. For example, the massive earthquake that happened in the United States in 1994 wrecked a number of offices and technological companies’ data centers. But, they managed to recover and reconnect with their partners from all around the world in just a matter of days. “For the year 1994, they surely have a clear mitigation plan. Moreover, 30 years later, the backup is much more advanced because technology has developed,” he said. Christianto also said that ransomware attacks have happened before, and there was an indicator when the attack occurred. The system could run normally again a few hours later with adequate backup data, although the hacker has sent a ransom letter. “So, when the alarm is not activated, of course it will be breached,” he uttered. The Verge reported that a health insurance company in the United States admitted that they have paid a ransom of 22 million US dollars to BlackCat. The ransomware group managed to hack Change Healthcare’s system, which belonged to UnitedHealth. They were also the same group behind the ransomware attack on a number of MGM casinos in Las Vegas. *** (Politeknik Negeri Bandung/Yeurley Arba Nabila)

Sumber: Pikiran Rakyat

Mar 02

Deteksi Wajah Sederhana dengan OpenCV

Pernah penasaran bagaimana aplikasi seperti kamera smartphone bisa mengenali wajah dengan akurat? Teknologi di baliknya—computer vision—ternyata bisa dipelajari dengan tools sederhana seperti Python dan OpenCV! Dalam tutorial singkat ini, Anda akan membuat program deteksi wajah dari webcam hanya dalam 15 baris kode. Cocok untuk pemula yang ingin mencoba projek AI pertama mereka!

Ingin lebih akurat? Coba ganti model dengan YOLO (You Only Look Once), yang menjadi bagian dalam pembelajaran Computer Vision di Padepokan NEXT SYSTEM Bandung.

import cv2

# 1. Load model deteksi wajah
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 2. Ambil video dari webcam
cap = cv2.VideoCapture(0)

while True:
  # 3. Baca frame per frame
  ret, frame = cap.read()

  # 4. Konversi ke grayscale
  gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

  # 5. Deteksi wajah
  faces = face_cascade.detectMultiScale(gray, 1.1, 4)

  # 6. Gambar kotak di sekitar wajah
  for (x, y, w, h) in faces:
    cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

  # 7. Tampilkan hasil
  cv2.imshow('Face Detection', frame)

  # 8. Berhenti saat tombol 'q' ditekan
  if cv2.waitKey(1) & 0xFF == ord('q'):
    break

# 9. Bersihkan resource
cap.release()
cv2.destroyAllWindows()

Dec 07

Embedded Machine Learning & Robot Operating System: 25.11.2024 – 06.12-2024

Pelatihan Embedded Machine Learning dan Robot Operating System kali ini begitu istimewa dengan kehadiran para pendekar hebat dari Politeknik Negeri Batam: Eko Rudiawan Jamzuri, S.ST., M.Sc. (Pembimbing Tim Robot Barelang), Anugerah Wibisana, S.ST., M.Tr.T, dan Rifqi Amalya Fatekha, S.ST., M.Tr.T. Durasi pelatihan 10 hari, 25.11.2024 – 06.12.2024, tidak membuat lelah, namun menjadi suntikan “nutrisi” untuk mengembangkan potensi saat kembali.
.
Terima kasih atas semangat dan dedikasinya dalam mengikuti pertapaan marathon ini! 🔥💪 .

Nov 28

IEEE: Feature Optimization for Short-Term Solar Power Forecasting using Bidirectional LSTM Networks

Artikel penelitian ketiga yang berjudul “Feature Optimization for Short-Term Solar Power Forecasting using Bidirectional LSTM Networks” telah terbit di IEEE Xplore, 23 November 2024, setelah di-seminasi pada 7th International Conference of Computer and Informatics Engineering (IC2IE), 2024.

Lokasi penelitian di Padepokan NEXT SYSTEM Bandung.

Abstrak

Solar energy offers the advantages of low cost, abundant availability, and environmental friendliness. However, energy conversion output fluctuates significantly, depending on weather and environmental conditions. Key influencing factors include solar irradiation, ambient temperature, relative humidity, photovoltaic (PV) surface temperature, and wind speed. This study investigates which of these parameters have the greatest impact on solar power output forecasting accuracy. The research examines feature optimization for short-term solar power forecasting using Bidirectional Long Short-Term Memory (BiLSTM) networks. Four feature selection methods—Pearson Correlation Test, Spearman Correlation Test, Recursive Feature Elimination (RFE), and Mutual Information (MI)—were applied to identify the most significant predictors. Results indicate that solar irradiance and PV surface temperature are the most critical predictors. The BiLSTM model, implemented with the Adam optimizer and the optimal feature subset, demonstrated superior performance, achieving a Mean Absolute Error (MAE) of 0.002766153 and a Root Mean Square Error (RMSE) of 0.008086442. A comparison of optimizers revealed that Adam yielded the best results, closely followed by RMSprop, whilst Stochastic Gradient Descent (SGD) exhibited lower performance. The optimized BiLSTM model substantially outperformed the baseline Autoregressive
Integrated Moving Average (ARIMA) model, with 86.36 times lower MAE and 34.91 times lower RMSE. These findings demonstrate the effectiveness of integrating feature optimization with deep learning methods in handling the complexity and non-linearity inherent in PV power output data. Consequently, it improves the precision of short-term solar power forecasting, which is crucial for efficient grid integration and management.

Nov 24

Artificial Intelligence of Things: 19.11.2024 – 23.11.2024

Matur nuwun, Dr. Ery Muthoriq, S.T., M.T., Kepala Program Studi Teknologi Rekayasa Otomotif di Politeknik Keselamatan Transportasi Jalan, atas partisipasi dan kehadirannya yang berharga di Padepokan NEXT SYSTEM Bandung 🙏

Kehadirannya untuk yang kesekian kali dalam 10 tahun terakhir, merupakan sebuah kehormatan yang sangat kami hargai.  Selamat bergabung di kelas dan topik pelatihan berikutnya, Pak 🙂

Nov 12

Overcoming Challenges and Achieving Success, 11.11.2024

Hari Senin, 11.11.2024, bertempat di ruang Coworking Space DSU GWM, Universitas Kristen Maranatha, Bandung, berkesempatan berbagi pengetahuan dan pengalaman, sekaligus membekali mahasiswa/i Prodi Manajemen, Fakultas Bisnis. Pertemuan yang dimulai pk 09.30, ternyata baru selesai pk 11.00, dari rencana semula hanya 60 menit.

Kiranya, apa yang disampaikan dapat menjadi inspirasi bagi teman-teman mahasiswa/i yang akan segera memasuki proyek akhir untuk persiapan skrips.

Sep 03

Kunjungan Dosen Politeknik Negeri Jakarta, 02.09.2024

Bapak Nana Sutarna, Ph.D. dan Ibu Dr. Prihatin Oktivasari adalah dua dosen pembimbing tesis saya saat menempuh studi di Program Magister Teknik Elektro di Politeknik Negeri Jakarta.  Kehadiran mereka di Padepokan NEXT SYSTEM Bandung, pada hari Senin, 2 September 2024, adalah sebuah kehormatan. Harapannya, Padepokan NEXT SYSTEM Bandung dan Politeknik Negeri Jakarta dapat melakukan kerjasama berkelanjutan, khususnya dalam rangka meningkatkan kualitas SDM. Hal ini selaras dengan salah satu visi dari Padepokan.

Aug 28

Time Series Forecast

Time series forecast adalah metode prediksi yang digunakan untuk memperkirakan nilai di masa depan berdasarkan data historis yang diurutkan secara kronologis. Dalam jenis analisis ini, data yang digunakan adalah data yang dikumpulkan secara berkala dari waktu ke waktu, seperti harian, bulanan, atau tahunan. Tujuan utama dari time series forecast adalah memodelkan pola yang ada di data masa lalu agar bisa memperkirakan tren atau perubahan yang mungkin terjadi di masa depan.

Contoh data time series termasuk suhu harian, harga saham, penjualan bulanan, atau konsumsi energi harian. Model yang baik akan membantu kita memahami pola musiman, tren jangka panjang, atau bahkan fluktuasi mendadak yang dapat memengaruhi data di masa depan.

Bagaimana Membuat Model Time Series Forecast?

1. Pengumpulan Data

Langkah pertama adalah mengumpulkan data yang relevan. Data ini harus memiliki time stamp yang konsisten, misalnya data harian, bulanan, atau tahunan. Pastikan data mencakup periode yang cukup lama untuk mengidentifikasi pola dan tren.

2. Preprocessing Data

Sebelum memulai pemodelan, data perlu dibersihkan dan diproses. Hal ini meliputi:

  • Menangani data yang hilang (missing data).
  • Normalisasi data untuk membuat skala variabel yang konsisten.
  • Resampling jika data memiliki interval yang tidak teratur.

3. Identifikasi Pola

Data time series sering kali memiliki komponen musiman (pola yang berulang pada periode tertentu) dan tren (pola naik atau turun jangka panjang). Mengidentifikasi pola ini akan membantu dalam memilih model yang tepat.

4. Pemilihan Model

Ada berbagai model yang dapat digunakan dalam time series forecasting, di antaranya:

  • ARIMA (AutoRegressive Integrated Moving Average): Digunakan untuk menangkap tren dan pola musiman dalam data time series.
  • SARIMA (Seasonal ARIMA): Perluasan dari ARIMA yang mampu menangani komponen musiman.
  • LSTM (Long Short-Term Memory): Model deep learning yang unggul dalam memprediksi data time series yang memiliki ketergantungan jangka panjang.
  • Prophet: Model yang dikembangkan oleh Facebook yang khusus digunakan untuk forecast dengan tren dan musiman yang jelas.

5. Training dan Evaluasi Model

Setelah memilih model, data dibagi menjadi training dan testing set. Model dilatih menggunakan data historis, kemudian diuji pada data yang belum pernah dilihat sebelumnya untuk mengevaluasi akurasinya. Metrik evaluasi yang umum digunakan adalah:

  • Mean Absolute Error (MAE)
  • Root Mean Square Error (RMSE)

6. Penggunaan Model untuk Prediksi

Setelah model dievaluasi dan hasilnya memadai, model dapat digunakan untuk memprediksi nilai di masa depan. Model yang akurat akan memberikan prediksi yang bisa diandalkan untuk membantu pengambilan keputusan.

Di Padepokan NEXT SYSTEM Bandung terdapat sejumlah topik pelatihan terkait dengan Time Series Forecast. Untuk keterangan lebih lanjut, silahkan menghubungi kontak WhatsApp 085102238024.

Aug 27

Keepalive Timeout pada MQTT

Dalam komunikasi antar perangkat yang menggunakan protokol MQTT, keepalive timeout memiliki peran penting untuk menjaga stabilitas koneksi. Ketika sebuah klien MQTT terhubung ke server (broker), klien harus mengatur nilai keepalive timeout—biasanya dalam satuan detik. Nilai yang umum digunakan adalah 60 detik, yang artinya klien MQTT diharapkan mengirimkan paket setidaknya sekali setiap 60 detik.

Jika dalam periode keepalive tidak ada paket lain yang dikirim, klien dapat mengirimkan pesan PINGREQ kepada server. Server kemudian akan membalas dengan pesan PINGRESP. Tujuan dari proses ini adalah untuk mendeteksi apakah koneksi TCP masih aktif atau tidak. Dalam beberapa kasus, koneksi TCP bisa terlihat aktif meskipun sudah terputus, dan keepalive membantu mendeteksi hal tersebut.

Apabila server tidak menerima paket MQTT dari klien dalam interval keepalive (ditambah sedikit masa tenggang, biasanya sekitar 150% dari nilai keepalive), server akan menutup koneksi TCP. Ini memaksa klien untuk melakukan koneksi ulang.

Sebaliknya, jika klien tidak menerima balasan PINGRESP dari server dalam waktu yang telah ditentukan (biasanya juga 150% dari nilai keepalive), pustaka MQTT di klien akan menutup koneksi TCP, yang memaksa aplikasi klien untuk kembali melakukan koneksi ulang ke server.

Proses keepalive ini bisa dimatikan jika diperlukan. Caranya adalah dengan mengatur nilai keepalive menjadi 0 saat klien melakukan koneksi awal ke server. Ini berguna dalam skenario tertentu di mana tidak diinginkan adanya pemeriksaan rutin untuk memastikan koneksi masih hidup.

import paho.mqtt.client as mqtt 

clientPub = mqtt.Client("NextSystem_Brg68SiangF2_40112")
clientPub.connect("broker.mqtt-dashboard.com", keepalive=120) # keep alive 120 detik