Internet Of Things (I.O.T)

Assalamu’alaikum Warohmatullahi Wabarokatuh..

Halo pecinta matematika …

Selamat datang di postingan baru blog saya mengenai Internet Of Things (I.O.T), untuk menjelaskan apa itu I.O.T penulis akan memaparkannya bersamaan dengan jurnal yang akan penulis bedah.

Jurnal tersebut berjudul “Mathematical Aplication Technology for I.O.T Solutions”, yang ditulis oleh Tetsuro Matsui, Kenya Murakami, dan Yoshio Tange.

Penelitian ini dilakukan di Fuji Electric, Fuji Electric Manufacturing Co., Ltd didirikan sebagai aliansi modal dan teknologi antara Jepang "Furukawa Electric Co., Ltd." dan Jerman "Siemens AG ". Nama perusahaan berasal dari dua suara pertama perusahaan ini" Fu "dan "Si" dan gunung tertinggi di Jepang, Gunung Fuji, lambang Perusahaan, tanda FS (Digunakan mulai tahun 1923 hingga 1978).

Fuji Electrik menghasilkan berbagai produk untuk menjadi solusi dari suatu permasalahan, diantaranya Low Voltage Variable Speed Drives (LV VSD), LV VSD series dilengkapi dengan fungsi dan kinerja untuk memenuhi semua jenis persyaratan,  selain itu mudah dipelihara dan ramah lingkungan. Fuji Electric menyediakan Drives Kecepatan Variabel yang sempurna untuk mengotomatisasi dan dengan perangkat hemat energi seperti pompa kipas atau pembawa dan kecepatan variabel.

Fuji Electric telah mengembangkan teknologi aplikasi matematika untuk analisis data dan optimalisasi. Teknologi aplikasi matematika terbaru sedang diterapkan untuk berbagai jenis produk dan sistem. Teknologi ini termasuk teknologi diagnosis anomali untuk pemrosesan batch, deteksi gejala anomali berdasarkan prakiraan ensemble, dan teknologi untuk memvisualisasikan penghematan energi potensial melalui optimasi manipulasi formula, yang dikembangkan dengan I.O.T.

Internet of Things (IoT) adalah suatu konsep dimana konektifitas internet dapat bertukar informasi satu sama lainnya dengan benda-benda yang ada disekelilingnya. Banyak yang memprediksi bahwa Internet of Things (IoT) merupakan “the next big thing” di dunia teknologi informasi. Hal ini dikarenakan banyak sekali potensi yang bisa dikembangkan dengan teknologi Internet of Things (IoT) tersebut.

Salah satu bentuk I.O.T yang dikembangkan oleh Fuji Electric yaitu Univariate statistical  process control  (USPC), yang telah lama digunakan secara luas, adalah teknologi untuk mendiagnosis anomali dengan menetapkan batas atas dan bawah batas kontrol untuk variabel proses yang memiliki pengaruh pada kualitas. Namun, ia rentan untuk mendeteksi anomali ketika lebar antara batas atas dan bawah terlalu sempit dan tidak dapat mendeteksi anomali ketika lebar terlalu lebar.

Secara konvensional, untuk mengoperasikan berbagai pabrik, USPC umumnya digunakan. Di dalamnya, batas atas dan bawah ditetapkan untuk variabel yang akan dimonitor untuk digunakan sebagai dasar untuk menghasilkan alarm ketika ada anomali terjadi. Operator menjalankan pabrik sambil memprediksi anomali apa pun sebelumnya sehingga tidak akan ada alarm yang dihasilkan. Untuk prediksi, metode umum adalah memeriksa tren variabel yang akan dipantau. Kemudian, batas atas dan bawah untuk alarm ditetapkan dalam 2 tahap, untuk alarm utama dan pra-alarm sebagai tahap awal, untuk memantau prealarm. Sebagai contoh, batas atas dapat diatur sebagai alarm pra dan batas atas atas sebagai alarm utama. Ini akan mengonfigurasi operasi untuk mencegah alarm utama dihasilkan ketika nilai ambang batas atas terlampaui, sehingga memastikan operasi yang aman dari pabrik. Namun, metode ini memiliki masalah bahwa pra-alarm tidak selalu menjamin alarm utama akan dihasilkan. Itu juga memiliki masalah bahwa pengaturan nilai ambang rendah untuk pra-alarm menyebabkan lebih banyak kasus deteksi palsu.

Untuk mengatasi masalah ini, Fuji Electric telah mengembangkan teknologi untuk memprediksi anomali generasi dengan membangun model prediksi untuk pabrik dari volume besar data yang terkumpul. Kami menggunakannya untuk memprediksi perubahan dalam objek yang dipantau. Fitur utama adalah sebagai berikut:

(A) Kemampuan memprediksi perubahan dalam objek yang dipantau setelah alarm-pra

(B) Tingkat deteksi tinggi dipertahankan oleh prediksi bahkan dengan nilai ambang pra-alarm yang lebih tinggi

(c) Margin waktu yang lebih panjang diperbolehkan antara prediksi dan generasi alarm utama

Sebagai teknik untuk membangun model prediksi dari data numerik, model statistik dan jaringan syaraf sering digunakan. Model statistik termasuk regresi berganda dan model kuadrat terkecil parsial. Dengan model ini, akurasi prediksi sangat tergantung pada pilihan dan persiapan data yang digunakan untuk membuat model, pilihan variabel yang digunakan sebagai variabel penjelas dan nilai berbagai parameter yang digunakan ketika model dibuat. Secara konvensional, proses persidangan dan kesalahan perlu untuk secara tepat memilih dan mengatur kondisi pembuatan model. Selain itu, akurasi prediksi sangat bervariasi pada waktu tergantung pada model prediksi

Untuk mengatasi masalah ini, peneliti telah mengembangkan "prakiraan ensemble," di mana rata-rata tertimbang output dari beberapa model dengan data dan parameter pembelajaran yang berbeda digunakan sebagai hasil dari prediksi (lihat Gambar 5). Prediksi Ensemble, yang menyamakan variasi akurasi prediksi antara masing-masing model, memungkinkan prediksi yang akurat.

4.2 Contoh aplikasi

Gambar 6 menunjukkan contoh memprediksi variabel dari objek yang dipantau dari pabrik insinerasi tertentu.

Nomor kasus dalam gambar menunjukkan bahwa untuk suatu peristiwa dengan anomali aktual yang dihasilkan. Batas waktu adalah periode waktu antara deteksi tanda anomali dan generasi anomali yang sebenarnya. Dalam semua kasus anomali yang dihasilkan, prediksi ansambel menunjukkan margin waktu yang lebih panjang, yang menunjukkan bahwa manajer dapat menangani anomali yang dihasilkan dengan lebih banyak waktu sebelumnya.

Salah satu contoh penerapan Statistical Process Control dapat pembaca lihat pada tayangan youtube di bawah ini:

Itulah penjelasan mengenai I.O.T pada jurnal yang penulis bedah, dari pemaparan tersebut, penulis menemukan berbagai macam masalah, diantaranya:

Apakah teknologi seperti yang penulis paparkan di atas dapat diterapkan dalam proses pembelajaran? apakah pembaca ada ide mengenai hal tersebut? jika ada silahkan tinggalkan di komentar ya 😇😊