Website Sirekap KPU 2024 berada di Singapura

 

Geger website KPU 2024 ada di singapura mulai mengisi tajuk berita. Hal ini menjadi sorotan, karena seperti yang di ketahui KPU menggunakan Cloud Alibaba untuk meng host aplikasi yang digunakan. Termasuk aplikasi pemilu 2024 yang merupakan hasil rekapiturasi real count berada di server singapura, tepatnya dengan provider Alibaba. 

Apabila kita amati lagi dengan traceroute, situs pemilu2024. Situs rekap tersebut menggunakan server amerika.

Lantas apakah penggunaan provider Cloud menjadi masalah? Menurut saya masalah jika pemilihan letak server tidak di Indonesia, sayangnya berdasarkan pengalaman pribadi. Cloud service yang menyediakan server di Indonesia khususnya jakarta hanya Google Cloud Platform. Sementara AWS dan Alicloud server terdekatnya Singapura. Persoalan kedua yang saya fikirkan adalah, kenapa harus memilih Alicloud ketimbang Cloud Provider yang lain. Seperti kita ketahui hasil Gartner Magic Quadrant kategori Cloud Infrastructure and Platform Services, Alicloud tidak masuk kedalam kategori Leaders. 

Apakah KPU satu satunya badan pemerintah yang menggunakan layanan Cloud yang berserver di singapura? Ternyata tidak. PT. Pos Indonesia juga menggunakan layanan Cloud AWS yang berserver di Singapura.

Tapi untuk lembaga pemerintah, situs KPU nya sendiri memiliki IP milik sendiri dengan server Indonesia

You'll Need The Internet For This - Error 0x800704cf

 Habis waktu untuk ngurusin error ini dengan berbagai macam cara yang tersebar di blog dan youtube. Dan tentunya masih tidak berhasil. Ternyata solusinya simpel, buka sama cmd run as administrator, dan gunakan perintah.

netsh winhttp show proxy

netsh winhttp reset proxy

Siamese Neural Network : Solusi untuk dataset terbatas

Mengingat deep learning membutuhkan data yang sangat banyak sekali, kali ini saya diuji dengan jumlah dataset yang sedikit. Jadi apakah bisa menggunakan deep learning? ternyata masih bisa. Hal ini dilakukan oleh salah satu penggagas CNN Le Cun  dengan menghadirkan Siamese Network.

Siamese network adalah dua buah model arsitektur yang sama dengan inputan yang berbedan. jadi ibaranya seperti kembaran, mungkin terlihat seperti U net tapi bedanya di bagian dasar U net adalah outputannya dengan Ujung  Outputan di modif jadi inputan.

Beberapa starting point untuk memuliai mempelajari Siamese net antara lain :

1. How To Train Your Siamese Neural Network lengkap dengan link github nya
2. Siamese networks with Keras, TensorFlow, and Deep Learning dengan dataset yang sama MNIST
3. Building image pairs for siamese networks with Python dengan dataset yang sama MNIST
4. Siamese Network Line by line explanation for beginners
5. A friendly introduction to Siamese Networks
6. Image similarity estimation using a Siamese Network with a triplet loss terdapat sintak dasar yang muda dipahami

Paper siamese sendiri terilami dari paper koch. penjelasan dari sini.

nb : sedikit tips untuk timeout colab

FAQ Metaverse dalam teknologi Blockchain Crypto

 

FAQ metaverse :

1. Dimana kita bisa membeli tanah virtual? 

answer : banyak pihak yang memulai penjualan land virtual dalam bentuk NFT, kita bisa membelinya di opensea.io , kita bisa membelinya dengan ethereum salah satu aset digital yang dikembangkan oleh Vitalik Buterin.(orang sering salah kaprah bahwasanya ini melulu tentang bitcoin, padahal ini merk lain tapi dengan teknologi yang sama blockchain).

2. Dimana saya bisa melihat contoh dari implementasi land virtual ini?

answer : anda bisa mencoba memainkan permainan di situs https://play.decentraland.org/ . hal pertama yang harus anda punya adalah wallet ethereum untuk login di permainan tersebut, anda bisa mendaftarkan diri untuk mendapatkan wallet ethereum dengan mengunjungi situs metamask https://metamask.io/download.html

3. Apakah di permainan ini kita harus mengeluarkan uang?

answer : tidak melulu kita harus mengeluarkan uang. kita bisa saja menyelesaikan beberapa misi dan mendapatkan token reward yang bernama MANA. MANA inilah yang menjadi mata uang dalam permainan tersebut dan bisa juga dibeli dengan harga tertentu di beberapa exchange. Bisa dilihat harga MANA disini .

4. Ngapain sih harus beli tanah virtual? ngapain sih harus beli NFT? terus itu kenapa gojali bisa jual poto selpie?

answer : ini sama halnya bertanya, kenapa sih harus mengejar centang hijau di twitter, instagram? kenapa sih harus mengejar subcriber youtube? kenapa sih harus ngejar view di tiktok? gojali bisa trending karena meme, seperti halnya dulu kita pernah viral tentang sinta dan jojo dan bisa jadi tidak akan terulang kembali yang seperti gojali

5. Pa bitcoin kata MUI haram kumaha ceunah?

answer : MUI punya niatan baik untuk melindungi umat islam bangsa indonesia dari hal-hal yang mudhorot dan merugikan, karena banyak scam tentang crypto yang terjadi karena kurangnya pengetahuan tentang hal tersebut. Haram itu memang ada sejak sebelum bitcoin ada, maksudnya diharamkan disini adalah transaksi yang seperti forex, karena memang dari dulu juga trading forex itu haram dan sama halnya yang terjadi sekarang, trading crypto itu juga haram. jadi yang haram adalah trading nya. kalo teknologinya itu sendiri apakah haram? tentu kita harus berfikir, trading forex uang fiat(USD, Rp, EUR) itu menggunakan teknologi komputer dan internet. apakah penggunaan komputer dan internet menjadi haram?

6. Apakah bisa kita merintis metaverse di kampus?

answer : tentu sangat bisa sekali, tinggal dukungan kerjasama dengan industri dalam hal ini spesifik untuk penelitian pengembangan metaverse. Kolaborasi penelitian untuk pengajuan proposal dikti lebih tepatnya. Saat ini IRC sedang mengembangkan Smart Contrart Token untuk reward token yang bernama Informatics Research Token.  Saat ini sudah melakukan airdrop ke kaprodi D4TI sebanyak 50 token, dan beberapa mahasiswa beberapa Token untuk ujicoba. dan saat ini kita sedang membangun marketplace menggunakan token ini sebelum masuk ke dunia metaverse . marketplace menggunakan teknologi Web3 yang bisa diakses di sini. 

Neuroimaging Data dengan Brain Imaging Dataset Specification(BIDS)

Memperkenalkan format NIFTI yang merupakan standard untuk pengolahan. Dikonversi dari dicom dari alatnya sendiri. Perbedaan antara dcom dengan NIFTI terlihat pada gambar diatas.

Rekonstruksi Citra? Generative Model Architectures pilihan utamanya

Memang di dunia per ML an ini tidak ada yang saklek, hanya mendekati, tidak ada rule of thumb, hanya kebanyakan dari kebiasaan penggunaan sebelumnya. Oke back to topik, karena penelitian saya bidang rekonstruksi citra maka dari pengalaman-pengalaman suhu-suhu sebelumnya cocoknya(saya bilang disini cocoknya ya...) menggunakan arsitektur model generatif. Oke jadi menurut situs ini, generatif model itu terdiri dari :

1. Generative Adverserial Network (Latent space guys)
2. Boltzmann machines (nah ini yang menginspirasi Deep Believe Network)
3. Variational autoencoders (ini sebelumnya kita pakai untuk denoising)
4. Hidden Markov models
5. Models that predict the next word in a sequence, like GPT-2

Masing masing model diatas tentu berkembang dong sampai sekarang, makanya saya lengkapi di ujungnya biar kebayang perkembangannya. Okeh untuk GAN, kita lakukan terlebih dahulu training terhadap Diskriminator secara supervised learning, dimana inputan berasal dari real data dan sesekali dari generator untuk fake data dengan label tentunya fake(dari generator) or real(dari inputan data). 

Baru setelah itu kita latih generatornya dengan target luaran masuk ke diskriminator dan memastikan output label real dari generator. lanjut terus iterasi selanjutnya sampai nilainya optimal. Untuk contoh kode bisa kita tengok dengan dataset MNIST.

Gambar di generate dari latent space berupa noise random. Ketika generator belum dilakukan di training seperti gambar diatas, dia akan menghasilkan citra random dengan nilai 0-1(gambar biner) seperti gambar berikut:

Model generator sendiri mendapatkan inputan berupa :

Inputs(Menuju Generator): Point in latent space, e.g. a 100 element vector of Gaussian random numbers.

Untuk target outputnya sendiri keluar dari diskriminator berupa : 

Outputs(Dari diskriminator): Binary classification, likelihood, apakah gambar asli atau palsu.

Principal Component Analysis (PCA) dan Analysis of Variance (ANOVA) dalam Citra

Hasil diskusi dengna pa ibnu, untuk menentukan jumlah layer bisa digunakan PCA, sedangkan untuk melakukan pengecekan linearitas menggunakan ANOVA. Disisi lain PCA digunakan juga untuk rekonstruksi citra.

Kata pa ibnu :

Kalau yg usulan sy, dicari berdasar datasetnya. Buat nentuin jumlah hidden layer dicari menggunakan pca, kemudian jml neuron tiap hidden layer menggunakan pengklasteran k-means dan kriteria elbow. Sblmnya harus diuji linieritasnya dulu untuk tiap2 atribut input dan output.

Kalau di spss pakai anova, sy tinggal pakai sj sih. Semakin byk yg hubungannya linier, diduga kebutuhan varian kumulatif pca berkurang, nantinya akan berpengaruh pada kebutuhan jumlah hidden layer.

kalau klasifikasi biner ambil cutoff sekitar 40%, kalau multi kelas 60-70%.kalau regresi ambil di atas 80%. nah misal kita ambil cutoff 70% itu butuh 4 komponen, berarti jumlah hidden layernya kita ambil 4 dulu. Btw, mengenai data linier bisa dicoba Dendrite Net bisa dikembangkan dari yang sudah published DNR yang mengolah time series atau data sekuensial.