141 B. Rangkaian Sensor Pir dan Buzzer Sensor Buzzer dihubungkan ke pin Breadboard atau project board dengan menggunakan kabel jumper female dan male, dimana: 1. Pin 1 atau VCC Buzzer ke pin ~3 2. Pin 2 atau GND Buzzer ke pin GND Gambar 2. Rangkaian Buzzer
142 Tahapan selanjutnya yaitu menyatukan sensor PIR, Buzzer dan Ultrasonik ke Breadboard dengan menggunakan kabel jumper.
143 C. Rangkaian Sensor Ultrasonik Sensor Ultrasonik dihubungkan ke pin Breadboard atau project board dengan menggunakan kabel jumper female dan male: 1. Pin VCC Ultrasonik ke pin 5V 2. Pin GND Ultrasonik ke pin GND 3. Pin TRIG Ultrasonik ke pin 8 4. Pin ECHO Ultrasonik ke pin ~9 Gambar 3. Sensor Ultrasonik
144 Adapun sketch Sensor Ultrasonik dibahawah ini: Untuk rangkaian IoT yang sudah di dapat dilihat pada Gambar 4. dibawah ini.
145 Gambar 4. Rangkaian IoT Pendektesi Hama Burung berbasis AI Selanjutnya melakukan uji coba rancangan skecth menggunakan Wokwi, tampilan runing program dapat dilihat dibawah ini. Gambar 5. Hasil Simulasi Runing PIR
146 Gambar 6. Hasil Simulasi Runing Ultrasonik Gambar 7. Hasil Simulasi Runing Buzzer
147 Uji runing program Fungsional digital board arduino pada gambar sketch diatas ke Arduino IDE . Hasil Uji runing program pada Arduino IDE dapat dilihat pada tahapan dibawah ini.: 1. Tahapan pertama menyapkan alat dan bahan. 2. Melakukan proses wiring berdasarkan rancangan rangkaian pada simulasi. 3. Kemudian open software Arduino IDE. 4. Unduh library yang dibutuhkan, kemudian pilih tools sketch, Include Library dan Add.Zip Library. 5. Ketik sketch pada laman Arduino IDE, dan 6. Selanjutnya melakukan proses upload program Gambar 8. Tampilan Proses Uploading Program Selanjutnya melakukan uji fungsional digital board arduino pada nilai logika HIGH akan menghasilkan output
148 ON, sedangkan nilai LOW akan menghasilkan output OFF, output program untuk deklarasi looping pada pin ~3 dan 8. Memiliki delay 1000/ms pada untuk waktu dengan menguji pin 2 dan ~9, sedangkan pengujian analog board Arduino dapat dilihat pada Gambar 12.9, sedangkan nilai LOW yaitu ketika objek tidak terdeteksi. Pengujian dari sensor ultrasonik yang terhubung dengan aplikasi Arduino IDE dan Pengujian dilakukan untuk melihat fungsi sensor ultrasonik dan sensor PIR, pengujian bertujuan untuk mengukur jarak deteksi gerakan. Adapun Sketch Ultra sonik, sensor PIR dan Buzzer sebagai berikut: Gambar 9. Uji fungsi Sensor Uji fungsi sensor ultrasonik dan sensor PIR untuk mengetahui keakuratan sensor dan error yang mungkin terjadi dengan menggunakan aplikasi Arduino IDE. Data error akan dijadikan acuan untuk mengetahui apakah sensor pengusir hama burung dapat berfungsi dengan baik atau tidak.
149 Masa Depan AI dan IoT Zuki Pristiantoro Putro, S.T., MMSI. ecerdasan Buatan (AI) adalah teknologi yang memungkinkan komputer dan sistem untuk melaku-kan tugas yang biasanya membutuhkan kecerdasan manusia, seperti pengenalan suara, pengolahan bahasa alami, pengambilan keputusan, dan lain-lain. Internet of Things (IoT) adalah konsep yang menghubungkan perangkat fisik ke internet, memungkinkan mereka untuk mengumpulkan dan berbagi data. Hubungan antara AI dan IoT sangat erat karena AI dapat menganalisis data yang dikumpulkan oleh perangkat IoT, menghasilkan wawasan yang lebih mendalam dan tindakan yang lebih cerdas. A. Perkembangan Terkini Tren terbaru dalam AI mencakup pengembangan algoritma pembelajaran mendalam (deep learning), otomatisasi proses bisnis, dan AI yang lebih mudah diakses K
150 melalui platform cloud. Sementara itu, tren dalam IoT mencakup peningkatan penggunaan perangkat yang saling terhubung, sensor yang lebih canggih, dan penerapan IoT dalam berbagai sektor industri. Integrasi AI dan IoT memungkinkan penerapan yang lebih luas dan efisien, seperti rumah pintar yang dapat belajar dari kebiasaan penghuninya, sistem kesehatan yang dapat memantau kondisi pasien secara real-time, dan pabrik cerdas yang dapat mengoptimalkan produksi secara otomatis. B. Ruang Linkup Teknologi AI dan IoT Menjelajahi dunia yang terhubung dan Cerdas teknologi AI (Kecerdasan Buatan) dan IoT (Internet of Things) telah berkembang pesat dalam beberapa tahun terakhir, mengubah cara kita hidup, bekerja dan berinteraksi dengan dunia di sekitar kita. Ruang lingkup kedua teknologi ini sangat luas dan terus berkembang, namun secara umum dapat dikategorikan ke dalam beberapa bidang utama: 1. Peningkatan Efisiensi dan Produktivitas a. Otomatisasi: AI dan IoT dapat mengotomatiskan tugas-tugas berulang dan padat karya, membebaskan manusia untuk fokus pada pekerjaan yang lebih kreatif dan strategis. Contohnya, robot yang dikendalikan AI dapat digunakan di pabrik untuk merakit produk, sementara sistem IoT dapat mengotomatiskan tugas-tugas seperti pencahayaan dan pengaturan suhu di gedung.
151 b. Optimasi Proses: AI dan IoT dapat menganalisis data real-time untuk mengoptimalkan proses dan meningkatkan efisiensi. Contohnya, algoritma AI dapat digunakan untuk memprediksi permintaan produk, memungkinkan perusahaan untuk mengoptimalkan inventaris dan rantai pasokan. c. Pemeliharaan Prediktif: AI dan IoT dapat memprediksi potensi kerusakan peralatan dan infrastruktur sebelum terjadi, memungkinkan tindakan pencegahan dan penghematan biaya perbaikan. Contohnya, sensor IoT pada turbin angin dapat mendeteksi tanda-tanda keausan dini, memungkinkan penggantian komponen sebelum terjadi kerusakan besar. 2. Pengambilan Keputusan yang Lebih Baik a. Analisis Data: AI dan IoT dapat mengumpulkan dan menganalisis data dalam jumlah besar dari berbagai sumber, memberikan wawasan berharga untuk pengambilan keputusan yang lebih cepat dan tepat. Contohnya, sensor IoT di toko ritel dapat melacak pergerakan pelanggan dan pola pembelian, memungkinkan peritel untuk menyesuaikan strategi pemasaran dan penataan toko. b. Prediksi: AI dan IoT dapat menganalisis data historis dan tren terkini untuk memprediksi kejadian di masa depan. Contohnya, platform ecommerce yang menggunakan AI dapat memprediksi permintaan produk musiman, memungkinkan mereka untuk mengoptimalkan inventaris dan menghindari kekurangan stok.
152 c. Personalisasi: AI dan IoT dapat digunakan untuk mempersonalisasi layanan dan produk berdasarkan kebutuhan dan preferensi individu. Contohnya, platform streaming musik dapat menggunakan AI untuk merekomendasikan lagu berdasarkan selera pengguna. 3. Peningkatan Kualitas Hidup a. Perawatan Kesehatan: AI dan IoT dapat meningkatkan akurasi diagnosis, memaksimalkan efektivitas perawatan, dan meningkatkan akses ke layanan kesehatan. Contohnya, sistem AI dapat digunakan untuk menganalisis gambar medis untuk mendeteksi kanker, sementara perangkat IoT dapat memantau kesehatan pasien dari jarak jauh. b. Pendidikan: AI dan IoT dapat mempersonalisasi pembelajaran, memberikan umpan balik secara real-time, dan meningkatkan akses pendidikan di daerah terpencil. Contohnya, platform pembelajaran online yang menggunakan AI dapat menyesuaikan materi pembelajaran dengan gaya belajar dan kecepatan masing-masing siswa. c. Smart Cities: AI dan IoT dapat meningkatkan efisiensi layanan publik, mengurangi kemacetan, dan meningkatkan keamanan di kota-kota. Contohnya, lampu jalan pintar yang terhubung dengan IoT dapat menyesuaikan kecerahannya berdasarkan tingkat lalu lintas dan kondisi cuaca.
153 4. Tantangan dan Peluang a. Keamanan Siber: Perangkat IoT dan infrastruktur AI rentan terhadap serangan siber. Penting untuk menerapkan langkah-langkah keamanan yang kuat untuk melindungi data dan sistem dari akses yang tidak sah. b. Privasi Data: Pengumpulan dan penggunaan data yang dihasilkan oleh perangkat IoT dan AI menimbulkan kekhawatiran tentang privasi data. Penting untuk menerapkan regulasi dan praktik yang melindungi privasi individu dan memastikan penggunaan data yang bertanggung jawab. c. Etika AI: Pengembangan dan penggunaan AI harus mempertimbangkan prinsip-prinsip etika, seperti keadilan, akuntabilitas, dan transparansi. C. Manfaat AI dan IoT Menuju masa depan yang lebih cerdas dan efisien perpaduan kecerdasan buatan (AI) dan Internet of Things (IoT) membawa transformasi revolusioner ke berbagai sektor, membuka peluang baru untuk meningkatkan efisiensi, menghemat biaya, dan meningkatkan kualitas hidup. Mari telusuri manfaat AI dan IoT lebih detail dengan contoh-contoh konkret: 1. Peningkatan Efisiensi Operasional a. Manajemen Rantai Pasokan: AI dan IoT dapat mengoptimalkan pergerakan barang, melacak inventaris secara real-time dan memprediksi
154 permintaan dengan lebih akurat. Contohnya, sensor IoT di gudang dapat memantau kondisi produk, memungkinkan pengiriman tepat waktu dan meminimalkan pemborosan. Gambar 1. AI and IoT supply chain management b. Manufaktur Cerdas: AI dan IoT dapat mengotomatiskan proses produksi, meningkatkan presisi dan mengurangi waktu henti. Contohnya, robot yang dikendalikan AI dapat melakukan tugas-tugas berulang dengan presisi tinggi, sementara sensor IoT dapat mendeteksi potensi kerusakan mesin sebelum terjadi. Gambar 2. AI and IoT smart manufacturing
155 c. Manajemen Energi: AI dan IoT dapat mengoptimalkan konsumsi energi, mengurangi emisi karbon, dan meningkatkan keandalan jaringan listrik. Contohnya, sistem smart grid yang terhubung dengan IoT dapat mendistribusikan energi secara efisien berdasarkan permintaan real-time. Gambar 3. AI and IoT energy management 2. Pengurangan Biaya Operasional a. Pemeliharaan Prediktif: AI dan IoT dapat memprediksi potensi kerusakan peralatan dan infrastruktur sebelum terjadi, memungkinkan tindakan pencegahan dan penghematan biaya perbaikan yang besar. Contohnya, sensor IoT pada turbin angin dapat mendeteksi tanda-tanda keausan dini, memungkinkan penggantian komponen sebelum terjadi kerusakan besar.
156 Gambar 4. AI and IoT predictive maintenance b. Optimalisasi Logistik: AI dan IoT dapat mengoptimalkan rute pengiriman, mengurangi konsumsi bahan bakar, dan meningkatkan efisiensi armada. Contohnya, sistem navigasi yang terhubung dengan IoT dapat memandu pengemudi ke rute tercepat dan terhindar dari kemacetan. Gambar 5. AI and IoT logistics optimization c. Otomatisasi Layanan Pelanggan: AI dan chatbot dapat menjawab pertanyaan pelanggan secara otomatis, menyelesaikan masalah sederhana dan
157 mengarahkan masalah yang kompleks ke agen manusia. Contohnya, chatbot di situs web bank dapat membantu pelanggan dengan pertanyaan tentang saldo rekening, transaksi, dan layanan lainya Gambar 6. AI and IoT customer service automation 3. Pengambilan Keputusan Berbasis Data: a. Analisis Data Real-time: AI dan IoT memungkinkan pengumpulan dan analisis data secara realtime dari berbagai sumber, memberi-kan wawasan berharga untuk pengambilan keputusan yang lebih cepat dan tepat. Contohnya, sensor IoT di toko ritel dapat melacak pergerakan pelanggan dan pola pembelian, memungkinkan peritel untuk menyesuaikan strategi pemasaran dan penataan toko.
158 Gambar 7. AI and IoT realtime data analytics b. Prediksi Permintaan: AI dan IoT dapat menganalisis data historis dan tren terkini untuk memprediksi permintaan produk atau layanan di masa depan. Contohnya, platform e-commerce yang menggunakan AI dapat memprediksi permintaan produk musiman, memungkinkan mereka untuk mengoptimalkan inventaris dan menghindari kekurangan stok. Solution architecture highlighting in-scope (green) and out-of-scope (violet) components. Gambar 8. AI and IoT demand prediction
159 c. Deteksi Penipuan: AI dan IoT dapat mendeteksi pola aktivitas yang tidak biasa dan potensi penipuan dalam transaksi keuangan, asuransi, dan sektor lainnya. Contohnya, sistem deteksi penipuan di kartu kredit dapat mendeteksi transaksi yang dilakukan di lokasi yang tidak biasa atau dengan jumlah yang tidak wajar. Gambar 9. AI and IoT fraud detection 4. Peningkatan Kualitas Hidup: a. Perawatan Kesehatan yang Dipersonalisasi: AI dan IoT dapat menganalisis data kesehatan pasien secara real-time dan memberikan perawatan yang dipersonalisasi. Contohnya, perangkat wearable yang terhubung dengan IoT dapat memantau detak jantung, tekanan darah, dan tingkat aktivitas pasien, memungkinkan dokter untuk memantau kondisi pasien dari jarak jauh dan memberikan intervensi yang tepat waktu.
160 Gambar 10. AI and IoT personalized healthcare b. Kota Cerdas: AI dan IoT dapat meningkatkan efisiensi layanan publik, mengurangi kemacetan, dan meningkatkan keamanan di kota-kota. Contohnya, lampu jalan pintar yang terhubung dengan IoT dapat menyesuaikan kecerahannya berdasarkan tingkat lalu lintas dan kondisi cuaca. Gambar 11. AI and IoT smart cities c. Pendidikan yang Lebih Efektif: AI dan IoT dapat membantu personalisasi pembelajaran, memberikan umpan balik secara real-time dan meningkatkan akses pendidikan di daerah terpencil.
161 Contohnya, platform pembelajaran online yang menggunakan AI dapat menyesuaikan materi pembelajaran dengan gaya belajar dan kecepatan masing-masing siswa. Gambar 12. AI and IoT effective education D. Teknologi Pendukung Teknologi Kemajuan AI dan IoT didorong oleh beberapa teknologi penting yang terus berkembang, antara lain: 1. Perkembangan Sensor dan Aktuator a. Sensor: Sensor adalah perangkat yang mendeteksi dan mengukur perubahan lingkungan fisik, seperti suhu, tekanan, gerakan, dan cahaya. Perkembangan sensor semakin canggih, dengan sensor yang lebih kecil, lebih akurat, dan lebih hemat energi. Hal ini memungkinkan pengumpulan data yang lebih banyak dan lebih detail dari berbagai sumber.
162 Gambar 13. AI and IoT sensors and actuators b. Aktuator: Aktuator adalah perangkat yang mengubah sinyal elektronik menjadi gerakan fisik, seperti memutar motor, membuka katup, atau menyalakan lampu. Aktuator modern semakin cerdas dan presisi, memungkinkan kontrol yang lebih halus dan efisien terhadap sistem fisik. 2. Komputasi Awan dan Edge Computing a. Komputasi Awan: Komputasi awan menyediakan sumber daya komputasi dan penyimpanan yang dapat diakses secara online. AI dan IoT dapat memanfaatkan komputasi awan untuk memproses data dalam jumlah besar, menjalankan algoritma AI yang kompleks, dan menyimpan data secara aman.
163 Gambar 14. AI and IoT cloud computing b. Edge Computing: Edge computing memindahkan pemrosesan data dari cloud ke perangkat yang terhubung di IoT (Internet of Things). Hal ini memungkinkan respons yang lebih cepat terhadap peristiwa real-time dan mengurangi beban pada jaringan. 3. Jaringan 5G dan Konektivitas a. Jaringan 5G: Jaringan 5G menawarkan kecepatan data yang jauh lebih tinggi, latensi yang lebih rendah, dan konektivitas yang lebih andal dibandingkan dengan jaringan 4G. Hal ini sangat penting untuk mendukung aplikasi AI dan IoT yang membutuhkan transmisi data real-time dan bandwidth yang besar. Gambar 15. AI and IoT 5G network b. Konektivitas: Konektivitas yang luas dan andal sangat penting untuk menghubungkan perangkat IoT dan memungkinkan pertukaran data secara real-time. Teknologi seperti Wi-Fi, Bluetooth, dan
164 NB-IoT (Narrowband IoT) terus berkembang untuk memenuhi kebutuhan konektivitas yang beragam. 4. Keamanan Siber dan Privasi Data a. Keamanan Siber: Perangkat IoT dan infrastruktur AI rentan terhadap serangan siber. Penting untuk menerapkan langkah-langkah keamanan yang kuat, seperti enkripsi data, otentikasi perangkat, dan kontrol akses, untuk melindungi data dan sistem dari akses yang tidak sah. Gambar 16. AI and IoT cybersecurity b. Privasi Data: Pengumpulan dan penggunaan data yang dihasilkan oleh perangkat IoT dan AI menimbulkan kekhawatiran tentang privasi data. Penting untuk menerapkan regulasi dan praktik yang melindungi privasi individu dan memastikan penggunaan data yang bertanggung jawab.
165 E. Masa Depan AI dan IoT Perpaduan AI (Kecerdasan Buatan) dan IoT (Internet of Things) telah merevolusi berbagai sektor dan membuka peluang baru yang tak terbayangkan. Saat kita melangkah maju, masa depan AI dan IoT diwarnai dengan prediksi perkembangan teknologi yang menarik, potensi dampak sosial dan ekonomi yang mendalam, inovasi yang luar biasa, dan perubahan signifikan dalam pola kerja dan kehidupan sehari-hari. Mari kita selami lebih dalam: 1. Prediksi Perkembangan Teknologi a. Integrasi yang Lebih Dalam : AI dan IoT akan semakin terintegrasi, memungkinkan sistem yang lebih cerdas dan otonom. AI akan menggerakkan IoT, menganalisis data yang dihasilkan untuk membuat keputusan yang lebih baik dan mengontrol perangkat secara real-time. b. Kemajuan AI : Algoritma AI akan menjadi lebih canggih, mampu belajar mandiri, beradaptasi dengan situasi baru, dan menyelesaikan tugas yang kompleks. AI akan mampu memahami bahasa alami, meniru penalaran manusia, dan bahkan menunjukkan kreativitas. c. Perkembangan IoT : Perangkat IoT akan menjadi lebih kecil, hemat energi, dan terhubung secara luas. Jaringan IoT akan mencakup miliaran perangkat, memungkinkan komunikasi dan pertukaran data yang mulus di seluruh dunia.
166 2. Potensi Dampak Sosial dan Ekonomi a. Transformasi Industri: AI dan IoT akan merevolusi berbagai industri, meningkatkan efisiensi, produktivitas, dan kualitas produk. Otomasi dan pengambilan keputusan cerdas akan menjadi kunci dalam manufaktur, logistik, perawatan kesehatan, dan banyak lagi. b. Perubahan Pola Kerja: Otomatisasi akan mengubah lanskap pekerjaan, menciptakan peluang baru dan menuntut keterampilan baru. Pekerja perlu beradaptasi dengan teknologi baru dan mengembangkan keterampilan digital untuk tetap kompetitif. c. Peningkatan Kualitas Hidup: AI dan IoT dapat meningkatkan kualitas hidup dalam berbagai aspek, seperti layanan kesehatan yang lebih personal, pendidikan yang lebih efektif, dan transportasi yang lebih cerdas. d. Tantangan Etika dan Sosial: Perkembangan AI dan IoT menimbulkan kekhawatiran tentang privasi data, bias algoritma, dan potensi penyalahgunaan teknologi. Penting untuk mengembangkan kerangka kerja etika dan peraturan yang jelas untuk memastikan penggunaan teknologi yang bertanggung jawab. 3. Inovasi yang Diantisipasi a. AI yang Dapat Belajar Mandiri : Algoritma AI akan mampu belajar dari pengalaman dan data tanpa intervensi manusia, meningkatkan akurasi dan kinerja mereka secara terus menerus.
167 b. IoT yang Lebih Terhubung : Perangkat IoT akan terhubung secara mulus satu sama lain, membentuk jaringan raksasa yang memungkinkan pertukaran data real-time dan kolaborasi yang cerdas. c. Komputasi Awan yang Terdistribusi : Pemrosesan data akan didistribusikan di seluruh jaringan IoT, mengurangi beban pada server pusat dan memungkinkan respons yang lebih cepat. d. Realitas Virtual dan Realitas Teraugmentasi : AI dan IoT akan mendorong perkembangan realitas virtual dan realitas teraugmentasi yang imersif, mengubah cara kita bekerja, belajar dan berinteraksi dengan dunia di sekitar kita. 4. Perubahan dalam Pola Kerja dan Kehidupan Seharihari a. Peningkatan Efisiensi: AI dan IoT akan mengotomatisasi tugas-tugas berulang dan padat karya, membebaskan manusia untuk fokus pada pekerjaan yang lebih kreatif dan strategis. b. Personalisasi: AI dan IoT akan memungkinkan personalisasi yang lebih tinggi dalam berbagai aspek kehidupan, seperti rekomendasi produk, layanan kesehatan, dan pendidikan. c. Konektivitas yang Lebih Baik: Perangkat IoT akan menghubungkan kita dengan dunia di sekitar kita secara real-time, memungkinkan kontrol yang lebih besar atas lingkungan dan akses ke informasi yang lebih mudah.
168 d. Tantangan Adaptasi: Manusia perlu beradaptasi dengan perubahan pola kerja dan kehidupan yang dibawa oleh AI dan IoT. Penting untuk mengembangkan keterampilan baru dan pola pikir yang fleksibel untuk berkembang di era digital ini. F. Tantangan dan Hambatan Meskipun AI (Kecerdasan Buatan) dan IoT (Internet of Things) menawarkan banyak manfaat dan peluang, perjalanan mereka menuju masa depan yang lebih cerdas dan terhubung diiringi dengan berbagai tantangan dan hambatan yang perlu diatasi. 1. Masalah Provasi dan keamanan a. Penyalahgunaan Data: Pengumpulan dan penggunaan data yang dihasilkan oleh perangkat IoT dan AI menimbulkan kekhawatiran tentang privasi data. Data sensitif pengguna dapat disalahgunakan untuk tujuan komersial, penipuan, atau bahkan untuk pengawasan ilegal. b. Serangan Siber: Perangkat IoT dan infrastruktur AI rentan terhadap serangan siber. Peretas dapat mengambil alih perangkat, mencuri data, atau mengganggu operasi sistem. Hal ini dapat berakibat pada kerugian finansial, kerusakan reputasi, dan bahkan membahayakan keselamatan publik. 2. Keterbatasan Teknis dan Infrastruktur a. Keterbatasan Konektivitas: Konektivitas internet yang stabil dan andal sangat penting untuk
169 kelancaran operasi AI dan IoT. Di daerah dengan konektivitas yang buruk atau tidak stabil, teknologi ini mungkin tidak dapat berfungsi secara optimal. b. Biaya Infrastruktur: Membangun dan memelihara infrastruktur yang diperlukan untuk mendukung AI dan IoT, seperti jaringan data berkecepatan tinggi dan pusat data, membutuhkan investasi yang signifikan. Hal ini dapat menjadi hambatan bagi negara dan perusahaan yang memiliki sumber daya terbatas. c. Keterampilan dan Tenaga Kerja: Implementasi dan penggunaan AI dan IoT membutuhkan tenaga kerja yang terampil dengan pengetahuan tentang teknologi ini. Keterbatasan dalam hal ini dapat menghambat adopsi teknologi secara luas. 3. Ketergantungan pada Data yang Akurat a. Kualitas Data: Kualitas data yang digunakan untuk melatih algoritma AI dan untuk menganalisis data IoT sangat menentukan keakuratan dan keefektifan sistem. Data yang bias, tidak lengkap, atau tidak akurat dapat menghasilkan hasil yang salah dan menyesatkan. b. Bias Algoritma: Algoritma AI dapat mencerminkan bias yang ada dalam data yang digunakan untuk melatihnya. Hal ini dapat menyebabkan diskriminasi dan ketidakadilan dalam pengambilan keputusan.
170 4. Isu Etika dan Regulasi a. Transparansi dan Akuntabilitas: Sistem AI dan IoT harus transparan dan akuntabel dalam pengambilan keputusannya. Pengguna harus memahami bagaimana data mereka digunakan dan bagaimana keputusan dibuat. b. Etika AI: Pengembangan dan penggunaan AI harus mempertimbangkan prinsip-prinsip etika, seperti keadilan, akuntabilitas, dan transparansi. Penting untuk menghindari penggunaan AI yang dapat membahayakan manusia atau melanggar hak asasi manusia. c. Kerangka Regulasi: Diperlukan kerangka regulasi yang jelas untuk memastikan penggunaan AI dan IoT yang bertanggung jawab dan etis. Regulasi harus melindungi privasi data, mencegah penyalahgunaan teknologi, dan memastikan kepatuhan terhadap standar etika. G. Kasus Studi dan Implementasi Nyata AI dan IoT AI (Kecerdasan Buatan) dan IoT (Internet of Things) telah melampaui ranah konsep dan teori dan mulai diterapkan di berbagai industri, menghasilkan manfaat nyata dan membuka peluang baru. Berikut adalah beberapa contoh sukses penerapan AI dan IoT di berbagai sektor :
171 1. Manufaktur Cerdas a. Prediksi Kegagalan Peralatan: Di pabrik Foxconn, sensor IoT dipasang pada mesin produksi untuk memantau data real-time seperti getaran, suhu, dan konsumsi energi. Algoritma AI menganalisis data ini untuk memprediksi potensi kegagalan peralatan sebelum terjadi, memungkinkan tindakan pencegahan dan penghematan biaya perbaikan yang signifikan. Gambar 17. AI and IoT smart manufacturing predictive maintenance. b. Optimasi Proses Produksi: Di pabrik Bosch, AI digunakan untuk mengoptimalkan proses produksi baja. Algoritma AI menganalisis data dari berbagai sumber, seperti sensor, mesin, dan sistem kontrol, untuk menyesuaikan parameter produksi secara real-time dan meningkatkan efisiensi. 2. Perawatan Kesehatan yang Dipersonalisasi a. Diagnosis Medis: Di rumah sakit Mayo Clinic, AI digunakan untuk membantu dokter mendiagnosis penyakit. Algoritma AI menganalisis gambar
172 medis seperti rontgen dan MRI dengan akurasi yang tinggi, membantu dokter mendeteksi kelainan dan membuat keputusan pengobatan yang lebih tepat. Gambar 18. AI and IoT personalized healthcare medical diagnosis b. Pemantauan Pasien Jarak Jauh: Di perusahaan Livwell, perangkat IoT wearable digunakan untuk memantau kesehatan pasien dari jarak jauh. Perangkat ini melacak data seperti detak jantung, tekanan darah, dan tingkat aktivitas, dan mengirimkan data ke platform AI untuk analisis. Dokter dapat memantau kondisi pasien secara real-time dan memberikan intervensi yang tepat waktu. 3. Smart City a. Pengelolaan Lalu Lintas: Di kota Kopenhagen, sensor IoT dipasang di persimpangan jalan untuk memantau arus lalu lintas. Algoritma AI menganalisis data ini untuk mengoptimalkan waktu lampu lalu lintas dan mengurangi kemacetan.
173 Gambar 19. AI and IoT smart city traffic management b. Pencahayaan Cerdas: Di kota San Jose, lampu jalan dilengkapi dengan sensor IoT dan dikendalikan oleh AI. Lampu ini dapat menyesuaikan kecerahannya berdasarkan tingkat lalu lintas dan kondisi cuaca, menghemat energi dan meningkatkan keamanan. 4. Pelajaran yang Dapat Dipetik a. Perencanaan yang Matang: Implementasi AI dan IoT yang sukses membutuhkan perencanaan yang matang, termasuk definisi tujuan yang jelas, pemilihan teknologi yang tepat, dan persiapan infrastruktur yang memadai. b. Kolaborasi: Kolaborasi antara berbagai pihak, seperti pakar teknologi, ilmuwan data, dan pemangku kepentingan bisnis, sangat penting untuk keberhasilan implementasi.
174 c. Keamanan Data: Keamanan data dan privasi pengguna harus menjadi prioritas utama. Penting untuk menerapkan langkah-langkah keamanan yang kuat untuk melindungi data dari akses yang tidak sah. d. Etika AI: Pengembangan dan penggunaan AI harus mempertimbangkan prinsip-prinsip etika dan menghindari potensi bias atau diskriminasi. 5. Analisis Dampak Implementasi AI dan IoT dapat membawa dampak jangka panjang yang signifikan, di antaranya : a. Peningkatan Efisiensi dan Produktivitas: AI dan IoT dapat mengotomatiskan tugas-tugas berulang dan padat karya, membebaskan manusia untuk fokus pada pekerjaan yang lebih kreatif dan strategis. b. Pengambilan Keputusan yang Lebih Baik: AI dan IoT dapat menganalisis data dalam jumlah besar dan memberikan wawasan berharga untuk pengambilan keputusan yang lebih cepat dan tepat. c. Peningkatan Kualitas Hidup: AI dan IoT dapat meningkatkan kualitas hidup dalam berbagai aspek, seperti layanan kesehatan yang lebih personal, pendidikan yang lebih efektif, dan transportasi yang lebih cerdas. d. Tantangan Etika dan Sosial: Perkembangan AI dan IoT menimbulkan kekhawatiran tentang privasi data, bias algoritma, dan potensi penyalahgunaan teknologi. Penting untuk
175 mengem-bangkan kerangka kerja etika dan peraturan yang jelas untuk memastikan penggunaan teknologi yang bertanggung jawab.
176 Daftar Pustaka ‚CIA Triad of Cybersecurity.‛ (n.d.). Readynez. Diperoleh dari https://www.readynez.com/ Ahmed, S., (2022) ‘IoT Based Smart Systems using Machine Learning (ML) and Artificial Intelligence (AI) Vulnerabilities and Intelligent Solutions’ Journal of Systemics, Cybernetics and Informatics (JSCI), no. Icsit, pp. 56–61, 2022. Anderson, R. (2020). Security Engineering. Wiley. Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: a survey. Computer networks, 38(4), 393-422. Agung, F. S., Farhan, M., Rachmansyah, & Widiyanto, E. P. (2009). Sistem Deteksi Asap Rokok Pada Ruangan Bebas Asap Rokok Dengan Keluaran Suara. Teknik Komputer, 1–9. https://doi.org/10.1287/mnsc.32.4.403 Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M., & Ayyash, M. (2015). Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications. IEEE Communications Surveys & Tutorials, 17(4), 2347-2376. Atzori, L., Iera, A., & Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54(15), 2787- 2805.
177 Amodei, D., Ananthanarayanan, S., Anubhai, R., Bai, J., Battenberg, E., Case, C., Casper, J., et al. (2016), ‚Deep speech 2: End-to-end speech recognition in english and mandarin‛, International Conference on Machine Learning, pp. 173–182. Amin, Z.A. et al. (2021) ‘Analisa Rekam Medis Elektronik Untuk Menentukan Diagnosa Medis Dalam Kategori Bab ICD 10 Menggunakan Machine Learning’, POSITIF : Jurnal Sistem dan Teknologi Informasi, 7(2), pp. 127–132. Available at: https://doi.org/10.31961/positif.v7i2.1140. Andryan, M.R., Fajri, M. and Sulistyowati, N. (2022) ‘Komparasi Kinerja Algoritma Xgboost Dan Algoritma Support Vector Machine (Svm) Untuk Diagnosis Penyakit Kanker Payudara’, JIKO (Jurnal Informatika dan Komputer), 6(1), p. 1. Available at: https://doi.org/10.26798/jiko.v6i1.500. Andriyani, W. et al. (2024) Data Sebagai Fondasi Kecerdasan Buatan. TOHAR MEDIA. Available at: https://books.google.co.id/books?id=GLgFEQAAQBAJ. Azure. (2024). Machine learning algorithms. Azure.Microsoft.Com. https://azure.microsoft.com/en-us/resources/cloudcomputing-dictionary/what-are-machine-learningalgorithms/ Adidrana, D, Rahmat Iskandar, A, Nurhayati, A, Ramdhani, M, Bani Adam, K, Ardianto, R & Ekaputri, C 2022, Simultaneous Hydroponic Nutrient Control Automation System Based on Internet of Things. Ardiyanti, N. et al. (2024) ‘Legal Responsibility for the Use of
178 Artificial Intelligence in Medical Practice’, De’Rechtsstaat, 10(1), pp. 121–132. Available at: https://doi.org/10.30997/jhd.v10i1.11323. Abidin, Z. et al. (2023) ‘Direct Machine Translation IndonesianBatak Toba’, in 2023 7th International Conference on New Media Studies (CONMEDIA), pp. 82–87. Amalia, A. et al. (2019) ‘Automated Bahasa Indonesia essay evaluation with latent semantic analysis’, in Journal of Physics: Conference Series, p. 12100. Amalia, A. et al. (2020) ‘A Comparison Study of Document Clustering Using DOC2VEC Versus TFIDF Combined with LSA For Small Corpora’. Amirullah, A., Aulia, I. and Arisandy, D. (2020) ‘Implementing Cosine Similarity Algorithm to Increase the Flexibility of Hematology Text Report Generation’, in 2020 International Conference on Data Science, Artificial Intelligence, and Business Analytics (DATABIA), pp. 76–82. Balakrishnan, V. and Lloyd-Yemoh, E. (2014) ‘Stemming and lemmatization: A comparison of retrieval performances’. Browne, C. B., Powley, E., Whitehouse, D., Lucas, S. M., Cowling, P. I., Rohlfshagen, P., Tavener, S., Perez, D., Samothrakis, S., & Colton, S. (2012). A survey of Monte Carlo tree search methods. IEEE Transactions on Computational Intelligence and AI in Games, 4(1), 1– 43. https://doi.org/10.1109/TCIAIG.2012.2186810
179 Bonomi, F., Milito, R., Zhu, J., & Addepalli, S. (2012). Fog computing and its role in the internet of things. In Proceedings of the first edition of the MCC workshop on Mobile cloud computing (pp. 13-16). Botta, A., De Donato, W., Persico, V., & Pescapé, A. (2016). Integration of cloud computing and internet of things: A survey. Future Generation Computer Systems, 56, 684-700. Christina; Aulia, I. and Purnamawati, S. (2023a) ‘Automating News Tweet Writing Based on Indonesia Language Using NLG Approach’, in 2023 IEEE International Conference on Cryptography, Informatics, and Cybersecurity (ICoCICs), pp. 59–65. Christina; Aulia, I. and Purnamawati, S. (2023b) ‘Automating News Tweet Writing Based on Indonesia Language Using NLG Approach’, in 2023 IEEE International Conference on Cryptography, Informatics, and Cybersecurity (ICoCICs), pp. 59–65. Chazar, C. and Erawan, B. (2020) ‘Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine’, INFORMASI (Jurnal Informatika dan Sistem Informasi), 12(1), pp. 67–80. Available at: https://doi.org/10.37424/informasi.v12i1.48. Chandak, A.V. and Ray, N.K. (2022) ‘IoT Data Classifications for Smart Home Deployment’, SN Computer Science, 3(1), pp. 1–9. Available at: https://doi.org/10.1007/s42979- 021-00979-w.
180 Chesney, R. and Citron, D. (2019), ‚Deepfakes and the new disinformation war: The coming age of post-truth geopolitics‛, Foreign Aff., HeinOnline, Vol. 98, p. 147. Cano, M. I. et al. (2020) ‘HEMS-IoT: A big data and machine learning-based smart home system for energy saving’, Energies, 13(5). Available at: https://doi.org/10.3390/en13051097. Canny, J., 1986. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence , PAMI-8(6). Dkk, Dr. Suyanto, S.T.M.S. (2019) Deep Learning Modernisasi Machine Learning Untuk Big Data. Informatika. Available at: https://books.google.co.id/books?id=SgDuzwEACAAJ. Dr. Ilmiyati Sari, S.S.M.S. and Dr. Dina Indarti, S.S.M.S. (2023) TEXT MINING: Praktek Klasifikasi dan Pemodelan Topik dengan Phyton. uwais inspirasi indonesia. Available at: https://books.google.co.id/books?id=wA6mEAAAQBAJ . Dr. Suyanto, S.T.M.S. (2019) Data Mining Untuk Klasifikai dan Klasterisasi Data (Edisi Revisi). Informatika. Available at: https://books.google.co.id/books?id=vq7wzwEACAAJ. Dr. Suyanto, S.T.M.S. (2021) Artificial Intelligence Edisi 3. Informatika. Available at: https://books.google.co.id/books?id=_gPczwEACAAJ. Dr. Suyanto, S.T.M.S. (2023) Machine Learning Tingkat Dasar
181 dan Lanjut Edisi-2. penerbit informatika. Available at: https://books.google.co.id/books?id=pyDwzwEACAAJ. Dydrov, A.A., Tikhonova, S. V. and Baturina, I. V. (2023) ‘Artificial Intelligence’, Galactica Media: Journal of Media Studies, pp. 162–178. Available at: https://doi.org/10.46539/gmd.v5i1.302. Elie, S., 2013. An overview of Pattern Recognition.. Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., et al. (2019), ‚A guide to deep learning in healthcare‛, Nature Medicine, Nature Publishing Group US New York, Vol. 25 No. 1, pp. 24–29. Equalization, C. L. A. H., 1994. K. Zuiderveld. Graphics gems. Easttom, C. (2017). Computer Security Fundamentals. Pearson Education. Efrian, M.R. and Latifa, U. (2022) ‘Image Recognition Berbasis Convolutional Neural Network (Cnn) Untuk Mendeteksi Penyakit Kulit Pada Manusia’, Power Elektronik : Jurnal Orang Elektro, 11(2), p. 276. Available at: https://doi.org/10.30591/polektro.v12i1.3874. Feng, Z. & Hua, X., 2020. Pattern Recognition and Its Application in Image Processing. Journal of Physics: Conference Series. Gartner. (2018). What edge computing means for infrastructure and operations leaders. Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural
182 elements, and future directions. Future Generation Computer Systems, 29(7), 1645-1660. Gonzalez, R. C. & Woods, R. E., 2008. Digital Image Processing. New Jersey: Pearson Prentice Hall. Goodfellow, I., Bengio, Y. and Courville, A. (2017) Deep Learning. Goldberg, Y., Williams, P., Sennrich, R., Post, M., & Koehn, P. (2017). Neural Network Methods for Natural Language Processing (G. Hirst, Ed.). Morgan & Claypool Publishers. Gitakarma, S., (2022) ‘Peranan Internet of Things Dan Kecerdasan Buatan Dalam Teknologi Saat Ini’, Jurnal Komputer dan Teknologi Sains (KOMTEKS), 1(1), pp. 1–8. Gaffar, A.B.W.P.A.F.O. (2021) Computer Vision: Chapter 1. Media Nusa Creative (MNC Publishing). Available at: https://books.google.co.id/books?id=QVFKEAAAQBAJ. Humas (2023) ‘Merdeka Belajar untuk Revitalisasi Bahasa Daerah yang Terancam’. Available at: https://setkab.go.id/merdeka-belajar-untukrevitalisasi-bahasa-daerah-yang-terancam/. Holland, J. H. (1992) Adaptation in Natural and Artificial Systems. Available at: https://books.google.com.br/books?id=JE5RAAAAMAA J. Husdi 2018, ‘MONITORING KELEMBABAN TANAH PERTANIAN MENGGUNAKAN SOIL MOISTURE
183 SENSOR FC-28 DAN ARDUINO UNO’, ILKOM Jurnal Ilmiah, vol. 10, pp. 237–243. Hussain, S., Dixit, P. & Hussain, M. S., 2020. Image Processing in Artificial Intelligence. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, pp. Volume 6,Issue 5. Hartigan, J. A. & Wong, M. A., 1979. Algorithm AS 136: A KMeans Clustering Algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(1). Hansen, J.H.L. and Hasan, T. (2015), ‚Speaker Recognition by Machines and Humans: A tutorial review‛, IEEE Signal Processing Magazine, Vol. 32 No. 6, pp. 74–99, doi: 10.1109/MSP.2015.2462851. Hershey, S., Chaudhuri, S., Ellis, D.P.W., Gemmeke, J.F., Jansen, A., Moore, R.C., Plakal, M., et al. (2017), ‚CNN architectures for large-scale audio classification‛, 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE, pp. 131–135, doi: 10.1109/ICASSP.2017.7952132. Hakim, A.R. et al. (2023) ‘Android-Based Herpes Disease Detection Application using Image Processing’, Sinkron, 8(1), pp. 305–313. Available at: https://doi.org/10.33395/sinkron.v8i1.11913. Islam, S. M. R., Kwak, D., Kabir, M. H., Hossain, M., & Kwak, K. S. (2015). The Internet of Things for Health Care: A Comprehensive Survey. IEEE Access, 3, 678-708. Izadi, S. and Forouzanfar, M. (2024) ‘Error Correction and Adaptation in Conversational AI: A Review of
184 Techniques and Applications in Chatbots’, AI, 5(2), pp. 803–841. Iskandar, A.P.S. et al. (2024) Teknologi Big Data : Pengantar dan Penerapan Teknologi Big Data di berbagai Bidang. PT. Green Pustaka Indonesia. Available at: https://books.google.co.id/books?id=hV4FEQAAQBAJ. ibm.com. (2023). Apa yang dimaksud dengan kecerdasan buatan (AI)? Ibm.Com. https://www.ibm.com/idid/topics/artificial-intelligence Jayanthiladevi, A. et al., 2020. AI in Video Analysis, Production and Streaming Delivery. Journal of Physics: Conference Series. Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer International Publishing. https://doi.org/10.1007/978-3-030-26622-6 Jurafsky, Daniel & Martin, J.H. (2001) ‘Speech and Language Processing: An introduction to natural language processing’, SPEECH and LANGUAGE PROCESSING An Introduction to Natural Language Processing Computational Linguistics and Speech Recognition. Pearson Prentice Hall, pp. 1–18. Available at: http://www.cs.colorado.edu/~martin/slp.html. Jurafsky, D. and Martin, J.H. (2008), ‚Speech and Language Processing: An introduction to speech recognition, computational linguistics and natural language processing‛, Upper Saddle River, NJ: Prentice Hall. Kim, G., & Spaulding, A. (2013). Security and Emerging Technologies. MIT Press.
185 Kenton, J.D.M.-W.C. and Toutanova, L.K. (2019), ‚Bert: Pretraining of deep bidirectional transformers for language understanding‛, Proceedings of NaacL-HLT, Vol. 1, p. 2. Keyur K Patel, SMPPSAP 2016, ‘Internet of Things-IOT Definition articl’, Ijesc, vol. 6, no. 5, p. 10. Kurniawan, F.W. and Maharani, W. (2020) ‘Indonesian twitter sentiment analysis using Word2Vec’, in 2020 International Conference on Data Science and Its Applications (ICoDSA), pp. 1–6. Luger, G. F. (2009) Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Pearson education. Available at: http://www.amazon.com/dp/0321545893. Lidy, T. (2016), ‚Parallel Convolutional Neural Networks for Music Genre and Mood Classification‛. Lubis, M.S.Y. (2021) ‘Implementasi Artificial Intelligence Pada’, Semnastek Uisu 2021, Pp. 1–7. Marchi, E., Vesperini, F., Eyben, F., Squartini, S. and Schuller, B. (2015), ‚A novel approach for automatic acoustic novelty detection using a denoising autoencoder with bidirectional LSTM neural networks‛, 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1996–2000. Madakam, S., Ramaswamy, R., & Tripathi, S. (2015). Internet of Things (IoT): A Literature Review. Journal of Computer and Communications, 3(5), 164-173.
186 Mishra, A., Hempel, M., Zhu, Q., & Sharif, H. (2014). Sensing as a service: A cloud computing architecture to provide insights from IoT data. IEEE Communications Magazine, 52(3), 54-59. Mustika et al. (2021) Data Mining dan Aplikasinya, Penerbit Widina. Mining, E. (2019). Machine Learning for Beginners By: Ethem Mining. Mitchell, T. M. (1997) Machine Learning, McGraw-Hill Science. doi: 10.1007/978-3-031-17922-8_9. Nilsson, N. J. (1980) Principles of Artificial Intelligence, Morgan Kaufmann Publishers. doi: 10.1109/TPAMI.1981.4767059. Nocedal, J., & Wright, S. J. (n.d.). Numerical Optimization Second Edition. Otsu, N., 1979. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics , 9(1). Ofer, D., Brandes, N. and Linial, M. (2021) ‘The language of proteins: NLP, machine learning \& protein sequences’, Computational and Structural Biotechnology Journal, 19, pp. 1750–1758. Padmaja, M., et.al., (2021) ‘Grow of Artificial Intelligence to Challenge Security in IoT Application’, Wireless Personal Communications, https://doi.org/10.1007/ Patil, A.K., (2021) ‘IoT and Artificial Intelligence’, International Research Journal of Engineering and Technology
187 (IRJET), [online] 08(07), pp.3796–3802. Tersedia di: <www.irjet.net>. Poorana, S. et al. (2024) ‘Artificial Intelligence and Internet of Things Integration Taxonomy’, International Journal of Research Publication and Reviews Artificial Intelligence and Internet of Things Integration Taxonomy, (May). Available at: https://doi.org/10.55248/gengpi.5.0424.1082. Pizer, S. M. & et al, 1987. Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing, 39(3). Paliwal, K., Schwerin, B. and Wójcicki, K. (2012), ‚Speech enhancement using a minimum mean-square error short-time spectral modulation magnitude estimator‛, Speech Communication, North-Holland, Vol. 54 No. 2, pp. 282–305, doi: 10.1016/J.SPECOM.2011.09.003. Pierce, A.D. (2019), Acoustics: An Introduction to Its Physical Principles and Applications, Springer. Pourkamali, N. and Sharifi, S.E. (2024) ‘Machine Translation with Large Language Models: Prompt Engineering for Persian, English, and Russian Directions’, arXiv preprint arXiv:2401.08429 [Preprint]. Pratiwi, H. (2024) Buku ajar kecerdasan buatan: disertai praktik baik pemanfaatannya. Asadel Liamsindo Teknologi. Poole, D. L. and Mackworth, A. K. (2010) Artificial Intellegence Foundations of Computational Agents. Russell, S. and Norvig, P. (2010) Artificial intelligence A Modern Approach 3rd Edition, Pearson Education.
188 doi: 10.1109/ICCAE.2010.5451578. Russell, S. and Norvig, P. (2021) Artificial Intelligence A Modern Approach 4th Edition. Available at: https://dl.ebooksworld.ir/books/Artificial.Intelligence. A.Modern.Approach.4th.Edition.Peter.Norvig. Stuart.Russell.Pearson.9780134610993.EBooksWorld.ir .pdf. Robandi, I. (2021) ARTIFICIAL INTELLIGENCE: Mengupas Rekayasa Kecerdasan Tiruan. Andi Offset. Available at: https://books.google.co.id/books?id=O28SEAAAQBAJ. Rossing, T.D. (2014), Springer Handbook of Acoustics, edited by Rossing, T.D., Springer New York, New York, NY, doi: 10.1007/978-1-4939-0755-7. Smith, J. (2017). "Understanding Data Breaches." Journal of Information Security, 28(2), 123-135. Sutton, R. S., & Barto, A. G. (2015). Reinforcement Learning: An Introduction Second edition (2nd Edition). The MIT Press. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/J.NEUNET.2014.09.003 Song, J.-H. and Seo, B.-S. (2024) ‘Analyzing Trends in Digital Transformation Korean Social Media Data: A Semantic Network Analysis’, Big Data and Cognitive Computing, 8(6), p. 61. Stallings, W., & Brown, L. (2012). Computer Security: Principles and Practice. Prentice Hall.
189 Stallings, W., & Brown, L. (2018). Fundamentals of Information Systems Security. Jones & Bartlett Learning. Stallings, W. (1995). Network Security Essentials. Prentice Hall. Sharma, G., Umapathy, K. and Krishnan, S. (2020), ‚Trends in audio signal feature extraction methods‛, Applied Acoustics, Vol. 158, p. 107020, doi: 10.1016/j.apacoust.2019.107020. Smith, S. (2007), Digital Signal Processing: A Practical Guide for Engineers and Scientists, Newnes. Stöter, F.-R., Liutkus, A. and Ito, N. (2018), ‚The 2018 Signal Separation Evaluation Campaign‛, pp. 293–305, doi: 10.1007/978-3-319-93764-9_28. Sinaga, D. (2020) ‘Jaringan Saraf Tiruan Infeksi Mata Dengan Menggunakan Metode Beraksitektur Multi Layer Perceptron’, Informasi dan Teknologi Ilmiah (INTI), 7(2), pp. 189–192. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646. Van Den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., Kalchbrenner, N., et al. (2016), ‚Wavenet: A generative model for raw audio‛, ArXiv Preprint ArXiv:1609.03499, Vol. 12. Vincent, E., Virtanen, T. and Gannot, S. (2018), Audio Source Separation and Speech Enhancement, John Wiley & Sons.
190 Vicci, D.H. (2024) ‘Technology, Risk, Artificial Intelligence Acceptance, and the Adoption of Smart Devices’, SSRN Electronic Journal [Preprint], (April). Available at: https://doi.org/10.2139/ssrn.4756845. Wiley, V. & Lucas, T., 2018. Computer Vision and Image Processing : A Paper Review. International Journal Of Artificial Intelegence Research, p. Vol 2 No 1. Xiong, W., Wu, L., Alleva, F., Droppo, J., Huang, X. and Stolcke, A. (2018), ‚The Microsoft 2017 conversational speech recognition system‛, 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 5934–5938. Zempleni, M.-Z. et al. (2007) ‘Semantic ambiguity processing in sentence context: Evidence from event-related fMRI’, Neuroimage, 34(3), pp. 1270–1279. Zaslavsky, A., Perera, C., & Georgakopoulos, D. (2013). Sensing as a service and big data. In International Conference on Advances in Cloud Computing (Vol. 23, pp. 21-29). Zölzer, U. (2011), DAFX: Digital Audio Effects, edited by Zölzer, U., Wiley, doi: 10.1002/9781119991298.