Paradigma Penemuan Saintifik dan Riset TIK TIK Achmad Benny Mutiara Achmad Benny Mutiara Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
[email protected] g
Evolusi Penemuan Saintifik • Ribuan Tahun yang lalu: – Sains Empiris (eksperimen/observasi) • u/ mendeskripsikan fenoma alam
• Ratusan Tahun yang lalu: – Sains Teoritis • Mengembangkan model dan generalisasi
• Puluhan tahun yang lalu: – Sains Komputasi • Simulasi fenomena kompleks
• Saat ini: – Sains Data‐intensive • Sintesis teori, eksperimen dan komputasi dengan manajemen dan t ti tik data “advanced” d t “ d d” new algorithms l ith statistik ABM 13-03-13
2
Metode Saintifik Abad 21 TEORI
Teori dikembangkan dan dieksplore melalui komputasi
Teori memunculkan hipotesis yang hipotesis yang diverifikasi melalui ekeperimen
Hi t i 2 ditemukan dari Data dit k d iD t Hipotesis2 dan mendorong Teori
Data dihasilkan D t dih ilk komputasi
Data
Data dihasilkan D t dih ilk eksperimen
Komputasi Komputasi menginformasikan desain Eksperimen Komputasi menginformasikan desain Eksperimen ABM 13-03-13
Eksperimen 3
Sains Data Intensive (SDI) ( ) Masalah‐masalah dimana data menjadi faktor yang dominan Laju Akuisisi Volume Kompleksitas Ketidakpastian
Sains Komputasi Tradisional
Sains Data Intensive
• Komputasi Komputasi memiliki lokalitas memiliki lokalitas spasial dan temporal • Masalah dimuat ke memori • Metode memerlukan aritmatika presisi tinggi • Datanya statis Datanya statis
• Komputasi Komputasi tidak tidak atau sedikit atau sedikit memiliki lokalitas • Masalah tidak dimuat ke memori • Presisi atau pembulatan variabel berbasis aritmatika • Datanya dinamis Datanya dinamis
Pemodelan dan Simulasi
Analisis
ABM 13-03-13
4
Pemodelan & Simulasi Data Intensive Hasil2 digali utk menemukan parameter2 bagi simlasi skala yg lebih tinggi
Kuantum
Molekular
Kontinum
Data Instrument menggerakan/mendorong simulasi gg / g
Sensor2 Ruang Angkasa
Simulasi Iklim ABM 13-03-13
Sensor2 Bumi 5
Teknik dan Teknologi Pada SDI g • SDI memanfaatkan teknik ilmu komputer dan teknologi IK – – – – – – –
Sensor2 dan jaringan dan jaringan sensor Jaringan Backbone D b Databases Data mining Machine learning Data visualization Cluster/grid computing pada skala besar skala besar
ABM 13-03-13
6
Tantangan Kunci Sains Data Intensive g Volume Besar dan l d Througput Tinggi
Keterhubungan dan link
Heterogenitas Tinggi
Kompleksitas Tinggi p gg ABM 13-03-13
7
Issue Riset Sains Data Intensive • Penemuan, Pengumpulan dan Pengelolaan Data , g p g dengan Kualitas yg sudah diketahui – Penemuan dan analisis analisis • Mis. Teknik ‘tagging’ “Smart Data” utk data ‘self‐describing’ dan metode analitik
– Distribus beban kerja dan data reduksi • Mis Mis. Pemindahan Pemindahan pemrosesan dan pemfilteran data menjadi pemrosesan dan pemfilteran data menjadi dekat ke instrumen2 dan data
– Abstraksi data tingkat lebih tinggi Abstraksi data tingkat lebih tinggi • Mis. Teknologi Semantik utk menghubungkan obyek data berdasarkan koleksi lintas kontennya utk membentuk obyek data tingkat yang lebih tinggi
ABM 13-03-13
8
Issue Riset Sains Data Intensive – Data korelasi‐silang (Cross‐correlation) • Mis. Ontologi2 utk me‐link data, domain knowledge, algoritma2, dan hasil2 eksperimen
– Koleksi Asal‐usul (Provenance) • Mis. Tools utk mengotomatisasi koleksi asal‐usul dari data mentah dan olahan, mendukung dokumentasi bidang yg diandalkan, kuantifikasi kualitas
• A Analisis Informasi untuk li i I f i k penemuan dan kepastian d k i saintifik – Teknik‐teknik Aggregasi • Mis. Representasi tingkat lebih tinggi (domain‐driven) yang memungkinkan menelusuri ke data mentah
ABM 13-03-13
9
Issue Riset Sains Data Intensive – Propagasi dan kuantifikasi ketidakpastian • Mis. Metode untuk mendukung penangkapan (capture) pengetahuan, kolaborasi jarak jauh, berbagi dan penggunaan k b li kembali
– Teknik Pendekatan (Approximation techniques) • Mis. Algoritna progressif untuk menghasilkan hasil kasar dengan cepat dan memperbaiki dari waktu ke waktu.
– Metafora dan interaksi visual Metafora dan interaksi is al • Mis. Metafora Visual temporal‐invariant dan skala‐toleran baru. Representasi visual dari ketidakpastian Representasi visual dari ketidakpastian
– Keterlibatan interaktif (HCI) • Mis Mis. Interaktif antarmuka dan perangkat interaktif yang Interaktif antarmuka dan perangkat interaktif yang mengurangi kesenjangan antara tampilan visual dari informasi dan kognisi manusia g ABM 13-03-13
10
Tantangan metode, model, arsitektur data intensive data‐intensive Akses Terdistribusi/sistem heterogen
Ak id k (i l ) Akses tidak teratur (irregular)
Map Jalan Tol S Seamless scalability l l bilit
ABM 13-03-13
11
Major Computing Technology Trends
ABM 13-03-13
12
Opportunities of IoT in 3 Dimensions
ABM 13-03-13
13
Architecture of The Internet of Things Application L Layer
Merchandise T ki Tracking
Environment P t ti Protection
Intelligent S Search h
Tele‐ medicine di i
Intelligent T ffi Traffic
Smart H Home
Cloud Computing Platform Network y Layer
Sensing S i Layer
Mobile Telecom Network
The Internet
Information N Network k
RFID
Sensor et o Network
GPS
RFID Label
Sensor Nodes
Road Mapper
ABM 13-03-13
14
Clouds and Internet of Things g HPC: High HighPerformance Computing p g
HTC: HighThroughput Computing
P2P: Peer to Peer
MPP: Massively y Parallel Source: K. Hwang, G. Fox, and J. Dongarra, Distributed and Cloud Computing, Morgan Kaufmann, 2012. ABM 13-03-13
Processors 15
Computing Level Trend p g Macro Level
I 20 30 In 20 ‐30 years Transform T f
1970 ‐80 Parallel and Parallel and Distributed Computing ( l d (cluster and Grid Computing)
Micro Level
Quantum Computing
2006‐2009 Cloud g Computing
•Atomic •Atomic Level Computing •Use nature U Phenomena: Quantum mechanics
Scientific Discovery: 1980 ‐ 90 Network and Internet Internet Computing
1998 Data-Intensive p g Computing
• • • • ABM 13-03-13
Experiments/Observation (2000 Experiments/Observation (2000 year ago) Theory (15th ‐16th Century) Computational Science (1930) Data‐Intensive Science/e‐Science (1998) 16
ABM 13-03-13
17
