Tag Archives: IT

Labs247: BigData for Bioinformatics

Apa itu Bioinformatics?

Bioinformatics adalah ilmu yang mempelajari atau penerapan tehnik komputasional untuk mengelola dan menganalisis informasi biologis. Bidang ini mencakup penerapan metode-metode matematika, statistika, dan informatika untuk memecahkan masalah-masalah biologis, terutama dengan menggunakan sekuens DNA dan asam amino serta informasi yang berkaitan dengannya. Contoh topik utama bidang ini meliputi basis data untuk mengelola informasi biologis. penyejajaran sekuens (sequence alignment), prediksi struktur untuk meramalkan bentuk struktur protein maupun struktur sekunder RNA, analisis filogenetik, dan analisis ekspresi gen.

Singkatnya, penggabungan gen atau sel tidak lagi dilakukan secara manual melainkan bisa dilakukan secara digital.

Forum Riset Life Science Nasional

Rabu – Kamis, 24-25 Agustus 2016, Labs247 dari PT. Dua Empat Tujuh mengirim beberapa perwakilan yaitu Bpk. Solechoel Arifin, Bagus Rully Muttaqien dan Gaidha N. Annisa untuk mengikuti IT Showcase Forum Riset Life Science 

Nasional 2016  atau biasa disebut FRLN2016 di Sheraton Grand Jakarta Gandaria City, Jalan Sultan Iskandar Muda, Jakarta Selatan, bertajuk “Tantanngan Menuju Kemandirian Riset Nasional” yang diselenggarakan oleh Kementrian Riset Teknologi dan Pendidikan Tinggi Republik Indonesia, Kementrian Kesehatan, Biofarma dan HAKTEKNAS.

BIG DATA FOR BIOINFORMATICS

Munculnya data set besar dalam pengaturan klinis menyajikan tantangan dan peluang dalam penyimpanan data dan analisis. Hal ini disebut dengan “Big Data”. Kemajuan teknologi informasi dan komunikasi menyajikan solusi yang paling layak untuk analisis big data dalam hal efisiensi dan skalabilitas.

Kerangka pemrograman MapReduce menggunakan dua tugas umum dalam pemrograman fungsional, Map dan Reduce. MapReduce adalah kerangka pemrosesan parallel baru dan hadoop adalah implementasi open-source pada node komputasi tunggal atau cluster. Penggunaan MapReduce dan Hadoop memiliki keuntungan antara lain;

  1. Penyimpanan toleran sehingga pengolahan data yang dapat diandalkan dengan mereplikasi tugas komputasi dan cloning potongan data yang berbeda komputasi node di cluster komputasi.
  2. Pengolahan data high-throughput dan Hadoop Distributed File System (HDFS). Data disimpan dalam HDFS dan dibuat tersedia di slave node dan digunakan untuk perhitungan.

Contoh singkatnya adalah jika dulu dalam penggabungan gen atau sel harus dilakukan di super computer yang ukurannya sangat besar dan dengan harga yang tinggi (high-cost), hal itu tidak diperlukan lagi di era ini.

Saat ini kita memiliki teknologi big data. Jadi, proses penggabungan gen atau sel itu bisa dilakukan secara digital di atas big data dan tentunya low-cost. Proses pengolahan data ini memerlukan tools yang disebut Hadoop. Labs247 (Solusi247) sendiri memiliki teknologi tersebut yang dinamakan Hadoop Grid (HGrid247)

Contoh lain adalah, “Jika ada suatu penyakit baru yang belum diketahui, dengan teknologi big data ini, kita dapat langsung mengidentifikasi dengan cara mencocokan gejala-gejala penyakit tersebut dengan data-data yang sudah tersedia di bank data." Ujar Pak Arifin.

Big Data Membantu NYPD Menangani Kejahatan Dengan Lebih Cepat

Pada tanggal 4 Desember 2015, petugas NYPD di kantor polisi 73 New York menerima peringatan pada ponsel mereka dari sistem baru mereka, Shot-spotter : Delapan tembakan telah dilepaskan di dekat 409 Saratoga Avenue di kawasan Bedford-Stuyvesant, Brooklyn.

Kejadian selanjutnya menunjukkan seberapa jauh teknologi dapat berperan dalam membantu tugas polisi.

Polisi menemukan selongsong peluru di atap gedung, kemudian dengan menggunakan ponsel mereka, mengetahui ada sebuah surat perintah penangkapan yang belum dieksekusi untuk seorang wanita di gedung tersebut. Mereka kemudian mendapat surat perintah penggeledahan untuk apartement wanita tersebut melalui ponsel mereka, di mana mereka menemukan dua senjata, dan menangkap tiga orang tersangka.

Para petugas NYPD berhasil melaksanakan tugasnya dengan cepat berkat bantuan sistem kesadaran situasional / Situational Awareness System, yang disebut dengan DAS (Domain Awareness System).

Ide mengenai kesadaran situasional atau situational awareness ini bukanlah sesuatu yang baru. Setiap individu maupun organisasi idealnya dapat menyesuaikan perilaku dan tindakan mereka dengan situasi yang ada. Dan seiring dengan perkembangan teknologi sensor dan sinyal, semakin besar kebutuhan untuk dapat mengumpulkan data dari dunia luar ke dalam sebuah sistem untuk melakukan monitoring dan analisis. Mengetahui apa yang terjadi di domain yang relevan di dunia luar merupakan sesuatu yang penting dan semakin menjadi kebutuhan banyak pihak.

Salah satu pihak yang tampaknya paling berkepentingan terhadap hal ini adalah organisasi di sektor publik. Kepolisian New York (NYPD), pemerintah kota Chicago, dan juga sebuah grup yang terdiri dari instansi-instansi pemerintah di Kanada adalah beberapa pihak yang telah mengembangkan dan memanfaatkan sistem kesadaran situasional. Salah satu hal yang dipelajari dari pengalaman mereka membangun sistem SA adalah, semakin terarah target sistemnya, semakin baik hasilnya.

MASAS, atau Multi-Agency Situational Awareness System, yang dikelola oleh Canadian Public Safety Operations Organizations (CanOps), dimaksudkan untuk memonitor dan menampilkan informasi yang relevan dengan keamanan publik. MASAS mencakup informasi mengenai kebakaran, gempa bumi, cuaca buruk, masalah lalulintas, kerusakan jalan, kerumunan massa, lokasi dan status shelter, perbatasan, dan lain sebagainya.

Cakupan luas dari MASAS ini sebetulnya bertujuan baik, namun hal ini sepertinya membatasi value dari sistemnya sendiri. Misalnya seperti disebutkan pada website mereka, karena instansi-instansi enggan untuk berbagi informasi sensitif dengan instansi lain, maka informasi yang di-share adalah informasi yang tidak sensitif (yang akhirnya juga tidak terlalu bermanfaat).

Chicago termasuk kota pertama yang mengadopsi sistem SA pada tahun 2012. Sistem yang dinamakan WindyGrid ini adalah sistem informasi geografis yang menyajikan gambaran terpadu dari pengoperasian kota di atas peta Chicago, yang memberikan akses ke seluruh data spasial kota, baik secara historikal maupun real time.

WindyGrid mencakup informasi mengenai layanan panggilan 911 dan 311, lokasi aset transit dan mobile, status bangunan, tweets berdasarkan lokasi geografis, dan lain sebagainya. Sistem ini hanya berfokus pada data spasial, sehingga cakupannya lebih sempit daripada sistem di Kanada. Sebenarnya yang lebih dibutuhkan oleh Chicago adalah sistem yang berfokus pada penangangan kejahatan. Karena WindyGrid dibangun atas prakarsa CIO kota Chicago, maka sistem ini cenderung didasari oleh kebutuhan efisiensi informasi dibandingkan prioritas strategis.

Pencegahan kejahatan dan terorisme menjadi prioritas dari sistem DAS yang dimiliki NYPD. Sistem ini pada awalnya dikembangkan oleh biro kontraterorisme, dan saat ini digunakan secara luas dalam tugas harian kepolisian. DAS mengumpulkan dan menganalisa data dari berbagai sensor -termasuk 9000 kamera CCTV, 500 kamera pembaca plat nomor, 600 sensor radiasi dan kimia, dan jaringan detektor untuk mendeteksi suara tembakan yang menjangkau 24 mil persegi, dan 54 juta panggilan ke 911 dari masyarakat. Sistem ini juga dapat menarik data dari arsip kejahatan NYPD, termasuk 100 juta surat pemanggilan.

Project DAS dimulai pada tahun 2008 dan terus dikembangkan hingga saat ini. Pada tahun 2010 ditambahkan fungsi analytics, dan pada 2011 ditambahkan kemampuan pengenalan pola. Pada tahun 2014 mulai dikembangkan fungsi “predictive policing” , dan pada tahun 2015 petugas kepolisian dapat memperoleh informasi 911 secara real-time.

Antarmuka utama dengan sistem adalah smartphone, yang saat ini digunakan oleh 35.000 anggota NYPD. Lebih dari 10.000 polisi menggunakan DAS setiap harinya. Sistem ini disebut sebagai ‘keajaiban teknologi’, yang lahir dari kepemimpinan dan prioritas yang kuat.

Terfokusnya SA yang dimiliki NYPD merupakan kunci kesuksesan sistem ini. Tingkat kejahatan di kota New York semakin menurun (saat ini di bawah rata-rata nasional US), dan tingkat penyelesaian kasus pembunuhan meningkat. Tentunya banyak faktor yang menjadi penyebabnya, termasuk di antaranya penggunaan DAS ini, namun salah satu yang paling penting adalah budaya kepolisian yang mengedepankan bukti (evidenced based policing) yang menjadi karakteristik NYPD.

Dari beberapa pengalaman penerapan sistem berbasis kesadaran situasional ini terlihat jelas nilai strategis dari penerapan sebuah sistem berbasis kesadaran situasional. Teknologi yang ada saat ini sangat memungkinkan untuk mengetahui apa yang terjadi di luar, yang mungkin mempengaruhi kesuksesan sebuah organisasi atau perusahaan. Namun mengingat keluasan dan kompleksitas dunia luar itu sendiri, sebaiknya sistem SA dibangun dengan fokus yang jelas, misalnya pada customer, kompetitor, atau regulator. Pada akhirnya yang dituju tentunya adalah pemahaman terhadap situasi secara menyeluruh, namun mulailah dari sesuatu yang spesifik.

Diterjemahkan dari : http://fortune.com/2016/07/17/big-data-nypd-situational-awareness/


Source : ID Big Data - Big Data Membantu NYPD Menangani Kejahatan Dengan Lebih Cepat

Twitter Open Source-kan Heron, Framework Real Time Stream Processing

Satu lagi framework yang bergabung ke dalam ekosistem Big Data Open Source. Meramaikan percaturan dalam pemrosesan Big Data, khususnya real-time streaming data processing, bulan Mei lalu Twitter mengumumkan bahwa mereka meng-open-source-kan Heron, sistem real-time stream processing yang mereka kembangkan untuk menggantikan Apache Storm.

Setelah sebelumnya mengumumkan bahwa mereka mengganti framework pemrosesan real-time streaming mereka dari Storm ke Heron, dan menerbitkan paper mengenai arsitekturnya, baru setahun kemudian publik dapat ikut menggunakan dan mengembangkannya.

Alasan Twitter mengembangkan Heron pada awalnya adalah karena beberapa kesulitan yang mereka hadapi ketika menggunakan Storm, terutama ketika sistem yang mereka deploy sudah sangat besar. Beberapa kesulitan yang dihadapi di antaranya adalah kesulitan dalam hal profiling dan reasoning mengenai Storm worker di tingkat data dan tingkat topologi, alokasi resource yang bersifat statis, tidak adanya dukungan back-pressure, dan lain sebagainya.

Mengapa saat itu Twitter tidak beralih ke Apache Spark streaming atau Apache Flink misalnya, dan justru memutuskan untuk mengembangkan sendiri sistemnya secara internal? Alasan utamanya adalah peralihan framework tersebut akan menyebabkan mereka harus menulis ulang banyak sekali code dari sistem mereka yang sudah sangat besar. Sebab, sebagai pihak yang mengembangkan Storm, Twitter adalah pengguna Apache Storm yang paling lama, jauh sebelum Storm menjadi open source.

Heron didesain sebagai sebuah sistem yang memiliki backward compatibility dengan Apache Storm. Hal ini merupakan sebuah keputusan yang strategis, bukan saja untuk Twitter sendiri, namun juga untuk pengguna yang sudah mengimplementasikan Apache Storm, mereka dapat beralih ke Heron dengan relatif mudah.

Paradigma pemrosesan Heron sangat mirip dengan Apache Storm, di mana dasarnya adalah DAG (Direct Acyclic Diagram) yang disebut topology, dengan komponennya berupa spout dan bolt.

Heron dibangun dengan perubahan mendasar dalam arsitektur streamingnya, dari sistem berbasis thread, menjadi sebuah sistem berbasis proses. Heron juga didesain untuk deployment dalam cluster dengan mengintegrasikannya dengan scheduler open source yang powerful seperti Apache Mesos, Apache Aurora, Apache REEF atau Slurm.

Banyak yang dijanjikan dengan Heron, seperti misalnya 2-5 kali efisiensi, kemudahan dan stabilitas, dan lain sebagainya. Salah satu kelebihan utama Heron adalah sudah dibuktikan dalam skala yang besar di Twitter sendiri, dan kompatibilitasnya dengan Storm sebagai framework yang sudah banyak diimplementasi sebelumnya. Namun apakah masyarakat Big Data akan dengan serta merta mengadopsinya sebagai framework pilihan mereka, masih harus kita lihat bagaimana perkembangannya ke depan. Karena saat ini banyak sekali framework open source untuk pemrosesan streaming yang ada dan berkompetisi untuk menjadi yang terdepan, seperti misalnya Apache Spark, Apache Flink, Apache Samza, Apache Apex, atau bahkan Apache Storm sendiri yang juga telah me-release versi 1.0 dengan banyak perubahan dan perbaikan.

Baca juga : APACHE STORM 1.0 PENINGKATAN PERFORMA DAN SARAT FITUR BARU


Source : ID Big Data

Solusi247 Berpartisipasi Dalam Event IT FEST UAI 2016

Himpunan Mahasiswa Teknik Informasi  Universitas Al Azhar Indonesia (HMIF UAI) mengadakan IT Fest 2016  dengan tema “FUTURE (Fantastic and Unpredictable Technology for Humans Future Life)”. Acara yang diadakan selama empat hari (Senin 25/04/16sampai  Kamis 28/04/16) merupakan wujud kepedulian nyata dari HMIF UAI dalam memberikan wawasan tentang perkembangan informasi Teknologi untuk Manusia di masa akan datang.

uai2

IT FES UAI 2016 diselenggarakan di Universitas Al-Azhar Indonesia, Komplek Masjid Agung Al-Azhar,Jl. Singsing

amangaraja , Kebayoran Baru, Jakarta Selatan. Acara ini berisi acara seminar, workshop, perlombaan dan bazaar yang di buka untuk umum. IT Fest 2016 ini juga mengundang para wirausahwan muda untuk ikut meramaikan stand bazaar yang diadakan di lobby UAI. Solusi247 menjadi salah satu sponsor dalam penyelenggaraan event ini.

uai6

Seminar di IT FEST UAI 2016 yang berlangsung selama 2 hari pada tanggal 27-28 April 2016 tersebut diisi oleh pembicara-pembicara profesional seperti:

(Day 1) Rabu, 27 April 2016
1. Overlocking Team dengan topik “Update Technology“.
2. Arief (Kaspersky Indonesia) dengan topik “PC & Internet Security“.

(Day 2) Kamis, 28 April 2016
3. Beno Kunto Pradekso (CEO of Solusi 247) dengan topik “The Future of Big Data on Cloud Technology“.
4. Yasser Hadiputra (CEO of CISO Magazine) dengan topik “Importance of Information Security in Bussiness“.

uai7

Disamping para pembicara yang berkompeten dibidangnya masing-masing, hadir pula Rektor Bapak Dr. Ir. Ahmad H. Lubis, M.Sc., Wakil Rektor II Bapak Dr. Ir. Ade Jamal, Ka. Program Studi Teknik Informatika UAI Ibu Ir. Winangsari Pradani, MT., Mahasiswa UAI dan para peserta lomba dari SMA & SMK.


Sumber :

IT Fest UAI 1

IT Fest UAI 2