Barang-Barang Yang Tidak Boleh Masuk Kabin Pesawat

Barang-Barang Yang Tidak Boleh Masuk Kabin Pesawat

Ketika masuk pesawat, ada beberapa barang yang tidak boleh masuk kabin pesawat. Solusinya barang-barang itu mesti masuk bagasi, cuma kalau sudah mepet tidak bisa ke counter check-in, maka barang-barang tersebut disita oleh pihak keamanan bandara.

Berikut ini poster daftar barang yang tidak boleh  masuk kabin. Foto diambil di Bandara Husein Sastranegara Bandung..

Dilarang! Forbidden

Daftarnya:

• Bahan-bahan pengoksidasi / Oxidising material 
• Kemasan kaleng bertekanan / pressure pack cans
• Bahan-bahan beradioaktif / Radioactive materials
• Cairan yang menimbulkan api / flammable liquids
• Racun dan substansi penular / Poisons and infectious substances
• Peledak dan senjata api /  Explosives and firearms
• Bahan perusak / corrosives
• Benda yang menimbulkan api / flammable solids
• Bahan-bahan yang membahayakan / miscellaneous dangerous goods
• Gas-gas terkompresi / compressed gases
• Mercon petasan/ fireworks 

Berikut ini foto barang-barang yang disita oleh Bandara Husein Sastranegara Bandung.

Barang-barang yang disita antara lain:

• gunting
• tongsis
• penggaris besi
• silet
• garpu
• korek api
• mata gergaji
• mata bor

Nah kalau tongsis itu masuk mana ya? apakah miscellaneous dangerous goods?

Beberapa Airlines yang secara explisit melarang benda tumpul:

• Air asia melarang benda tumpul https://www.airasia.com/id/id/baggage-info/dangerous-goods.page 
• http://www.airfrance.us/US/en/common/guidevoyageur/pratique/produits-interdits-et-reglementes-airfrance.htm
• KLM https://www.klm.com/travel/id_id/prepare_for_travel/baggage/restricted_article/index.htm#p10 

Merancang Workstation Untuk Machine Learning

Berikut ini corat-coret rancangan sebuah workstation untuk melakukan perhitungan machine learning yang 'proper'. Sekedar untuk tahu saja, berapa ongkos yang mesti dikeluarkan kalau mau melakukan penelitian Deep Learning secara serius.

Idealnya untuk komputasi deep learning enaknya menggunakan GPU terbaik sekencang mungkin, dan sebanyak mungkin. Solusinya antara lain adalah DGX-1 seharga USD 129000,- buatan Nvidia berikut ini.

Jika mau agak membumi, bisa pakai komputer buatan Brutalis yang dapat diisi 8 card GPU, dengan harga USD 21169

sumber: https://twitter.com/jmgosney/status/858397478030364673

Namun pada tulisan ini saya ingin mencoba membuat rancangan workstation dengan menggunakan komponen yang dijual di toko komputer online di Indonesia.


Kebutuhan/ Requirement:

• Multi GPU, kalau bisa sebanyak mungkin GPU dalam 1 workstation. Setiap GPU juga mesti mendapat kanal PCIe yang cukup, minimal 8 lane, kalau bisa 16. Jadi tidak bisa pakai mainboard yang hanya punya beberapa kanal PCIe 1x
• GPU pakai yang paling cepat saat ini: GTX 1080 Ti. GPU ini ukurannya besar, sehingga memakan 2 slot PCI yang bersebelahan. Titan X memorinya lebih besar, namun harganya beda jauh dengan GTX 1080 Ti. Vendor GPU bisa mana saja, tapi kalau bisa cari yang clocknya paling tinggi dan kipasnya banyak / kuat.
• CPU mesti support banyak PCI lane. Kecepatan CPU kadang-kadang berpengaruh, karena dalam beberapa aplikasi walaupun komputasi banyak di GPU, namun transfer data dan pengolahan data masih menggunakan CPU.
• RAM : ada yang menyarankan RAM 2x memori GPU. Jadi sekitar 11 GB x 4 x 2 = 88 GB. Angka ini mungkin tidak praktis, karena mainboard 'biasa' hanya sampai 64 GB. 
• HDD: menggunakan SSD untuk menampung data machine learning, dan HDD magnetic untuk menyimpan data lain yang tidak terlalu kritis
• Power supply mesti cukup untuk mainboard + 4 GPU
• Komponen tersedia di toko online Indonesia, tidak usah impor khusus

Kandidat:

• Mainboard dengan socket LGA 2011-v3 supaya mendukung banyak PCI lanes (40) . Kandidat: ASUS X99E WS https://www.asus.com/Motherboards/X99E_WS/ posisi PCIe socket sudah dirancang untuk 4 GPU.
• Prosesor i7-4820K https://ark.intel.com/products/77781/Intel-Core-i7-4820K-Processor-10M-Cache-up-to-3_90-GHz
• Power Supply  : TDP CPU sekitar 130 W, setiap GPU perlu 180 W, total 850 W. Untuk amannya pakai power supply 1200 W -> ini PSU dengan ukuran terbesar yang dijual online.
• RAM: pakai 8GB x 8 keping, merek apa saja
• SSD: 1 TB, mengingat kebanyakan dataset ukurannya tidak sampai 1 TB
• HDD: 8 TB, mengingat ini ukuran HDD terbesar yang dijual di pasaran
• Casing: pakai apa saja
• Perhitungan belum termasuk aksesoris seperti monitor, keyboard, mouse, UPS, sistem operasi dan sebagainya

Mainboard ASUS X99E WS

Update 2018

• di tahun 2018 socket LGA2011-v3 sudah ada penerusnya, yaitu LGA2066 dengan PCIe lanes sebanyak 44 (Core i9) atau 48 (Xeon).
• Mainboard dengan socket LGA2066 di antaranya Asus X299 SAGE
• Prosesor yang cocok di antaranya Intel Core i9-7900X

Mainboard ASUS WS X299 SAGE

GPU GTX 1080 Ti papan atas, harganya juga premium (sekitar Rp 14 juta):

Asus GTX 1080 Ti

Berikut ini GPU GTX 1080 Ti yang harganya sedikit lebih murah dibandingkan keluaran Asus (sekitar Rp 12 juta):

Zotac GTX 1080 Ti

Power Supply 1200 watt

Perhitungan Biaya

Item	Type	Qty	Price	Subtotal
Mainboard	Asus X99-E WS	1	8870000	8870000
CPU	i7 -5930K	1	8400000	8400000
GPU	GTX 1080 Ti	4	14000000	56000000
PSU	Cooler Master Vanguard 1200W	1	4040000	4040000
RAM	8GB	8	900000	7200000
SSD	1 TB	1	4000000	4000000
HDD	8 TB	1	5000000	5000000
Casing		1	1500000	1500000
TOTAL				95010000

Referensi

• http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/
• https://www.analyticsvidhya.com/blog/2016/11/building-a-machine-learning-deep-learning-workstation-for-under-5000/
• https://developer.nvidia.com/devbox
• https://pcpartpicker.com/user/badmephisto/saved/#view=mM3J7P
• http://graphific.github.io/posts/building-a-deep-learning-dream-machine/
• https://www.oreilly.com/learning/build-a-super-fast-deep-learning-machine-for-under-1000
• https://www.zotac.com/id/product/graphics_card/zotac-geforce-gtx-1080-ti-amp-extreme
• https://www.asus.com/us/Graphics-Cards/ROG-STRIX-GTX1080TI-O11G-GAMING/ 
• http://www.coolermaster.com/powersupply/enthusiast-v-series/v1200/
• https://sagitta.pw/hardware/gpu-compute-nodes/brutalis/ 

Kompetisi Machine Learning Online April 2017

Berikut ini beberapa kompetisi machine learning yang aktif pada April 2017:

• Safe Passage: Detecting and Classifying Vehicles in Aerial Imagery; di datasciencechallenge pertengahan Mei 2017
• Growing Instability: Classifying Crisis Reports; di datasciencechallenge.org  ; deadline pertengahan Mei 2017
• Identifying Themes from Mobile Case Images di Crowdanalytix Jenis: Image Classification ; deadline 27 Mei 2017
• Google Cloud & YouTube-8M Video Understanding Challenge di Kaggle ; deadline  2 Juni 2017
• Quora Question Pairs di Kaggle.com ; deadline 6 Juni 2017
• Random Walk of the Penguins, di drivendata.org ; deadline 27 Juni 2017
• NOAA Fisheries Steller Sea Lion Population Count di Kaggle.com ; deadline 27 Juni 2017
• Planet: Understanding the Amazon from Space di Kaggle.com deadline  20 Juli 201
•  

Mencoba scikit-learn terbaru

Python di komputer saya diinstall dengan  Anaconda 4.3.1, dengan versi Python 3.6. Namun scikit-learn bawaaannya masih versi lama, jadi mesti install dulu scikit-learn terbaru. Lumayan juga mesti download sebanyak 151 MB.

Microsoft Windows [Version 6.1.7601]
Copyright (c) 2009 Microsoft Corporation.  All rights reserved.

C:\Windows\system32>pip install seaborn
Collecting seaborn
Installing collected packages: seaborn
Successfully installed seaborn-0.7.1

C:\Windows\system32>conda install scikit-learn
Fetching package metadata ...........
Solving package specifications: ..........

Package plan for installation in environment C:\Program Files\Anaconda3:

The following packages will be downloaded:

    package                    |            build
    ---------------------------|-----------------
    conda-env-2.6.0            |                0          498 B  defaults
    mkl-2017.0.1               |                0       128.8 MB  defaults
    numpy-1.12.1               |           py35_0         3.5 MB  defaults
    requests-2.13.0            |           py35_0         823 KB  defaults
    numexpr-2.6.2              |      np112py35_0         125 KB  defaults
    scipy-0.19.0               |      np112py35_0        12.8 MB  defaults
    scikit-learn-0.18.1        |      np112py35_1         4.5 MB  defaults
    pyopenssl-16.2.0           |           py35_0          70 KB  defaults
    conda-4.3.16               |           py35_0         553 KB  defaults
    ------------------------------------------------------------
                                           Total:       151.1 MB

The following NEW packages will be INSTALLED:

    conda-env:    2.6.0-0            defaults

The following packages will be UPDATED:

    conda:        4.2.9-py35_0       defaults --> 4.3.16-py35_0      defaults
    mkl:          11.3.3-1           defaults --> 2017.0.1-0         defaults
    numexpr:      2.6.1-np111py35_0  defaults --> 2.6.2-np112py35_0  defaults
    numpy:        1.11.1-py35_1      defaults --> 1.12.1-py35_0      defaults
    pyopenssl:    16.0.0-py35_0      defaults --> 16.2.0-py35_0      defaults
    requests:     2.11.1-py35_0      defaults --> 2.13.0-py35_0      defaults
    scikit-learn: 0.17.1-np111py35_1 defaults --> 0.18.1-np112py35_1 defaults
    scipy:        0.18.1-np111py35_0 defaults --> 0.19.0-np112py35_0 defaults

Proceed ([y]/n)? y

Fetching packages ...
conda-env-2.6. 100% |###############################| Time: 0:00:00 165.99 kB/s
mkl-2017.0.1-0   0% |                               | Time: 0:00:00   1.14 MB/s

Referensi

• http://bugra.github.io/work/notes/2014-11-22/an-introduction-to-supervised-learning-scikit-learn/
• http://scikit-learn.org/stable/modules/neural_networks_supervised.html
• A Beginner’s Guide to Neural Networks with Python and SciKit Learn 0.18! http://www.kdnuggets.com/2016/10/beginners-guide-neural-networks-python-scikit-learn.html

Berbagai Produk Dengan Nama Tesla

Nikola Tesla, orang yang menjadi inspirasi teknologi Tesla:

Nikola Tesla

Ref: https://en.wikipedia.org/wiki/Nikola_Tesla

 
Tesla coil sungguhan:

Berikut ini berbagai benda yang menggunakan nama Tesla

Tesla Reactor (Red Alert 2)
http://cnc.wikia.com/wiki/Tesla_Reactor

Tesla Coil (Red Alert 1)
http://cnc.wikia.com/wiki/Tesla_coil_(Red_Alert_1)

Tesla Coil vs tank

Tesla Coil (Red Alert 2)
http://cnc.wikia.com/wiki/Tesla_coil_(Red_Alert_2)

Tesla Coil (Red Alert 3)
http://cnc.wikia.com/wiki/Tesla_coil_(Red_Alert_3)

Tesla Coil (Red Alert iPhone)
http://cnc.wikia.com/wiki/Tesla_coil_(Red_Alert_iPhone)

Tesla Tank (Red Alert 1)
http://cnc.wikia.com/wiki/Tesla_tank_(Red_Alert_1)

Tesla Tank (Red Alert 2)
http://cnc.wikia.com/wiki/Tesla_tank_(Red_Alert_2)

Tesla Tank (Red Alert 3)
http://cnc.wikia.com/wiki/Tesla_tank_(Red_Alert_3)

Tesla Trooper (Red Alert 2)

Tesla Trooper (Red Alert 3)
http://cnc.wikia.com/wiki/Tesla_Trooper_(Red_Alert_3)

Tesla Gun (Wolfenstein 2009)
http://wolfenstein.wikia.com/wiki/Tesla_gun_(2009)

Tesla GUn (Return to Castle Wolfenstein)
http://wolfenstein.wikia.com/wiki/Tesla_gun_(RtCW)

Tesla Tower (Clash Royale)
http://clashroyale.wikia.com/wiki/Tesla

Tesla in action:

http://clashroyaletactics.com/best-arena-4-to-6-deck/

Sparky (Clash Royale)
http://clashroyale.wikia.com/wiki/Sparky

http://www.asiastarz.com/articles/13129/20161018/clash-royale-supercell-sparky-pekka-giant-tower-tips-and-tricks.htm


Hidden Tesla (Clash of Clans)
http://clashofclans.wikia.com/wiki/Hidden_Tesla

Tesla Roadster
https://en.wikipedia.org/wiki/Tesla_Roadster

Referensi:

• http://vignette3.wikia.nocookie.net/cnc/images/6/62/Teslacoil.jpg

Momentum untuk algoritma

Tulisan dengan ilustrasi menarik  tentang momentum, khususnya pada machine learning.

http://distill.pub/2017/momentum/

Pesawat Tempur F-35 dan Internet Explorer

Apa kaitan antara pesawat tempur F-35 dan Internet Explorer?

Pesawat tempur F-35 yang dimaksud adalah yang ini:

Internet Explorer yang dimaksud adalah browser Internet Explorer di Windows:

Menurut situs warisboring, Internet Explorer dipakai untuk login ke perangkat lunak ALIS (Autonomic Logistics Information System)  yang dipakai untuk menjalankan pesawat F-35 tersebut.

It took several days for the crews to get ALIS working on the local base network. After extensive troubleshooting, IT personnel figured out they had to change several settings on Internet Explorer so ALIS users could log into the system. This included lowering security settings, which DOT&E noted with commendable understatement was “an action that may not be compatible with required cybersecurity and network protection standards.”

Yang menarik adalah bahwa software Internet Explorer tersebut harus dijalankan dengan setting keamanan yang lebih rendah dari seharusnya.

Referensi:

• https://en.wikipedia.org/wiki/File:F-35A_flight_(cropped).jpg
• https://en.wikipedia.org/wiki/Internet_Explorer_11
• http://warisboring.com/the-f-35-is-a-terrible-fighter-bomber-and-attacker-and-unfit-for-aircraft-carriers/

Perangkat ADS-B Professional

 Beberapa dokumen terkait perangkat ADS-B professional:

• Update on ADS-B Thales Perspective http://www.icao.int/APAC/Meetings/2013_ADS_B_SITF12/SP08%20-%20Thales%20Update%20on%20ADS-B%20B.pdf
• ERA: ADS-B http://www.era.aero/technology/ads-b
• Update on ADS-B Thales Perspective:  https://www.thalesgroup.com/sites/default/files/asset/document/Thales_ADS-B.pdf
• ADS-B Systems https://www.thalesgroup.com/sites/default/files/asset/document/Thales_ADS-B.pdf
• AX680 https://www.thalesgroup.com/en/ax680-ads-b-automatic-dependant-surveillance-broadcast
• Datasheet https://www.thalesgroup.com/sites/default/files/asset/document/ax680_bx680_datasheet.pdf

Langit Bandung 22 Maret 2017

Pagi-pagi sudah ada yang berputar-putar di atas Bandung

Tipe pesawat: B200GT
Ref:

• https://en.wikipedia.org/wiki/Beechcraft_Super_King_Air
• https://www.lideraviacao.com.br/en/king-air-b200gt
• https://www.globalair.com/aircraft-for-sale/Specifications?specid=1247

Hidran Warna Kuning

Hidran Warna Kuning di daerah Kabupaten Bandung Barat.
Saat ini ada 2 macam warna hidran: merah & kuning.

Pesawat di sekitar Bandung 25 Februari 2017 21:35 WIB

Pada saat ini langit di sekitar Bandung sedang bersih dari pesawat.
25 Februari 2017 21:35 WIB

Screenshot dari FlightAware dump1090

Screenshot Iterasi Deep Learning

Proses iterasi deep learning perlu waktu lama, terutama kalau sampel dataset yang digunakan banyak dan menggunakan arsitektur neural network yang kompleks.

Berikut ini screenshot proses Deep Learning image classification menggunakan Inception v3 dari Keras

795498 : jumlah gambar yang dipakai untuk iterasi
ETA: dugaan waktu sampai selesai 1 epoch dalam detik. 22800 detik = 380 menit = 6jam 20 menit
Loss: skoring, makin kecil makin baik. Ideal = 0
Acc; Akurasi, jumlah klasifikasi yang benar

Hardware:

• CPU: Intel i7 6700K
• GPU: GTX 1080

Pendaratan GIA373 di Bandung

Pendaratan GIA373 di Bandung , lebih sederhana daripada LNI903 kemarin

Perjalanan GIA373 dari Surabaya:

Riwayat GIA373: https://flightaware.com/live/flight/GIA373

Pendaratan LNI903 di Bandung

Mendarat di Bandung malam-malam dalam keadaan hujan berawan itu cukup repot, pesawat Lion Air LNI903 ini nampaknya perlu memutar beberapa kali di timur dan barat Bandung sebelum akhirnya mendarat juga.

Sumber data: situs Flightaware