🤖 Autonomous Information Systems & Edge Intelligence

S1 Sistem Informatika - FSTT ISTN Jakarta | Semester Ganjil 2025/2026

📝 Kisi-Kisi Ujian Tengah Semester (UTS)

Mata Kuliah: Autonomous Information Systems & Edge Intelligence

Cakupan Materi: Materi 1 s/d Materi 7

⚠️ Informasi Penting

  • Format Ujian: Kombinasi Pilihan Ganda, Essay, dan Studi Kasus
  • Durasi: 90-120 menit
  • Sifat: Open Book (boleh buka catatan/materi)
  • Fokus: Pemahaman konsep, analisis kasus, dan implementasi sederhana

📚 Rangkuman Materi UTS

📖 Materi 1: Pengantar Sistem Otonom dan Kecerdasan Digital

Konsep Kunci:

  • Sistem Otonom: Sistem yang dapat mengambil keputusan dan melakukan tindakan secara otomatis tanpa instruksi manual terus-menerus
  • Komponen Utama:
    • Data Collection: Mengumpulkan data dari user dan lingkungan
    • Processing & Analysis: Mengolah data jadi insight
    • Decision Making: Tentukan aksi berdasarkan rules/algoritma
    • Automation: Jalankan aksi secara otomatis
    • Feedback Loop: Evaluasi hasil dan improve sistem
  • Contoh Aplikasi: Instagram (friend suggestion), Netflix (rekomendasi film), Shopee (rekomendasi produk), Google Maps (rute otomatis)
  • Perbedaan Sistem Manual vs Otonom: Manual butuh intervensi terus, Otonom adaptif dan belajar dari data

Yang Perlu Dikuasai:

  • Definisi dan karakteristik sistem otonom
  • 5 komponen utama sistem otonom
  • Contoh aplikasi nyata dalam kehidupan sehari-hari

📊 Materi 2: Data dan Konteks dalam Pengambilan Keputusan

Konsep Kunci:

  • Jenis Data:
    • Structured Data: Data terorganisir (database, spreadsheet)
    • Unstructured Data: Teks bebas, gambar, video
    • Real-time Data: Data yang terus update (sensor, GPS)
  • Pentingnya Konteks: Data tanpa konteks bisa misleading. Contoh: "Suhu 30°C" → di Jakarta panas, di gurun biasa
  • Proses Pengambilan Keputusan:
    1. Kumpulkan data relevan
    2. Identifikasi konteks situasi
    3. Analisis data dengan mempertimbangkan konteks
    4. Tentukan aksi terbaik
    5. Eksekusi dan evaluasi

Yang Perlu Dikuasai:

  • Perbedaan jenis-jenis data
  • Pentingnya konteks dalam pengambilan keputusan
  • Contoh kasus dimana konteks mengubah interpretasi data

🏗️ Materi 3: Desain Arsitektur Sistem Cerdas (Edge-Cloud-User)

Konsep Kunci:

  • 3 Layer Arsitektur:
    • User Layer: Interface tempat user berinteraksi (web, mobile app)
    • Edge Layer: Pemrosesan cepat di dekat user (caching, filtering, real-time response)
    • Cloud Layer: Pemrosesan berat, storage besar, training model AI
  • Mengapa Perlu 3 Layer?
    • Latency: Edge lebih cepat (tidak perlu ke cloud)
    • Bandwidth: Hemat bandwidth dengan pre-processing di edge
    • Scalability: Cloud handle beban berat, edge handle request banyak
  • Pembagian Tugas:
    • Edge: Cache popular items, filter spam, handle simple queries
    • Cloud: Training model, big data analytics, complex computation

Yang Perlu Dikuasai:

  • Fungsi dan peran masing-masing layer
  • Kapan gunakan edge vs cloud
  • Contoh implementasi arsitektur 3 layer

⚙️ Materi 4: Konsep Rule-Based Automation

Konsep Kunci:

  • Rule-Based System: Sistem yang mengambil keputusan berdasarkan aturan eksplisit format IF-THEN
  • Struktur Rule: 
    IF (kondisi) THEN (aksi)
IF (kondisi1 AND kondisi2) THEN (aksi)
IF (kondisi1 OR kondisi2) THEN (aksi)
  • Contoh Implementasi:
    • E-commerce: IF (total_belanja > 500000) THEN (gratis_ongkir)
    • Email: IF (email.contains("urgent")) THEN (masuk_inbox_priority)
    • Smart Home: IF (suhu > 28) AND (jam > 18:00) THEN (nyalakan_AC)
  • Kelebihan: Sederhana, transparan, mudah di-debug, predictable
  • Kekurangan: Tidak fleksibel, tidak belajar dari data, tidak handle kasus kompleks

Yang Perlu Dikuasai:

  • Cara menulis rule IF-THEN-ELSE
  • Kapan rule-based cocok digunakan
  • Perbedaan rule-based vs machine learning

👥 Materi 5: Analisis Perilaku Pengguna dan Personalisasi

Konsep Kunci:

  • Personalisasi: Menyesuaikan layanan untuk setiap individu berdasarkan perilaku dan preferensi
  • Jenis Data:
    • Eksplisit: Diberikan langsung (rating, profil, survey)
    • Implisit: Dikumpulkan otomatis (klik, beli, cari, durasi view)
  • Segmentasi Pengguna:
    • Demografis: Umur, lokasi, gender, pekerjaan
    • Behavioral: Active user, casual user, power shopper
    • Preferensi: Fashion enthusiast, tech savvy, foodie
  • Strategi Personalisasi:
    • Konten: Homepage berbeda per user
    • Rekomendasi: "Recommended for You"
    • Timing: Push notification di waktu optimal
    • Interface: Dark mode otomatis malam hari

Yang Perlu Dikuasai:

  • Perbedaan data eksplisit vs implisit
  • Teknik segmentasi pengguna
  • Contoh strategi personalisasi
  • Metrik evaluasi (CTR, conversion rate, retention)

🎯 Materi 6: Sistem Rekomendasi - Dasar dan Algoritma

Konsep Kunci:

  • Content-Based Filtering:
    • Prinsip: Rekomendasikan item mirip dengan yang user suka
    • Cara: Analisis atribut item → buat user profile → hitung similarity
    • Kelebihan: Tidak perlu data user lain, bisa rekomendasikan item baru
    • Kekurangan: Over-specialization, limited discovery
  • Collaborative Filtering:
    • Prinsip: Rekomendasikan berdasarkan user lain yang serupa
    • User-Based: Cari user serupa, rekomendasikan item yang mereka suka
    • Item-Based: Cari item yang sering dibeli bersamaan
    • Kelebihan: Serendipity, tidak perlu analisis konten
    • Kekurangan: Cold start, sparsity, popularity bias
  • Hybrid System:
    • Kombinasi Content-Based + Collaborative
    • Weighted, Switching, atau Cascade
    • Dipakai platform besar (Netflix, Amazon, Spotify)

Yang Perlu Dikuasai:

  • Perbedaan 3 pendekatan sistem rekomendasi
  • Kelebihan dan kekurangan masing-masing
  • Kapan pakai Content-Based vs Collaborative
  • Metrik evaluasi (Precision, Recall, RMSE)

🤝 Materi 7: Analisis Kasus - Friend Suggestion System

Konsep Kunci:

  • Graph Representation:
    • Node: User
    • Edge: Pertemanan
  • Mutual Friends Algorithm:
    1. Cari Friends of Friends (FoF) yang belum berteman
    2. Hitung jumlah mutual friends untuk setiap kandidat
    3. Ranking berdasarkan score tertinggi
    4. Rekomendasikan top N candidates
  • Scoring Formula: Score = Jumlah Mutual Friends (bisa ditambah faktor lain: location, interests, groups)
  • Optimasi: Pre-computation, caching, indexing, batasi hop distance
  • Privacy: Transparansi, user control, jangan terlalu creepy

Yang Perlu Dikuasai:

  • Cara kerja algoritma mutual friends
  • Implementasi sederhana dengan code
  • Strategi optimasi untuk skala besar
  • Pertimbangan privacy & ethics

🎯 Tipe-Tipe Soal yang Mungkin Keluar

1. Soal Konseptual (Pilihan Ganda/Essay)

Contoh:

  • "Jelaskan perbedaan antara data eksplisit dan data implisit dalam sistem personalisasi. Berikan masing-masing 2 contoh!"
  • "Apa perbedaan utama antara Content-Based Filtering dan Collaborative Filtering?"
  • "Sebutkan dan jelaskan 3 komponen utama dalam arsitektur Edge-Cloud-User!"

2. Soal Analisis Kasus

Contoh:

"Anda diminta merancang sistem rekomendasi untuk platform streaming musik baru. Platform ini memiliki:

  • 100,000 lagu
  • 50,000 user (kebanyakan user baru)
  • Data: genre, artis, tahun rilis, durasi lagu

Pertanyaan:

  1. Metode rekomendasi apa yang paling cocok? Jelaskan alasannya!
  2. Bagaimana mengatasi cold start problem untuk user baru?
  3. Metrik apa yang Anda gunakan untuk evaluasi sistem?

3. Soal Implementasi/Pseudocode

Contoh:

"Buatlah pseudocode atau flowchart untuk rule-based automation berikut:

  • Jika user belanja > Rp 500.000 → gratis ongkir
  • Jika user member premium → diskon 10%
  • Jika user belanja di hari ulang tahun → dapat voucher Rp 50.000

4. Soal Perhitungan

Contoh:

"Sistem rekomendasi memberikan 10 rekomendasi ke user. User menyukai 6 dari 10 rekomendasi tersebut. Di katalog, sebenarnya ada 15 item yang user akan suka. Hitung:

  • Precision = ?
  • Recall = ?

💡 Tips Persiapan UTS

📌 Strategi Belajar:

  1. Pahami Konsep, Bukan Hafal: Fokus pada pemahaman logika dan cara kerja sistem
  2. Buat Ringkasan: Tulis poin-poin penting setiap materi dengan kata-kata sendiri
  3. Latihan Soal: Coba kerjakan contoh-contoh kasus di setiap materi
  4. Pahami Contoh Code: Jangan skip code example, pahami cara kerjanya
  5. Diskusi Kelompok: Bahas materi dengan teman untuk pemahaman lebih dalam

✅ Checklist Persiapan:

  • □ Pahami definisi dan karakteristik sistem otonom
  • □ Bisa bedakan data eksplisit vs implisit
  • □ Hafal fungsi 3 layer (Edge-Cloud-User)
  • □ Bisa buat rule IF-THEN sederhana
  • □ Pahami teknik segmentasi pengguna
  • □ Bisa jelaskan perbedaan Content-Based, Collaborative, dan Hybrid
  • □ Pahami algoritma mutual friends untuk friend suggestion
  • □ Bisa hitung metrik dasar (Precision, Recall)

📖 Referensi & Bahan Bacaan

🎓 Pesan Terakhir

UTS bukan sekadar mengukur hafalan, tapi pemahaman konsep dan kemampuan menerapkannya dalam kasus nyata. Fokus pada understanding, bukan memorizing!

Good luck! 🍀 Anda sudah belajar dengan baik, percaya diri dan kerjakan dengan tenang!

← Materi 7 Kembali ke Home

© 2025 ISTN Jakarta - Fakultas Sains Terapan dan Teknologi