UKRIMUKRIM

Infact: International Journal of ComputersInfact: International Journal of Computers

Artikel ini membahas integrasi Federated Learning (FL) ke dalam analitik big data untuk sistem transportasi cerdas berbasis Internet of Things (IoT). FL memungkinkan pelatihan model pembelajaran mesin secara terdistribusi tanpa memindahkan data sensitif ke server pusat, sehingga menjaga privasi dan mengurangi risiko kebocoran data. Tinjauan literatur menyoroti tiga studi utama: yang pertama menunjukkan peningkatan akurasi prediksi lalu lintas dengan memanfaatkan data dari berbagai sumber, termasuk kendaraan dan sensor lingkungan; yang kedua memperkenalkan arsitektur big data yang mengintegrasikan FL untuk analisis waktu nyata dan pengambilan keputusan; serta yang ketiga menekankan peran FL dalam manajemen lalu lintas berkelanjutan, mengurangi kemacetan serta emisi karbon melalui solusi berbasis data. Artikel ini mengidentifikasi kesenjangan penelitian dan menawarkan rekomendasi untuk mengoptimalkan FL dalam analitik big data, dengan tujuan meningkatkan efisiensi, keselamatan, dan keberlanjutan sistem transportasi modern.

Peninjauan ini menunjukkan bahwa Federated Learning dapat meningkatkan akurasi prediksi aliran lalu lintas, memastikan pemrosesan data yang aman dan efisien, serta berkontribusi pada tujuan keberlanjutan kota pintar.Namun, masih dibutuhkan algoritma FL yang adaptif dan skalabel, standar interoperabilitas antar platform IoT, serta mekanisme keamanan yang tahan terhadap serangan adversarial.Penelitian selanjutnya hendaknya mengembangkan kerangka FL yang lebih efisien dengan menyeimbangkan biaya komputasi dan akurasi prediksi, serta mengevaluasi implementasi FL secara nyata di berbagai lingkungan perkotaan melibatkan kolaborasi pemangku kepentingan.

Penelitian selanjutnya dapat menyelidiki bagaimana merancang algoritma Federated Learning yang adaptif untuk menangani heterogenitas data IoT secara real‑time dalam prediksi lalu lintas, sehingga meningkatkan akurasi tanpa mengorbankan privasi. Selain itu, diperlukan studi untuk mengembangkan kerangka interoperabilitas yang memungkinkan integrasi FL lintas platform transportasi multimodal, termasuk kendaraan, sensor jalan, dan perangkat seluler, dengan standar pertukaran data yang aman. Selanjutnya, penting untuk mengevaluasi mekanisme pertahanan terhadap serangan adversarial dan pencemaran model (model poisoning) pada lingkungan FL transportasi, serta mengukur dampaknya terhadap kinerja prediksi dan perlindungan data. Penelitian lain dapat menguji penerapan model FL yang telah dioptimalkan pada skala kota nyata, mengidentifikasi tantangan operasional dan manfaat ekonomi yang dihasilkan. Akhirnya, sebuah studi kolaboratif antara peneliti, pembuat kebijakan, dan industri dapat mengeksplorasi model bisnis dan kebijakan regulasi yang mendukung adopsi luas FL dalam sistem transportasi cerdas.

  1. Waste management 2.0 leveraging internet of things for an efficient and eco-friendly smart city solution... doi.org/10.1371/journal.pone.0307608Waste management 2 0 leveraging internet of things for an efficient and eco friendly smart city solution doi 10 1371 journal pone 0307608
Read online
File size207.06 KB
Pages6
DMCAReport

Related /

ads-block-test