Pengertian Wifi 6

kini standardisasi WiFi baru sudah siap difinalisasi, yaitu 802.11ax alias WiFi 6, yang disebut sebagai 'high-efficiency wireless'. Nah, apa saja sih keunggulan WiFi 6 ini dibandingkan WiFi generasi sebelumnya?

Secara teknis, WiFi 6 akan mempunyai data rate untuk pengguna tunggal yang 37% lebih kencang ketimbang WiFi 5. Namun keunggulan utamanya bukan pada aspek itu, melainkan kemampuan memberikan koneksi yang empat kali lebih stabil untuk pengguna pada area padat. Selain itu, penggunaan dayanya pun diklaim lebih efisien, yang akan meningkatkan daya tahan baterai pada perangkat.

Teknologi ini akan berguna bagi pengguna rumahan yang mempunyai banyak perangkat terkoneksi ke WiFi. Analis memperkirakan pada 2022 mendatang, setiap rumah setidaknya akan mempunyai 50 perangkat yang terkoneksi ke WiFi.

Selain itu, WiFi 6 akan sangat cocok untuk digunakan di area dengan jaringan yang sangat padat. Hal ini cocok dengan pertumbuhan perangkat pintar seperti Internet of Things yang semakin banyak.

Ada 50 fitur yang diperbarui dari WiFi 5 di WiFi 6, meski standardisasinya sendiri sampai saat ini belum difinalisasi. Beberapa pembaruan fitur tersebut antara lain adalah:

• Bandwidth keseluruhan per pengguna yang lebih besar untuk video Ultra HD dan streaming virtual reality.
• Penggunaan spektrum yang lebih lengkap. Jika tadinya hanya 2,4 GHz dan 5 GHz, kini 1 GHz dan 6 GHz pun akan digunakan.
• Spektrum tersebut kemudian akan dipecah menjadi beberapa kanal yang menghasilkan jalur komunikasi yang lebih banyak.
• Jangkauan maksimal access point akan lebih tinggi, bisa mencapai empat kali lipat lebih jauh.
• Performa lebih baik di area luar ruangan dan area yang lebih padat.
• Bisa mengalihkan lalu lintas koneksi data dari jaringan seluler jika sinyal yang diterima buruk.

WiFi 6 dipercaya mampu menyelesaikan enkoding data lebih efisien dan menghasilkan keluaran yang lebih tinggi. Dan yang utama, data dipaketkan dengan gelombang radio yang sama. Chip yang digunakan mampu mengenkode dan dekode sinyal dengan lebih baik. Standard baru ini juga mampu meningkatkan kecepatan pada jaringan 2,4GHz. Sementara, industri beranjak menggunakan 5GHz dengan enterfere yang lebih sedikit meskipun 2,4GHz tetap lebih baik saat menembus objek padat.

image: convergedigest.com

Daya Tahan Baterai Yang Lebih Panjang

Dengan kemampuan TWT (target wake time) membuat standard baru ini akan menghemat penggunaan baterai pada perangkat tujuan seperti smartphone, laptop atau perangkat lainnya. Ketika titik akses (accesst point) mencapai sebuah perangkat (smartphone misalnya), standard ini dapat memberitahukan perangkat tujuan kapan waktunya gelombang radio perangkat tersebut untuk bangun dan menerima transmisi serta kapan waktunya untuk istirahat. Sehingga penggunaan baterai menjadi lebih efisien.

Performa Terbaik di Area Padat

WiFi cenderung saling bertubrukan atau paling tidak mengalami perlambatan bila berada di area dimana perangkat WiFi sangat banyak. Misalnya stadion, airport, hotel, mall atau perkantoran yang padat perangkat dan semuanya terhubung ke perangkat WiFi. WiFi 6 yang dikenal dengan nama 802.11ax menggabungkan banyak teknologi baru yang membantunya mengatasi hal ii. Intel menyatakan bahwa WiFi 6 meningkatkan kecepatan rata-rata setiap penggunanya paling tidak 4 kali saat berada di area padat perangkat atau di kerumunan konektifitas. Tidak hanya di tempat umum tetapi juga di perumahan padat seperti apartemen misalnya.

image: howtogeek.com

Bagaimana WiFi 6 Mengatasi Kemacetan Akses

Untuk mengatasi kepadatan perangkat atau kerumunan konektifitas, WiFi 6 paling tidak memiliki beberapa trik. Pertama, WiFi 6 mampu membagi channel nirkabel (konektifitas) menjadi sejumlah subchannel yang banyak. masing-masing channel mampu membawa data tepat ke perangkat tujuan. Ini berkat teknologi OFDMA (Orthogonal Frequency Division Multiple Access).

Kedua, setiap akses WiFi dapat berbicara dengan lebih dari satu perangkat secara bersamaan. WiFi 6 juga meningkatkan kemampuan MIMO (Multiple In/Multiple Out). Dengan menambahkan sejumlah antena tambahan sehingga setiap akses jaringan mampu berbicara dengan multi perangkat secara bersamaan. Dengan WiFi 5, setiap akses jaringan dapat berbicara dengan perangkat lain secara bersamaan, namun tidak dapat menerima respon secara bersamaan. Dengan WiFi 6, kemampuan multi user MIMO (MU MIMO) lebih ditingkatkan.

image: wi-fi.org

Saat ini sudah produk router yang mengiklankan teknologi 802.11ax, namun WiFi 6 belum final. Anda tidak perlu memikirkan teknologi terbaru ini saat membeli perangkat WiFi terbaru. Soalnya jika Anda membeli router dengan kemampuan WiFi 6 sementara smartphone Anda belum mendukung WiFi 6, maka itu akan menjadi sia-sia. Jangan khawatir, konon kabarnya dalam waktu dekat perangkat terbaru sudah akan memiliki teknologi WiFi 6.

Pengertian Deep Learning

Deep Learning (Pembelajaran Dalam) atau sering dikenal dengan istilah Pembelajaran Struktural Mendalam (Deep Structured Learning) atau Pembelajaran Hierarki (Hierarchical learning) adalah salah satu cabang dari ilmu pembelajaran mesin (Machine Learning) yang terdiri algoritma pemodelan abstraksi tingkat tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang ditata berlapis-lapis dan mendalam. Teknik dan algoritma dalam Pembelaran dalam dapat digunakan baik untuk kebutuhan pembelajaran terarah (supervised learning), pembelajaran tak terarah (unsupervised learning) dan semi-terarah (semi-supervised learning) dalam berbagai aplikasi seperti pengenalan citra, pengenalan suara, klasifikasi teks, dan sebagainya[4]. Deep Learning disebut sebagai Deep (dalam) karena struktur dan jumlah jaringan saraf pada algoritmanya sangat banyak bisa mencapai hingga ratusan lapisan.

Deep Learning adalah salah satu jenis algoritma jaringan saraf tiruan yang menggunakan metadata sebagai input dan mengolahnya menggunakan sejumlah lapisan tersembunyi (hidden layer) transformasi non linier dari data masukan untuk menghitung nilai output. Algortima pada Deep Learning memiliki fitur yang unik yaitu sebuah fitur yang mampu mengekstraksi secara otomatis. Hal ini berarti algoritma yang dimilikinya secara otomatis dapat menangkap fitur yang relevan sebagai keperluan dalam pemecahan suatu masalah. Algortima semacam ini sangat penting dalam sebuah kecerdasan buatan karena mampu mengurangi beban pemrograman dalam memilih fitur yang eksplisit. Dan, algortima ini dapat digunakan untuk memecahkan permasalahan yang perlu pengawasan (supervised), tanpa pengawasan (unsupervised), dan semi terawasi (semi supervised).

Dalam jaringan saraf tiruan tipe Deep Learning setiap lapisan tersembunyi bertanggung jawab untuk melatih serangkaian fitur unik berdasarkan output dari jaringan sebelumnya. Algortima ini akan menjadi semakin komplek dan bersifat abstrak ketika jumlah lapisan tersembunyi (hidden layer) semakin bertambah banyak. Jaringan saraf yang dimiliki oleh Deep Learning terbentuk dari hirarki sederhana dengan beberapa lapisan hingga tingkat tinggi atau banyak lapisan (multi layer). Berdasarkan hal itulah Deep Learning dapat digunakan untuk memecahkan masalah kompleks yang lebih rumit dan terdiri dari sejumlah besar lapisan transformasi non linier.

Jenis Deep Learning

• Deep Learning untuk Pembelajaran Tanpa Pengawasan (Unsupervised Learning): Deep Learning tipe ini digunakan pada saat label dari variabel target tidak tersedia dan korelasi nilai yang lebih tinggi harus dihitung dari unit yang diamati untuk menganalisis polanya.
• Hybrid Deep Networks (Deep Learning gabungan): Pendekatan tipe ini bertujuan agar dapat dicapai hasil yang baik dengan menggunakan pembelajaran yang diawasi untuk melakukan analisis pola atau dapat juga dengan menggunakan pembelajaran tanpa pengawasan.

Deep Learning bekerja berdasarkan pada arsitektur jaringan dan prosedural optimal yang digunakan pada arsitektur. Setiap output dari lapisan per lapisan yang tersembunyi dapat dipantau dengan menggunakan grafik khusus yang dirancang untuk setiap output neuron. Kombinasi dan rekombinasi dari setiap neuron yang saling terhubung dari semua unit lapisan tersembunyi dilakukan menggunakan gabungan dari fungsi aktivasi. Prosesdur-prosedur tersebut dikenal sebagai Transformasi Non Linier yang digunakan untuk prosedur optimal untuk menghasilkan bobot optimal pada setiap unit lapisan guna mendapatkan nilai target yang dibutuhkan.

Ketika dalam proses perancangan, apabila jumlah saraf yang ditambahkan sangat banyak, hal tersebut tidak akan pernah cocok untuk menyelesaikan setiap masalah. Persoalan terpenting dalam Deep Learning adalah jaringan sarafnya dilatih dengan cara penurunan gradien secara sederhana. Pada saat kita menambahkan lapisan jaringan yang semakin banyak, maka sebaliknya penurunan dari gradien semakin berkurang sehingga dapat mempengaruhi nilai outpunya.

Perbedaan yang dimiliki oleh Jaringan Saraf Tiruan biasa dengan Deep Learning

Jaringan Saraf Tiruan adalah jaringan saraf yang biasanya menggunakan jaringan seperti umpan maju (feed forward) atau recurrent network yang hanya memiliki 1 atau 2 lapisan tersembunyi. Tetapi, jika lapisan jaringan sarafnya lebih dari 2 layer ke atas atau bahkan mencapai ratusan lapisan itulah yang disebut sebagai Deep Learning. Pada Jaringan Syaraf Tiruan arsitektur jaringan yang dimilikinya kurang kompleks dan membutuhkan lebih banyak informasi tentang data input sehingga dapat menentukan algortima mana yang dapat digunakan. Dalam Jaringan Saraf Tiruan terdiri dari beberapa algoritma yaitu Model Hebb, Perceptron, Adaline, Propagasi Maju, dll. Sedangkan pada algortima jaringan saraf Deep Learning tidak memerlukan informasi apapun terhadap data yang akan dipelajarinya, dan algoritmanya dapat secara mandiri melakuan tuning (penyetelan) dan pemilihan model yang paling optimal.

Machine Learning (Pembelajaran Mesin)

Pembelajaran mesin, cabang dari kecerdasan buatan, adalah disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data empiris, seperti dari sensor data basis data[5]. Hal Ini merupakan teknik yang digunakan untuk mengembangkan mesin otomatis berdasarkan eksekusi pada algoritma dan kumpulan aturan yang terdefinisikan.

Dalam data latih sebagai input pada Machine Learning diberi sejumlah aturan program yang dijalankan oleh algoritma. Oleh karena itu, pada teknik Mesin Belajar dapat dikategorikan sebagai instruksi yang dijalankan dan dipelajari secara otomatis untuk menghasilkan hasil output yang optimal. Hal ini dilakukan secara otomatis tanpa ada campur tangan manusia sedikitpun. Semua dilakukan secara otomatis untuk mengubah data menjadi beberapa pola dan diinputkan jauh ke dalam sistem untuk mendeteksi masalah produksi secara otomatis.

Referensi:

1. Kuswadi, Son. 2007. “Kendali Cerdas, Teori dan Aplikasi Praktisnya”. Yogyakarta: Penerbit ANDI
2. Desiani, Anita & Muhammad Arhami. 2006. “Konsep Kecerdasan Buatan”. Yogyakarta: Penerbit ANDI
3. Wikipedia Indonesia,Pembelajaran dalam (https://id.wikipedia.org/wiki/Pembelajaran_dalam) diakses pada 25 Januari 2018
4.  XenonStack. 2017. “Log Analytics With Deep Learning And Machine Learning”. Medium, 13 Mei 2017 (https://medium.com/@xenonstack/log-analytics-with-deep-learning-and-machine-learning-20a1891ff70e) diakses pada 25 Januari 2018
5. Wikipedia Indonesia, Pembelajaran mesin (https://id.wikipedia.org/wiki/Pembelajaran_mesin) diakses pada 25 Januari 2018

Sumber : klik disini

Pengertian Jaringan Syaraf Tiruan

1.   Pengertian Jaringan Syaraf Tiruan

Jaringan  Syaraf  Tiruan  dibuat  pertama  kali  pada  tahun  1943  oleh neurophysiologist Waren cCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi.   Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi.  Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh.  Jaringan  Syaraf  Tiruan  dibentuk  untuk  memecahkan  suatu  masalah  tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan  Syaraf  Tiruan  telah  dikembangkan  sebelum  adanya  suatu  komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

2.   Perbandingan Jaringan Syaraf Tiruan dengan Konvensional

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya. Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luarbiasa.

3.   Aplikasi Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain :

a)   Deteksi Fenomena  kedokteran.

Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring.  Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel, dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.

b)     Untuk mendeteksi golongan darah manusia

Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana pola- pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.

c)    Prediksi Pasar Saham.

Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks, multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat prediksi.  Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan masa lalu bursa yang lain dan berbagai indikator ekonomi.

d)      Perjanjian Kredit.

Berbagai informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan, pekerjaan dan berbagai data lain.  Setelah pembelajaran dari Jaringan Syaraf Tiruan tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasi karaktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan peminjam terhadap resiko peminjam dalam kategori baik atau buruk

e)      Monitoring Kondisi Mesin.

Jaringan Syaraf Tiruan   dapat digunakan untuk memangkas biaya dengan memberikan keahlian tambahan untuk menjadwalkan perawatan mesin.  Jaringan Syaraf Tiruan  dapat  dilatih  untuk  membedakan  suara  sebuah  mesin  ketika  berjalan  normal (“false alarm”) dengan ketika mesin hampir mengalami suatu masalah.  Setelah periode pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi yang akan menyebabkan biaya yang tidak terduga.

f)  Pemeliharaan Mesin.

Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor pada sebuah mesin.  Dengan mengontrol beberapa parameter ketika mesin sedang berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar.

4.    Kesimpulan

Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari Jaringan Syaraf Tiruan adalah :

1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman sebelumnya.

2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran.

3.   Real  Time  Operation:  Dapat  menghasilkan  perhitungan  parallel  dan  dengan device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut.

4.   Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan.  Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.

5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah  atau  fungsinya.  Jaringan  Syaraf  Tiruan  akan  belajar  mencari  sendiri kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui.

6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam penelitian.

 Daftar Pustaka

An Introduction to Neural Networks, 2003 Prof. Leslie Smith, Centre for Cognitive and Computational Neuroscience Department of Computing and Mathematics University of Stirling.  lss@cs.stir.ac.uk

Artificial Neural Network Theory and Applications, Dan W. Patterson,  John Wiley and Sons, Inc. 1995.

Dan W. Patterson, Artificial Neural Network Theory and Applications, John Wiley and Sons, Inc. 1995.

Membangun   Jaringan   Syaraf   Tiruan,   Sri   Kusumadewi,   2004,   Graha   Ilmu, Yogyakarta

M.G.Pened., Computer_aided Diagnosis: A Neural-Network-Based Approach to

Lung Nodule Detection,IEEE Transc.on Medical Imaging, 17(6) 1998, Hal.872-

880.

Introduction to Neural Network by  K. Gurney. http://www.shef.ac.uk/psychology/gurney/notes/contents.html

Neural       Network      by      Christos       Stergiou      and      Dimitrios       Siganos, http://www.doc.ic.ac.uk/~nd/surprise_96/ journal/vol4/cs11/report.html - 79k –

Neural Network by Nikolay Nikolaef

http://homepages.gold .ac.uk/nikolaef/cis311.html.course_outline_for_fall_2004

sumber : Klik disini

Pengertian Enkripsi

Menyandikan, mengkodekan, enkripsi. Encryption atau enkripsi merupakan proses untuk mengubah sebuah pesan (informasi) sehingga tidak dapat dilihat tanpa menggunakan kunci pembuka. Enkripsi adalah cara yang paling efektif untuk memperoleh pengamanan data. Untuk membaca file yang di-enkrip, kita harus mempunyai akses terhadap kata sandi yang memungkinkan kita men-dekrip pesan tersebut. Data yang tidak di-enkrip disebut plaintext, sedangkan yang di-enkrip disebut ciphertext. Sebuah pesan dalam bentuk plaintext diubah dengan encryption menjadi ciphertext. Proses sebaliknya, untuk mengembalikan ciphertext ke plaintext disebut decryption. Menurut ISO 7498-2 istilah yang lebih tepat untuk encryption adalah enchipher sedangkan istilah yang lebih tepat untuk decryption adalah decipher. Encryption menggunakan algoritma tertentu untuk mengacak pesan. Umumnya algoritma enkripsi dapat dibagi menjadi dua kelompok: algoritma untuk private key system dan algoritma untuk public key system. Contoh untuk algoritma yang digunakan di private key system adalah DES dan IDEA, sedangkan contoh algoritma yang digunakan di public key system adalah RSA dan ECC.


Sumber

Sejarah dan Pengertian Kriptografi

Sejarah dan Pengertian Kriptografi, Berasal dari akar kata Yunani kryptos dan gráphō, yang mempunyai arti "tulisan tersembunyi", telah ada hampir sepanjang kata-kata tertulis. Sepanjang masa, keuntungan dalam pertempuran antara ahlikriptologi (pembuat kode) dan cryptanalysts (pemecah kode) telah berpindah tangan berkali-kali. Peristiwa berikut ini adalah beberapa yang paling penting dalam sejarah perkembangan kriptografi.

Abad ke-5 SM - Digunakannya kriptografi oleh Jendral Spartan untuk bertukar pesan rahasia menggunakan pita sempit membungkus perkamen sekitar staf silinder dikenal sebagai scytale, kemudian menyalin pesan mereka pada papirus. Pesan hanya dapat dibaca saat papirus adalah ulang luka di sekitar scytale ketebalan yang sama. Ini adalah penggunaan yang tercatat paling awal apa yang sekarang dikenal sebagai cipher transposisi.

Abad ke-2 SM - Sejarawan Polybius Yunani mengembangkan salah satu yang paling awal tercatat yaitu cipher substitusi dengan mengganti huruf-huruf alfabet, disusun dalam Polybius persegi, dengan angka.

Abad ke-1 SM - jenderal Romawi menggunakan cipher pergeseran sederhana, di mana setiap huruf dari pesan plaintext akan bergeser jumlah tetap huruf dalam alfabet untuk menghasilkan ciphertext. Sandi kemudian dikenal sebagai sandi Caesar setelah Julius Caesar, yang konon lebih suka pergeseran dari tiga huruf.

Abad ke-9 - matematikawan Islam Yaqūb bin Yusuf Abu Ishaq al-Kindi menerbitkan buku teks pertama memecahkan kode, A Manuscript on Deciphering Cryptographic Messages. Al-Kindi memperkenalkan buku klasifikasi cipher, polyalphabetic sandi, dan analisis frekuensi, teknik penting yang digunakan dalam memecahkan cipher substitusi. Analisis frekuensi menggunakan frekuensi relatif simbol dalam pesan berkode untuk mengungkapkan apa huruf alfabet.

sumber : Klik disini