Permintaan dan pertumbuhan pasar industri penerjemahan terus meningkat dalam satu dekade belakangan. Hal ini terutama didorong oleh kebutuhan komunikasi dan pertukaran informasi antarnegara yang semakin meluas.
Pekerjaan penerjemahan seperti pada dokumen perusahaan, pedoman instalasi, dokumen hukum, buku teks, hingga situs web merupakan tugas repetitif yang membutuhkan konsistensi dan akurasi.
Pada perkembangannya, para penerjemah profesional semakin kesulitan memenuhi arus permintaan yang terus naik. Dalam situasi inilah Machine Translation (MT) atau penerjemahan mesin muncul untuk memenuhi kebutuhan tersebut.
Definisi
Machine Translation adalah proses penerjemahan bahasa sumber ke bahasa target yang sepenuhnya dilakukan menggunakan perangkat lunak. Ia memiliki kemampuan komputasional linguistik yang mampu mengidentifikasi, mempelajari dan menyelesaikan pelbagai masalah di proses penerjemahan otomatis.
Selain itu, ia merupakan instrumen untuk menghemat waktu para penerjemah. Peningkatan produktivitas dan akses terhadap hasil cepat tanpa bergantung pada penerjemahan manusia seutuhnya merupakan manfaat terbesar dari penggunaan teknologi ini. Dalam perkembangannya, ia terdiri dari tiga kategori, yaitu:
Rule-Based Machine Translation
Rule-Based Machine Translation (RB MT) merupakan Machine Translation yang bergantung pada sistem gramatika dari bahasa asal dan bahasa target guna merancang model untuk mencapai akurasi penerjemahan maksimal.
Sistem gramatika tersebut bisa ditambah dengan kamus istilah spesifik tergantung dari aplikasi yang diinginkan, misalnya kamus istilah kedokteran atau bisnis untuk meningkatkan ketepatan.
Kelebihan
- Tidak membutuhkan teks bilingual yang harus menjadi input sebelum penerjemahan
- Aturan-aturan baru bisa ditambahkan terus menerus.
- Aturan-aturan yang telah dibuat bisa dipasangkan dengan bahasa target baru
Kekurangan
- Tidak ada kamus bilingual yang benar-benar sempurna dan membuat kamus baru sangat memakan waktu.
- Peraturan baru harus dimasukkan secara manual dan biasanya berbiaya tinggi.
- Kurang dapat diandalkan ketika menghadapi aspek kebahasaan seperti metafora, gender atau idiom.
Statistical Machine Translation
Statistical Machine Translation (Statistical MT) bekerja dengan mempelajari seluruh korpus terjemahan yang telah divalidasi oleh tenaga manusia. Tidak seperti RBMT, Statistical MT merupakan penerjemahan berbasis frasa alih-alih kata per kata.
Terjemahan Statistical MT menggunakan korpus terjemahan manusia tersebut sebagai model yang diterapkan pada teks bahasa target untuk melakukan penerjemahan secara otomatis.
Kelebihan
- Cepat dikembangkan dan berbiaya relatif murah.
- Tidak membutuhkan banyak pekerjaan manual bagi pembuatnya.
- Dengan model bahasa yang tepat, hasil terjemahan bisa lebih kontekstual ketimbang RMBT.
Kekurangan
- Tidak mengenal tata bahasa dengan baik.
- Membutuhkan banyak data untuk pemodelan
- Kesalahan-kesalahan spesifik akan sulit diperbaiki
Neural Machine Translation
Neural Machine Translation (NMT) merupakan pendekatan termutakhir Machine Translation yang tersusun atas jejaring “saraf” tiruan guna. NMT merupakan terobosan karena membuat sistem tunggal yang mampu menerjemahkan pelbagai bahasa tanpa harus mengakomodasi aturan-aturan tertentu sebagaimana ditemukan di Statistical MT maupun RB MT. Oleh karena itu, NMT digadang-gadang mampu melampaui batasan sistem terjemahan berbasis frasa dan kata dan mampu memproduksi kualitas terjemahan lebih baik dibandingkan keduanya.
Kelebihan
- Akurasi lebih tinggi daripada dua model lainnya.
- NMT dapat dilatih dengan cepat lewat proses automasi untuk mengenali pola di dalam data yang digunakan.
- Memungkinkan sistem tunggal yang mampu menerjemahkan banyak pasangan bahasa.
Kekurangan
Kesimpulan
Jenis-jenis Machine Translation yang ada saat ini menawarkan pelbagai kemungkinan dengan masing-masing kelebihan dan kekurangannya dalam menerjemahkan teks dalam jumlah besar dan cepat. Semua pasangan bahasa memiliki tantangannya sendiri dan setiap bisnis memiliki kebutuhan dan prioritasnya masing-masing. Masa depan teknologi ini terlihat menjanjikan dan angan-angan akan kualitas terjemahan otomatis yang mendekati hasil terjemahan manusia mungkin tidak lama lagi akan dicapai.
Penulis: Averio Nadhirianto
Editor: M. Wahyu Hidayat
Sebelum membahas lebih jauh mengenai Machine Learning dan bagaimana cara kerjanya, kita harus lebih dahulu mengetahui juga belajar bahwa Machine Learning merupakan salah satu subbidang dari Artificial Intelligence. Elliot, dkk dalam analisisnya di A Framework for Applying AI in the Enterprise menyederhanakan bahwa Machine Learning merupakan sebuah disiplin teknikal yang mempelajari sesuatu melalui tahap observasi dan melihat pola-pola tertentu di dalam suatu input data.
Kemudian Ed Burns dalam artikelnya, menjelaskan bahwa Machine Learning adalah sebuah mesin yang dalam praktiknya mampu memprediksi kejadian dengan cara mempelajari atau menganalisis data untuk kemudian menghasilkan wawasan (insight) yang memiliki nilai-nilai tertentu.
Machine Learning berperan penting di era teknologi yang diakibatkan oleh permintaan pasar. Kita bisa membayangkan saat seluruh aspek kehidupan manusia sekarang ini didasari oleh tindakan-tindakan hingga standar-standar tertentu. Hal seperti ini memungkinkan program komputer untuk memprediksi produk yang akan menjadi tren dan lain sebagainya. Tentunya, dengan didasari oleh kejadian sebelumnya yang telah dilakukan oleh manusia itu sendiri.
Tentang bagaimana cara kerja Machine Learning sudah sangat sering dijabarkan, entah itu di aspek proses pengolahan data, input data, hingga hasil dari Machine Learning itu sendiri. Namun secara umum, cara kerja Machine Learning ini dapat dibagi menjadi dua pendekatan, yaitu Unsupervised Learning dan Supervised Learning. Lebih jauh, kita juga akan membahas mengenai apa itu Unsupervised Learning dan Supervised Learning.
Apa itu Unsupervised Learning?
Unsupervised Learning ini merupakan salah satu pendekatan di mana mesin melakukan pengelompokan (clustering) atas input data yang tersedia. Data tersebut akan diolah dengan cara pengelompokan sesuai dengan kriteria tertentu. Sebagai contoh, sebuah perusahaan ekspedisi ingin memaksimalkan penghematan ongkos kirim. Perusahaan itu akan menyesuaikan letak gudang penyimpanannya dengan data-data di mana mereka paling banyak melakukan pengiriman barang. Langkah ini memungkinkan sebuah perusahaan memetakan daerah ramai permintaan dan daerah sepi permintaan. Dengan demikian, biaya pengiriman dapat ditekan. Pada akhirnya, biaya pengiriman masing-masing barang dapat disesuaikan dengan letak dan jarak tempuh secara lebih efektif.
Apa itu Supervised Learning?
Pendekatan cara kerja Machine Learning yang kedua adalah Supervised Learning. Dari sisi input data, mesin dilatih untuk untuk melakukan prediksi berdasarkan pola tertentu yang ditemukan dan dipelajari di input data latih. Cara kerja Machine Learning yang satu ini, menurut Intelegain Team, menekankan pada prediksi berdasarkan pada bukti-bukti nyata yang telah terjadi sebelumnya. Maka dari itu, pendekatan Supervised Learning menuntut sang pengguna lebih dahulu mengetahui ekspektasinya atas output hasil prediksi mesin.
Contoh, Direktorat Lalu Lintas Kepolisian ingin memprediksi di mana saja kemungkinan kecelakaan kendaraan bermotor terjadi di wilayah kerja mereka. Mereka perlu mengumpulkan dan memproses data-data terkait dengan kecelakaan kendaraan bermotor di area tersebut sebagai syarat untuk untuk melatih kemampuan mesin melakukan prediksi.
Penutup
Semua perusahaan bisa saja menggunakan Machine Learning dengan cukup mudah. Tidak ada lagi dikotomi antara perusahaan konvensional dan perusahaan teknologi karena semua perusahaan memanfaatkan Machine Learning dalam proses bisnisnya masing-masing. Secara singkat kita dapat memahami bahwa cara kerja Machine Learning ini secara garis besar didasari oleh dua pendekatan, yaitu Supervised Learning dan Unsupervised Learning. Dari penjelasan yang ada juga dapat disimpulkan bahwa cara kerja Machine Learning dan cara kerja manusia pada akhirnya sangatlah berbeda. Karena itu, masih dibutuhkan intervensi secara moral dan manusiawi dari manusia itu sendiri kepada sistem Machine Learning.
Penulis: Marvine Viano
Editor: M. Wahyu Hidayat, Ghifari Adam
Informasi dan data yang disimpan secara digital telah mengalami peningkatan signifikan selama dua dekade terakhir. Hal itu dimungkinkan berkat teknologi pangkalan data yang dapat melakukan penyimpanan data bervolume besar dan dapat diakumulasi.
Dimulai sejak 1980-an ketika kapasitas penyimpanan komputer meningkat, perusahaan-perusahaan mulai menyimpan data transaksional lebih banyak. Namun, koleksi dari data yang sering disebut dengan data warehouse ini kian lama kian sulit untuk dianalisis menggunakan pendekatan statistika secara konvensional.
Dalam beberapa tahun, konferensi-konferensi dan pertemuan-pertemuan digelar untuk membahas perkembangan artificial intelligence, machine learning, neural networks, dan expert systems. Para ilmuwan mulai membuka kemungkinan bahwa semua perkembangan itu dapat diimplementasikan ke dalam apa yang disebut dengan knowledge discovery.
Barulah pada 1995 digelar pertemuan bertajuk First International Conference on Knowledge Discovery and Data Mining di Montreal, Kanada untuk membahas topik ini secara serius. Di tahun-tahun ini jugalah perusahaan data mining awal diperkenalkan dan diluncurkan.
Definisi dan Tahapan di Data Mining
Dalam disiplin ilmu komputer, data mining termasuk cabang disiplin ilmu yang relatif masih muda. Kemunculannya berbarengan dengan perkembangan artificial intelligence dan machine learning.
Terdapat beberapa definisi tentang data mining dan salah satunya adalah proses penemuan pola yang menarik dari data berjumlah besar. Ada juga pendapat yang mengatakan bahwa data mining adalah eksplorasi secara otomatis dan semi-otomatis terhadap data dalam jumlah yang besar untuk mencari pola spesifik.
Ensiklopedia Britannica sendiri mendefinisikan data mining atau juga dikenal dengan knowledge discovery in database sebagai proses penemuan pola dan relasi yang berguna dalam volume data yang besar.
Dari beberapa definisi di atas, secara ringkas dapat disimpulkan bahwa data mining merupakan proses ekstraksi dan penemuan suatu pola atau knowledge tertentu yang berguna dari himpunan data berjumlah besar.
Meskipun sama-sama didasarkan pada proses analitis, data mining berbeda secara fundamental dengan machine learning. Salah satu perbedaannya adalah data mining bertujuan menemukan pola tertentu, sementara machine learning telah terlebih dahulu “dilatih” dengan training dataset untuk kemudian membuat machine learning semakin pintar dan efisien dalam membaca dan mengolah pola yang telah ada.
Untuk mendapatkan pola atau knowledge berguna yang dibutuhkan, data mining harus melewati beberapa tahapan, yang terdiri dari sebagai berikut:
Selection
Seleksi data dilakukan sebelum dimulainya tahap penggalian. Data hasil seleksi kemudian akan disimpan ke dalam suatu berkas yang terpisah dari database.
Cleansing
Setelah dilakukan seleksi, perlu dilakukan proses cleansing terhadap data, yakni membuang data duplikat dan inkonsisten atau memperbaiki kesalahan-kesalahan minor di dalam data.
Transformation
Pada proses transformation, dilakukan coding terhadap data yang telah diseleksi dan dibersihkan sebelumnya yang bertujuan menempatkan data-data relevan.
Data mining
inilah tahap terpenting, yakni proses pencarian pola atau informasi menarik dalam data terpilih yang dilakukan dengan teknik atau metode tertentu.
Interpretation
Setelah melewati empat tahap sebelumnya, di tahap interpretation ini dilakukan visualisasi dalam berbagai bentuk yang mudah dipahami untuk menyampaikan pola atau informasi berguna yang telah ada.
Dari sisi teknik, data mining terdiri dari tujuh macam, yakni classification, clustering, regression, association rules, outer detection, sequential patterns, dan prediction. Masing-masing teknik tersebut sama-sama berguna, tergantung pada tujuan suatu perusahaan atau individu yang menggunakannya. Misalnya pada teknik classification, informasi-informasi penting dan relevan yang telah diperoleh dapat dikategorikan ke dalam kelas-kelas berbeda.
Bagi suatu perusahaan, data mining sangat bermanfaat untuk setidaknya tiga hal, yakni memudahkan pengambilan keputusan, membantu membuat prediksi, dan menekan ongkos produksi.
Kesimpulan
Perusahaan dapat mengambil keuntungan dari penerapan data mining karena ia berfungsi layaknya detektif yang melakukan investigasi data di masa lalu dan saat ini untuk memprediksi hasil di masa depan beserta dampak-dampaknya.
Analisis terhadap data yang sedemikian besar tersebut tentu dapat dilakukan secara manual seperti sebelum-sebelumnya, tetapi kecepatan pemrosesan dalam data mining akan sangat mengurangi waktu yang dibutuhkan oleh suatu perusahaan atau bisnis dalam melakukan analisis data.
Penulis: Arlandy Ghifari
Editor: M. Wahyu Hidayat
Kecerdasan Buatan sebagai sebuah ide maupun bidang ilmu telah mengalami pertumbuhan pesat dalam beberapa waktu terakhir. Penerapannya yang begitu luas telah memengaruhi kehidupan kita sehari-hari dan membuatnya menjadi bagian tak terpisahkan dari peradaban manusia. Berbicara tentang sejarah Kecerdasan Buatan sebagai sebuah ide akan membawa kita ke cerita panjang tentang fantasi, pelbagai kemungkinan, hingga harapan-harapan manusia.
Pada awalnya manusia membayangkan adanya seperangkat instrumen canggih yang mampu melakukan tugas-tugas yang diasosiasikan dengan proses intelektual tingkat tinggi. Itu merupakan bagian dari karakteristik manusia semisal memaknai, menalar, menggeneralisasi, hingga belajar dari pengalaman-pengalaman masa lalu (Negroponte, 1998).
Sejarah Kecerdasan Buatan Modern
Sejarah Kecerdasan Buatan modern baru dapat dirunut pada awal masa Perang Dunia II ketika pada tahun 1940 Alan Turing menciptakan The Bombe, sebuah mesin pemecah telik sandi Enigma milik militer Jerman. Kala itu, The Bombe secara drastis mengubah peruntungan Sekutu sekaligus menjadi penanda kekalahan pasukan Hitler. Kesuksesan mesin tersebut mendorong Turing berpikir tentang sejauh mana “kecerdasan” mesin ini dapat diukur, jika dibandingkan dengan kecerdasan manusia. Dalam konteks inilah Turing menciptakan Turing Test yang membawa pertanyaan dasar, “Apakah mesin mampu ‘berpikir’ layaknya manusia?”.
Istilah Kecerdasan Buatan sendiri belum muncul saat Turing melontarkan gagasan tersebut. Istilah ini pertama kali digunakan Marvin Minsky dan John McCarthy. Dua ahli komputer dari MIT dan Dartmouth itu terlibat di konferensi riset di Dartmouth College pada tahun 1956. Di konferensi tersebut hadir figur-figur yang dianggap sebagai bapak Kecerdasan Buatan seperti Nathaniel Rochester─orang di balik IBM 701, komputer komersial pertama, dan Claude Shannon─penggagas teori informasi.
Tak hanya itu, konferensi tersebut juga menjadi titik awal sejarah Kecerdasan Buatan sebagai disiplin ilmu baru. McCarthy mendefinisikannya sebagai “teknik membuat mesin-mesin cerdas” (Buchanan 2006). Sejak saat itulah riset-riset di bidang Kecerdasan Buatan mulai mengalami kemajuan, meskipun melalui fase naik-turun yang dalam kronologi sejarah Kecerdasan Buatan biasanya disebut fase “Summer” dan “Winter”.
Sejarah Kecerdasan Buatan Memasuki Millenium Baru
Menjelang abad ke-21, Kecerdasan Buatan memasuki babak baru dan menunjukkan capaian bersejarah sekaligus simbolik dalam hubungannya dengan kecerdasan manusia. Pada 11 Mei 1997, program Deep Blue hasil pengembangan IBM berhasil menjadi program komputer pertama yang mengalahkan Garry Kasparov. Adapun Garry, ia adalah pecatur legendaris pemegang gelar juara dunia ketika itu (Lewis 2014).
Kemajuan pesat pun terjadi dalam teknologi pembuatan mikrocip. Ini membuka jalan bagi munculnya komputer-komputer baru yang semakin canggih dan mampu memproses data dengan jumlah besar. Kurun terkini sejak 1997 dalam kronik sejarah Kecerdasan Buatan kemudian dapat disebut sebagai Abad Informasi dengan munculnya disiplin-disiplin dan konsep baru seperti Big Data, Deep Learning, Machine Learning. Konsep-konsep tersebut sekarang mendominasi riset-riset berkaitan dengan AI (Toosi, et al. 2021).
Pada skala global, AI kini merupakan target menarik bagi investor dengan potensi keuntungan miliaran dolar AS per tahun. Dalam periode 2010-2020, jumlah investasi di startup berbasis AI terus tumbuh dari 1,3 miliar dolar AS hingga lebih dari 40 miliar dolar AS. Rata-rata pertumbuhan mereka sekitar 50% (Toosi, et al. 2021). Pada akhirnya, keberhasilan AI sebagai bidang ilmu dan lini bisnis di masa sekarang tidak terlepas dari sejarah Kecerdasan Buatan. Secara keseluruhan, masa depan Kecerdasan Buatan tampak begitu menjanjikan.
Referensi
Buchanan, Bruce G. 2006. “A (Very) Brief History of Artificial Intelligence.” AI Magazine 53-60.
Lewis, Tanya. 2014. A Brief History of Artificial Intelligence. December 05. https://www.livescience.com/49007-history-of-artificial-intelligence.html.
Negroponte, Nicolas. 1998. Being Digital: Menyiasati Hidup dalam Cengkeraman Sistem Komputer. Jakarta: Mizan.
Toosi, Amirhosein, Andrea Bottino, Babak Saboury, Eliot Siegel, and Arman Rahmim. 2021. “A Brief History of AI: How to Prevent Another Winter (A Critical Review).” Artificial Intelligence and PET Imaging, Part I 449-469.
Penulis: Averio Nadhrianto
Editor: M. Wahyu Hidayat
Data Science adalah bidang ilmu yang tengah populer seiring dengan perkembangan teknologi dan peningkatan volume data secara masif. Riset menemukan bahwa 95% bisnis masih memiliki masalah terkait data. Oleh karena itu, Data Science adalah salah satu disiplin ilmu yang dapat diterapkan di berbagai industri dan memiliki tingkat kebutuhan tinggi.
Apabila kamu tertarik mempelajari apa itu Data Science, berikut ini serba-serbi Data Science yang perlu kamu ketahui lebih lanjut.
Apa itu data science?
Secara teoretis, disadur dari Data Robot, data science adalah bidang ilmu yang menggabungkan kecakapan di bidang ilmu tertentu, keahlian pemrograman, serta penguasaan matematika dan statistik untuk menarik wawasan (insight) dari data.
Pada praktiknya, data science adalah ilmu yang memasukkan logika matematika dan metode statistika ke dalam bahasa pemrograman. Tujuan utama penerapan data science adalah menguak wawasan (insight), informasi, pengetahuan, dan lainnya.
Namun, seorang data scientist bernama Jonathan Ma yang dikenal dengan persona Joma Tech, menyebut bahwa data science adalah ilmu yang memanfaatkan data dengan tujuan menyelesaikan suatu masalah. Menurut pria yang pernah bekerja di sejumlah perusahaan teknologi di AS itu, ada kekeliruan bahwa data science hanya berfokus pada machine learning dan programming. Padahal, kata dia, titik berat Data Science justru terletak pada seberapa besar dampak yang dapat dihasilkan pada bidang atau bisnis tertentu.
Kemunculan data science
Priestley & Mcgrath (2019) dalam makalahnya yang berjudul The Evolution of Data Science: A New Mode of Knowledge Production merangkum, data science adalah penyatuan ilmu statistika dan ilmu komputer. Kedua bidang ilmu ini berkembang dengan memanfaatkan perkembangan penggunaan internet yang menghasilkan Big Data.
Seiring perkembangan internet pada tahun 90-an, pakar statistika dan ilmu komputer menyadari penggunaan internet telah melahirkan arus dan volume data yang begitu banyak, sehingga diberi nama Big Data. Pakar melihat bahwa data yang dihasilkan dari penggunaan internet dapat dimanfaatkan lebih jauh. Terlebih, volumenya terus bertambah, sehingga terdapat kemungkinan penemuan wawasan baru dari data ini.
Sayangnya, ilmu statistika tradisional tidak memiliki kemampuan untuk menyimpan dan memproses Big Data. Kemudian komputer dipandang menjadi solusi karena mempunyai kemampuan automatisasi dan penyimpanan lebih baik. Kemampuan ini membantu data scientist memproses data dengan lebih cepat dan tepat.
Seiring perkembangan abad 21, pertumbuhan pengguna internet menciptakan permintaan di berbagai lini atas pengelolaan data. Hingga tahun 2019, diperkirakan setidaknya terdapat 50 zettabyte data tersebar di internet. Dengan demikian, data science adalah bidang ilmu yang akan terus popular dan berkembang.
Komponen Esensial bagi Data Science
Terdapat tiga komponen esensial dari Data Science. Komponen esensial pertama dari data science adalah statistika. Untuk mentransformasi data, seorang Data Scientist membutuhkan ilmu statistika yang membantunya membedah data dan memetakan pola di dalamnya. Pengetahuan ini penting untuk memahami perspektif atau paradigma yang digunakan di data science.
Komponen kedua dari data science adalah pemrograman. Untuk mengolah data dalam volume sangat banyak, seorang Data Scientist membutuhkan program yang dapat membantu proses pengolahan data. Program tertentu dapat membantu Data Scientist mengekstraksi, memilah data, dan menganalisis data. Dengan pendekatan terprogram, penghitungan secara manual tidak lagi dibutuhkan, dan dari sini muncul istilah automasi. Automasi ini memudahkan Data Scientist melimpahkan pengerjaan proses repetitif yang mudah dilakukan kepada komputer.
Komponen ketiga dari data science adalah visualisasi. Visualisasi data di data science bertujuan untuk mengomunikasikan hasil analisis yang ditemukan. Visualisasi data juga bertujuan untuk menyajikan informasi sehingga informasi lebih mudah dipahami, tidak bias, dan ditransfer menjadi pengetahuan. Grafik akan memberikan gambaran visual secara singkat dan komunikatif.
“Data science adalah, pada intinya, mengubah data menjadi informasi. Data, begitu saja, tidak cukup bermanfaat. Ia butuh ditransformasikan dari ketidakjelasan menjadi informasi yang berguna” – Max, Pengajar Data Science di codingwithmax
Tahapan apa yang dilakukan dalam Data Science?
Berkeley School of Information menjelaskan, terdapat lima tahapan yang perlu dilalui di Data Science, yaitu capture, maintain, process, analyze, dan communicate.
Capture
Ia merupakan tahapan yang berhubungan dengan pemerolehan data (data acquisition), data entry (entri data), signal reception (resepsi sinyal), dan data extraction (ekstraksi data). Pada tahapan ini Data Scientist berusaha menggali data lebih jauh dengan berbagai teknik yang mampu digunakan dari berbagai sumber.
Maintain
Di tahapan ini Data Scientist dituntut mengelola dan mengorganisasikan data, yang meliputi data warehousing, data cleansing, data staging, data processing, dan data architecture.
Process
Data Scientist memproses data sesuai kebutuhan hingga mencapai gambaran umum yang diharapkan. Proses ini mencakup data mining, clustering/classification, data modeling, dan data summarization.
Analyze
Tahap ini mencakup exploratory/confirmatory, predictive analysis, regression, text mining, dan qualitative analysis. Pada tahap ini data dianalisis untuk menunjukkan hubungan yang mungkin terjadi antar komponen data. Hasil analisis juga menunjukkan dinamika data sesuai dengan kebutuhan dan fokus masalah.
Communication
Sebagai tahap terakhir, communication mencakup data reporting, data visualization, business intelligence, dan decision making. Tahap ini menyajikan hasil analisis data kepada user untuk penentuan keputusan.
Kesimpulan
Data Science adalah bidang ilmu yang lahir dari perkembangan teknologi dan merupakan sebuah respons dari kehadiran Big Data yang menarik untuk ditelaah. Lahirnya Data Science merupakan medium bagi pakar untuk menemukan wawasan baru dari big data.Dengan teknik apa pun yang digunakan, Data Science adalah bidang ilmu yang fleksibel dengan tools yang digunakan. Pada akhirnya Data Science bermuara pada satu tujuan, yaitu menyelesaikan masalah dengan data.
Penulis: Muhammad Ihsan
Editor: M. Wahyu Hidayat, Cahya Amalinadhi
Di era Revolusi Industri 4.0 ini, berbagai organisasi dari berbagai sektor industri, sektor publik, maupun nirlaba berlomba-lomba untuk memanfaatkan data yang tersedia di tiap organisasi guna mendapatkan solusi, ide, dan menentukan langkah organisasi selanjutnya.
Hal tersebut membuka peluang besar bagi Data Scientist untuk memiliki peran yang sangat berpengaruh bagi organisasi yang telah bertransformasi digital.
Namun, apa itu Data Scientist sendiri?
Data Scientist adalah istilah bagi seseorang yang bekerja untuk mengumpulkan, membersihkan, merapikan dan menganalisis data, baik terstruktur maupun tidak terstruktur, untuk menciptakan sebuah analisis dan rekomendasi bagi sebuah organisasi.
Secara umum, data scientist bertanggung jawab untuk mengelola data science life cycle yang meliputi:
- Capture, (mengakuisisi data, entri data, signal reception, ekstraksi data);
- Maintain (pengumpulan data, pembersihan data, data staging, pemprosesan data);
- Process (data mining, pengelompokan, data modeling, menyimpulkan data);
- Analyze (konfirmasi, predictive analysis, regresi, text mining, analisis kualitatif);
- Communicate (pelaporan data, visualisasi data, bisnis intelijen, pengambilan keputusan)
Menjadi Data Scientist
Apa saja ukuran untuk menilai kompetensi seorang Data Scientist? Dari segi kemampuan akademik, Data Scientist wajib memiliki kompetensi yang mumpuni dalam ilmu matematika, statistik, dan komputer. Penguasaan ilmu matematika dan statistik diperlukan agar data scientist dapat merangkai algoritma sesuai dengan kebutuhan pemodelan.
Selain ilmu statistik, kemampuan yang perlu dikuasai oleh Data Scientist adalah pemahaman bahasa dan teknik pemrograman komputer serta aplikasi pengelolaan data seperti SQL, Python, R dan masih banyak lagi.
Di samping kemampuan penalaran saintifik – terutama pada bidang ilmu matematika, statistik, dan komputer – kemampuan lain yang perlu dikuasai Data Scientist adalah pengetahuan tentang proses bisnis di bidang industri yang digelutinya.
Secara keseluruhan, Data Scientist adalah individu yang memiliki kemampuan dalam menemukan solusi dan menentukan alat untuk menyelesaikan suatu persoalan bisnis dengan data.
Pentingnya Data Scientist di Era Revolusi Industri 4.0
Kita telah mengetahui apa serta kemampuan seperti apa yang harus dimiliki oleh seorang Data Scientist. Namun tidak kalah pentingnya adalah mengetahui seberapa penting peran Data Scientist bagi Era Revolusi Industri 4.0.
Pertama, perlu disadari bahwa pasar tenaga kerja untuk Data Scientist semakin meningkat seiring dengan meningkatnya adopsi transformasi teknologi.
Dari tahun 2012, Harvard Business Review telah menyatakan bahwa Data Scientist adalah pekerjaan terseksi di abad 21 karena potensi dan peningkatan kebutuhannya di masa mendatang. Ditambah lagi, posisi Data Scientist termasuk tiga besar pekerjaan terbaik di Amerika Serikat sejak 2016.
Beberapa perusahaan terbesar multinasional seperti Google, Amazon, Facebook membutuhkan Data Scientist untuk mencari solusi bisnis melalui pengolahan pemodelan data. Diharapkan, perusahaan-perusahaan tersebut dapat menjadi organisasi yang terdepan dalam melakukan data-driven decision making.
Dari uraian di atas, dapat disimpulkan bahwa Data Scientist berperan penting dalam mengelola data untuk mencapai tujuan perusahaan dan menjadi kebutuhan global termasuk Indonesia. Oleh karena itu, Data Scientist adalah pekerjaan yang dapat menawarkan peluang khusus yang menjanjikan.
Penulis: Nawridho Alfismartienez Dirwan
Editor: Sigit Suryo, Ghifari Adam
Chatbot adalah program komputer yang banyak dijumpai di era banyak situs web dan memberikan jaminan tanggapan dalam waktu singkat. Penerapan Chatbot diharapkan membantu pengguna menyelesaikan masalah tanpa intervensi manusia.
Jika Anda sedang mengembangkan bisnis dan tertarik meningkatkan efisiensi bisnis, mungkin chatbot adalah pilihan tepat untuk Anda. Artikel ini akan menjelaskan apa itu chatbot, bagaimana cara kerja chatbot, serta pemanfaatan chatbot dalam bisnis.
Apa itu chatbot?
Istilah chatbot terbentuk dari dua kata, yaitu chat dan bot. Chat berarti mengobrol atau berbincang dan bot berarti robot. Dengan demikian, chatbot dapat dipahami sebagai program atau robot yang dapat berinteraksi dengan manusia dengan cara mengobrol atau berbincang.
Chatbot adalah perangkat lunak atau program komputer yang menyimulasikan percakapan manusia melalui teks atau interaksi suara. Ia dikatakan perangkat simulasi karena chatbot adalah program yang memungkinkan manusia untuk berinteraksi dengan perangkat digital, seolah-olah mereka sedang berkomunikasi dengan manusia.
Bagaimana chatbot bekerja?
Pada dasarnya chatbot adalah program yang mampu memberikan respons dalam bentuk percakapan saat ia menerima input. Karena itu, chatbot harus mampu memahami input yang berupa kata, frasa, atau kalimat.
Bentuk chatbot paling sederhana adalah chatbot yang mampu mendeteksi karakter di dalam input, kemudian menjawab sesuai dengan peraturan yang telah diprogram. Chatbot tipe ini hanya mampu merespons dengan input persis. Ia tidak akan dapat memahami input berbeda. Namun kini, chatbot dengan bentuk sangat sederhana seperti ini sudah sangat jarang karena standar penggunaan chatbot semakin meningkat.
Pada dasarnya terdapat dua jenis chatbot, yakni task-oriented / goal-oriented / declarative chatbot dan data-driven and predictive / conversational chatbot.
Task-oriented chatbot
Task-oriented chatbot adalah program yang berfokus menyelesaikan satu fungsi. Ia secara otomatis menghasilkan tanggapan berupa percakapan untuk pertanyaan. Interaksi yang dihasilkan chatbot ini sangat spesifik dan terstruktur.
Ia mampu menjawab pertanyaan umum, seperti jam kerja sebuah bisnis atau transaksi sederhana yang tidak melibatkan banyak variabel. Chatbot ini juga mampu diaplikasikan pada layanan support, seperti FAQs.
Selain itu, task-oriented chatbot sudah menggunakan Natural Language Processing (NLP) dan mampu memberikan pengalaman ‘berbincang’ bagi user. Meski begitu, kemampuan chatbot ini masih tergolong mendasar.
Data-driven and predictive chatbot
Data-driven and predictive chatbot adalah program yang biasa dikenal sebagai virtual assistant. Chatbot ini lebih canggih, interaktif, dan personal bagi tiap user. Ia dapat memahami konteks pembicaraan dengan memanfaatkan Natural Language Understanding (NLU), NLP, dan Machine Learning (ML). Chatbot ini menggunakan kemampuan prediktif dan analitik untuk mempersonalisasi respons berdasarkan profil serta perilaku user sebelumnya.
Dengan kata lain, chatbot ini mampu mempelajari preferensi user seiring dengan waktu, memberikan rekomendasi, dan mengantisipasi kebutuhan user. Bahkan pada generasi terbarunya, chatbot mampu menginisiasi pembicaraan di waktu tertentu. Contoh produk data-driven and predictive chatbot adalah Alexa dari Amazon, Siri dari Apple, dan sebagainya.
Nilai apa yang chatbot bawa bagi bisnis dan pengguna?
Chatbot adalah program yang dapat membantu perkembangan bisnis, terutama apabila bisnis tersebut menggunakan kanal media tertentu. Berikut beberapa alasan mengapa bisnis membutuhkan chatbot adalah sebagai berikut:
Menghemat uang dan waktu
Chatbot meningkatkan efisiensi operasional dan menghemat biaya dan waktu. Chatbot memungkinkan perusahaan dengan mudah menyelesaikan berbagai jenis pertanyaan dan isu pelanggan serta mengurangi kebutuhan interaksi manusia. Hal ini sangat bermanfaat terutama pada pertanyaan atau isu yang bersifat repetitif.
Meningkatkan kepuasan pengguna
Chatbot meningkatkan layanan pengguna secara kontinu dan terus-menerus (24/7). Meski membutuhkan pemeliharaan berkala, chatbot adalah program yang mampu merespons kapan pun. Pelanggan tidak perlu menunggu jam kerja atau antrian petugas layanan pelanggan untuk menyelesaikan isu sepele.
Memperluas audiens dan mendapat wawasan
Chatbot mampu menangkap data pengguna yang terlibat di percakapan dengannya. Ia dapat dirancang untuk mengumpulkan data selama percakapan berlangsung, sehingga pengguna tidak perlu berlama-lama memberikan detail kontak.
Selain itu, chatbot mampu menyimpan data preferensi pengguna, misalnya saat berbincang mengenai pilihan layanan yang pengguna inginkan. Data preferensi dapat digunakan kembali untuk menganalisis perilaku dan membangun profil pengguna.
Konsistensi
Chatbot adalah program yang akan melakukan interaksi sesuai dengan program dan data. Perusahaan mampu membangun chatbot dengan mempertimbangkan brand image, meminimalisasi galat (error), serta meningkatkan pengalaman pengguna.
Menyederhanakan proses dan mengarahkan pelanggan
Salah satu kemampuan chatbot adalah menyederhanakan proses dan mengarahkan pelanggan dengan menanyakan kriteria kebutuhan dan preferensi pelanggan. Pada layanan pelanggan teknis, chatbot mampu menentukan seberapa besar suatu isu dan ke departemen mana isu itu harus diarahkan dan diselesaikan. Pada penjualan, chatbot dapat merekomendasikan berbagai pilihan produk sesuai dengan filter dari pelanggan.
Meningkatkan keterlibatan pengguna
Chatbot dapat meningkatkan keterlibatan pengguna karena ia dapat diprogram menggunakan bahasa interaktif, sehingga pengguna tertarik untuk berinteraksi dengannya. Pesan chatbot yang dikirim ke pengguna memiliki tingkat pembukaan (open-rate) rata-rata 70-80%. Terlebih lagi, chatbot memiliki CTRs (click-through rate) hingga 60%.
Fleksibilitas
Chatbot mampu dikembangkan sesuai dengan kebutuhan bisnis. Dengan rumusan masalah yang tepat, chatbot sangat fleksibel untuk dikembangkan.
Tren
Chatting sudah menjadi budaya yang populer, sehingga banyak pengguna yang cenderung memilih berkomunikasi via teks dengan berbagai alasan. Chatbot mampu memfasilitasi kecenderungan ini.
Manfaat dan penggunaan chatbot dalam bisnis akan sangat bergantung pada isu dan kebutuhan masing-masing bisnis. Chatbot dapat digunakan dalam berbagai konteks termasuk business-to-customer (B2C), business-to-business (B2B), atau internal perusahaan. Karena chatbot adalah program yang fleksibel, ia dapat dipasang di berbagai platform. Perhatikan berbagai langkah pengembangan chatbot untuk bisnis.
Kesimpulan
Chatbot adalah sebuah robot yang dirancang agar mampu berinteraksi dengan manusia melalui percakapan. Kini chatbot masih terus berkembang dan memberikan manfaat pada berbagai industri. Dengan fleksibilitas dan ketahanannya, chatbot menjadi salah satu pendukung andalan berbagai perusahaan bisnis.
Penulis: Muhammad Ihsan
Editor: M. Wahyu Hidayat, Cahya Amalinadhi
Machine Learning adalah salah satu cabang dari Kecerdasan Buatan di mana mesin mampu mempelajari sesuatu. Perkembangan pesat Machine Learning akhir-akhir ini tidak terlepas dari era Industri 4.0 yang mendorong digitalisasi pada semua kegiatan ekonomi. Tak ayal, perkembangan ini membuat implementasi Machine Learning terus meningkat di berbagai sektor industri.
Peningkatan minat atas Machine Learning di kalangan pelaku usaha antara lain dapat dilihat dari beberapa contoh Machine Learning di sektor-sektor industri sebagai berikut.
Contoh Machine Learning di Industri Medis
Contoh Machine Learning di industri medis dapat ditemukan pada teknik-teknik dan perangkat yang digunakan untuk melakukan analisis dan prognosis penyakit. Misalnya, platform simulasi Gemini membuat pemodelan terhadap karakteristik kanker pada tulang dan bagaimana responsnya terhadap obat-obatan.
Kemampuan prediktif algoritma Machine Learning telah diterapkan untuk meningkatkan kualitas diagnosis penyakit dan memungkinkan dokter meresepkan obat dengan dosis secara tepat bagi setiap pasien. Kemampuan prediktif ini kemudian juga diterapkan untuk diagnosis penyakit sebelum gejalanya muncul dengan memantau kondisi sehari-hari tubuh.
Produk-produk seperti Apple Watch atau Alivecor juga memiliki kemampuan mendeteksi irama jantung. Perangkat tersebut bisa mengirimkan peringatan kepada pasien lewat aplikasi di masing-masing telepon genggam mereka.
Contoh Machine Learning di Industri Kimia
Di industri kimia, penerapan Machine Learning di antaranya membantu produsen memastikan kualitas produk yang akan diproduksi sesuai harapan. Algoritma Machine Learning melakukannya dengan menganalisis input data dan semua faktor produksi yang sedang dijalankan saat itu untuk kemudian memprediksi hasilnya. Kemampuan prediksi ini mencegah pelaku industri kimia menghasilkan produk bermasalah bahkan sebelum produk itu jadi.
Selain menolong pelaku industri menemukan masalah sedini mungkin, Machine Learning mampu meningkatkan efisiensi, memastikan hasil optimal semua produk, dan membantu menghemat ongkos produksi dalam pelbagai aspeknya.
Contoh Machine Learning di Industri Otomotif
Contoh Machine Learning di industri otomotif misalnya dapat ditemukan pada kontrol kualitas produk sebelum dilepas ke pasaran. Algoritma Machine Learning seperti Anomaly Detection dan Image Recognition dapat membantu departemen manajemen kualitas memastikan bahwa kendaraan yang dijual tidak memiliki cacat produksi serta memastikan keamanannya.
Machine Learning juga digunakan dengan mendorong perawatan prediktif kendaraan alih-alih secara konvensional dengan rutinitas membawa kendaraan ke tempat servis dalam kurun waktu 3-4 bulan sekali. Teknologi Predictive Analysis yang dihasilkan dari dataset yang dikumpulkan oleh pabrikan pun dapat memprediksi kapan komponen suku cadang mesti diganti. Hasilnya, ongkos perawatan dapat dihemat secara berarti.
Contoh Machine Learning di Industri Keuangan
Di industri keuangan, contoh Machine Learning paling umum adalah teknologi automasi proses. Teknologi ini dapat melakukan kerja-kerja manual, mengautomasi kerja berulang, dan meningkatkan produktivitas. Contohnya adalah automasi Call Center dan Chatbot.
Algoritma Machine Learning juga telah digunakan untuk meningkatkan keamanan transaksi secara signifikan. Antara lain, bank memakai algoritma yang mengawasi transaksi–transaksi dan melakukan identifikasi atas transaksi-transaksi mencurigakan.
Ketika sistem mendeteksi hal mencurigakan, ia dapat meminta identifikasi tambahan dari pengguna guna memvalidasi transaksi itu atau bahkan memblokirnya saat itu juga. Dengan demikian, kecepatan algoritma Machine Learning ini bisa mencegah penipuan terjadi. Penerapan Machine Learning untuk meningkatkan keamanan transaksi ini telah dilakukan oleh beberapa perusahaan teknologi finansial ternama seperti Paypall, Stripe, hingga Skrill.
Contoh Machine Learning di Industri eCommerce
Contoh Machine Learning di industri eCommerce telah digunakan untuk optimalisasi pengalaman belanja. Algoritma Machine Learning menganalisis data dan pola perilaku konsumen untuk kemudian menyediakan personalisasi tampilan toko yang disesuaikan bagi tiap pelanggan, sehingga menjadikan pengalaman belanja unik bagi masing-masing calon pembeli.
Situs toko akan menampilkan rekomendasi produk berdasarkan preferensi calon konsumen yang telah diketahui. Fitur ini sudah lazim dipakai oleh toko-toko besar seperti Netflix, Amazon, hingga Shopee.
Fitur Dynamic Pricing merupakan contoh Machine Learning yang kini juga menjadi strategi umum peritel di eCommerce. Variasi harga berdasarkan volume permintaan dan penawaran dalam waktu tertentu adalah hasil dari kemampuan algoritma Machine Learning membaca data pola baru secara terus menerus. Dengan fitur ini, peritel di eCommerce dapat menentukan harga terbaik bagi produknya dan tentunya mendorong penjualan.
Kesimpulan
Tren penggunaan algoritma Machine Learning terus meningkat karena terbukti secara langsung memengaruhi kualitas produksi dan pertumbuhan bisnis pada sektor industri. Ini dapat dilihat dari pertumbuhan pasar Machine Learning global yang memang terus mengalami kenaikan.
Pada 2020, nilai pasar Machine Learning global diperkirakan sebesar 11,33 miliar USD dengan pertumbuhan signifikan sebesar 36,2%, jika dibandingkan dengan periode 2017-2019. Nilai ini diproyeksikan terus tumbuh hingga 152,24 miliar USD pada 2028 mendatang.
Potensinya yang begitu besar tak ayal membuat pasar Machine Learning akan semakin atraktif bagi para pelaku usaha. Seiring waktu, kita pada akhirnya akan melihat lebih banyak contoh Machine Learning yang diterapkan di sektor industri lain.
Writer: Averio Nadhrianto
Editor: M. Wahyu Hidayat
Computer Vision adalah cabang Kecerdasan Buatan yang sudah ada sejak tahun 1960-an. Selama perjalanan enam dekade terakhir, sudah berapa jauh teknologi ini berkembang? Seperti halnya manusia berkembang, seberapa canggih perkembangan Computer Vision ini dalam meniru manusia? Kemudian, teknologi Computer Vision dapat digunakan untuk apa? Didorong oleh pertanyaan-pertanyaan ini, tentu ada banyak informasi yang perlu digali lebih dalam dan tentunya sangat menarik untuk dibahas.
Apa itu Teknologi Computer Vision?
Secara sederhana, Elliot dkk. (2019) mengartikan Computer Vision sebagai proses penangkapan, pemrosesan, dan analisis gambar atau visual digital yang pada dasarnya dimanfaatkan untuk menguraikan makna dan konteksnya. Algoritma teknologi Computer Vision dapat digunakan untuk mengenali objek-objek dalam gambar, seperti dijelaskan dalam artikel Simplilearn, yaitu image classification, object identification, object detection, object segmentation, object verification, object recognition, dan object landmark detection.
Teknologi Computer Vision dan Sistem Visual Manusia
Menarik untuk dibahas, teknologi computer vision berfokus pada replikasi sistem penglihatan manusia. Kemampuan “melihat” pada komputer akan diprogram untuk bisa mengenali objek dengan cepat, lalu mengubahnya menjadi informasi sesuai tujuan yang diinginkan.
Berkat kemajuan ini, Computer Vision telah mengalami lompatan besar. Data dari Towards Data Science menyebutkan dalam waktu kurang dari satu dekade, kemampuan Computer Vision telah mencapai akurasi 99% dari 50%, sehingga dapat dikatakan bahwa Computer Vision lebih cepat bereaksi terhadap input visual daripada sistem penglihatan manusia.
Kegunaan Teknologi Computer Vision di Berbagai Bidang Industri
Keuntungan dari penggunaan Computer Vision tersebar hampir di setiap sektor, baik swasta maupun publik. Meningkatnya kematangan teknologi Computer Vision mendukung penerapannya di banyak bidang industri, termasuk bidang industri otomasi dan manufaktur, pertanian, transportasi, ritel, serta medis dan kesehatan.
Teknologi Computer Vision di Bidang Otomasi Industri dan Manufaktur
Teknologi Computer Vision dapat digunakan untuk mendorong efisiensi automasi industri dan peningkatan kualitas produk. Dengan perkembangan produksi industri, teknologi manufaktur yang digerakkan manusia perlahan-lahan terganti dengan presisi dan efisiensi produksi yang semakin tinggi.
Kemampuan deteksi di Computer Vision berfungsi berdasarkan jenis gambar yang dikumpulkan. Qian Cheng dalam riset bertajuk “Application of Computer Vision Technology in Industrial Automation” memberi gambaran penggunaannya. Pertama, teknologi Computer Vision dapat digunakan untuk mendeteksi kualitas produk dengan presisi tinggi dan cepat pada gambar biner relatif sederhana. Selanjutnya pada gambar grayscale, Computer Vision mampu mendeteksi cacat pada permukaan benda, seperti retak dan pecah. Lalu terakhir pada gambar berwarna, Computer Vision dapat menilai apakah ada kecacatan berdasarkan pada warna objek.
Teknologi Computer Vision di Bidang Pertanian
Kedua, teknologi Computer Vision dapat digunakan untuk hampir seluruh proses kegiatan pertanian, mulai dari pengambilan keputusan operasional secara real-time, hingga praktik pertanian melalui sensor dan perangkat pintar di lahan pertanian. Penggunaan teknologi ini memberikan banyak kontribusi seperti dikutip dari Viso.ai, yaitu deteksi dan pemantauan kesehatan tanaman, kegiatan penanaman, penyiangan, panen, pengelolaan irigasi, penilaian hasil panen, bahkan analisis lanjutan seperti deteksi kondisi cuaca.
Teknologi Computer Vision di Bidang Transportasi
Ketiga, teknologi Computer Vision dapat digunakan untuk sektor transportasi. Teknologi ini memungkinkan penerapan sistem analisis lalu lintas skala besar menjadi lebih efisien. Mengutip Viso.ai, Computer Vision mampu mendeteksi pejalan kaki, tempat parkir, rambu lalu lintas, hingga pelanggaran bergerak seperti mengebut, menerobos lampu merah atau rambu berhenti, mengemudi di jalur yang salah, dan melanggar aturan berbelok. Selain itu, di bidang ini Computer Vision dapat mendeteksi kewaspadaan pengemudi, misalnya pengemudi yang melamun dan menggunakan ponsel. Kecerdasan buatan digunakan untuk memahami perilaku mengemudi dan menemukan solusi untuk mengurangi kecelakaan lalu lintas.
Teknologi Computer Vision di Bidang Ritel
Seiring perkembangan industri ritel, teknologi Computer Vision dapat digunakan untuk pelacakan pelanggan dengan memproses rekaman video secara real-time. Algoritma yang dibangun dapat mendeteksi orang secara anonim dan waktu yang dihabiskan di berbagai area (Viso.ai, 2021). Computer vision dapat menganalisis waktu di waiting list, waktu antrean, dan waktu untuk menilai kualitas layanan. Di samping itu, Computer Vision mampu mendeteksi pencurian yang mampu meningkatkan keamanan dan kepuasan baik pemilik toko, maupun pelanggan. Lalu jika melihat kondisi pandemi, teknologi Computer Vision dapat digunakan untuk pemantauan protokol menjaga jarak. Kamera melacak pergerakan karyawan atau pelanggan menggunakan sensor untuk menilai jarak di antara mereka.
Teknologi Computer Vision di Bidang Medis dan Kesehatan
Dalam beberapa tahun terakhir, Computer Vision telah mampu meningkatkan efektivitas dan efisiensi di bidang medis dan kesehatan. Xia & Chuah dalam studinya yaitu “Computer Vision for Human Health and Medical Application” menyebutkan bahwa algoritma Computer Vision dapat mendeteksi kanker dan tumor, perkembangan penyakit, pengenalan wajah dengan masker, diagnosis virus, memonitor rehabilitasi, serta pelatihan keterampilan medis.
Bagaimana Masa Depan Computer Vision?
Computer Vision berpotensi untuk mengubah lanskap di setiap bidang industri. Kehidupan dan konektivitas secara keseluruhan menjadi lebih cair, baik fisik maupun digital. Laporan yang dikutip dari Insight mencatat bahwa teknologi Computer Vision siap mengubah cara kita hidup dan bekerja dalam dekade berikutnya. Tidak sedikit perusahaan/organisasi yang telah berada di garis depan tren ini melihat banyaknya peluang keuntungan dari Computer Vision. Namun, juga perlu dicatat bahwa Computer Vision dapat mengubah masa depan privasi. Privasi berpeluang menjadi semakin kabur karena teknologi Computer Vision dapat digunakan untuk mencari dan menganalisis gambar yang tidak terhitung jumlahnya, dan kemungkinan data Anda akan ada di antaranya. Meskipun teknologi ini sangat luar biasa, perlu juga bagi kita untuk mengawasi hal ini dengan skeptisisme secara proporsional.
Penulis: Alivia Rayneta Yuni
Editor: M. Wahyu Hidayat, Harumi Nimas
Perkembangan teknologi yang sangat pesat mendorong manusia untuk terus mengikutinya. Teknologi yang semakin berkembang ini juga diterapkan dalam hampir setiap bidang di dalam kehidupan manusia. Salah satu teknologi yang sedang berkembang dan banyak digunakan akhir-akhir ini adalah Artificial Intelligence (AI).
Definisi AI
Secara praktis, AI adalah kecerdasan buatan yang dijalankan oleh mesin dan berbeda dengan kecerdasan alami manusia. Secara keilmuan, AI adalah bagian dari ilmu komputer yang melibatkan pengembangan program komputer untuk menyelesaikan tugas-tugas yang seharusnya membutuhkan kecerdasan manusia (Mohammed, 2019).
Selain itu, AI adalah sebuah terminologi yang mencakup berbagai teknologi dan aplikasi yang memiliki kemiripan dengan kecerdasan alami manusia dan sangat terbuka untuk interpretasi. Istilah ini juga mengacu pada suatu sistem yang menampilkan perilaku cerdas dalam menganalisis atau memutuskan suatu tindakan untuk mencapai tujuan tertentu (Boucher, 2020).
AI adalah mesin yang menghasilkan ide dan wawasan internal, yang dapat diuji lebih lanjut sebelum diterapkan. Namun, mesin AI yang membuat keputusan tertentu memerlukan penjelasan lebih lanjut dan uji coba lebih banyak untuk memastikan akurasi keluaran. AI juga adalah sekumpulan teknologi yang dapat digunakan dalam aplikasi, sistem hingga solusi untuk meningkatkan kemampuan fungsional tertentu (Austin, 2017).
Cara kerja dan jenis-jenis AI
Cara kerja AI adalah menggabungkan data dalam jumlah besar melalui proses berulang yang cepat. AI juga melibatkan algoritma yang mampu memproses pembelajaran, persepsi, pemahaman bahasa, penalaran logis hingga memecahkan permasalahan. Hal ini memungkinkan perangkat lunak untuk belajar secara otomatis dari pola atau fitur dalam data.
Teknologi AI juga memiliki beberapa tipe. Tipe pertama disebut juga sebagai narrow AI. Tipe narrow AI adalah mesin kecerdasan non-makhluk hidup yang dibentuk untuk melakukan tugas lebih sederhana seperti mesin pencarian internet. AI tipe ini mampu mengungguli kemampuan manusia dalam apa pun tugas spesifikasinya, seperti menyelesaikan persamaan.
Tipe kedua adalah purely reactive. Mesin AI ini tidak menyimpan memori atau memanfaatkan pengalaman masa lalu untuk memutuskan suatu tindakan di masa yang akan datang.
Selanjutnya, tipe limited memory dapat menyimpan data dalam waktu singkat. Mesin ini juga menggunakan data dalam waktu tertentu dan tidak menambahkannya dalam data bank.
Kemudian theory of mind, merupakan mesin yang dapat meniru model mental manusia dengan merepresentasi dunia, agen dan entitas lainnya.
Terakhir, tipe self-awareness, merupakan mesin fiksi ilmiah yang diharapkan mampu beroperasi seperti manusia contohnya memprediksi kebutuhan dan tuntutannya sendiri (Mohammed, 2019). Tiap mesin AI memiliki tingkat persyaratan yang berbeda, tergantung pada masing-masing tipe dan menyesuaikan kebutuhan pengguna (Alaybeyi, 2019).
Subbidang AI
AI pun memiliki beberapa subbidang dan salah satu yang terbesar adalah Machine Learning (ML). ML dapat didefinisikan sebagai bidang studi yang memungkinan mesin untuk belajar tanpa diprogram secara eksplisit. ML melewati proses pelatihan sehingga tidak membutuhkan pemrograman khusus dalam menyelesaikan masalah.
Subbidang berikutnya di AI adalah Natural Language Processing (NLP) yang membantu mesin untuk berkomunikasi dengan manusia menggunakan bahasa mereka sendiri dan mengukur tugas terkait bahasa lain. NLP memungkinkan mesin untuk membaca teks, memahami ujaran lisan, serta menginterpretasikannya sekaligus menentukan bagian mana yang penting.
Lalu ada Computer Vision yang berfokus dalam meningkatkan mesin pengenalan secara berkala dan terus menerus. Ia dapat menganalisis objek yang tertangkap gambar dan menentukan tindakan apa yang akan dilakukan selanjutnya.
Selanjutnya, ada autonomous vehicles atau kendaraan otonomos yang memperoleh data berdasarkan situasi dan kondisi lingkungan di sekitarnya, lalu meneruskannya ke intelligent agent (Mohammed, 2019).
Sifat AI
Sifat pertama AI adalah mampu memprediksi dan beradaptasi. AI menggunakan algoritma untuk mendapatkan pola dari informasi dalam volume besar. Kedua, AI mampu mengambil keputusan sendiri. Salah satu sifat keunggulan AI adalah kemampuannya untuk terus belajar karena AI menggunakan algoritma untuk mengonstruksi model analitik.
Melalui algoritma tersebut, AI menemukan cara melakukan tugas melalui berbagai uji coba yang dilakukan berulang kali. Dengan demikian, AI adalah alat yang membantu manusia untuk mempertimbangkan cara menganalisis data, mengintegrasikan informasi serta memanfaatkan wawasan tersebut untuk menghasilkan keputusan yang lebih baik (Mohammed, 2019).
Kesimpulan
AI adalah teknologi yang diciptakan dengan kecerdasan yang menyerupai kecerdasan manusia dan difungsikan dalam memudahkan segala aktivitas manusia. Sejatinya, AI merupakan sebuah payung besar dalam teknologi komputer yang mencakup berbagai tipe dan juga sifat yang dapat disesuaikan dengan kebutuhan manusia. AI adalah mesin yang mempelajari cara kerja manusia yang terepresentasi dalam data yang tersedia.
Juga, AI mampu mengidentifikasi berbagai macam aktivitas yang terjadi di dunia ini dan membantu mereka untuk menentukan keputusan. Dengan demikian, AI merupakan teknologi yang berorientasi maju dan mampu bergerak serta menunjukkan persepsi. Ke depannya, AI diharapkan dapat berkembang secara maksimal dan memberikan manfaat seperti membantu memaksimalkan nilai sosial dan dapat membantu manusia dalam menemukan solusi yang tepat.
Referensi
Alaybeyi, et. al., Debunking Myhts and Misconceptions About Artificial Intelligence, 2019.
Austin, et. al., Hype Hurts: Steering Clear of Dangerous AI Myhts, 2017.
Boucher, Philip, Artificial Intelligence: How does it work, why does it matter, and what can we do about it?, European Parliament Research Service (EPRS), 2020.
Mohammed, Ziyad, Artificial Intelligence Definition, Ethics, and Standards, The British University in Egypt, 2019.
Penulis: Santi Hapsari
Editor: M. Wahyu Hidayat, Harumi Nimas
