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
Data wrangling adalah sebuah proses yang tidak dapat dilepaskan dari Data Science. Dengan banyaknya data yang tersedia di internet, data scientist harus mengolah data mentah menjadi data yang dapat dianalisis dengan mudah.
Menurut sebuah laporan, pada tahun 2021 pengguna layanan berbasis internet menghasilkan data sebesar 74 zettabyte dalam setahun. Data sebesar ini akan terus meningkat seiring pertambahan pengguna dan digitalisasi di bermacam aspek hidup manusia.
Statista memprediksi, pada tahun 2022 pengguna akan menghasilkan 94 zettabyte. Prediksi ini terus meningkat hingga tahun 2025 yang mencapai 463 zettabyte (2020: 64 zb; 2021: 74 zb; 2022: 94 zb; 2023: 118 zb; 2024: 149 zb; 2025: 463 zb).
Jumlah produksi dan konsumsi data ini tentu merupakan potensi bagi Data Scientist untuk menyelami kedalaman Big Data. Namun, salah satu isu di lapangan adalah sebagian besar data bersifat tidak terstruktur. Mengatasi hal ini, data wrangling adalah salah satu metode yang data scientist gunakan untuk membantu proses kerja mereka.
Data wrangling
Merujuk pada artikel lainnya mengenai data science, data wrangling adalah bagian dari tahap maintain dari life cycle of data science. Jika Anda familiar dengan kerangka kerja OSEMN, data wrangling termasuk ke dalam pada tahap Scrubbing.
Pada umumnya, terdapat beberapa istilah yang merujuk pada proses ini, yaitu data wrangling, data munging, atau data remediation. Data wrangling adalah proses mengubah data mentah ke dalam format yang lebih mudah diolah.
Proses data wrangling (akan dijabarkan selanjutnya) mencakup beberapa langkah, seperti menggabungkan beberapa sumber data (merging), mengidentifikasi dan menangani missing value.
Situasi yang memerlukan Data wrangling
Seperti yang sudah dibahas sebelumnya, data lake yang diperoleh dari big data bersifat tidak terstruktur. Terlebih lagi, data ini berjumlah sangat banyak, sehingga tidak efisien apabila proses filtering dilakukan secara manual. Dalam menangani kumpulan data sangat besar, proses data wrangling secara otomatis akan memudahkan Data Scientist.
Perlu diketahui, data wrangling adalah proses yang menuntut dan memakan waktu, baik dari sisi kapasitas komputasi maupun sumber daya manusia. Bahkan dapat dikatakan, proses data wrangling merupakan separuh beban kerja dari seluruh tahap kerja data science.
Proses Data wrangling
Terdapat banyak perspektif mengenai proses data wrangling. Perbedaan proses ini bergantung pada jenis data dan kebutuhan analisis. Pada artikel ini, akan disajikan proses data wrangling yang paling sederhana.
Data wrangling adalah proses yang terbagi menjadi tiga tahap besar:
- Mengambil data dari berbagai sumber dan mengumpulkan data.
- Membersihkan data.
- Menggabungkan data sesuai dengan kebutuhan analisis.
Tahap pertama data wrangling adalah Preprocessing (praproses) dan Standardizing (standarisasi). Preprocessing merupakan ekstraksi data kemudian dikumpulkan dalam satu lokasi, sementara standardizing merupakan penyamaan format data, agar mudah dipahami. Data hasil ekstraksi dapat memiliki format informasi yang berbeda dengan yang dibutuhkan.
Tahap kedua data wrangling adalah data cleansing (pembersihan). Di tahap ini data dibersihkan dari noise, missing, atau erroneous elements (gangguan, kosong, kesalahan). Proses ini bisa jadi memakan waktu cukup lama mengingat jumlah data dapat mencapai puluhan atau ratusan ribu data.
Tahap ketiga dari data wrangling adalah Consolidating (penggabungan), Matching (pencocokan), dan Filtering (penyaringan). Consolidating merupakan penggabungan data dari berbagai sumber menjadi satu kesatuan data yang koheren. Misal, menggabungkan data penjualan dari berbagai outlet se-Jakarta.
Matching merupakan pencocokan data dengan kumpulan data yang ada sebelumnya. Misalnya, data pengguna suatu situs web tahun 2021, disatukan dengan data pengguna kumulatif. Adapun filtering, ia mencakup proses pemakaian filter pada data melalui pengaturan tertentu.
Contoh perspektif lain dari proses kerja data wrangling adalah discovery, structuring, cleaning, enriching, dan validating. Proses ini dapat Anda pelajari lebih lanjut di sini.
Perangkat Lunak untuk Data wrangling
Terdapat banyak perangkat lunak yang dapat digunakan untuk membantu proses data wrangling. Namun, artikel ini hanya mencantumkan beberapa perangkat lunak yang paling umum digunakan untuk proses data wrangling. Di antaranya Anda dapat mempertimbangkan Excel Power Query / Spreadsheets, OpenRefine, Google DataPrep, Tabula, DataWrangler, dan CSVKit.
Selain itu, Anda juga dapat menggunakan Python atau R, apabila ada kebutuhan untuk melakukan data wrangling yang lebih kompleks. Beberapa pustaka Python untuk data wrangling adalah Numpy, Pandas, Matplotlib, Plotly, dan Theano. Sementara di R Anda dapat mempertimbangkan Dplyr, Purrr, Splitstackshape, dan Magrittr.
Kesimpulan
Proses data wrangling adalah proses esensial untuk mempermudah kerja Data Scientist. Automasi data wrangling membantu data scientist memproses lebih banyak data dengan waktu lebih singkat dan efisien.
Data wrangling juga memungkinkan hasil analisis lebih akurat, valid, dan reliabel, yang pada akhirnya akan membantu perusahaan menetapkan pengembangan yang akurat.
Referensi
Andre, L. (2021, June 15). 53 important statistics about how much data is created every day. Financesonline.com. https://financesonline.com/how-much-data-is-created-every-day/
Bushkovskyi, O. (2019, January 24). What is data wrangling (Data Munging)? (+16 tools). theappsolutions.com. https://theappsolutions.com/blog/development/data-wrangling-guide-to-data-preparation/
From data Munging to data wrangling. (2021, September 21). Trifacta. https://www.trifacta.com/data-munging/
Holst, A. (2021, June 7). Total data volume worldwide 2010-2025. Statista. https://www.statista.com/statistics/871513/worldwide-data-created/
Stobierski, T. (2021, January 19). Data wrangling: What it is & why it’s important. Harvard Business School Online. https://online.hbs.edu/blog/post/data-wrangling
Todd, S. (2020, November 2). Data wrangling vs. data cleaning: What’s the difference? Inzata Analytics. https://www.inzata.com/data-wrangling-vs-data-cleaning-whats-the-difference/
What is data wrangling and what are the steps? (n.d.). Altair.com. https://www.altair.com/what-is-data-wrangling/
Penulis: Muhammad Ihsan
Editor: M. Wahyu Hidayat
Transformasi digital menjadi langkah penting bagi organisasi dan perusahaan modern untuk mencapai target bisnis masing-masing. Berbagai teknologi seperti kecerdasan buatan dapat bermanfaat untuk merespons banyaknya informasi dan data. Apabila Anda bekerja di bidang usaha yang memanfaatkan teknologi dan melibatkan data dalam volume sangat besar, penting untuk memahami analytics.
Pengertian analytics
Secara sederhana, analytics dapat dipahami sebagai proses untuk menemukan dan mengomunikasikan pola-pola bermakna dari data. Ini berkaitan dengan mengubah data mentah menjadi wawasan untuk mengambil keputusan. Berkat analytics, perusahaan atau organisasi bisa mendapatkan wawasan berarti yang tersembunyi di dalam data. Ini adalah sesuatu yang dapat dimanfaatkan oleh setiap pemimpin, manajer, atau pelaku bisnis, terutama di industri berbasis data saat ini. Menariknya, ia tidak hanya dapat berperan penting di industri, tetapi juga bisa berkontribusi pada sains, perawatan kesehatan, dan bidang lainnya di mana sejumlah besar data dihasilkan.
Analytics, yang juga dapat disebut sebagai data analytics, terdiri empat jenis, yaitu (1) analytics deskriptif, (2) analytics diagnostik, (3) analytics prediktif, dan (4) analytics preskriptif.
Deskriptif
Pertama, ia dapat memberikan wawasan dengan menyajikan rangkuman secara deskriptif berdasarkan data yang dianalisis.
Diagnostik
Kedua, untuk membantu menjawab pertanyaan tentang mengapa suatu fenomena terjadi dengan melengkapi analitik deskriptif.
Prediktif
Ketiga, untuk menjawab pertanyaan tentang apa yang akan terjadi di masa depan. Ia menganalisis data historis untuk mengidentifikasi tren dan menentukan apakah tren itu cenderung berulang.
Preskriptif
Terakhir, untuk membantu menjawab pertanyaan tentang apa yang harus dilakukan dengan menggunakan wawasan dari analytics prediktif. Dengan demikian, keputusan berdasarkan data dapat diambil.
Kegunaan analytics
Analytics dapat diterapkan di berbagai sektor yang menggunakan data untuk pengambilan keputusan. Namun, analytics berkontribusi signifikan pada bidang bisnis karena mampu merangkum informasi penting dari data dalam volume besar. Di bidang bisnis, analytics memiliki empat kegunaan.
Pertama, mengumpulkan, menggabungkan, dan menganalisis data akan memberi wawasan mendalam tentang perilaku pelanggan. Selain itu, ia juga memberikan pemahaman berharga tentang pengembangan produk dan menjawab pertanyaan kunci seperti fitur mana yang mendorong penjualan.
Kedua, memungkinkan pemimpin bisnis mengidentifikasi tren dan pola tertentu untuk pengambilan keputusan. Ini dapat mendorong kinerja operasional optimal dan berpotensi memangkas biaya.
Ketiga, membantu perusahaan mengidentifikasi aktivitas mencurigakan atau berbahaya tepat waktu. Ini dapat mengurangi potensi kerugian.
Terakhir, menjadi alat dasar dalam memahami keinginan dan kebutuhan audiens target bisnis. Dengan demikian, pebisnis dapat berfokus pada pengembangan produk dan layanan yang mendorong pertumbuhan dan membangun loyalitas pelanggan.
Kesimpulan
Secara garis besar, analytics merupakan instrumen penting di era big data seperti saat ini. Ia dapat dimanfaatkan untuk menggali wawasan penting dari data untuk pengambilan keputusan secara efektif.
Writer: Leon Aruan
Editor: M. Wahyu Hidayat
Machine learning adalah subdomain artificial intelligence yang terus berkembang memenuhi bermacam aspek kehidupan manusia. Aplikasi machine learning dapat dilihat langsung dari munculnya fitur-fitur teknologi termutakhir – seperti rekomendasi konten di Netflix, pendeteksi suara oleh Siri, penerjemah oleh Google Translate dan sebagainya.
Laporan di penghujung tahun 2021 menunjukan bahwa implementasi machine learning adalah bagian esensial proses bisnis yang mampu meningkatkan berbagai indikator termasuk di antaranya produktivitas, efisiensi, dan keamanan. Peningkatan komponen efisiensi yang diperoleh misalnya, tersebar pada berbagai aspek: analisis bisnis (33%), keamanan (25%), penjualan & pemasaran (16%), layanan pelanggan (10%), dan lainnya (16%).
Melihat tren dan manfaat yang diperoleh, sangat menarik untuk mengetahui lebih lanjut tentang apa itu machine learning serta kemampuannya dalam menyediakan tools yang dapat meningkatkan efisiensi kerja manusia di masa sekarang dan mendatang.
Definisi Machine Learning
Perlu ada pengetahuan mendasar mengenai sebelum mengenal Machine Learning. Pertama, frasa “Learning” didefinisikan sebagai suatu proses, dengan arti “untuk mendapatkan pengetahuan, pemahaman, atau keterampilan” dan “modifikasi kecenderungan perilaku dengan pengalaman”.
Selanjutnya “Machine” secara umum diartikan sebagai sistem yang dapat mengubah dan merespons struktur, program, atau data berdasarkan input sehingga mampu mengoptimalkan kinerja.
Sehingga, Machine learning adalah bentuk perubahan dalam sistem yang melibatkan pengenalan, diagnosis, perencanaan, kontrol, dan prediksi untuk mencapai sistem baru yang lebih optimal. Acuan machine learning adalah kemampuan sistem untuk mengintegrasikan pengetahuan melalui pengamatan skala besar, sehingga menghasilkan pengetahuan baru.
Pada praktiknya, Machine learning adalah ilmu multidisiplin yang berintikan ilmu komputer, matematika, dan statistik. Subjek terkait Machine Learning yaitu Artificial Intelligence (AI), data mining, deep learning, data science, natural language processing dan sebagainya.
Namun secara umum, machine learning adalah subdomain artificial intelligence yang mampu mengoptimalkan prediksi hasil tanpa diprogram secara eksplisit. Domain machine learning mampu menyelesaikan masalah berdasarkan pengalaman dan data yang ada.
Seperti halnya kognisi manusia, kinerja machine learning adalah hasil pembelajaran dan pelatihan untuk memecahkan masalah berdasarkan pola terdahulu. Dari logika ini, hasil pembelajaran mampu diproses oleh machine learning sebagai tools baru yang dapat memecahkan berbagai masalah dengan mengungkap pola yang sudah digeneralisasi.
Sebagai tambahan, machine learning adalah sistem yang memiliki kemampuan untuk menyesuaikan bentuk fungsional dari struktur yang kompleks dan fleksibel ke dalam data.
Dari sisi proses, machine learning adalah sistem yang dapat digunakan untuk memprediksi masa depan berdasarkan data dan pengalaman masa lalu, dilihat dari proses berdasarkan pengamatan data dari pengalaman atau instruksi langsung. Setelah itu, mesin mampu melakukan tugas kompleks dan dinamis, serta memprediksi secara lebih akurat. Ia juga akan bereaksi dalam situasi berbeda dan berperilaku cerdas sesuai keadaan.
Machine learning mendorong kompetensi mesin untuk belajar tanpa harus diprogram. Proses pembelajaran ini disebut sebagai training model, di mana setelah melatih model, mesin mampu menggeneralisasi data baru, dilanjutkan dengan generasi korelasi dan prediksi sehingga diperoleh penyelesaian tugas sesuai tujuan.
Pada praktiknya, pendekatan yang digunakan machine learning adalah supervised learning, unsupervised learning, semi-supervised learning, dan reinforcement learning. Jenis algoritma yang dipilih bergantung pada jenis data yang ingin diprediksi.
Supervised learning
Data scientist menyediakan algoritma dengan set data pelatihan berlabel, yaitu dengan input dan output dari algoritma yang sudah ditentukan.
Unsupervised learning
Data scientist melatih set data yang tidak berlabel, yaitu terdiri dari input dengan output yang belum ditetapkan. Algoritma akan memindai kumpulan data untuk mencari koneksi diantaranya.
Semi-Supervised Learning:
Pemodelan machine learning ini merupakan kombinasi dua jenis di atas. Data scientist dapat memberi algoritma dari data training berlabel. Namun, modelnya bebas untuk mengeksplorasi dan mengembangkan pemahamannya sendiri tentang kumpulan data.
Reinforcement Learning
Data scientist menggunakan jenis ini untuk menyelesaikan masalah pengambilan keputusan berurutan atau proses multi-step berdasarkan umpan balik dari lingkungan. Mereka memprogram algoritma untuk menyelesaikan tugas dan memberikannya isyarat positif atau negatif saat berhasil menyelesaikan tugas. Namun, sebagian besar algoritma dapat memutuskan sendiri langkah apa yang harus diambil.
Tren perkembangan machine learning yang pesat ini tidak lepas dari manfaat yang ditawarkan. Secara umum, kegunaan rangkaian algoritma machine learning adalah:
- mengumpulkan pemahaman tentang fenomena yang menghasilkan data,
- mengabstraksi pemahaman fenomena yang mendasarinya dalam bentuk mode
- memprediksi nilai masa depan fenomena menggunakan model yang dihasilkan; dan
- mendeteksi perilaku anomali yang ditunjukkan oleh fenomena yang diamati.
Dari berbagai manfaat yang ada, dua aspek penting yang mendorong urgensi penggunaan machine learning adalah kompleksitas masalah dan kebutuhan akan adaptasi. Kompleksitas masalah yang dimaksud dalam machine learning adalah kemampuannya untuk belajar mendeteksi pola yang bermakna dari kumpulan data kompleks. Oleh karena itu, ia sangat menjanjikan untuk membuka peluang manfaat baru.
Kesimpulan
Machine learning bukan hanya tentang kemajuan teknologi, namun juga tentang bagaimana manusia dan efisiensi akan terlihat pada waktu mendatang. Forbes mengungkapkan perkembangan pesat machine learning beberapa tahun terakhir sejak 2020 dan akan terus meluaskan fokus pengembangannya hingga satu dekade kedepan.
Saat ini, penggunaan machine learning adalah kebutuhan berbagai aspek kehidupan manusia dan akan terus menjadi tren di masa mendatang. Dengan melihat berbagai urgensi, manfaat, hingga tren perkembangan yang ada, machine learning merupakan peluang menjanjikan. Ia juga akan terus menumbuhkan eksistensinya dalam dunia teknologi informasi.
Penulis: Alivia Rayneta Yuni
Editor: Sigit Suryo, Ghifari Adam
Internet of Things (IoT) mendukung kemajuan pesat teknologi berkat inovasinya dalam menghubungkan beberapa perangkat fisik portabel melalui Internet dan digital. Terminologi Internet of Things diperkenalkan pada tahun 1999 oleh teknolog Inggris Kevin Ashton sebagai jaringan yang tidak hanya menghubungkan orang, tetapi juga objek di sekitar mereka. Pada masa itu, banyak orang beranggapan bahwa teknologi ini hanya sekadar fiksi ilmiah. Namun, saat ini Internet of Things menjadi teknologi canggih nyata yang mampu memudahkan aktivitas manusia di tengah perkembangan masyarakat digital.
Apa itu Internet of Things?
Global System for Mobile Communications Association mendefinisikan IoT sebagai perangkat atau sistem yang terhubung secara cerdas untuk memanfaatkan data yang dikumpulkan oleh sensor. Teknologi ini menghubungkan berbagai perangkat fisik melalui internet, sehingga memungkinkan mereka untuk berbagi informasi dan jaringan.
Automasi dan konvergensi IoT sangat potensial dalam meningkatkan kualitas hidup masyarakat konsumen dan produktivitas perusahaan, mengingat tujuan utamanya adalah menciptakan perangkat yang bisa menghubungkan objek, kapan saja dan di mana saja.
Karakteristik Internet of Things
Setelah mengenal tentang apa itu Internet of Things, selanjutnya perlu diketahui karakteristik yang mencirikan IoT sendiri. Berikut terdapat lima karakteristik IoT mengutip dari riset Patel dkk. (2016).
- Connectivity
Konektivitas memungkinkan aksesibilitas dan kompatibilitas jaringan.
- Things-related services
Internet of Things mampu mengkoneksikan perangkat fisik dengan perangkat virtual dengan berbagai batasan diantaranya.
- Heterogeneity
Perangkat IoT dapat berinteraksi dengan perangkat lain melalui jaringan yang berbeda.
- Dynamic changes
Keadaan perangkat dapat berubah secara dinamis: connected, disconnected, berganti lokasi, kecepatan sistem, dan sebagainya.
- Enormous scale
Jumlah perangkat yang terhubung dikelola melalui data skala besar.
Penerapan Internet of Things di berbagai lingkup area
Potensi penerapan Internet of Things cukup beragam karena meresap ke hampir semua aspek kehidupan sehari-hari. Penerapan Internet of Things dapat mencakup berbagai area kehidupan, seperti tertuang dalam riset “Internet of Things (IOT): Research Challenges and Future Applications”, yakni:
- Kota Pintar, mencakup sistem transportasi pintar, gedung pintar, pengelolaan sampah otomatis, pencahayaan pintar, parkir pintar, dan pemetaan kota.
- Layanan Kesehatan, mencakup sistem pelacakan pasien, staf, dan objek, sistem identifikasi dan autentikasi, serta pengumpulan data dan penginderaan otomatis;
- Pertanian Pintar, mencakup sistem pemeriksaan kelembapan tanah, pemantauan dan pengontrolan produk pertanian, serta pengaturan kondisi iklim mikro untuk memaksimalkan produksi dan kualitas produk.
- Ritel dan Logistik, mencakup pengamatan kondisi penyimpanan di seluruh rantai pasokan, pelacakan produk, serta pemrosesan pembayaran berdasarkan lokasi atau periode aktivitas.
- Rumah Pintar, mengintegrasikan teknologi ke sensor dan perangkat pintar seperti gateway broadband, ponsel, komputer, TV, kamera pengawas, dan lampu otomatis.
Tantangan penggunaan Internet of Things
Merefleksi dari karakteristik dan penerapan IoTThings, sangat penting bagi para teknolog untuk bisa memastikan keberhasilan sistem serta fungsinya. Menurut Hussein (2019), tantangan penggunaan Internet of Things terletak pada sisi privasi dan keamanan, sehingga dibutuhkan desain keamanan yang dapat melindungi data dan sistem secara efektif dan dari ujung ke ujung. Selain itu, pemrosesan, analisis, dan manajemen data juga perlu menjadi perhatian khusus di tengah karakteristik IoT yang heterogen dan mencakup data berskala besar.
Masa depan Internet of Things
Ketika Internet of Things terus berkembang, potensi penghubungan objek secara lebih sinergis akan meningkat dan membawa kemudahan bagi konsumen dan perusahaan. Survei memperkirakan total pasar IoT di seluruh dunia bernilai 389 miliar dolar AS pada tahun 2020, dan diprediksi akan meningkat menjadi lebih dari satu triliun dolar AS pada tahun 2030. Tidak hanya itu, jumlah perangkat yang terhubung dengan IoT diperkirakan juga akan tumbuh tiga kali lipat selama satu dekade tersebut.
Seperti halnya bentuk inovasi teknologi lainnya, solusi penyempurnaan keberhasilan sistem dari IoT perlu menjadi perhatian. Implikasinya harus diselesaikan untuk memungkinkan adopsi massal sistem, sehingga IoT dapat terus memenuhi pencapaian beragam tujuan dan efisiensi.
Penulis: Alivia Rayneta Yuniar
Editor: Mochamad Wahyu Hidayat, C. Bagus Jati K.
