Laboratorium Riset Terapan

Interpretasi radiograf gigi memerlukan ketelitian tinggi dan kejelian membaca detail mikroskopis, dengan konsistensi diagnosis yang kerap dipengaruhi beban kerja dokter. Riset terapan ini mengembangkan model computer vision (deep learning) untuk menandai indikasi lesi dan anomali patologis pada citra rontgen panoramik maupun periapikal sebelum ditelaah lebih lanjut oleh dokter spesialis.

Agenda riset ini berangkat langsung dari kegiatan pengajaran mata kuliah Kedokteran Gigi Digital dan Deteksi Otomatis pada Program Pendidikan Dokter Gigi Spesialis (PPDGS) Radiologi Kedokteran Gigi FKG Universitas Gadjah Mada. Melalui kolaborasi ini, pemilihan arsitektur model dan penandaan anotasi data dipandu langsung oleh protokol diagnostik medis, bukan sekadar eksperimen algoritma di atas kertas.

Sistem ini diposisikan sebagai perangkat pendukung keputusan klinis (clinical decision support system), dengan kewenangan diagnosis akhir tetap berada pada dokter spesialis radiologi. Penerapan di fasilitas layanan kesehatan mewajibkan tahapan uji validasi klinis berkala, transparansi penjelasan model, serta kepatuhan penuh terhadap standar keselamatan pasien.

Kendala operasional yang dihadapi pengguna klaster komputasi kinerja tinggi (high-performance computing/HPC) umumnya memiliki pola berulang: kegagalan antrean tugas (job scheduling pada Slurm), konflik dependensi pustaka (environment module), dan konfigurasi alokasi memori GPU. Riset ini menguji model bahasa ringkas (compact LLM) yang mampu mendiagnosis pesan galat komputasi dan memberikan panduan perbaikan langsung kepada peneliti.

Inisiatif ini berangkat dari penelitian tesis program M.Sc. Data Science di EURECOM (Prancis) dan diuji coba pada lingkungan klaster komputasi bersama EFISON Lisan Teknologi.

Fokus utama penelitian diarahkan pada efisiensi inferensi: bagaimana model berukuran parameter kecil dapat berjalan lokal di peladen tanpa membebani kartu grafis utama komputasi. Hasil eksperimen membuktikan bahwa model ringkas yang diselaraskan (fine-tuned) khusus pada korpus log teknis menghasilkan akurasi diagnosis tinggi sekaligus menghemat penggunaan sumber daya komputasi.

Sebagian besar tolok ukur (benchmark) evaluasi model bahasa besar (LLM) dirancang untuk korpus berbahasa Inggris. Saat model diuji pada naskah institusional di Indonesia (yang sarat istilah hukum, tata naskah dinas, singkatan birokrasi, serta percampuran kosakata daerah), skor evaluasi global tersebut tidak lagi mencerminkan keandalan kinerja di lapangan.

Riset ini menyusun metodologi pengujian empiris khusus konteks bahasa Indonesia: mengukur kerentanan halusinasi saat model ditanya di luar batas dokumen rujukan, menguji kepatuhan terhadap batasan sitasi (retrieval-augmented generation), serta mengukur konsistensi penalaran logis pada ragam teks formal pemerintahan.

Kerangka evaluasi ini dikembangkan secara terbuka untuk pengujian bersama laboratorium komputasi linguistik perguruan tinggi dan kelompok periset korpus bahasa di Indonesia.

Sebagian besar alur administrasi publik dan transaksi korporasi di Indonesia bergantung pada dokumen cetak maupun salinan pindaian digital: berkas identitas, faktur pajak, bukti transfer perbankan, dan formulir perizinan. Mengubah tumpukan dokumen tersebut menjadi data tabel terstruktur sering terbentur oleh variasi tata letak berkas, resolusi pindaian yang rendah, serta keberadaan stempel dan tanda tangan basah.

Riset ini melanjutkan pengalaman kami dalam penambangan korpus teks dan pemrosesan bahasa alami (NLP) pada proyek BPIW Kementerian PUPR. Fokus pengujian ditekankan pada mekanisme skor keyakinan adaptif (adaptive confidence scoring). Algoritma dirancang untuk mengekstrak kolom informasi kunci dan secara otomatis mengeskalasi berkas yang meragukan ke petugas pemeriksa (human-in-the-loop).

Inisiatif ini dijalankan sebagai riset terapan mandiri yang terbuka bagi kolaborasi pengujian lapangan bersama instansi pemerintah dan mitra industri pengelola arsip berkapasitas besar.