Laboratorium Riset Terapan

Interpretasi radiograf gigi memerlukan ketelitian tinggi dan waktu observasi yang signifikan, dengan tingkat akurasi yang sangat dipengaruhi oleh jam terbang dokter penelaah. Riset terapan ini mengeksplorasi pemanfaatan model computer vision (deep learning) sebagai asisten penunjang dalam mendeteksi dan menandai anomali patologis secara dini untuk diverifikasi lebih lanjut oleh dokter spesialis.

Kolaborasi riset ini berakar langsung dari pengajaran mata kuliah Kedokteran Gigi Digital dan Deteksi Otomatis pada Program Pendidikan Dokter Gigi Spesialis (PPDGS) Radiologi Kedokteran Gigi FKG UGM. Sinergi ini memastikan arah perancangan algoritma dipandu langsung oleh kebutuhan klinis nyata, protokol diagnostik, dan standar kedokteran, bukan semata eksperimen teknis.

Prinsip dasar yang kami junjung sangat tegas: kecerdasan artifisial berfungsi sebagai alat bantu diagnostik (clinical decision support system), bukan pengganti pertimbangan profesional dokter. Setiap wacana implementasi di fasilitas kesehatan wajib diawali dengan validasi klinis yang ketat, akuntabilitas medis yang jelas, dan kepatuhan terhadap keselamatan pasien.

Sebagian besar kendala yang dihadapi pengguna klaster komputasi performa tinggi (HPC) berpola repetitif: kegagalan penjadwalan komputasi (job scheduling), konflik modul, hingga konfigurasi dependensi sistem. Riset ini mengembangkan prototipe model bahasa untuk menangani eskalasi awal tersebut secara mandiri dan akurat.

Inisiatif ini berakar dari riset tesis program M.Sc. Data Science di EURECOM (Prancis), dengan pengujian lapangan bersama EFISON Lisan Teknologi.

Nilai utama dari riset ini bukan sekadar prototipenya, melainkan metodologinya: pemilihan arsitektur model dan spesifikasi perangkat keras adalah pertimbangan biaya komputasi nyata. Keputusan teknis tersebut harus berpijak pada tolok ukur pengujian empiris yang terukur, bukan sekadar perkiraan.

Mayoritas tolok ukur (benchmark) evaluasi Large Language Model (LLM) yang beredar saat ini dirancang dan dioptimalkan untuk korpus berbahasa Inggris. Ketika model-model tersebut diimplementasikan pada konteks dokumen institusi di Indonesia—yang sarat istilah hukum, tata naskah dinas, singkatan birokrasi, serta percampuran dialek daerah (code-mixing)—skor tolok ukur global tersebut tidak lagi mencerminkan keandalan kinerja yang sesungguhnya.

Inisiatif riset ini memformulasi metodologi pengujian yang secara khusus dikalibrasi untuk konteks bahasa Indonesia: mengukur kerentanan halusinasi model saat menjawab pertanyaan di luar batas pengetahuan dokumen, memvalidasi presisi rujukan sitasi, serta mengevaluasi konsistensi penalaran logis pada teks formal maupun semi-formal.

Kami membuka pintu kolaborasi seluas-luasnya, khususnya bagi laboratorium komputasi bahasa di perguruan tinggi dan kelompok peneliti yang memiliki akses ke korpus teks kebahasaan nusantara.

Mayoritas alur kerja birokrasi dan administrasi bisnis di Indonesia masih bertumpu pada dokumen fisik maupun digital: berkas identitas kependudukan, faktur pajak, kuitansi transaksi, klaim asuransi, dan dokumen regulasi. Mengotomatisasi konversi dokumen-dokumen ini menjadi basis data terstruktur memberikan efisiensi operasional yang sangat nyata, namun menghadirkan tantangan teknis yang berat saat menghadapi variasi tata letak yang dinamis dan kualitas pindaian (scan) yang tidak seragam.

Inisiatif riset ini merupakan kelanjutan dari kepakaran kami dalam pengolahan korpus teks dan pemrosesan bahasa alami (NLP) pada proyek BPIW Kementerian PUPR. Fokus utama penelitian kami tertuju pada pengembangan metrik tingkat keyakinan (confidence scoring) adaptif: sistem mampu mengidentifikasi anomali secara otomatis dan mengeskalasi dokumen yang meragukan ke operator manusia (human-in-the-loop validation).

Proyek ini kami posisikan sebagai inisiatif riset terapan berkelanjutan, bukan paket produk komersial siap pakai. Kami membuka peluang kerja sama riset bersama mitra industri dan institusi pemerintah yang mengelola arsip berskala besar.