Cara Teknologi Kecerdasan Buatan Dalam Menangani Covid-19

Masyarakat dunia digemparkan dengan adanya suatu virus yang bernama Covid-19.Virus ini merupakan virus baru dan penyakit yang sebelumnya tidak dikenal sebelum terjadi wabah di Wuhan, Tiongkok, bulan Desember 2019. Perlu diketahui COVID-19 dapat menyebar dari orang ke orang melalui percikan-percikan dari hidung atau mulut yang keluar saat orang yang terjangkit COVID-19 batuk atau mengeluarkan napas. 

Dari percikan-percikan ini kemudian jatuh ke benda-benda dan permukaan-permukaan di sekitar. Orang yang menyentuh benda atau permukaan tersebut lalu menyentuh mata, hidung atau mulutnya, dapat terjangkit COVID-19. Penularan tersebut juga dapat terjadi jika orang menghirup percikan yang keluar dari batuk atau napas orang yang terjangkit COVID-19. 

Untuk itu diperlukannya edukasi kepada masyarakat tentang cara pencegahan dan penanganan untuk menghadapi wabah tersebut. Cara dalam mengedukasinya salah satunya adalah menggunakan teknologi kecerdasan buatan.

Kecerdasan buatan itu sendiri merupakan suatu mesin atau alat pintar yang dapat melakukan suatu tugas dengan cara belajar dari pengalamannya, dan melakukan tugas selayaknya manusia yang bilamana tugas tersebut dilakukan oleh manusia akan dibutuhkan kecerdasan dan waktu yang cukup lama untuk menyelesaikan tugas tersebut. Teknologi kecerdasan buatan dapat membantu dalam mengurangi jumlah pasien positif Covid-19 salah satu contohnya yaitu Natural language processing (pemrosesan bahasa alami).

Dengan adanya layanan Chatbot untuk penyebaran informasi edukatif mengenai pencegahan COVID-19, masyarakat dapat berkonsultasi secara online dan interaktif tentang bagaimana ciri, penyebab dan penanganan dalam menghadapi COVID-19 ketika melakukan suatu perjalanan. 

Metode yang digunakan dalam chatbot tersebut ialah NLP atau Natural language processing. Natural Langugae Processing itu sendiri merupakan salah satu bagian dari kecerdasan buatan yang dapat menganalisa,memahami,dan memperoleh makna dari bahasa manusia dengan cara yang cerdas. Teknologi ini digunakan untuk mempermudah manusia dalam berkomunikasi dengan komputer.

NLP pada dasarnya dapat membantu membuat chatbot berinteraksi layaknya “human agents”. Namun, penggunaan NLP dalam chatbot masih perlu dikaji sebelum fase pengembangan dan implementasi karena ada kasus di mana chatbot merespon lebih baik tanpa penerapan NLP. Sebagai contoh, jika chatbot hanya digunakan sebagai perantara pemberi informasi status yang input-nya didasarkan pada pilihan yang disediakan dan sudah terdapat respon yang tepat untuk masing-masing pilihan tersebut.

Jika kita ingin komputer dapat berkomunikasi dengan manusia maka dibutuhkan sistem untuk mempelajari berbagai makna pada kata ataupun kalimat yang disampaikan oleh manusia. Secara alami manusia berbicara atau mengeluarkan setiap kata menggunakan urutan atau suatu struktur. 

Manusia dalam setiap menggunakan kata atau kalimat memiliki semantik dan sintaksis. NLP mempelajari tentang bagaimana ‘memahami’ bahasa manusia alami, dengan cara mengubah gambaran bahasa manusia (seperti dokumen teks) menjadi penyajian yang lebih formal (dalam bentuk data numeric dan sombolik) yang lebih mudah untuk dimanupulasi oleh program computer. Tujuan NLP adalah untuk melangkah melebihi manipulasi teks berbasis sintaks (yang sering kali disebut dengan ‘word counting’) ke pemahaman yang benar dan memproses bahasa alami yang mempertimbangkan berbagai batasan semantik dan gramatikal dan juga konteks.

Pada konteks ‘memahami’ tersebut tentu susah dilakukan karena beberapa penggunakan kalimat pada suatu bahasa terkesan ambigu.

Untuk memahami suatu kalimat tersebut harus memerlukan pengatahuan yang luas terhadap suatu topic. Untuk mengatasi masalah tersebut Natural Language Processing memerlukan beberapa kajian, yaitu :

• Segmentasi teks

Beberapa bahasa tulisan, seperti bahasa mandarin, jepang, dan thai, tidak memiliki batasan kata. Dalam contoh ini, tugas text-parsing memerlukan idetifikasi terhadap batasan kata, yang seringkali merupakan tugas yang sangat sulit. Tantangan serupa dalam segmentasi naskah muncul ketika menganalisa bahasa verbal, karena suara menyajikan rangkaian huruf dan kata yang bercampur satu sama lain.

• Penandaaan pada setiap jenis kata

Sangatlah sulit untuk menandai istilah-istilah dalam suatu teks yang terkait dengan bagian tertentu dari suatu naskah (misalnya kata benda, kata kerja, kata sifat, kata keterangan, dst), karena bagian dari naskah tidak hanya bergantung pada definisi istilah tetapi juga pada konteks dimana teks digunakan.

• Disambiguasi makna

Banyak kata yang memiliki lebih dari satu arti. Memilih arti yang paling masuk akan hanya bisa dicapai dengan mempertimbangkan konteks di mana kata digunakan.

• Pemrosesan setiap kata

Suatu kalimat seringkali dianggap sebagai suatu aksi oleh si pembicara. Struktur kalimatnya sendiri mungkin tidak berisi cukup informasi untuk mendefinisikan tindakan ini. Contohnya, “Can you pass the class?” memerlukan jawaban singkat ya/tidak, padahal “Can you pass the salt?” adalah permintaan untuk melakukan suatu tindakan nyata untuk dilakukan.

• Penggunaan kalimat yang tidak baku

Aksen asing atau lokal dan berbagai hambatan vokal dalam pidato dan kesalahan ketik dan tata bahasa dalam teks-teks menyebabkan pengolahan bahasa bahkan lebih sulit.

• Penggunaan sintaks kata yang ambigu

Tata bahasa dalam bahasa alami seringkali ambigu; artinya, ada berbagai struktur kalimat yang memungkinakan yang perlu dipertimbangkan. Memilih struktur yang paling tepat biasanya memerlukan paduan informasi kontektual dan semantik.

Pada saat ini belum ada algoritma yang mampu secara otomatis membaca dan memperoleh pengetahuan dari teks. Dengan menerapkan algoritma ‘learning’ terhadap teks yang diurai, para peneliti dari lab NLP Stanford University telah mengembangkan metode yang bisa secara otomatis mengidentifikasi konsep dan keterkaitan antara konsep-konsep tersebut di dalam teks. 

Dengan menerapkan prosedur unik terhadap sejumlah besar teks, algoritma-algoritma mereka secara otomatis memperoleh ratusan ribu item pengetahuan dunia dan menggunakan mereka untuk menghasilkan repository yang sudah ditingkatkan secara signifikan untuk WordNet. 

WordNet adalah database kosa kata bahasa inggris yang dibuat dengan susah payah, definisi-definisinya, kumpulan sinonim, dan berbagai hubungan semantik antara kumpulan sinonim. Ini adalah sumberdaya utama bagi aplikasi NLP, tetapi telah terbukti sangat mahal untuk dibuat dan dimaintain secara manual. Dengan secara otomatis mendorong pengetahuan ke dalam WordNet, ada potensi untuk membuat WordNet sumber daya yang lebih besar dan lebih komprehensif untuk NLP dengan sebagian kecil dari biaya itu.