Kecerdasan buatan adalah suatu program komputasi yang dapat membuat mesin bekerja layaknya kecerdasan manusia seperti mengambil keputusan, memecahkan masalah, dan melakukan prediksi (Russell and Norvig, 2016). Penelitian kecerdasan buatan telah berkembang sejak tahun 1950-an. Allan Turing dianggap sebagai orang pertama yang mengeluarkan pikiran tentang kecerdasan buatan secara lengkap pada artikelnya yang berjudul "Computing machinery and Intelligent". Saat ini, penerapan kecerdasan buatan mengalami kemajuan yang antara lain didorong oleh ketersediaan big data. Big data telah membuat kecerdasan buatan menjadi lebih 'pintar' dan lebih akurat dalam memberikan hasil. Selain itu perkembangan kecerdasan buatan juga dipengaruhi oleh faktor lain yaitu kemampuan komputasi yang meningkat di masyarakat khususnya generasi muda.
Kecerdasan buatan bekerja menggunakan algoritma dengan machine learning dan deep learning sebagai dua teknik yang paling populer untuk memproses data menggunakan kecerdasan buatan.
- Algoritma, secara singkat, merujuk pada instruksi komputasi yang tersusun secara berurutan (Knuth, 1998). Algoritma ini yang kemudian menjadi 'resep' bagi program kecerdasan buatan yang menghasilkan prediksi dan luaran (Gillespie, 2014).
- Machine learning adalah subset dari kecerdasan buatan. Untuk membuat suatu mesin menjadi cerdas, algoritma machine learning pada suatu mesin pertama-tama memelajari pemberian data (input) yang dilakukan manusia kepada suatu mesin (Goldberg and Holland, 1988). Berdasarkan masukan data tersebut, mesin kemudian memberikan luaran (output) tertentu. Proses pelatihan suatu mesin (training) dengan memberi data dan merespon luaran data ini terjadi berulang-ulang sehingga kemudian mesin dapat memprediksi pola umum (model) fungsi kecerdasan (intelligence) manusia.
- Deep learning adalah bidang turunan dari machine learning. Dibandingkan machine learning, deep learning bekerja lebih mandiri (LeCun et al., 2015). Kemandirian ini karena algoritma deep learning melatih mesin dengan data yang jauh lebih banyak dan dengan tingkatan yang berlapis-lapis (nested hierarchical layers). Dengan demikian, mesin akan mampu mengenali sendiri pola umum pada suatu data, bahkan tanpa memerlukan bantuan manusia untuk memberikan masukan (input).
Kecerdasan buatan dapat dilasifikasi menjadi dua kategori yaitu kecerdasan buatan dengan tingkat keterlibatan mesin rendah dan keterlibatan mesin tinggi. Kategori pertama misalnya, pada konversi gambar ke tulisan. Sistem ini memerlukan peran manusia untuk memberikan masukan berupa gambar ke dalam sistem. Sistem ini bersifat spesifik karena hanya ditujukan untuk mengkonversi gambar menjadi tulisan (contoh kasus pada artikel ini). Jenis kecerdasan kategori kedua dapat ditemukan pada sistem pendeteksi penipuan transaksi dan sistem mobil tanpa pengendara (autonomous vehicle).
Seperti yang telah diuraikan di awal, salah satu kendala dalam deskripsi arsip foto adalah penentuan nama tokoh pada setiap foto. Tujuan kecerdasan buatan adalah membantu manusia dalam melakukan pekerjaannya. Dalam hal ini, kecerdasan buatan dapat membantu arsiparis untuk menentukan nama dalam foto yang akan dideskripsi. Salah satu produk dari kecerdasan buatan adalah yang dikenal dengan nama pengenalan wajah (face recognition).
Face recognition adalah salah satu sistem identifikasi biometrik yang sangat efektif dalam menghasilkan informasi. Hal tersebut bisa terjadi karena penggunaan algoritma neural network yang berperan penting dalam pengembangan sistem face recognition. Neural network dibuat berdasarkan model cara kerja otak manusia. Algoritma ini kemudian mencoba meniru proses otak mengenali wajah seseorang. Alam bawah sadar otak akan mencoba mengenali fitur-fitur khusus pada wajah. Seperti jarak antara mata, tinggi dahi, lebar hidung, dan sebagainya. Algoritma face recognition kemudian dirancang untuk memetakan fitur wajah seseorang secara matematis. Data fitur wajah yang disebut faceprint ini kemudian disimpan untuk dicocokkan dengan hasil pencarian. Hampir sama dengan rekaman sidik jari, faceprint adalah sekumpulan karakter yang jika digabungkan akan mampu mengidentifikasi wajah seseorang (Arfienda, 2018).
AI Membuat Lebih Cepat dan Akurat
Lalu, bagaimana kemajuan teknologi ini dapat membantu pekerjaan arsiparis dalam mengolah arsip foto, khususnya ketika deskripsi? Ketika mendeskripsi sebuah foto, seorang arsiparis harus memuat uraian informasi setidaknya 4W (Who, What, Where, When). Who terkait pelaku atau tokoh, What terkait kegiatan atau peristiwa, Where terkait lokasi peristiwa atau tokoh tersebut berada, dan When terkait dengan waktu kejadian peristiwa.
Contoh deskripsi: Presiden Sukarno berfoto bersama dengan para anggota Kabinet Ali Sastroamidjojo I yang baru saja dilantik di Istana Negara, Jakarta pada 1 Agustus 1953.
