YT YouTube2Text

YouTube2Text → Transcripts → Team Teaching: Komputasi Big Data - Supervised Learning (Part 2)

Team Teaching: Komputasi Big Data - Supervised Learning (Part 2) — Transcript

by UG Pembelajaran Siber · 3,418 words · 615 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:09[musik]
0:14[musik]
0:18Ee kembali lagi pada program literasi
0:21edisi tim teaching mata kuliah eh
0:23komputasi big data. Pada segmen
0:25sebelumnya sudah kita menyimak materi ya
0:28dari Bu Riviana Arif terkait machine
0:30learning di mana big data menyediakan
0:33volume yang besar kemudian ee yang
0:36dibutuhkan oleh machine learning ee
0:39untuk melatih model ya agar bisa belajar
0:41secara otomatis. Nah, teknik-tekniknya
0:44pun tadi sudah dijelaskan terdapat ee
0:46tiga atau empat ya, tiga teknik ya,
0:49supervised learning, unsupervised tadi
0:53eh ada semi ya sebetulnya,
0:55kemudian ada reinforcement learning ya.
0:58Nah, ee untuk segmen kedua kali ini ee
1:01narasumber kita kedua yaitu Bapak Galih
1:03Permadi. Eh, Bapak Galih Permadi ini
1:06merupakan CEO dari PT Exquisit Analytics
1:10Indonesia. Betul ya, Pak? ya.
1:12Heeh. Sering disingkat dengan PT
1:14Exquisit AI ya. Ee PT ini bergerak ee
1:18memberikan layanan berbasis AI dan data
1:21analytics khususnya di bidang kesehatan
1:23dan farmasi ya. Jadi kita tidak salah ya
1:26untuk mengundang Bapak Galih ini akan
1:28memberikan ee insight berupa
1:30pengalaman-pengalamannya ya terkait ee
1:33layanan-layanan implementasi AI pada
1:36bidang kesehatan. Baik, ee tidak
1:38berlama-lama ee kami persilakan untuk
1:40Pak Galih untuk memaparkan paparannya.
1:42Silakan.
1:43Terima kasih Bu Feni, Bui.
1:47Oke.
1:49Asalamualaikum warahmatullahi
1:50wabarakatuh.
1:51Waalaikumsalam warahmatullahi
1:52wabarakatuh,
1:53pemirsa dan teman-teman di UJ TV.
1:57Jadi ee kalau teman-teman ada yang sudah
2:01ikut ya di sesi sebelumnya untuk yang
2:03terkait farmasi ee sebagian materinya
2:07mungkin sifatnya akan menebalkan ee
2:09hanya shifting fokus ya dari farmasi ke
2:13scop yang lebih luas ee di kesehatan.
2:16Jadi memang tadi yang seperti ee Bu Vivi
2:19sudah sampaikan terkait ee pengolahan
2:23data saat ini kita sudah masuk di era
2:26bagaimana kita bisa memanfaatkan
2:28data-data itu kita dapatkan hasil
2:30prediksinya
2:32ya tadi bagaimana dengan supervise,
2:34unsupervise, sami supervise maupun eh
2:37reinforcement. Nah, sebenarnya hal-hal
2:41ini banyak sekali dimanfaatkan di
2:42industri dan salah satunya di industri
2:44yang memang kita berkecimpung yaitu di
2:46industri kesehatan ee selain farmasi ee
2:49di bidang e rumah sakit yang melibatkan
2:51kedokteran dan lain sebagainya. Jadi ee
2:55izin hari ini sedikit sharing terkait ee
2:59beberapa aplikasi. Jadi kita coba mulai
3:02e runutkan dari yang mulai deskriptif
3:04sampai dengan nanti yang mulai prediktif
3:06dengan machine learning sampai dengan
3:07KI.
3:08Dan juga nanti kita akan sedikit sentuh
3:12yang memang menjadi topik yang hangat
3:13diperbincangkan ee terkait industri 5.0
3:18yang memang sudah merambah ke
3:20healthcare. Jadi salah satunya memang
3:22ini menjadi topik yang cukup hangat.
3:24Kalau kemarin memang di farmasi, di
3:26healthc ini juga menjadi ee hal yang
3:28sangat diantisipasi.
3:30Jadi eh sebagaimana tagline yang e di eh
3:34slide yang saya tunjukkan
3:36in today's healthc world data isn't a
3:39bypruct it is the product ya. Jadi
3:41memang kalau eh sebelumnya
3:44data itu sebenarnya hanya samping hasil
3:47sampingan by product. Jadi apabila kita
3:50beraktivitas
3:51ee misalnya berkegiatan misalnya kalau
3:53di industri kesehatan salah satu ee yang
3:56paling besar adalah misalnya rumah
3:57sakit. data ini hanyalah eh byproduct
4:00dari aktivitas kegiatan rumah sakit
4:03misalnya rekam medis misalnya ee resep
4:06dan lain sebagainya yang memang ee kalau
4:09kita lihat beberapa tahun ke belakang
4:12baru beberapa tahun terakhir khususnya
4:14memang harus diakui yang m-trigger
4:16adalah COVID ya ee untuk dilakukan
4:19digitalisasi. Jadi sebelum COVID itu di
4:22tahun 2019
4:24yang mana memang tidak terlalu lama
4:26kalau kita ke rumah sakit itu masih ee
4:30banyak sekali kita lihat prosesnya itu
4:32manual. Jadi ee proses peresepan itu
4:35masih dokternya masih tulis tangan.
4:37Kemudian proses rekam medis itu masih
4:40kita harus ke bagian ee rekam medis dan
4:43dapat folder yang secara fisik yang di
4:45mana di situ tulisan tangan dokternya
4:47yang harus dipelajari ya secara
4:48historikal.
4:50Jadi sebelum COVID itu sangat umum
4:53sekali kita temui level ee jangankan
4:56kita ngomong ee produk sampai ke level
4:59machine learning dan EAI ya, bahkan
5:00ngomong digitalisasi aja masih di level
5:03seperti itu. Nah, saat ini memang kita
5:06jadi banyak berbicara mengenai apa nih
5:09peluangnya, apa nih potensi-potensi yang
5:11bisa dimanfaatkan ketika industri lain
5:14sudah banyak memanfaatkan itu. seperti
5:16eh manufacturing misalnya, kita bisa
5:19melakukan e preventive eh maintenance.
5:22Jadi kita bisa tahu kapan mesin akan
5:24rusak. Terus di perbankan kita bisa
5:26analisis credit scoring pakai machine
5:28learning. Kita bisa prediksi apakah
5:30orang ini bisa diterima atau tidak eh
5:33aplikasi kreditnya. ee dan banyak sekali
5:36aplikasi-aplikasi pengolahan data
5:38menjadi prediktif, menjadi machine
5:40learning dan bahkan yang zaman sekarang
5:41AI dan Gen AI itu di industri
5:43masing-masing. Nah, memang yang ee
5:46khususnya di Indonesia itu yang di
5:49industri healthcare ini cenderung ee
5:52cukup terlambat.
5:54Nah, tapi memang ee di luar sana dan
5:57juga di Indonesia ini sebenarnya sudah
5:59mulai bagaimana tadi ya dimulai dengan
6:02digitalisasi kemudian memanfaatkan ee
6:05teknologi-teknologi informasi data dan
6:07bagaimana nanti memanfaatkan prediksi
6:09sampai dengan ke AI. Nah, di sesi dua
6:13sesi hari ini harapannya saya bisa
6:16sedikit sharing dan mudah-mudahkan
6:18mudah-mudahan membuka sedikit ee horizon
6:22ee cakrawala bahwa e berpikir kita bahwa
6:25sebenarnya potensinya ee cukup banyak ke
6:28luar sana. baik dari teman-teman yang
6:30memang ee peminatannya di teknologi yang
6:34nanti misalnya punya passion di
6:36kesehatan atau sebaliknya teman-teman
6:37yang di kesehatan yang memang punya ee
6:40peminatan di ee teknologi.
6:44Nah, ee jadi pertama kenapa data itu
6:48jadi penting sekarang untuk healthcare?
6:49tadi kita establish ya konteksnya adalah
6:52bagaimana ee data itu sekarang menjadi
6:54produknya bukan hanya sebagai byruk yang
6:57kebetulan ya quot unquote memang harus
6:59tercipta dari aktivitas yang harus
7:02dilakukan kayak di rumah sakit orang
7:04berobat ee daftar gitu ya supaya ee
7:07enggak bolak-balik kita ngingat-ngingat
7:09sakitnya apa kemarin gitu ya. Apalagi
7:11kalau sakit-sakit yang tertentu maka
7:13harus dibikin rekam medis. Jadi ee itu
7:16kan jadinya by produ. Nah, kalau
7:17sekarang ini jadi produknya jadi rekam
7:20medis itu di beberapa industri bahkan
7:22beberapa startup itu banyak yang
7:24produknya meliputi terkait pemanfaatan
7:27rekam medis tadi.
7:29Nah, jadi ee salah satu objektifnya
7:32adalah bagaimana kita bisa ee mendirikan
7:35sebuah urgensi terkait digital
7:37transformation di healthc. Kenapa?
7:40Karena saat ini 90% data di kesehatan
7:44itu tercipta hanya di 2 tahun terakhir.
7:48Jadi itu mungkin yang ee jadi highlight
7:50ya. 2 tahun terakhir ini ee ledakan
7:52datanya begitu besar sehingga volume-nya
7:54itu 2 tahun terakhir aja sama dengan 90%
7:57dari keseluruhan data.
7:59Ee sehingga sebenarnya satu ee jadi
8:02challenge bagaimana melakukan
8:03pemprosesan. Yang kedua berarti
8:05sebenarnya banyak sekali insight yang
8:06sebenarnya bisa kita lakukan. Contohnya
8:09tadi apabila kita ingin melakukan
8:10inisiatif-inisiatif machine learning
8:12yang tadi sudah dijelaskan.
8:14Nah, impact-nya apa sih? impact-nya ini
8:16sebenarnya bisa jadi competitive
8:18differentiator. Kita ketika kita melihat
8:20kesehatan ini sebagai eh industri ya
8:23mungkin frame-nya bukan berarti eh kita
8:25ngomongin kompetisi itu sebagai sesuatu
8:27yang negatif, tapi bagaimana kita bisa e
8:30dapetin competitive advantage.
8:34Nah, eh contoh di sini ngomongin data
8:36explosion itu eh matriksnya adalah yang
8:40saat ini untuk satu human genome itu
8:42besarnya sampai 200 GB untuk satu saja.
8:46Dan ee ada survei yang ee mencatat di
8:50satu rumah sakit itu ee ada yang sudah
8:54mulai ee memberdayakan IoT, data
8:57analytic, machine learning dan lain
8:59sebagainya ya. Itu bisa mempunyai 30.000
9:02lebih. Jadi, IoT ini misalnya kan
9:04bagaimana nanti ee memonitor e heart
9:08rate, terus kemudian nanti buat yang di
9:10ICU dan lain sebagainya. Itu kan
9:11sebenarnya alat-alat yang sifatnya
9:14medical grade yang sebenarnya
9:16memancarkan data yang harus disimpan.
9:18Nah, mungkin sedikit melipir kalau kita
9:20ke industri retail ee saat ini kita
9:23sudah banyak bisa menikmati ee alat-alat
9:27yang sifatnya itu bisa mengukur
9:28kesehatan dan ee rekam jantung kita eh
9:31hard rate monitoring itu dalam harga
9:34yang sangat murah yang kita bisa beli
9:36dalam bentuk smartband atau smartwatch
9:38gitu ya. Jadi zaman dulu itu kita enggak
9:40kebayang kalau kita mau tahu ee apa
9:43detak jantung kita, bats per minutes
9:45kita itu berapa, pasti harus ke klinik
9:47gitu ya. rumah sakit sekarang pelari
9:50atau olahraga kita bahkan bisa ngukur
9:51sampai kalorinya berapa dan lain
9:53sebagainya itu hanya dengan modal
9:55beberapa ratus ribu saja. Nah, data-data
9:58ini kemudian terkumpul setiap hari dan
10:01ee apalagi kalau di rumah sakit ya
10:04semakin banyak sekali data poin yang
10:05sebenarnya muncul semakin canggih
10:07IoT-nya. Artinya pertanyaannya bagaimana
10:10cara memprosesnya
10:12dengan ada 30.000 R tadi itu baru
10:14device-nya belum data point-nya dan juga
10:16tadi subhuman genome ketika kita maes
10:18itu ada 200 gig.
10:22Nah, eh sebelum masuk ke eh machine
10:25learning AI, kita mulai dari yang paling
10:27basic dulu. Ee bagaimana kita melakukan
10:30analisis secara deskriptif. Jadi kalau
10:33di tahapan analitiks itu kan sebelum
10:34kita ngomongi prediktif kita deskriptif
10:36dulu mengetahui apa yang sudah terjadi.
10:39Nah ee ini juga yang sebenarnya kita
10:41lihat meskipun bisa dibilang sangat eh
10:44basic tapi beberapa organisasi masih
10:47cukup eh struggling di poin ini. Ee
10:50karena kami juga masih menemui beberapa
10:53organisasi masih banyak melakukan
10:54pencatatan itu dalam bentuk Excel. Dalam
10:57bentuk Excel masih dalam bentuk catatan
10:59manual. Jadi meskipun mereka punya
11:01sistem yang sifatnya kayak ee apa
11:04namanya? Ee hospital information system,
11:07tapi untuk menganalisis harus
11:09di-download dulu ee kemudian diolah
11:11berupa Excel, kemudian dianalisis,
11:14kemudian dilaporkan ke manajemen dan itu
11:16dilakukan setiap mereka akan melakukan
11:18pelaporan.
11:19Nah, ee banyak sekali teknologi saat ini
11:22yang sudah cukup mature. Contohnya
11:23misalnya kita lihat eh Power BI, TB,
11:26MicroSategy, cukup banyak di pasaran
11:28yang bisa membantu melakukan itu secara
11:30otomatis. Jadi kita bisa connect ke eh
11:33apa namanya disebutnya ERP ya, ERP atau
11:36transaction processing system kita. Dan
11:38nanti bisa dapatkan hasil yang updated
11:41terkait ee bagaimana
11:44ee organisasi kita bekerja, berperform
11:47gitu performance-nya. Jadi seperti ee
11:49revenue-nya, jumlah berapa banyak
11:51pasien, siapa dokter yang paling
11:53produktif dan lain sebagainya. Tujuannya
11:55apa? Supaya kita bisa mengambil
11:57keputusan dengan lebih baik. Karena
12:00sebenarnya ee banyak sekali ee
12:05instansi-instansi kesehatan yang proses
12:06pengambilan keputusannya hanya
12:08mengandalkan eh testit knowledge dari
12:11misalnya dari direkturnya dan lain
12:12sebagainya, tidak berdasarkan data. Jadi
12:14ini jadi foundation yang sangat penting
12:17apalagi kalau kita mau ke machine
12:18learning, AI, eh healthcare 5.0 akan
12:22sangat eh susah apabila data-data yang
12:25sifatnya deskriptif itu belum bisa kita
12:28ee kumpulkan atau belum kita bisa bisa
12:30kita sajikan.
12:32Jadi ini ee contohnya misalnya dari
12:34perspektif ee apoteknya ya, farmasinya
12:37bisa ngelihat ee salah satu impactnya
12:39apa? Impactnya misalnya buat ee
12:41pemesanan obat. Jadi kalau di
12:44manufacturing kita kenal ada yang
12:45namanya just in time itu. Jadi mereka
12:48supaya e kalau misalnya di otomotif gitu
12:50ya produksi mobil mereka bisa
12:52menyesuaikan demand-nya. Jadi
12:54produksinya itu enggak banyak nganggur
12:55di inventory. Kenapa? Karena kan jadi
12:58cost. Sebenarnya hal yang sama juga
13:00terjadi di ee apa? industri kesehatan.
13:02Kalau rumah sakit terlalu banyak nyetok
13:04obat yang sebenarnya obatnya itu enggak
13:06banyak keluar itu kan obat ada expiry
13:09date-nya. Dia makan tempat penyimpanan,
13:11ada costnya. harus laporan ke ee BPOM
13:14dan lain sebagainya dan lain sebagainya
13:15itu ada cost yang tercipta di situ. Jadi
13:18pentingnya melakukan analisis seperti
13:20ini sehingga kita bisa lebih tepat
13:22sasaran, tepat guna dalam ee melakukan
13:24aktivitas-aktivitas
13:26ee dalam kegiatan kita.
13:29Nah, eh tadi ya kalau kita ngomongin
13:31evolusi analytics itu kita bahas tadi
13:33yang simpel, deskriptif, yang sebenarnya
13:36saat ini masih banyak yang berusaha
13:38menuju ke sana tapi memang itu jadi
13:40harus cepat ke sana. ini juga jadi
13:43peluang buat teman-teman ee di bidang IT
13:47itu bagaimana kita bisa ee memanfaatkan
13:50kemampuan atau pemahaman kita dari
13:52bidang data teknologi untuk membantu ee
13:55pembuatan data warehouse misalnya,
13:56pembuatan sistem rumah informasi rumah
13:58sakit, koneksinya supaya datanya updated
14:01dan lain sebagainya. Kemudian ee
14:04prediktif ee itu tadi ya sempat sudah
14:07dibahas juga oleh Bu Vivi terkait
14:09machine learning. apa yang akan terjadi
14:11contohnya kalau di rumah sakit, penyakit
14:13apa sih sebenarnya yang akan mewabah
14:15dalam 2 bulan lagi? Dan itu adalah real
14:18case yang pernah kita ee kerjakan di e
14:21salah satu rumah sakit yang kita ambil
14:23dari data rekam medis. Ee kemudian
14:26diagnostik, kenapa sih hal ini terjadi?
14:28Nah, ini juga salah satu yang jadi
14:30peluang AI muncul untuk bisa menjawab
14:33preskriptif e bagaimana kita bisa
14:35membuat ini kejadian gitu ya. dan
14:36kognitif terkait eh AI khususnya gen AI
14:40yang bisa memberikan insight-insight.
14:43Nah, step-steping evolusi-evolusi ini
14:46yang nanti perlu kita ee rencanakan dan
14:49perlu kita buatkan road map-nya ketika
14:51kita eh akan mengarah ke healthcare 5.10
14:54tadi.
14:57Nah, ee kemudian di fase selanjutnya
14:59ketika kita sudah selesai dengan
15:02deskriptif, kita sudah rapi datanya ya,
15:04kita bisa fokus ke bagaimana nanti bisa
15:08ee mendapatkan data-data yang sifatnya
15:09prediktif. tadi contohnya misalnya ee
15:13bagaimana memprediksi penyakit yang akan
15:15mewabah sehingga ee apa namanya
15:18perangkat medis apa perangkat fasilitas
15:21kesehatan yang bisa disesuaikan dengan
15:22prediksi tersebut.
15:25Nah, kemudian juga bisa kita ngomongin
15:27ee aplikasi-aplikasi dengan penggunaan
15:29AI dan ini juga sudah cukup banyak ee
15:31kita lihat contoh-contohnya.
15:34Misalnya pada ee ekstraksi atau analisis
15:38dari ee resep. Tentunya resep ini memang
15:42harus sudah bentuk digital ya, karena
15:43kalau kita harus baca tulisan tangan
15:45dokter itu cukup challenging untuk
15:48ekstraksinya.
15:49Kemudian eh contohnya tadi ya computer
15:51vision untuk eh sell analisis diagnosis
15:54itu yang saat ini masih mengandalkan
15:56kemampuan orang itu bisa kita automate.
15:59Kemudian ee mencegah penyakit ee deteksi
16:03penyakit kayak seperti kanker, tumor dan
16:05lain sebagainya. Itu ada beberapa
16:07startup yang memang sudah ee memiliki
16:11hasil yang cukup menjanjikan yang ke
16:12arah sana dengan menggunakan machine
16:14learning. Nanti kita ee akan bahas jika
16:17waktunya memungkinkan.
16:19Nah, kemudian eh cloud itu juga memang
16:22sebagai salah satu enabler. Kalau tadi
16:25dibahas terkait big data ya. Big data
16:27itu adalah enabler dari machine
16:29learning. Kalau sebenarnya kita eh
16:31sedikit lihat historical, machine
16:33learning itu kan sebenarnya teknologi
16:34yang cukup kuno kalau kita googling ya.
16:37Itu sudah muncul dari tahun ee kalau
16:41saya enggak salah tuh 60-an atau 70-an
16:43atau bahkan sebelumnya. Tapi kenapa saat
16:46ini mulai booming lagi? Karena pada saat
16:48itu computing power-nya itu memang tidak
16:51ada. Jadi kalau kita ee googling itu
16:56komputer pertama yang RAM-nya itu hanya
16:58cuman beberapa kiloby itu besarnya bisa
17:01satu tembok ya, satu lemari gede. Jadi
17:04bayangin kalau kita mau lakukan proses
17:06machine learning itu cost-nya dan
17:08computing power-nya itu sangat mahal
17:10pada di zaman itu. Nah, dengan big data
17:12tadi eh teknologi yang bisa memecah
17:15proses menjadi terdistribusi dan paralel
17:18itu yang bikin proses machine learning
17:20jadi possible.
17:21kita ment-training ratusan ribu data,
17:23puluhan ribu data itu bisa lakukan
17:26dengan cepat ya karena tadi big data
17:27analytics tadi dan sebenarnya big data
17:30analytics tadi juga tetap ada
17:32challenge-nya. Kenapa? Karena let's say
17:35kita ngomongin big data analytics kayak
17:36contohnya teknologi yang cukup populer
17:38adalah hadup gitu ya. Apacub kita kalau
17:41mau bikin cluster harus beli server yang
17:43cukup banyak ee misalnya 5 atau 6 atau
17:4510 tergantung seberapa besar lot kita.
17:48Nah, itu yang akan jadi challenge karena
17:49capital yang dibutuhkan cukup besar.
17:51Nah, dengan hadirnya cloud yang tadinya
17:53kita harus beli, kita jadi cukup sewa
17:56aja dan setelah selesai training itu
17:58bisa kita ee selesaikan masa sewanya.
18:01Jadi, lebih fleksibel dibanding harus
18:03menyediakan uang untuk ee membeli
18:04perangkat eh server dan computing
18:07power-nya.
18:10Eh, kemudian use case yang biasa banyak
18:12digunakan at least di luar itu terkait
18:14clinical trial optimization. Jadi salah
18:17satu yang biasanya dilakukan pada saat
18:20kita mau merilis obat itu harus ada uji
18:22klinis. Jadi perusahaan perusahaan di
18:25luar ee terkait ee mungkin yang sangat
18:28sering didengar pada zaman COVID yaitu
18:30ketika ee vaksin ya ee dilakukan uji
18:34klinis itu harus cepat ee itu juga
18:36dibantu dengan AI, machine learning dan
18:38bagaimana proses itu bisa diminimalisir
18:42dari human error-nya.
18:45Nah, eh ini sebenarnya salah satu use
18:47case yang cukup eh viral di e beberapa
18:51minggu yang lalu dan ini sempat diliput
18:54oleh tempo bagaimana AI bisa melakukan
18:58proses pengembangan obat dari mulai
19:01hipotesisnya
19:03sampai pengembangannya dan yang harus
19:05dilakukan uji coba itu sampai ke ee obat
19:08itu beneran bisa jadi.
19:11Nah, jadi ee ada satu ee fase yang saya
19:15yakin teman-teman di kesehatan lebih
19:17ngerti ya, namanya yang di fase uji
19:20klinis yang namanya fase IA. Di fase
19:22yang cukup di ujung ketika memang sebuah
19:25obat itu ee layak untuk dirilis ke
19:28publik. Jadi, ada sebuah startup yang
19:31namanya insilico medicine yang berbasis
19:34di Hongkong itu mereka melakukan metode
19:37yang cukup eh breakthrough, cukup
19:40terobosan, yaitu dengan memanfaatkan AI
19:43yang tadinya proses untuk dari eh
19:47clinical trials uji klinis itu cukup
19:48panjang sampai fase ILA. Ini bisa
19:51dicapai hanya dalam hitungan e minggu
19:53saja.
19:54Nanti kita akan bahas lagi terkait si eh
19:58insilico ini ya. Kemudian eh use case
20:02yang berikutnya adalah
20:02pharmacovigilance.
20:04Nah, ini juga hal yang cukup banyak
20:07mulai dilakukan. Bahkan saat ini kita
20:09juga sedang lakukan di salah satu
20:11instansi ee farmasi ee chain. Jadi,
20:16bagaimana kalau kita melakukan
20:18merekomendasikan ya tadi kan contohnya
20:20kan ada ee kalau ngomongin supervise
20:22learning itu salah satunya ee
20:25rekomendasi iklan dan lain sebagainya.
20:28Nah, bagaimana dengan obat? Kalau
20:30misalnya kita lagi mau beli obat, bisa
20:32enggak sih kita direkomendasiin vitamin?
20:34Nah, itu use case yang eh sedang kita
20:37kembangkan di ee bersama salah satu eh
20:40apa namanya? Apothek change yang di
20:42Indonesia. Tapi yang jadi isu adalah ada
20:45beberapa kontraindikasi atau ya yang
20:47disebut pharmacovigilance.
20:49Bagaimana kalau misalnya obat ini
20:51digunakan dengan obat yang lain, vitamin
20:54ini dikonsumsi dengan obat ini, itu apa?
20:57Hasilnya akan menjadi negatif. Nah, hal
20:59ini yang sebenarnya akan sangat susah
21:02untuk mengandalkan ee apa orang-orang
21:06yang memang pada saat ee point of sale
21:08itu harus mengingat karena ee ada ribuan
21:12atau puluhan ribu daftar dan mungkin
21:14ratusan ribu kombinasi. Jadi, kalau
21:16vitamin ini enggak boleh sama obat ini,
21:18obat ini enggak boleh sama obat yang ini
21:19dan lain seterusnya. Dan itu yang nanti
21:21dilakukan oleh AI secara lebih efisien
21:23dan lebih cepat.
21:27Ee ini contohnya ya ketika tadi
21:29ngomongin proses administrasinya,
21:31prosesnya itu cukup panjang dan ee cukup
21:35memakan waktu untuk setiap e prosesnya.
21:37Tapi dengan AI itu kita bisa bikin yang
21:39saat ini kita sebut dengan entic. Jadi,
21:42setiap poin-poin ini kita eh bikin AI
21:45yang kita latih eh dengan tas yang
21:47spesifik untuk solving eh poin-poin
21:50tadi.
21:52Kemudian eh terkait supply chain
21:53analytics juga itu juga kita bisa
21:55lakukan eh improve dengan eh machine
21:58learning dan AI.
22:00Nah, ee yang sangat relevan dengan
22:02industri kesehatan buat teman-teman yang
22:05ee di pegiat di industri ini atau di
22:07bidang ini itu personalized medicine.
22:09Ini yang jadi sebenarnya ee
22:12tolak ukur ya dari industri eh 4.0 dan
22:165.0 di healthc. Jadi sebenarnya yang
22:19yang menjadi isu ee ketika kita sakit
22:23gitu ya, dokter itu ee mencoba
22:26menganalisis penyakit kita dan
22:28memberikan obat itu berusaha memberikan
22:31ee treatment yang sangat personal. Oh,
22:34kalau misalnya dia sakitnya misalnya
22:36batuk tapi dia punya darah tinggi
22:38berarti enggak bisa obatnya ini. Oh,
22:40ternyata dia punya ini, punya ini, punya
22:41ini. Tapi di situ hanya di level yang eh
22:45surface level aja. hanya yang di ee
22:48berikan informasinya saja. Tapi
22:50bagaimana kalau kita bisa ee apa
22:54namanya? Dapatkan personalisasi di level
22:56ee molekuler, di level genetik kita.
23:00Bahwa kita bisa tahu bahwa obat yang
23:02diberikan itu bukan lagi bukan cuman
23:04berbicara obat generik ya, tapi obat
23:05yang di pasaran. Tapi khusus obat yang
23:08didesain untuk ee kondisi genetik kita.
23:12Karena kenapa? saat ini ee sebagus
23:15apapun obat yang ada di pasaran itu
23:17tetap ada kontraindikasinya. Jadi kalau
23:19teman-teman baca di setiap obat ada
23:21kontraindikasi dan setiap uji klinis
23:24juga ee sepertinya enggak ada yang
23:26hasilnya 100% ya kalau saya enggak
23:28salah. selalu ada ee rate rate yang
23:31misalnya ada ee 0 kom sekian persalnya
23:34memberikan kontraindikasi tertentu atau
23:36bahkan kalau kita ingat pada saat di
23:38zaman COVID aja ee membuat vaksin itu
23:41ada sekian persen miss-nya bahkan ada
23:43yang ee bisa memberikan hasil yang lebih
23:47fatal bahkan yang kalau enggak salah
23:49sampai ee mengakibatkan ee kematian gitu
23:52ya. Nah, itu kan karena memang kita
23:55mencoba membuat satu solusi yang bisa
23:58diaplikasikan ke seluruh manusia yang
24:01punya penyakit itu. Tapi bisa jadi semua
24:03manusia itu kan punya genetis yang
24:05berbeda. Jadi 90% orang yang tanpa ee ee
24:09kondisi genetis tertentu itu akan
24:11aman-aman saja. Tapi di 10% lain akan
24:14ada impact. Dari 10 itu 1%-nya impactnya
24:18bisa jadi fatal misalnya. Nah, hal-hal
24:21seperti itu yang saat ini ee tidak bisa
24:24dihandle oleh tradisional ee medicine.
24:27Jadi, hanya uji klinis yang ee sifatnya
24:30dengan apa namanya? Metode-metode yang
24:32sudah ee diterapkan dan lain sebagainya
24:35sampai akhirnya bisa dirilis ke pasaran
24:38dan itu memang harus ee dicegah ya.
24:41Misalnya berarti ini harus obat yang
24:42dengan resep, obat keras dan lain
24:43sebagainya.
24:46itu yang ee nanti kita coba bahas lebih
24:48detail terkait personalized medicine dan
24:50bagaimana nanti impact-nya ke eh
24:53healthcare eh 5.0
24:58ya. Baik.
24:59Eh baik. Eh terima kasih Pak Gali. Eh
25:01menarik sekali ya tadi sudah dibahas
25:04terkait ee big data analitik dan AI
25:07dalam industri kesehatan ya. tadi
25:09khususnya di bidang farmasi juga ada ya
25:13tadi ya dibahas.
25:15Beberapa topik juga sudah diberikan ya
25:17agar mungkin ee pemirsa Yuji TV bisa
25:19mengembangkan kembali ya terkait mungkin
25:22kita sekarang perlu ee seperti personal
25:25health assistant seperti itu tadi
25:27ee personal apa medicine ya
25:30medicine.
25:30Oke.
25:31Baik ee kita harus break dulu tetap di
25:33program literasi jangan ke mana-mana.
25:37[musik]
25:47[musik]
25:51[musik]
25:51H

About this transcript

This page contains the full transcript of Team Teaching: Komputasi Big Data - Supervised Learning (Part 2) by UG Pembelajaran Siber, generated from the public captions YouTube serves with the video. The transcript has 3,418 words across 615 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.