YT YouTube2Text

YouTube2Text → Transcripts → Team Teaching: Komputasi Big Data - Supervised Learning (Part 3)

Team Teaching: Komputasi Big Data - Supervised Learning (Part 3) — Transcript

by UG Pembelajaran Siber · 3,342 words · 706 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:03[musik]
0:09[musik]
0:18Baik, kembali lagi bersama kami dalam
0:20program literasi
0:22edisi tim teaching mata kuliah komputasi
0:25big data.
0:26Tadi sudah kita dengarkan bersama ya
0:29terkait
0:31materi yang dipaparkan oleh Bapak Galih
0:33ya terkait implementasi implementasi
0:35kecerdasan buatan yang telah
0:37menghasilkan
0:38banyak sekali dampak nyata di seluruh
0:41rantai nilai kesehatan ya mulai dari
0:44diagnosa, penemuan obat sampai dengan
0:46personal medicine. Pasti kita
0:49masih penasaran ya apalagi implementasi
0:52dari yang bisa dipaparkan oleh Bapak
0:55Galih ini terkait
0:58implementasi AI dalam bidang kesehatan.
1:00Baik, untuk waktu dan tempat kami
1:02persilakan.
1:05Baik, terima kasih Bu Heni.
1:08Jadi kita lanjut ya teman-teman.
1:11Tadi kita bahas tentang personalis
1:13medicine.
1:14Jadi di sini saya
1:16bahas terkait yang saat ini sebenarnya
1:20masih bisa dibilang hal yang cukup
1:23updated,
1:24hal yang cukup baru di bidang personalis
1:27medicine. Jadi ini ada
1:29riset sumber sama antara Microsoft dan
1:32Broad Institute.
1:34Jadi bagaimana bisa mengembangkan sebuah
1:38pioneer system berbasiskan AI yang bisa
1:42memberikan personalization dari si
1:44medicine.
1:49Oke. Jadi yang menjadi titik fokus
1:51adalah
1:53kanker dan ini eh dilakukan di eh
1:56Amerika Serikat.
1:58Dan eh menurut survei di Amerika Serikat
2:01dan kenapa ini menjadi eh sebuah
2:05ranah yang perlu difokuskan eh di sana.
2:10Menurut survei 40% dari eh rakyat
2:14Amerika Serikat akan terkena kanker.
2:18Jadi ini surveinya ya, karena kanker itu
2:20eh di berbagai macam eh stages-nya atau
2:24stadiumnya itu memang
2:26eh apa cukup banyak terjadi di Amerika
2:29Serikat sampai dengan 40%.
2:33Dan dari 40% itu hanya 40%-nya. Jadi 40%
2:39dari 40% ya
2:40yang terapinya itu atau treatment-nya
2:43itu eh dimungkinkan untuk pasien-pasien
2:47tersebut. Artinya apa?
2:49Eh 60% sisanya itu tidak bisa
2:52di-treatment
2:54atau saat ini belum tahu treatment-nya
2:56seperti apa.
2:58Jadi eh kalau kita lihat ya
3:01eh kemungkinan terkenanya tinggi sampai
3:03dengan 40%, tapi kalau kita terkena
3:06kemungkinannya itu hanya 40% ada
3:10terapinya, ada treatment-nya. Ini bukan
3:13berarti sembuh ya, baru apakah terapinya
3:16ada.
3:18Jadi dari 40% yang kena 40% yang ada
3:21terapinya.
3:22Dan dari yang di-treatment nah ini dia
3:25nih eh hanya 5% yang sudah mengalami
3:29kesembuhan atau bisa ada riwayat sukses.
3:33Jadi memang eh bisa dibilang
3:35penyakit atau kejadian penyakit ini
3:37memang eh saat ini masih menjadi ranah
3:41riset yang cukup eh banyak dilakukan
3:44karena
3:45untuk mendapatkan eh jangankan untuk
3:48mendapatkan kesembuhan ya, eh bagaimana
3:50bisa di-treatment aja, sangat kecil gitu
3:52ya.
3:54Nah, eee.
3:56Kenapa sebenarnya hal ini sangat sulit
3:59untuk dilakukan ya, sangat sulit untuk
4:02eee, treatment ini eee, bisa didapatkan
4:05untuk setiap orang yang kena dan ketika
4:07treatment itu ada kemungkinannya pun
4:09kecil.
4:10Jadi, eee, di sini gambarannya dan ini
4:12mungkin bisa jadi titik temu antara
4:15dunia eee, kesehatan dan dunia IT, dunia
4:19data analitik. Jadi, teman-teman
4:22eee, yang melihat, yang dari eee, bidang
4:24kesehatan dan dari bidang IT ini eee,
4:28tolong disimak dengan baik,
4:30jangan-jangan di sini bisa menjadi
4:31panggilan nih, karena di sini eee, sa-
4:35saat ini sifatnya masih riset dan bahkan
4:39ya, digadang-gadang kan kalau yang
4:40memang bisa, yang pertama kali bisa
4:42ketemu
4:44eee, yang menyembuhkan kanker nih, itu
4:46bisa jadi kan, bisa memenangkan hadiah
4:49Nobel ya, atau yang sejenisnya.
4:52Karena memang eee, pemanfaatannya bisa
4:54sangat masif dan bisa di eee,
4:56aplikasikan ke seluruh orang di seluruh
4:58dunia.
5:00Oke. Jadi, eee, untuk itu, sebelum itu
5:02kita bahas skalanya.
5:04Jadi, ketika eee, seorang ini
5:07terkena kanker
5:09itu perlu dilakukan biopsi. Jadi, biopsi
5:12itu dilakukan sebuah injeksi untuk
5:14mengambil sebuah sel. Jadi, bukan
5:16menginjek untuk eee, meng- me-
5:19memberikan
5:20eee, sesuatu ya, tapi mengambil.
5:23Jadi,
5:24eee, untuk satu kali biopsi aja
5:28itu kita bisa mendeteksi mutasi DNA
5:31itu ada 100.000 data poin.
5:34Itu satu kali biopsi ya.
5:36Dari 100.000 eee, mutasi itu
5:39yang terdampak gennya itu ada 10.000.000
5:43gen dari mutasi, karena kanker itu pada
5:45dasarnya kan sebenarnya mutasi ya.
5:48Dari situ
5:50ada 200.000 protein
5:53yang eh harus dianalisis. 200.000 ini
5:55200.000 jenis proteinnya ya, karena
5:58protein itu kan jenisnya bermacam-macam.
6:00Dan jumlah sel yang eh bisa dianalisis
6:05dari satu biopsi tadi jumlahnya adalah
6:0734 juta.
6:09Jadi satu kali biopsi dan bahkan
6:12kadang-kadang biopsi ini diperlukan
6:13untuk mengetes apakah positif kanker
6:16atau tidak ya,
6:18itu ada 44 juta data poin
6:21untuk satu kali aja.
6:25Nah, jadi eh ini yang dilakukan untuk
6:28melakukan measurement terhadap eh
6:30biologis kita dari eh dengan skala yang
6:33nano.
6:35Nah, eh sebenarnya
6:39sebentar ini.
6:43Sepertinya ada yang ter- skip sebentar.
6:47Oke.
6:49Nah, sebenarnya ini eh yang menjadi
6:52titik persimpangan antara eh
6:56industri kesehatan dan dengan industri
6:59eh IT ya, ilmu IT.
7:01Karena tadi kalau kita lihat
7:03eh
7:05skala 44 juta data poin ini untuk bidang
7:09kesehatan ini sebenarnya sebuah tugas
7:12yang sangat berat untuk dianalisis.
7:15Tapi buat teman-teman yang nanti apalagi
7:17tadi eh yang seperti Bu Vivi sampaikan,
7:20yang sudah terlatih, sudah terbiasa
7:22nanti ya dengan eh machine learning,
7:24dengan eh supervise maupun supervise
7:26untuk bisa mentraining data supaya
7:29mengklasifikasikan
7:30mana sih eh DNA-DNA yang bermutasi, mana
7:34yang tidak, mana yang normal.
7:36Nah, proses untuk menganalisis data poin
7:39yang ratusan ribu itu bisa dilakukan
7:41dengan sangat singkat dan dengan akurasi
7:43yang bisa kita ukur.
7:45Begitu juga dengan jumlah sel yang
7:47jutaan dan lain sebagainya.
7:50Jadi memang dengan mengenalkan AI
7:53terhadap masalah ini, kita bisa
7:55mendapatkan sebuah breakthrough.
7:57Yang breakthrough ini saat ini sedang
7:59diukur oleh si tim riset ini, yang dari
8:03gabungan Microsoft dan Broad Institute.
8:05Jadi bagaimana tadi setelah biopsi
8:07mutasi-mutasi DNA-nya itu di kirimkan ke
8:10AI
8:12yang AI nanti akan menganalisis dan
8:14kemudian bisa merekomendasikan
8:16treatment-nya.
8:18Jadi kurang lebih seperti itu. Sehingga
8:20bisa yang pertama
8:22memaksimalkan jumlah treatment. Jadi
8:25kalau sebelumnya
8:27kemungkinan bisa di-treatment adalah 40%
8:29dengan ini bisa meningkat.
8:31Karena AI tadi bisa menemukan dengan
8:34lebih akurat kondisi-kondisi mutasi,
8:36kondisi-kondisi kondisi gen, genetis,
8:38dan juga kondisi sel yang kita bisa
8:41matching-kan dengan treatment yang ada.
8:43Itu yang pertama. Yang kedua, apabila
8:45treatment-nya pun belum ada
8:47AI ini juga bisa memberikan
8:49rekomendasinya. Oke, ini ee set dari
8:52kombinasi yang ada di penyakit kanker
8:54yang misalnya baru diidentifikasi ini.
8:57Sehingga bisa mulai dikembangkan.
8:59Sampai akhirnya bisa yang tadi ee apa
9:02namanya
9:03topik yang sedang kita bahas,
9:04personalized medicine. Bisa dibuat
9:07treatment yang personal khusus untuk si
9:09orang itu.
9:10Ini yang di bidang kesehatan disebut
9:12precision oncology. Bagaimana ee dengan
9:16presisi bisa menganalisis penyakit
9:19mendiagnosisnya, kemudian ee mendesain
9:22sebuah treatment sampai dengan obat-obat
9:24yang memang harus dikonsumsi untuk ee
9:28men-treatment si penyakit tersebut.
9:32Nah, ee salah satu kuncinya itu
9:34sebenarnya nanti ngomongin desain
9:36protein. Ini desain protein ini juga
9:38jadi salah satu topik yang menarik kalau
9:41teman-teman ada yang tertarik di bidang
9:43kesehatan dan AI, nanti kalau ada
9:45waktunya kita juga akan sedikit bahas.
9:48Jadi kenapa ini menarik? Karena protein
9:50ini bentuknya seperti pita itu ya
9:52tergulung-gulung secara random
9:54dan jumlahnya itu jutaan.
9:57Jadi untuk bisa membuat treatment yang
10:00bisa
10:02men-treatment
10:04si sel kanker ini dibutuhkan untuk
10:06desain protein yang spesifik.
10:09Nah itu bahkan ada lombanya tuh.
10:12Lomba bagaimana kita bisa menganalisis
10:14dan mendesain protein. Jadi protein ini
10:16skalanya sangat nano ya. Jadi kita bisa
10:18menganalisisnya
10:20kemudian bisa memprediksi kira-kira
10:22nanti bentuknya lipatan-lipatan
10:24folding-nya itu seperti apa.
10:28Nah jadi
10:30kesimpulannya sebenarnya dengan gen AI
10:32tadi khususnya dibantu dengan machine
10:34learning tadi ya.
10:36Itu bagaimana kita bisa memulai ini
10:39sebenarnya dari atas ke bawah ya.
10:41Dari biomarker si biomarker-nya si
10:43pasien mulai dari tadi dari biopsi ya
10:46dari diagnosis penyakitnya kemudian dari
10:50apa namanya
10:51mutasi-mutasi DNA-nya sampai ke
10:53sel-selnya
10:54kemudian kita bisa mendesain protein di
10:58molekular level yang sesuai dengan
11:00kondisi tersebut yang bisa menjadi obat
11:02ya.
11:03Protein desain ini kan seolah-olah jadi
11:05puzzle puzzle pieces yang bisa
11:07membenarkan
11:09dari mutasi sel kanker yang bisa
11:11dibilang
11:12tidak sesuai desainnya sehingga dia
11:14berkembang biak terus kan jadinya.
11:17Kira-kira
11:18gambaran kasarnya seperti itu tentunya
11:20nanti teman-teman yang di [musik]
11:21kesehatan bisa lebih jelas mengerti atau
11:25bisa lebih riset lebih dalam.
11:27Nah ini yang saat ini jadi
11:30milestone salah satu milestone terkait
11:33healthcare 5.0. Bagaimana dengan eh apa
11:37personalized discovery,
11:39personalized experiment, dan kemudian
11:40personalized treatment, itu yang saat
11:43ini dicoba di kanker, itu yang nantinya
11:45bisa dikembangkan ketika memang eh
11:48sukses uji klinisnya bisa kita ukur, itu
11:51ke penyakit-penyakit lain.
11:55Nah, salah satu contoh eh perusahaan
11:58yang fokus pada saat didirikan ya, fokus
12:01eh untuk eh mengembangkan, memprediksi
12:05bagaimana sih protein ini melipat dan eh
12:07membuka,
12:08ini DeepMind. Tadinya dia perusahaan
12:11tersendiri, kemudian diakuisisi sama
12:12Google.
12:13Eh produknya namanya AlphaFold ini, dia
12:16bagaimana memprediksi struktur protein,
12:19yang salah satunya bisa nanti dipakai
12:21untuk eh menyembuhkan beberapa jenis
12:23penyakit yang sudah bisa diukur nih eh
12:25kadar akurasinya.
12:27Kalau teman-teman di eh kesehatan
12:29tertarik, bisa googling
12:31eh DeepMind AlphaFold, nanti di situ dia
12:33akan banyak buka eh success story-nya.
12:37Penyakit-penyakitnya, kalau enggak salah
12:38ada diabetes, ada eh penyakit-penyakit
12:41yang lainnya, cukup banyak yang berhasil
12:43disembuhkan dengan eh pembentukan
12:45protein yang baru.
12:48Tuh.
12:50Ya.
12:52Ini bisa kita play videonya? Oh, enggak
12:54bisa ya?
12:55Oke.
12:56Enggak apa-apa kita skip aja.
13:00Oh, dari sana bisa?
13:01Boleh di-play?
13:13Oke, enggak apa-apa. Eh jadi intinya di
13:16sini, nanti teman-teman juga bisa ini
13:17video yang saya ambil dari eh situs eh
13:21DeepMind AlphaFold.
13:23Jadi ini memang salah satu eh flagship
13:27produk
13:28bagaimana nanti dari cara mereka
13:31memprediksi lipatan-lipatan protein
13:32seperti yang kita lihat di gambar ya.
13:34Jadi itu sebenarnya satu protein kalau
13:36kita zoom itu bentuknya seperti itu ya
13:38yang yang dibilang protein.
13:41Dan DNA itu kan sebenarnya salah satu
13:42kumpulan dari protein-protein juga.
13:45Nah, itu yang nanti dijadikan eh apa
13:48namanya analisis dan membentuk protein
13:50baru supaya bisa
13:52gampangnya sih menyembuhkan penyakit
13:55yang secara personalize. Jadi mendesain
13:57protein yang khusus untuk kondisi si
14:00pasien tersebut.
14:03Nah, tadi kita sempat bahas tentang in
14:05silico medicine kalau teman-teman ingat
14:06di sesi sebelumnya
14:08eh bagaimana bisa si startup ini bisa eh
14:12dengan machine learning dan eh GNAI itu
14:15bisa mempercepat proses rilis obat dan
14:17uji klinis
14:19dari yang biasanya 2 tahun jadi hanya
14:21beberapa minggu ya.
14:24Yang bertahun-tahun biasanya dan hanya
14:25beberapa minggu. Dan cost reduction-nya
14:27itu sampai 60%.
14:29Sama eh buat teman-teman yang tertarik
14:31bisa dikunjungi website-nya di Insilico.
14:33Silakan di eh search saja.
14:36Di sini mereka rilis eh obat-obat yang
14:38memang mereka sudah bisa eh lakukan
14:42sampai uji klinis tadi sampai fase ila.
14:45Contohnya di sini ya kita bisa lihat eh
14:48USP1 inhibitor for treatment of BRCA
14:51mutant cancer. Jadi mereka sudah ketemu
14:54satu eh protein bahasa gampangnya ya
14:59yang bisa mencegah pengembangan si eh
15:02cancer BRCA tadi eh yang disebut USP
15:06USP1.
15:07Nah, kalau di sebelah kiri itu ada
15:08gambar keranjang itu yang memang sudah
15:10bisa dijual.
15:12Karena market-nya beda-beda ya. Karena
15:13contoh kalau di US itu harus lolos FDA
15:15dan lain sebagainya. Jadi ada
15:17fase-fasenya.
15:18Jadi me memang mereka melakukan riset
15:21terhadap penyakit-penyakit tertentu
15:22sampai uji klinis itu prosesnya cepat
15:25dan eh dibantu oleh eh machine learning
15:28dan GenAI.
15:30Jadi ini contohnya yang eh jadi cukup
15:32viral.
15:33Ini nama obatnya rentosertib eh bisa
15:36kita lihat ya di layar yang didesain
15:38untuk eh mentreatment
15:41IPF. Ini penyakit paru-paru ya, penyakit
15:45fatal.
15:46Jadi bagaimana eh yang biasanya itu
15:49biayanya itu sampai 2 miliar dolar ya, 2
15:53billion, 2 billion US dollar
15:55dan untuk membuat terapi tadi biasanya
15:58membutuhkan waktu 10 sampai 15 tahun
16:02itu bisa eh dilakukan dalam waktu
16:05hitungan eh minggu saja
16:08atau bulan ya, jauh lebih cepat dan cost
16:09yang 60% lebih eh rendah dengan
16:14GenAI tadi, dengan dibantu dengan GenAI
16:15dan GenAI dan machine learning.
16:17Jadi yang dilakukan tadi sebenarnya
16:19mirip dengan yang dilakukan oleh eh
16:21Microsoft dan eh Broad Institute dari
16:25molekul yang dari biopsi tadi itu mereka
16:27mencari
16:28mana sih yang eh kayak puzzle pieces
16:30tadi ya, proteinnya mana yang bakal eh
16:34pas, bakal cocok, yang hit gitu ya.
16:37Nah tentunya tadi ya teman-teman di
16:38kesehatan eh bisa riset lebih dalam
16:41terkait ini, tapi proses tadi yang
16:43dulunya manual dan memakan waktu dan
16:45biaya yang besar
16:46ini bisa dilakukan dengan cepat. Jadi
16:49bukan berarti GenAI ini atau machine
16:52learning ini jadi sangat pintar atau
16:53ajaib, tapi sebenarnya mem mempercepat
16:56proses pencocokan pola
16:59dengan dataset yang sangat banyak tadi
17:01ya, kita ngomongin contohnya 44 juta dan
17:03di sini juga sama ya, molekulnya jutaan.
17:06Jadi sebenarnya bagaimana kita melihat
17:08machine learning dan eh GenAI ini
17:11sebagai tools baru
17:13yang bisa kita aplikasikan di industri
17:16yang eee berbeda. Kalau misalnya eee AI,
17:20machine learning itu memang di industri
17:22yang berkembangnya di IT,
17:23tapi nanti bagaimana kita bisa
17:26menggunakan tools tersebut di industri
17:28yang lain.
17:30Jadi eee makanya kenapa eee saya se
17:33biasa eee menyampaikan
17:36saat ini memang zamannya eee cross
17:38function atau cross industry
17:40ideas. Jadi kalau teman-teman yang di IT
17:42memang punya passion di eee dunia
17:45kesehatan,
17:46itu bisa ketemu nih.
17:48Karena memang punya basic misalnya dari
17:50pengolahan data, eee machine
17:51learning-nya sebenarnya lebih mudah
17:53untuk dikerjakan,
17:55tapi punya passion bagaimana bisa
17:57solving masalah-masalah di industri
17:58kesehatan. Atau sebaliknya, teman-teman
18:01di dunia eee kesehatan
18:03yang memang punya passion terkait data,
18:05bagaimana nanti masalah-masalah yang
18:08sudah dipahami masalahnya,
18:10itu bisa cepat diselesaikan dengan mudah
18:12karena sudah dapat tambahan tools baru.
18:16Eee seperti tadi ya, machine learning,
18:17AI dan lain sebagainya, yang mana itu
18:20akan susah di-unlock ketika memang
18:22masing-masing sendiri-sendiri.
18:24Yang di kesehatannya hanya fokus ke
18:26kesehatan aja, yang di IT hanya ngurus
18:28di IT aja gitu ya.
18:30Eee balik lagi tadi ke salah satu tujuan
18:32di awal, mudah-mudahan ini bisa menjadi
18:35eee sebuah pembuka horizon ya, eee
18:38supaya kita bisa
18:40eee
18:41apa namanya melihat potensi-potensi
18:45eee pengembangan ilmu yang kita miliki
18:47di eee ranah-ranah di bidang lain.
18:49Karena memang saat ini bagaimana kita
18:51memanfaatkan ilmu kita di industri yang
18:53beda atau cross industry tadi yang
18:56sebenarnya banyak dicari dan itu bisa
18:58menjadi
18:59eee pembeda value kita nanti di eee
19:01market.
19:04Nah, eee kemudian balik ke Insilico.
19:06Jadi apa sih yang bikin eee metodenya
19:09itu berbeda ya?
19:11Jadi mereka itu bikin enggak cuman satu
19:13tapi 30 AI model yang secara paralel itu
19:17ee mencari polanya dan saling memberikan
19:20feedback.
19:21Sehingga itu bisa jauh lebih cepat dan
19:23bisa ee lebih efisien secara real time
19:26untuk mendapatkan tadi
19:29ee molekul atau protein yang bisa
19:31langsung di ee uji kliniskan dengan
19:34bantuan AI tadi.
19:38Nah, ee kemudian salah satu use case
19:41yang saat ini sudah banyak kita temui
19:44yaitu terkait penggunaan Gen AI atau
19:47large language model
19:49untuk transcription.
19:50Jadi, ini ee sudah ada di Indonesia ya.
19:53Ada aplikasi namanya e-puskesmas itu
19:56buatan Indonesia.
19:58Itu teman-teman bisa search.
20:00Jadi, ini hanya visualisasi aja. Jadi,
20:03dari
20:04ee interaksi antara dokter dan pasien
20:07itu nanti AI yang bisa melakukan ee
20:10summarization dan juga analisis.
20:13Jadi, contoh di sini ya kayak misalnya
20:14kan sekarang sudah banyak
20:16aplikasi-aplikasi
20:18ee telemedicine sebutannya ya. Bagaimana
20:20kita bisa berkonsultasi dengan ee tenaga
20:23medis seperti dokter bahkan ee psikiater
20:26gitu ya, psikolog
20:28secara ee jarak jauh baik dengan telepon
20:31ataupun aplikasi berupa chat.
20:34Nah, ee dari sini transkripnya
20:36atau yang sekarang juga dengan tambahan
20:38ee apa teks to speech atau speech to
20:41text juga bisa dengan ee suara.
20:44Dari sini ini sebenarnya bisa langsung
20:46kita ee analisis dengan menggunakan AI.
20:49Sebenarnya tujuannya apa? Tujuannya itu
20:51satu sebenarnya untuk fungsi ee audit
20:54juga.
20:55Jadi, supaya nanti si aplikasi ini bisa
20:58tahu bahwa ketika memang ada
20:59analisis-analisis ee dari misalnya
21:02tenaga medisnya yang memang tidak sesuai
21:04dengan pakem-pakem medis tertentu
21:06misalnya.
21:07atau sebaliknya dari eh apa pasiennya
21:10juga ada
21:11pertanyaan-pertanyaan yang memang tidak
21:13sesuai dengan
21:15eh pakem-pakem medis tertentu ya
21:17misalnya hanya supaya dapat obat karena
21:19kan beberapa obat keras
21:21yang sifatnya psikotropika misalnya itu
21:23hanya
21:24boleh melalui resep dokter. Nah,
21:26kadang-kadang tuh supaya resep dokternya
21:28keluar pura-pura sakitlah atau pura-pura
21:30konsultasi apa supaya keluar tuh
21:32obat-obat keras tadi. Nah, ini juga bisa
21:35dibantu oleh AI.
21:37Nah, ke depannya ketika AI-nya semakin
21:39pintar tentunya dengan eh
21:41batasan-batasan yang ketat ya, itu kita
21:44bisa menggunakan AI untuk eh tadi
21:47membantu analisis awal.
21:50Tentunya bukan menjadi final
21:51decision-nya tapi sebelum ngobrol sama
21:54dokternya nih bayangin eh kita pakai
21:57tadi ya aplikasi telemedicine yang yang
21:59nanya AI dulu nih
22:01nanya symptoms-nya, keluhannya apa
22:03segala macam sehingga dianalisis jadi
22:05waktu dengan dokternya bisa lebih
22:07efisien.
22:09Kira-kira seperti itu dan eh ini yang
22:12salah satu use case juga di dunia
22:14kesehatan pada zaman Covid itu eh Genose
22:18kalau teman-teman masih ingat ya
22:20itu alat untuk mendeteksi
22:23apakah kita kena Covid apa enggak,
22:24positif Covid apa enggak tapi
22:26berdasarkan eh hembusan nafas.
22:29Jadi tidak perlu menggunakan suntik atau
22:32pengambilan darah.
22:33Nah, ini juga terobosan yang cukup eh
22:36populer kalau saya enggak salah waktu
22:37itu semua perjalanan kereta api ya itu
22:41harus menggunakan ini karena tidak
22:43intrusif dan akurasinya sampai 93%
22:46diklaim.
22:48Itu.
22:50Nah, ini salah satu contoh eh
22:52liputannya.
22:55Ini bisa kita skip saja nanti
22:57teman-teman bisa lihat eh jadi ini
22:59aplikasi buatan eh anak bangsa ya dari
23:02Universitas Gadjah Mada.
23:04Jadi, yang menjadi terobosan adalah
23:06kalau sebelumnya
23:09saat apa alternatifnya untuk dapat ee
23:12tahu kita positif atau negatif Covid itu
23:14harus di swab atau di ini ya
23:18ambil darahnya.
23:19Artinya, ee mekanisme intrusif di sini
23:22hanya melalui hembusan nafas.
23:25Kemudian juga ee kita punya Eijkman
23:27Genomic Integration. Jadi, ee
23:29teman-teman tolong di-googling juga ini.
23:31Ini sebenarnya
23:33satu hal yang banyak mungkin saat ini
23:35sedikit terlupakan ya. Kita punya
23:36Eijkman Institute di ee ranah tentang
23:40genomic terkait ee mutation analysis dan
23:42lain sebagainya.
23:45Nah, kemudian ee yang perlu diperhatikan
23:47itu nanti ee meskipun tadi
23:48advancement-nya itu cukup menarik dan
23:50quote unquote menggiurkan, itu ethical
23:52dan regulatory-nya itu harus tetap
23:54diperhatikan.
23:56Karena data rekam medis kan data yang
23:57sifatnya sensitif dan dilindungi
23:59undang-undang, khususnya undang-undang
24:00PDP.
24:02Kalau di Eropa itu GDPR.
24:05Nah, tadi ee terakhir yang kita sempat
24:07mention di awal terkait industri 5.0
24:10untuk healthcare.
24:11Jadi, perubahannya apa?
24:13Ee milestone-nya adalah tadi ya,
24:14ngomongin personalized medicine. Jadi,
24:16dibantu dengan AI. AI itu bisa mendesain
24:20treatment atau obat yang sifatnya itu
24:22spesifik personal untuk kita sampai di
24:24level molekuler.
24:26Dan bahkan yang digadang-gadang bisa
24:27dibuat adalah semacam digital twin.
24:29Digital twin itu seperti data-data quote
24:32unquote rekam medis kita.
24:34Bentuk DNA, ee molekuler condition dan
24:36lain sebagainya. Sehingga nanti si
24:38dokter itu
24:40bisa tahu dari digital twin kita terkait
24:42ee bagaimana harus meresepkan dan
24:44obatnya hanya cocok untuk kita aja,
24:46misalnya.
24:48Virtual lab dan lain sebagainya.
24:51Nah, ee ini sedikit mungkin tentang
24:53perbedaan antara ee apa
24:55milestone-milestone di healthcare dari
24:571.0 sampai ke 5.0 ya.
24:59Jadi, yang ee, tadi kuncinya adalah
25:02personalization.
25:03Kalau sebelumnya kita yang 1.0 itu fokus
25:06terhadap ee, dokternya.
25:08Semuanya manual, evidence based, ee,
25:10human relationship. Kemudian kita
25:12lakukan desentralisasi, ada elektronik
25:15apa namanya, ee, recording, kemudian ee,
25:18mulai fokus ke teknologi.
25:20Kemudian mulai ada digital record.
25:22Kemudian di 3.0 itu ada automation, cost
25:25reduction, ada mulai pakai wearables.
25:28Meskipun ee, terkait poin-poin ini tidak
25:31tidak ee, melulu ya semua harus
25:34checklist satu persatu.
25:36Di 4.0 itu tadi ya data collection, tadi
25:38terkait IoT-IoT sensor, pakai sudah
25:40mulai pakai machine learning dan AI. Dan
25:42di 5.0 tadi kita ngomongin digital
25:44wellness,
25:46personalization treatment, dan ngomongin
25:48tadi efficient lifelong partnership.
25:51Nah, ini ee, kira-kira perbedaannya.
25:53Kalau sebelumnya kita banyak fokus ke
25:56ee, mengagung-agungkan four, sekarang
25:58sudah 4.0 nih 4.0. Nah, sekarang 5.0.
26:02Apa sih yang berubah?
26:03Itu tadi ya. Sekarang sudah patient
26:05centered. Kalau dulu kan ya kita masih
26:08ke ee, treatment centered-nya, ke
26:10facility centered-nya, ke ee, physician
26:12centered-nya.
26:14Di sini sudah fokusnya ke si pasiennya
26:16itu sendiri approach-nya.
26:18Dan tadi kolaborasinya sudah
26:19multidisiplin, enggak cuman dari
26:21industri kesehatan aja, dari teknologi,
26:24dari AI, machine learning dan lain
26:25sebagainya.
26:26Fokus terhadap menyediakan ee, apa
26:29namanya experience yang personalize dan
26:31connected untuk ee, healthcare
26:32professional dan juga pasien.
26:35Jadi, ee, kira-kira itu terkait
26:37bagaimana sekarang kita ee, sudah di
26:39industri 5.0 untuk ee, teman-teman yang
26:42di healthcare dan bagaimana
26:45ee, memanfaatkan AI, machine learning
26:48itu untuk sebagai tools untuk membantu
26:51kita ee, mendapatkan hasil-hasil yang
26:54lebih menarik ya di industri di
26:56kesehatan di
26:58apa di 5.0 ini.
27:00Itu saja dari saya, terima kasih banyak
27:02teman-teman atas waktunya.
27:04Saya kembalikan Bu Feni. Baik
27:06terima kasih banyak ya Pak
27:09atas
27:10ide-ide briliannya dalam
27:13membuat suatu penelitian
27:15di bidang kesehatan ya Pak ya. Dimulai
27:18dari personal medicine yang diawali
27:20dengan bagaimana cara
27:23memberikan solusi
27:26treatment terhadap suatu penyakit ya.
27:28Tadi contohnya untuk penyakit kanker ya.
27:31Baik
27:32eh
27:33di sini juga tidak lupa ya untuk
27:36melaksanakan penelitian ini harus
27:39menguasai terhadap teori supervise
27:41learning terlebih dahulu tentunya ya.
27:43Karena memang semua berasal dari data
27:45yang bisa dipertanggungjawabkan ya.
27:48Betul. Yang sudah dilabeli. Baik
27:51saya mewakili kru yang bertugas undur
27:54diri, mohon maaf jika ada kekurangan
27:56selama penyampaian materi. Terima kasih,
27:59wassalamualaikum warahmatullahi
28:01wabarakatuh. Waalaikumsalam
28:03warahmatullahi wabarakatuh. Terima
28:04kasih.
28:07[musik]
28:15[musik]
28:21[musik]
28:39[musik]
28:46[musik]
28:47Hah.
28:59[musik]

About this transcript

This page contains the full transcript of Team Teaching: Komputasi Big Data - Supervised Learning (Part 3) by UG Pembelajaran Siber, generated from the public captions YouTube serves with the video. The transcript has 3,342 words across 706 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.