Kegiatan Undip Global Classroom (UGC) kembali diselenggarakan oleh Departemen Informatika, Fakultas Sains dan Matematika, Universitas Diponegoro. Pada kesempatan ini, UGC mengangkat topik “From Patterns to Diagnosis” yang dilaksanakan pada Kamis, 4 Juni 2026, pukul 08.00–10.00 WIB secara daring melalui Zoom Meeting.

Kegiatan ini menghadirkan I Made Agus Setiawan, Ph.D. dari University of Pittsburgh, Pennsylvania, USA sebagai narasumber, Satriawan Rasyid P., S.Kom., M.Cs. dari Departemen Informatika, Fakultas Sains dan Matematika, Universitas Diponegoro sebagai moderator, serta dibuka oleh Dr. Aris Sugiharto, S.Si., M.Kom. selaku Ketua Departemen Informatika. Topik yang dibahas relevan dengan perkembangan kecerdasan buatan, khususnya pada bidang pengenalan pola dan penerapannya dalam domain medis.

Dalam pemaparannya, narasumber menjelaskan bahwa pengenalan pola pada dasarnya merupakan proses untuk mengenali keteraturan, struktur, atau karakteristik tertentu dari data. Data yang dianalisis dapat berbentuk angka, teks, sinyal, citra, maupun kombinasi dari berbagai jenis data. Dalam konteks medis, pengenalan pola dapat digunakan untuk membantu memahami gejala pasien, membaca pola pada citra medis, mengidentifikasi anomali, serta mendukung proses diagnosis penyakit.

Pengenalan pola tidak hanya berarti membuat model yang dapat memprediksi suatu kelas, tetapi juga mencakup keseluruhan proses mulai dari pengumpulan data, pemahaman domain, pembersihan data, ekstraksi fitur, pemilihan model, pelatihan, evaluasi, hingga interpretasi hasil. Dengan kata lain, model kecerdasan buatan tidak berdiri sendiri, melainkan bergantung pada kualitas data dan ketepatan tahapan analisis yang dilakukan sebelumnya.

Materi juga membahas perkembangan pendekatan dalam pengenalan pola, mulai dari penggunaan handcrafted features hingga model generatif modern. Pada pendekatan awal, peneliti atau praktisi biasanya merancang fitur secara manual berdasarkan pengetahuan domain. Misalnya, pada citra medis, fitur dapat berupa bentuk, tekstur, tepi, intensitas piksel, atau ukuran objek tertentu. Pendekatan ini sangat bergantung pada kemampuan manusia dalam menentukan fitur yang dianggap penting.

Seiring berkembangnya machine learning dan deep learning, proses ekstraksi fitur mulai banyak dilakukan secara otomatis oleh model. Convolutional Neural Network (CNN), misalnya, mampu mempelajari pola visual dari citra secara bertingkat, mulai dari fitur sederhana seperti garis dan tepi hingga pola yang lebih kompleks. Perkembangan berikutnya mengarah pada model yang lebih besar dan fleksibel, termasuk generative model, yang tidak hanya dapat mengenali pola, tetapi juga membangun representasi data, menghasilkan data sintetis, membantu augmentasi data, dan mendukung berbagai bentuk analisis lanjutan.

Namun, narasumber menekankan bahwa penerapan AI dalam domain medis memiliki tantangan dan konsekuensi yang jauh lebih besar dibandingkan banyak domain lain. Kesalahan prediksi dalam sistem medis tidak hanya berdampak pada angka evaluasi model, tetapi juga dapat memengaruhi keputusan klinis, keselamatan pasien, biaya pemeriksaan, dan tindak lanjut perawatan. Misalnya, kesalahan berupa false negative dapat menyebabkan pasien yang sebenarnya memiliki indikasi penyakit justru tidak terdeteksi, sedangkan false positive dapat menyebabkan pasien menjalani pemeriksaan tambahan yang tidak diperlukan.

Oleh karena itu, pemilihan model dalam bidang medis tidak cukup hanya berdasarkan akurasi. Metrik seperti recall, sensitivity, specificity, precision, F1-score, dan balanced accuracy perlu dipertimbangkan sesuai tujuan klinis. Dalam banyak kasus deteksi penyakit, kemampuan model untuk menemukan pasien yang benar-benar sakit menjadi sangat penting, sehingga evaluasi terhadap false negative harus mendapat perhatian khusus.

Selain membahas model, kegiatan ini juga menekankan pentingnya proses data cleaning atau pembersihan data. Tahap ini sering dianggap sederhana dan kurang menarik, padahal dalam praktik nyata justru menjadi salah satu bagian terpenting dalam pipeline pengenalan pola. Data medis sering kali mengandung nilai hilang, nilai tidak valid, duplikasi, ketidakkonsistenan format, pencatatan yang tidak lengkap, hingga nilai ekstrem yang perlu dianalisis lebih lanjut.

Narasumber menegaskan bahwa kualitas model sangat bergantung pada kualitas data yang digunakan. Jika data yang masuk ke dalam model masih bermasalah, maka hasil prediksi yang dihasilkan juga berpotensi keliru. Prinsip garbage in, garbage out menjadi sangat relevan dalam konteks ini. Model yang kompleks sekalipun tidak akan menghasilkan keputusan yang dapat dipercaya apabila data yang digunakan tidak dibersihkan dan tidak dipahami dengan baik.

Pertanyaan penting yang juga dibahas dalam kegiatan ini adalah apakah AI dapat langsung digunakan untuk menyelesaikan permasalahan medis. Jawabannya adalah tidak sesederhana itu. AI tidak dapat langsung digunakan hanya dengan memasukkan data ke dalam model tanpa memahami konteks masalah, kualitas data, karakteristik pasien, distribusi kelas, risiko kesalahan, serta tujuan penggunaan model. AI perlu melalui proses validasi, evaluasi, interpretasi, dan pengawasan agar dapat digunakan secara bertanggung jawab.

Dalam konteks pendidikan, kegiatan ini memberikan wawasan kepada mahasiswa bahwa pengenalan pola bukan hanya tentang menjalankan algoritma, tetapi juga tentang memahami masalah, merancang pipeline yang tepat, memilih fitur yang relevan, membersihkan data, mengevaluasi model secara kritis, dan mempertimbangkan dampak dari hasil prediksi. Mahasiswa juga diajak untuk memahami bahwa penggunaan AI, khususnya pada bidang medis, harus dilakukan secara hati-hati karena berkaitan dengan keputusan yang memiliki konsekuensi tinggi.

Melalui kegiatan UGC ini, mahasiswa Departemen Informatika diharapkan memperoleh pemahaman yang lebih luas mengenai perjalanan pengenalan pola dari tahap dasar hingga penerapannya dalam diagnosis medis. Topik ini juga membuka ruang diskusi mengenai bagaimana teknologi AI dapat dikembangkan secara lebih akurat, aman, dan bertanggung jawab, khususnya dalam bidang kesehatan.

Kegiatan Undip Global Classroom ini diharapkan dapat terus menjadi wadah untuk memperluas wawasan akademik mahasiswa, memperkuat jejaring internasional, serta memperkenalkan perkembangan riset dan teknologi terkini yang relevan dengan kebutuhan keilmuan dan masyarakat.