JAKARTA –
**Borneonews - Jakarta**, Seorang astronom dari Institut Teknologi Sumatera (Itera), Dr. Robiatul Muztaba, menyampaikan pandangannya mengenai potensi *artificial intelligence* (AI) dalam bidang astronomi. Ia menjelaskan bahwa teknologi ini telah dimanfaatkan dalam pengamatan dan penelitian objek-objek astronomis. Menurutnya, penggunaan AI dalam astronomi sudah mulai meluas, di mana banyak peneliti menggunakannya untuk menunjang penelitian yang mereka lakukan. Contoh penerapannya termasuk dalam identifikasi kawah di bulan dan pengenalan galaksi. "Ada begitu banyak aplikasi yang memanfaatkan AI di bidang ini," ungkap Robiatul saat mengikuti diskusi daring yang berlangsung di Jakarta. Robiatul menambahkan bahwa kita saat ini hidup di dalam era *big data*. Pada masa ini, tantangan dalam penelitian astronomi semakin meningkat seiring dengan kemajuan teknologi kamera dan sistem penyimpanan data. Hal ini memungkinkan penyimpanan data dalam jumlah besar, bahkan hingga satu petabyte, yang setara dengan satu juta gigabyte. "Tren penggunaan AI dalam astronomi pun semakin berkembang untuk membantu dalam memahami data yang terus tumbuh dengan cepat," lanjutnya. Ia juga menekankan peranan AI dalam otomatisasi proses pengamatan dan identifikasi citra objek astronomi. "Biasanya, kita melakukan pengamatan citra secara manual, mencari objek atau bentuk tertentu. Saat ini, kita dapat memanfaatkan *artificial intelligence* untuk mengenali objek-objek dalam citra tanpa harus melihatnya secara langsung," tuturnya. Lebih jauh, Robiatul menjelaskan bahwa kemampuan AI dalam mengidentifikasi objek astronomi berasal dari metode pembelajaran data serta algoritma yang digunakan. Metode pertama yang disebutkan adalah *machine learning*, di mana peneliti harus terlebih dahulu memasukkan fitur-fitur dari objek astronomi yang terekam dalam gambar. Sistem kemudian akan belajar dari fitur yang telah diberikan dan menghasilkan identifikasi objek tersebut. "Proses klasifikasi ini secara tidak langsung bergantung pada data masukan yang diberikan. Dalam hal ini, kita memberi tahu komputer tentang apa yang harus dipelajari, misalnya satu objek seperti bulan purnama atau objek lainnya sebagai perbandingan. Semakin banyak objek yang diberikan, semakin kompleks algoritma yang dibutuhkan," jelasnya. Selanjutnya, ada juga metode *deep learning* yang memungkinkan peneliti untuk melakukan proses input identifikasi fitur dan pembelajaran objek secara bersamaan. Berbeda dengan metode sebelumnya, dalam *deep learning*, peneliti tidak perlu memasukkan fitur-fitur objek secara konvensional. Selain itu, prosedur pembelajaran dalam metode ini bersifat berlapis atau multitingkat. Oleh karena itu, semakin banyak data yang dimiliki, maka semakin banyak pula lapisan pembelajaran yang diperlukan. "Jika kita menggunakan *deep learning* untuk mengenali objek dalam sebuah foto, metode ini akan lebih efisien. Kita dapat secara otomatis mengidentifikasi objek-objek tersebut dalam citra," pungkasnya. ANTARA