Depok, 13 Januari 2025 – Dalam era big data saat ini, masalah data hilang (missing data) menjadi tantangan yang signifikan di berbagai sektor, seperti kesehatan, keuangan, hingga lingkungan. Data yang tidak lengkap sering kali menghambat proses analisis dan pengambilan keputusan, terutama ketika pola distribusi data bersifat kompleks dan tidak mengikuti asumsi normalitas.
Imputasi data—proses mengisi kekosongan data—menjadi solusi penting, namun pendekatan konvensional sering kali gagal memberikan hasil optimal untuk dataset yang memiliki distribusi non-normal.
Tantangan inilah yang mendorong Ari Wibisono, seorang peneliti dan staf pengajar dari Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI), untuk mengembangkan algoritma imputasi berbasis diffusion model yang inovatif, sehingga berhasil meraih gelar Doktor Ilmu Komputer dari UI.
Ari Wibisono berhasil mempertahankan disertasinya yang yang berjudul “Natural Generative Noise Diffusion Model Imputation”. Ari mengusulkan pendekatan baru yang mengintegrasikan diffusion model dengan Perlin noise. Diffusion model, yang umumnya dikenal dalam kercerdasan artisisial atau artificial intelligence (AI) generatif, diadaptasi oleh Ari untuk memperbaiki kualitas imputasi data.
Dengan penggunaan Perlin noise, algoritma ini mampu menangkap pola-pola halus dalam data yang tidak dapat ditangani oleh Gaussian noise. Pendekatan ini terbukti meningkatkan akurasi imputasi hingga 10% dalam pengurangan nilai Root Mean Square Error (RMSE)..
“Metode ini dirancang untuk meningkatkan kualitas dataset dengan pola distribusi non-normal, yang sering menjadi tantangan bagi metode imputasi konvensional. Dengan pendekatan ini, penelitian menunjukkan peningkatan akurasi imputasi hingga 10% dalam pengurangan nilai RMSE. Metode yang lebih akurat dapat meningkatkan kualitas analisis dan pengambilan keputusan,” tutur Ari.
Topik disertasi yang diangkat Ari begitu relevan dengan banyak bidang, seperti kesehatan, keuangan, dan lingkungan yang memiliki persoalan data hilang dengan pola distribusi yang kompleks.
Penelitian ini sendiri menjawab tantangan dalam analisis data dengan menciptakan pendekatan yang lebih presisi, khususnya untuk dataset yang tidak memenuhi asumsi normalitas.
Ari juga mengungkapkan inspirasi yang mendorong penelitiannya adalah tantangan nyata yang dihadapi dalam menangani data hilang di berbagai sektor.
Namun, proses penyelesaian penelitian ini ternyata tidaklah mudah. Ari mengatakan tantangan utama adalah tingginya kompleksitas komputasi dari Perlin noise, terutama pada dataset berdimensi tinggi.
“Selain itu, proses validasi terhadap berbagai dataset membutuhkan waktu yang cukup lama,” katanya.
Dengan manajemen waktu yang baik dan optimasi pada model, Ari berhasil mengatasi kendala ini.
Penelitian ini pun memberikan manfaat luas, seperti dalam bidang kesehatan, karena algoritma ini dapat digunakan untuk imputasi data pasien yang hilang dalam analisis medis. Di sektor keuangan, metode ini membantu mengisi kekosongan data transaksi untuk analisis risiko. Adapun di bidang lingkungan, algoritma ini dapat memperbaiki data hilang dalam pemantauan iklim atau geografis.
Ke depan, Ari berharap penelitiannya dapat diterapkan pada jenis data yang lebih kompleks, seperti data spasial-temporal atau data time-series dengan berbagai kompleksitas.
“Rencana saya adalah melanjutkan penelitian ke aplikasi yang lebih luas, seperti analisis big data, atau mengembangkan algoritma ini agar lebih efisien secara komputasi,” ungkapnya.
Ari berharap hasil penelitiannya dapat menjadi referensi bagi penelitian lebih lanjut dan diaplikasikan secara luas.
“Saya berharap hasil disertasi ini dapat memberikan kontribusi yang berarti dalam pengembangan metode imputasi data dan menjadi solusi praktis yang diterapkan di berbagai bidang,” tutupnya.
Penelitian doktoral Ari diselesaikan di bawah bimbingan Prof. Dr. Ir. Petrus Mursanto, M.Sc. (Fasilkom UI), Bapak Denny, Ph.D. (Fasilkom UI), dan Prof. Simon See, Ph.D (NVIDIA AI Technology dan Adjunct Professor Fasilkom UI).
Sebagian hasil dari disertasi ini telah diterbitkan pada jurnal internasional bereputasi yaitu, Knowledge-Based Systems, dalam artikel yang berjudul “Natural generative noise diffusion model imputation”. Artikel ilmiah tersebut dalam diakses melalui tautan berikut: https://doi.org/10.1016/j.knosys.2024.112310