Catatan: Artikel ini merupakan pendapat pribadi penulis dan tidak mencerminkan pandangan Dewan Redaksi illinibasketballhistory.com.
Headline seperti: “Studi menunjukkan bahwa orang yang suka membaca memiliki empati yang lebih tinggi dan memiliki etika yang lebih baik dibandingkan mereka yang suka menonton TV” (@NGIndonesia, 2018). Di sini kecintaan membaca menjadi indikator empati dan etika yang tinggi.
Atau “Dalam studi komunikasi hewan, monyet capuchin betina di subfamili Cebinae ~ menampilkan ekspresi wajah bebek selama tahap pra-pubertas” (@idwiki, 2018). Ekspresi wajah bebek sepertinya meramalkan keinginan manusia untuk kawin. Apa yang ditunjukkan monyet itu?
Selain itu, “Menurut penelitian, orang kaya tidur lebih nyenyak dibandingkan orang miskin” (@jakarta.keras, 2024), memperkirakan besarnya kepemilikan properti sebagai penyebab sulit tidur. Apakah itu semua hanya tipuan clickbait? Atau apakah Anda serius untuk mengungkapkan temuan penelitian Anda dengan cara yang populer? Namun, semua penemuan mengungkap hubungan antara fenomena yang sebelumnya tidak terlihat.
Gejala penemuan seperti penelitian tidak mungkin terjadi karena berkembangnya penggunaan big data. Selain itu, ilmu data, penelitian adalah ilmu data yang semakin matang.
Keduanya mengarah pada penggunaan aspek data besar secara ekstensif. Mulai dari bidang komunikasi pemasaran, prediksi perilaku konsumen, desain produk, identifikasi calon calon pimpinan partai politik, hingga penentuan pola pengobatan pasien di institusi pelayanan kesehatan.
Kemudian mengidentifikasi jenis-jenis kebijakan publik dalam pengelolaan kota, mulai dari skala mikro, hingga cara menjelaskan konsep kepada siswa di lembaga pendidikan. Hal-hal mikro seperti: mengatur judul berita atau memilih warna tombol aplikasi untuk menarik perhatian pemirsa.
Pertanyaannya adalah apakah sebagian besar permasalahan kehidupan akan diselesaikan oleh big data di masa depan. Melissa Hamilton ~Profesor Keadilan dan Peradilan Pidana, Universitas Surrey~ dan Pamela Ugwudyke ~Profesor Kriminologi, Universitas Southampton~, 2023, ~ dalam artikel mereka: “Sistem AI Kotak Hitam Telah Mempengaruhi Keputusan Peradilan Pidana.Dua dekade – Saatnya untuk terbuka” “dalam artikelnya, dia mencoba mencerminkan sudut pandangnya.
Perspektif kontekstual mengenai penegakan hukum di berbagai negara maju. Keduanya mengatakan sistem pengadilan di seluruh dunia menggunakan kecerdasan buatan (AI) untuk mengembangkan alat penilaian.
Perangkat berbasis kecerdasan buatan ini menggunakan data besar untuk menilai kesalahan dan tingkat hukuman orang yang dituduh melakukan kejahatan. Tindakannya bergantung pada algoritme, dan semua pemrosesan dilakukan melalui pembelajaran mesin. Tidak ada yang bisa menebak hukuman apa yang akan dijatuhkan kepada terdakwa. Ada banyak manfaat yang bisa diperoleh dalam hal efisiensi dan pencegahan bias penilaian, yang dapat dicapai melalui penggunaan alat berbasis AI di atas. Makanya pendukungnya banyak.
Mendukung penggunaan algoritma untuk memenuhi jenis kebutuhan di atas, sehingga menghasilkan: sistem algoritma yang dinilai lebih objektif. Penilaian dilakukan dengan menggunakan metode standar. Ia memiliki kemampuan untuk mengurangi bias yang disebabkan oleh emosi manusia dalam evaluasi dan pengambilan keputusan. Dalam konteks penegakan hukum, sistem terencana berguna untuk melindungi masyarakat.
Namun meski sudah lama digunakan, bukan berarti sistem di atas tidak memiliki kelemahan. Hal ini tercermin dalam pelaksanaan penilaian independen, dimana akses terhadap data dunia nyata dan informasi relevan lainnya seringkali terbatas.
Semua ini menimbulkan pertanyaan mengenai akuntabilitas dan transparansi. Ada potensi bias tersembunyi dalam data besar. Dalam pembuatan perangkat berbasis AI, visi sistem AI kotak hitam telah muncul.
Tanda-tandanya mungkin berisi pencemaran nama baik terhadap etnis minoritas tertentu. Ini mungkin karena sistem algoritma menggunakan data yang bias sejak awal. Sumber informasinya mungkin berasal dari lembaga penegak hukum seperti polisi.
Kebenaran di atas dapat diilustrasikan dengan menutup mata dan menggunakan analogi sekantong kelereng. Peluang mendapatkan kelereng biru lebih tinggi jika warna tersebut menjadi pengisi utama tas.
Demikian pula, orang kulit hitam adalah penjahat. Peluang meningkat di daerah dengan populasi kulit hitam yang besar. Hasil yang dihasilkan perangkat tersebut hampir selalu menyebut orang kulit berwarna sebagai penjahat.
Namun bukan berarti warna kulit menjadi penyebab kejahatan. Namun, sumber informasinya “memberdayakan orang kulit hitam” sebagai penjahat. Apa yang tidak bisa ditunjukkan oleh data besar: warna kulit tidak menyebabkan kejahatan.
Kekhawatiran Hamilton dan Ugwudaike di atas dibenarkan oleh pernyataan serupa. Karen Hao, 2019, melalui tulisannya: “AI mengirim orang ke penjara dan melakukan kesalahan” menambah kekhawatiran tersebut. Artikel ini dimulai sebagai berikut: Menggunakan data dari pengalaman masa lalu untuk melatih alat penilaian mendorong peniruan kesalahan masa lalu.
Hal ini termasuk lembaga kepolisian yang menggunakan algoritme prediktif untuk menugaskan stafnya guna mencegah kejahatan. Selain itu, lembaga penegak hukum lainnya menggunakan sistem pengenalan wajah untuk membantu mengidentifikasi tersangka.
Semua ini dapat menyebabkan keputusan yang salah. Data yang dihasilkan mesin mungkin mengandung bias pada data profil kriminal sebelumnya. Juga kemiripan wajah yang terbaca melalui pengenalan wajah dengan orang yang pernah melakukan kejahatan. Kesamaan data masa lalu digunakan sebagai prediktor tindakan di masa depan.
Prediksi perilaku masa depan menjadi jelas ketika Hao menemukan: sistem untuk menilai kemungkinan melakukan tindak pidana, yang dibuat dari rincian profil terdakwa sebelumnya. Hasilnya adalah hasil pengembalian.
Semua ini digunakan oleh lembaga penegak hukum untuk menentukan keputusan hukuman dan jenis layanan rehabilitasi yang dapat diterima oleh terdakwa. Skor yang rendah merupakan kabar baik bagi terdakwa. Sebab hukumannya ringan atau masa rehabilitasinya singkat. Namun jika nilai residivismenya tinggi, maka terdakwa akan menghadapi hukuman yang lebih berat.
Faktanya, sistem yang dikembangkan berdasarkan AI adalah yang utama. Nilai tersebut mempengaruhi keputusan hakim, petugas penjara, petugas pembebasan bersyarat dan petugas masa percobaan.
Pembacaan kartu menentukan sikap terhadap terdakwa. Secara umum, kesamaan dianggap bersifat prediktif. Memang, proses penentuan tindakan hukum berlangsung singkat dan efisien. Bebas dari opini manusia. Namun masalah besarnya adalah: apakah Anda mengetahui data yang digunakan untuk mengkompilasi perangkat tersebut. Ada pemalsuan informasi. Artinya, seiring bertambahnya jumlah informasi, potensi bias juga meningkat.
Selain distorsi data yang melekat dalam pembangunan sistem data besar, Jiangqing Fan, Fan Han, dan Han Liu, 2014, “Masalah dalam Analisis Big Data,” menangani data besar dalam hal ukuran ukuran sampel yang sangat besar dan dimensi yang tinggi . .
Semua ini mengarah pada masalah komputasi dan statistik yang kompleks. Ini termasuk skalabilitas dan hambatan penyimpanan, gangguan kumulatif, korelasi palsu, endogenitas acak, dan kesalahan pengukuran, ketiganya menjelaskan.
Mengenai korelasi palsu, ini mengacu pada artikel Scott Wilson tahun 2024, Better Than Chance: The Outer Limits of Big Data Analytics. Wilson mengatakan ada banyak korelasi yang bisa diungkapkan oleh data besar. Ini mungkin termasuk korelasi yang diketahui berdasarkan hasil penelitian seperti contoh di atas. Namun tidak semuanya bisa digunakan untuk prediksi. Itu juga memiliki arti tertentu, yang penting.
Dengan cara lain, uraian Wilson dapat dikatakan: demonstrasi kerja statistik untuk menemukan pola, korelasi yang ditunjukkan sebagai hasil pemaparan melalui data besar. Namun pola ini belum tentu menunjukkan adanya hubungan sebab-akibat.
Dikatakan bahwa orang kaya tidur lebih nyenyak daripada orang miskin, namun ketika Anda menemukan orang miskin, dapat diprediksi bahwa mereka tidur lebih sedikit. Kurang tidur bukanlah penyebab kemiskinan. Demikian pula, bentuk paruh bebek atau kecintaan membaca bukanlah merupakan prediktor perilaku yang dilaporkan dalam korelasi tersebut. Hal ini disebut korelasi palsu dalam data besar.
Oleh karena itu, tanpa memahami proses pengumpulan data ~ yang meliputi: operasionalisasi teoritis konsep, pemuatan variabel secara berurutan, waktu dan ruang pengumpulan data kontekstual ~ alih-alih memenjarakan orang yang tidak bersalah, big data justru memenjarakan dirinya dalam realitas korelasi yang salah.
Korelasi tercipta dengan cara mencocokkan nilai signifikan suatu dimensi tertentu dengan dimensi signifikan lainnya. Nilainya menunjukkan kesamaan dimensi satu sama lain. Namun sebenarnya itu tidak sembarangan.
Ketika data besar ini menunjukkan bahwa jumlah nasi yang dimakan berhubungan secara signifikan dengan jumlah penderita kanker otak, maka hal tersebut sama sekali tidak masuk akal: makan nasi menyebabkan kanker otak. Di sini nampaknya peralatan canggih terkini bisa menjadi sumber ilmu. Pencegahannya adalah jika Anda masih mempunyai kemauan untuk terus belajar. (teman/teman)
