Alih Teknologi AI (Artificial Intelligence) dan Sistem Pemberantasan Korupsi

Alih Teknologi AI (Artificial Intelligence) dan Sistem Pemberantasan Korupsi

 

 

APA sebenarnya artificial intelligence (AI) itu ?

Meski terdengar kompleks, sebenarnya AI adalah suatu konsep yang cukup sederhana. Untuk memahaminya, kita dapat merujuk pada buku Artificial Intelligence: A Modern Approach yang ditulis oleh Stuart Russell & Peter Norvig pada 1995.

 

Dijelaskan dalam buku tersebut, AI adalah sebuah disiplin ilmu yang berfokus pada berbagai metode, cara, dan mekanisme untuk menciptakan mesin yang dapat menjalankan tugas-tugas yang sebelumnya hanya dapat dilakukan oleh manusia.

 

Pekerjaan-pekerjaan yang semula merupakan domain manusia, kemudian dapat dikategorisasikan dan ditransfer ke mesin yang telah diprogram dengan teknik-teknik AI. Pekerjaan ini mencakup beragam aspek, di antaranya pengambilan keputusan, analisis data kompleks, pengenalan pola, dan bahkan pemahaman bahasa manusia.

 

Ketika kita membicarakan transformasi digital dalam sebuah organisasi, termasuk di KPK, AI memainkan peran penting dalam mengoptimalkan proses-proses yang ada.

 

Contoh, penggunaan AI dalam analisis data korupsi dapat membantu mengidentifikasi pola-pola yang mencurigakan secara lebih efisien daripada metode konvensional. Selain itu, penerapan chatbot berbasis AI dalam melayani pertanyaan umum dari masyarakat dapat meningkatkan responsivitas dan efisiensi.

 

Dalam dunia AI, konsep pembelajaran mesin (machine learning) dan pengolahan bahasa alami natural language processing (NLP) memiliki peran sentral.

 

Pembelajaran mesin merujuk kemampuan mesin untuk belajar dari data dan pengalaman, sehingga mesin tersebut dapat mengenali pola-pola dan membuat keputusan berdasarkan informasi yang diberikan. Sementara itu, NLP memungkinkan mesin untuk memahami dan memproses bahasa manusia, termasuk dalam bentuk teks atau audio.

 

Termutakhir, bidang NLP telah mengalami kemajuan yang signifikan, terutama sejak lahirnya teknologi chatbot, seperti Generative Pre-trained Transformer (GPT)—kecerdasan buatan yang dapat menjawab beberapa persoalan yang ditanyakan oleh pengguna.

 

Di sisi lain, AI juga dapat digunakan dalam simulasi proses bisnis sebuah organisasi. Simulasi ini tidak sekadar menggambarkan, melainkan juga terlibat dalam perencanaan dan optimisasi. Dalam konteks ini, AI berperan penting dalam mengembangkan strategi bisnis yang lebih efisien.

 

 

Machine Learning

Dalam bahasan ini, saya akan merinci dan menjelaskan konsep-konsep penting seputar ML, yang sering dianggap sebagai pilar utama di balik berbagai inovasi teknologi modern. ML merupakan dasar dari banyak perkembangan teknologi saat ini. Contoh, ketika kita memasuki ranah NLP, peran ML menjadi kunci untuk menciptakan algoritma-algoritma yang memahami dan memproses bahasa manusia. Di sisi lain, di dunia computer vision, ML digunakan untuk mengajari algoritma-algoritma bagaimana mengenali, bahkan mengartikan objek visual.

 

 

Secara umum, proses ML cukup sederhana. Seperti grafik di atas, proses ini dimulai dengan adanya data atau kumpulan data yang kemudian diolah menggunakan algoritma. Dalam tahap ini, data-data tersebut membentuk pola-pola tertentu melalui algoritma, dan proses inilah yang disebut pembelajaran mesin. Selanjutnya, data tersebut barulah dapat dipahami sebagai sebuah pengetahuan (knowledge).

 

Ada lima peran penting dari penambangan data (data mining) – proses mencari dan menganalisis sejumlah besar data mentah untuk mengidentifikasi pola dan mengekstrak informasi yang berguna.

 

Pertama, estimasi; untuk menerka sebuah nilai yang belum diketahui. Lalu, forecasting (perkiraan); untuk memperkirakan sebuah nilai masa depan. Ketiga, klasifikasi; proses penemuan model atau fungsi yang menjelaskan kelas data.

 

Keempat, klastering yaitu mengelompokkan data ke dalam kategori atau kelas tertentu berdasarkan atributnya. Contoh, dalam analisis data penduduk oleh Badan Pusat Statistik, klasifikasi digunakan untuk mengelompokkan tingkat kemiskinan penduduk dalam berbagai klaster. Dan, kelima, asosiasi; untuk mengidentifikasi data-data yang memiliki korealasi.

 

Pada intinya, pembelajaran mesin adalah inti dari transformasi teknologi modern. Dengan memanfaatkan data dan algoritma, kita dapat mengungkap pola, klasifikasi, dan wawasan berharga dari data yang sebelumnya tidak terstruktur.

 

 

Dataset (kumpulan data)

Dalam dunia analisis data, terdapat dua jenis data utama: data terstruktur dan data tidak terstruktur. Kedua jenis data ini memiliki karakteristik yang berbeda dan memerlukan pendekatan yang berbeda pula dalam pengolahan dan analisisnya.

 

Data terstruktur merujuk pada data yang diatur dengan jelas dalam bentuk baris dan kolom. Contoh data terstruktur adalah data kasus manajemen, seperti informasi tentang keberangkatan dan kepulangan seseorang, termasuk waktu berangkat dan tiba. Data ini mudah untuk diolah karena memiliki format yang terorganisasi dengan baik.

 

Namun, data tidak terstruktur adalah jenis data yang tidak memiliki format yang teratur. Data ini sering berasal dari sumber seperti Twitter, Facebook, dokumen teks, PDF, gambar, dan lain sebagainya. Data tidak terstruktur sulit untuk diolah secara langsung karena tidak memiliki format yang jelas dan terorganisasi.

  

Dalam mengolah data terstruktur, analis data dapat dengan mudah mengidentifikasi pola dan hubungan di antara baris dan kolom. Namun, ketika berhadapan dengan data tidak terstruktur, analis perlu melakukan langkah-langkah tambahan untuk mengorganisir dan mengategorikan informasi sebelum analisis lebih lanjut.

 

Penting memahami perbedaan antara data terstruktur dan tidak terstruktur, karena pendekatan analisis yang tepat harus diterapkan sesuai dengan jenis data yang dihadapi. Data terstruktur lebih cocok untuk analisis tradisional yang berfokus pada hubungan antara variabel, sedangkan data tidak terstruktur memerlukan pendekatan yang lebih kompleks untuk mengungkap pola dan wawasan yang tersembunyi.

 

Data terstruktur mengacu pada data yang diatur dalam baris dan kolom yang terorganisir, sedangkan data tidak terstruktur tidak memiliki format yang teratur. Pengolahan data tidak terstruktur menjadi terstruktur memerlukan usaha tambahan, termasuk penggunaan algoritma pembelajaran mesin, untuk mengidentifikasi pola yang bermanfaat. Dengan memahami perbedaan ini, para analis data dapat mengambil pendekatan yang sesuai untuk mengungkap informasi berharga dari berbagai jenis data.

 

 

Computer Vision

Computer Vision, cabang ilmu dalam bidang kecerdasan buatan, memainkan peran penting dalam mengolah data visual seperti gambar dan video. Data dalam bentuk visual ini memerlukan pendekatan yang khusus untuk diolah, dan Computer Vision menjadi kunci dalam memahami, menganalisis, dan mengambil informasi berharga dari data tersebut.

 

Dalam konteks pengolahan gambar, baik berupa foto atau video, prosesnya sering dimulai dengan langkah dasar yang disebut image processing. Langkah ini membantu mengorganisasi dan memformat data gambar sehingga dapat diolah lebih lanjut. Setelah data terstruktur, langkah selanjutnya adalah menerapkan algoritma ML. Algoritma ini membantu mengidentifikasi pola-pola kompleks dalam gambar dan video, sehingga kita dapat membuat prediksi atau analisis lebih lanjut.

 

Salah satu aplikasi yang menarik dalam Computer Vision adalah pengenalan wajah (face recognition). Teknologi ini telah banyak digunakan, tidak hanya dalam dunia hiburan seperti pengenalan wajah dalam video game, tetapi juga dalam analisis performa atlet dalam dunia olahraga. Dengan Computer Vision, kita dapat melacak gerakan, posisi, dan tindakan atlet dalam waktu nyata, memberikan wawasan berharga kepada pelatih dan analis.

 

Namun, potensi Computer Vision tidak berhenti di bidang olahraga. Teknologi ini juga memiliki dampak signifikan dalam dunia kesehatan. Misalnya, dapat digunakan untuk mendeteksi penyakit berdasarkan gambar medis seperti sinar-X atau MRI. Dengan algoritma yang telah terlatih, sistem dapat mengidentifikasi pola-pola yang mengindikasikan adanya penyakit, seperti tuberkulosis pada gambar rontgen paru-paru. Kemampuan Computer Vision dalam mengolah data visual dengan presisi dapat membantu dokter dalam diagnosis yang lebih cepat dan akurat.

 

Selain itu, Computer Vision juga dapat digunakan dalam pemantauan kesehatan harian. Misalnya, teknologi ini dapat mengidentifikasi tanda-tanda kelelahan atau mengantuk pada wajah manusia. Dalam lingkungan kerja yang sibuk, alat semacam ini dapat membantu menghindari risiko kecelakaan akibat kantuk saat mengemudi atau bekerja.

 

Dengan adanya teknologi Computer Vision ini, kita dapat mengoptimalkan analisis data visual untuk berbagai tujuan, dari olahraga hingga kesehatan. Namun, perlu diingat bahwa keberhasilan Computer Vision sangat tergantung pada kualitas data.

 

 

Planning & Optimization

Algoritma pencarian terdiri dari dua komponen utama: heuristik dan matematika statistik.

 

Dalam konsep matematika statistik, suatu masalah dapat dipecahkan dengan merinci variabel dan menjadikannya sebuah formula. Sebagai contoh, jika ingin mencari jarak dan lokasi optimal untuk meletakkan meja dan kursi dalam suatu ruangan, kita bisa menghitung variabel-variabel tersebut untuk menemukan solusi yang terbaik.

 

Di sisi lain, heuristik adalah pendekatan yang lebih intuitif dan sering kali didasarkan pada pengalaman dan kemampuan manusia dalam mengatasi masalah. Misalnya, jika kita ingin mencari jalan dari satu tempat ke tempat lain, pendekatan heuristik bisa seperti "berdirilah jika terjatuh di sini, bangunlah dan carilah jalan lain jika mengalami rintangan di depan."

 

Meskipun terkadang metode ini mungkin tampak sederhana, tapi heuristik ini mencerminkan kreativitas dan kemampuan adaptasi manusia dalam menghadapi tantangan.

 

 

Natural Language Processing (NLP)

Dalam dunia teknologi yang terus berkembang, salah satu perhatian utama adalah bagaimana data yang tidak terstruktur dapat diolah menjadi informasi berharga. Konsep perubahan ini tampak jelas dalam perkembangan NLP. Melalui teknologi ini, data bahasa manusia yang rumit diubah menjadi pengetahuan yang berguna melalui model bahasa modern.

 

Model bahasa modern berperan penting dalam mengubah data tidak terstruktur menjadi pengetahuan yang dapat dimengerti oleh mesin.

 

 

Transformasi yang menarik dalam NLP adalah hasil dari perpaduan antara algoritma pencarian dan heuristik. Ini terbukti sangat efektif dalam memahami dan memproses konteks yang rumit dalam bahasa manusia.

 

Seorang peneliti bernama Vaswani, dalam penemuannya yang terkenal dengan judul Attention Is All You Need pada 2017, mengungkapkan bahwa metode lama dalam pemrosesan bahasa menjadi lambat dan rumit karena melibatkan variabel-variabel yang berjumlah besar. Untuk mengatasi masalah ini, ia memperkenalkan konsep attention, yaitu perhatian diberikan pada kata-kata tertentu dalam satu kalimat untuk memahami konteks dengan lebih baik.

 

Transformasi ini telah membawa perubahan besar dalam berbagai aplikasi NLP. Meski teknologi ini telah lama ada, baru dalam beberapa tahun terakhir menjadi sangat populer. Kini, model bahasa modern digunakan dalam berbagai bidang, dari penerjemahan otomatis hingga analisis sentimen. Dalam analisis sentimen, model ini dapat dengan cepat dan akurat mengidentifikasi apakah suatu teks mengandung sentimen positif atau negatif, menjadi dasar untuk mengambil keputusan atau mendapatkan wawasan.

 

Perjalanan dari konsep algoritma pencarian dan heuristik hingga menjadi model bahasa modern adalah bukti nyata bagaimana teknologi terus bergerak maju. Dalam era informasi yang semakin canggih, kemampuan untuk memahami bahasa manusia dan mengubahnya menjadi pengetahuan yang berharga adalah langkah besar menuju AI yang lebih cerdas dan manusiawi.

 

 

AI Roles

Dalam perjalanan menghadapi tantangan era digital, peran yang dimainkan oleh berbagai elemen organisasi menjadi semakin penting. Salah satu hal yang perlu diperhatikan adalah implementasi transformasi digital. Ini memerlukan tata kelola organisasi yang baik sebagai dasar. Tata kelola yang efektif adalah fondasi utama untuk bergerak maju dalam perubahan ini. Prinsip-prinsip yang diatur dalam Perpres 1995 mengenai Sistem Pemerintahan Berbasis Elektronik (SPBE) pun memainkan peran kunci dalam hal ini.

 

AI menjadi pilar utama dalam proses transformasi ini. Namun, penggunaannya bukanlah semata tentang mengimplementasikan teknologi ini dalam organisasi. Lebih jauh lagi, AI menjadi bagian dari arsitektur bisnis dan arsitektur data yang harus diintegrasikan dengan baik. AI akan menjadi lebih bermakna dan kuat jika didukung oleh struktur bisnis yang tepat dan manajemen data yang baik.

 

Pentingnya arsitektur bisnis dan data dalam konteks AI dan transformasi digital dapat digambarkan dengan cara ini :

 

Dalam usaha untuk mengoptimalkan proses bisnis, simulasi perlu dilakukan untuk memahami secara mendalam alur kerja yang ada. Simulasi ini membantu dalam merencanakan dan memvisualisasikan cara-cara, sehingga AI dapat diintegrasikan. Pada tahap ini, arsitektur bisnis menjadi penting untuk memastikan bahwa implementasi AI sesuai dengan tujuan strategis organisasi.

 

Terkait dengan data, arsitektur data juga memiliki peran yang signifikan. AI mengandalkan data sebagai bahan bakar utama. Oleh karena itu, pengumpulan, penyimpanan, dan pengelolaan data harus memenuhi standar tertentu.

 

Proses data mining, yang merupakan komponen penting dari AI, akan menjadi sia-sia jika data yang digunakan tidak berkualitas. Inilah sebabnya mengapa arsitektur data menjadi fondasi yang kuat untuk mendapatkan hasil yang berarti dari teknologi AI.

 

Inilah hubungan antara AI dan transformasi digital dalam organisasi: AI memungkinkan organisasi untuk mencapai efisiensi, inovasi, dan pengambilan keputusan yang lebih baik melalui penerapan yang terencana dan terstruktur dari teknologi ini dalam konteks yang sesuai.

 

 

Data – Informasi – Pengetahuan – Kebijakan

Dalam era digital yang semakin berkembang, peran data, informasi, dan pengetahuan menjadi sangat signifikan dalam berbagai aspek kehidupan.

 

Analogi sederhana memahami aliran ini ibarat menyusun puzzle yang kompleks, kita bergerak dari tahap awal hingga akhir yang menghasilkan pemahaman yang lebih dalam.

 

Data, seperti bahan mentah, pada awalnya mungkin tampak tidak berarti. Dalam fase ini, kita tidak dapat mengambil banyak informasi atau pengetahuan yang berguna. Seiring waktu, informasi mulai muncul ketika data diolah dan diorganisasi dengan baik. Misalnya, data mentah tentang cuaca, ketika dianalisis dan disusun, dapat memberikan informasi tentang tren iklim.

 

Informasi tersebut kemudian menjadi bahan dasar bagi pengetahuan. Proses ini dapat dibandingkan dengan memberikan warna pada puzzle. Informasi yang diterima memberi kita gambaran yang lebih jelas tentang situasi atau topik tertentu. Pengetahuan muncul ketika kita mulai memahami hubungan antara informasi yang berbeda.

 

Era digital yang sedang berlangsung telah menghadirkan perubahan mendasar dalam cara kita mengolah dan menginterpretasi data. Pada masa lalu, proses mengubah data menjadi pengetahuan mungkin merupakan monopoli manusia semata. Namun, saat ini, lanskap ini telah berubah dengan cepat. Kini, peran ini bukan hanya milik manusia, tetapi juga diterjemahkan oleh komputer dan algoritma yang canggih. Hasilnya, lahir disiplin ilmu yang dikenal sebagai Ilmu Data (Data Science).

 

Ilmu Data adalah perpaduan harmonis antara matematika, statistik, komputer, dan pengetahuan domain khusus. Kombinasi unik ini menghasilkan alat yang memungkinkan kita untuk mengeksplorasi dan menggali makna dari data dengan kedalaman yang belum pernah terjadi sebelumnya.

 

Pergeseran itu membawa dampak besar pada bagaimana data diolah. Dengan bantuan komputer dan algoritma yang kuat, data yang dulu mungkin tampak hampa makna, sekarang dapat diurai menjadi pola-pola yang berharga. Komputer mampu memproses volume data yang besar dengan cepat dan mengidentifikasi keterhubungan yang kompleks, yang mungkin terlewatkan oleh mata manusia.

 

Di balik lahirnya Ilmu Data, terdapat revolusi dalam bahasa dan praktik yang digunakan dalam pengolahan data. Konsep yang sudah ada sebelumnya telah diredefinisi dan diperkaya oleh teknologi modern. Sebagai hasilnya, muncul jargon baru yang berhubungan dengan Ilmu Data, seperti big data, machine learning, dan predictive analytics. Disiplin ilmu ini telah mengubah cara kita memandang data, dari sekadar kumpulan angka menjadi bahan berharga yang mampu menggerakkan pengambilan keputusan yang lebih cerdas.

 

Salah satu kekuatan utama Ilmu Data adalah pengaplikasiannya yang luas. Ia tidak hanya terbatas pada satu industri atau bidang tertentu, tetapi merambah ke berbagai sektor. Dari kesehatan hingga bisnis, dari sosial hingga ilmu alam. Ilmu Data telah membuka pintu bagi pemahaman yang lebih dalam dan solusi yang lebih inovatif.

 

Meski peran komputer dan algoritma semakin penting, penting untuk diingat bahwa unsur manusia tetap tak tergantikan. Kemampuan manusia untuk merumuskan pertanyaan yang relevan, merancang model yang tepat, dan menginterpretasi hasil tetap krusial dalam proses Ilmu Data.

 

Komputer dan algoritma hanyalah alat untuk membantu manusia dalam eksplorasi dan penerjemahan data yang kompleks.

 

Lahirnya Ilmu Data menggambarkan kolaborasi antara kemampuan komputer dan kecerdasan manusia. Dengan ini, pintu telah terbuka untuk memahami dunia melalui prisma data dengan kedalaman yang tak terhingga.

 

 

AI dan Uses Case

Langkah pertama dalam memanfaatkan potensi data adalah melalui pengolahan yang cermat menjadi pola pengetahuan. Data yang dihasilkan dari berbagai sumber, ketika dianalisis dengan tepat, dapat mengungkap wawasan yang berharga. Di sinilah peran “Peningkatan Regulasi” dimulai. Proses ini melibatkan kementerian, lembaga pemerintah, dan perusahaan non-teknologi dalam mengubah pola pengetahuan menjadi kebijakan organisasi yang kokoh.

 

Kebijakan ini, dalam bentuk peraturan, regulasi, dan standar, bertujuan untuk mengarahkan penggunaan data dengan etika dan efisiensi. Ini bukan hanya tentang mengatur penggunaan data, tetapi juga tentang melindungi privasi individu, memastikan transparansi, dan meminimalkan risiko. Dengan demikian, Peningkatan Regulasi bukan sekadar aturan yang mengikat, melainkan fondasi yang mendukung pertumbuhan berkelanjutan.

 

Perangkat lunak yang cerdas adalah hasil dari menerapkan pola-pola pengetahuan ke dalam fungsi, metode, dan algoritma. Sistem perangkat lunak yang semula hanya menjalankan tugas-tugas mekanis, kini dapat memahami konteks, merespons dinamika lingkungan, dan bahkan mengambil keputusan. Ini, pada gilirannya, memberikan manfaat yang signifikan bagi perusahaan dan organisasi.

 

Melalui inovasi perangkat lunak, nilai dan manfaat dari perusahaan atau organisasi meningkat secara dramatis. Proses bisnis menjadi lebih efisien, pengambilan keputusan menjadi lebih cerdas, dan pengalaman pelanggan menjadi lebih dipersonalisasi. Dalam era teknologi menjadi tulang punggung kemajuan, perangkat lunak yang cerdas adalah pendorong utama transformasi.

 

Secara keseluruhan, Peningkatan Regulasi dan Inovasi Perangkat Lunak adalah dua sisi dari koin yang sama dalam pemanfaatan data. Regulasi yang baik membentuk dasar etis dan hukum, sementara inovasi perangkat lunak membawa nilai konkret ke dalam aktivitas sehari-hari. Keduanya, ketika dijalankan bersama, mengarahkan organisasi menuju masa depan yang cerah, didukung oleh sistem yang cerdas.

 

 

Pentingnya AI bagi KPK

Korupsi telah lama menjadi permasalahan serius di berbagai negara, merusak integritas lembaga pemerintahan, merugikan masyarakat, dan menghambat pembangunan berkelanjutan.

 

Dalam upaya melawan korupsi, KPK memiliki tanggung jawab besar untuk mengidentifikasi, mengungkap, dan mengatasi tindak pidana korupsi. Penggunaan analisis Ilmu Data telah menjadi semakin penting dalam mendukung tugas-tugas ini.

 

Berikut adalah beberapa cara KPK dapat memanfaatkan analisis Ilmu Data untuk mencapai tujuannya:

Pengungkapan pola dan jaringan korupsi tersembunyi. Ilmu Data memungkinkan KPK untuk menganalisis data secara mendalam dan mendeteksi pola tersembunyi serta jaringan korupsi yang kompleks. Melalui teknik-teknik analisis yang canggih, seperti analisis jaringan sosial, KPK dapat mengidentifikasi koneksi antara individu atau entitas yang terlibat dalam praktik korupsi. Hal ini akan membantu KPK untuk mengambil tindakan lebih efektif dan tepat sasaran dalam menghadapi kasus-kasus korupsi yang kompleks dan sulit dilacak.

Prediksi dan profiling risiko korupsi. Dengan memanfaatkan model prediktif berdasarkan data historis, KPK dapat meramalkan risiko adanya tindak pidana korupsi di berbagai sektor atau daerah. Dengan demikian, KPK dapat mengidentifikasi area-area yang rentan terhadap korupsi dan mengalokasikan sumber daya investigasi secara lebih efisien. Misalnya, jika suatu sektor atau wilayah tertentu memiliki pola historis korupsi yang tinggi, KPK dapat memberikan perhatian khusus dan langkah pencegahan lebih intensif di wilayah tersebut.

Efisiensi alokasi sumber daya. Analisis Ilmu Data membantu KPK dalam mengoptimalkan penggunaan sumber daya yang terbatas. Dengan memahami pola korupsi dan faktor-faktor yang mempengaruhinya, KPK dapat mengarahkan upaya pencegahan dan penindakan secara lebih tepat, menghindari pemborosan waktu dan anggaran pada area yang mungkin memiliki risiko korupsi yang rendah.

Pengembangan sistem pendukung keputusan. Ilmu Data tidak hanya membantu dalam menganalisis data historis, tetapi juga dalam mengembangkan sistem pendukung keputusan yang lebih cerdas. KPK dapat mengembangkan algoritma dan model yang dapat memberikan rekomendasi berdasarkan data aktual dan dinamis, membantu para penyidik dalam mengambil langkah-langkah yang lebih efektif dan strategis.

Dengan memanfaatkan potensi analisis Ilmu Data, KPK memiliki peluang besar untuk meningkatkan efektivitasnya dalam melawan korupsi.

 

Dalam berbagai sektor, termasuk di lembaga-lembaga pemerintahan, AI telah membuktikan betapa pentingnya. Pemanfaatan AI memungkinkan pengambilan keputusan yang lebih cerdas dan otomatis.

 

Penting untuk diingat bahwa penerapan AI memerlukan pemahaman mendalam tentang konteks bisnis atau institusi yang bersangkutan. Oleh karena itu, kerja sama antara berbagai pihak sangat diperlukan untuk mencapai hasil yang optimal.

 

Semoga bermanfaat

 

 

Ditulis ulang oleh : POINT Consultant

 

Sumber Referensi :

ROMI SATRIA WAHONO

Praktisi IT Braindev & Brainmatics

Keterangan :

Materi ini telah disampaikan penulis saat menjadi narasumber dalam ACKNOW 2023, Senin (19 Juni 2023).