Apa yang dimaksud dengan faktor manusia dan Ergonomi?

Faktor Manusia dan Ergonomi ada di sekitar kita! Setiap kali Anda merekayasa produk, proses, atau sistem untuk bekerja lebih efisien dengan manusia, Anda telah mempraktikkan faktor manusia. Tujuan dari faktor manusia adalah untuk mengurangi kesalahan manusia, meningkatkan produktivitas, dan meningkatkan keselamatan dan kenyamanan dengan fokus khusus pada interaksi antara manusia dan benda yang diminati.

Bidang ini merupakan kombinasi dari berbagai disiplin ilmu, seperti psikologi, sosiologi, teknik, biomekanika, desain industri, fisiologi, antropometri, desain interaksi, desain visual, pengalaman pengguna, dan desain antarmuka pengguna, sehingga definisi yang tepat untuk HF/E berbeda-beda.

Definisi dari masyarakat profesional

Definisi berikut ini dikembangkan oleh Asosiasi Ergonomi Internasional dan telah diadopsi oleh Masyarakat Faktor Manusia dan Ergonomi:

Ergonomi (atau faktor manusia) adalah disiplin ilmu yang berkaitan dengan pemahaman interaksi antara manusia dan elemen-elemen lain dari sebuah sistem, dan profesi yang menerapkan teori, prinsip, data, dan metode pada desain untuk mengoptimalkan kesejahteraan manusia dan kinerja sistem secara keseluruhan. Ahli ergonomi berkontribusi pada desain dan evaluasi tugas, pekerjaan, produk, lingkungan, dan sistem agar sesuai dengan kebutuhan, kemampuan, dan keterbatasan manusia.

Definisi berikut ini dikembangkan oleh Human Factors and Ergonomics Society (Masyarakat Faktor Manusia dan Ergonomi) (dapat ditemukan dalam literatur HFES yang lebih lama):

Faktor Manusia berkaitan dengan penerapan apa yang kita ketahui tentang manusia, kemampuan, karakteristik, dan keterbatasannya pada desain peralatan yang mereka gunakan, lingkungan tempat mereka bekerja, dan pekerjaan yang mereka lakukan.

Definisi dari literatur Ilmiah

Laporan berikut ini mengumpulkan dan menganalisis definisi faktor manusia dan istilah-istilah terkait lainnya dari berbagai sumber: Licht, D. M., Polzella, D. J., & Boff, K. (1989). Faktor Manusia, Ergonomi, dan Rekayasa Faktor Manusia: Sebuah Analisis Definisi. CSERIAC-89-01. Wright Patterson AFB, Dayton, OH: CSERIAC. Dengan izin, kami memposting laporan tersebut di sini.

Definisi ini diambil dari The Dictionary for Human Factors/Ergnomics oleh James H. Stramler (Boca Raton, LA: CRC Press, 1993):

Faktor Manusia adalah bidang yang terlibat dalam melakukan penelitian mengenai karakteristik psikologis, sosial, fisik, dan biologis manusia, memelihara informasi yang diperoleh dari penelitian tersebut, dan bekerja untuk menerapkan informasi tersebut sehubungan dengan desain, operasi, atau penggunaan produk atau sistem untuk mengoptimalkan kinerja, kesehatan, keselamatan, dan / atau kelayakhunian manusia.

Definisi berikut ini diambil dari artikel oleh Alphonse Chapanis, “Untuk Mengkomunikasikan Pesan Faktor Manusia, Anda Harus Tahu Apa Pesan Itu dan Bagaimana Mengkomunikasikannya,” Buletin Masyarakat Faktor Manusia, Volume 34, Nomor 11, November 1991, hal. 1-4:

Human Factors adalah kumpulan pengetahuan tentang kemampuan manusia, keterbatasan manusia, dan karakteristik manusia lainnya yang relevan dengan desain. Rekayasa faktor manusia adalah penerapan informasi faktor manusia pada desain alat, mesin, sistem, tugas, pekerjaan, dan lingkungan agar aman, nyaman, dan efektif bagi manusia.

Definisi ringkas yang diusulkan oleh Dempsey et al. mengerucutkannya ke sifat yang sangat mendasar:

Ergonomi adalah desain dan rekayasa sistem manusia-mesin dengan tujuan untuk meningkatkan kinerja manusia.

Dempsey, Patrick G., Wogalter, Michael S., & Hancock, Peter A. (2000). Apa yang ada dalam sebuah nama? Menggunakan istilah-istilah dari definisi untuk memeriksa fondasi dasar faktor manusia dan ilmu ergonomi. Isu-isu Teoritis dalam Ilmu Ergonomi, 1(1), 3-10.

Definisi dari Lembaga Pemerintah

Akademi Ilmu Pengetahuan Nasional 

Definisi faktor manusia dari National Academy of Sciences tahun 1992 (dapat ditemukan di sini) adalah sebagai berikut:

[Seseorang] yang terutama berkaitan dengan kinerja satu orang atau lebih dalam lingkungan yang berorientasi pada tugas yang berinteraksi dengan peralatan, orang lain, atau keduanya.

Badan penerbangan dan antariksa nasional (NASA) 

Definisi ini dapat ditemukan di sini.  

Faktor manusia adalah istilah umum untuk beberapa bidang penelitian yang mencakup kinerja manusia, desain teknologi, dan interaksi manusia-komputer. Studi tentang faktor manusia di Divisi Penelitian dan Teknologi Faktor Manusia di Pusat Penelitian NASA Ames berfokus pada kebutuhan akan operasi, pemeliharaan, dan pelatihan yang aman, efisien, dan hemat biaya, baik dalam penerbangan maupun di darat.

Definisi ini berasal dari situs web mereka.  

Ergonomi adalah studi ilmiah tentang kondisi kerja manusia, terutama interaksi antara manusia dan mesin. Ergonomi adalah istilah yang diambil dari bahasa Yunani “ergon,” yang berarti kerja, dan “nomos,” yang berarti hukum alam. Tujuan dari ergonomi adalah untuk membuat pekerjaan menjadi lebih nyaman dan meningkatkan kesehatan dan produktivitas. Ini adalah ilmu interdisipliner yang merancang pekerjaan, produk, dan tempat yang sesuai dengan pekerja. Psikologi, teknik industri, ilmu komputer, biomekanika, dan teknik keselamatan semuanya berperan dalam ergonomi.

Administrasi penerbangan federal (FAA) 

Definisi ini dapat ditemukan di situs web mereka.  

Faktor Manusia. Dalam FAA, faktor manusia mencakup upaya multidisiplin untuk menghasilkan dan mengumpulkan informasi tentang kemampuan dan keterbatasan manusia dan menerapkan informasi tersebut pada peralatan, sistem, fasilitas, prosedur, pekerjaan, lingkungan, pelatihan, kepegawaian, dan manajemen personalia untuk kinerja manusia yang aman, nyaman, dan efektif.

Dewan riset transportasi (TRB)

Definisi ini berasal dari TRB; namun, halaman tersebut sudah tidak aktif lagi di situs web mereka, www.trb.org

Faktor manusia adalah disiplin ilmu yang mempelajari bagaimana manusia berinteraksi dengan perangkat, produk, dan sistem. Ini adalah bidang terapan di mana ilmu perilaku, teknik, dan disiplin ilmu lainnya bersatu untuk mengembangkan prinsip-prinsip yang membantu memastikan bahwa perangkat dan sistem dapat digunakan oleh orang-orang yang dimaksudkan untuk menggunakannya. Bidang ini melakukan pendekatan desain dengan “pengguna” sebagai titik fokusnya. Praktisi faktor manusia membawa pengetahuan ahli mengenai karakteristik manusia yang penting untuk desain perangkat dan sistem dari berbagai jenis. Disiplin ilmu ini berkontribusi pada upaya yang rumit seperti eksplorasi ruang angkasa dan produk sesederhana sikat gigi.

Dalam bidang teknik transportasi, ada banyak kontribusi penting dari faktor manusia, tetapi hal ini tidak selalu terlihat dengan sendirinya. Persyaratan jarak pandang, tata letak zona kerja, penempatan rambu dan kriteria jarak, dimensi untuk marka jalan, spesifikasi warna, jenis huruf dan ikon rambu, pengaturan waktu sinyal - semua ini dan masih banyak lagi standar dan praktik yang dibentuk oleh evaluasi faktor manusia. Seperti yang diterapkan pada keselamatan jalan raya, faktor manusia berkaitan dengan desain jalan raya dan lingkungan pengoperasian serta kendaraan. Tiga komponen utama dari sistem transportasi jalan raya - jalan raya, kendaraan, dan pengguna jalan - semuanya harus kompatibel satu sama lain. Para insinyur dapat merancang jalan raya, alat pengendali lalu lintas, dan kendaraan, tetapi mereka tidak dapat merancang pengguna jalan. Mereka dapat merancang untuk pengguna jalan. Faktor manusia memberikan dasar yang obyektif untuk melakukan hal ini. Hal ini didasarkan pada perilaku dan kemampuan yang terukur, bukan pada asumsi atau coba-coba.

Badan pengawas obat dan makanan (FDA) 

Definisi ini dapat ditemukan di situs web mereka.  

Faktor manusia (HF) adalah studi tentang bagaimana orang menggunakan teknologi. Hal ini melibatkan interaksi antara kemampuan, ekspektasi, dan keterbatasan manusia, dengan lingkungan kerja dan desain sistem. Istilah “rekayasa faktor manusia” (HFE) mengacu pada penerapan prinsip-prinsip faktor manusia pada desain perangkat dan sistem. Istilah ini sering dipertukarkan dengan istilah “rekayasa manusia”, “rekayasa kegunaan”, atau “ergonomi”.

Tujuan dari HFE adalah untuk merancang perangkat yang dapat diterima dengan sukarela oleh pengguna dan beroperasi dengan aman dalam kondisi yang realistis. Dalam aplikasi medis, HFE membantu meningkatkan kinerja manusia dan mengurangi risiko yang terkait dengan kesalahan penggunaan.

Dalam banyak kasus, HFE berfokus pada antarmuka pengguna perangkat (juga disebut UI atau antarmuka manusia-mesin). Antarmuka pengguna mencakup semua komponen dan aksesori yang diperlukan untuk mengoperasikan dan merawat perangkat dengan benar, termasuk kontrol, tampilan, perangkat lunak, logika operasi, label, dan instruksi.

Dewan riset nasional 

Karl Kroemer menyiapkan definisi ini (sebelumnya telah diposting tetapi tidak lagi tersedia di www.nsc.org)

Ergonomi adalah studi tentang karakteristik manusia untuk desain yang tepat dari lingkungan hidup dan kerja. Para peneliti ergonomi berusaha untuk mempelajari karakteristik manusia (kemampuan, keterbatasan, motivasi, dan keinginan) sehingga pengetahuan ini dapat digunakan untuk menyesuaikan lingkungan buatan manusia dengan orang-orang yang terlibat. Pengetahuan ini dapat memengaruhi sistem teknis yang kompleks atau tugas-tugas kerja, peralatan, dan stasiun kerja, atau alat dan perkakas yang digunakan di tempat kerja, di rumah, atau pada waktu senggang. Oleh karena itu, ergonomi berpusat pada manusia, transdisipliner, dan berorientasi pada aplikasi.

Tujuan ergonomi berkisar dari tujuan dasar untuk membuat pekerjaan menjadi aman melalui peningkatan efisiensi manusia hingga tujuan untuk menciptakan kesejahteraan manusia. National Research Council (1983) menyatakan bahwa rekayasa faktor manusia dapat didefinisikan sebagai penerapan prinsip-prinsip ilmiah, metode, dan data yang diambil dari berbagai disiplin ilmu untuk pengembangan sistem rekayasa di mana manusia memainkan peran penting. Keberhasilan penerapan ini diukur dari peningkatan produktivitas, efisiensi, keselamatan, dan penerimaan desain sistem yang dihasilkan. Disiplin ilmu yang dapat diterapkan pada masalah tertentu meliputi psikologi, ilmu kognitif, fisiologi, biomekanika, antropologi fisik terapan, dan teknik industri dan sistem. Sistem ini berkisar dari penggunaan alat sederhana oleh konsumen hingga sistem sosioteknis yang melibatkan banyak orang. Sistem-sistem tersebut biasanya mencakup komponen teknologi dan manusia.

Dewan Riset Nasional (1983) mengatakan: “Spesialis Faktor Manusia disatukan oleh perspektif tunggal pada proses desain sistem: bahwa desain dimulai dengan pemahaman tentang peran pengguna dalam kinerja sistem secara keseluruhan dan bahwa sistem ada untuk melayani penggunanya, apakah mereka konsumen, operator sistem, pekerja produksi, atau kru pemeliharaan. Filosofi desain yang berorientasi pada pengguna ini mengakui variabilitas manusia sebagai parameter desain.”

Administrasi keselamatan dan kesehatan kerja 

Definisi ini berasal dari situs web mereka.  

Apa yang dimaksud dengan “cedera ergonomis”? Masukan dari forum ergonomi baru-baru ini menunjukkan kepada OSHA bahwa ada berbagai macam pendapat tentang bagaimana Badan tersebut harus mendefinisikan cedera ergonomis dan bahwa definisi yang diadopsi oleh OSHA tergantung pada konteksnya. Cedera ergonomis sering digambarkan dengan istilah “gangguan muskuloskeletal” atau “MSDs”. Ini adalah istilah seni dalam literatur ilmiah yang merujuk secara kolektif pada sekelompok cedera dan penyakit yang memengaruhi sistem muskuloskeletal; tidak ada diagnosis tunggal untuk MSDs. Ketika OSHA mengembangkan materi panduan untuk industri tertentu, badan tersebut dapat mempersempit definisi yang sesuai untuk mengatasi bahaya di tempat kerja yang dicakup. OSHA akan bekerja sama dengan para pemangku kepentingan untuk mengembangkan definisi untuk MSDs sebagai bagian dari upaya keseluruhan untuk mengembangkan materi panduan.

Definisi dari Industri

Majalah industri alat kesehatan dan desain 

Barry Beith menyiapkan definisi ini untuk MDDI (dapat ditemukan di sini)

Faktor manusia berfokus pada kegunaan sistem dan merancang antarmuka sistem untuk mengoptimalkan kemampuan pengguna dalam menyelesaikan tugas mereka tanpa kesalahan dalam waktu yang wajar dan, oleh karena itu, menerima sistem sebagai alat yang berguna. Disiplin ilmu ini berakar pada pemahaman tentang bagaimana orang menggunakan alat, produk, dan sistem untuk menyelesaikan tugas yang diinginkan, dan berusaha untuk menghilangkan atau, setidaknya, mengelola kesalahan manusia yang terkadang terjadi.

Rekayasa faktor manusia adalah ilmu terapan yang melakukan penelitian tentang kemampuan, keterbatasan, perilaku, dan proses manusia serta menggunakan pengetahuan ini sebagai dasar untuk desain alat, produk, dan sistem. Menerapkan prinsip-prinsip faktor manusia akan menghasilkan desain yang lebih aman, lebih dapat diterima, lebih nyaman, dan lebih efektif untuk menyelesaikan tugas-tugas yang diberikan. Rekayasa faktor manusia sering dianggap identik dengan istilah lain seperti ergonomi, rekayasa manusia, faktor manusia, rekayasa kegunaan, dan desain yang berpusat pada pengguna. Ini adalah bidang multidisiplin di mana individu yang terlatih dalam faktor manusia berasal dari latar belakang yang beragam seperti teknik, psikologi, ilmu komputer, antropologi, dan ilmu informasi. Para spesialis menerapkan temuan dan prinsip dari berbagai disiplin ilmu termasuk psikologi kognitif, psikologi organisasi, teknik industri, antropometri, biomekanik, keterampilan motorik, persepsi, dan bidang teknik khusus seperti getaran dan kebisingan.

Faktor manusia MD 

Definisi ini ditemukan di situs web mereka namun sudah tidak muncul lagi.  Bunyinya:

Rekayasa faktor manusia adalah penerapan dari apa yang kita ketahui tentang kemampuan dan keterbatasan manusia pada desain peralatan dan perangkat untuk memungkinkan penggunaan yang lebih produktif, aman, dan efektif.

Dikenal juga sebagai rekayasa kegunaan, ergonomi kognitif, atau desain yang berpusat pada pengguna, faktor manusia adalah perpaduan antara psikologi dan teknik: penerapan pengetahuan ilmiah tentang kekuatan dan kelemahan manusia ke dalam desain teknologi.

Ergonomi komputer untuk sekolah dasar (CergoS) 

Definisi ini berasal dari situs web mereka:

Ergonomi dan faktor manusia menggunakan pengetahuan tentang kemampuan dan keterbatasan manusia untuk mendesain sistem, organisasi, pekerjaan, mesin, peralatan, dan produk konsumen agar aman, efisien, dan nyaman digunakan oleh manusia.

Definisi dari sumber terbuka

Wikipedia 

Definisi faktor manusia berikut ini ditemukan di Wikipedia:

“Faktor manusia” adalah istilah yang digunakan terutama di Amerika Serikat. Variannya termasuk “rekayasa faktor manusia”, perluasan dari frasa sebelumnya, “rekayasa manusia”. Di Eropa dan seluruh dunia, istilah “ergonomi” lebih umum digunakan.

“Faktor manusia” adalah istilah umum untuk beberapa bidang penelitian yang mencakup kinerja manusia, teknologi, desain, dan interaksi manusia-komputer. Ini adalah profesi yang berfokus pada bagaimana orang berinteraksi dengan produk, alat, prosedur, dan proses apa pun yang mungkin ditemui di dunia modern.

Praktisi faktor manusia dapat berasal dari berbagai latar belakang; meskipun sebagian besar dari mereka adalah Psikolog (Kognitif, Perseptual, dan Eksperimental) dan Insinyur. Desainer (Industri, Interaksi, dan Grafis), Antropolog, dan Ilmuwan Komputer juga berkontribusi. Jika ergonomi cenderung berfokus pada antropometri untuk interaksi manusia-mesin yang optimal, faktor manusia lebih berfokus pada faktor kognitif dan persepsi.

Area yang menarik bagi praktisi faktor manusia dapat mencakup hal-hal berikut: beban kerja, kelelahan, kesadaran situasional, kegunaan, antarmuka pengguna, kemudahan belajar, perhatian, kewaspadaan, kinerja manusia, desain kontrol dan tampilan, stres, visualisasi data, perbedaan individu, penuaan, aksesibilitas, kerja shift, kerja di lingkungan yang ekstrem, dan kesalahan manusia.

Sederhananya, faktor manusia melibatkan upaya untuk membuat lingkungan berfungsi dengan cara yang tampak alami bagi manusia. Meskipun istilah “faktor manusia” dan “ergonomi” baru dikenal secara luas akhir-akhir ini, namun asal mula bidang ini adalah dalam desain dan penggunaan pesawat terbang selama Perang Dunia II untuk meningkatkan keselamatan penerbangan.

Definisi ergonomi berikut ini dapat ditemukan di situs web mereka:

Ergonomi (atau faktor manusia) adalah disiplin ilmu yang berkaitan dengan pemahaman tentang interaksi antara manusia dan elemen-elemen lain dari sebuah sistem, dan profesi yang menerapkan teori, prinsip, data, dan metode pada desain untuk mengoptimalkan kesejahteraan manusia dan kinerja sistem secara keseluruhan (definisi yang diadopsi oleh Asosiasi Ergonomi Internasional pada tahun 2000).

Ahli ergonomi berkontribusi pada desain dan evaluasi tugas, pekerjaan, produk, lingkungan, dan sistem agar sesuai dengan kebutuhan, kemampuan, dan keterbatasan manusia (IEA, 2000).

Publikasi Chartered Institute of Ergonomics and Human Factors (CIEHF)

Memberikan keunggulan faktor manusia pada bisnis Anda

Disadur dari: https://www.hfes.org/

Machine learning (ML) atau Pemelajaran Mesin adalah bagian dari kecerdasan buatan (AI) yang berkaitan dengan pengembangan dan studi algoritme statistik yang dirancang untuk belajar secara mandiri dari data. Algoritme ini kemudian memanfaatkan pembelajaran ini untuk menggeneralisasi dan menangani data baru yang sebelumnya tidak terlihat, sehingga memungkinkan sistem ML untuk melakukan tugas-tugas tertentu tanpa memerlukan instruksi yang telah diprogram secara eksplisit. Dalam beberapa tahun terakhir, jaringan syaraf tiruan generatif telah menunjukkan kinerja yang lebih unggul daripada berbagai pendekatan konvensional di berbagai bidang.

Aplikasi pembelajaran mesin menjangkau berbagai domain, termasuk model bahasa besar (LLM), visi komputer, pengenalan suara, penyaringan email, pertanian, dan kedokteran. Bidang-bidang ini membutuhkan kemampuan untuk menangani tugas-tugas kompleks yang akan menantang dan mahal untuk dikembangkan menggunakan algoritme tradisional. Pembelajaran mesin juga dapat digunakan untuk memecahkan masalah bisnis, yang biasa disebut sebagai analisis prediktif. Meskipun tidak semua algoritme pembelajaran mesin didasarkan pada statistik, statistik komputasi memainkan peran penting dalam bidang ini.

Landasan matematis dari pembelajaran mesin berasal dari metode optimasi matematika. Penambangan data, bidang paralel yang terkait erat, berfokus pada analisis data eksplorasi melalui pembelajaran tanpa pengawasan. Dari perspektif teoretis, kerangka kerja pembelajaran PAC (Probably Approximately Correct) menyediakan model untuk menggambarkan pembelajaran mesin.

Definisi

Mesin yang dimaksud di sini adalah mesin dalam pengertian lebih mendekati kepada ‘sistem’, bukan mesin 'mekanik'. Istilah pemelajaran pertama kali muncul dalam disiplin ilmu kecerdasan buatan. Pemelajaran berarti menambah pengetahuan, memahami dengan belajar, dan mengikuti perintah. Pemelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pemelajaran mesin adalah representasi dan generalisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa pemelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan kaidah (rule), ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN (artificial neural network) atau jaringan saraf tiruan. Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola.

Sejarah

Konsep pembelajaran mesin bermula pada akhir tahun 1950-an ketika Arthur Samuel, seorang karyawan IBM, memperkenalkan istilah tersebut dan membentuk dasar bagi bidang yang revolusioner ini. Namun, perjalanan pembelajaran mesin jauh melampaui kontribusi Samuel, berakar dari puluhan tahun ketertarikan manusia dalam memahami proses kognitif.

Pada akhir tahun 1940-an, karya teoritis psikolog Donald Hebb tentang struktur saraf membuka jalan bagi pengembangan neuron buatan dan prinsip-prinsip dasar yang mendasari algoritma kecerdasan buatan dan pembelajaran mesin. Kolaborator seperti logisian Walter Pitts dan Warren McCulloch memperdalam eksplorasi ini dengan merancang model matematis dari jaringan saraf yang mencerminkan proses berpikir manusia.

Tahun 1960-an menandai titik balik signifikan dengan diciptakannya "mesin pembelajaran" eksperimental seperti Cybertron, yang dirancang oleh Raytheon Company. Sistem-sistem awal ini, dilengkapi dengan memori pita berlubang, meneliti tugas pengenalan pola, membentuk dasar untuk kemajuan di masa depan.

Saat minat dalam pengenalan pola tetap berlanjut ke tahun 1970-an, peneliti seperti Nilsson dan Duda terus menjelajahi potensi pembelajaran mesin, fokus pada klasifikasi dan analisis pola. Pada tahun 1980-an, langkah-langkah besar telah dilakukan dalam memanfaatkan strategi pengajaran untuk melatih jaringan saraf buatan, menunjukkan kemajuan dalam tugas-tugas pengenalan karakter.

Definisi formal algoritma pembelajaran mesin oleh Tom M. Mitchell memberikan kejelasan tentang tujuan bidang ini: meningkatkan kinerja tugas berdasarkan pengalaman. Definisi operasional ini, terinspirasi oleh karya Alan Turing, mengalihkan fokus dari konsep kognitif abstrak ke aplikasi praktis.

Saat ini, pembelajaran mesin melayani dua tujuan: klasifikasi data dan analisis prediktif. Baik itu menggunakan visi komputer untuk mengklasifikasikan melanoma atau memprediksi tren pasar saham, algoritma pembelajaran mesin modern memanfaatkan dataset besar untuk membuat keputusan berbasis informasi dan membentuk masa depan.

Dari awal yang sederhana hingga aplikasi terkini yang canggih, perjalanan pembelajaran mesin mencerminkan upaya manusia yang tak kenal lelah dalam memahami dan memanfaatkan kekuatan sistem cerdas.

Hubungan antara Pembelajaran Mesin dan Bidang Lainnya

Pembelajaran mesin (ML) memiliki akar yang dalam dalam bidang kecerdasan buatan (AI). Pada awalnya, para peneliti dalam AI tertarik pada gagasan membuat mesin belajar dari data. Mereka mengadopsi berbagai metode simbolis dan memperkenalkan jaringan syaraf tiruan, seperti perseptron dan ADALINE, yang pada dasarnya adalah model linear umum dalam statistik. Namun, fokus pada pendekatan logis dan berbasis pengetahuan menyebabkan perbedaan antara AI dan ML. Pada tahun 1980-an, AI didominasi oleh sistem pakar, sementara ML mulai berkembang sebagai bidang yang mandiri, bergantung pada metode statistik dan model, seperti logika fuzzy dan teori probabilitas.

Pembelajaran mesin juga memiliki hubungan yang erat dengan penggalian data. Meskipun keduanya menggunakan metode yang serupa, fokusnya berbeda: ML berusaha untuk membuat prediksi berdasarkan data yang telah diketahui, sementara penggalian data bertujuan untuk menemukan informasi yang sebelumnya tidak diketahui dalam data. Meskipun terdapat kerancuan antara keduanya, keduanya saling melengkapi dan sering menggunakan metode yang sama untuk tujuan yang berbeda.

Selain itu, ML juga berhubungan dengan optimasi matematis. Banyak masalah pembelajaran dirumuskan sebagai masalah optimasi, di mana tujuannya adalah untuk meminimalkan fungsi kerugian pada set pelatihan. Ini menyoroti pentingnya generalisasi dalam ML, di mana tujuannya adalah untuk meminimalkan kerugian pada sampel yang tidak terlihat.

Pentingnya statistik dalam ML juga tidak bisa diabaikan. Meskipun memiliki metode yang mirip, statistik dan ML memiliki tujuan yang berbeda: statistik bertujuan untuk mengambil kesimpulan statistik dari sampel, sementara ML bertujuan untuk menemukan pola prediksi yang dapat digeneralisasi dari data. Beberapa ahli statistik bahkan telah mengadopsi metode dari ML, menciptakan bidang gabungan yang disebut sebagai pembelajaran statistik.

Terakhir, ML juga memiliki keterkaitan dengan fisika. Teknik analitis dan komputasi yang berasal dari fisika dapat diterapkan dalam masalah besar, termasuk ML. Sebagai contoh, fisika statistik dapat digunakan dalam analisis medis diagnostik.

Perbedaan dengan penggalian data

Penggalian data (data mining) merupakan suatu proses yang bertujuan untuk menemukan pengetahuan, kepentingan, dan pola baru dalam data dengan cara menghasilkan model deskriptif, dapat dimengerti, dan prediktif dari data dalam skala besar. Dengan kata lain, data mining adalah ekstraksi atau penggalian pengetahuan yang diinginkan dari volume data yang besar.

Dari definisi tersebut, dapat disimpulkan bahwa pemelajaran mesin berfokus pada studi, desain, dan pengembangan algoritma yang memungkinkan komputer untuk belajar secara mandiri tanpa perlu diprogram secara eksplisit. Di sisi lain, dalam penggalian data, proses dimulai dengan data yang tidak terstruktur, yang kemudian diekstraksi untuk mendapatkan pengetahuan atau pola yang belum diketahui sebelumnya. Selama proses penggalian data ini, algoritma dari pemelajaran mesin digunakan.

Berbagai Tipe Algoritma dalam Pembelajaran Mesin

Dalam dunia pembelajaran mesin, terdapat berbagai tipe algoritma yang dapat dikelompokkan berdasarkan karakteristik masukan dan keluaran yang diharapkan. Mari kita telaah beberapa tipe utama dari algoritma-algoritma ini:

1. Pemelajaran Terarah (Supervised Learning): Algoritma ini bertujuan untuk membuat fungsi yang memetakan masukan ke keluaran yang diinginkan, contohnya dalam pengelompokan atau klasifikasi. Proses ini dilakukan dengan mempelajari contoh-contoh pasangan masukan-keluaran yang sudah diberikan label. Melalui data latih ini, algoritma berusaha untuk memahami pola-pola yang ada dan menghasilkan model yang mampu melakukan prediksi atau klasifikasi dengan akurasi tinggi.

2. Pemelajaran Tak Terarah (Unsupervised Learning): Berbeda dengan pemelajaran terarah, algoritma tak terarah ini memodelkan himpunan masukan tanpa disertai keluaran yang tepat. Tujuannya adalah untuk menemukan pola-pola menarik dalam data yang tidak berlabel. Salah satu contoh algoritma tak terarah yang umum adalah clustering, di mana objek-objek yang serupa dikelompokkan dalam area tertentu tanpa adanya label.

3. Pemelajaran Semi Terarah (Semi-Supervised Learning): Algoritma ini menggabungkan unsur dari supervised dan unsupervised learning. Sebagian contoh masukan-keluaran yang tepat diberikan, sementara sebagian lagi tidak memiliki label. Tujuannya adalah untuk memanfaatkan kelebihan dari kedua tipe pemelajaran untuk menciptakan model yang lebih baik.

4. Reinforcement Learning: Jenis ini mengajarkan sebuah agen cerdas untuk bertindak dalam suatu lingkungan yang dinamis. Agen ini belajar melalui trial and error, dengan memaksimalkan nilai hadiah atau reward yang diperoleh dari tindakannya. Misalnya, sebuah agen dapat belajar menerbangkan helikopter dengan baik melalui pengalaman-pengalaman negatif seperti menabrak atau melenceng dari jalur tujuan.

5. Pemelajaran Berkembang (Developmental Learning Algorithm): Bidang ini bertujuan untuk memahami mekanisme pengembangan dan batasan-batasan yang memungkinkan pembelajaran seumur hidup pada mesin. Ini melibatkan pengembangan algoritma yang terbuka terhadap pengetahuan dan kemampuan baru seiring waktu.

6. Transduction: Mirip dengan supervised learning, tetapi tidak secara eksplisit membangun fungsi. Tujuannya adalah untuk memprediksi output baru berdasarkan pada input baru dan data latih yang tersedia.

7. Learning to Learn: Algoritma ini menggunakan pembelajaran untuk memahami cara belajar sendiri. Ini melibatkan penggunaan algoritma untuk meningkatkan proses pembelajaran di masa mendatang.

Menjelajahi Berbagai Model dalam Pembelajaran Mesin

Dalam ranah machine learning, model pada dasarnya adalah rumus matematika yang, setelah dilatih pada dataset tertentu, dapat digunakan untuk membuat prediksi atau klasifikasi pada data baru. Selama proses pelatihan, algoritme pembelajaran menyempurnakan parameter internal model untuk meminimalkan kesalahan dalam prediksinya.

Terdapat spektrum jenis model, mulai dari kelas model yang luas dan algoritme pembelajaran yang terkait hingga model yang terlatih sepenuhnya dengan parameter internal yang dioptimalkan. Memilih model yang paling sesuai untuk tugas tertentu sering disebut sebagai pemilihan model.

• Jaringan Syaraf Tiruan (JST):

Jaringan saraf tiruan, atau JST, adalah sistem komputasi yang terinspirasi oleh struktur jaringan saraf biologis yang saling berhubungan yang ditemukan di otak hewan. Sistem ini belajar melakukan tugas dengan menganalisis contoh tanpa diprogram secara eksplisit dengan aturan khusus tugas. ANN terdiri dari simpul yang saling terhubung, atau neuron buatan, yang memproses dan mengirimkan informasi melalui koneksi berbobot. Jaringan ini telah diterapkan pada berbagai tugas seperti visi komputer, pengenalan suara, dan diagnosis medis.

• Pohon Keputusan:

Pembelajaran pohon keputusan melibatkan penggunaan pohon keputusan sebagai model prediktif untuk membuat kesimpulan tentang nilai target item berdasarkan pengamatan. Pohon keputusan digunakan dalam statistik, penggalian data, dan pembelajaran mesin, di mana cabang-cabang mewakili gabungan fitur yang mengarah ke label kelas atau nilai target tertentu. Pohon ini efektif untuk memvisualisasikan dan secara eksplisit merepresentasikan proses pengambilan keputusan.

• Mesin Vektor Pendukung (Support-Vector Machines/SVM):

Support-vector machines adalah metode pembelajaran yang diawasi yang digunakan untuk tugas klasifikasi dan regresi. Mereka membangun model yang memprediksi apakah sebuah contoh baru masuk ke dalam salah satu dari dua kategori berdasarkan sekumpulan contoh pelatihan. SVM dapat secara efisien melakukan klasifikasi non-linear menggunakan trik kernel, memetakan input ke dalam ruang fitur berdimensi tinggi.

• Analisis Regresi:

Analisis regresi memperkirakan hubungan antara variabel input dan fitur terkait. Regresi linier adalah bentuk yang umum, di mana sebuah garis ditarik agar sesuai dengan data. Model lainnya termasuk regresi polinomial, regresi logistik, dan regresi kernel, yang memperkenalkan non-linearitas untuk menangani masalah non-linear.

• Jaringan Bayesian:

Jaringan Bayesian adalah model grafis probabilistik yang merepresentasikan variabel acak dan independensi bersyaratnya dengan grafik asiklik berarah. Jaringan ini digunakan untuk memodelkan hubungan antar variabel, seperti penyakit dan gejala, dan dapat menghitung probabilitas kejadian tertentu berdasarkan data yang diamati.

• Proses Gaussian:

Proses Gaussian adalah proses stokastik di mana distribusi variabel acak adalah normal multivariat. Proses ini digunakan untuk tugas-tugas regresi, di mana output dari titik baru dapat dihitung berdasarkan titik-titik yang diamati dan kovariannya.

• Algoritma Genetika:

Algoritma genetika meniru proses seleksi alam untuk menemukan solusi untuk masalah optimasi. Algoritme ini menggunakan metode seperti mutasi dan crossover untuk menghasilkan solusi baru untuk mencari hasil terbaik.

• Fungsi Keyakinan:

Fungsi kepercayaan menyediakan kerangka kerja untuk penalaran dengan ketidakpastian dan memiliki hubungan dengan teori probabilitas. Fungsi ini memanfaatkan metode ensemble untuk menangani batasan keputusan, sampel yang sedikit, dan masalah kelas yang ambigu dalam pembelajaran mesin.

Model pelatihan dalam pembelajaran mesin membutuhkan sejumlah besar data yang dapat diandalkan untuk memastikan prediksi yang akurat. Overfitting, atau mendapatkan model dari data yang bias, dapat menyebabkan prediksi yang miring dan hasil yang merugikan. Mengatasi bias algoritmik dan mengintegrasikan etika pembelajaran mesin adalah pertimbangan penting dalam pelatihan model. Pembelajaran terfederasi adalah pendekatan baru yang mendesentralisasikan proses pelatihan, menjaga privasi pengguna, dan meningkatkan efisiensi.

Manfaat dan implementasi

Pemelajaran mesin menjaganya agar tetap sederhana, sebuah algoritme dikembangkan untuk mencatat perubahan dalam data dan berevolusi dalam desain itu untuk mengakomodasi temuan baru. Seperti diterapkan untuk analisis prediktif, fitur ini memiliki dampak luas mulai pada kegiatan yang biasanya dilakukan untuk mengembangkan, menguji, dan memperbaiki algoritme untuk tujuan tertentu. Aplikasi untuk pemelajaran mesin termasuk:

• Machine perception
• Computer vision, including object recognition
• Natural language processing
• Syntactic pattern recognition
• Machine learning
• Medical diagnosis
• Bioinformatics
• Brain-machine interfaces
• Cheminformatics
• Detecting credit card fraud
• Stock market analysis
• Classifying DNA sequences
• Sequence mining
• Speech and handwriting recognition
• Games
• Software engineering
• Adaptive websites
• Robot locomotion
• Computational advertising
• Computational finance
• Structural health monitoring
• Sentiment analysis (or opinion mining)
• Affective computing
• Menerima Informasi
• Recommender systems

Penerapan Machine Learning di Masa Depan

Meskipun Machine Learning belum dapat secara efektif memprediksi tingkat kejengkelan pengguna, kami tetap yakin bahwa masih banyak yang dapat dilakukan untuk meningkatkan hasil proyek ini. Pertama-tama, kami menyadari bahwa kumpulan data yang kami miliki masih terbatas untuk metode pemelajaran mesin. Oleh karena itu, kami berencana untuk mengumpulkan lebih banyak data guna melihat apakah penambahan data dapat meningkatkan kinerja model kami secara signifikan.

Selain itu, kami juga berencana untuk mengubah jenis permainan yang digunakan dalam proses pengujian. Mengingat permainan yang digunakan saat ini adalah jenis permainan penembak, terdapat banyak aksi "menembak" yang terlibat. Kami berpendapat bahwa permainan balap mungkin akan lebih efektif dalam mendeteksi gangguan dengan menggunakan sensor gaya, karena dalam permainan balap terdapat lebih banyak tombol yang ditekan dibandingkan dengan permainan penembak. Selain itu, permainan balap juga dapat menghadirkan tingkat stres yang lebih terkait dengan situasi nyata daripada permainan penembak.

Dengan mengambil langkah-langkah ini, kami berharap dapat meningkatkan kemampuan model kami dalam memprediksi tingkat kejengkelan pengguna dengan lebih akurat dan efisien di masa depan.

Disadur dari : id.wikipedia.org/en.wikipedia.org/wiki/Machine_learning

Ketidakpastian atau Ketidakyakinan (Incertitude) mengacu pada situasi epistemik yang melibatkan informasi yang tidak sempurna atau tidak diketahui. Hal ini berlaku untuk prediksi kejadian di masa depan, pengukuran fisik yang telah dilakukan, atau hal yang tidak diketahui. Ketidakpastian muncul dalam lingkungan yang sebagian dapat diamati atau lingkungan yang bersifat stokastik, serta karena ketidaktahuan, kemalasan, atau keduanya. Ketidakpastian muncul di sejumlah bidang, termasuk asuransi, filsafat, fisika, statistik, ekonomi, keuangan, kedokteran, psikologi, sosiologi, teknik, metrologi, meteorologi, ekologi, dan ilmu informasi.

Konsep

Meskipun istilah-istilah tersebut digunakan dalam berbagai cara di kalangan masyarakat umum, banyak ahli teori keputusan, statistik, dan bidang kuantitatif lainnya yang mendefinisikan ketidakpastian, risiko, dan pengukurannya sebagai:

Ketidakpastian

Kurangnya kepastian, suatu keadaan dengan pengetahuan yang terbatas di mana tidak mungkin untuk secara tepat menggambarkan keadaan yang ada, hasil di masa depan, atau lebih dari satu hasil yang mungkin terjadi.

Pengukuran ketidakpastian

Sekumpulan kemungkinan keadaan atau hasil di mana probabilitas ditetapkan untuk setiap kemungkinan keadaan atau hasil - ini juga mencakup penerapan fungsi kepadatan probabilitas pada variabel kontinu.

Ketidakpastian tingkat kedua

Dalam statistik dan ekonomi, ketidakpastian orde dua direpresentasikan dalam fungsi kepadatan probabilitas atas probabilitas (orde satu). Opini dalam logika subjektif mengandung ketidakpastian jenis ini.

Risiko

Risiko adalah keadaan ketidakpastian, di mana beberapa hasil yang mungkin terjadi memiliki efek yang tidak diinginkan atau kerugian yang signifikan. Pengukuran risiko mencakup serangkaian ketidakpastian yang terukur, di mana beberapa hasil yang mungkin terjadi adalah kerugian, dan besarnya kerugian tersebut. Ini juga mencakup fungsi kerugian atas variabel kontinu.

Ketidakpastian versus variabilitas

Ada perbedaan antara ketidakpastian dan variabilitas. Ketidakpastian dikuantifikasi dengan distribusi probabilitas yang bergantung pada pengetahuan tentang kemungkinan nilai tunggal yang benar dari kuantitas yang tidak pasti. Variabilitas dikuantifikasi dengan distribusi frekuensi dari beberapa contoh kuantitas, yang berasal dari data yang diamati.

Ketidakpastian Knightian

Dalam ilmu ekonomi, pada tahun 1921 Frank Knight membedakan ketidakpastian dari risiko dengan ketidakpastian sebagai kurangnya pengetahuan yang tidak dapat diukur dan tidak mungkin dihitung. Karena tidak adanya statistik yang didefinisikan dengan jelas dalam sebagian besar keputusan ekonomi di mana orang menghadapi ketidakpastian, ia percaya bahwa kita tidak dapat mengukur probabilitas dalam kasus-kasus seperti itu; ini sekarang disebut sebagai ketidakpastian Knightian.

Ketidakpastian harus dipahami dalam arti yang sangat berbeda dari pengertian risiko yang sudah dikenal, yang tidak pernah dipisahkan dengan benar. Fakta yang penting adalah bahwa 'risiko' dalam beberapa kasus berarti kuantitas yang dapat diukur, sementara di lain waktu merupakan sesuatu yang jelas bukan merupakan karakter ini; dan ada perbedaan yang sangat besar dan krusial dalam hal fenomena yang bergantung pada mana yang benar-benar ada dan beroperasi.... Akan terlihat bahwa ketidakpastian yang dapat diukur, atau 'risiko' yang tepat, seperti yang akan kita gunakan dalam istilah ini, sangat jauh berbeda dengan ketidakpastian yang tidak dapat diukur, sehingga pada dasarnya bukan merupakan ketidakpastian sama sekali. - Frank Knight (1885-1972), Risiko, Ketidakpastian, dan Keuntungan (1921), Universitas Chicago.

Ada perbedaan mendasar antara imbalan untuk mengambil risiko yang diketahui dan mengambil risiko yang nilainya tidak diketahui. Hal ini sangat mendasar, bahkan... risiko yang diketahui tidak akan menghasilkan imbalan atau pembayaran khusus sama sekali. - Frank Knight

Knight menunjukkan bahwa hasil yang tidak menguntungkan dari risiko yang diketahui dapat diasuransikan selama proses pengambilan keputusan karena memiliki distribusi probabilitas yang jelas. Risiko yang tidak diketahui tidak memiliki distribusi probabilitas yang diharapkan, yang dapat menyebabkan keputusan perusahaan yang sangat berisiko.

Taksonomi ketidakpastian dan keputusan lainnya mencakup pengertian ketidakpastian yang lebih luas dan bagaimana hal itu harus didekati dari perspektif etika:

 

Sebuah taksonomi ketidakpastian.

Risiko dan ketidakpastian

Sebagai contoh, jika tidak diketahui apakah besok akan turun hujan atau tidak, maka terdapat ketidakpastian. Jika probabilitas diterapkan pada hasil yang mungkin terjadi dengan menggunakan prakiraan cuaca atau bahkan hanya penilaian probabilitas yang dikalibrasi, maka ketidakpastian telah dikuantifikasi. Misalkan saja, peluang matahari akan bersinar sebesar 90%. Jika ada acara besar dan mahal yang direncanakan di luar ruangan besok, maka ada risiko karena ada 10% kemungkinan hujan, dan hujan tidak diinginkan. Lebih jauh lagi, jika ini adalah acara bisnis dan $100.000 akan hilang jika hujan turun, maka risikonya sudah dikuantifikasi (10% kemungkinan kehilangan $100.000). Situasi ini dapat dibuat lebih realistis dengan mengkuantifikasi hujan ringan vs hujan lebat, biaya penundaan vs pembatalan, dll.

Beberapa orang mungkin merepresentasikan risiko dalam contoh ini sebagai "kerugian peluang yang diharapkan" (EOL) atau peluang kerugian dikalikan dengan jumlah kerugian (10% × $ 100.000 = $ 10.000). Hal ini berguna jika penyelenggara acara "netral terhadap risiko", yang mana kebanyakan orang tidak demikian. Sebagian besar orang akan bersedia membayar premi untuk menghindari kerugian. Sebuah perusahaan asuransi, misalnya, akan menghitung EOL sebagai nilai minimum untuk perlindungan asuransi apa pun, kemudian menambahkan biaya operasional dan keuntungan lainnya. Karena banyak orang bersedia membeli asuransi karena berbagai alasan, maka jelas EOL saja bukanlah nilai yang dirasakan untuk menghindari risiko.

Ketidakpastian Radikal

Istilah 'ketidakpastian radikal' diciptakan oleh John Kay dan Mervyn King dalam buku mereka yang berjudul Radical Uncertainty: Pengambilan Keputusan untuk Masa Depan yang Tidak Dapat Diketahui, yang diterbitkan pada bulan Maret 2020. Ketidakpastian ini berbeda dengan ketidakpastian Knightian, berdasarkan apakah ketidakpastian tersebut 'dapat diselesaikan' atau tidak. Jika ketidakpastian muncul dari kurangnya pengetahuan, dan kurangnya pengetahuan tersebut dapat diselesaikan dengan memperoleh pengetahuan (seperti melalui penelitian primer atau sekunder), maka hal tersebut bukanlah ketidakpastian radikal. Hanya ketika tidak ada cara yang tersedia untuk memperoleh pengetahuan yang dapat menyelesaikan ketidakpastian, maka ketidakpastian tersebut dianggap 'radikal'.

Dalam pengukuran

Prosedur yang paling umum digunakan untuk menghitung ketidakpastian pengukuran dijelaskan dalam "Panduan Ekspresi Ketidakpastian dalam Pengukuran" (GUM) yang diterbitkan oleh ISO. Karya turunannya misalnya National Institute of Standards and Technology (NIST) Technical Note 1297, "Panduan untuk Mengevaluasi dan Mengekspresikan Ketidakpastian Hasil Pengukuran NIST", dan publikasi Eurachem/Citac "Menghitung Ketidakpastian dalam Pengukuran Analitik". Ketidakpastian hasil pengukuran umumnya terdiri dari beberapa komponen. Komponen-komponen tersebut dianggap sebagai variabel acak, dan dapat dikelompokkan ke dalam dua kategori sesuai dengan metode yang digunakan untuk memperkirakan nilai numeriknya:

• Tipe A, yang dievaluasi dengan metode statistik
• Tipe B, yang dievaluasi dengan cara lain, misalnya dengan menetapkan distribusi probabilitas

Dengan menyebarkan varians komponen melalui fungsi yang menghubungkan komponen dengan hasil pengukuran, ketidakpastian pengukuran gabungan diberikan sebagai akar kuadrat dari varians yang dihasilkan. Bentuk yang paling sederhana adalah deviasi standar dari pengamatan berulang.

Dalam metrologi, fisika, dan teknik, ketidakpastian atau margin kesalahan pengukuran, ketika dinyatakan secara eksplisit, diberikan oleh rentang nilai yang kemungkinan besar mencakup nilai sebenarnya. Hal ini dapat dilambangkan dengan batang kesalahan pada grafik, atau dengan notasi berikut:

• nilai terukur ± ketidakpastian
• nilai terukur + ketidakpastian -ketidakpastian
• nilai terukur (ketidakpastian)

Pada notasi terakhir, tanda kurung adalah notasi ringkas untuk notasi ±. Sebagai contoh, menerapkan 10 1⁄2 meter dalam aplikasi ilmiah atau teknik, dapat ditulis 10,5 m atau 10,50 m, dengan konvensi yang berarti akurat dalam sepersepuluh meter, atau seperseratus. Ketepatannya simetris di sekitar angka terakhir. Dalam hal ini, setengah sepersepuluh ke atas dan setengah sepersepuluh ke bawah, jadi 10,5 berarti antara 10,45 dan 10,55. Dengan demikian dapat dipahami bahwa 10,5 berarti 10,5 ± 0,05, dan 10,50 berarti 10,50 ± 0,005, juga ditulis 10,50 (5) dan 10,500 (5). Tetapi, jika akurasinya dalam dua persepuluh, ketidakpastiannya adalah ± sepersepuluh, dan harus dituliskan secara eksplisit: 10,5±0,1 dan 10,50±0,01 atau 10,5 (1) dan 10,50 (1). Angka dalam tanda kurung berlaku untuk angka di sebelah kiri, dan bukan merupakan bagian dari angka tersebut, tetapi bagian dari notasi ketidakpastian. Angka-angka tersebut berlaku untuk angka yang paling tidak signifikan. Sebagai contoh, 1.00794(7) berarti 1.00794 ± 0.00007, sedangkan 1.00794(72) berarti 1.00794 ± 0.00072. Notasi ringkas ini digunakan sebagai contoh oleh IUPAC dalam menyatakan massa atom elemen.

Di media

Ketidakpastian dalam sains, dan ilmu pengetahuan secara umum, dapat ditafsirkan secara berbeda di ruang publik daripada di komunitas ilmiah. Hal ini sebagian disebabkan oleh keragaman audiens publik, dan kecenderungan para ilmuwan untuk salah memahami audiens awam sehingga tidak dapat mengkomunikasikan ide dengan jelas dan efektif. Salah satu contohnya dijelaskan oleh model defisit informasi. Selain itu, di ranah publik, sering kali ada banyak suara ilmiah yang memberikan masukan tentang satu topik.

Sebagai contoh, tergantung pada bagaimana sebuah isu dilaporkan di ranah publik, ketidaksesuaian antara hasil dari beberapa penelitian ilmiah karena perbedaan metodologi dapat ditafsirkan oleh publik sebagai kurangnya konsensus dalam situasi di mana konsensus sebenarnya ada. Interpretasi ini bahkan mungkin sengaja dipromosikan, karena ketidakpastian ilmiah dapat dikelola untuk mencapai tujuan tertentu. Sebagai contoh, para penyangkal perubahan iklim mengikuti saran Frank Luntz untuk membingkai pemanasan global sebagai isu ketidakpastian ilmiah, yang merupakan pendahulu dari bingkai konflik yang digunakan oleh para jurnalis ketika melaporkan isu tersebut.

Disadur dari: en.wikipedia.org

Mahasiswa Institut Teknologi Sepuluh Nopember (ITS) Surabaya menciptakan sebuah keyboard atau papan ketik kaki yang diberi nama DEFBoard. Alat ini untuk membantu orang yang memiliki keterbatasan tangan atau penyandang disabilitas tangan. Keyboard unik nan bemanfaat ini tidak dibuat secara sembarangan atau asal-asalan. Dalam proses desain dan pembuatannya terdapat riset mendalam terlebih dahulu dengan mengaplikasikan basis ergonomi dan anthropometri, sehingga sesuai dengan kebutuhan penggunanya.

Tim mahasiswa yang berhasil merancang DEFBoard ini adalah Sangki Purabaya, mahasiswa Teknik Industri angkatan 2017, Rozan Putra Dandi, mahasiswa Teknik Industri 2016, dan Alif Aditya Wicaksono, mahasiswa Teknik Komputer 2018. Sebelum bergabung sebagai tim, Alif Aditya yang pertama kali menyusun prototipe keyboard kaki tersebut berpandangan, penyandang disabilitas memiliki kesempatan sama dengan kebanyakan orang lainnya. Namun, di awal merancang inovasinya, ia belum memiliki basis riset ilmiah terkait produk tersebut. 

Akhirnya setelah mereka membentuk tim dan melalui bimbingan Dr Adithya Sudiarno yang juga dosen Departemen Teknik Industri ITS, dimulailah penyusunan DEFBoard generasi berikutnya yang telah dilakukan banyak peningkatan dari segi bentuk dan kenyamanan penggunaannya.

Dalam penyusunannya, tim DEFBoard yang kini beranggotakan tiga orang tersebut diharuskan melakukan riset terkait dimensi kaki manusia. Data pengukuran kaki manusia tersebut digunakan sebagai acuan dimensi keyboard mereka. Hal ini sesuai dengan basis anthropometri,dengan  DEFBoard menyesuaikan dimensi kaki manusia. "Di sini kita melakukan pengukuran kaki orang secara langsung," ujar Sangki Purabaya yang dipercaya sebagai ketua tim dari DEFBoard ini, Jumat (11/10/2019). (Dian Kurniawan).
 

Sumber: liputan6.com

Nilai sekarang bersih (NPV) atau nilai sekarang bersih (NPW) berlaku untuk serangkaian arus kas yang terjadi pada waktu yang berbeda. Nilai sekarang dari arus kas tergantung pada interval waktu antara saat ini dan arus kas tersebut. Hal ini juga tergantung pada tingkat diskonto efektif tahunan. NPV memperhitungkan nilai waktu dari uang. Ini memberikan metode untuk mengevaluasi dan membandingkan proyek modal atau produk keuangan dengan arus kas yang tersebar dari waktu ke waktu, seperti dalam pinjaman, investasi, pembayaran dari kontrak asuransi ditambah banyak aplikasi lainnya.

Nilai waktu dari uang menyatakan bahwa waktu mempengaruhi nilai arus kas. Sebagai contoh, pemberi pinjaman dapat menawarkan 99 sen untuk janji menerima $1.00 sebulan dari sekarang, tetapi janji untuk menerima dolar yang sama 20 tahun di masa depan akan bernilai jauh lebih rendah hari ini untuk orang yang sama (pemberi pinjaman), bahkan jika pengembalian dalam kedua kasus sama-sama pasti. Penurunan nilai saat ini dari arus kas masa depan didasarkan pada tingkat pengembalian yang dipilih (atau tingkat diskonto). Misalnya, jika terdapat rangkaian waktu arus kas yang identik, arus kas saat ini adalah yang paling bernilai, dengan setiap arus kas masa depan menjadi kurang bernilai dibandingkan arus kas sebelumnya. Arus kas saat ini lebih berharga daripada arus kas identik di masa depan karena arus kas saat ini dapat diinvestasikan dengan segera dan mulai menghasilkan keuntungan, sedangkan arus kas di masa depan tidak.

NPV ditentukan dengan menghitung biaya (arus kas negatif) dan manfaat (arus kas positif) untuk setiap periode investasi. Setelah arus kas untuk setiap periode dihitung, nilai sekarang (PV) dari masing-masing periode diperoleh dengan mendiskontokan nilai masa depan (lihat Rumus) pada tingkat pengembalian periodik (tingkat pengembalian yang ditentukan oleh pasar). NPV adalah jumlah dari semua arus kas masa depan yang didiskontokan.

Karena kesederhanaannya, NPV adalah alat yang berguna untuk menentukan apakah sebuah proyek atau investasi akan menghasilkan laba bersih atau rugi. NPV positif menghasilkan keuntungan, sedangkan NPV negatif menghasilkan kerugian. NPV mengukur kelebihan atau kekurangan arus kas, dalam istilah nilai sekarang, di atas biaya dana. Dalam situasi teoritis penganggaran modal tanpa batas, perusahaan harus mengejar setiap investasi dengan NPV positif. Namun, secara praktis, keterbatasan modal perusahaan membatasi investasi pada proyek-proyek dengan NPV tertinggi yang arus kas biayanya, atau investasi tunai awal, tidak melebihi modal perusahaan. NPV adalah alat utama dalam analisis arus kas yang didiskontokan (discounted cash flow/DCF) dan merupakan metode standar untuk menggunakan nilai waktu dari uang untuk menilai proyek-proyek jangka panjang. Metode ini digunakan secara luas di seluruh bidang ekonomi, analisis keuangan, dan akuntansi keuangan.

Dalam kasus ketika semua arus kas masa depan positif, atau masuk (seperti pembayaran pokok dan kupon obligasi), satu-satunya arus kas keluar adalah harga pembelian, NPV hanyalah PV arus kas masa depan dikurangi harga pembelian (yang merupakan PV-nya sendiri). NPV dapat digambarkan sebagai "jumlah selisih" antara jumlah arus kas masuk yang didiskontokan dan arus kas keluar. Ini membandingkan nilai sekarang dari uang hari ini dengan nilai sekarang dari uang di masa depan, dengan mempertimbangkan inflasi dan pengembalian.

NPV dari urutan arus kas menggunakan arus kas dan tingkat diskonto atau kurva diskonto sebagai input dan menghasilkan nilai sekarang, yang merupakan harga wajar saat ini. Proses sebaliknya dalam analisis arus kas diskonto (DCF) mengambil urutan arus kas dan harga sebagai input dan sebagai output tingkat diskonto, atau tingkat pengembalian internal (IRR) yang akan menghasilkan harga yang diberikan sebagai NPV. Tingkat ini, yang disebut imbal hasil, digunakan secara luas dalam perdagangan obligasi.

Formula

Setiap arus kas masuk/keluar didiskontokan kembali ke nilai sekarang (PV). Kemudian semuanya dijumlahkan sehingga NPV adalah jumlah semua suku:

dimana:

•  adalah waktu arus kas
•  adalah tingkat diskonto, yaitu tingkat pengembalian yang dapat diperoleh per unit waktu atas investasi dengan risiko serupa
•  adalah arus kas bersih yaitu arus kas masuk – arus kas keluar, pada waktu t. Untuk tujuan pendidikan, biasanya ditempatkan di sebelah kiri jumlah untuk menekankan perannya sebagai (minus) investasi.
• adalah faktor diskon, juga dikenal sebagai faktor nilai sekarang.

Hasil rumus ini dikalikan dengan Arus Kas Masuk Bersih Tahunan dan dikurangi dengan Pengeluaran Kas Awal nilai sekarang, namun dalam hal arus kas tidak sama besarnya, maka rumus sebelumnya akan digunakan untuk menentukan nilai sekarang dari setiap arus kas secara terpisah. Arus kas apa pun dalam 12 bulan tidak akan didiskontokan untuk tujuan NPV, namun investasi awal yang biasa dilakukan pada tahun pertama R0 diringkas sebagai arus kas negatif.

NPV juga dapat dianggap sebagai perbedaan antara manfaat dan biaya yang didiskon dari waktu ke waktu. Dengan demikian, NPV juga dapat ditulis sebagai:

dimana:

•  adalah manfaat atau arus kas masuk
•  adalah biaya atau arus kas keluar

Diketahui (periode, arus kas masuk, arus kas keluar) yang ditunjukkan oleh (, , ) dimana  adalah jumlah total periode, nilai sekarang bersih  diberikan oleh:

dimana:

•  adalah manfaat atau arus kas masuk pada saat itu .
•  adalah biaya atau arus kas keluar pada saat itu .

NPV dapat ditulis ulang menggunakan arus kas bersih  pada setiap periode waktu sebagai:

Berdasarkan konvensi, periode awal terjadi pada waktu 𝑡=0, yang mana arus kas pada periode berikutnya kemudian didiskontokan dari  dan seterusnya. Selain itu, seluruh arus kas masa depan selama suatu periode diasumsikan terjadi pada akhir setiap periode. Untuk arus kas konstan 𝑅, nilai sekarang bersih NPV adalah deret geometri berhingga dan diberikan oleh:

Pencantuman suku 𝑅0 penting dalam rumus di atas. Proyek modal pada umumnya melibatkan arus kas negatif 𝑅0 yang besar (investasi awal) dengan arus kas masa depan yang positif (laba atas investasi). Penilaian utamanya adalah apakah, untuk tingkat diskonto tertentu, NPVnya positif (menguntungkan) atau negatif (menguntungkan). IRR adalah tingkat diskonto dimana NPVnya tepat 0.

Tingkat diskonto

Biaya modal rata-rata tertimbang suatu perusahaan (setelah pajak) sering digunakan, namun banyak orang berpendapat bahwa menggunakan tingkat diskonto yang lebih tinggi adalah hal yang tepat untuk menyesuaikan risiko, biaya peluang, atau faktor lainnya. Tingkat diskonto variabel dengan tingkat suku bunga lebih tinggi yang diterapkan pada arus kas yang terjadi lebih jauh sepanjang rentang waktu dapat digunakan untuk mencerminkan premi kurva imbal hasil untuk utang jangka panjang.

Pendekatan lain dalam memilih faktor tingkat diskonto adalah dengan menentukan tingkat pengembalian modal yang dibutuhkan untuk proyek jika diinvestasikan dalam usaha alternatif. Jika, misalnya, modal yang dibutuhkan untuk Proyek A dapat menghasilkan 5% di tempat lain, gunakan tingkat diskonto ini dalam penghitungan NPV agar perbandingan langsung dapat dilakukan antara Proyek A dan alternatifnya. Terkait dengan konsep ini adalah dengan menggunakan tingkat reinvestasi perusahaan. Tingkat investasi ulang dapat didefinisikan sebagai tingkat pengembalian rata-rata investasi perusahaan. Ketika menganalisis proyek dalam lingkungan dengan modal terbatas, mungkin tepat untuk menggunakan tingkat reinvestasi daripada biaya modal rata-rata tertimbang perusahaan sebagai faktor diskon. Hal ini mencerminkan biaya peluang investasi, bukan biaya modal yang mungkin lebih rendah.

NPV yang dihitung menggunakan tingkat diskonto variabel (jika diketahui selama durasi investasi) mungkin lebih mencerminkan situasi dibandingkan yang dihitung dari tingkat diskonto konstan untuk seluruh durasi investasi. Lihat artikel tutorial yang ditulis oleh Samuel Baker untuk hubungan lebih rinci antara NPV dan tingkat diskonto.

Penggunaan dalam pengambilan keputusan

NPV adalah indikator seberapa besar nilai investasi atau proyek yang ditambahkan ke perusahaan. Pada proyek tertentu, jika 𝑅𝑡 bernilai positif, proyek tersebut berada dalam status arus kas masuk positif pada waktu t. Jika 𝑅𝑡 bernilai negatif, proyek tersebut berada dalam status arus kas keluar yang didiskontokan pada waktu t. Proyek yang memiliki risiko yang tepat dengan NPV positif dapat diterima. Hal ini tidak berarti bahwa proyek tersebut harus dijalankan karena NPV pada biaya modal mungkin tidak memperhitungkan biaya peluang, yaitu perbandingan dengan investasi lain yang tersedia. Dalam teori keuangan, jika ada pilihan antara dua alternatif yang saling terpisah, maka yang menghasilkan NPV yang lebih tinggi harus dipilih. Nilai bersih sekarang yang positif menunjukkan bahwa proyeksi pendapatan yang dihasilkan oleh suatu proyek atau investasi (dalam dolar saat ini) melebihi biaya yang diantisipasi (juga dalam dolar saat ini). Konsep ini adalah dasar dari Aturan Nilai Sekarang Bersih, yang menyatakan bahwa satu-satunya investasi yang harus dilakukan adalah investasi dengan NPV positif.
 

Disadur dari: en.wikipedia.org

Apa itu Teknik Industri?

Teknik industri adalah bidang yang berfokus pada pengoptimalan sistem dan proses yang kompleks untuk meningkatkan efisiensi dan produktivitas bisnis dan organisasi. Para insinyur industri menggunakan berbagai alat dan teknik untuk menganalisis operasi, mengidentifikasi area untuk perbaikan, dan mengimplementasikan solusi untuk meningkatkan efisiensi. Kami memainkan peran penting dalam merampingkan operasi, meminimalkan biaya, mengurangi limbah, dan meningkatkan kualitas. Secara keseluruhan, Teknik Industri bertujuan untuk memaksimalkan sumber daya, meminimalkan kemacetan, dan menciptakan solusi berkelanjutan yang mendorong kesuksesan organisasi.

Struktur Kurikulum

Kurikulum kami yang komprehensif dirancang untuk memberikan dasar yang kuat kepada mahasiswa dan membekali mereka dengan keterampilan dan pengetahuan yang diperlukan untuk unggul di bidang Teknik Industri. Berikut adalah ikhtisar kurikulum kami: 

Tahun Pertama - Fondasi:
Pada tahun pertama, mahasiswa akan membangun dasar yang kuat dengan berfokus pada mata kuliah fundamental. Ini termasuk mata kuliah sains dasar, yang akan meletakkan dasar bagi prinsip dan konsep ilmiah. Selain itu, mata kuliah teknologi dan seni dasar akan memberikan pendidikan yang menyeluruh, meningkatkan pemikiran kritis dan keterampilan komunikasi. Mahasiswa juga akan mengeksplorasi prinsip-prinsip teknik umum, mengembangkan pemahaman yang luas tentang disiplin ilmu teknik. 

Tahun Kedua - Keterampilan dasar:
Dengan membangun fondasi, tahun kedua menekankan pada perolehan keterampilan penting. Mahasiswa akan mempelajari metodologi dasar yang digunakan dalam Teknik Industri. Mahasiswa akan belajar tentang prinsip-prinsip inti, alat, dan teknik yang membentuk tulang punggung bidang ini. Melalui pengalaman langsung dan aplikasi praktis, para mahasiswa akan mengembangkan pemahaman yang kuat tentang praktik-praktik Teknik Industri. 

Tahun Ketiga - Program studi:
Pada tahun ketiga, mahasiswa akan mempelajari lebih dalam tentang program studi, dengan fokus pada mata kuliah tingkat lanjut yang spesifik untuk Teknik Industri. Mata kuliah ini akan mencakup topik-topik tingkat lanjut di berbagai bidang seperti perencanaan produksi, manajemen rantai pasokan, kontrol kualitas, optimasi, dan riset operasi. Mahasiswa akan mendapatkan pemahaman yang komprehensif tentang seluk-beluk Teknik Industri, yang memungkinkan mereka untuk menganalisis sistem yang kompleks dan mengidentifikasi peluang untuk perbaikan. 

Tahun ke-4 - Akhir:
Tahun keempat dan terakhir dari program kami didedikasikan untuk puncak dari perjalanan belajar mahasiswa. Mahasiswa akan terlibat dalam proyek capstone, sebuah pengalaman puncak yang mengintegrasikan pengetahuan dan keterampilan yang diperoleh selama program. Bekerja sama dengan penasihat fakultas, mahasiswa akan melakukan proyek desain teknik, menerapkan keahlian mereka untuk memecahkan tantangan industri dunia nyata. Pengalaman langsung ini akan memungkinkan mereka untuk menunjukkan kemampuan pemecahan masalah, kreativitas, dan keterampilan kerja tim mereka. 

Kurikulum kami dirancang untuk mempersiapkan mahasiswa untuk karir yang sukses di bidang Teknik Industri. Melalui kombinasi pengetahuan teoritis, keterampilan praktis, dan aplikasi dunia nyata, lulusan kami diperlengkapi dengan baik untuk membuat dampak yang signifikan di berbagai industri.  

Latar belakang jalur internasional

Dengan sejarah yang kaya sejak tahun 1971, Teknik Industri ITB (Institut Teknologi Bandung) memiliki keistimewaan sebagai institusi pendidikan teknik industri tertua dan pertama yang terakreditasi ABET di Indonesia. Selama bertahun-tahun, kami secara konsisten mempertahankan standar pendidikan yang tinggi, menghasilkan lulusan luar biasa yang telah memberikan kontribusi signifikan pada bidang Teknik Industri. 

Menyadari tuntutan yang terus berkembang di pasar kerja teknik global, kami mendirikan Program Sarjana Internasional pada tahun 2022. Program ini dirancang khusus untuk memastikan bahwa lulusan kami tetap kompetitif di dunia yang semakin terhubung dan mengglobal. 

Di kampus Ganesha kami yang terkenal, Program Jalur Sarjana Internasional menawarkan kualitas pendidikan yang sama baiknya dengan kelas reguler. Mahasiswa mendapatkan manfaat dari kurikulum yang ketat, staf pengajar yang ahli, dan fasilitas mutakhir yang telah menjadikan ITB sebagai institusi terkemuka di Indonesia. 

ITB International Track bertujuan untuk memberikan pengalaman akademik berkualitas internasional kepada setiap mahasiswa. Karena kurikulum dirancang khusus untuk memungkinkan mahasiswa bersaing secara global di berbagai bidang, semua mahasiswa harus melakukan minimal 1 semester pertukaran pelajar dengan biaya sendiri ke berbagai universitas mitra ITB di luar negeri. Kami percaya bahwa paparan langsung terhadap budaya, perspektif, dan praktik teknik yang berbeda sangat penting bagi mahasiswa untuk mengembangkan pola pikir global. Melalui magang internasional, kolaborasi, dan pertukaran akademik, mahasiswa kami mendapatkan wawasan yang tak ternilai, memperluas wawasan mereka, dan mengembangkan kompetensi lintas budaya yang sangat dihargai dalam lanskap teknik saat ini.

Apa yang Kami tawarkan dalam program ini

Dosen dan Peneliti yang berkualitas: Program internasional kami memiliki tim dosen dan peneliti berkualifikasi tinggi yang membawa keahlian dan pengalaman industri yang luas ke dalam kelas. Dengan bimbingan mereka, mahasiswa menerima pendidikan dan bimbingan terbaik, memastikan fondasi yang kuat dalam prinsip dan praktik Teknik Industri.

Diakui secara Internasional: Program kami memiliki akreditasi bergengsi dari badan-badan yang diakui secara global seperti ABET (Badan Akreditasi untuk Rekayasa dan Teknologi) dan IABEE (Badan Akreditasi Indonesia untuk Pendidikan Teknik). Pengakuan ini memvalidasi kualitas dan standar kurikulum kami, memastikan bahwa lulusan kami dipersiapkan dengan baik untuk memenuhi persyaratan industri internasional dan unggul dalam karir mereka. 

Kurikulum terpadu: Kurikulum terpadu dari program internasional kami menggabungkan pengetahuan teoritis dengan aplikasi praktis, memberikan pemahaman holistik tentang Teknik Industri kepada para mahasiswa. Melalui proyek-proyek langsung, studi kasus, dan kolaborasi industri, mahasiswa mendapatkan keterampilan dan wawasan berharga yang menjembatani kesenjangan antara teori dan praktik dunia nyata.

Paparan Internasional: Salah satu keuntungan utama dari program internasional kami adalah kesempatan bagi mahasiswa untuk mendapatkan eksposur internasional. Melalui program studi di luar negeri, magang, dan peluang pertukaran, mahasiswa memperluas wawasan mereka, membenamkan diri dalam budaya yang berbeda, dan mengembangkan perspektif global yang tak ternilai harganya di dunia yang saling terhubung saat ini.

Proses Seleksi masuk eksklusif: Program internasional kami mengikuti proses seleksi masuk eksklusif yang terpisah dari kelas reguler untuk memastikan bahwa kami menerima siswa yang paling termotivasi dan berbakat.

Fasilitas premium: Siswa yang terdaftar di program internasional kami memiliki akses ke fasilitas canggih yang meningkatkan pengalaman belajar mereka. Dari laboratorium modern hingga perangkat lunak dan peralatan canggih, kami menyediakan lingkungan yang kondusif yang memungkinkan siswa untuk mengeksplorasi, bereksperimen, dan berinovasi dalam mengejar pengetahuan Teknik Industri.

Jalur yang dioptimalkan waktu: Program internasional kami dirancang untuk mengoptimalkan waktu mahasiswa, sehingga mereka dapat menyelesaikan studi dalam jangka waktu yang ditentukan. Dengan kurikulum yang terstruktur dengan baik dan dukungan yang berdedikasi, para mahasiswa dapat secara efisien maju melalui perjalanan akademis mereka, termasuk semester pertukaran ke luar negeri, memastikan para mahasiswa lulus sesuai jadwal sambil tetap mendapatkan pengalaman internasional yang berharga.

Prospek Karir

Lulusan Teknik Industri memiliki prospek karir yang beragam dan menjanjikan di berbagai industri, termasuk: 

Fleksibilitas keterampilan Insinyur Industri memungkinkan para lulusan untuk beradaptasi dan berkembang di berbagai industri, di mana kami dapat berkontribusi pada keunggulan operasional, optimalisasi proses, dan kesuksesan bisnis secara keseluruhan. 

Kemitraan Internasional

ITB memiliki lebih dari 170 universitas mitra di seluruh dunia melalui program-program berikut:

• MoU di semua tingkat untuk Pertukaran Semester di Luar Negeri (SEA), 
• GE3 (Global Engineering Education Exchange), 
• IISMA (International Indonesian Students Mobility Award), 
• dan skema internasionalisasi lainnya. 

Beberapa universitas yang prospektif berdasarkan kecocokan kurikulum: 

Persyaratan Akademik

• Lulus SMA/sederajat, baik dari sekolah dalam negeri maupun luar negeri, tidak lebih dari tiga tahun pada tanggal pendaftaran (contoh: Pendaftaran tahun 2023 untuk lulusan SMA tahun 2021, 2022, dan 2023) 
• Memiliki prestasi akademik yang tinggi selama di SMA/sederajat, dibuktikan dengan nilai rapor/transkrip akademik per semester, mulai dari semester 1 hingga semester 5 
• Memiliki kemampuan bahasa Inggris yang baik, dibuktikan dengan: 

1. Sertifikat TOEFL Internet-based test (iBT) yang diakui oleh ets.org, dengan nilai minimum 61, atau 
2. Sertifikat IELTS yang diakui oleh ielts.org, dengan nilai minimum 5,5 (General Test), atau 
3. Tes Kualifikasi Bahasa Inggris ITB (ELQ). 

• Mengikuti Tes Kualifikasi Akademik ITB (ITB AQ Test). Aplikasi online ITB AQ Test dapat diperoleh di https://admission.itb.ac.id/registration/international. 

Jadwal pendaftaran Program Sarjana Internasional ITB dan biaya kuliah dapat diakses melalui tautan berikut: https://admission.itb.ac.id/home/international/undergraduate

Disadur dari: https://ti.fti.itb.ac.id/