top of page

Merevolusi Arkeologi - Menggali Masa Lalu dengan AI Machine Learning

Diperbarui: 27 Mar

Ketika kita berpikir tentang arkeologi, gambaran yang sering muncul di benak kita adalah para peneliti yang dengan hati-hati menggali situs dan menganalisis artefak dengan cermat. Meskipun sebagian besar hal tersebut masih benar, sebuah cara baru telah ditambahkan ke dalam peralatan arkeolog: pembelajaran mesin/machine learning.


Revolutionizing Archaeology - Digging into the past with Machine Learning

AI Machine Learning: Menggali Pola Tersembunyi


Arkeologi menyajikan lanskap data yang melimpah dan rumit, mulai dari artefak kuno dan cetak biru situs hingga citra satelit dan dokumentasi sejarah. Dalam konteks ini, kehebatan algoritme machine learning bersinar terang, dengan mahir menguraikan kumpulan data yang kompleks untuk menggali pola dan meramalkan hasil. Sebagai alat yang ampuh, machine learning telah menjadi landasan arkeologi modern, memberdayakan para peneliti untuk menavigasi labirin informasi dengan ketepatan dan efisiensi yang belum pernah terjadi sebelumnya.


Namun, perjalanan transformatif dalam arkeologi tidak hanya berhenti pada ranah machine learning saja. Revolusi yang sebenarnya terletak pada perpaduan strategis antara machine learning dan metode analitik lainnya, sebuah pendekatan yang memperluas cakrawala penyelidikan arkeologi dan memanfaatkan potensi kumpulan data yang terus berkembang. Pergeseran besar ini memiliki implikasi yang luas, menyentuh pengejaran pengetahuan akademis dan bidang pengelolaan sumber daya budaya. Seiring dengan berkembangnya alat dan metodologi, pergeseran paradigma ini mengubah cara arkeolog memandang dan berinteraksi dengan bidang mereka.


Salah satu pencapaian luar biasa dari machine learning dalam arkeologi adalah kehebatannya dalam identifikasi sampel, yang membuka pintu ke repositori data yang terus berkembang. Memfasilitasi pertukaran data proyek menjadi sangat penting dalam konteks ini, karena hal ini menyederhanakan identifikasi informasi baru dan meningkatkan keandalan wawasan. Namun, tantangan sebenarnya terletak pada integrasi yang harmonis dari kemajuan-kemajuan ini ke dalam kerangka kerja manajemen sumber daya akademik dan budaya. Integrasi ini menuntut tingkat kompetensi baru dari para arkeolog, yang kini harus menavigasi dan mengatur lanskap informasi yang lebih kaya dan lebih beragam - sebuah tugas yang menggarisbawahi peran penting keahlian dalam mengelola dan mengekstraksi nilai dari gelombang eksplorasi yang digerakkan oleh data yang transformatif ini.


Studi Kasus pada Arkeologi: Menemukan Kota yang Hilang AI Machine Learning


Mungkin salah satu aplikasi machine learning yang paling menarik dalam arkeologi adalah penggunaannya untuk menemukan kota-kota yang hilang. Para arkeolog dan data scientist telah melatih model-model pembelajaran mesin pada citra satelit untuk mengidentifikasi tanda-tanda halus dari aktivitas manusia, seperti perubahan vegetasi atau warna tanah, yang sering kali tidak terlihat dengan mata telanjang. Model-model ini dapat memindai lahan yang sangat luas, menunjukkan lokasi-lokasi potensial yang menarik untuk diteliti lebih lanjut.


Salah satu contohnya adalah penggunaan algoritma machine learning untuk mengidentifikasi lokasi potensial kota-kota suku Maya yang hilang di hutan lebat Amerika Tengah. Algoritme ini telah berperan penting dalam mengarahkan para peneliti ke situs-situs arkeologi yang sampai sekarang belum ditemukan, membuka jalan baru dalam studi peradaban suku Maya.


Revolutionizing Archaeology - Digging into the past with Machine Learning

Studi lain oleh Bachagha dkk. (2023) memperkenalkan alur kerja komprehensif yang mengintegrasikan citra SAR dan Pleiades dengan analisis spasial di Google Earth Engine untuk mengotomatiskan deteksi situs yang dibentengi. Pendekatan berbasis random forest secara efektif menangani tantangan ukuran dan struktur data. Studi ini memvalidasi kesesuaian metode untuk mengidentifikasi benteng di Tunisia dan mengotomatiskan penemuannya. Algoritme ini berhasil mengidentifikasi situs-situs benteng yang sudah diketahui dan yang baru dengan presisi tinggi, memanfaatkan data Pleiades dan Sentinel di GEE untuk meningkatkan penerapannya di daerah kering dan merampingkan alur kerja pembelajaran mesin. Namun, keterbatasan yang ada termasuk ketersediaan data Very High-Resolution (VHR) yang terbatas dan biaya yang terkait. Penelitian ini mengungkap situs benteng yang tersembunyi dengan menggunakan penginderaan jarak jauh, machine learning, dan investigasi lapangan, memajukan teknologi dan arkeologi. Penerapan teknik ini pada situs benteng Bizantium menunjukkan kemampuannya untuk mengungkap elemen-elemen historis. Studi ini menggarisbawahi potensi data satelit dan machine learning untuk mengungkap situs arkeologi yang terkubur, terutama di lingkungan dengan sumber daya yang terbatas. Perbaikan di masa depan mungkin melibatkan neural network convolutional dan gambar Google Earth Engine untuk meningkatkan akurasi klasifikasi.

Studi Kasus: Memulihkan Artefak Kuno dengan Machine Learning


Machine learning juga digunakan untuk memulihkan dan menginterpretasikan artefak kuno. Sebagai contoh, para peneliti telah menggunakan algoritme machine learning untuk secara virtual 'membuka gulungan' dan membaca gulungan kuno yang rapuh yang akan hancur jika ditangani secara fisik. Dalam kasus lain, machine learning telah digunakan untuk merekonstruksi tembikar yang pecah atau bahkan mengisi kekosongan dalam teks kuno.


Revolutionizing Archaeology - Digging into the past with Machine Learning

Contoh lainnya adalah penelitian Qiang Zhao (2021) yang berpusat pada pemanfaatan algoritme machine learning untuk mengenali artefak bersejarah. Penelitian ini menunjukkan keberhasilan penerapan algoritme pohon keputusan dan peningkatan gradien dalam menentukan kota-kota di seluruh Tiongkok. Penelitian ini juga menyoroti bahwa sebagian besar situs arkeologi terletak di dekat pelabuhan kuno dan di wilayah Cina Selatan. Hasilnya menunjukkan akurasi 98% yang mengesankan dalam kinerja algoritmik. Investigasi selanjutnya dapat mempertimbangkan untuk menggabungkan neural network untuk memperkirakan situs artefak yang potensial melalui analisis gambar pengenalan satelit.


Menjelajahi Masa Lalu dan Masa Depan dengan Machine Learning


Penggunaan machine learning dalam arkeologi adalah contoh nyata bagaimana teknologi dapat mengubah bidang yang paling tradisional sekalipun. Machine learning bukan hanya tentang aplikasi untuk masa depan; namun juga dapat membantu kita mempelajari dan memahami masa lalu dengan lebih baik.


Penasaran dengan aplikasi machine learning yang mengejutkan ini? Di perusahaan kami, kami berdedikasi untuk memanfaatkan kekuatan machine learning untuk mendorong wawasan dan inovasi, baik untuk menemukan peradaban yang hilang atau membantu bisnis Anda berkembang.


Hubungi kami untuk mempelajari lebih lanjut tentang bagaimana machine learning dapat merevolusi operasi Anda, atau sekadar menjelajahi dunia machine learning yang menarik. Tim ilmuwan dan konsultan data kami yang berpengalaman siap memandu Anda dalam perjalanan machine learning. Jadi, mengapa harus menunggu? Petualangan machine learning Anda menanti! Gali masa depan bersama kami hari ini.




 


BI Solusi adalah mitra terpercaya Anda untuk keberhasilan dengan berbasis data di Indonesia, melayani perusahaan-perusahaan di kawasan Asia Tenggara dan sekitarnya. Kami spesialis dalam mengimplementasikan solusi Data Analytics, platform Business Intelligence, dan Big Data yang terdepan, dilengkapi dengan layanan Data Science yang handal.

 

Kami menawarkan model implementasi BI yang fleksibel, baik di dalam maupun di luar negeri, untuk memenuhi kebutuhan spesifik Anda dan memberikan hasil dengan kualitas terbaik.

 

Keahlian Konsultasi BI kami mencakup layanan Integrasi Data (ETL), Data Warehousing, dan penggunaan perangkat Visualisasi Data seperti Microsoft Power BI, QlikSense, dan Tableau untuk implementasi Laporan dan Dasbor.

 

Kami akan membantu Anda membuka potensi penuh dari data Anda dan mencapai tujuan bisnis Anda.

6 tampilan0 komentar

Comments


bottom of page