Inisiatif Google untuk Penanganan Covid-19: Repositori Dataset dan Contoh Pemodelan

Liputan6.com, Jakarta - Para peneliti di seluruh dunia telah menggunakan teknik pemodelan untuk menemukan pola dalam data dan memetakan penyebaran Covid-19.

Namun, membuat pemodelan peristiwa kompleks dalam skala gobal merupakan tantangan, terutama ketika ada banyak variabel di dalamnya, mulai dari perilaku manusia, ilmu pengetahuan dan kebijakan yang berkembang, dan masalah sosial-ekonomi. Itu pun belum termasuk hal-hal yang belum kita tahu tentang virus itu sendiri.

Google memberikan alat dan sumber daya untuk komunitas ilmiah epidemiologi, analis, dan peneliti dalam skala lebih luas yang bekerja untuk mengatasi dampak ekonomi dan kesehatan dari Covid-19.

Repositori

Katherine Chou, Director of Product Management di Google Health mengatakan akses terhadap data berkualitas tinggi yang bermanfaat, telah menjadi tantangan. Selain itu, banyak data yang terpencar, tidak lengkap, atau terkompilasi dalam berbagai format.

"Untuk membantu para peneliti, kami telah mengembangkan seperangkat alat dan proses untuk memudahkan mereka menemukan dan bekerja dengan dataset publik berkualitas tinggi yang dinormalisasi," tutur Katherine dikutip dari keterangan perusahaan, Jumat (18/9/2020).

Dengan bantuan Google Cloud, kata dia, perusahaan mengembangkan repositori Covid-19 Open Data. Ia memuat data dan sumber terbuka yang komprehensif dari data epidemiologi Covid-19 dan variabel terkait seperti indikator ekonomi atau statistik populasi dari lebih dari 50 negara.

"Setiap sumber data berisi informasi tentang asalnya, dan cara pemrosesannya sehingga peneliti dapat memastikan validitas dan reliabilitasnya. Ini juga dapat digunakan dengan Data Commons, kumpulan data BigQuery, serta inisiatif lain yang menggabungkan kumpulan data regional," ujar Katherine.

Repositori ini juga mencakup dua dataset Google yang dikembangkan untuk membantu peneliti mempelajari dampak penyakit dengan cara yang menjaga privasi.

"Pada bulan April, kami mulai menerbitkan Covid-19 Community Mobility Reports, yang memberikan wawasan anonim tentang tren pergerakan untuk memahami dampak kebijakan seperti berlindung," tutur Katherine.

Laporan ini telah diunduh lebih dari 16 juta kali dan diperbarui tiga kali sepekan. Ia tersedia dalam 64 bahasa, dengan wawasan yang dilokalkan meliputi 12.000 kawasan, kota dan kabupaten untuk 135 negara.

Repositori ini juga memuat dataset Tren Penelusuran gejala, yang menggabungkan tren penelusuran anonim untuk lebih dari 400 gejala.

Data yang dipakai untuk pemodelan boleh jadi tidak sempurna karena berbagai faktor. Itulah mengapa model Covid-19 perlu memperhitungkan ketidakpastian agar prediksinya dapat diandalkan dan berguna.

"Untuk membantu mengatasi tantangan ini, kami memberikan contoh kepada peneliti tentang cara mengimplementasikan model epidemiologi menggunakan TensorFlow Probability (TFP)," ujar Katherine.

TFP merupakan pustaka untuk membuat model probabilistik yang dapat mengukur tingkat keyakinan dalam prediksinya sendiri. Dengan TFP, kata Katherine, para peneliti dapat menggunakan berbagai sumber data dengan perincian, properti, atau tingkat kepercayaan yang berbeda, dan faktor ketidakpastian tersebut ke dalam model prediksi keseluruhan.

"Ini bisa sangat berguna dalam menyesuaikan model yang semakin kompleks yang digunakan ahli epidemiologi untuk memahami penyebaran Covid-19, terutama dalam mendapatkan wawasan tingkat kota atau kabupaten," tutur Katherine.