BSINews, Solo–Universitas Bina Sarana Informatika (UBSI) Kampus Solo sebagai kampus Digital Kreatif. Di tengah pesatnya perkembangan teknologi kecerdasan buatan (AI), istilah fine-tuning kian populer terutama dalam pengembangan model-model besar seperti BERT, ChatGPT, hingga LLaMA. Hal ini pun menjadi topik yang dibahas oleh Galih Setiawan Nurohim dosen Program Studi Sistem Informasi yang di selenggarakan pada (9/7).
Menurut Galih, fine-tuning merupakan proses pelatihan tambahan terhadap model AI yang sebelumnya telah dilatih pada data skala besar (pretrained model), agar lebih sesuai dengan tugas spesifik, bahasa lokal, atau konteks tertentu.
“Fine-tuning ibarat melanjutkan pendidikan. Model sudah pintar secara umum, lalu kita beri pelatihan tambahan agar bisa jadi spesialis,” Ujar Galih.
Tahapan Fine-Tuning Model AI
Galih menjelaskan, terdapat enam tahapan umum dalam proses fine-tuning hingga model siap digunakan: Langkah awal adalah memilih pretrained model yang relevan, seperti bert-base-uncased untuk Bahasa Inggris atau indobert-base-p1 untuk Bahasa Indonesia.
“Pemilihan model awal sangat penting. Lebih baik pilih yang sudah relevan dengan bahasa atau domain kita,” ujarnya.
Dataset harus mencerminkan tugas yang dituju, seperti analisis sentimen, tanya-jawab, atau klasifikasi diagnosis, dan biasanya diformat dalam CSV, JSON, atau HuggingFace Dataset. Jika tugas berbeda dari model awal, maka arsitektur—terutama bagian output—perlu dimodifikasi agar sesuai dengan task, misalnya menambahkan dense layer dan softmax untuk klasifikasi.
“Di sinilah kita ‘membentuk ulang’ model agar output-nya cocok untuk tugas kita,” tambah Galih.
Baca Juga : Politik Digitalisasi: Ketika AI Menjadi Janji, Bukan Solusi
Konfigurasi pelatihan mencakup learning rate (1e-5 s.d. 5e-5), jumlah epoch, batch size, dan jenis optimizer seperti AdamW. Fine-tuning dilakukan menggunakan framework seperti PyTorch atau TensorFlow, biasanya dibantu dengan HuggingFace Transformers dan platform seperti Google Colab. Model yang telah dilatih dievaluasi menggunakan metrik seperti akurasi, F1-score, dan confusion matrix. Jika hasil memuaskan, model dan tokenizer disimpan untuk implementasi lebih lanjut.
Galih menyebutkan bahwa fine-tuning menjadi krusial ketika model generik belum mampu mengatasi domain spesifik atau saat penggunaan bahasa tidak umum dalam pelatihan awal.
“Tanpa fine-tuning, model AI hanya bisa menjawab secara umum. Dengan fine-tuning, kita arahkan model ke dunia nyata,” tutupnya.
Baca Juga : Ketika Polisi, Bankir, dan Robot Duduk Bareng Bahas Hacker serta AI
Dengan penjelasan ini, diharapkan mahasiswa maupun praktisi teknologi dapat memahami pentingnya fine-tuning dalam memaksimalkan potensi AI di berbagai sektor. (Safika Rahman)
