Tag: Machine Learning

  • Management Accounting Transformation in the Era of Artificial Intelligence: A Structured Literature Review on Efficiency, Cost Control, and Decision-Making

    » AL-IMAM: Journal on Islamic Studies, Civilization and Learning Societies

    Aim: This article examines the role of artificial intelligence (AI) in four core management accounting functions: cost analysis, budgeting, management control, and decision-making. Method: A structured literature review synthesizes findings from systematic reviews, case studies, experiments, a dissertation, and professional reports to distinguish demonstrated predictive benefits from broader claims about organizational performance. The review is limited by the absence of a complete database export and a study-specific PRISMA flow; it should therefore be read as a structured synthesis of accessible literature rather than a fully reproducible systematic review. Results: Machine-learning models can match or exceed human estimates in selected cost-estimation tasks when adequate historical data are available. In budgeting, machine learning can improve prediction accuracy, but predictive accuracy alone does not establish causal effects or guarantee appropriate resource allocation. In management control, digital tools support more timely and anticipatory monitoring, although the available evidence does not always isolate the effect of AI itself. For decision-making, the usefulness of AI depends on data quality, model explainability, user trust, professional competence, and the preservation of human accountability. Novelty/Implications: The novelty lies in organizing the evidence by management accounting function and strength of evidence, separating technical outcomes (prediction accuracy) from organizational outcomes. AI is best positioned as support for professional judgment rather than a replacement for management accountants. Organizations need data governance, model evaluation, and training to ensure responsible adoption, and the article proposes an empirical research agenda, particularly in Indonesian organizations, on AI use, efficiency, cost control, and decision quality.

  • Algoritma Machine Learning di Balik Gambar Black Hole Pertama

    Algoritma Machine Learning di Balik Gambar Black Hole Pertama

    April 2019 silam, dunia dihebohkan dengan dirilisnya gambar black hole untuk pertama kalinya. Black hole, yang keberadaannya diprediksi oleh Albert Einstein melalui teori relativitas umumnya, adalah objek bermassa sangat besar sampai-sampai tak ada benda di sekitarnya yang bisa lolos dari tarikan gravitasinya, termasuk cahaya sekalipun. Meskipun keberadaan black hole di alam semesta bisa dideteksi melalui interaksi gravitasinya dengan objek langit lain, belum ada satu orang pun yang berhasil mengambil gambar black hole. Gambar black hole di film Interstellar, misalnya, tidak didapat dari pengamatan asli, tetapi semata-mata desain visual berdasarkan perkiraan para fisikawan tentang bentuk black hole. Semua berubah saat tim ilmuwan dari Event Horizon Telescope (EHT) berhasil mendapatkan gambar nyata black hole tahun ini.

    Sebentar, kalau cahaya tak bisa lolos dari tarikan gravitasi black hole, lalu bagaimana kita bisa menangkap gambarnya? Ternyata, kalau kita arahkan teleskop yang menangkap gelombang radio ke arah black hole, secara teori kita bisa menangkap “gambar” cincin cahaya. Cincin cahaya di sekitar black hole ini dihasilkan oleh plasma (semacam gas yang sangat panas) yang berada tepat di event horizon, yaitu titik batas di mana benda yang lebih dekat lagi ke black hole tidak bisa kita amati sama sekali karena cahaya pun tak bisa lolos dari gravitasi black hole. Nah, plasma yang tepat berada di event horizon ini lah yang akan terlihat sebagai cincin cahaya oleh kita. Kalau begitu, mengapa begitu sulit untuk mendapatkan gambar black hole? Tinggal kita pakai teleskop gelombang radio saja, kan? Masalahnya, karena jarak black hole yang sangat jauh dari kita, ukuran cincin cahaya ini diperkirakan sangat kecil. Untuk mendapatkan gambarnya, kita membutuhkan teleskop sebesar bumi! Mustahil!

    Untungnya, ilmuwan-ilmuwan yang tergabung dalam EHT mempunyai ide cemerlang. Bukannya berusaha membuat teleskop sebesar bumi, mereka justru menggunakan banyak teleskop gelombang radio yang tersebar di seluruh bumi untuk mendapatkan bagian-bagian kecil dari gambar black hole yang diinginkan. Masalahnya, jumlah teleskop yang ada terlalu sedikit untuk mendapatkan gambar black hole yang utuh. Lalu, bagaimana caranya mendapatkan gambar black hole utuh dari serpihan-serpihan gambar ini? Di sini lah teknologi computer vision dan machine learning berperan.

    Orang yang berperan merekonstruksi gambar black hole adalah Katie Bouman, yang kala itu masih menjadi mahasiswi doktoral di jurusan Teknik Elektro dan Ilmu Komputer, MIT. Bagaimana sih cara kerja algoritmnya kok bisa menebak gambar utuh black hole hanya dari serpihan-serpihan gambar saja? Jika kita punya serpihan-serpihan gambar (seperti puzzle yang belum komplit), kita bisa menebak gambar utuhnya karena kita mempunya ide/ekspektasi kira-kira seperti apa bentuk gambar utuhnya. Misalnya, puzzle mainan anak-anak, kemungkinan gambar utuhnya berupa kartun lucu tentu lebih besar daripada kalau gambar utuhnya berupa lukisan abstrak. Nah, algoritma Katie bekerja seperti itu, yaitu me-ranking gambar utuh yang paling mungkin merepresentasikan black hole dari jutaan kemungkinan gambar yang ada.

    Loh, tapi kan kita nggak tahu gambar black hole seperti apa? Dari mana kita bisa menyimpulkan gambar mana yang paling mungkin merepresentasikan black hole? Di sinilah machine learning berperan. Sebagaimana diberitakan MIT News, Katie menggunakan banyak sekali gambar objek-objek real, baik objek astronomi seperti planet, bintang, komet, maupun objek sehari-hari seperti orang atau bangunan, dan mendesain algoritma machine learning untuk mempelajari kemiripan fitur (feature extraction) dari gambar-gambar tersebut. Informasi ini dipakai untuk memilih perkiraan gambar black hole mana yang paling mirip dengan objek-objek lain di alam semesta.

    “Jadi, gambar black hole pertama akan dihasilkan dengan merajut gambar-gambar yang kita lihat sehari-hari, seperti orang, bangunan, pohon, kucing, dan anjing,” tuturnya sebagaimana dilansir TED.com.

    Ternyata, machine learning tidak hanya berguna di dunia artificial intelligence dan robotika saja ya, tapi juga bisa dipakai untuk berbagai aplikasi lainnya, termasuk menangkap gambar black hole pertama.