Peneliti MIT Kembangkan "ChatGPT untuk Spreadsheet" Perasumsi Solusi Engineering

CAMBRIDGE, (4 Maret 2026).

Mengutip laporan dari MIT News, para peneliti di Massachusetts Institute of Technology (MIT) telah mengembangkan pendekatan komputasi baru yang dijuluki sebagai "ChatGPT untuk spreadsheet". Teknologi ini dirancang untuk menyelesaikan tantangan engineering yang sangat rumit, mulai dari optimasi jaringan listrik hingga desain keselamatan kendaraan, dengan efisiensi yang luar biasa.

Melansir data dari penelitian yang dipimpin oleh Rosen Yu, metode ini mampu menemukan solusi optimal 10 hingga 100 kali lebih cepat dibandingkan teknik Bayesian optimization yang selama ini menjadi standar industri. Terobosan ini memanfaatkan kecerdasan buatan untuk menangani ratusan variabel sekaligus dalam waktu singkat.

Revolusi Optimasi dengan Tabular Foundation Model

Banyak tantangan teknik yang berujung pada masalah yang sama: terlalu banyak variabel yang harus diatur namun terbatasnya kesempatan untuk melakukan pengujian fisik. Sebagai contoh, dalam desain keselamatan mobil, terdapat ratusan kriteria desain yang memengaruhi performa saat tabrakan.

Biasanya, insinyur menggunakan Bayesian optimization untuk memprediksi konfigurasi terbaik. Namun, metode ini mengharuskan model surrogate dilatih ulang setiap kali ada data baru, yang secara komputasi sangat berat ketika menghadapi ribuan kemungkinan solusi.

Pendekatan MIT ini menggunakan sistem Generative AI yang dikenal sebagai tabular foundation model. "Model ini seperti ChatGPT untuk spreadsheet. Input dan output model ini adalah data tabel, yang di domain engineering jauh lebih umum digunakan daripada bahasa," jelas Rosen Yu, mahasiswa pascasarjana di MIT dan penulis utama penelitian tersebut.

Menangani Masalah High-Dimensional

Kelebihan utama dari sistem ini adalah kemampuannya untuk beroperasi tanpa harus memulai dari nol untuk setiap skenario baru. Model ini telah di-pre-train pada volume data tabel yang masif, membuatnya siap digunakan seketika untuk berbagai masalah prediksi.

Para peneliti juga menerapkan metode cerdas agar AI dapat memilih fitur desain yang paling berpengaruh. Misalnya, jika memperbesar ukuran crumple zone depan mobil secara signifikan meningkatkan peringkat keselamatan, algoritma akan memprioritaskan fitur tersebut daripada membuang waktu mengeksplorasi variabel yang kurang relevan.

Dalam pengujian pada 60 masalah benchmark, termasuk optimasi sistem tenaga listrik dan uji tabrak kendaraan, metode ini secara konsisten mengalahkan algoritma state-of-the-art lainnya. Hasilnya menunjukkan bahwa semakin kompleks masalahnya, semakin besar keunggulan kecepatan yang ditawarkan teknologi ini.

Dampak bagi Indonesia

Implementasi teknologi ini memiliki relevansi strategis bagi pengembangan industri dan infrastruktur di Indonesia:

1. Optimasi Jaringan Listrik Nasional: PLN dapat mengadopsi algoritma ini untuk mengoptimalkan distribusi beban pada jaringan listrik yang kompleks di berbagai pulau, meningkatkan efisiensi energi dan mengurangi potensi pemadaman akibat ketidakseimbangan beban.
2. Akselerasi Industri Otomotif & Manufaktur: Perusahaan manufaktur komponen lokal dapat menggunakan sistem ini untuk mempercepat proses R&D tanpa investasi besar pada pengujian fisik yang mahal. Hal ini dapat menurunkan biaya pengembangan produk baru secara signifikan dalam mata uang Rupiah.
3. Efisiensi Infrastruktur Komputasi: Dengan kecepatan pemrosesan hingga 100x lipat, kebutuhan akan daya GPU dan Cloud Computing tingkat tinggi dapat ditekan, memungkinkan perusahaan teknologi lokal dengan anggaran terbatas untuk tetap melakukan inovasi high-dimensional yang setara dengan standar global.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.