Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemampuan artificial intellegence (AI) dalam bertindak secara mandiri menimbulkan ancaman tersendiri terhadap perlindungan data pribadi, salah satunya pengumpulan data biometrik oleh AI tanpa persetujuan dari Pemilik data terkait. Sementara bilamana terjadi pengumpulan data biometrik oleh AI tanpa persetujuan Pemilik merupakan tindakan yang melanggar hukum, sehingga diperlukan pertanggungjawaban atas tindakan AI terkait. Atas hal tersebut, dalam tulisan ini akan menganalisis mengenai (1) perlindungan data biometrik sebagai bentuk perlindungan data pribadi di Indonesia, (2) kedudukan hukum AI berdasarkan hukum Indonesia, Yunani, dan Inggris, serta (3) pertanggungjawaban hukum atas pengumpulan data biometrik melalui AI tanpa persetujuan Pemilik data di Indonesia. Karya ilmiah ini dibentuk melalui metode penelitian yuridis normatif dengan pendekatan perundang-undangan, konseptual, komparatif, dan kasus. Kesimpulan dari penelitian adalah (1) perlindugan data biometrik di Indonesia dapat ditemukan pada ketentuan Undang-Undang tentang Informasi dan Transfer Elektronik serta Undang-Undang Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi, yang mana bentuk perlindungan data pribadi dapat berbentuk hak dari Pemilik data dan persetujuan terkait pemrosesan data, (2) kedudukan hukum AI berdasarkan hukum Indonesia, Yunani, dan Inggris adalah objek hukum, (3) berdasarkan ketentuan yang berlaku di Indonesia, pertanggungjawaban hukum terhadap tindakan AI dalam pengumpulan data biometrik tanpa persetujuan Pemilik data jatuh di bawah pertanggungjawaban Penyelenggara AI terkait.

---

The ability of artificial intelligence (AI) to act autonomously and access data in big data poses a separate threat to the protection of personal data, one of which is gathering the biometric data in usage of AI without the consent of the Data Owner. Meanwhile, the AI action of gathering the biometric data without consent of the Data Owner is considered to be illegal by law, thus requiring legal liability for the AI actions. Therefore, in this thesis will analyze (1) the protection of biometric data as a form of personal data protection in Indonesia, (2) AI legal standing based on Indonesia, Greece, and the United Kingdom legal systems, and (3) the legal liability of gathering the biometric data through AI without the consent of the Data Owner in Indonesia. This thesis is conducted through a normative juridical research method with multiple legal approach. The conclusion of the research is (1) Provisions of biometric data protection can be found in the Indonesia Information and Electronic Transactions Act as well as the Indonesian Personal Data Protection Act, such as form of Data Owner rights and data processing consent, (2) according to Indonesian, Greek, and United Kingdom legal system, these three legal systems view AI as a legal object, (3) based on the applicable provisions in Indonesia, legal liability for AI’s actions in gathering the biometric data without the consent of the Data Owner falls on the AI Operator."

"Latar Belakang: COVID-19 merupakan penyakit infeksi yang menjadi sebuah pandemi global dalam waktu singkat. Radiologi memegang peranan penting menggunakan modalitas radiografi toraks untuk identifikasi COVID-19 dengan melihat gambaran ground glass opacity (GGO) dan konsolidasi. Melakukan interpretasi radiografi toraks dengan benar masih menjadi tantangan dimana akurasi tertinggi dipegang oleh dokter spesialis radiologi divisi toraks. LUNIT INSIGHT CXR merupakan salah satu sistem artificial intelligence (AI) yang dikembangkan untuk meningkatkan efisiensi dan akurasi pembacaan radiografi toraks. Hingga saat ini berlum ada sistem AI lain di RSUPN Cipto Mangunkusumo yang dapat menginterpretasi radiografi toraks. Penelitian ini bertujuan untuk mengevaluasi manfaat sistem AI LUNIT INSIGHT CXR dalam membantu dokter radiologi mendeteksi GGO dan konsolidasi yang merupakan gambaran radiografi toraks paling sering pada pasien COVID-19. Metode: Studi ini merupakan studi retrospektif menggunakan gambaran radiografi toraks pasien tersangka COVID-19. Radiografi toraks diinterpretasi oleh dokter radiologi umum tanpa dan dengan bantuan sistem AI dibandingkan dengan interpretasi dokter radiologi divisi toraks menggunakan variabel ada atau tidaknya lesi, interpretasi GGO, interpretasi konsolidasi serta interpretasi berdasarkan lokasi lapangan paru yang terlibat. Hasil: Kelainan paling banyak ditemukan adalah GGO dengan lokasi di lapangan bawah kedua paru baik oleh dokter radiologi umum dan dokter radiologi divisi toraks. Ditemukan konkordans penilaian GGO yang rendah (< 0,8) sedangkan penilaian konsolidasi ditemukan konkorans baik (> 0,8). Berdasarkan lokasi ditemukan konkordans terendah di lapangan tengah paru kanan (0,773) pada kelompok dengan bantuan sistem AI. Konkordans pada lokasi lain ditemukan baik (> 0,8). Tidak ditemukan perbedaan signifikan pada konkordans antara tanpa dan dengan bantuan sistem AI. Simpulan: Dalam studi ini tidak ditemukan perbedaan kesesuaian penilaian GGO maupun konsolidasi pada radiografi toraks antara dokter radiologi tanpa dan dengan bantuan sistem AI LUNIT INSIGHT CXR

---

Background: COVID-19 is an infectious disease that quickly became a global pandemic. Radiology holds an important role in COVID-19 early detection using chest radiograph by evaluating ground glass opacity (GGO) and consolidation. Correctly interpreting chest radiograph is still a challenge where chest division radiologists holds the highest accuracy. LUNIT INSIGHT CXR is an artificial intelligence (AI) system that created to increase efficiency and accuracy in interpreting chest radiograph. Until now there are no other AI system in Cipto Mangunkusumo National General Hospital that can interpret chest radiograph. This study aims to evaluate the benefit of LUNIT INSIGHT CXR AI system to help radiologists detect GGO and consolidation, the most common findings in COVID-19 patients. Method: This study is a retrospective study using chest radiograph image of suspected COVID-19 patients. Chest radiograph will be interpreted by general radiologist with and without AI system’s aid, compared with interpretation by chest division radiologist using presence of lesion, GGO interpretation, consolidation interpretation and location of the lesion as variables. Result: Most common findings are GGO with lower lung as the most common location by all interpreter. Concordance of GGO interpretation is low (< 0,8) whereas concordance of consolidation interpretation is good (> 0,8). Based on location, the lowest concordance is on the mid right lung (0,773) in the group with AI system’s aid. Concordance in other locations are good (> 0,8). There is no significant difference of concordance between with and without AI system groups. Conclusion: There are no difference in concordance of GGO and consolidation interpretation in chest radiograph between radiologists with and without LUNIT INSIGHT CXR system’s aid. "