Pemanfaatan Deep Learning untuk Mewujudkan Interaksi Digital yang Bermakna

Rifqatussa Diyah; Fauziah; Nurul Mutmainnah; Harmilawati

doi:10.47435/sentikjar.v4i0.4106

Rifqatussa Diyah Universitas Islam Ahmad Dahlan
Fauziah Universitas Islam Ahmad Dahlan
Nurul Mutmainnah Universitas Islam Ahmad Dahlan
Harmilawati Universitas Islam Ahmad Dahlan

DOI: https://doi.org/10.47435/sentikjar.v4i0.4106

Keywords: deep learning, interaksi digital, visi komputer, personalisasi, empati

Abstract

Penelitian ini bertujuan untuk mengkaji pemanfaatan teknologi deep learning dalam menciptakan interaksi digital yang bermakna melalui pendekatan kajian pustaka secara komprehensif. Seiring berkembangnya platform digital sebagai pusat aktivitas manusia, kebutuhan akan interaksi yang personal, adaptif, dan empatik menjadi semakin penting. Dengan pendekatan deskriptif kualitatif, penelitian ini menganalisis 20 publikasi ilmiah relevan yang terbit antara tahun 2015 hingga 2025, yang membahas penerapan deep learning dalam empat domain utama: Natural Language Processing (NLP), Computer Vision, Recommendation Systems, dan Affective Computing. Hasil kajian menunjukkan bahwa model seperti BERT, GPT, CNN, dan pendekatan multimodal memungkinkan sistem digital memahami perilaku, maksud, serta emosi pengguna. Teknologi tersebut secara signifikan meningkatkan kualitas interaksi melalui respons yang kontekstual, personal, dan peka emosi. Penelitian ini menyimpulkan bahwa deep learning tidak hanya meningkatkan performa sistem, tetapi juga menjadi fondasi dalam pengembangan sistem digital yang lebih manusiawi dan bermakna.

Downloads

Download data is not yet available.

References

Brown, Tom;, Mann, Benjamin;, Ryder, Nick;, Subbiah, Melanie;, Kaplan, & Jared D.; Dhariwal, P. et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33.
Chen, Xinyu;, Wu, Jie;, Hu, & Yukun. (2022). Emotion-aware learning platforms using deep facial analysis. Computers & Education, 179. doi: https://doi.org/10.1016/j.compedu.2021.104415%0A
Devlin, Jacob;, Chang, Ming-Wei;, Lee, Kenton;, Toutanova, & Kristina. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. ArXiv Preprint.
LeCun, Yann;, Bengio, Yoshua;, Hinton, & Geoffrey. (2015). Deep learning. Nature. https://doi.org/10.1038/nature14539
Raamkumar, A. S. ., & Yang, Y. (2022). Empathetic Conversational Systems: A Review of Current Advances, Gaps, and Opportunities.
Shin, D. (2021). User experience in AI-powered services: The role of deep learning in human–machine interaction. Computers in Human Behavior, 119. doi: https://doi.org/10.1016/j.chb.2021.106725%0A
Summaira, Usman, M. ., & M.; Sadiq, M. B. (2021). Multimodal deep learning for emotion and stress detection. Procedia Computer Science, 192. https://doi.org/10.1016/j.procs.2021.08.194%0A
Wang, L. ., Zhang, H. ., & Wang, C. (2025). Deep Neural Network-Based Modeling of Multimodal Human–Computer Interaction in Aircraft Cockpits. Future Internet. doi: https://doi.org/10.3390/fi17030127%0A
Zhang, Shuai;, Yao, Lina;, Sun, Aixin;, Tay, & Yi. (2019). No Title. Deep Learning-Based Recommender System: A Survey and New Perspectives, 52.
Zhou, H., .; Zhou, X. ., Zeng, Z. ., Zhang, L. ., & Shen, Z. (2023). A Comprehensive Survey on Multimodal Recommender Systems: Taxonomy, Evaluation, and Future Directions. 23. https://doi.org/10.3390/s23156986%0A