Dengan munculnya kemajuan dan aplikasi baru dalam model pembelajaran mesin dan kecerdasan buatan, termasuk AI generatif, jaringan permusuhan generatif, visi komputer, dan transformator, banyak bisnis berupaya mengatasi tantangan data dunia nyata yang paling mendesak dengan menggunakan kedua jenis data sintetis tersebut: terstruktur dan tidak terstruktur. Tipe data sintetik terstruktur bersifat kuantitatif dan mencakup data tabular, seperti angka atau nilai, sedangkan tipe data sintetik tidak terstruktur bersifat kualitatif dan mencakup teks, gambar, dan video. Para pemimpin bisnis dan ilmuwan data di berbagai industri menekankan perlunya sintesis data baru untuk mengatasi kesenjangan data, melindungi informasi sensitif, dan meningkatkan kecepatan mereka dalam memasarkan. Mereka telah mengidentifikasi dan mengeksplorasi beberapa kasus penggunaan data sintetis di kehidupan nyata, seperti:
- Menghasilkan data tabular sintetis untuk meningkatkan ukuran sampel dan kasus tepi. Anda dapat menggabungkan data ini dengan kumpulan data nyata untuk meningkatkan pelatihan model AI dan akurasi prediksi.
- Membuat data pengujian sintetik untuk mempercepat pengujian, pengoptimalan, dan validasi aplikasi dan fitur baru.
- Menjelajahi skenario “bagaimana-jika” atau peristiwa bisnis baru menggunakan data sintetis yang disintesis dari simulasi berbasis agen.
- Menggunakan data sintetis untuk mencegah paparan data sensitif dalam algoritma pembelajaran mesin.
- Berbagi dan memonetisasi replika sintetis berkualitas tinggi yang dilindungi privasi dengan pemangku kepentingan internal atau mitra bisnis eksternal.
Meskipun demikian, sintesis data menawarkan lebih banyak perlindungan terhadap privasi data tradisional dan teknik anonimisasi data (seperti penyembunyian), sekaligus menjaga kegunaan data dengan lebih baik. Namun, masih terdapat kurangnya kepercayaan di antara para pemimpin bisnis. Untuk membangun kepercayaan tersebut dan mendorong adopsi yang luas, vendor alat pembuatan data sintetis perlu menjawab dua pertanyaan penting yang banyak ditanyakan oleh para pemimpin bisnis: Apakah data sintetis akan membuat bisnis saya terkena risiko privasi data tambahan? Seberapa akurat data sintetis mencerminkan data saya yang ada?
Untungnya, sudah terdapat praktik terbaik untuk membantu bisnis mengevaluasi pertanyaan-pertanyaan ini dan, mudah-mudahan, membangun kepercayaan yang mereka perlukan terhadap data sintetis agar menjadi lebih kompetitif di pasar yang terus berubah saat ini. Mari lihat.
Memastikan privasi data sintetis
Meskipun dianggap sebagai data buatan atau “data palsu” karena dihasilkan oleh komputer dan bukan dibuat oleh kejadian sebenarnya (seperti pembelian pelanggan, login internet, atau diagnosis pasien), data sintetis masih dapat mengungkapkan informasi identitas pribadi (PII) saat digunakan. sebagai data pelatihan untuk model AI. Misalnya, jika suatu bisnis memprioritaskan keakuratan dalam menghasilkan data sintetis, keluaran yang dihasilkan mungkin secara tidak sengaja menyertakan terlalu banyak atribut pengidentifikasi pribadi, sehingga tanpa disadari meningkatkan paparan risiko privasi perusahaan. Selain itu, seiring dengan semakin canggihnya teknik pemodelan dalam ilmu data, termasuk pembelajaran mendalam serta model prediktif dan generatif, perusahaan dan vendor harus bekerja keras untuk mencegah koneksi yang tidak disengaja yang dapat membocorkan identitas seseorang dan membuat mereka rentan terhadap serangan pihak ketiga.
Untungnya, perusahaan yang tertarik dengan data sintetis dapat mengambil langkah-langkah untuk mengurangi risiko privasi mereka:
Simpan data Anda di tempatnya
Meskipun banyak perusahaan yang memigrasikan aplikasi perangkat lunak mereka yang ada ke cloud untuk menghemat biaya, meningkatkan kinerja, dan skalabilitas, penerapan di lokasi terus memainkan peran penting dalam meningkatkan privasi dan perlindungan. Hal ini sebagian berlaku untuk data sintetis. Saat menangani data sintetis sepenuhnya (data yang dihasilkan tanpa data yang ada untuk pelatihan model) atau data sintetis yang tidak mengandung rahasia atau PII, risiko minimal terkait dengan penggunaan metode penerapan cloud publik. Namun, perusahaan harus mempertimbangkan penerapan di lokasi ketika data sintetis mereka bergantung pada data sensitif yang ada. Meskipun penyedia cloud pihak ketiga menawarkan keamanan bawaan dan perlindungan privasi yang kuat, pengiriman dan penyimpanan data sensitif pelanggan PII di cloud tersebut dapat membuat organisasi Anda menghadapi potensi risiko dan mungkin diblokir oleh tim privasi Anda.
Memiliki kendali dan perlindungan yang kuat
Tidak semua kasus penggunaan data sintetis memerlukan privasi, tetapi beberapa memerlukannya. Oleh karena itu, pemimpin risiko, keamanan, dan kepatuhan harus menerapkan mekanisme untuk mengontrol tingkat risiko privasi yang mereka inginkan selama proses pembuatan data sintetis. “Privasi diferensial” adalah salah satu mekanisme yang memungkinkan ilmuwan data dan tim risiko mengelola tingkat privasi yang mereka inginkan (biasanya dalam rentang epsilon 1 hingga 10, dengan 1 mewakili privasi tertinggi). Metode ini menutupi kontribusi individu, sehingga tidak mungkin menyimpulkan informasi spesifik tentang seseorang, termasuk apakah informasi tersebut digunakan atau tidak. Ini secara otomatis mengidentifikasi titik data individu yang rentan dan menimbulkan “gangguan” untuk mengaburkan informasi spesifik mereka. Meskipun penambahan noise sedikit mengurangi akurasi keluaran (ini adalah “biaya” privasi diferensial), hal ini tidak mengurangi utilitas atau kualitas data dibandingkan dengan teknik penyembunyian data tradisional. Dengan kata lain, kumpulan data sintetis privat yang berbeda masih mencerminkan properti statistik dari kumpulan data Anda yang sebenarnya. Selain itu, terdapat manfaat menggunakan teknik privasi diferensial, termasuk perlindungan data yang kuat terhadap potensi serangan privasi, jaminan privasi yang dapat dibuktikan terkait risiko kumulatif dari rilis data berturut-turut, dan transparansi data, karena tidak perlu merahasiakan penghitungan atau parameter pribadi diferensial.
Memiliki wawasan tentang metrik terkait privasi
Ketika privasi diferensial tidak bisa dijadikan pilihan, pengguna bisnis harus tetap memperhatikan metrik terkait privasi, untuk membantu mereka memahami sejauh mana paparan privasi mereka. Berikut dua metrik umum yang, meskipun tidak komprehensif, berfungsi sebagai landasan yang kokoh:
- Skor kebocoran: Skor ini mengukur pecahan baris dalam kumpulan data sintetis yang identik dengan kumpulan data asli. Meskipun kumpulan data sintetis mungkin memiliki akurasi tinggi, namun hal ini dapat membahayakan privasi karena menyertakan terlalu banyak data asli. Kebocoran data terjadi ketika data asli atau data aktual berisi informasi tentang target, namun data tersebut tidak dapat diakses ketika model AI digunakan untuk prediksi atau analisis.
- Skor kedekatan: Kedekatan ditentukan dengan menghitung jarak antara data asli dan dataset sintetik. Jarak yang lebih kecil menunjukkan risiko privasi yang lebih tinggi karena memudahkan isolasi baris tertentu dari data tabular sintetis.
Mengevaluasi kualitas data sintetis
Adopsi di seluruh perusahaan juga mengharuskan para pemimpin bisnis dan ilmuwan data untuk memiliki keyakinan terhadap kualitas keluaran data sintetis. Secara khusus, mereka harus dengan cepat dan mudah memahami seberapa dekat data sintetik mempertahankan properti statistik model data yang ada. Meskipun beberapa kasus penggunaan memerlukan data sintetis dengan fidelitas yang lebih rendah, seperti data ilustratif untuk membuat demo produk yang realistis, aset pelatihan internal, atau skenario pelatihan model AI tertentu, kasus penggunaan lainnya memerlukan tingkat fidelitas yang tinggi, seperti saat mensintesis data pasien dalam layanan kesehatan. Dalam kasus penggunaan terakhir, karena perusahaan layanan kesehatan dapat menggunakan keluaran sintetis untuk mengidentifikasi wawasan pasien baru yang menjadi dasar pengambilan keputusan di tingkat hilir, para pemimpin bisnis harus memastikan bahwa data sintetis tersebut secara akurat mencerminkan kondisi bisnis mereka yang sebenarnya.
Mari kita lihat lebih dekat fidelitas dan metrik terkait kualitas lainnya:
Kesetiaan
Metrik penting adalah “kesetiaan”. Ini menilai kualitas data sintetik dalam hal kemiripannya dengan data nyata dan model data. Perusahaan harus mendapatkan wawasan tidak hanya mengenai distribusi kolom tetapi juga hubungan antar kolom lainnya, baik satu-ke-satu (univariat) maupun satu-ke-banyak (multivariat). Memahami yang terakhir ini sangat penting karena kompleksitas dan ukuran sebagian besar tabel data yang ada. Untungnya, jaringan saraf terbaru dan model AI generatif unggul dalam menangkap hubungan rumit ini dalam tabel database dan data deret waktu. Metrik fidelitas ditampilkan menggunakan grafik batang dan tabel korelasi, yang meskipun mungkin panjang, namun menawarkan wawasan yang berharga. Jika Anda belum memiliki akses ke analisis fidelitas, Anda dapat memulai dengan menggunakan paket Python sumber terbuka, seperti Metrik SD.
Kegunaan
Model AI memerlukan data yang cukup untuk pelatihan yang efektif dan memperoleh kumpulan data nyata dapat memakan waktu. Data sintetis memberikan alternatif yang lebih cepat untuk melatih model pembelajaran mesin. Oleh karena itu, penting untuk memahami kegunaan data sintetis dalam pelatihan model AI sebelum membagikannya kepada tim yang tepat. Pada dasarnya, metrik ini mengukur keakuratan prediksi relatif model pembelajaran mesin saat dilatih pada data nyata dibandingkan dengan data sintetis.
Keadilan
Metrik penting lainnya adalah “keadilan”, sebuah topik yang menjadi menonjol karena potensi bias yang ada dalam kumpulan data yang dikumpulkan perusahaan. Jika kumpulan data yang ada menunjukkan bias, data sintetik juga akan menjadi bias. Mendapatkan wawasan mengenai besarnya bias ini dapat membantu perusahaan mengenali dan memperbaikinya. Meskipun tidak lazim dalam solusi data sintetis saat ini dan tidak sepenting privasi, fidelitas, atau utilitas, memahami bias dalam data sintetis Anda akan membantu perusahaan mengambil keputusan yang tepat.
Cara memulai dengan data sintetis di watsonx.ai
Pembangun AI dan ilmuwan data dapat menghasilkan data tabular sintetis dengan mengimpor data dari database, mengunggah file, atau membuat skema data khusus di IBM® watsonx.ai™. Model berbasis statistik ini dapat digunakan untuk menghasilkan data guna membantu meningkatkan akurasi prediktif model pelatihan AI melalui kasus edge dan ukuran sampel yang lebih besar. Data ini juga dapat digunakan untuk membantu meningkatkan realisme demo klien dan materi pelatihan karyawan.
Watsonx.ai adalah studio AI generasi mendatang yang siap digunakan oleh perusahaan untuk pembelajaran mesin dan AI generatif, yang didukung oleh model dasar. Dengan studio watsonx.ai, para pembuat AI, termasuk ilmuwan data, pengembang aplikasi, dan analis bisnis, dapat melatih, memvalidasi, menyempurnakan, dan menerapkan pembelajaran mesin tradisional dan kemampuan AI generatif baru. Watsonx.ai dirancang untuk memfasilitasi kolaborasi dan skalabilitas dalam pengembangan aplikasi AI dan dapat diterapkan di lingkungan cloud hybrid.
Lihat layanan pembuat data sintetis kami di watsonx.ai dengan baik mengakses uji coba gratis kami or menjadwalkan panggilan 30 menit dengan salah satu dari kami watsonx.ai spesialis produk untuk panduan panduan.
Buka kunci uji coba gratis Anda hari ini
Selengkapnya dari Data dan Analisis
Buletin IBM
Dapatkan buletin dan pembaruan topik kami yang menyampaikan kepemimpinan pemikiran terkini dan wawasan tentang tren yang sedang berkembang.
Berlangganan sekarang
Lebih banyak buletin
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://www.ibm.com/blog/synthetic-data-generation-building-trust-by-ensuring-privacy-and-quality/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 17
- 2020
- 2023
- 25
- 28
- 29
- 30
- 300
- 31
- 32
- 40
- 400
- 7
- 72
- 8
- 9
- a
- Tentang Kami
- dipercepat
- mengakses
- aksesibilitas
- dapat diakses
- ketepatan
- tepat
- akurat
- Mencapai
- di seluruh
- sebenarnya
- menambahkan
- Tambahan
- Selain itu
- alamat
- mengambil
- Adopsi
- uang muka
- permusuhan
- pengiklanan
- Setelah
- terhadap
- AI
- Adopsi AI
- Model AI
- Pelatihan AI
- saya menggunakan kasus
- algoritma
- Semua
- memungkinkan
- sudah
- juga
- alternatif
- Meskipun
- Amazon
- Amazon RDS
- antara
- amp
- an
- analisis
- Analis
- analisis
- dan
- Apa pun
- Aplikasi
- Pengembangan Aplikasi
- aplikasi
- sesuai
- ADALAH
- artikel
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- meminta
- menilai
- Aktiva
- terkait
- At
- Serangan
- atribut
- para penonton
- Agustus
- Agustus 2
- penulis
- secara otomatis
- tersedia
- kembali
- bar
- berdasarkan
- BE
- karena
- menjadi
- sebelum
- Manfaat
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- prasangka
- bias
- bias
- diblokir
- Blog
- Biru
- kedua
- membawa
- luas
- membangun
- membangun kepercayaan
- pembangun
- Bangunan
- built-in
- bisnis
- Pemimpin bisnis
- bisnis
- tapi
- tombol
- by
- menghitung
- CAN
- kemampuan
- ditangkap
- Menangkap
- karbon
- kartu
- Kartu-kartu
- kasus
- kasus
- KUCING
- Kategori
- tertentu
- tantangan
- memeriksa
- lingkaran
- kelas
- klien
- rapat
- awan
- kode
- kolaborasi
- warna
- Kolom
- Kolom
- menggabungkan
- Umum
- masyarakat
- Perusahaan
- perusahaan
- Perusahaan
- dibandingkan
- kompetitif
- kompleksitas
- pemenuhan
- memahami
- luas
- kompromi
- Dikompromikan
- komputasi
- komputer
- Visi Komputer
- dihasilkan komputer
- Kondisi
- kepercayaan
- Koneksi
- Mempertimbangkan
- dianggap
- kontak
- Wadah
- mengandung
- Konten
- terus
- terus
- kontribusi
- kontrol
- benar
- Korelasi
- Biaya
- penghematan biaya
- bisa
- dibuat
- membuat
- kritis
- sangat penting
- CSS
- adat
- pelanggan
- data pelanggan
- pelanggan
- harian
- transaksi harian
- data
- kebocoran data
- titik data
- privasi data
- perlindungan data
- kualitas data
- ilmu data
- data warehouse
- Basis Data
- database
- kumpulan data
- Tanggal
- berurusan
- dekade
- Pengambilan Keputusan
- keputusan
- mendalam
- belajar mendalam
- Default
- definisi
- Derajat
- menyampaikan
- Demo
- ketergantungan
- menyebarkan
- dikerahkan
- penyebaran
- penyebaran
- deskripsi
- dirancang
- diinginkan
- ditentukan
- pengembang
- Pengembangan
- diagnosa
- rajin
- langsung
- jarak
- distribusi
- do
- dokumen
- tidak
- melakukan
- mendorong
- dua
- selama
- setiap
- memudahkan
- mudah
- mudah
- Mudah
- ekonomi
- Tepi
- Efektif
- antara
- munculnya
- muncul
- menekankan
- Karyawan
- aktif
- memungkinkan
- mempertinggi
- meningkatkan
- memastikan
- Memastikan
- memastikan
- Enter
- perusahaan
- Seluruh
- lingkungan
- dasarnya
- Eter (ETH)
- mengevaluasi
- Bahkan
- peristiwa
- pERNAH
- selalu berubah
- evolusi
- Excel
- Kegembiraan
- pameran
- ada
- ada
- Exit
- mempercepat
- Menjelajahi
- Pencahayaan
- tingkat
- luar
- memudahkan
- palsu
- FAST
- lebih cepat
- Fitur
- merasa
- kesetiaan
- File
- mengikuti
- berikut
- font
- Untuk
- paksaan
- Untung
- Prinsip Dasar
- pecahan
- kerangka
- Gratis
- percobaan gratis
- dari
- sepenuhnya
- Selanjutnya
- Mendapatkan
- diperoleh
- mendapatkan
- kesenjangan
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- generatif
- jaringan permusuhan generatif
- AI generatif
- generator
- mendapatkan
- grafik
- memahami
- kisi
- Tumbuh
- jaminan
- kendali
- memiliki
- Memiliki
- Kepala
- kesehatan
- tinggi
- membantu
- di sini
- High
- berkualitas tinggi
- lebih tinggi
- paling tinggi
- Mudah-mudahan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- http
- HTTPS
- Hibrida
- Awan hibrida
- IBM
- ICO
- ICON
- identik
- mengidentifikasi
- mengenali
- mengidentifikasi
- identitas
- if
- gambar
- gambar
- imajinasi
- besar
- Dampak
- melaksanakan
- penting
- pengimporan
- mustahil
- memperbaiki
- ditingkatkan
- in
- Di lain
- secara tidak sengaja
- memasukkan
- termasuk
- Termasuk
- Meningkatkan
- Pada meningkat
- meningkatkan
- makin
- indeks
- menunjukkan
- sendiri-sendiri
- industri
- memberitahu
- informasi
- informasi
- inovasi
- input
- wawasan
- wawasan
- contoh
- Intelijen
- tertarik
- intern
- Internet
- ke
- rumit
- Memperkenalkan
- IT
- perulangan
- NYA
- Diri
- Pekerjaan
- jpg
- Menjaga
- kunci
- Kekurangan
- lagging
- besar
- lebih besar
- Terbaru
- pemimpin
- Kepemimpinan
- bocor
- pengetahuan
- paling sedikit
- Tingkat
- leveraging
- 'like'
- baris
- lokal
- Lokal
- masuk
- melihat
- menurunkan
- mesin
- Mesin belajar
- Arus utama
- memelihara
- mempertahankan
- membuat
- MEMBUAT
- Membuat
- mengelola
- banyak
- Pasar
- pangsa pasar
- pasar
- masker
- bahan
- kematangan
- max-width
- Mungkin..
- cara
- ukuran
- mekanisme
- metode
- metrik
- Metrik
- bermigrasi
- menit
- minimal
- menit
- mobil
- model
- pemodelan
- model
- lebih
- paling
- banyak
- harus
- my
- Navigasi
- Perlu
- jaringan
- saraf
- jaringan saraf
- New
- newsletter
- generasi selanjutnya
- tidak
- Kebisingan
- tidak ada
- November
- sekarang
- nomor
- mendapatkan
- of
- lepas
- menawarkan
- Penawaran
- on
- ONE
- hanya
- Buka
- open source
- Optimisme
- optimasi
- dioptimalkan
- pilihan
- Opsi
- or
- organisasi
- organisasi
- asli
- Lainnya
- kami
- di luar
- keluaran
- paket
- halaman
- parameter
- tertentu
- rekan
- pasien
- data pasien
- prestasi
- orang
- Sendiri
- PHP
- saleh
- sangat penting
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- dimainkan
- Plugin
- poin
- kebijaksanaan
- Populer
- kepopuleran
- posisi
- Pos
- potensi
- berpotensi
- didukung
- praktek
- ramalan
- prediktif
- menyajikan
- melestarikan
- mendesak
- lazim
- mencegah
- primer
- memprioritaskan
- pribadi
- Teknik privasi
- swasta
- proses
- pengolahan
- Produk
- Kemajuan
- keunggulan
- properties
- melindungi
- perlindungan
- terbukti
- penyedia
- menyediakan
- publik
- Awan publik
- membeli
- Ular sanca
- kualitatif
- kualitas
- kuantitatif
- Perempat
- Pertanyaan
- Cepat
- segera
- jarak
- cepat
- agak
- Bacaan
- nyata
- dunia nyata
- realistis
- baru
- mengenali
- Merah
- menurunkan
- mengurangi
- mencerminkan
- mencerminkan
- mengenai
- Hubungan
- relatif
- Pers
- keandalan
- mengandalkan
- Renaisans
- menjawab
- mewakili
- membutuhkan
- membutuhkan
- peneliti
- responsif
- dihasilkan
- mengungkapkan
- pendapatan
- Risiko
- risiko
- robot
- kuat
- Peran
- Run
- pengamanan
- Tersebut
- Tabungan
- Skalabilitas
- skenario
- Ilmu
- ilmuwan
- skor
- Layar
- script
- Rahasia
- aman
- keamanan
- melihat
- Mencari
- pencarian
- terlihat
- mengirim
- peka
- SEO
- melayani
- layanan
- set
- beberapa
- Share
- berbagi
- harus
- ditunjukkan
- Melihat
- penting
- situs web
- Ukuran
- ukuran
- kecil
- lebih kecil
- Perangkat lunak
- padat
- larutan
- Solusi
- beberapa
- sesuatu
- mutakhir
- sumber
- spesialis
- tertentu
- Secara khusus
- kecepatan
- Disponsori
- kotak
- stakeholder
- awal
- mulai
- statistik
- Tangga
- Masih
- tersusun
- studio
- berlangganan
- seperti itu
- cukup
- Survei
- SVG
- perpaduan
- sintetis
- data sintetis
- sistem
- Mengambil
- Berbicara
- target
- tugas
- tim
- tim
- teknik
- istilah
- tersier
- uji
- pengujian
- teks
- dari
- bahwa
- Grafik
- Dunia
- mereka
- Mereka
- tema
- kemudian
- Sana.
- dengan demikian
- karena itu
- Ini
- mereka
- berpikir
- pihak ketiga
- ini
- pikir
- pemikiran kepemimpinan
- Melalui
- waktu
- membuang-buang waktu
- Judul
- untuk
- hari ini
- bersama
- terlalu
- alat
- puncak
- tema
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- transaksional
- Transaksi
- transformatif
- berubah
- transformer
- Transparansi
- jelas
- Tren
- percobaan
- triliunan
- benar
- Kepercayaan
- dua
- mengetik
- jenis
- khas
- menjalani
- memahami
- pemahaman
- Pembaruan
- Mengunggah
- URL
- menggunakan
- gunakan case
- bekas
- Pengguna
- menggunakan
- kegunaan
- MENGESAHKAN
- pengesahan
- Berharga
- Nilai - Nilai
- variasi
- berbagai
- vendor
- Video
- penglihatan
- vmware
- Rentan
- W
- Gudang
- waran
- adalah
- we
- ketika
- apakah
- yang
- sementara
- lebih luas
- akan
- dengan
- dalam
- tanpa
- WordPress
- kata
- Kerja
- kerja
- dunia
- dunia
- tertulis
- tahun
- kamu
- Anda
- zephyrnet.dll