Kecerdasan buatan atau artificial intelligence kini digunakan dalam kamera ponsel, aplikasi navigasi, rekomendasi video, toko daring, layanan perbankan, dan chatbot. Teknologi tersebut terlihat mampu mengenali kebutuhan pengguna, tetapi sebenarnya bekerja dengan mengolah data dan mencari pola.
Secara sederhana, kecerdasan buatan bekerja dengan menerima data, mempelajari pola, menguji hasil pembelajaran, lalu menggunakan pola tersebut untuk membuat prediksi, rekomendasi, keputusan, atau konten baru.
AI tidak mengetahui semua hal dan tidak selalu menghasilkan jawaban yang benar. Kemampuannya bergantung pada data, metode pelatihan, rancangan sistem, dan konteks yang diberikan pengguna.
Apa Itu Kecerdasan Buatan?
Organisasi untuk Kerja Sama dan Pembangunan Ekonomi atau OECD menjelaskan AI sebagai sistem berbasis mesin yang menerima masukan, kemudian menghasilkan keluaran seperti prediksi, konten, rekomendasi, atau keputusan. Tingkat kemandirian dan kemampuan beradaptasi setiap sistem dapat berbeda.
Istilah kecerdasan buatan sering disamakan dengan machine learning dan deep learning. Padahal, ketiganya memiliki cakupan berbeda.
| Istilah | Pengertian sederhana | Contoh penggunaan |
|---|---|---|
| Kecerdasan buatan | Bidang yang membuat mesin mampu menjalankan tugas yang biasanya membutuhkan kemampuan manusia | Chatbot, navigasi, pengenalan wajah |
| Machine learning | Metode yang membuat sistem mempelajari pola dari data | Deteksi spam, rekomendasi produk |
| Deep learning | Bagian dari machine learning yang menggunakan jaringan saraf berlapis | Pengenalan suara, gambar, dan bahasa |
Machine learning merupakan salah satu cara untuk membangun sistem AI. Deep learning kemudian menjadi salah satu pendekatan di dalam machine learning.
Bagaimana Cara Kerja Kecerdasan Buatan?
Tidak semua AI dibangun dengan metode yang sama. Namun, sistem berbasis machine learning umumnya melalui alur berikut:
Data → Persiapan data → Pelatihan model → Pengujian → Prediksi atau keluaran
1. Data dikumpulkan
AI membutuhkan data sebagai bahan pembelajaran. Data tersebut dapat berupa teks, angka, gambar, suara, video, lokasi, atau catatan aktivitas pengguna.
Sistem penyaring pesan spam, misalnya, dapat dilatih menggunakan kumpulan pesan yang sudah dikelompokkan sebagai spam dan bukan spam. Sistem kemudian mencari pola pada susunan kata, jumlah tautan, alamat pengirim, serta karakteristik pengiriman pesan.
Jumlah data yang besar belum tentu menghasilkan AI yang baik. Data juga harus relevan, cukup beragam, tidak rusak, dan mewakili kondisi ketika sistem nantinya digunakan. Materi Machine Learning Crash Course dari Google menempatkan kualitas dan persiapan data sebagai bagian penting dalam pelatihan serta evaluasi model.
2. Data dibersihkan dan disiapkan
Data mentah biasanya masih mengandung informasi yang kosong, berulang, salah label, atau tidak relevan. Karena itu, data perlu diperiksa dan disusun dalam format yang dapat diproses oleh komputer.
Dalam sistem pengenalan gambar, foto dapat diberi label seperti “kucing”, “anjing”, dan “burung”. Sementara itu, sistem prediksi harga dapat menggunakan informasi berupa ukuran, lokasi, kondisi barang, serta riwayat harga.
Data umumnya juga dibagi menjadi data pelatihan dan data pengujian. Tujuannya agar kemampuan model tidak hanya diukur menggunakan contoh yang sudah pernah dipelajari.
3. Model dilatih untuk menemukan pola
Model dapat dipahami sebagai sistem perhitungan yang menerima data dan menghasilkan prediksi. Pada awal pelatihan, hasil prediksi biasanya masih banyak yang salah.
Sistem membandingkan prediksi tersebut dengan jawaban yang benar. Kesalahannya kemudian digunakan untuk menyesuaikan parameter di dalam model. Proses ini dilakukan berulang kali hingga hasilnya membaik.
Pada jaringan saraf, sejumlah lapisan pemrosesan digunakan untuk mempelajari hubungan yang lebih rumit di dalam data. Model pengenal kucing, misalnya, tidak memahami kucing seperti manusia. Sistem hanya menemukan pola visual yang sering muncul pada gambar berlabel kucing.
4. Model diuji dengan data baru
Model yang menghasilkan nilai bagus selama pelatihan belum tentu bekerja dengan baik ketika menerima data baru. Salah satu masalah yang dapat terjadi disebut overfitting.
Overfitting terjadi ketika model terlalu menyesuaikan diri dengan data pelatihan. Akibatnya, model terlihat sangat akurat pada contoh lama tetapi kesulitan menghadapi situasi yang berbeda.
Kondisi ini dapat dibandingkan dengan siswa yang hanya menghafal jawaban tanpa memahami cara menyelesaikan soal. Ketika bentuk pertanyaannya berubah, siswa tersebut menjadi kesulitan. Google menyebut overfitting sebagai masalah umum dalam machine learning yang perlu diperiksa melalui evaluasi model.
5. Model digunakan untuk menghasilkan prediksi
Setelah melalui pelatihan dan pengujian, model dapat digunakan dalam aplikasi. Proses ketika model menerima informasi baru dan menghasilkan jawaban disebut inferensi.
Dalam aplikasi belanja, AI dapat menganalisis kategori produk yang sering dibuka, pencarian sebelumnya, barang yang dimasukkan ke keranjang, dan pola dari pengguna lain. Sistem kemudian memperkirakan produk yang mungkin menarik bagi pengguna.
AI tidak mengetahui secara pasti bahwa pengguna akan membeli produk tersebut. Sistem hanya menghitung kemungkinan berdasarkan pola yang tersedia.
Contoh AI yang Dekat dengan Pengguna Indonesia
Bayangkan seorang pengguna sering menonton video resep hingga selesai, menyukai konten kuliner daerah, dan segera melewati video olahraga. Sistem rekomendasi mencatat pola interaksi tersebut.
Model kemudian membandingkan kebiasaan pengguna dengan pola konten dan perilaku pengguna lain. Jika orang dengan kebiasaan serupa juga sering menonton video tentang masakan Kalimantan, sistem mungkin merekomendasikan konten tersebut.
Rekomendasi dapat berubah seiring perubahan perilaku. Ketika pengguna mulai sering mencari video perjalanan, sistem memperoleh sinyal baru dan menyesuaikan konten yang ditampilkan.
Contoh ini menunjukkan bahwa AI tidak membaca pikiran pengguna. Sistem bekerja menggunakan jejak interaksi dan pola statistik untuk memperkirakan hasil yang dianggap paling relevan.
Bagaimana AI Generatif Membuat Jawaban?
AI generatif dapat menghasilkan teks, gambar, suara, musik, atau video berdasarkan instruksi pengguna. Pada model bahasa besar, teks diproses menjadi bagian-bagian yang disebut token. Token dapat berupa kata, potongan kata, karakter, atau tanda baca.
Ketika menerima pertanyaan, model menggunakan konteks yang tersedia untuk memperkirakan token atau rangkaian token berikutnya. Proses tersebut dilakukan berulang kali hingga terbentuk kalimat atau jawaban yang lebih panjang.
Model bahasa modern umumnya menggunakan arsitektur Transformer untuk memproses hubungan antartoken dan konteks. Model tersebut tidak selalu mengambil jawaban dari satu halaman tertentu, melainkan membentuk keluaran berdasarkan pola yang dipelajari dan informasi tambahan yang diberikan sistem.
Mengapa AI Bisa Memberikan Jawaban Salah?
AI dapat memberikan hasil yang keliru karena data latihan tidak lengkap, pertanyaan pengguna tidak jelas, informasi telah berubah, atau model menemukan pola yang tidak tepat.
Bias di dalam data juga dapat ikut dipelajari oleh sistem. Karena itu, hasil yang terdengar meyakinkan tetap perlu diperiksa, terutama jika berkaitan dengan kesehatan, keuangan, hukum, kebijakan publik, dan keselamatan.
NIST menempatkan validitas, keamanan, transparansi, privasi, keadilan, serta pengelolaan bias sebagai bagian penting dari pengembangan dan penggunaan AI yang dapat dipercaya. UNESCO juga menekankan pentingnya pengawasan manusia, transparansi, keadilan, serta perlindungan hak dan martabat manusia.
Apakah AI Bisa Menggantikan Manusia?
AI dapat membantu mengolah data, mengenali pola, menyusun rekomendasi, dan mempercepat pekerjaan berulang. Namun, manusia tetap diperlukan untuk menentukan tujuan, memeriksa kebenaran hasil, mempertimbangkan dampaknya, serta mengambil tanggung jawab atas keputusan.
AI lebih tepat digunakan sebagai alat bantu. Kemampuan mesin dalam memproses data perlu dipadukan dengan pengalaman, penilaian, konteks sosial, dan tanggung jawab manusia.
Pertanyaan Umum tentang Kecerdasan Buatan
Apakah semua AI belajar sendiri?
Tidak. Sebagian sistem bekerja menggunakan aturan yang ditentukan manusia. Sistem berbasis machine learning mempelajari pola dari data, tetapi tujuan, data, metode, dan batas penggunaannya tetap ditentukan atau diawasi manusia.
Apakah AI selalu membutuhkan internet?
Tidak selalu. Beberapa fitur AI dapat dijalankan langsung di ponsel atau komputer. Namun, layanan yang menggunakan model besar atau membutuhkan informasi daring biasanya memerlukan koneksi internet.
Apakah semakin banyak data membuat AI semakin pintar?
Belum tentu. Data yang banyak tetap harus relevan, berkualitas, cukup beragam, dan memiliki label yang benar. Data buruk dapat membuat sistem menghasilkan pola dan prediksi yang keliru.
Apakah jawaban AI selalu dapat dipercaya?
Tidak. Jawaban AI perlu diperlakukan sebagai hasil perhitungan yang masih mungkin salah. Informasi penting sebaiknya dibandingkan dengan dokumen resmi, sumber primer, atau tenaga profesional yang sesuai.
Kecerdasan buatan bekerja dengan mempelajari pola dari data, bukan dengan mengetahui segala sesuatu seperti manusia. Setelah data disiapkan, model dilatih dan diuji sebelum digunakan untuk menghasilkan prediksi, rekomendasi, keputusan, atau konten.
Memahami proses tersebut membantu pengguna memanfaatkan AI dengan lebih bijak, mengetahui batas kemampuannya, dan tidak langsung mempercayai setiap hasil yang diberikan.
Sumber Rujukan
- OECD, penjelasan mengenai definisi sistem kecerdasan buatan.
- Google for Developers, Machine Learning Crash Course.
- NIST, Artificial Intelligence Risk Management Framework.
- UNESCO, Recommendation on the Ethics of Artificial Intelligence.