Teknologi & Edukasi · Seri Mengenal AI · Bagian 3 dari 5
Bagaimana AI Bekerja & Belajar?
Machine Learning, Deep Learning, dan Jaringan Saraf Tiruan — dijelaskan dengan analogi sederhana, tanpa satu pun rumus matematika.
Di dalam setiap foto yang dikenali, setiap kalimat yang dipahami, dan setiap keputusan yang diambil oleh AI — ada proses pembelajaran yang luar biasa kompleks namun bisa dijelaskan dengan analogi yang sederhana. Anda tidak perlu tahu aljabar linear atau kalkulus untuk memahaminya.
Artikel ini akan membawa Anda ke “dapur” AI — melihat bagaimana mesin belajar dari data, membangun pengetahuan, dan menghasilkan output yang terasa “cerdas”. Semuanya tanpa satu pun rumus matematika.
Bagian 1
Analogi Terbaik untuk Memahami Cara Kerja AI
Sebelum masuk ke teknis, mari kita bangun intuisi dasar dengan tiga analogi yang kuat. Pilih mana yang paling cocok dengan cara berpikir Anda.
Analogi 1: Mengajari Anak Mengenali Kucing
Bagaimana seorang anak belajar mengenali kucing? Orang tuanya menunjukkan banyak gambar — “Ini kucing. Ini juga kucing. Yang ini bukan kucing, ini anjing.” Setelah melihat ratusan contoh, anak itu membangun pola mental tentang apa itu kucing: berkumis, bertelinga runcing, bertubuh tertentu. Ia bisa mengenali kucing yang belum pernah dilihatnya sebelumnya.
Machine learning bekerja persis sama. AI diberi jutaan gambar berlabel “kucing” dan “bukan kucing”, lalu ia membangun representasi matematika tentang pola-pola yang membedakan keduanya. Perbedaannya: anak butuh ratusan contoh, AI butuh jutaan.
Analogi 2: Algoritma Rekomendasi sebagai Penjual Buku
Bayangkan seorang penjual buku yang telah melayani jutaan pembeli selama bertahun-tahun. Ia ingat semua yang pernah dibeli siapa, buku apa yang disukai pembeli yang memiliki selera serupa, dan pola apa yang konsisten muncul. Ketika Anda masuk ke tokonya, ia bisa merekomendasikan buku dengan akurasi yang mengejutkan — bukan karena ia kenal Anda, tapi karena ia telah belajar dari pola jutaan orang lain.
Itulah yang dilakukan algoritma rekomendasi Netflix, Spotify, dan Tokopedia. Mereka bukan “memahami” Anda — mereka mengenali pola Anda dan mencocokkannya dengan pola orang lain yang serupa.
Analogi 3: AI sebagai Murid yang Belajar dari Ujian
Ketika AI sedang dilatih, prosesnya mirip dengan murid yang mengerjakan ribuan soal ujian. Setiap kali AI menjawab salah, ada mekanisme yang memberitahunya seberapa salah ia, dan parameter internalnya disesuaikan sedikit. Setelah miliaran “soal ujian”, AI menjadi sangat baik dalam menjawab pertanyaan-pertanyaan sejenis.
Perbedaannya dengan murid nyata: AI tidak “mengerti” dalam arti yang sama. Ia hanya semakin baik dalam meminimalkan “kesalahan” yang terukur.
AI belajar dengan cara menemukan pola dalam data. Bukan dengan memahami dunia seperti manusia, tapi dengan mengoptimalkan representasi matematika dari pola-pola yang ada dalam data pelatihannya. Kualitas AI sangat bergantung pada kualitas dan kuantitas data yang digunakan untuk melatihnya.
Bagian 2
Machine Learning — Inti dari AI Modern
Jika AI adalah sebuah bangunan, maka Machine Learning (ML) adalah pondasi dan struktur utamanya. Hampir semua AI yang kita gunakan sehari-hari — dari filter spam hingga pengenalan wajah hingga ChatGPT — dibangun di atas prinsip-prinsip Machine Learning.
Apa Bedanya AI Tradisional dengan Machine Learning?
Pemrograman tradisional: Programmer menulis aturan secara eksplisit. Jika email mengandung kata “menang hadiah” dan pengirim tidak dikenal → masukkan ke spam. Aturan ini ditulis manual satu per satu.
Machine Learning: Sistem diberi ribuan email yang sudah dilabeli “spam” atau “bukan spam”, lalu menemukan sendiri pola apa yang membedakan keduanya. Tidak ada aturan yang ditulis manual — AI menemukan aturannya sendiri dari data.
Perbedaan ini terlihat kecil, tapi implikasinya sangat besar. Pemrograman tradisional tidak bisa menangani kerumitan dunia nyata — tidak ada programmer yang bisa menulis semua aturan untuk mengenali wajah di bawah berbagai cahaya, sudut, dan ekspresi. Machine Learning bisa, karena ia belajar dari contoh, bukan dari aturan eksplisit.
Proses Pelatihan ML: Langkah demi Langkah
Kumpulkan data berlabel dalam jumlah besar
Bersihkan, normalisasi, dan siapkan data
Pilih arsitektur jaringan dan parameter awal
Umpan data ke model, ukur kesalahan, sesuaikan
Uji pada data baru yang belum pernah dilihat
Gunakan model dalam produk nyata
Tahap paling krusial adalah pelatihan (training). Di sinilah model melihat jutaan contoh, membuat prediksi, membandingkan prediksinya dengan jawaban yang benar, dan menyesuaikan parameter internalnya untuk meminimalkan kesalahan. Proses ini diulang miliaran kali hingga model cukup akurat.
Bagian 3
Tiga Jenis
Pembelajaran Mesin
Tidak semua Machine Learning bekerja dengan cara yang sama. Ada tiga pendekatan utama, masing-masing cocok untuk situasi dan jenis data yang berbeda.
(Supervised Learning)
AI belajar dari data yang sudah dilabeli oleh manusia. Setiap contoh dalam data pelatihan memiliki “jawaban benar” yang diberikan. AI belajar memetakan input ke output yang diinginkan.
Contoh: Filter spam (email berlabel “spam/bukan spam”), deteksi tumor (citra berlabel “tumor/normal”), prediksi harga rumah.
(Unsupervised Learning)
AI diberikan data tanpa label dan harus menemukan struktur atau pola sendiri. Tidak ada “jawaban benar” — AI mengeksplorasi dan mengelompokkan data berdasarkan kesamaan yang ditemukannya.
Contoh: Segmentasi pelanggan, deteksi anomali transaksi bank, pengelompokan berita serupa.
(Reinforcement Learning)
AI belajar dengan cara berinteraksi dengan lingkungan, mengambil tindakan, dan menerima hadiah atau hukuman. Seperti melatih anjing — beri penghargaan saat perilaku benar, abaikan saat salah.
Contoh: AlphaGo, robot yang belajar berjalan, AI pengoptimalan iklan digital.
| Jenis ML | Butuh Label? | Tujuan Utama | Cocok Untuk |
|---|---|---|---|
| Supervised | Ya — wajib | Prediksi & klasifikasi | Masalah dengan output yang jelas & terukur |
| Unsupervised | Tidak | Menemukan pola tersembunyi | Eksplorasi data yang belum dipahami |
| Reinforcement | Tidak langsung | Optimasi keputusan berurutan | Game, robotika, strategi jangka panjang |
Bagian 4
Deep Learning & Jaringan Saraf Tiruan
Deep Learning adalah subset dari Machine Learning yang menggunakan Jaringan Saraf Tiruan (Artificial Neural Networks) berlapis-lapis — terinspirasi — tapi tidak meniru secara persis — cara otak manusia bekerja. Ini adalah teknologi di balik hampir semua terobosan AI terbesar dalam dekade terakhir.
易 Apa itu Jaringan Saraf Tiruan?
Otak manusia terdiri dari sekitar 86 miliar neuron yang terhubung satu sama lain. Ketika Anda belajar sesuatu, koneksi antara neuron tertentu menguat. Jaringan saraf tiruan meniru konsep ini secara matematis — dengan “neuron” buatan yang saling terhubung dan koneksi yang bisa dikuatkan atau dilemahkan.
Dalam diagram di atas, setiap lingkaran adalah sebuah “neuron” buatan. Data masuk dari kiri (Input Layer), diproses melalui lapisan-lapisan tersembunyi (Hidden Layers) yang mengekstrak fitur-fitur semakin kompleks, dan keluar sebagai output di sebelah kanan.
Bagaimana Deep Learning “Melihat” Gambar
Ketika AI mengenali wajah dalam foto, prosesnya berlapis-lapis:
-
Lapisan Pertama: Tepi dan Garis
Layer pertama mendeteksi fitur paling dasar — tepi horizontal, vertikal, dan diagonal. Piksel menjadi garis-garis sederhana.
-
Lapisan Kedua: Bentuk Sederhana
Garis-garis digabungkan menjadi bentuk — sudut, kurva, lingkaran. Mulai terlihat komponen-komponen wajah.
-
Lapisan Ketiga: Fitur Wajah
Bentuk-bentuk sederhana membentuk fitur: mata, hidung, mulut, alis. Konteks mulai terbangun.
-
Lapisan Dalam: Wajah Utuh
Fitur-fitur digabungkan menjadi representasi wajah lengkap. AI bisa membedakan satu wajah dari yang lain dengan akurasi tinggi.
-
Output: Identifikasi
Representasi akhir dibandingkan dengan database untuk menghasilkan output — “Ini wajah orang A dengan probabilitas 97.3%.”
Istilah “deep” dalam Deep Learning mengacu pada banyaknya lapisan (layer) dalam jaringan saraf. Model AI sederhana mungkin punya 3–5 layer. Model bahasa modern seperti GPT-4 atau Claude memiliki ratusan layer yang masing-masing memproses representasi informasi yang semakin abstrak dan kompleks.
Bagian 5
Bagaimana AI Bahasa
(ChatGPT, Claude) Bekerja
Model bahasa besar atau Large Language Models (LLM) adalah jenis AI yang paling banyak digunakan saat ini. Ini adalah teknologi di balik ChatGPT, Claude, Gemini, dan asisten AI lainnya. Cara kerjanya mengejutkan dalam kesederhanaannya — sekaligus mengagumkan dalam kemampuannya.
Tugas Inti: Prediksi Kata Berikutnya
Di inti dari semua LLM, hanya ada satu tugas sederhana: memprediksi kata (atau token) apa yang paling mungkin muncul berikutnya dalam sebuah teks.
Bayangkan kalimat: “Ibu kota Indonesia adalah ____”
Model yang telah membaca miliaran teks berbahasa Indonesia tahu bahwa kata yang paling mungkin mengisi bagian kosong itu adalah “Jakarta”. Bukan karena ia “tahu” geografi atau hukum tata negara Indonesia — tapi karena ia telah melihat pola itu miliaran kali dalam data pelatihan. (Secara hukum, Jakarta masih berstatus ibu kota negara hingga Keputusan Presiden resmi menetapkan perpindahan ke IKN Nusantara diterbitkan — sehingga jawaban itu masih akurat.)
Kalikan prinsip sederhana ini dengan ratusan miliar parameter, ratusan miliar contoh teks, dan ribuan GPU yang bekerja berbulan-bulan — dan Anda mendapatkan ChatGPT atau Claude.
Pelatihan LLM: Membaca Hampir Seluruh Internet
LLM dilatih dengan cara membaca data teks dalam skala yang sulit dibayangkan — Wikipedia, buku, artikel ilmiah, kode program, forum diskusi, berita, dan miliaran halaman web lainnya. Selama proses ini, model terus-menerus diminta memprediksi kata berikutnya dan parameternya disesuaikan berdasarkan seberapa jauh prediksinya dari kenyataan.
-
Pre-training: Membaca Dunia
Model membaca ratusan miliar kata dari berbagai sumber. Di tahap ini ia belajar tentang bahasa, fakta, logika, dan pola berpikir manusia — semuanya dari statistik kata.
-
Fine-tuning: Menjadi Asisten yang Berguna
Model yang telah pre-trained dilatih lebih lanjut dengan contoh-contoh percakapan yang baik. Ini membentuk “kepribadian” asisten — sopan, membantu, dan tidak berbahaya.
-
RLHF: Belajar dari Preferensi Manusia
Reinforcement Learning from Human Feedback (RLHF) — evaluator manusia menilai respons mana yang lebih baik, dan model belajar dari penilaian ini untuk menghasilkan output yang lebih sesuai harapan.
-
Deployment: Siap Digunakan
Model yang telah dilatih di-deploy ke server dan dapat menjawab miliaran pertanyaan dari pengguna di seluruh dunia secara bersamaan.
Arsitektur Transformer: Inovasi yang Mengubah Segalanya
Kunci kehebatan LLM modern adalah arsitektur Transformer, yang diperkenalkan Google pada 2017. Inovasi utamanya adalah mekanisme attention — kemampuan model untuk “memperhatikan” bagian-bagian berbeda dari teks secara bersamaan dan memahami hubungan antar kata yang berjauhan.
Ketika Anda membaca kalimat “Bank itu bangkrut karena kekeringan mengikis tepinya”, otak Anda harus memutuskan apakah “bank” berarti bank keuangan atau tepi sungai. Anda melakukannya dengan memperhatikan kata “kekeringan” dan “tepian” di bagian lain kalimat yang memberikan konteks.
Attention mechanism bekerja persis demikian — setiap kata “memperhatikan” semua kata lain dalam teks dan memutuskan mana yang paling relevan untuk memahami maknanya.
Bagian 6
Tantangan & Batasan Teknis AI
Memahami cara kerja AI juga berarti memahami mengapa ia bisa gagal. Berikut tantangan-tantangan teknis fundamental yang dihadapi AI saat ini:
-
Halusinasi — AI yang Percaya Diri tapi Salah
Karena LLM bekerja dengan memprediksi token yang paling mungkin, bukan dengan “mencari fakta”, ia bisa menghasilkan informasi yang terdengar sangat meyakinkan tapi sepenuhnya salah. Nama referensi yang tidak ada, tanggal yang keliru, kutipan yang dikarang — semuanya disampaikan dengan nada percaya diri yang sama. Ini bukan bug yang mudah diperbaiki; ini adalah sifat fundamental dari cara LLM bekerja.
-
Bias dalam Data, Bias dalam Output
AI belajar dari data yang dibuat manusia — dan data manusia penuh bias. Jika data pelatihan lebih banyak berisi teks dari perspektif tertentu, AI akan mereproduksi dan bahkan memperkuat bias tersebut. Mendeteksi dan mengoreksi bias adalah salah satu tantangan terbesar dalam penelitian AI yang bertanggung jawab.
-
Black Box — AI yang Tidak Bisa Menjelaskan Dirinya
Model Deep Learning dengan miliaran parameter adalah “kotak hitam” — bahkan pembuatnya seringkali tidak bisa menjelaskan dengan tepat mengapa model menghasilkan output tertentu. Ketika AI menolak pinjaman Anda atau merekomendasikan perawatan medis tertentu, Anda berhak tahu alasannya — tapi secara teknis, sering kali tidak ada jawaban yang memuaskan.
-
Biaya Komputasi yang Sangat Besar
Melatih model bahasa besar membutuhkan ribuan GPU selama berbulan-bulan, mengkonsumsi listrik setara dengan ribuan rumah tangga selama setahun, dan menghasilkan jejak karbon yang signifikan. Ini menciptakan konsentrasi kekuasaan AI di tangan segelintir perusahaan besar yang memiliki sumber daya tersebut.
-
Catastrophic Forgetting — Belajar Hal Baru, Lupa yang Lama
Ketika model ML dilatih ulang dengan data baru, ia cenderung “melupakan” apa yang telah dipelajari sebelumnya. Manusia bisa belajar bahasa baru tanpa lupa bahasa pertamanya; AI belum bisa melakukan ini dengan andal. Ini adalah area penelitian aktif yang disebut continual learning.
Mengetahui tantangan teknis ini bukan untuk membuat Anda pesimis tentang AI, tapi untuk membuat Anda menjadi pengguna yang lebih bijak. Selalu verifikasi fakta penting yang disampaikan AI dari sumber independen. Pertanyakan output yang terasa terlalu meyakinkan. Dan ingat: AI adalah alat yang sangat kuat tapi tidak sempurna.
Bagian 7
Apa Artinya Ini untuk Kita?
Memahami cara kerja AI — bahkan di level konseptual seperti yang kita bahas — memberikan beberapa keunggulan nyata dalam cara kita berinteraksi dengan teknologi ini.
Anda tahu kapan harus percaya AI dan kapan harus memverifikasi. Anda tidak akan menyebut AI “berbohong” — Anda tahu ia “berhalusinasi” dan itu adalah perbedaan yang penting.
Memahami bahwa AI belajar dari konteks membantu Anda memberikan prompt yang lebih baik: lebih spesifik, lebih kontekstual, dengan contoh yang relevan.
Ketika media menyatakan AI bisa “berpikir sendiri” atau “memiliki perasaan”, Anda punya dasar untuk mengevaluasi klaim tersebut secara kritis.
Memahami apa yang AI bisa pelajari dari data membantu Anda mengidentifikasi di mana AI bisa memberikan nilai nyata dalam pekerjaan dan kehidupan Anda.
Diskusi tentang regulasi AI — transparansi algoritma, hak atas penjelasan, bias dalam sistem otomatis — membutuhkan warga yang melek teknologi ini.
Dengan fondasi konseptual ini, artikel teknis dan berita tentang AI baru tidak lagi terasa seperti bahasa asing. Pintu untuk belajar lebih dalam sudah terbuka.
AI bukan sihir. Ia bukan juga ancaman tak terbendung dari alam lain. Ia adalah teknologi yang dibangun oleh manusia, dari data yang dibuat manusia, untuk tujuan yang ditentukan manusia. Dengan memahaminya — cara kerjanya, kekuatannya, dan batasannya — kita mengambil kembali kendali atas hubungan kita dengan teknologi yang semakin membentuk dunia kita.
Di artikel berikutnya, kita akan membahas topik yang lebih dekat dengan kehidupan sehari-hari: Bagaimana AI Generatif Bekerja — dan Cara Menggunakannya Secara Produktif.