Istilah kecerdasan buatan atau artificial intelligence (AI) kini muncul hampir di setiap percakapan tentang teknologi, mulai dari layanan chatbot bank, fitur rekomendasi di aplikasi belanja, sampai sistem verifikasi wajah untuk membuka rekening digital. Bersamaan dengan itu, istilah machine learning juga sering disebut, tidak jarang seolah-olah bermakna sama. Padahal keduanya memiliki cakupan yang berbeda, dan memahami perbedaan itu penting agar publik tidak mudah terpukau oleh klaim pemasaran.

Kecerdasan buatan: payung besar sebuah bidang ilmu

Kecerdasan buatan adalah istilah payung untuk semua upaya membuat mesin atau perangkat lunak menjalankan tugas yang biasanya membutuhkan kecerdasan manusia. Tugas itu bisa berupa mengenali objek, memahami bahasa, mengambil keputusan, menyusun strategi, hingga merencanakan gerak robot.

Gagasan ini bukan hal baru. Istilah artificial intelligence pertama kali dipakai secara formal pada konferensi Dartmouth tahun 1956, ketika sekelompok ilmuwan komputer merumuskan kemungkinan mesin menirukan penalaran manusia. Sebelum itu, matematikawan Alan Turing sudah melontarkan pertanyaan mendasar dalam makalahnya tahun 1950 tentang apakah mesin dapat berpikir.

Pada dekade-dekade awal, banyak sistem AI dibangun dengan pendekatan berbasis aturan. Pengembang menuliskan serangkaian instruksi "jika-maka" secara manual, termasuk dalam bentuk expert system yang populer pada 1980-an untuk diagnosis teknis dan medis. Pendekatan ini efektif pada persoalan terstruktur, tetapi cepat kewalahan saat menghadapi data dunia nyata yang berantakan, ambigu, dan penuh pengecualian. Tidak mungkin menuliskan aturan manual untuk setiap variasi wajah manusia atau setiap gaya penulisan email.

Machine learning: belajar dari data, bukan dari aturan

Di titik inilah machine learning atau pembelajaran mesin berperan. Machine learning adalah salah satu pendekatan di dalam kecerdasan buatan, di mana sistem tidak diprogram secara eksplisit untuk setiap kemungkinan, melainkan dilatih menggunakan data.

Ilustrasi sederhananya: alih-alih memberi tahu komputer daftar aturan untuk mengenali kucing dalam foto, pengembang menyediakan ribuan hingga jutaan contoh gambar berlabel. Algoritma kemudian mencari pola statistik yang membedakan kucing dari objek lain, lalu memakai pola itu untuk menilai gambar baru yang belum pernah dilihat.

Konsekuensinya: semua machine learning adalah bagian dari AI, tetapi tidak semua AI menggunakan machine learning. Analogi yang lazim dipakai adalah AI sebagai bidang ilmunya, sementara machine learning merupakan salah satu metode di dalamnya — dan saat ini yang paling dominan.

Tiga cara mesin belajar

  • Supervised learning (pembelajaran terbimbing): model dilatih dengan data yang sudah diberi label, misalnya kumpulan email yang ditandai spam atau bukan spam, atau data historis kredit yang diketahui lancar dan macet.
  • Unsupervised learning (pembelajaran tak terbimbing): model mencari pola atau pengelompokan sendiri pada data tanpa label, misalnya segmentasi pelanggan berdasarkan perilaku belanja.
  • Reinforcement learning (pembelajaran penguatan): model belajar melalui percobaan berulang dengan umpan balik berupa penghargaan atau penalti. Pendekatan ini menonjol dalam robotika dan sistem permainan, termasuk pada program AlphaGo dari DeepMind yang mengalahkan pemain Go profesional pada 2016.

Di dalam machine learning terdapat cabang lebih spesifik bernama deep learning, yang memanfaatkan jaringan saraf tiruan berlapis banyak. Deep learning menopang lompatan besar pada pengenalan suara, penerjemahan otomatis, serta model bahasa besar yang menjadi fondasi layanan AI generatif. Titik balik penting terjadi pada 2012, ketika model jaringan saraf memenangkan kompetisi pengenalan citra ImageNet dengan tingkat kesalahan yang jauh lebih rendah dibanding metode sebelumnya.

Sudah dipakai sehari-hari tanpa disadari

Banyak layanan digital yang digunakan masyarakat Indonesia sudah lama ditopang machine learning. Beberapa contohnya:

  • Rekomendasi konten pada platform video, musik, dan e-commerce.
  • Penyaringan spam pada layanan surel.
  • Deteksi transaksi mencurigakan dan penilaian risiko di sektor keuangan.
  • Prediksi rute serta estimasi waktu tempuh pada aplikasi peta dan ojek daring.
  • Analisis citra medis untuk membantu tenaga kesehatan menyaring kasus, misalnya penapisan tuberkulosis lewat foto toraks yang telah diuji di beberapa fasilitas kesehatan.

Skala penetrasi teknologi ini didukung basis pengguna yang besar. Berdasarkan data Badan Pusat Statistik (BPS), proporsi penduduk Indonesia yang mengakses internet terus meningkat dan telah melampaui 70 persen dalam beberapa tahun terakhir, sementara survei Asosiasi Penyelenggara Jasa Internet Indonesia (APJII) mencatat jumlah pengguna internet nasional di kisaran 220 juta orang. Artinya, data perilaku digital yang menjadi bahan bakar machine learning tersedia dalam volume sangat besar.

Keterbatasan, bias, dan soal "kotak hitam"

Meski terlihat canggih, sistem berbasis machine learning tetap punya keterbatasan mendasar. Kualitas keluarannya sangat bergantung pada kualitas data pelatihan. Jika data mengandung bias historis, hasil prediksi berpotensi memperkuat bias tersebut. Kasus yang sering dikutip adalah alat penyaringan lamaran kerja berbasis AI yang dihentikan Amazon pada 2018 karena cenderung merugikan kandidat perempuan, akibat data pelatihan yang didominasi pelamar pria.

Persoalan kedua adalah transparansi. Model yang sangat kompleks sering sulit dijelaskan alur pengambilan keputusannya, sehingga muncul istilah "kotak hitam". Isu ini mendorong lahirnya kerangka tata kelola global. UNESCO mengadopsi Rekomendasi tentang Etika Kecerdasan Buatan pada 2021 yang disetujui negara-negara anggota, termasuk Indonesia, sementara Uni Eropa mengesahkan EU AI Act pada 2024 sebagai regulasi AI komprehensif pertama yang mengklasifikasikan sistem berdasarkan tingkat risiko.

Di Indonesia, pembahasan etika dan tata kelola AI berjalan seiring implementasi Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi serta Strategi Nasional Kecerdasan Artifisial 2020-2045 yang disusun Badan Riset dan Inovasi Nasional bersama kementerian terkait. Kementerian Komunikasi dan Digital juga telah menerbitkan surat edaran berisi pedoman etika penggunaan kecerdasan artifisial bagi pelaku industri, meski sifatnya masih imbauan dan belum mengikat secara hukum.

Ringkasan perbedaan

  • Cakupan: AI adalah bidang ilmu yang luas; machine learning adalah salah satu pendekatan di dalamnya.
  • Cara kerja: AI klasik dapat sepenuhnya berbasis aturan yang ditulis manusia; machine learning menyimpulkan pola dari data.
  • Ketergantungan: machine learning bergantung pada volume dan kualitas data, sedangkan sistem berbasis aturan bergantung pada kelengkapan logika yang disusun pengembang.
  • Sifat keluaran: sistem berbasis aturan memberi hasil yang dapat dilacak langkah demi langkah, sementara model machine learning menghasilkan prediksi probabilistik yang bisa salah.

Pemahaman dasar ini menjadi bekal penting bagi masyarakat untuk menilai klaim teknologi secara kritis. Ketika sebuah layanan mengaku "didukung AI", pertanyaan yang layak diajukan bukan sekadar seberapa canggih sistemnya, melainkan data apa yang dipakai untuk melatihnya, siapa yang bertanggung jawab bila terjadi kesalahan, dan apakah pengguna punya jalan untuk mengoreksi keputusan otomatis yang merugikan mereka.

Rujukan Resmi Terkait