Apa itu kecerdasan buatan: definisi, AI sempit dan umum, pembelajaran mesin, pembelajaran mendalam, AI generatif, model bahasa besar, sejarah singkat, dan batasnya

Dalam satu minggu, teknisi laundry sebuah hotel menerima tiga brosur: mesin cuci "dengan AI" yang memilih program sendiri, pompa dosis "pintar" yang menakar deterjen menurut berat muatan, dan sistem energi yang memperkirakan beban chiller esok hari dari data hunian dan cuaca. Kepala engineering bertanya mana yang benar-benar AI. Teknisi membuka manual mesin cuci lama: kendalinya mengisi air sampai level tertentu, memanaskan sampai suhu yang disetel, lalu memutar drum selama waktu yang tertulis di program. Semua langkah itu ditulis manusia. Mesin itu otomatis, tetapi menurut Undang-Undang AI Uni Eropa, sistem yang hanya menjalankan aturan yang seluruhnya ditetapkan manusia tidak termasuk sistem AI.

Perbedaan itu menentukan cara memeriksa. Sistem aturan tetap diperiksa dengan membaca aturannya: setelan, sensor, dan urutan langkah. Sistem yang belajar dari data diperiksa dari datanya, besar kesalahannya, dan kondisi tempat perkiraannya berlaku.

Batas pembahasan

Bab ini membahas definisi AI menurut OECD dan Uni Eropa, cara pemerintah di berbagai negara mengatur AI per 18 Oktober 2026, AI sempit dan AI umum, hierarki istilah, tiga cara mesin belajar, tonggak sejarah bertanggal, dan batas AI.

Token, transformer, dan pelatihan lanjutan dibahas di Bab 8. Suhu, halusinasi, dan cara memeriksa jawaban ada di Bab 9. Produk, pengembang, dan harga ada di Bab 10 dan Bab 11. Agen dibahas di Bab 12, cara memberi perintah di Bab 13, dan AI dalam pekerjaan teknik, termasuk data pribadi, di Bab 14. Otomasi berbasis aturan eksplisit dibahas di Bab 1.

Definisi resmi: sistem yang menyimpulkan dari masukan

Dewan OECD merevisi definisi sistem AI pada 8 November 2023. Terjemahan bebasnya: sistem AI (AI system) adalah sistem berbasis mesin yang, untuk tujuan eksplisit atau implisit, menyimpulkan dari masukan yang diterimanya cara menghasilkan keluaran seperti prediksi, konten, rekomendasi, atau keputusan yang dapat memengaruhi lingkungan fisik atau virtual. Frasa kuncinya dalam teks asli adalah "infers, from the input it receives, how to generate outputs", yang ditambahkan pada revisi 2023 bersama kata "content" untuk menegaskan cakupan AI generatif. Menurut OECD, definisinya dipakai Uni Eropa, Amerika Serikat, PBB, dan yurisdiksi lain.

Undang-Undang AI Uni Eropa, Regulasi (UE) 2024/1689, memuat definisi serupa di Pasal 3 angka (1), dengan tambahan bahwa sistem itu dirancang beroperasi dengan tingkat otonomi yang bervariasi dan dapat menunjukkan adaptivitas setelah dipasang. Bagian yang paling berguna bagi teknisi ada di Resital (konsiderans) 12: definisi itu tidak mencakup sistem yang hanya menjalankan aturan yang seluruhnya ditetapkan manusia untuk mengeksekusi operasi secara otomatis. Pedoman Komisi Eropa yang tidak mengikat memecah definisi menjadi tujuh unsur, menyatakan otonomi sebagai syarat perlu, dan menyatakan adaptivitas tidak wajib karena teksnya memakai kata "may". EUR-Lex juga memuat teks konsolidasi bertanggal 27 Juli 2026; apakah Pasal 3 angka (1) ikut berubah belum dapat dipastikan dari sumber resmi per 18 Oktober 2026.

Tabel berikut mengubah definisi menjadi pertanyaan untuk peralatan. Pemecahan ini tidak menyalin daftar tujuh unsur pedoman Komisi.

Kata kuncinya adalah menyimpulkan. Pengatur waktu yang memutar drum 12 menit karena programnya berkata 12 menit tidak menyimpulkan apa pun. Model yang menyusun perkiraan beban chiller dari data dua tahun menyimpulkan hubungan yang tidak pernah ditulis sebagai aturan. Kontras antara PLC atau pengatur waktu dan sistem yang menyimpulkan ini ditarik dari Resital 12. Pengendali aturan tetap pun harus dirancang dan diuji dengan baik (Bab 1 tentang otomasi keputusan sederhana dan Bab 6 tentang keandalan perangkat lunak kendali).

Cara pemerintah mengatur AI per 18 Oktober 2026

Sejak akhir 2022, pemerintah di berbagai belahan dunia merespons AI dengan cara berbeda. Tabel berikut memilah pendekatannya; rincian, sumber, dan cara memeriksa status resmi ada di Bab 16 tentang respons pemerintah terhadap AI. Peristiwa pemicunya ada di Bab 15 tentang polemik AI dunia.

Indonesia paling dekat ke kelompok pedoman lebih dulu, dengan hukum yang ada sebagai pengikat. SE Menkominfo No. 9 Tahun 2023 tentang Etika Kecerdasan Artifisial (19 Desember 2023) adalah soft regulation yang tidak mengikat seperti undang-undang, menurut media. Rancangan Perpres Peta Jalan KA Nasional dan Rancangan Perpres Etika KA selesai dibahas pada 5 Mei 2026; menurut pemberitaan, awal September 2026 keduanya masih menunggu tanda tangan Presiden, dan per 18 Oktober 2026 nomor Perpres AI belum ditemukan. Selama itu, bab ini memakai definisi OECD dan UE sebagai acuan kerja. Yang sudah mengikat adalah UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi; Pasal 10 memberi hak keberatan atas keputusan yang hanya didasarkan pada pemrosesan otomatis, termasuk pemrofilan, yang berakibat hukum atau berdampak signifikan; pembahasannya di Bab 14.

AI sempit dan AI umum

AI sempit (narrow AI) adalah sistem yang dirancang untuk satu tugas atau sekelompok tugas terbatas, misalnya mengenali jenis noda dari foto. AI umum (artificial general intelligence, AGI) adalah gagasan tentang sistem yang mampu mempelajari dan mengerjakan hampir semua tugas intelektual yang dapat dikerjakan manusia. Belum ada definisi AGI yang disepakati maupun uji tunggal untuk menyatakan sistem sudah mencapainya. Bab ini tidak menilai klaim AGI.

Definisi OECD dan UE tidak membedakan keduanya; keduanya hanya menyebut otonomi dan adaptivitas yang bervariasi. Model bahasa besar menimbulkan kerancuan karena cakupannya lebar. Makalah GPT-3 (28 Mei 2020) menunjukkan model itu menjalankan berbagai tugas hanya lewat instruksi dan contoh di dalam teks, tanpa pelatihan ulang. Lebar belum berarti umum: makalah Toolformer (9 Februari 2023) mencatat model bahasa besar kesulitan pada aritmetika dasar dan pencarian fakta, tempat model yang jauh lebih kecil unggul. AI di peralatan hotel, laundry, dan dapur adalah AI sempit, dan aplikasi percakapan pun punya batas, seperti dibahas di Bab 9 tentang cara AI menjawab.

Hierarki istilah: dari AI sampai model bahasa besar

Dokumen edukasi IBM menyusun istilah sebagai lapisan: AI adalah payung, pembelajaran mesin bagian dari AI, pembelajaran mendalam subbidang pembelajaran mesin, dan jaringan saraf tulang punggung pembelajaran mendalam. Kata "mendalam" merujuk pada jumlah lapisan, yang menurut IBM lebih dari tiga. IBM mendefinisikan AI generatif (generative AI) sebagai AI yang dapat membuat konten orisinal, seperti teks, gambar, video, audio, dan kode, sebagai tanggapan atas perintah (prompt). Istilah machine learning dicetuskan Arthur Samuel pada 1959; kalimat populer "tanpa diprogram secara eksplisit" adalah parafrasa belakangan, bukan kutipan harfiahnya.

Hierarki ini penyederhanaan. Halaman IBM yang lain menyusun jaringan saraf dan pembelajaran mendalam dengan urutan berbeda. Pernyataan bahwa LLM adalah bagian dari AI generatif tidak ditemukan dari sumber primer, dan LLM juga dipakai untuk tugas yang tidak membuat konten, seperti klasifikasi dan embedding. Kata "besar" merujuk pada skala: GPT-3 berukuran 175 miliar parameter; arti parameter ada di Bab 8 tentang cara kerja model bahasa besar.

Cara mesin belajar: terarah, tak terarah, dan penguatan

Pembelajaran mesin (machine learning) adalah AI yang memperoleh perilakunya dari data, dan biasanya dibagi menurut bentuk umpan balik saat belajar.

InstructGPT (Maret 2022, menurut nomor arXiv 2203) menyetel GPT-3 secara terarah pada demonstrasi pelabel, lalu melatihnya dengan pembelajaran penguatan dari umpan balik manusia (RLHF) memakai peringkat keluaran. Tülu 3 dari Ai2 (November 2024) memperkenalkan istilah RLVR: jawaban diperiksa fungsi verifikasi deterministik, dengan hadiah bila benar dan nol bila salah. Rinciannya ada di Bab 8 tentang cara kerja model bahasa besar. Pada pembelajaran terarah, labellah yang mengajar: foto noda karat berlabel "noda minyak" mengajarkan kesalahan. Catatan lapangan yang rapi adalah bahan data latih yang baik (Bab 9 · Data & Pengukuran tentang catatan lapangan digital).

Sejarah singkat dengan tanggal

Tonggak berikut disusun menurut tanggal.

Proposal Dartmouth menduga bahwa setiap aspek belajar atau ciri kecerdasan lain pada prinsipnya dapat dijelaskan begitu persis sehingga mesin dapat dibuat untuk menirukannya. Dokumen itu bertanggal 31 Agustus 1955, sedangkan Wikipedia menyebut 2 September 1955 sebagai tanggal pengajuan formal; bab ini memakai tanggal dokumen.

Aturan tetap atau belajar dari data

Pemilahan berikut memakai Resital 12.

Satu peralatan dapat memuat keduanya: model AI memberi saran setelan, sementara batas suhu, interlock pintu, dan pembatas dosis dijaga aturan tetap yang tidak dapat diubah model, sejalan dengan prinsip keadaan aman di Bab 6 tentang keandalan perangkat lunak kendali. Sistem adaptif juga membentuk umpan balik: keluarannya mengubah proses, lalu proses itu menjadi data latih berikutnya (Bab 1 · Sistem, Diagram & Diagnosis tentang umpan balik).

Batas AI

Model bahasa besar menghasilkan jawaban dengan mengambil sampel dari distribusi peluang yang dipelajari, bukan dengan menurunkan teorema dari aksioma. Ia probabilistik dan tanpa aksioma formal, tetapi tidak netral. Nilai sengaja ditanamkan saat pelatihan lanjutan: InstructGPT dibentuk peringkat preferensi manusia, Constitutional AI diarahkan daftar prinsip tertulis, dan konstitusi baru Claude (22 Januari 2026) memuat urutan prioritas nilai serta batasan keras. Prompt sistem, kebijakan keamanan penyedia, dan bias data latih ikut membentuk jawaban. Bab 9 tentang cara AI menjawab membahasnya lebih jauh.

AI dapat salah dengan yakin. NIST AI 600-1 (Juli 2024) memakai istilah confabulation untuk konten keliru yang disajikan dengan yakin, dan makalah OpenAI 4 September 2025 menyimpulkan bahwa pelatihan dan evaluasi standar menghadiahi tebakan daripada pengakuan ketidakpastian. Riset interpretabilitas Anthropic (27 Maret 2025) menemukan penjelasan Claude tentang cara ia menjumlahkan tidak sesuai dengan komputasi internalnya. Sistem yang belajar dari data hanya sebaik datanya: perkiraan dapat meleset setelah renovasi atau penggantian mesin (Bab 2 · Data & Pengukuran tentang variasi dan ringkasan data).

Anjuran seri ini: AI dipakai untuk menjelaskan konsep dan menyusun draf, sedangkan angka, satuan, rumus, istilah, dan prosedur diperiksa di Arstema, manual pabrik, dan oleh orang berwenang. Arstema bukan model AI. Academy memuat bab bersumber per disiplin, Kamus teknik memuat istilah, Takar menyediakan kalkulator, 34 ruang konversi, dan alat lapangan (akses awal di web, Android sedang disiapkan), dan Troubleshoot menyusun alur dari gejala ke hipotesis yang dapat diuji. Keputusan akhir tetap pada orang yang berwenang atas peralatan (Bab 14 tentang AI untuk pekerjaan teknik).

Contoh kerja

Angka dalam contoh di bawah adalah angka latihan, kecuali disebut asalnya.

Contoh 1: pompa dosis "pintar". Versi A menakar 8 mL deterjen per kg muatan kering. Untuk 35 kg: $8 \times 35 = 280$ mL, dan muatan 35 kg selalu menghasilkan 280 mL. Aturannya ditulis manusia, sehingga versi A bukan AI walaupun brosurnya menyebut "pintar". Versi B mengubah takaran dari hubungan yang dipelajarinya antara takaran, jenis kotoran, dan hasil pemeriksaan mutu ratusan siklus sebelumnya. Versi B menyimpulkan dari data, sehingga memenuhi unsur pembeda AI. Takarannya tetap harus berada dalam batas pemasok bahan kimia yang dijaga aturan tetap, seperti prinsip keadaan aman di Bab 6.

Contoh 2: kesalahan perkiraan energi chiller. Sistem memperkirakan konsumsi listrik chiller harian dari data hunian dan cuaca; ini pembelajaran terarah karena setiap hari di data latih berpasangan dengan konsumsi sebenarnya. Lima hari dibandingkan:

Rata-rata kesalahan mutlak $430/5 = 86$ kWh. Rata-rata aktual $9740/5 = 1948$ kWh, sehingga kesalahan relatifnya $86/1948 = 0{,}044$, sekitar 4,4 persen. Hari 4 menyumbang $220/430 = 0{,}51$, lebih dari separuh total selisih; hari itu ada acara besar yang tidak ada di data latih. Kejadian di luar data latih tidak dapat diperkirakan dengan baik (Bab 2 · Data & Pengukuran tentang variasi dan ringkasan data).

Contoh 3: dari Dartmouth ke ChatGPT. Proposal Dartmouth bertanggal 31 Agustus 1955 dan ChatGPT diperkenalkan 30 November 2022. Sampai 31 Agustus 2022 ada 67 tahun, lalu sampai 30 November 2022 ada $30 + 31 + 30 = 91$ hari (September, Oktober, November). Selangnya 67 tahun 91 hari, sekitar $67 + 91/365 = 67{,}2$ tahun. Bila tanggal pengajuan 2 September 1955 yang dipakai, selangnya dua hari lebih pendek.

Contoh 4: poin persen pada AlexNet. Galat top-5 varian AlexNet 15,3 persen, peringkat kedua 26,2 persen. Galat top-5 (top-5 error) adalah persentase soal yang lima tebakan teratasnya tidak memuat jawaban benar. Selisihnya $26{,}2 - 15{,}3 = 10{,}9$ poin persen, sedangkan penurunan relatifnya $10{,}9/26{,}2 = 0{,}416$, sekitar 41,6 persen. "Turun 10,9 persen" dan "turun 41,6 persen" adalah dua pernyataan berbeda; laporan yang tidak menyebut mana yang dimaksud perlu diperiksa.

Contoh 5: memeriksa "100 kali lebih sedikit". Makalah InstructGPT menyatakan model 1,3 miliar parameter lebih disukai penilai daripada GPT-3 175 miliar parameter walaupun parameternya "100x fewer". Periksa: $175/1{,}3 = 134{,}6$, sehingga "100 kali" adalah pembulatan ke bawah. Makalah GPT-3 menyebut 175 miliar sekitar 10 kali model non-sparse sebelumnya, jadi model non-sparse sebelumnya paling besar sekitar $175/10 = 17{,}5$ miliar parameter (nilai kasar). Pemeriksaan orde besaran seperti ini dibahas di Bab 4 · Satuan & Matematika tentang estimasi, skala, dan pemeriksaan kewajaran. Ukuran saja tidak menentukan mutu.

Contoh 6: akurasi pengenal noda yang menipu. Data uji 200 foto: 140 noda makanan, 40 noda minyak, 20 noda karat. Model A selalu menjawab "noda makanan"; akurasinya $140/200 = 0{,}70$, tetapi tidak satu pun noda karat dikenali. Model B benar pada 170 foto (85 persen) dan mengenali 12 dari 20 noda karat (60 persen). Model B lebih baik, tetapi 8 noda karat tetap salah, sehingga keluarannya hanya saran dan petugas memeriksa noda sebelum perlakuan. Akurasi total menyembunyikan kinerja per kelas (Bab 2 · Data & Pengukuran tentang variasi dan ringkasan data).

Kondisi berhenti

Keputusan akhir tetap pada orang yang berwenang atas peralatan. Berhenti memakai keluaran AI, atau berhenti bekerja dan bertanya ke manusia atau sumber resmi, bila:

1. Vendor menyebut produknya AI tetapi tidak dapat menjelaskan data latihnya, apakah sistem berubah setelah dipasang, dan siapa yang memvalidasinya.
2. Keluaran AI menyangkut pengaman, gas, listrik, uap, tekanan, atau bahan kimia. Periksa manual pabrik dan serahkan keputusan kepada orang berwenang (Bab 1 · Keselamatan tentang bahaya, risiko, dan kondisi berhenti).
3. Sistem AI menyarankan atau melakukan tindakan yang melewati interlock, pembatas suhu, atau batas dosis (Bab 6 tentang keadaan aman perangkat lunak kendali).
4. Jawaban AI memuat angka seperti dosis, suhu, arus, atau torsi tanpa sumber. Periksa dengan Takar, bab Academy, dan manual pabrik; bila tidak cocok, angka itu tidak dipakai.
5. Kondisi berubah dari kondisi data latih, misalnya sesudah renovasi atau penggantian mesin. Perkiraan sistem diperlakukan belum tervalidasi sampai diperiksa ulang (Bab 2 · Data & Pengukuran tentang variasi dan ringkasan data).
6. Keputusan tentang tamu atau karyawan diambil hanya dari pemrosesan otomatis (UU PDP Pasal 10, Bab 14 tentang AI untuk pekerjaan teknik).
7. Pekerjaan memerlukan status hukum regulasi AI; periksa JDIH atau peraturan.go.id, karena status dapat berubah sesudah 18 Oktober 2026.

Salah tafsir yang sering terjadi

Hubungan dengan bab lain

Bab 8 menjelaskan isi model bahasa besar, Bab 9 cara jawabannya dibentuk dan diperiksa, Bab 10 dan Bab 11 produk dan tingkat model, Bab 12 agen, Bab 13 cara memberi perintah, dan Bab 14 AI dalam pekerjaan teknik. Bab 16 merinci respons pemerintah terhadap AI, dan Bab 15 polemik yang memicunya. Bab 1 membahas otomasi berbasis aturan sebagai pembanding, Bab 6 keadaan aman, Bab 9 · Data & Pengukuran catatan lapangan sebagai data, Bab 2 · Data & Pengukuran ringkasan kesalahan, Bab 1 · Sistem, Diagram & Diagnosis umpan balik, Bab 4 · Satuan & Matematika kewajaran angka, dan Bab 1 · Keselamatan kondisi berhenti.

Latihan dan pembahasan

Angka dalam soal adalah data latihan kecuali disebut berasal dari sumber.