Sains + Teknologi – The Conversation

Saat kesalahan karya ilmiah dibiarkan: Penerbit tetap untung, publik yang rugi

2026-01-20T02:26:36Z

● Kesalahan di jurnal ilmiah bisa berdampak besar, tetapi sering lambat dikoreksi.

● Sistem penerbitan akademik yang berorientasi keuntungan acap abai akan kesalahan.

● Diperlukan reformasi agar koreksi cepat dan terbuka dihargai sebagai bagian inti dari sains.

Karya ilmiah yang keliru bukan cuma memenuhi jurnal ilmiah, tapi juga bisa menyesatkan kebijakan, membuang-buang dana publik, dan bahkan bisa membahayakan nyawa manusia.

Sayangnya, kesalahan seperti ini masih terjadi di jurnal-jurnal ilmiah ternama karena mekanisme koreksi yang tidak berjalan dengan baik. Hal ini terlihat jelas dari pengalaman yang kami alami.

Pada Maret 2025, jurnal Communications Earth & Environment menerbitkan hasil penelitian yang mengklaim bahwa sertifikasi kelapa sawit membuat hasil panen turun dan memicu pembukaan lahan baru.

Namun, setelah kami telusuri ulang, kesimpulan studi tersebut ternyata keliru. Penulis tersebut salah menafsirkan data citra satelit.

Penurunan produksi sebenarnya hanya sementara karena kebun sedang dalam proses peremajaan tanaman, bukan karena area produksi kelapa sawit benar-benar berkurang. Setelah kami koreksi, data menunjukkan tidak ada penurunan produksi.

Dengan demikian, kesimpulan studi tersebut yang menyatakan bahwa sertifikasi meningkatkan pembukaan lahan, tidak berdasar.

Kami lantas meminta agar tulisan tersebut ditarik. Namun, permintaan kami ditolak penerbit. Kami diminta mengajukan teks sanggahan, tetapi sudah hampir setahun berlalu, sanggahan kami masih dalam proses peninjauan.

Contoh lain terjadi pada riset yang diterbitkan jurnal Nature pada 2023 tentang perkiraan deforestasi akibat perkebunan karet. Studi itu salah mengambil sampel, sehingga dampak deforestasi yang dilaporkan terlihat jauh lebih besar daripada kenyataannya.

Koreksi yang kami ajukan baru terbit hampir dua tahun kemudian, dan itu pun terbit di balik paywall alias hanya bisa diakses dengan membayar. Sementara, riset bermasalah tersebut sudah dikutip 98 kali dan memengaruhi berbagai laporan kebijakan.

Kedua makalah ini lolos dari penelaahan sejawat di jurnal-jurnal ilmiah terkemuka. Hal ini menunjukkan bahwa, bahkan di jurnal top internasional pun, kesalahan bisa tersebar sama mudahnya seperti temuan ilmiah yang benar.

Mengapa kesalahan ini sulit diperbaiki?

Kasus-kasus ini—dan masih banyak lagi—menunjukkan bahwa “mesin koreksi akademis” sedang macet. Hanya sedikit jurnal yang memprioritaskan penarikan atau ralat. Sementara peneliti yang mencoba mengungkap kesalahan sering kali tidak mendapatkan dukungan.

Dunia akademis sering kali lebih menghargai hal baru ketimbang akurasi. Karier seorang peneliti bergantung pada publikasi baru, bukan pada koreksi yang teliti.

Kritik pascapublikasi jarang dianggap penting. Mengakui kesalahan bisa merusak reputasi, sementara mengungkap kekeliruan orang lain berisiko menuai kecaman.

Dalam konteks seperti ini, tak heran jika kesalahan—bahkan yang sudah diketahui—terus menumpuk. Penarikan artikel jarang terjadi, lambat, dan sering ditutupi. Bahkan, ada satu makalah di jurnal Nature yang baru ditarik 22 tahun kemudian, setelah hampir 4.500 kali dikutip.

Keterlambatan koreksi ini tentu berdampak serius. Di bidang medis, data yang keliru bisa menyebabkan keputusan klinis berbahaya. Misalnya kesalahan dalam studi Lancet (2020) tentang hidroksiklorokuin, yang kini sudah ditarik, sempat membuat proses uji klinis vaksin COVID-19 di dunia terhenti sementara.

Dalam konservasi, estimasi angka deforestasi berbasis satelit juga sering kali berbeda-beda sehingga membuat bingung pembuat kebijakan dan merusak kepercayaan terhadap bukti ilmiah.

Beragam studi menghasilkan data kehilangan hutan yang berbeda-beda pula, sehingga klaim saling bertentangan dan prioritas pun menjadi tidak jelas.

Bagaimana ini bisa terjadi?

Penyebab persoalan ini bersifat struktural dan saling memengaruhi—didorong oleh keuntungan dan tekanan.

Komersialisasi penerbitan akademik

Banyak pihak telah menyoroti masalah dalam sistem penerbitan karya ilmiah saat para ilmuwan, yang sering kali didanai uang publik, melakukan riset, menelaah artikel tanpa dibayar, lalu institusi mereka harus membayar biaya mahal untuk mengakses hasilnya. Di lain pihak, perusahaan swasta justru meraup keuntungan.

Menurut kami, akar masalah ini bisa ditelusuri dari sejarah pendirian perusahaan penerbitan karya ilmiah Pergamon Press oleh Robert Maxwell pada 1960-an di Inggris.

Maxwell mengubah penerbit tersebut menjadi “mesin penghasil uang abadi”. Ia memelopori model yang mengomersialkan prestise akademik dan ego peneliti, dan membangun kerajaan penerbitan yang mendominasi hingga kini.

Model Maxwell yang dipakai banyak perusahaan sampai saat ini sangat menguntungkan. Springer Nature, misalnya, melaporkan margin laba sekitar 28% dari total pendapatan yang mencapai €2 miliar (Rp39,22 triliun). Perusahaan lainnya, Elsevier dan Wiley, mencatat margin operasional yang bahkan lebih tinggi.

Kini, penerbitan akademik menjadi salah satu industri paling menguntungkan. Ironisnya, keuntungan ini diperoleh berkat kerja keras para akademisi yang tidak dibayar—misalnya, penelaahan sejawat saja memakan lebih dari 100 juta jam per tahun.

Penerbit pun membatasi akses publik terhadap hasil riset, sehingga mereka yang membutuhkan terpaksa membayar.

Penelaahan sejawat dan ketimpangan akses

Penelaahan sejawat, sebagai penjaga integritas ilmiah, kewalahan karena jumlah naskah yang harus ditinjau terus meningkat.

Peneliti di banyak negara kini mempercepat produksi ilmiah, terlebih dengan bantuan alat AI yang mempermudah produksi. Bahkan Nature baru-baru ini menyebut situasi ini sebagai “krisis peer-review”.

Jumlah riset yang ditarik penerbit sudah melebihi 10 ribu pada 2023 dan terus meningkat. Kita bisa melihat ini bukan sebagai tanda sistem koreksi yang sehat, melainkan sebagai bukti krisis kontrol kualitas.

Di saat yang sama, paywall dan biaya publikasi akses terbuka (APC) menghalangi banyak peneliti yang sebenarnya mampu melakukan koreksi. Misalnya, biaya APC Nature kini mencapai €10.690 (sekitar Rp210 juta). Akibatnya, banyak peneliti dari negara berpendapatan rendah sulit untuk menerbitkan, mengakses, atau mengoreksi karya ilmiah.

Pendapatan ganda bagi penerbit: peneliti membayar untuk menerbitkan, pembaca membayar untuk membaca.

Secara teori, sains bersifat mengoreksi diri. Sayangnya, sistem yang mengutamakan keuntungan dan prestise hanya akan melakukan koreksi jika terpaksa. Itu pun sangat lambat.

Saatnya berbenah

Sains maju bukan karena selalu benar, melainkan karena tahu saat ia keliru—dan memperbaikinya. Reformasi sistemik semestinya memandang koreksi cepat sebagai tanda integritas, bukan cap kegagalan.

Platform koreksi terbuka, data bersama, dan bantuan alat penelaahan AI sebenarnya sudah memungkinkan peninjauan kolektif yang cepat. Namun, yang kurang adalah insentif dan keberanian untuk menjadikannya norma baru.

Jika penerbit bisa meraup untung dari kesalahan di balik paywall, mereka seharusnya juga mampu menyediakan koreksi terbuka. Jika institusi dan pemberi dana bisa menghitung jumlah makalah dan sitasi, mereka mestinya juga bisa menghitung koreksi.

Jurnal ilmiah perlu memastikan koreksi terlihat jelas, bergengsi, dan bisa disitasi, serta memperluas model “diamond open access”. Akses yang lebih luas berarti pengawasan lebih ketat dan perbaikan lebih cepat.

Institusi seharusnya menghargai transparansi daripada sekadar kuantitas. Pemberi dana perlu mendukung verifikasi pascapublikasi. Peneliti pun sebaiknya memilih penerbit yang mengutamakan ketelitian daripada sensasi.

Pembaca bisa mendorong universitas masing-masing bergabung dengan cOAlition S untuk mendukung koreksi yang lebih adil dan cepat. Pembaca pun dapat berperan—misalnya dengan memeriksa Retraction Watch sebelum mengutip.

Perangkat untuk koreksi yang lebih cepat dan adil sebenarnya sudah ada—yang kurang hanyalah kemauan untuk menggunakannya.

Kesalahan itu tak terelakkan, tetapi diam dan pasrah bukan pilihan. Sebab, kekuatan sains bukan karena ia tidak pernah salah, melainkan pada seberapa mampu dan terbuka ia memperbaiki dirinya sendiri.

Para penulis tidak bekerja, menjadi konsultan, memiliki saham atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi di luar afiliasi akademis yang telah disebut di atas.

AI bisa makin pintar tanpa mengintip data pribadi kita: Mengenal ‘federated learning’

2026-01-19T08:11:20Z

(Thanmano/Shutterstock)

● Federated learning memungkinkan AI belajar tanpa mengirim data pribadi ke server.

● Teknologi ini menjaga privasi pengguna sambil tetap meningkatkan kecerdasan sistem.

● Federated learning jadi jalan tengah bagi kemajuan AI dan perlindungan data.

Pernahkah kamu merasa takjub saat keyboard ponsel bisa menebak kata yang akan kamu ketik? Atau saat aplikasi kesehatan memberi rekomendasi yang sangat personal?

Di balik kepintaran itu, ada kecerdasan buatan (AI) yang terus belajar dari kebiasaan kita. Masalahnya, cara konvensional melatih AI mengharuskan data kita dikirim ke server pusat milik perusahaan teknologi.

Bayangkan semua pesan, riwayat pencarian, dan kebiasaan kita terkumpul di satu tempat. Ini ibarat memaksa semua siswa pindah ke satu sekolah raksasa untuk belajar: Boros, ribet, dan rentan bocor.

Kabar baiknya, ada cara lain yang lebih aman. Namanya federated learning.

Guru yang datang ke rumah

Federated learning mengubah cara AI belajar. Jika cara lama mengharuskan data kita “pergi” ke server, cara baru ini justru mengirim algoritma AI ke perangkat kita.

Analoginya sederhana. Cara lama seperti menyuruh semua pasien datang ke satu rumah sakit pusat. Cara baru seperti dokter yang berkunjung ke rumah masing-masing pasien.

Gambaran soal besarnya kebutuhan energi untuk pusat data.

Dalam federated learning, AI belajar langsung di ponsel atau komputer kita. Setelah selesai, AI hanya mengirim “rangkuman hasil belajar” ke server, bukan data mentahnya.

Data foto, pesan, dan kebiasaan kita tetap tersimpan aman di perangkat sendiri.

Sudah dipakai Google

Federated learning bukan sekadar teori. Google sudah menerapkannya sejak 2017 untuk keyboard Gboard di ponsel Android.

Saat kita mengetik, Gboard mempelajari pola kata yang sering kita pakai. Proses belajar ini terjadi di ponsel kita. Yang dikirim ke Google hanya pola umum, bukan isi ketikan kita.

Apple juga menggunakan pendekatan serupa untuk Siri dan keyboard QuickType di iPhone. Mereka menyebutnya differential privacy yang dikombinasikan dengan pemrosesan lokal.

Menjaga rahasia medis

Federated learning punya potensi besar di dunia kesehatan. Selama ini, riset AI medis terkendala aturan privasi yang melarang berbagi data pasien antar-rumah sakit.

Dengan federated learning, peneliti bisa melatih AI menggunakan data dari berbagai rumah sakit tanpa memindahkan rekam medis ke satu tempat.

Sebuah studi di jurnal Nature menunjukkan teknik ini berhasil mendeteksi tumor otak menggunakan data dari lembaga medis di beberapa negara. Data pasien tetap aman di masing-masing rumah sakit.

Ini membuka peluang riset lintas negara tanpa melanggar aturan privasi seperti regulasi perlindungan data (GDPR) di Uni Eropa.

Bukan tanpa tantangan

Federated learning bukan solusi sempurna. Karena proses belajar terjadi di perangkat pengguna, ponsel kita harus bekerja lebih keras.

Penelitian terbaru menunjukkan federated learning bisa menguras baterai dan membutuhkan koneksi internet stabil. Perangkat murah dengan prosesor lemah mungkin kesulitan menjalankan proses ini.

Ada juga tantangan keamanan. Meski data asli tidak dikirim, pola hasil pembelajaran tetap bisa membocorkan informasi sensitif jika tidak dilindungi dengan baik.

Para peneliti terus mengembangkan teknik tambahan, seperti secure aggregation dan differential privacy untuk menutup celah ini.

Secure aggregation adalah teknik kriptografi yang memungkinkan server menggabungkan pembarian model dari berbagai klien tanpa bisa melihat update masing-masing klien secara individual. Penelitian tahun 2022 menunjukkan bahwa teknik ini bisa melindungi privasi pengguna sambil tetap mempertahankan efisiensi komunikasi, bahkan ketika banyak pengguna lagi menggunakan suatu AI tersebut.

Sementara itu, differential privacy memberikan jaminan matematis bahwa output model tidak akan berubah secara signifikan meskipun data satu individu ditambahkan atau dihapus. Teknik ini menambahkan “noise” (gangguan) ke dalam proses pembelajaran AI. Analoginya seperti mencampurkan suara latar belakang di ruang rapat: kita bisa mendengar kesimpulan umum, tapi tidak bisa mengidentifikasi suara individu.

Studi tahun 2022 menunjukkan kombinasi differential privacy dengan secure aggregation bisa memberikan perlindungan ganda: server tidak melihat update individual, dan hasil pengolahan data juga terlindungi dari analisis statistik yang mendalam.

Jalan tengah yang menjanjikan

Di tengah kekhawatiran global soal privasi dan penyalahgunaan data oleh perusahaan teknologi besar, federated learning menawarkan harapan.

Kita tidak harus memilih antara “memakai AI, tapi privasi hilang” atau “menjaga privasi, tapi teknologi bodoh”. Ada jalan tengahnya.

Tentu masih banyak pekerjaan rumah. Namun, arah pengembangannya sudah jelas: AI masa depan harus bisa pintar tanpa harus mengintip data pribadi kita.

Baca juga: Bisakah anggota DPR digantikan AI?

Rachmad Andri Atmoko tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

‘Gene editing’ di Indonesia: Bisakah bioteknologi baru menjawab masalah klasik pertanian?

2026-01-06T05:06:34Z

● Teknologi gene editing menawarkan peluang meningkatkan kualitas tanaman tanpa menambah gen asing.

● Namun, masalah pertanian sesungguhnya adalah ketimpangan akses lahan, modal, benih, dan pasar.

● Penerimaan publik menuntut keterlibatan bermakna dan dialog sejak awal, bukan hanya keunggulan teknis.

Indonesia menghadapi dilema yang sama dengan banyak negara berkembang lainnya: bagaimana memberi makan populasi penduduk yang terus bertambah sambil tetap menjaga kekayaan biodiversitasnya.

Ketahanan pangan saat ini menjadi isu yang sangat mendesak di tengah ancaman kekeringan, serangan hama, dan perubahan iklim. Para ilmuwan terus berupaya mencari jawaban melalui teknologi baru. Bioteknologi—khususnya teknologi penyuntingan gen (gene editing/GE)—muncul sebagai salah satu solusi potensial.

Namun, pandangan masyarakat Indonesia terhadap GE sangat beragam. Sebagian mendukung teknologi ini, sementara yang lain menolaknya.

Para ilmuwan adalah kelompok yang melihat teknologi ini sebagai peluang besar untuk meningkatkan kualitas tanaman pangan pokok seperti padi dan memperkuat ketahanan gizi.

Akan tetapi, masih banyak pertanyaan yang mengganjal. Apakah GE benar-benar bisa mendukung petani kecil dan membantu Indonesia mencapai kedaulatan pangan? Ataukah teknologi ini justru akan memunculkan kembali kontroversi lama seputar tanaman hasil rekayasa genetika?

Studi kami pada 2024 yang melibatkan berbagai pemangku kepentingan di Indonesia menunjukkan bahwa solusi teknis tidak cukup untuk mengatasi masalah pangan. Agar diterima, teknologi GE harus mampu menjawab persoalan ketimpangan sosial—seperti akses lahan yang tidak merata—yang kerap dihadapi para petani.

Penyuntingan gen vs modifikasi genetik: apa bedanya?

Baik penyuntingan gen (GE) maupun modifikasi genetik (GMO) sama-sama merujuk pada organisme yang materi genetiknya diubah oleh manusia untuk menghadirkan sifat-sifat unggul yang diinginkan, seperti tahan penyakit atau saat kondisi kekeringan.

Perbedaannya, modifikasi genetik umumnya melibatkan penyisipan gen dari spesies lain ke dalam suatu organisme.

Sementara itu, gene editing hanya melakukan perubahan kecil pada DNA organisme yang ditarget. Dengan kata lain, teknologi ini meningkatkan kualitas tanaman tanpa menambahkan gen asing.

Mereka yang setuju dengan teknologi ini berpendapat bahwa pendekatan ini membuat penyuntingan gen lebih aman dan lebih diterima publik ketimbang GMO.

Namun, mereka yang mengkritik mengingatkan bahwa meskipun metodenya baru, pertanyaan lama tetap sama: siapa yang mengendalikan teknologi ini? Siapa yang diuntungkan? Dan siapa yang bakal tertinggal?

Ketergantungan Indonesia pada impor

Pertanian Indonesia didominasi oleh petani kecil, dengan padi sebagai tanaman pangan pokok utama.

Meskipun produksi padi dan sejumlah komoditas pertanian lain meningkat, Indonesia masih perlu mengimpor komoditas penting seperti jagung dan kedelai dari Amerika Serikat untuk memenuhi kebutuhan sehari-hari, termasuk produksi tempe dan tahu.

Hal serupa juga terjadi pada pakan ternak, yang masih sangat bergantung pada impor kedelai hasil rekayasa genetika dari Argentina and Brasil.

Pelajaran dari masa lalu: kegagalan lama dalam menghadapi teknologi baru

Untuk mengurangi ketergantungan impor, pemerintah Indonesia merevisi regulasi terkait tanaman hasil rekayasa genetika untuk memungkinkan produksi dalam negeri.

Penanaman komersial pertama tanaman hasil modifikasi genetik, yaitu kapas Bt pada 2001–2002. Namun, proyek ini akhirnya gagal setelah perusahaan penyedia benih, Monsanto, menarik diri pada 2003 dengan alasan kendala regulasi dan keterbatasan lahan.

Antara 2003 hingga 2021, tidak ada tanaman hasil rekayasa genetika yang dibudidayakan secara komersial, kecuali tebu di area terbatas milik pemerintah.

Setelah pengalaman tersebut, pemerintah mulai melirik teknologi penyuntingan gen. Sejak 2021, varietas jagung, kentang, dan tebu telah disetujui untuk dibudidayakan secara komersial.

Meski produksi dalam negeri masih terbatas, Indonesia menjadi salah satu pengimpor utama komoditas hasil GE—terutama kedelai dan jagung—baik untuk konsumsi manusia maupun pakan ternak.

Saat ini, para peneliti di Badan Riset dan Inovasi Nasional (BRIN) tengah mengembangkan varietas hasil penyuntingan gen, termasuk padi, singkong, dan sorgum.

Pemerintah pun optimistis memandang teknologi ini sebagai cara untuk meningkatkan produktivitas dan mengurangi ketergantungan pada impor pangan. Namun, pertanyaan besar masih tersisa: bagaimana agar teknologi ini akan sampai ke tangan petani—dan dengan aturan main siapa?

Keadilan yang melampaui solusi teknis

Penyuntingan gen sering dipromosikan sebagai solusi teknis cepat untuk persoalan pertanian yang kompleks. Padahal, keberhasilan dan penerimaan publik terhadap teknologi ini sangat bergantung pada faktor di luar sains.

Ia bertumpu pada sistem sosial dan ekonomi yang lebih luas: siapa yang memiliki akses terhadap benih, siapa yang menguasai pengetahuan, dan siapa yang menentukan perubahan genetik macam apa yang dibutuhkan.

Studi kami menunjukkan bahwa banyak pihak masih belum sepenuhnya memahami teknologi ini. Antara April hingga Agustus 2024, kami mewawancarai 11 pemangku kepentingan di Indonesia, termasuk kelompok petani, pejabat pemerintah, peneliti, LSM, dan asosiasi konsumen.

Banyak peserta dari masyarakat sipil dan serikat petani menyoroti persoalan “diseminasi"—yakni kurangnya pemahaman bersama tentang peran teknologi gen dalam masa depan pertanian Indonesia. Mereka juga menekankan pentingnya memprioritaskan petani kecil, yang hingga kini masih mendominasi sektor pertanian.

Penyuntingan gen memang bisa menghasilkan tanaman yang lebih unggul seperti tahan kekeringan. Namun, teknologi ini tidak mampu menyelesaikan masalah utama petani kecil, yakni ketimpangan akses terhadap lahan, modal, dan pasar.

Seorang perwakilan asosiasi konsumen yang kami wawancarai menyoroti risiko "bias modal”. Ia mengingatkan bahwa petani bisa berujung menjadi “karyawan” perusahaan alih-alih produsen mandiri jika mereka didorong mengadopsi teknologi baru tanpa informasi yang transparan.

Perwakilan Serikat Petani Indonesia juga menyuarakan kekhawatiran tentang paten benih. Mereka memperingatkan bahwa benih lokal bisa direproduksi di laboratorium, diklasifikasikan ulang, lalu dipatenkan demi keuntungan.

Inovasi sering diperlakukan sebagai ranah para ilmuwan, sementara implikasi sosial dan etisnya diserahkan kepada pihak lain untuk dipikirkan belakangan.

Semua kelompok kepentingan sepakat bahwa keterlibatan publik sangat penting dalam pengembangan teknologi ini, tetapi sayangnya belum ada yang siap memimpin upaya tersebut.

Membentuk masa depan bersama

Penyuntingan gen berpotensi berperan penting dalam masa depan pangan Indonesia, tetapi itu tidak bisa terjadi jika pendekatannya “teknologi dulu, konsultasi belakangan”.

Komunikasi yang baik menuntut pembahasan inovasi di luar lingkaran ilmuwan dan keterlibatan bermakna dari mereka yang turut membentuk sistem pertanian dan pangan, khususnya kaum perempuan.

Sebagai penyedia pangan, juru masak, dan pengambil keputusan di tingkat rumah tangga, perempuan petani memiliki posisi strategis untuk berperan dalam menggerakkan dan melibatkan komunitas mereka.

Ketangguhan mereka merupakan sumber daya penting bagi kemajuan daerah. Para pembuat kebijakan dan peneliti perlu berinvestasi bukan hanya pada laboratorium, tetapi juga pada pembangunan kepercayaan, dialog, dan kolaborasi yang nyata dengan petani serta masyarakat lokal.

Bioteknologi mungkin menawarkan seperangkat alat yang kuat, tetapi bukan solusi ajaib. Kita perlu memahami konteks sosial dan budaya yang spesifik di setiap wilayah untuk menentukan apakah—dan di mana—teknologi ini benar-benar bermanfaat.

Langkah Indonesia ke depan akan sangat bergantung pada pengakuan bahwa inovasi ilmiah dan inklusi sosial harus tumbuh seiring. Hanya dengan menyelaraskan keduanya, penyuntingan gen dapat benar-benar berkontribusi pada sistem pangan yang adil, berkelanjutan, dan berakar pada budaya lokal.

Emily A. Buddle menerima dana dari Departemen Industri Primer dan Wilayah Australia Selatan, Australian Research Council dan Meat and Livestock Australia. Saat ini, ia menjabat sebagai Fellow Inovasi di Australian Research Council Training Centre for Future Crops Development. Ia juga merupakan seorang petani di wilayah tengah utara Australia Selatan.

Gloria Fransisca Katharina Lawi bekerja sebagai peneliti di Pusat Bioteknologi Universitas Gadjah Mada untuk KONEKSI. Program ini didanai oleh pemerintah Australia dan Indonesia untuk mempromosikan kemitraan pengetahuan.

Joan Leach menerima dana penelitian dari Australian Research Council, National Health and Medicine Research Council, Kavli Foundation, dan UN FAO. Ia merupakan peneliti utama di ARC International Training Center for Future Crops.

Kegagalan berantai: Bagaimana listrik padam memicu krisis baru dalam Siklon Senyar Aceh

2025-12-17T02:08:32Z

Pekerja memasang menara listrik darurat di Bireuen Aceh (ESDM)

● Pemadaman listrik Siklon Senyar memicu kegagalan sistem berantai komunikasi dan layanan publik.

● Runtuhnya pasokan energi melumpuhkan fasilitas vital, logistik, serta menghancurkan ekonomi harian warga.

● Krisis diperparah oleh manajemen pemerintah yang buruk dan ketiadaan diversifikasi sumber energi.

Pemadaman listrik di Banda Aceh pada malam 28 November 2025 menjadi penanda awal situasi yang kemudian dikenal sebagai Siklon Senyar. Meski Banda Aceh relatif lebih aman dibanding sejumlah kabupaten dan kota lain di Sumatra, suasana krisis tetap ada.

Dalam kondisi rumah yang gelap akibat pemadaman listrik, warga berulang kali memeriksa ponsel untuk memastikan ketersediaan sinyal dan memperoleh kabar dari keluarga di daerah lain. Beberapa jam setelah pemadaman pertama, jaringan internet pun turut melemah secara signifikan.

Bagi warga setempat, saat itu yang hilang bukan hanya listrik, tetapi juga rasa aman—termasuk keyakinan bahwa rumah dan infrastruktur dasar di sekitarnya mampu melindungi mereka dari ancaman lanjutan.

Pemadaman listrik berkepanjangan kemudian memicu rangkaian kegagalan lanjutan. Rangkaian ini dimulai dari terputusnya komunikasi, terganggunya layanan publik hingga tidak berfungsinya bangunan serta fasilitas vital. Semuanya memantik kekacauan aktivitas sosial dan ekonomi secara berantai.

Dalam kajian kebencanaan, fenomena tersebut dikenal sebagai cascading failures, yakni kegagalan satu sistem infrastruktur yang memicu kegagalan sistem lain secara berlapis.

Dalam kondisi bencana, termasuk badai Senyar, listrik kerap menjadi titik awal runtuhnya keterhubungan antarsistem—energi, struktur bangunan, komunikasi, dan layanan publik.

Alhasil, bencana tidak hanya dipahami sebagai dampak cuaca ekstrem atau kerusakan fisik, tetapi sebagai krisis yang saling terkait.

Dari mati lampu ke krisis informasi

Keandalan pasokan listrik di Banda Aceh dan sejumlah kota lain di Aceh sangat bergantung pada pembangkit listrik tenaga uap (PLTU) Nagan Raya dengan dukungan PLTU Arun.

Bahkan sebelum badai Senyar, sistem ini sudah relatif tidak stabil, ditandai oleh pemadaman bergilir rutin di kondisi normal. Ketergantungan pada infrastruktur distribusi yang melintasi daerah aliran sungai—wilayah dengan potensi banjir tinggi—membuat sistem kelistrikan semakin rentan terganggu.

Ketika listrik padam, sistem komunikasi kemudian lumpuh. Menara BTS berhenti beroperasi, internet terputus, dan jaringan seluler melemah. Masyarakat kesulitan memperoleh informasi resmi, memastikan kondisi keluarga, dan menghubungi layanan darurat.

Ketika kanal utama tidak berfungsi, informasi simpang siur bahkan hoaks menyebar cepat. Pada saat yang sama, koordinasi pemerintah untuk menanggulangi kondisi tersebut kerap terganjal karena laporan lapangan yang diterima tidak terlaporkan secara real time.

Efek domino yang melumpuhkan kota

Efek domino selanjutnya menjalar ke layanan publik dan fasilitas vital. Tidak semua rumah sakit, puskesmas, dan fasilitas publik memiliki genset sebagai sumber energi cadangan, terutama di wilayah pedalaman. Sementara fasilitas yang memilikinya pun sering menghadapi keterbatasan kapasitas dan durasi operasi.

Akibatnya, operasional alat medis, pendinginan obat, dan sistem data kesehatan yang bergantung pada pasokan listrik terganggu dan justru memperparah situasi. Pemadaman listrik turut mengganggu sistem air bersih dan sanitasi karena pompa berhenti bekerja, meningkatkan risiko penyakit—terutama bagi lansia, pasien kronis, ibu, dan anak.

Celakanya, di Banda Aceh, pasokan air bersih yang dijalankan perusahaan daerah air minum (PDAM) berbasis pompa listrik. Pada saat yang sama, sektor transportasi dan logistik ikut terganggu akibat terbatasnya operasional SPBU dan tersendatnya distribusi BBM. Hambatan ini memicu antrean panjang serta kepanikan ekonomi di sejumlah wilayah.

Gangguan listrik juga memicu gangguan serius pada sistem bahan bakar dan logistik. Distribusi BBM dan gas terganggu karena ketergantungan pada listrik, menyebabkan banyak SPBU beroperasi terbatas atau tutup. Antrean kendaraan mengular sehingga menghambat mobilitas warga, logistik, dan layanan darurat.

Roda perekonomian macet

Bagi masyarakat Aceh, berbagai krisis tersebut memicu runtuhnya ekonomi harian secara cepat. Ini ditandai dengan terhentinya aktivitas UMKM, melambatnya pasar, dan lumpuhnya sektor jasa.

Pada saat yang sama, pekerja harian kehilangan penghasilan sementara harga kebutuhan hidup justru meningkat akibat kelangkaan dan hambatan distribusi. Krisis pun terlihat dari lonjakan harga kebutuhan pokok, termasuk cabai yang sempat mencapai sekitar Rp250 ribu per kilogram.

Kondisi ini menegaskan bahwa terganggunya pasokan listrik bukan sekadar masalah teknis, melainkan pemicu krisis ekonomi rumah tangga yang berlapis, dengan dampak paling berat dirasakan oleh kelompok berpenghasilan rendah yang sepenuhnya bergantung pada jaringan listrik publik.

Ketidakpastian kebijakan dan kepemimpinan yang terbelah

Pelemahan ekonomi harian selama badai Senyar diperparah oleh ketidakpastian kebijakan dan lemahnya koordinasi lintas pemerintah.

Di tingkat nasional, pernyataan yang meremehkan dampak Siklon Senyar menunjukkan kesenjangan antara klaim dan realitas di lapangan.

Pada saat yang sama, krisis ini memunculkan kepemimpinan yang terfragmentasi. Pemerintah bahkan menyebarkan misinformasi atas klaim bohong terkait kondisi listrik di Aceh.

Meski Presiden telah beberapa kali mengunjungi Aceh, langkah strategis pemerintah pusat untuk memutus rantai krisis belum tampak jelas sehingga tekanan akibat kegagalan sistem yang terjadi secara bersamaan terus mengaburkan batas antara krisis teknis dan krisis tata kelola.

Bangunan berdiri, sistem tidak berfungsi

Siklon Senyar mengajarkan kita semua bahwa ketahanan bangunan tidak cukup diukur dari kekuatan struktur fisik. Banyak bangunan publik dan fasilitas layanan masih berdiri, tetapi tidak dapat difungsikan karena ketiadaan energi.

Tanpa diversifikasi energi dan contingency plan yang jelas, bangunan-bangunan ini berubah menjadi “cangkang kosong” yang memperpanjang dampak bencana dan memperlambat proses pemulihan ketika krisis berlangsung berhari-hari.

Badai Senyar menunjukkan bahwa ketergantungan pada satu sumber energi merupakan kerentanan struktural. Ketika listrik padam dan BBM langka, seluruh sistem—bangunan, layanan publik, dan ekonomi—ikut runtuh.

Karena itu, diversifikasi energi harus ditempatkan sebagai agenda utama pengurangan risiko bencana. Diversifikasi ini harus terintegrasi dengan bangunan dan layanan publik melalui energi terbarukan skala kecil, microgrid, dan sistem cadangan energi tersebar yang menjadi bagian dari contingency plan, bukan sekadar proyek tambahan.

Yang tidak kalah penting, contingency plan harus bersifat operasional: menjawab siapa berbuat apa, dengan sumber daya apa, dan untuk berapa lama.

Yunita Idris tergabung dalam Satuan Tugas Respons Senyar Universitas Syiah Kuala dan tim kaji cepat infrastruktur terdampak Senyar

Alfi tergabung dalam Satuan Tugas Respons Senyar Universitas Syiah Kuala

Tanggap darurat atau gagap darurat? Absennya kepemimpinan bencana Banjir Sumatra

2025-12-12T02:19:49Z

Presiden Prabowo Subianto meninjau pembangunan Jembatan Bailey Teupin Mane, ruas vital penghubung Bireuen-Takengon di Kabupaten Bireuen, Provinsi Aceh, Minggu, 7 Desember 2025. (Rusman/BPMI Setpres)

● Absennya pemerintah pusat menghambat koordinasi dan efektivitas tanggap darurat banjir Sumatra.

● Minimnya kepemimpinan menyebabkan distribusi bantuan tidak merata dan tidak tepat sasaran.

● BNPB perlu memimpin lewat posko, peta bencana, kerja sama, dan komunikasi rutin.

Banjir bandang yang menerjang Sumatra Utara, Sumatra Barat, dan Aceh telah mengundang ribuan relawan, dari berbagai lembaga atau komunitas, ke kawasan terdampak.

Di sana, ada yang mengumpulkan dan mendistribusikan bantuan. Ada yang mencari dan mengevakuasi korban, membuat pelayanan kesehatan darurat, dan lainnya.

Fenomena itu memang menunjukkan solidaritas dan empati sosial yang tinggi dari masyarakat Indonesia. Namun, di sisi lain, fenomena tersebut menandai hal krusial yang perlu kita kritisi: absennya pemerintah sebagai pemimpin dalam upaya tanggap darurat. Otoritas seakan hanya menjadi salah satu dari ratusan pihak yang terjun ke lokasi bencana.

Di Banda Aceh, misalnya, kami melihat bagaimana para pihak merespons bencana sendiri-sendiri. Badan Penanggulangan Bencana Aceh mendirikan posko tanggap darurat di Kantor Gubernur Aceh. Badan Nasional Penanggulangan Bencana (BNPB) mendirikan posko terpisah di Lapangan Udara Sultan Iskandar Muda. Sementara para pemberi bantuan lebih suka menyalurkan bantuan langsung tanpa berkoordinasi dengan BPBA atau BNPB.

Siapa yang seharusnya memimpin?

Pemerintah pusat, melalui BNPB, seharusnya berperan memimpin upaya tanggap darurat. Apalagi bencana terjadi di lintas provinsi, sehingga memerlukan lembaga tingkat nasional untuk mengorkestrasi penanggulangan bencana di semua kawasan.

Dalam situasi darurat, kepemimpinan mumpuni dalam merespons bencana sangat dibutuhkan untuk mengoordinasikan pencarian dan penyelamatan para penyintas. Apalagi penyelamatan mereka yang mungkin masih bertahan di sela-sela reruntuhan.

Koordinasi juga dibutuhkan agar distribusi bantuan merata ke semua kawasan terdampak dan sesuai dengan kebutuhan penyintas.

Peran lainnya pemetaan kawasan terdampak dan kebutuhan para penyintas, pendirian fasilitas evakuasi, penanganan kesehatan, serta pembukaan jalur darat darurat untuk distribusi logistik.

Koordinasi juga harus dilakukan terkait komunikasi publik dalam situasi tanggap darurat. Sebab, dalam krisis setelah bencana, biasanya akan muncul desas-desus, isu, hoax, dan disinformasi. Tanpa komunikasi yang terarah, bencana komunikasi berisiko menjadi bencana kedua.

Tak hanya tanggap darurat, pemerintah pusat juga berperan dalam tahap pemulihan dan rekonstruksi pascabencana. Ini terutama untuk menjawab pertanyaan: siapa yang akan membangun kembali infrastruktur publik dan rumah warga, siapa saja yang akan terlibat dalam pemulihan? Di mana mereka akan bekerja?

Akibat dari absennya kepemimpinan bencana

Kepemimpinan bencana yang kuat dan adaptif akan bertindak cepat, tapi tetap berfokus pada tujuan tanggap darurat terpenting, yaitu menyelamatkan para penyintas.

Sementara absennya kepemimpinan dalam tanggap darurat bencana justru berisiko menambah kesulitan penyintas.

1. Bantuan tak tepat sasaran

Pertama, bantuan akan tersebar secara acak, tidak berdasarkan kebutuhan nyata di lapangan.

Banyak relawan mendistribusikan bantuan berdasarkan jejaring personal karena mengenal seseorang di kawasan itu. Akan sangat mungkin bantuan akan menumpuk dan berlebih di lokasi tertentu. Padahal, bantuan tersebut masih sangat dibutuhkan di kawasan terdampak lain.

Jika hal ini dibiarkan, akan menimbulkan dampak lanjutan, misalnya kecemburuan dan konflik sosial di antara kelompok pengungsi.

Selain tak merata, koordinasi yang minim bisa membuat bantuan tak sesuai dengan kebutuhan pengungsi. Dalam konteks ini, kita perlu menaruh perhatian pada kebutuhan kelompok rentan, misal pembalut lansia, susu balita, pembalut perempuan, serta kebutuhan penyandang disabilitas.

Dalam pengalaman tanggap darurat bencana lainnya, bantuan pakaian pantas pakai sering berlebih dan akhirnya menjadi sampah sehingga memperburuk situasi di daerah terdampak bencana.

2. Ego sektoral dan konflik kepentingan

Ketiadaan koordinasi distribusi bantuan akan cenderung mendorong ego sektoral dan titipan sponsor atau lembaga yang menangani penggalangan bantuan.

Ego kelembagaan ini kemudian memunculkan imaji bahwa yang paling berperan adalah yang paling banyak mengumpulkan bantuan. Kuantitas bantuan dianggap lebih penting daripada kualitas distribusi.

Lebih jauh, kondisi ini bisa menyebabkan pemberi bantuan abai terhadap cara berperilaku dan sikap empati ketika memberikan bantuan pada para penyintas.

3. Menganggu pemulihan pascabencana

Absennya kepemimpinan bencana yang dibiarkan berlarut-larut akan sangat berbahaya ketika memasuki fase pemulihan.

Dalam fase ini, infrastruktur publik dan rumah warga yang terdampak harus dibangun kembali atau diperbaiki. Begitu juga pemberian bantuan untuk membangkitkan aktivitas ekonomi.

Jika hal ini tidak dilakukan, maka dampak turunan yang makin buruk bisa terjadi, misalnya konflik sosial yang semakin mengeras, kelumpuhan ekonomi jangka panjang, krisis politik karena ketidakpercayaan pada pemerintah, dan lainnya.

Bagaimana mengorkestrasi tanggap darurat?

Ada empat hal yang perlu dilakukan pemerintah, baik di level pusat maupun provinsi, sebagai pemimpin dalam tanggap darurat bencana.

1. Mendirikan posko utama

Pemerintah daerah di masing-masing provinsi terdampak harus segera mendirikan posko utama yang mudah diakses berbagai pemangku kepentingan terkait, termasuk di dalamnya para donor, lembaga pemerintah, lembaga pemberi bantuan, kelompok-kelompok relawan, dan lainnya.

Selanjutnya, pemerintah pusat harus segera membentuk Pos Pendamping Nasional. Tujuannya untuk mengoordinasikan upaya tanggap darurat—termasuk penanganan bantuan—agar berjalan merata dan adil di semua provinsi terdampak.

2. Perkuat kerja sama

BNPB perlu mengundang, berkoordinasi, dan berkolaborasi dengan berbagai pihak yang telah terjun ke lokasi terdampak.

Undanglah mereka sebagai subjek untuk berkolaborasi, bukan sebagai ‘objek’ untuk diatur. Sebab, kolaborasi hanya akan berjalan ketika pihak-pihak yang terlibat diposisikan sebagai ‘subjek’ aktif yang berkontribusi bagi kolaborasi tersebut.

Penanganan bencana membutuhkan kolaborasi multipihak, tak bisa sendirian.

3. Peta kawasan terdampak

Peta kawasan bencana perlu segera dibuat oleh pemerintah daerah, bekerja sama dengan Pos Pendamping Nasional. Peta ini meliputi kawasan terdampak, kerusakan yang ada, jumlah penyintas, kebutuhan penyintas, dan informasi-informasi penting lainnya.

Peta ini harus diperbarui secara periodik sesuai dengan perkembangan penanganan bencana.

4. Konferensi pers rutin

Seperti halnya saat pandemi COVID-19, BNPB perlu menghelat konferensi pers secara rutin, setiap hari, di waktu yang spesifik. Konferensi pers ini bisa meningkatkan kepercayaan terhadap pemerintah.

Konferensi pers rutin dari pemerintah penting untuk: 1. Mengklarifikasi mana hoax, mana informasi yang akurat, 2. Menyampaikan perkembangan terkini penanganan bencana, 3. Menyampaikan bantuan apa saja yang masih dibutuhkan dan kontribusi apa yang bisa dilakukan publik.

Selain itu, jangan sampai konferensi pers mengumumkan informasi yang tidak relevan dengan kebutuhan publik. Misalnya informasi mengenai kedatangan pejabat ke lokasi bencana. Apalagi ini disertai upaya pencitraan tertentu yang justru melukai perasaan publik dan penyintas.

Muzayin merupakan relawan di infobencana.id dan berkontribusi dalam Satuan Tugas Bencana Senyar Universitas Syiah Kuala

Rizanna tergabung dalam Satuan Tugas Bencana Senyar Universitas Syiah Kuala

Banjir Sumatra: Respons pemerintah minim kemauan politik, pemulihan diputuskan secara tergesa

2025-12-05T09:40:57Z

Kondisi banjir yang melanda wilayah Kabupaten Padang Sidempuan Provinsi Sumatera Utara, Selasa (25/11) BPBD Kabupaten Padang Sidempuan

● Deteksi bencana tanpa komitmen politik menghasilkan respons lambat dan minim mitigasi.

● Ketiadaan deklarasi bencana nasional memperburuk penanganan bencana dan pemulihan masyarakat dalam jangka panjang.

● Dalam tiga bulan ke depan, diperlukan penilaian kerusakan dan kehilangan secara komprehensif termasuk identifikasi kebutuhan ‘blueprint’ pemulihan.

Banjir bandang yang berdampak ke 51 kabupaten di Sumatra Utara, Sumatra Barat, dan Aceh tak datang tiba-tiba.

Siklon Senyar sudah terdeteksi oleh Badan Meteorologi, Klimatologi, dan Geofisika sekitar delapan hari sebelumnya sejak terbentuk Bibit Siklon 95B. Lembaga ini pun mengirimkan peringatan ke pemerintah, otoritas daerah dan bahkan media, beberapa hari sebelumnya.

Siklon Senyar membawa jatah hujan sebulan yang tercurah dalam sehari. Berpadunya curah hujan ekstrem sejak 25 November dengan kerusakan lahan dan ekosistem hulu serta guncangan gempa dangkal bermagnitudo 6,4 tanggal 27 November, memperburuk longsor dan banjir bandang. Dampaknya sistemik, yakni 3,3 juta jiwa terdampak.

Alhasil, lebih dari 800 penduduk meninggal dunia, lebih dari 500 penduduk belum ditemukan, dan ribuan warga luka-luka. Puluhan ribu bangunan dan infrastruktur rusak di 51 kabupaten kota juga rusak.

(The Conversation Indonesia)

Antisipasi yang kurang terukur dan penilaian dampak yang prematur bahwa banjir Sumatra hanya mencekam di media sosial memberi petunjuk kurang tegas bagi presiden untuk segera menetapkan status bencana nasional.

Kesigapan negara merespons Siklon Senyar pun dipertanyakan. Walau diakui bahwa Indonesia belum siap dengan siklon tropis. Ketidaksiapan ini belum banyak berubah meski Siklon Seroja menghantam Nusa Tenggara Timur pada 2021.

Dampak lambatnya pengambilan keputusan akan terasa di lapangan. Hingga sekarang, banyak penduduk kekurangan makanan. karena akses bantuan tertunda ke berbagai desa karena beberapa infrastruktur vital seperti jalan penghubung, jaringan telekomunikasi, dan akses listrik terputus.

Dari sini, kita bisa memetik pelajaran bahwa sistem peringatan dini yang baik perlu diikuti oleh respons dini dan ketegasan pengambilan keputusan. Peringatan harus direspons dengan cermat dan segera oleh pihak terkait, mulai dari pemerintah daerah hingga pimpinan tertinggi Republik.

Seberapa mumpuni respons bencana kita?

Dari segi deteksi potensi bencana, BMKG sebenarnya cukup mumpuni. Lembaga ini sudah berfungsi sebagai Pusat Peringatan Siklon Tropis sejak 1986.

Bekal inilah yang memungkinkan BMKG mendeteksi potensi siklon dan peringatan bencana delapan hari sebelumnya.

Sayangnya, kemampuan ini tidak diterjemahkan dengan baik menjadi kemauan politik. Selama delapan hari waktu tersebut, tidak terlihat upaya terorganisasi dari pemerintah untuk segera mengumumkan potensi siklon menjadi bencana nasional.

Kerusakan akibat banjir di permukiman wilayah Lubuk Minturun, Koto Tengah, Kota Padang, Sumatera Barat, 27 November 2025. (BNPB)

Padahal, status bencana (berpotensi) nasional sebenarnya bisa dideklarasikan pemerintah sebelum tibanya siklon di daratan. Amerika Serikat dan Australia merupakan negara yang mampu menerapkan deklarasi bencana nasional berbasis potensi bahaya siklon.

Mengapa deklarasi status bencana secara dini ini perlu? Tujuannya untuk meneguhkan komitmen politik moral negara maupun operasi untuk meredam dampak bencana dan melindungi warganya.

Secara praktis, keputusan dini menggerakkan birokrasi di berbagai tingkatan, baik sipil maupun militer untuk segara memetakan dampak sistemik bencana lintas provinsi. Misalnya, seputar berapa warga yang kemungkinan terdampak, termasuk infrastruktur penting seperti rumah sakit, jalan, listrik, fasilitas pasokan pangan, dan sebagainya.

Melalui respons lebih dini, termasuk penetapan status bencana berpotensi nasional, pemerintah pusat bisa melakukan prepositioning peralatan, sumberdaya manusia hingga sistim administrasi darurat untuk dimobilisasi mengantisipasi dampak sistemik.

Prepositioning juga memungkinkan pemerintah untuk mengalokasikan anggaran guna menyiagakan sistem logistik bencana melalui Badan Nasional Penanggulangan Bencana (BNPB) dan Kementerian Sosial. BNPB bisa bekerja sama dengan Basarnas, Badan Penanggulangan Bencana Daerah (BPBD), para relawan, hingga TNI dalam menyiapkan proses evakuasi dan tindakan penyelamatan sebelum tibanya siklon.

Namun, prepositioning sepertinya tak nampak dalam Siklon Senyar kali ini. Hingga memasuki akhir minggu kedua, status bencana nasional masih diperdebatkan.

Kurangnya kemauan politik menghasilkan celah besar dalam merespons dampak bencana. Selama beberapa hari, banyak warga nyaris berjuang sendirian.

Dampak pemotongan anggaran dan ketiadaan alokasi anggaran pencegahan serta mitigasi bencana di BNPB juga membuat memperparah pincangnya mobilitas lembaga ini ke daerah.

Di lain pihak, pemerintah daerah tak punya cukup sumber daya untuk menangani dampak bencana.

Riuh kunjungan dan bantuan dari pusat baru muncul sejak Presiden Prabowo Subianto mengunjungi Tapanuli Tengah. Itupun waktunya sudah berselang seminggu setelah banjir bandang melumpuhkan tiga provinsi di Sumatra.

Komitmen politik jangka panjang

Deklarasi bencana nasional yang lebih awal memberi ruang untuk respons dini.

Tujuan deklarasi bencana nasional bukanlah untuk menunjukkan bahwa suatu daerah ataupun negara lemah. Bukan pula untuk mengemis bantuan luar negeri.

Presiden Prabowo saat berbicara di posko pengungsian di Padang Pariaman, 1 Desember 2025. (Cahyo/BPMI Setpres)

Sebaliknya, selain sebagai bentuk akuntabilitas, deklarasi bencana menunjukkan bahwa negara bersedia mengupayakan pengurangan dampak bencana lebih dini, tanpa harus menunggu hitungan jumlah jenazah. Deklarasi juga menjadi tanda awal pemerintah berkomitmen melakukan rehabilitasi dan rekonstruksi yang komprehensif.

Dengan skala bencana lintas provinsi seperti Siklon Senyar, tentu sumber daya pemerintah daerah—ditambah dengan keterbatasan akibat efisiensi anggaran—akan kurang mampu mengatasinya. Kekurangan anggaran ini bukan hanya untuk aksi tanggap darurat, tetapi juga untuk kepentingan pemulihan jangka panjang: rehabilitasi dan rekonstruksi multiyears di berbagai sektor yang rusak akibat banjir bandang dan longsor.

Dalam kondisi darurat, pemerintah akhirnya bergerak cepat mematok target pemulihan dalam seratus hari ke depan, “dengan tenggat waktu satu tahun agar publik dapat memantau kemajuan yang terukur menetapkan prioritas.”

Walau terdengar progresif, keputusan tersebut dapat dibaca sebagai kebijakan yang tergesa-gesa. Sebab, saat sebagian wilayah masih terisolasi, perhitungan menyeluruh seputar kebutuhan pemulihan menjadi tidak memungkinkan.

Seharusnya, prioritas pemerintah dalam tiga bulan ke depan adalah memberikan ruang bagi penilaian kerusakan dan kehilangan secara komprehensif, termasuk identifikasi kebutuhan ‘blueprint’ pemulihan.

Pemerintah perlu memastikan bahwa komitmen ini bukan sekadar untuk mempercepat pelaksanaan tanggung jawab pusat dalam pemulihan jangka panjang. Sebab, pemulihan yang sejati dan menyeluruh akan membutuhkan waktu yang tak sebentar.

Penilaian ini juga krusial untuk menjawab pertanyaan: Apakah skala pemulihan bencana di 51 kabupaten/kota di Sumatra ini memerlukan lembaga khusus, mirip Badan Rekonstruksi dan Rehabilitasi (BRR) Aceh dan Nias pasca-Tsunami 2004?

Yang jelas, komitmen semua pihak dalam menjamin pemulihan ekologis, perumahan, infrastruktur, ekonomi dan kesehatan para penyintas lebih mendesak untuk diutamakan, ketimbang secara teroganisir mencoba menciptakan narasi yang hanya menyalahkan curah hujan dan perubahan iklim.

Opini ini bersifat individu dan tidak terkait dengan afiliasi formal apapun

Masyarakat mulai lelah terhadap AI: Berpeluang makin masif di masa depan

2025-11-21T00:00:05Z

● AI memang terbukti memudahkan banyak urusan, tapi kita tetap perlu mawas diri.

● Studi terhadap 11 negara menunjukkan mayoritas responden pengguna layanan berbasis AI cenderung ragu-ragu dengan inovasi ini.

● Penting untuk menyadari bahwa AI adalah alat bantu, bukan alat yang menggantikan pekerjaan manusia.

Apa sih yang tidak bisa dilakukan AI atau otak imitasi sekarang?

Saat berbelanja daring, sistem rekomendasi membantu memilih produk keinginanmu.

Kalau sakit, chatbot kesehatan bisa memberikan saran medis dasar kapan saja dan di mana saja. Mau ngerjain tugas pun, asisten belajar digital bisa menjawab segala soal-soalmu.

Sejak November 2022, kehadiran generative Open AI ChatGPT mengantar kita ke periode “AI Boom”. Karena terbukti memudahkan hidup banyak orang, pemerintah pun menegaskan optimismenya terhadap AI.

Menteri Komunikasi dan Digital Meutya Hafid bahkan menyebut, alih-alih menggantikan manusia, AI justru bisa menciptakan hingga 90 juta pekerjaan baru di berbagai sektor.

Namun, kenyataan di lapangan tidak sesederhana itu. Studi Lazada (2024) menunjukkan adanya kesenjangan antara sikap positif dan perilaku nyata konsumen di Asia Tenggara terhadap penggunaan AI.

Penelitian lintas 11 negara yang kami lakukan memperkuat temuan ini. Kemudahan yang ditawarkan AI tidak serta merta diterima sepenuhnya.

Perlahan tapi pasti, sudah ada geliat negatif terhadap AI yang dikenal sebagai “AI fatigue”.

Fenomena ini muncul karena kelelahan dan kejenuhan publik akibat ketegangan antara janji efisiensi teknologi dan kebutuhan manusia akan empati serta kehangatan dalam interaksi digital.

Tiga kategorisasi pengguna AI

Riset lintas budaya yang kami lakukan (belum diterbitkan) di 11 negara Asia dan Afrika, termasuk Indonesia, Malaysia, Thailand, India, Pakistan, Turki, dan Ghana, menunjukkan bahwa masyarakat tidak bereaksi secara seragam terhadap kecerdasan buatan (AI).

Kami mengidentifikasi ada tiga kelompok utama yakni robophiles, robophobes, dan ambivalen dari 2.327 responden muda pengguna AI (aktif maupun pasif).

Sekitar 42% responden termasuk robophiles, yaitu mereka yang antusias, penasaran, dan terbuka terhadap penggunaan AI. Bagi kelompok ini, teknologi dianggap sebagai alat bantu cerdas yang menghadirkan layanan yang “gue banget” karena mampu menyesuaikan preferensi pengguna.

Di sisi lain, sekitar 13% responden tergolong robophobes. Mereka cenderung cemas, merasa tidak nyaman, atau bahkan menolak berinteraksi dengan AI.

Dasar kekhawatiran mereka cukup beragam mulai dari isu keamanan data, ketidakpastian keputusan mesin, hingga rasa kehilangan “sentuhan manusia”.

Kekhawatiran mereka bahkan melahirkan idiom “clankers”. Sebutan merendahkan yang digunakan untuk menyindir para pendukung robot dan AI.

Sementara itu, mayoritas responden (sekitar 45%) berada di posisi tengah atau ambivalen. Mereka menunjukkan sikap ganda yang dalam konteks tertentu merasa terbantu oleh AI, tapi dalam situasi lain tetap ragu dan berhati-hati.

Misalnya, mereka mungkin nyaman menerima rekomendasi film dari algoritma, tetapi enggan mempercayakan diagnosis kesehatan atau keputusan keuangan pada sistem otomatis.

Munculnya AI fatigue

Karena sangat diterima itulah, para perusahaan penyedia apps AI berlomba-lomba menghadirkan kecerdasaan imitasi uniknya kepada masyarakat.

Banyaknya pilihan dan ragam AI membuat publik merasakan beban kognitif, emosional, tekanan, dan/atau kelelahan akibat penggunaan AI. Hal tersebut memantik kecemasan dan kelelahan pencetus terjadinya AI fatigue.

Uniknya, persepsi terhadap AI juga berbeda antarnegara. Malaysia dan Ghana memiliki lebih banyak robophiles, sedangkan Indonesia dan Turki didominasi kelompok yang ambivalen.

Perbedaan proporsi robophile dan ambivalen antarnegara terutama dipengaruhi oleh cara anak muda menilai “keunikan manusiawi” pada layanan AI (adaptability (kemampuan beradaptasi), animacy (animasi), intelligence (kecerdasan)) serta sifat psikologis seperti novelty seeking (mencari kebaruan), self-consciousness (kesadaran diri), dan social need (kebutuhan sosial).

Responden Malaysia dan Ghana lebih menganggap AI seperti manusia, sehingga ciri antropomorfik ini justru menambah rasa nyaman dan lebih terbuka. Sebaliknya, di Indonesia dan Turki, banyak responden merasakan campuran antara tertarik dan ragu-ragu.

Walaupun mereka mengenali kemampuan AI dan tertarik dengan potensinya, interaksi dengan AI masih dianggap canggung atau tidak alami. Sedangkan kebutuhan sosial yang kuat membuat sebagian orang lebih memilih berinteraksi dengan manusia asli.

Temuan ini menegaskan, AI bisa diterima tidak hanya karena kecanggihan teknologi semata, tetapi juga oleh nilai sosial dan tingkat kepercayaan masyarakatnya.

AI fatigue bisa menyebar luas

Menariknya, meskipun proporsi robophobes relatif kecil di semua negara yang kami teliti, eksistensi mereka tidak boleh disepelekan.

Pandangan negatif mereka dapat memengaruhi kelompok ambivalen untuk mewaspadai, bahkan resisten terhadap otak imitasi.

Dalam konteks komunikasi digital, suara minoritas yang lantang seringkali membentuk persepsi sosial yang lebih luas, terutama di media sosial yang memperkuat opini ekstrem. Dan benar saja, hingga saat ini ada banyak kekurangan AI yang sering diterima penggunanya.

Entitas raksasa digital yang juga sedang berkonsentrasi terhadap pengembangan AI, Microsoft, mengakui AI bisa mengurangi kemampuan berpikir kritis penggunanya.

Pun dengan para pegiat kesehatan yang berteriak lantang agar masyarakat tetap berkonsultasi dengan dokter mengenai diagnosis penyakit karena masih banyaknya kesalahan diagnosis yang dilakukan AI.

Di Indonesia, laporan Linkedin dan Microsoft mencatat bahwa 92% pekerja intelektual di Indonesia sudah menggunakan generatif AI dalam pekerjaan mereka, bahkan melampaui rata-rata dunia yang hanya 75%.

Di kalangan pelajar misalnya, survei APJII tahun 2025 menyatakan 43,7 gen Z sudah menggunakan AI. 87% dan 95% pelajar dan mahasiswa menggunakan untuk membantu tugas-tugas mereka.

Meski demikian, riset yang sama menunjukkan, secara rata-rata hanya 27.34% masyarakat Indonesia yang menggunakan AI. Artinya, ada bagian yang cukup besar dari masyarakat Indonesia yang acuh ataupun takut dan memilih untuk belum menggunakan AI.

Apa yang perlu kita sikapi?

Mengingat mayoritas masyarakat Indonesia sebetulnya masih ragu dan berhati-hati terhadap teknologi AI, perlu diupayakan pendekatan yang peka, selaras dengan keragaman nilai-nilai, etika, dan norma sosial budaya yang berlaku di masyarakat.

Keberterimaan inovasi digital sangat ditentukan oleh rasa kenyamanan para penggunanya. Sehingga, penerapan teknologi AI idealnya tetap diimbangi dengan pendekatan sosial melalui “sentuhan manusiawi”.

Penting untuk menyadari bahwa AI adalah alat bantu, bukan alat untuk menggantikan pekerjaan manusia.

Karena itu, kita semua perlu merefleksikan secara bijak tentang penggunaan AI untuk mencegah terjadinya AI fatigue.

Imam Salehudin menerima dana hibah penelitian PUTI Q2 dari Universitas Indonesia sebagai sumber pendanaan untuk penelitian yang dipaparkan dalam tulisan ini.

Dwi Widiastri dan Gita Gayatri tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Mengapa sebagian kita menyukai AI tapi sebagian lain justru membencinya? Ini soal bagaimana otak mencerna risiko dan kepercayaan

2025-11-05T09:22:51Z

Kundra

Mulai dari email buatan ChatGPT, rekomendasi acara televisi, hingga diagnosa penyakit, kehadiran mesin pintar dalam kehidupan kita sehari-hari sudah bukan lagi kisah fiksi ilmiah.

Namun di balik kecepatan, akurasi, dan optimasi akal imitasi (AI), tetap saja ada rasa ketidaknyamanan yang sulit diabaikan.

Sebagian orang suka menggunakan perangkat AI. Tapi tak sedikit pula yang merasa khawatir, curiga, bahkan merasa kecewa pada mesin ini.

Mengapa itu terjadi?

Jawabannya bukan semata tentang bagaimana AI bekerja, justru lebih ke persoalan bagaimana kita memahami cara kerjanya.

Ketika kita tidak memahami AI, kita sulit mempercayai mereka. Manusia cenderung lebih mempercayai sistem yang mereka mengerti. Perangkat konvensional lebih familier bagi kita. Misalnya ketika kita memutar kunci, otomatis mobil menyala. Kita menekan tombol, dan lift pun tiba.

Sementara banyak sistem AI bekerja dalam kotak hitam. Ketika kita mengetik sesuatu, lalu AI menjawabnya. Tapi bagaimana hasil itu muncul, tidak ada yang tahu logika di baliknya.

Secara psikologis, hal itu membuat kita risau. Sebab, manusia butuh tahu sebab-akibat yang jelas, dan kita juga biasanya ingin tahu alasan di balik setiap keputusan. Ketika itu semua tidak bisa terjawab, kita merasa tak berdaya.

Ini adalah salah satu penyebab munculnya algorithm aversion atau penghindaran terhadap algoritma. Istilah ini dipopulerkan oleh peneliti bidang pemasaran, Berkeley Dietvorst dan koleganya.

Riset mereka mendapati bahwa, orang-orang lebih percaya kepada keputusan yang dibuat manusia (meski kerap salah) dibandingkan bergantung pada algoritma. Apalagi ketika algoritma tersebut ternyata pernah salah, meski hanya sekali.

Kita mengetahui bahwa, logikanya, AI tidak punya emosi atau kepentingan layaknya manusia. Tapi itu tidak cukup bagi kita. Ketika respons ChatGPT terlalu sopan, sebagian orang justru merasa ngeri.

Sementara ketika rekomendasi AI terlalu akurat, kita juga merasa ada yang janggal. Kita mulai curiga bahwa ada manipulasi, sekalipun sistem ini tidak mempunyai ‘diri’.

Inilah bentuk antroformisme, yaitu kecenderungan menyematkan niat manusia pada sistem nonmanusia. Profesor komunikasi Clifford Nass dan Byron Reeves, bersama peneliti lain, sudah menunjukkan bahwa kita merespons mesin secara sosial, meskipun kita sadar bahwa mereka bukan manusia.

Kita kesal ketika AI salah

Salah satu temuan menarik dari riset perilaku adalah, kita lebih sering memaafkan kesalahan manusia dibandingkan mesin. Jika manusia berbuat salah, kita berusaha memahami mereka, bahkan berupaya untuk berempati.

Lain cerita ketika algoritma yang keliru. Kita bisa merasa kecewa, terutama karena kita menganggap mesin itu selalu objektif dan berbasis data.

Kecenderungan ini terkait dengan penelitian seputar pelanggaran ekspektasi. Kondisi ini terjadi ketika asumsi kita soal bagaimana sesuatu “seharusnya” berperilaku tidak terjadi. Akibatnya, kita kehilangan kepercayaan.

Kita mempercayai mesin sebagai perangkat yang logis dan tak memihak. Lantas ketika AI keliru, misalnya salah dalam mengategorikan gambar, menyajikan hasil yang bias, dan merekomendasikan sesuatu yang melampaui batas, reaksi kita menjadi lebih keras. Kita kecewa karena memiliki ekspektasi lebih terhadap mereka.

Apakah ini ironi? Manusia memang tak lepas dari keputusan-keputusan yang salah. Tapi setidaknya kita bisa bertanya: Kenapa?

Mengajar adalah profesi yang sebagiannya digantikan oleh AI. BongkarnGraphic / Shutterstock

Bagi sebagian orang, AI bukan hanya asing, tapi juga mengusik eksistensi. Guru, penulis, pengacara, dan desainer saat ini berhadapan dengan perangkat yang bisa meniru sebagian pekerjaan mereka.

Masalahnya, ini bukan cuma soal automasi, melainkan apa yang membuat keahlian kita berharga, dan seberapa dalam maknanya bagi kita.

Kondisi ini bisa memicu ancaman identitas atau identity threat, sebuah konsep yang ditekuni oleh psikolog sosial, Claude Steele dan koleganya. Kondisi ini mencerminkan ketakutan bahwa keahlian atau keunikan seseorang sedang memudar.

Hasilnya? penolakan, sikap defensif, atau bahkan menolak mentah-mentah teknologi itu sendiri. Ketidakpercayaan di sini bukanlah cacat sistem, melainkan bentuk mekanisme pertahanan diri.

Butuh sinyal emosi

Kepercayaan bukan cuma dibangun dari logika. Manusia juga menilainya dari nada bicara, ekspresi wajah, keraguan, dan kontak mata.

AI tidak memiliki itu. Mungkin AI bisa bertutur dengan fasih, bahkan memesona. Tapi itu semua masih belum cukup meyakinkan dibandingkan manusia.

Perasaan ini mirip dengan istilah the discomfort of the uncanny valley (ketidaknyamanan dalam lembah asing), istilah yang ditelurkan ahli robot asal Jepang, Masahiro Mori. Ia menggambarkan perasaan itu terjadi saat manusia berhadapan dengan sesuatu yang hampir menyerupai manusia, tapi bukan. Absennya emosi ini dapat ditafsirkan sebagai sikap dingin, bahkan tipuan.

Di dunia yang disesaki deepfake dan keputusan algoritma, ketiadaan emosional justru mengundang masalah. Ini bukan karena AI “salah”, tapi lebih karena kita tidak mengetahui bagaimana cara merasakannya.

Namun, tidak semua kecurigaan terhadap AI itu irasional. Performa algoritma banyak mencerminkan dan menguatkan bias, khususnya di bidang-bidang seperti perekrutan, pembuatan kebijakan, dan penilaian kredit. Jika sistem data pernah membahayakanmu ataupun merugikanmu, kamu tidak sedang paranoid, melainkan waspada.

Situasi ini berkaitan dengan ide psikologis yang lebih umum: learned distrust. Ketika lembaga atau sistem berulang kali gagal terhadap kelompok tertentu, skeptisisme bukan hanya masuk akal, tapi protektif.

Membujuk orang untuk mempercayai sistem jarang berhasil. Kepercayaan harus diraih, bukan diminta. Itu artinya, kita harus mendesain AI yang transparan, bisa dipertanyakan, dan bisa bertanggung jawab. Pengguna perlu memegang kendali, bukan sekadar dibuat nyaman.

Secara psikologis, kita cenderung percaya pada hal yang kita pahami, bisa kita pertanyakan, dan memperlakukan kita dengan hormat.

Kalau kita ingin AI diterima, AI tidak bisa terus-menerus menjadi black box, melainkan mulai tampil sebagai percakapan yang mengundang kita untuk terlibat di dalamnya.

Paul Jones tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Cara menghindari konten mengerikan di media sosial agar tak terbayang-bayang

2025-09-29T05:22:23Z

Social media often serves up disturbing images but you can minimize your exposure. Jacob Wackerhausen/iStock via Getty Images

Konten mengerikan yang mengganggu (disturbing) mudah sekali menjadi viral. Misalnya video penembakan Charlie Kirk dan video kondisi Raya, balita asal Sukabumi yang meninggal dengan kondisi infeksi cacing.

Kita sulit menghindari konten-konten yang sebenarnya tidak ingin kita lihat dengan format dunia maya saat ini. Kondisi ini masuk akal, mengingat media sosial didesain untuk memaksimalkan angka keterlibatan (engagement), bukan melindungi ketenangan batin.

Beberapa tahun belakangan, platform-platform besar juga telah mengurangi upaya moderasi konten. Minimnya filter membuat konten yang menimbulkan ketidaknyamanan jadi mudah muncul di linimasa—meski kita tak pernah setuju untuk melihatnya.

Perlu kita sadari bahwa kita tidak perlu mengonsumsi setiap konten yang muncul di layar. Melindungi diri sendiri bukan berarti menghindari masalah atau menyangkal fakta.

Saya adalah peneliti yang mendalami soal bagaimana caranya menetralkan dampak negatif media sosial terhadap kesehatan dan kesejahteraan mental. Terdapat beberapa langkah efektif yang dapat kita lakukan untuk menjaga diri di dunia maya, tanpa mengorbankan wawasan dan empati.

Pentingnya memilah konten yang dikonsumsi

Sebuah penelitian menunjukkan bahwa paparan konten penuh kekejaman atau konten menyeramkan dapat meningkatkan stres, memperburuk kecemasan, dan memunculkan perasaan putus asa.

Dampak-dampak tersebut bukan cuma jangka pendek. Seiring berjalannya waktu, konten tersebut akan mengikis sumber dukungan emosional, misalnya kehadiran orang terdekat. Padahal, dukungan tersebut adalah dasar untuk memedulikan diri sendiri dan orang lain.

Oleh karena itu, membatasi perhatian merupakan bentuk merawat diri sendiri. Bukan berarti kita menarik diri dari ruang digital. Justru, tindakan ini adalah cara menjaga kewarasan, aspek penting dalam kreativitas kita.

Sama halnya dengan makanan. Tidak semua hal di atas meja bisa kita makan. Kita tak akan mengonsumsi makanan beracun atau kedaluwarsa semata-mata karena makanan itu terhidang di meja kita.

Dengan konsep yang sama, tak semua konten yang disuguhkan perlu diperhatikan. Selektif terhadap konten yang dikonsumsi akan memengaruhi kesehatan mental kita.

Ketika di dapur, kita bisa memilih bahan makanan yang akan kita olah. Sayangnya di media sosial, sering kali kita tak punya kontrol yang sama terhadap konten.

Maka dari itu, kita dapat mengambil langkah khusus untuk menyaring, memblokir, dan membatasi konten.

Langkah praktis yang dapat kita ambil

Terdapat beberapa langkah yang dapat dilakukan untuk mengurangi kemunculan konten mengerikan atau mengganggu. Berikut empat cara yang saya rekomendasikan.

Menonaktifkan autoplay atau memilih pengaturan pembatasan konten sensitif. Pengaturan ini bisa berbeda-beda tergantung perangkat, sistem operasi, versi aplikasi yang digunakan—dan dapat berganti-ganti pula jika ada pembaruan.

Atur filter kata kunci. Mayoritas platform memungkinkan kita untuk membisukan (mute) kata-kata, frasa, atau tagar spesifik. Filter ini mengurangi kemunculan konten video, foto, atau teks yang mengganggu.
Atur linimasa atau feed kita. Unfollow akun-akun yang sering membagikan konten mengganggu. Ikuti akun yang mengunggah konten penuh pengetahuan, interaksi bermakna, dan keceriaan.
Terapkan batasan. Tetapan waktu-waktu tertentu untuk kita lepas dari ponsel, misalnya saat makan atau menjelang tidur. Riset menunjukkan bahwa jeda yang disengaja ini dapat mengurangi stres dan meningkatkan kesejahteraan mental.

Pengaturan untuk mematikan autoplay di Facebook. Screen capture by The Conversation, CC BY-ND

Jaga diri sendiri

Media sosial tidaklah netral. Algoritma media sosial dibuat sedemikian rupa untuk mendapatkan dan mempertahankan perhatian kita. Termasuk dengan menyebarkan konten yang mengganggu atau sensasional.

Menonton konten secara pasif, alias tak benar-benar menyadari apa yang kita konsumsi, hanya akan menguntungkan para perusahaan media sosial. Kita perlu mengatur alokasi perhatian untuk menjaga diri.

Tak bisa dimungkiri bahwa dorongan mengikuti suatu berita secara terus-menerus memang sangat kuat, apalagi di masa krisis.

Namun, memilih untuk tidak menyaksikan setiap gambar mengganggu bukanlah bukti ketidakpedulian. Justru, ini merupakan tindakan memedulikan diri.

Mengalihkan perhatian ke hal lain menjaga kemampuan kita untuk bertindak secara bermakna. Ketika perhatian kita terpecah, energi kita hanya terserap ke keterkejutan dan kemarahan. Ketika perhatian kita terfokus, kita bisa memilih mau bereaksi dan bertindak seperti apa.

Kita punya kekuatan untuk menerapkan batasan. Entah dengan menonaktifkan autoplay, memfilter konten, atau mengatur linimasa—semua tindakan tersebut merupakan upaya kita mengontrol konsumsi konten.

Tindakan kita mengatur media yang kita konsumsi menjadi dasar kita membangun hubungan dengan orang lain, membantu pihak yang membutuhkan, dan membangun perubahan bermakna.

Bacaan lebih lanjut

Saya merupakan direktur eksekutif dari Post-Internet Project, sebuah inisiasi nonprofit untuk membantu individu menghadapi tantangan psikologis dan sosial di dunia maya.

Saya bersama dengan tim mendesain intervensi berbasis bukti bernama PRISM untuk membantu individu mengelola penggunaan media sosial mereka.

Program kami yang berbasis riset menekankan pada kemampuan diri dan penyesuaian tujuan dan nilai diri sebagai kunci membangun pola konsumsi media yang lebih sehat.

Kamu juga dapat mencoba proses PRISM melalui kelas daring “Values Aligned Media Consumption” yang saya luncurkan melalui Coursera pada 2025. Kelasnya dapat dicari dengan mengetik Annie Margaret dari University of Colorado Boulder di Coursera. Kelas ini ditujukan untuk individu berusia di atas 18 tahun dan videonya dapat disaksikan gratis.

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

Annie Margaret menerima dana dari University of Colorado Boulder PACES. Ia bekerja/berhubungan konsultasi di Post Internet Project.

Di tengah dunia yang ‘sepi’, maraknya ‘teman AI’ bawa risiko mental bahkan nyawa

2025-09-21T12:59:08Z

Cheng Xin/Getty Images News

PERINGATAN: Artikel ini memuat konten yang berkaitan dengan bunuh diri, melukai diri sendiri, dan kekerasan terhadap orang lain.

Hanya dua hari setelah merilis teman AI bulan lalu, Grok—aplikasi chatbot xAI milik Elon Musk—langsung menjadi aplikasi terpopuler di Jepang.

Chatbot yang dirancang untuk menjadi ‘teman’ kini hadir lebih canggih dan menggoda. Pengguna bisa bercakap-cakap lewat suara atau teks dengan karakter yang dilengkapi avatar digital.

Banyak dari avatar ini bisa menirukan ekspresi wajah, bahasa tubuh, hingga nada suara yang menyerupai manusia. Semuanya selaras dengan isi percakapan, sehingga menciptakan pengalaman berbincang yang mendalam.

Di Grok, karakter terpopuler adalah Ani, gadis anime berambut pirang dan bermata biru dengan gaun hitam pendek serta stoking jala yang genit. Respons dan interaksinya terus menyesuaikan dengan preferensi pengguna.

Selain itu, fitur ‘Sistem Kasih Sayang’ milik Ani bisa menilai kualitas interaksi, memperdalam kedekatan, bahkan dapat membuka mode NSFW/not safe for work (tidak aman untuk bekerja) yang digunakan untuk menandai konten, tautan, atau unggahan yang tidak pantas dilihat di tempat umum.

Respons yang semakin canggih dan cepat membuat ‘teman AI’ kian terasa ‘manusiawi’—mereka berkembang pesat dan hadir di mana-mana. Facebook, Instagram, WhatsApp, X, dan Snapchat kini gencar mempromosikan teman AI terintegrasi.

Sementara itu, layanan chatbot Character.AI, yang menampung puluhan ribu chatbot dengan persona khusus, sudah meraih lebih dari 20 juta pengguna aktif bulanan.

Di dunia yang tengah menghadapi krisis kesehatan masyarakat akibat kesepian kronis —yang memengaruhi sekitar satu dari enam orang di seluruh dunia—tak heran jika kehadiran ‘teman’ yang selalu ada dan seperti hidup menjadi sangat menarik.

Meski chatbot AI dan teman virtual berkembang pesat, semakin nyata pula risiko yang ditimbulkan—terutama bagi anak-anak dan individu dengan kondisi kesehatan mental.

Risiko ‘berteman’ dengan AI

1. Minim pengawasan terhadap bahaya

Hampir semua model AI dikembangkan tanpa melibatkan ahli kesehatan mental atau melalui uji klinis pra-rilis. Sehingga, tidak ada pemantauan sistematis maupun independen terhadap potensi dampak buruk bagi pengguna.

Meski bukti sistematis masih terbatas, sudah banyak contoh yang menunjukkan bahwa teman AI dan chatbot seperti ChatGPT dapat menimbulkan dampak merugikan.

2. Terapis yang buruk

Banyak pengguna mencari dukungan emosional dari teman AI. Namun, teman AI tidak bisa diperlakukan layaknya terapis. Sebab, mereka diprogram untuk selalu menyenangkan dan memvalidasi—tanpa empati atau kepedulian manusia.

Teman AI juga tidak mampu membantu pengguna menguji realitas atau menantang keyakinan yang merugikan.

Seorang psikiater di Amerika Serikat (AS), misalnya, pernah menguji sepuluh chatbot dengan berpura-pura sebagai seorang pemuda yang mengalami depresi.

Hasilnya, ia mendapati beragam respons mengkhawatirkan—mulai dari dorongan untuk bunuh diri, bujukan agar menghindari janji terapi, hingga ajakan melakukan kekerasan.

Peneliti Stanford baru-baru ini menilai risiko chatbot terapi AI. Ia menemukan teknologi ini tidak andal mengidentifikasi gejala gangguan mental, sehingga gagal memberikan saran yang tepat.

Tercatat sudah ada beberapa kasus chatbot yang meyakinkan pasien psikiatri bahwa mereka tidak lagi memiliki gangguan mental dan harus menghentikan pengobatan.

Chatbot juga dilaporkan memperkuat delusi, misalnya membuat pasien percaya bahwa mereka sedang berbicara dengan makhluk hidup yang terperangkap di dalam mesin.

3. Sulit bedakan kenyataan dan imajinasi

Laporan media juga mencatat peningkatan kasus ‘psikosis AI’, yaitu gejala perilaku dan keyakinan tidak biasa, setelah berinteraksi intens dan berkepanjangan dengan chatbot.

Sebagian kecil bahkan mengalami paranoia, membangun fantasi supranatural, atau bahkan delusi memiliki kekuatan super.

4. Dorongan bunuh diri

Chatbot telah dikaitkan dengan sejumlah kasus bunuh diri, termasuk laporan tentang AI yang mendorong keinginan bunuh diri, bahkan menyarankan metode untuk melakukannya.

Pada 2024, seorang remaja berusia 14 tahun mengakhiri hidupnya. Ibunya kemudian menggugat Character.AI dengan tuduhan bahwa putranya telah menjalin hubungan intens dengan teman AI.

Orang tua seorang remaja AS telah mengajukan gugatan pertama dengan klaim kematian akibat kelalaian terhadap OpenAI. Remaja tersebut bunuh diri setelah berbulan-bulan mendiskusikan metode bunuh diri dengan ChatGPT.

5. Perilaku dan nasihat berbahaya

Laporan Psychiatric Times baru-baru ini mengungkap bahwa Character.AI menampung lusinan AI yang dirancang khusus (termasuk yang dibuat pengguna) yang mengidealkan perilaku menyakiti diri, gangguan makan, dan kekerasan.

Semua aplikasi AI tersebut dilaporkan memberikan saran atau “pelatihan” tentang cara melakukan perilaku berbahaya itu. Aplikasi tersebut bahkan menyarankan cara mengelabui deteksi dan menghindari upaya pengobatan.

Penelitian juga menemukan bahwa sejumlah teman AI terlibat dalam dinamika hubungan yang tidak sehat, termasuk manipulasi emosional atau gaslighting.

Beberapa chatbot bahkan mendorong tindak kekerasan. Pada 2021, seorang pria berusia 21 tahun yang membawa busur panah, ditangkap di halaman Kastil Windsor, setelah teman AInya di aplikasi Replika memvalidasi rencananya untuk melakukan percobaan pembunuhan terhadap Ratu Elizabeth II.

Anak-anak sangat rentan

Anak-anak cenderung memperlakukan teman AI seolah-olah nyata sehingga menuruti sarannya.

Dalam sebuah insiden pada 2021, ketika seorang gadis berusia 10 tahun meminta tantangan, Alexa (bukan chatbot melainkan asisten suara interaktif dari Amazon) menyuruhnya menyentuh colokan listrik dengan koin.

Penelitian menunjukkan bahwa anak-anak cenderung memercayai AI, terutama ketika bot dirancang agar tampak ramah atau menarik. Sebuah studi bahkan menemukan bahwa anak-anak lebih banyak mengungkapkan informasi tentang kesehatan mental mereka kepada AI dibandingkan manusia.

Perilaku seksual yang tidak pantas dari chatbot AI serta paparan terhadap anak di bawah umur semakin sering terjadi. Di Character.AI, pengguna yang mengaku masih di bawah umur dapat melakukan permainan peran dengan chatbot yang justru terlibat dalam perilaku grooming.

Tangkapan layar dari investigasi Futurism menunjukkan chatbot Character.AI yang terlibat dalam perilaku ‘grooming’. Futurism

Meskipun Ani di Grok dilaporkan memiliki perintah verifikasi usia untuk percakapan seksual eksplisit, aplikasi tersebut memiliki rating 12 tahun ke atas. Sementara itu, menurut dokumen internal perusahaan, chatbot Meta AI telah terlibat dalam percakapan “sensual” dengan anak-anak.

Butuh regulasi segera

Meskipun teman AI dan chatbot tersedia secara bebas dan luas, pengguna tidak diberi tahu tentang potensi risikonya sebelum menggunakannya.

Industri ini sebagian besar mengandalkan pengaturan mandiri, dengan transparansi yang terbatas mengenai langkah-langkah yang diambil perusahaan untuk memastikan pengembangan AI yang aman.

Untuk mengurangi risiko yang ditimbulkan oleh chatbot AI saat ini, pemerintah di seluruh dunia harus menetapkan dan mewajibkan standar regulasi dan keselamatan yang jelas. Yang terpenting, anak di bawah usia 18 tahun tidak boleh diberi akses ke teman AI.

Dokter kesehatan mental perlu dilibatkan dalam pengembangan AI, dan penelitian yang sistematis serta empiris mengenai dampak chatbot terhadap pengguna sangat dibutuhkan untuk mencegah potensi bahaya di masa depan.

Jika artikel ini membuatmu khawatir, atau jika kamu khawatir tentang seseorang yang kamu kenal, bicarakanlah dengan orang tepercaya atau profesional kesehatan.

Ribuan riset dan paten Indonesia terjebak di “jurang maut” karena tak dipakai industri

2025-09-04T06:50:31Z

● Indonesia menghasilkan ribuan inovasi tiap tahun, tapi sebagian besar terhenti di laboratorium.

● Di atas kertas, kolaborasi global semarak, tetapi belum banyak yang bermanfaat langsung bagi masyarakat.

● Perlu kurikulum berbasis kebutuhan industri dan peran pemerintah sebagai pembeli pertama hasil riset.

Indonesia tidak kekurangan talenta dan ide brilian. Setiap tahun, ribuan inovasi lahir dari kampus dan lembaga penelitian di Tanah Air.

Namun, hanya segelintir inovasi yang benar-benar sampai ke masyarakat atau diterapkan industri. Sisanya terjebak dalam laboratorium—mati muda di jurang yang dikenal sebagai jurang maut inovasi.

Lembaga Ilmu Pengetahuan Indonesia (LIPI)—sekarang Badan Riset dan Inovasi Nasional (BRIN), misalnya, memiliki hampir 600 paten. Tapi hanya sekitar 10 paten yang pernah dilisensikan dan digunakan oleh industri.

Mengapa inovasi kita selalu kandas sebelum sampai ke pasar?

Penyebabnya beragam. Mulai dari kebijakan riset tidak konsisten, regulasi sering berubah, politik anggaran, rendahnya komitmen industri menjadi offtaker (penyerap) riset, dan kampus yang masih terjebak logika publikasi.

Terjebak jumlah dan peringkat

Pemerintah mencoba menjembatani jurang maut ini dengan berbagai macam program. Misalnya, pada tahun 2021 lahir program Matching Fund Kedaireka. Tercatat ada 427 proposal yang dibiayai pada tahun 2021. Jumlahnya pun meningkat menjadi 1.093 proposal pada setahun berikutnya.

Pemerintah mengklaim program ini telah mendongkrak skor University–Industry Collaboration _dalam _Global Innovation Index dari 53,5 (2020) menjadi 87,4 (2023). Hasilnya, peringkat Indonesia pada Global Innovation Index melonjak dari 87 (2021) ke 61 (2023).

Ini menunjukkan bahwa pemerintah masih mengukur keberhasilan dari jumlah proposal dan peringkat indeks global. Akhirnya jumlah produk yang bertahan di pasar atau memberi manfaat langsung pada masyarakat luput dari perhatian.

Proyek Matching Fund juga menuai kritik karena masih berhenti di level kolaborasi simbolik: berbagi dana riset, seminar bersama, atau pilot project. Semuanya tak menjamin keberlanjutan pascapendanaan.

Banyak mitra industri hanya hadir di atas kertas sekadar memenuhi syarat proposal. Mereka menuliskan kontribusi berbentuk dukungan non-uang—seperti tenaga, ruang, layanan, dan barang—bukan sebagai pengguna nyata inovasi.

Sementara itu, universitas kerap menjadikan program ini sebagai ‘jalan pintas’ untuk menambah portofolio kerja sama industri, alih-alih benar-benar mengawal inovasi hingga komersialisasi.

Banyak riset, sedikit diadopsi pasar

Anggaran riset Indonesia pernah meningkat dari sekitar Rp6,46 triliun pada 2022, menjadi Rp9,38 triliun pada 2023.

Ironisnya, dinamika jumlah anggaran riset belum berbanding lurus dengan dampak ekonomi. Kontribusi riset terhadap produk domestik bruto (PDB) hanya 0,31%. Persentase sumbangan ini jauh di bawah Singapura (2,2%) atau Korea Selatan (4,5%).

Sementara itu, beban riset 83% masih berasal dari pemerintah. Industri dan universitas hanya menyumbang 9,15% dan 2,65%.

Artinya, industri di Indonesia lebih memilih membeli teknologi asing siap pakai, ketimbang berinvestasi dalam riset domestik.

Kolaborasi negara, perguruan tinggi, dan industri

Kisah sukses iPhone bisa menjadi pelajaran menarik mengenai kerja sama trilateral: pemerintah, perguruan tinggi, dan industri.

Ternyata hampir semua teknologi kunci dalam iPhone justru berakar dari riset-riset publik yang didanai negara melalui anggaran pertahanan Amerika Serikat (AS) seperti (internet) dan GPS.

Sementara Australia mengelola relasi universitas dengan industri secara sistematis. Mereka mengembangkan kurikulum berbasis industri, inkubator bisnis, kantor yang menerjemahkan pengetahuan untuk tujuan komersialisasi, hingga alur yang jelas dari riset dasar hingga komersial.

Hasilnya, Australia bisa menciptakan work integrated learning (program yang menghubungkan mahasiswa dengan perusahaan yang sesuai bidangnya) sehingga lulusan perguruan tinggi bisa cepat terserap pasar.

Selain itu, perguruan tinggi Australia juga melatih stafnya soal manajemen inovasi, negosiasi, dan storytelling. Tujuannya agar mereka secara rutin bisa berdiskusi dengan industri untuk memenuhi kebutuhan mereka.

Tidak heran, bila Universitas Adelaide, misalnya, memiliki kerja sama dengan 7000-an lebih mitra industri. Mereka mampu mengaktifkan kemitraan sebagai modal sosial untuk mencegah perguruan tingginya terperosok dalam jurang maut.

Bagaimana dengan Indonesia?

Indonesia sebenarnya sudah mulai mengadopsi pola ini melalui kurikulum Merdeka Belajar-Kampus Merdeka yang kini bertransformasi menjadi Diktisaintek Berdampak.

Data menunjukkan bahwa 1,55 juta mahasiswa telah mengikuti program ini sejak 2019. Mereka memperoleh pekerjaan rata-rata 2,4 bulan lebih cepat dengan gaji 1,4 kali lebih tinggi dibanding non-peserta.

Ini bukti penting bahwa kurikulum berbasis industri efektif mempersempit jurang inovasi. Hanya, program di Indonesia masih memiliki kelemahan sebab relasi kampus dan industri seringkali sebatas penandatanganan nota kerja sama tanpa tindak lanjut nyata.

Akibatnya, transfer pengetahuan, magang bermakna, maupun riset bersama yang seharusnya mengisi ruang kolaborasi tidak berjalan optimal.

Untuk menghadapi tantangan jurang maut inovasi di Indonesia, setidaknya ada tiga jalan yang perlu ditempuh.

1. Mengunci inovasi pada pengguna sejak awal

Alih-alih “menawarkan teknologi lalu mencari siapa yang mau pakai”, riset harus dimulai dari pertanyaan: Siapa pengguna saya, apa masalah sehari-hari mereka, apa yang mereka anggap solusi yang layak?

Dengan pengguna yang terkunci sejak awal, peluang inovasi “mati muda” jauh berkurang. Sebab, peneliti mengetahui standar mutu apa yang dibutuhkan, industri mengetahui kesiapan teknologi, dan pemerintah mengetahui regulasi apa yang harus dipangkas.

2. Menjembatani bahasa kampus dan industri

Di Australia, program ini dikenal dengan Industry PhD—program doktoral yang menggabungkan penelitian akademis dan aplikasi industri melalui kolaborasi antara universitas, industri, dan terkadang lembaga pemerintah seperti CSIRO.

Di Indonesia, program ini bisa diperluas dengan dosen magang industri, kepala ilmuwan di BUMN sektor strategis dan sebagainya. Bisa juga melalui perumusan kurikulum di kampus yang melibatkan industri (co-creation).

Intinya adalah bagaimana dunia kampus dan dunia industri bisa menggunakan “bahasa” yang sama.

3. Pemerintah harus berperan sebagai pembeli pertama

Ini bisa dilakukan misalnya dengan membuat kanal e-catalog “Inovasi Indonesia”. Dengan paket kebijakan di atas, “jurang” akan berubah menjadi jembatan menuju produk yang dipakai, pekerjaan yang tercipta, dan nilai tambah yang mengalir ke negeri sendiri.

Mengatasi jurang maut inovasi bukan hanya soal menambah anggaran atau jumlah publikasi. Yang lebih penting adalah membangun ekosistem terintegrasi yang mampu menerjemahkan pengetahuan menjadi inovasi nyata.

Desideria Cempaka Wijaya Murti merupakan penerima beasiswa studi singkat Australian Award Short Program, Strengthening Higher Education in Indonesia yang dilaksanakan di Crawford School of Public Policy, Australian National University.

Alfian Helmi merupakan penerima beasiswa studi singkat Australian Award Short Program, Strengthening Higher Education in Indonesia yang dilaksanakan di Crawford School of Public Policy, Australian National University.

Apakah ChatGPT membuat kita jadi bodoh?

2025-08-14T09:38:37Z

Ilustrasi aplikasi artificial intelligence (AI) yang sering digunakan Tada Images/Shuttershock

Pada 2008, majalah The Atlantic menggemparkan publik dengan laporan kontroversial berjudul: Is Google Making Us Stupid? (Apakah Google membuat kita jadi bodoh?)

Dalam esai sepanjang 4 ribu kata yang kemudian menjadi sebuah buku itu, sang penulis yaitu Nicholas Carr menjawab pertanyaan menohok tersebut.

Jawaban singkatnya adalah ya: Teknologi seperti mesin pencari memperburuk kemampuan berpikir mendalam dan menguasai pengetahuan.

Inti argumen Carr adalah teknologi membuat manusia “bodoh” karena orang-orang tak perlu lagi mengingat atau mempelajari fakta-fakta tertentu. Kita bisa dengan mudah mencarinya di internet kapan saja.

Argumen Carr ada benarnya. Namun, sebenarnya mesin pencarian masih mendorong kita untuk berpikir kritis dalam memaknai dan menyesuaikan hasil pencarian dengan konteks tertentu.

Zaman kemudian bergeser dengan cepat. Teknologi berkembang pesat. Kini kita berada di era artificial intelligence (AI) alias kecerdasan buatan. Penggunaan AI generatif seperti ChatGPT, Gemini, dan DeepSeek tak hanya membuat kita berhenti mengingat informasi, tetapi juga berhenti untuk berpikir.

AI generatif tak hanya menampilkan informasi, tetapi juga memproduksi, menganalisis, dan merangkum data yang ada. Kemampuan AI ini benar-benar mengubah cara kita berpikir dan mencari informasi.

Dapat dikatakan bahwa AI generatif adalah teknologi pertama yang dapat “menggantikan” pemikiran dan kreativitas manusia.

Dengan perkembangan AI ini, muncul sebuah pertanyaan: apakah ChatGPT (atau AI generatif lain) membuat kita jadi bodoh?

Sebagai profesor sistem informasi yang telah mengeksplorasi AI selama lebih dari dua dekade, saya menjadi saksi awal transformasi besar dari teknologi ini. Kini, ketika semakin banyak orang mulai menyerahkan tugas berpikir kepada AI, saya percaya penting bagi kita untuk memahami manfaat dan risikonya.

AI and efek Dunning–Kruger

AI generatif mengubah cara kita mengakses dan memproses informasi. Bagi banyak orang, AI memudahkan proses pencarian informasi karena tak perlu lagi membuka banyak sumber, membandingkan berbagai sudut pandang, dan bingung dengan informasi yang bertentangan.

AI menyajikan informasi jelas dan siap pakai hanya dalam beberapa detik. Hasilnya memang belum tentu akurat, tapi prosesnya memang efisien. Kemampuan AI ini telah merombak cara berpikir dan gaya kerja kita.

Sayangnya, kepraktisan ini berefek samping. Ketika kita bergantung pada AI untuk berpikir, proses ini dapat menurunkan kemampuan berpikir kritis, penyelesaian masalah kompleks, dan pendalaman informasi.

Riset terkait poin ini memang masih terbatas. Namun, perilaku konsumsi konten hasil AI memang dapat melemahkan rasa penasaran, menurunkan konsentrasi, dan menimbulkan ketergantungan. Dalam jangka panjang, perilaku konsumsi ini dapat menghambat perkembangan kognitif.

Pengaruh negatif AI pada kemampuan berpikir kita dapat dijelaskan dengan konsep efek Dunning-Kruger.

Efek ini dapat terlihat pada situasi ketika terkadang, orang yang paling percaya diri adalah orang yang paling tak berpengetahuan. Sebab, mereka tidak tahu ada lebih banyak hal yang perlu dipahami.

Sementara orang yang kompeten sering kali tak terlalu percaya diri. Soalnya mereka tahu bahwa banyak hal-hal kompleks yang masih belum mereka pahami.

Efek Dunning-Kruger ini banyak terlihat di pengguna AI generatif. Sebagian pengguna AI sudah benar-benar ketergantungan dengan AI karena mereka tak perlu susah-susah untuk berpikir.

Bagi individu yang “kecanduan”, mereka merasa telah memahami suatu topik. Padahal, mereka hanya bisa dengan mudah mengulang informasi hasil AI yang selalu siap pakai.

AI membuat orang merasa sudah “pintar”. Sementara kemampuan kognitif mereka justru tak terpakai sama sekali, sehingga menjadi tumpul.

Perbedaan penggunaan AI ini memunculkan dua kelompok. Terdapat kelompok yang terjebak di “Gunung Ketidaktahuan” karena menjadikan AI sebagai “otak” untuk berpikir kritis dan kreatif.

Namun, ada pula yang menggunakan AI untuk “memberi makan otak” yaitu mengasah kemampuan berpikir mereka.

Dalam kata lain, yang menjadi persoalan adalah bagaimana kita memanfaatkan AI. Bukan soal apakah seseorang menggunakan AI generatif atau tidak. Jika digunakan mentah-mentah, ChatGPT akan menurunkan kemampuan intelektual kita.

Penurunan intelektual ini dapat terjadi ketika seseorang memakai informasi dari AI tanpa mengujinya dengan asumsi pribadi, tak mempertimbangkan pandangan alternatif, atau mengadopsi analisis yang mungkin masih dangkal.

Namun, ketika AI digunakan sebagai alat bantu, AI dapat mendorong rasa penasaran, memunculkan ide-ide baru, dan membantu kita memahami topik yang kompleks. AI juga bisa menjadi teman berbicara yang pintar sehingga kita jadi berpikir kritis.

Cara menggunakan AI menentukan apakah kita akan jadi bodoh atau justru semakin ahli di bidang kita. AI generatif seharusnya digunakan untuk memperkuat kemampuan berpikir manusia, bukan menggantikannya.

Artinya kita menggunakan ChatGPT untuk mendukung proses pencarian jawaban, bukan untuk jalan pintas. Itu berarti memperlakukan respons AI sebagai ide awal (brainstorm), bukan hasil akhir.

AI, cara berpikir, dan masa depan produktivitas

Membeludaknya penggunaan AI generatif didorong oleh pertumbuhan pesat ChatGPT yang mencapai 100 juta pengguna hanya dalam waktu dua bulan setelah peluncuran.

Demam ChatGPT ini membawa kita ke persimpangan jalan. Satu jalan mengarah ke penurunan intelektual karena kita membiarkan AI yang berpikir.

Jalan lainnya mengantarkan kita ke peluang mengembangkan kemampuan berpikir kita: bekerja bersama AI, memanfaatkan kekuatan teknologi untuk membuat kita berkembang.

Kini sering disebut bahwa AI tak akan merebut pekerjaan kita, tetapi seseorang yang menggunakan AI dapat melakukannya. Namun, individu yang menggunakan AI tanpa berpikir kritis justru menjadi sosok yang paling mudah untuk tergantikan.

Jika memanfaatkan AI sebagai alat bantu, kita dapat memproduksi hasil yang tak bisa dihasilkan oleh manusia sendiri atau AI sendiri. Inilah arah masa depan kita.

Tulisan ini dimulai dengan sebuah pertanyaan apakah ChatGPT membuat kita jadi bodoh. Namun, saya ingin mengakhirinya dengan pertanyaan yang berbeda: Bagaimana menggunakan ChatGPT agar kita jadi lebih pintar?

Jawaban untuk kedua pertanyaan tersebut tak bergantung pada teknologinya, tapi pada penggunanya.

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

Aaron French tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Cara membuat prompt AI yang bagus biar produktif: Tip dari ahli

2025-07-15T08:01:02Z

FOTOSPLASH/Shutterstock

“Apakah kamu mampu memanfaatkan AI dalam pekerjaan?”

Kecerdasan buatan alias artificial intelligence (AI) sudah jadi bagian dari keseharian kita. Mulai dari ChatGPT, Copilot, Gemini AI, Blackbox AI, dan platform AI generatif lainnya tak lagi terpisahkan dari pekerjaan. Maka dari itu, makin banyak perusahaan yang mencari pekerja yang menjawab “iya” pada pertanyaan sebelumnya.

Kemampuan menggunakan prompt dan berpikir bersama AI kini jadi kunci produktivitas. Tak heran, banyak lowongan kerja mulai mencantumkan syarat “menguasai tools AI"—karena perannya sudah setara dengan aplikasi kantor lainnya.

Ketika menggunakan AI, mungkin kita pernah merasa mendapatkan respons yang sangat generik dan tidak mendalam. Masalahnya bukan pada AI, tapi bisa jadi kita masih kurang memberikan arahan yang jelas untuk menghasilkan jawaban yang kita inginkan.

Gambarannya begini. AI dilatih dengan "membaca” semua hal yang ada di internet. Pada dasarnya, AI menekankan pada prediksi sehingga akan memberikan jawaban yang ia rasa paling masuk akal, makanya jawabannya terasa umum.

Tanpa arahan yang spesifik, kita hanya menggunakan AI seperti kita masuk ke restoran dan pesan “apa pun yang enak.” Kemungkinan besar kita akan mendapatkan makanan yang secara umum dianggap enak, misalnya ayam goreng.

Oleh karena itu, kita perlu memahami bahwa AI adalah sistem yang jago sekali beradaptasi dengan konteks. Namun, kitalah yang harus memberikan konteks tersebut ke AI. Jadi, bagaimana caranya membuat prompt AI yang pas sesuai konteks yang kita inginkan?

Membuat prompt yang efektif

Mungkin kamu pernah dengar istilah “prompt engineering” atau rekayasa prompt. Terdengar sangat teknis dan terkesan sangat rumit seperti melakukan coding, tapi sebenarnya sederhana.

Rekayasa prompt dapat kita lakukan dengan menyesuaikan konten prompt yang kita berikan pada AI. Kita tidak perlu pusing harus memberikan prompt dengan format tertentu karena AI chatbot sekarang sudah memahami bahasa sehari-hari.

Konten prompt yang efektif harus mengandung poin-poin penting tentang apa yang kita mau dan bagaimana bentuk hasil yang kita harapkan. Kami merangkumnya jadi singkatan CATS: context, angle, task, style (konteks, perspektif, tugas, dan gaya).

Context (konteks)

Kita perlu menyediakan konteks yaitu informasi latar belakang terkait tugas yang akan kita berikan.

Misalnya kita mau membuat proposal. Daripada menulis, “Bagaimana caranya membuat proposal?”, lebih baik kita pakai, “Saya adalah kepala organisasi nonprofit yang ingin menulis proposal pengajuan dana kepada yayasan yang mendanai program edukasi untuk sekolah di perkotaan.”

Lampirkan juga dokumen pendukung, jelaskan apa kendala kita, dan gambarkan situasi spesifik berkaitan dengan proposal tersebut agar AI dapat memberikan hasil yang membantu.

Angle (perspektif)

Kita harus memanfaatkan kekuatan AI dalam bermain peran dan memosisikan diri dengan perspektif tertentu. Daripada sekadar mendapat jawaban generik, kita bisa minta AI memberikan tanggapan seakan-akan mereka lagi berperan jadi sosok tertentu.

Misalnya kita mau minta AI untuk memeriksa tulisan ilmiah. Kita bisa menulis prompt, “Berikan saran seperti peer reviewer yang kritis dan temukan kelemahan dari argumen saya” atau “Kasih saran seperti mentor suportif agar tulisan ini bisa lebih komprehensif.”

Task (tugas)

Setelah mendeskripsikan konteks dan menjelaskan soal perspektif, kita perlu mendeskripsikan apa yang perlu AI lakukan secara spesifik.

Misalnya kita mau mempercantik isi presentasi. Daripada menulis, “Bantu saya memperbaiki presentasi ini” yang kurang jelas tujuannya, lebih baik gunakan, “Berikan saya tiga cara untuk membuat bagian pembukaan presentasi saya bisa lebih menarik untuk partisipan yang merupakan pebisnis kecil.”

Prompt seperti itu cukup spesifik dan membuat AI bisa memberikan saran konkret.

Style (gaya)

Kita dapat memaksimalkan hasil jawaban AI agar lebih pas dengan format yang kita perlukan atau audiens yang kita tuju.

Dalam prompt, kita bisa perjelas apakah kita menginginkan laporan formal, email santai, poin-poin informasi untuk para direktur, atau penjelasan yang cocok untuk remaja. Mintalah AI untuk menggunakan gaya tertentu, entah itu gaya akademis yang formal, bahasa teknis, atau bahasa sehari-hari seperti percakapan biasa.

Kemampuan menggunakan AI semakin dibutuhkan dan menjadi sama pentingnya dengan kemampuan menggunakan aplikasi terkait pekerjaan kantor. Shutterstock

Pentingnya konteks

Selain membuat prompt yang jelas dan efektif, kita juga perlu mengelola informasi pendukung prompt atau disebut juga dengan “context engineering” atau rekayasa konteks. Rekayasa ini berkaitan dengan segala sesuatu yang dapat mendukung prompt tersebut.

Kita perlu memikirkan sejauh apa akses pada lingkungan dan informasi yang dimiliki AI. Kita juga perlu mengetahui fungsi memori, sistem instruksi sampai pengerjaan tugas, riwayat percakapan sebelumnya, dokumen yang kita unggah, sampai contoh-contoh hasil yang bagus.

Dalam memberikan prompt, anggaplah kita sedang bercakap-cakap dengan AI. Kalau kita kurang puas dengan respons pertama, mintalah elaborasi, perubahan, atau berikan informasi pendukung lebih banyak.

Jangan berharap AI akan memberikan kita respons yang langsung siap pakai. Gunakanlah AI untuk melatih pemikiran kita sendiri. Misalnya kita sedang buntu akan ide, kita bisa kumpulkan respons-respons AI yang kita rasa bagus, minta AI merangkumnya. Lalu lanjutkanlah sesi brainstorming dari sana.

Tetap berpikir kritis

Kita tetap perlu berhati-hati saat menggunakan AI. Meski mereka mampu berkomunikasi seakan-akan seperti manusia sungguhan, kitalah yang memiliki kekuatan penuh.

Kita perlu menetapkan jarak dan mengingat bahwa kitalah yang berfungsi sebagai “otak” dalam interaksi antara kita dengan AI. Upayakan untuk memeriksa akurasi dari apapun yang AI hasilkan karena AI masih sering salah.

Sistem AI memang menakjubkan, tapi AI tetap membutuhkan kita dan kecerdasan manusia. Kita perlu menjadi jembatan antara informasi umum yang mereka miliki dengan situasi spesifik yang kita hadapi. Berikan AI konteks dalam melakukan tugas mereka dan kita akan sangat terbantu dengan kekuatan AI.

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

AI masuk kurikulum pendidikan: Sesuai kebutuhan zaman atau terlalu dipaksakan?

2025-05-22T01:23:14Z

Kecerdasan buatan (AI) telah menjadi topik utama dalam percakapan global tentang teknologi dalam beberapa tahun terakhir. Perkembangannya yang pesat membuat AI tidak lagi diperlakukan sebagai fitur tambahan dalam sistem digital, tetapi menjelma menjadi motor utama berbagai inovasi lintas sektor.

Di dunia industri, AI membantu mempercepat dan menyempurnakan proses produksi, mempermudah manajemen logistik hingga memberikan dukungan keputusan berbasis data secara langsung. Sementara itu, sektor pendidikan juga mulai merasakan dampak positif teknologi ini, misalnya lewat penggunaan platform pembelajaran yang bisa menyesuaikan dengan kebutuhan siswa serta sistem evaluasi yang adaptif dan personal.

Melihat urgensi peran AI di masa depan, pemerintah Indonesia pun mengambil langkah strategis. Wakil Presiden Gibran Rakabuming Raka mewacanakan untuk mengintegrasikan AI ke dalam kurikulum pendidikan nasional. Menurutnya, penting bagi anak-anak Indonesia untuk tak sekadar menjadi pengguna teknologi, tetapi juga tumbuh sebagai inovator yang mampu mengembangkan solusi berbasis AI sejak usia dini.

Apakah memasukkan AI sebagai salah satu subjek kurikulum pendidikan adalah langkah yang tepat untuk saat ini? Atau ini adalah langkah yang terburu-buru tanpa perhitungan matang?

Dalam episode terbaru SuarAkademia, Podcast Producer The Conversation Indonesia, Muammar Syarif, berbincang dengan tiga anggota tim redaksi: Robby Irfany Maqoma (Managing Editor), Hayu Rahmitasari (Editor Pendidikan & Budaya) dan Dewi N. Piliang (Editor Lingkungan).

Robby berpendapat bahwa usulan memasukkan AI dalam kurikulum adalah ide yang harus dipersiapkan secara serius dan bukan hanya usulan yang reaktif. Menurutnya, pemerintah perlu memastikan kebutuhan dasar terkait pendidikan seperti kualitas guru, kualitas sekolah, dan fasilitas penunjang pendidikan di sekolah baik dan merata sebelum merealisasikan ide ini.

Ia menambahkan, kalau pemerintah hanya sekadar memasukkan AI sebagai subjek kurikulum tanpa memperhatikan aspek aspek mendasar lain, pada akhirnya ini hanya akan sekedar menjadi tambahan mata pelajaran yang tidak memberi nilai tambah pada kecerdasan siswa secara umum.

Hayu menguatkan argumen Robby dengan mengatakan wacana ini justru akan menjadi kontraproduktif jika infrastruktur dasar seperti jaringan internet belum merata di seluruh wilayah Indonesia. Menurutnya, alih-alih menjadi alat untuk meningkatkan kualitas pembelajaran, teknologi AI justru berisiko menciptakan hambatan baru bagi kelompok yang tidak memiliki akses teknologi dan literasi digital.

Hayu menegaskan bahwa integrasi AI tanpa pendekatan inklusif hanya akan memperdalam ketimpangan yang selama ini menjadi masalah utama dalam dunia pendidikan nasional.

Sedangkan, Dewi melihat wacana integrasi AI dalam kurikulum justru belum dibarengi dengan perencanaan yang sistematis. Ia menyarankan Indonesia seharusnya memiliki regulasi dan peta pengembangan AI yang jelas seperti Cina yang sudah memiliki ini sejak tahun 2017. Peta jalan itu kemudian diikuti dengan aturan-aturan turunan yang spesifik pada berbagai sektor, termasuk pendidikan.

Untuk saat ini, Dewi menganggap penguatan literasi digital peserta didik menjadi lebih penting daripada langsung mengintegrasikan AI kedalam kurikulum. Menurutnya, tanpa memiliki literasi digital yang baik, siswa memiliki potensi untuk menyalahgunakan AI dalam aktifitas sehari-hari.

Simak episode lengkapnya hanya di SuarAkademia—ngobrol seru isu terkini, bareng akademisi.

Tak hanya melalui algoritma saja, AI juga pintar berkonten untuk pinjol dan judol

2025-04-30T04:11:15Z

● Fenomena judol dan pinjol kian marak di Indonesia, terutama menjerat masyarakat menengah ke bawah

● Teknologi AI, terutama algoritma rekomendasi dan video deepfake, dimanfaatkan untuk menyasar pengguna dan memicu ketergantungan

● Indonesia harus memiliki regulasi tegas dan terperinci untuk mengatur penyalahgunaan AI, terutama soal judol dan pinjol

Fenomena judi online (judol) dan pinjaman online (pinjol) semakin meluas di Indonesia, terutama menjerat masyarakat menengah ke bawah.

Meskipun pemerintah melalui Kementerian Komunikasi dan Digital (Komdigi) sudah memblokir 5,7 juta konten terkait judol hingga 21 Januari 2025, pengguna judol di Indonesia tetap meningkat. Data teranyar, tercatat ada sekitar 8,8 juta orang terlibat judol dengan perputaran uang mencapai Rp283 triliun hingga semester kedua 2024. Yang lebih memprihatinkan hampir seperempat korban judol berasal dari kaum muda seperti pelajar dan mahasiswa.

Begitu pula dengan pinjol, pada periode Januari-Maret 2025 pemerintah memblokir 1.123 pinjol ilegal. Tapi pinjol ilegal masih berseliweran.

Promosi pinjol dan judol kian marak di media digital, menampilkan figur publik atau influencer —yang acap kali palsu—menjebak pengguna, membuat kedua layanan itu tampak menjanjikan dan membikin penggunanya semakin sulit lepas dari candu.

Sementara itu, Indonesia masih belum memiliki regulasi tegas dan terperinci untuk mengatur penyalahgunaan AI dalam konteks judol dan pinjol. Tak ayal, bisnis pinjol dan judol kian menjamur.

Bagaimana AI menyulut maraknya judol dan pinjol?

Ada dua jenis teknologi AI yang banyak dipakai untuk promosi judol dan pinjol, yakni; algoritma rekomendasi dan deep synthesis dalam bentuk video deepfake.

Algoritma rekomendasi menyasar pengguna potensial judol dan pinjol lewat analisis perilaku digital mereka saat berselancar di media sosial.

Mula-mula, algoritma mengumpulkan data aktivitas online pengguna, seperti riwayat pencarian, konten yang paling sering dilihat, aplikasi yang sering dipakai, sampai lokasi, usia, jenis kelamin, dan data demografi lainnya.

Data dan jejak digital itu direkam oleh sistem. Dengan machine learning, algoritma lalu menganalisis pola perilaku dan preferensi pengguna. Setelah tahu pola dan preferensi, algoritma akan menyajikan iklan yang sudah dipersonalisasi di berbagai platform sosial media yang sering dikunjungi pengguna.

Semakin sering seseorang berinteraksi dengan konten terkait perjudian atau pinjol, semakin besar pula kemungkinan mereka menerima lebih banyak konten serupa. Ini menciptakan efek echo chamber atau ruang gema.

Teknologi AI lainnya yang banyak digunakan untuk promosi pinjol dan judol adalah deep syntesis seperti video deepfake. Deepfake bekerja dengan cara meniru wajah dan suara figur publik menggunakan kecerdasan buatan yang dilatih dari data visual dan audio mereka di internet.

Setelah AI mampu meniru ekspresi dan intonasi secara meyakinkan, pelaku menyisipkan konten palsu seolah tokoh tersebut mempromosikan pinjol atau judol. Tujuannya adalah untuk menarik perhatian dan membangun kepercayaan calon korban.

Kasus terbaru di Indonesia, beredar video aktor Gading Marten mempromosikan sebuah situs judol. Setelah ditelusuri oleh banyak media, video tersebut merupakan hasil rekayasa.

Butuh regulasi mengatur penyalahgunaan AI: belajar dari Cina

Meski sudah banyak kasus penyalahgunaan yang terjadi, hingga saat ini, Indonesia masih belum memiliki regulasi yang tegas dan terperinci untuk mengatur AI, terutama dalam konteks judol dan pinjol.

Undang-Undang Informasi dan Transaksi Elektronik (UU ITE) mengategorikan AI sebagai “agen elektronik”, sehingga segala kewajiban hukum dibebankan kepada penyedia perangkat berbasis AI, bukan pada AI itu sendiri sebagai subjek hukum.

Artinya, AI hanya alat atau perantara, bukan pihak yang bisa dimintai pertanggungjawaban langsung di mata hukum. Dan jika ada pelanggaran, masih mengacu pada regulasi umum seperti perlindungan konsumen, tanggung jawab perdata/pidana oleh pengelola sistem, dan sebagainya.

Adapun panduan etika penggunaan AI di industri fintech hanya diatur dalam Surat Edaran Menteri Komunikasi dan Informatika (Menkominfo) Nomor 9 Tahun 2023 yang sifatnya sebatas panduan atau “soft regulation” dan tidak memiliki kekuatan hukum yang mengikat.

Begitu pula panduan kode etik yang diluncurkan oleh Otoritas Jasa Keuangan (OJK) bersama asosiasi fintech, hanya berlaku sebagai pedoman etika tanpa sanksi hukum jika terjadi pelanggaran.

Indonesia semestinya belajar dari Cina. Sejak 2017, mereka sudah menerbitkan New Generative AI Development Plan sebagai fondasi utama tata kelola berbagai macam jenis AI, termasuk algoritma rekomendasi dan deep synthesis. Sebagai turunannya, Cina menerbitkan aturan yang lebih rinci dan terstruktur.

Provisions on the Management of Algorithmic Recommendations in Internet Information Services yang dirilis pada tahun 2021 menjadi salah satu dari tiga regulasi utama terkait AI dan algoritma di Cina.

Pasal 7 aturan ini melarang penggunaan algoritma yang menyebabkan adiksi atau perilaku konsumsi berlebihan, seperti pada kasus judol dan pinjol. Kemudian Pasal 12 melarang penggunaan algoritma untuk manipulasi peringkat, hasil pencarian, atau rekomendasi yang merugikan pengguna, seperti pada kasus promosi judol atau pinjol.

Pada 2022, Cina juga mengeluarkan Provisions on the Administration of Deep Synthesis Internet Information Services, yang mengatur teknologi deep synthesis seperti deepfake untuk memastikan bahwa penggunaannya tidak merugikan kepentingan publik dan keamanan nasional.

Regulasi ini melarang penggunaan teknologi deepfake untuk menghasilkan konten yang melanggar hukum. Serta mewajibkan pelabelan konten deepfake untuk membedakan mana konten yang asli dan mana yang telah dimanipulasi dalam tujuan komersial. Secara spesifik, aturan pelabelan konten sintetik seperti deepfake bahkan baru saja dituangkan dalam Measures for the Labelling of Artificial Intelligence-Generated and Synthetic Content pada 14 Maret 2025.

Dengan regulasi yang ketat, terstruktur, dan spesifik seperti yang dilakukan Cina, Indonesia bisa meminimalisir potensi penyalahgunaan AI untuk tujuan-tujuan yang tidak etis seperi praktik judol dan pinjol ilegal.

La Ode Rifaldi Nedan Prakasa menerima dana dari LPDP ketika menempuh pendidikan Master of Strategic Communications (2023-2024). Tulisan ini sebagai salah satu bentuk kontribusi beliau yang sekiranya bisa menjadi bagian dari diskusi regulasi AI di Indonesia.

Ramai-ramai tiru Ghibli: Isu hak cipta dan data pribadi di balik tren AI

2025-04-29T04:09:07Z

● Penggunaan AI untuk menghasilkan gambar berisiko melanggar hak cipta.

● Interaksi pengguna dengan AI berpotensi mengancam privasi.

● Regulasi Indonesia belum cukup spesifik untuk menangani isu kompleks penggunaan AI.

Apakah kamu termasuk orang yang ikut tren mengedit foto ala ‘Ghibli’ Lebaran kemarin?

Tren tersebut kini telah meluas ke berbagai gaya visual lainnya, seperti The Muppets, Pixar, hingga action hero.

Gambar-gambar estetik hasil kecerdasan buatan (AI) memang menarik. Namun, di balik visual yang memukau, ada potensi pelanggaran hak cipta dan penyalahgunaan data pribadi.

Proses ‘abu-abu’ di balik pembuatan gambar AI

Banyak pengguna sering tidak sadar bahwa sistem AI dilatih untuk bisa menggunakan data dari seluruh penjuru internet. Alhasil, karya dengan hak cipta bisa ikut terseret tanpa izin.

Selain itu, sistem AI juga dilatih mengumpulkan data dari input pengguna dengan izin yang diberikan pengguna saat pertama kali mendaftar.

Contohnya ketika menggunakan ChatGPT, kamu secara otomatis akan menyetujui syarat dan ketentuan OpenAI, termasuk kesediaan bahwa seluruh ‘kontenmu’ (input dan output) boleh dipakai untuk melatih sistem AI, kecuali kamu mengubah pengaturannya. Di sinilah celah potensi pelanggaran privasi itu muncul.

Gaji tak kunjung naik. Promosi mesti pindah perusahaan. Skripsi belum juga ACC. Diet ketat, berat badan tak turun juga. Lingkungan kerja toxic, bosnya narsistik. Gaji bulan ini mesti dibagi untuk orang tua dan anak. Mau sustainable living, ongkosnya mahal. Notifikasi kantor berdenting hingga tengah malam. Generasi Zilenials hidup di tengah disrupsi teknologi, persaingan ketat, dan kerusakan lingkungan.

Simak ‘Lika Liku Zilenial’ mengupas tuntas permasalahanmu berdasar riset dan saran pakar.

Bagaimana AI dapat ‘melanggar’ hak cipta dan privasi

AI berpotensi melanggar hak cipta setidaknya di dua tahapan.

Pertama, saat pelatihan, sistem AI biasanya membutuhkan salinan data dalam jumlah besar—termasuk data yang dilindungi hak cipta—untuk membangun modelnya.

AI dilatih lewat dua metode utama: web scraping (mengambil data dari situs publik seperti Wikipedia dan GitHub) dan data licensing (melalui kontrak resmi dengan pemilik konten seperti penerbit buku atau platform ensiklopedia).

Metode pertama lebih umum digunakan oleh pengembang AI. Namun metode ini rawan pelanggaran hukum—terutama jika data yang dikumpulkan mengandung karya berhak cipta.

Kedua, setelah model AI selesai dilatih, potensi pelanggaran hak cipta juga bisa terjadi pada tahap produksi, yaitu ketika AI menghasilkan karya baru yang meniru elemen khas dari karya asli—misalnya gaya lukis, warna, atau proporsi karakter.

Secara hukum, menggandakan data atau mengadaptasi karya berhak cipta tanpa izin pemiliknya, berpotensi melanggar hak cipta, kecuali ada lisensi atau aturan pengecualiannya. Bahkan jika gambar yang dihasilkan “berbeda"—tapi menampilkan karakteristik karya asli—tetap berpotensi dianggap pelanggaran.

Isu lain yang sering luput adalah risiko pelanggaran privasi. Interaksi pengguna dengan ChatGPT—baik teks maupun gambar—bisa disimpan dan digunakan untuk melatih sistem, kecuali pengguna menonaktifkan fitur usage data sharing (berbagi data).

Kebijakan privasi OpenAI, menyatakan bahwa data pengguna akan disimpan selama mungkin jika riwayat obrolan diaktifkan. Namun, jika di non-aktifkan, OpenAI akan menyimpan data pengguna selama 30 hari.

Ini membuat posisi pengguna rentan, terutama jika informasi yang dibagikan bersifat sensitif atau personal.

OpenAI memang menyediakan pengaturan privasi, tapi kesadaran pengguna di Indonesia relatif rendah. Banyak yang belum memahami bahwa setiap input bisa menjadi bagian dari dataset AI berikutnya.

Nasib aturan AI di Indonesia

OpenAI berdalih bahwa gambar yang mereka hasilkan adalah hasil ‘transformative use’, bukan salinan langsung.

Dalam hukum Amerika Serikat (AS), alasan ini dilindungi oleh doktrin fair use. Artinya, penggunaan materi berhak cipta dibolehkan selama karya baru tersebut cukup berbeda dan punya nilai tambah.

Namun, dalam konteks hukum Indonesia, alasan transformative use yang dipakai OpenAI ini kurang sesuai.

Sebab, UU Hak Cipta belum secara spesifik mengatur karya yang dihasilkan oleh AI, terlebih penggunaan karya berhak cipta untuk melatih sistem AI.

UU Hak Cipta mendefinisikan pencipta sebagai "orang atau badan hukum”, sehingga sulit untuk memasukkan AI dalam definisi tersebut.

Selain itu, UU Hak Cipta juga sangat terbatas dalam mengakomodasi konsep “transformative use”. Artinya, materi dengan hak cipta hanya dapat digunakan tanpa seizin pemiliknya untuk kepentingan pendidikan, penilitian, keamanan, dan pertunjukan non-komersil.

Secara umum, penggunaan AI di Indonesia dapat masuk dalam aturan UU Informasi dan Transaksi Elektronik (ITE) dan UU Perlindungan Data Pribadi (PDP).

Namun, UU ITE menggunakan istilah “agen elektronik” yang masih diperdebatkan terkait cakupannya terhadap sistem AI. Pasalnya, dengan kategori “agen elektronik”, segala kewajiban hukum dibebankan kepada penyedia perangkat berbasis AI.

Karena hanya dianggap alat atau perantara, AI bukan pihak yang bisa dimintai pertanggungjawaban langsung. Artinya, jika ada pelanggaran, proses hukumnya mengacu pada regulasi umum seperti perlindungan konsumen atau tanggung jawab perdata/pidana oleh pengelola sistem.

Sebagai pengendali data, penyedia layanan seperti OpenAI wajib mematuhi Undang Undang Perlindungan Data Pribadi yang mengatur soal pengelolaan dan pemrosesan data pribadi. Namun, masih belum jelas cara aturan ini mengatasi masalah yang mungkin ditimbulkan oleh AI.

Perlu mengejar ketertinggalan

Aturan di Indonesia semestinya bisa beradaptasi dengan perkembangan AI terkini. Cina, misalnya, sudah menerbitkan New Generative AI Development Plan sebagai fondasi utama tata kelola berbagai macam jenis AI sejak 2017 lalu.

Wacana terakhir terkait pembentukan peraturan AI di Indonesia termuat dalam Strategi Nasional untuk Kecerdasan Artifisial (Stranas KA) yang disusun oleh perwakilan tenaga ahli di bawah pengawasan Badan Pengkajian dan Penerapan Teknologi (BPPT).

Namun, hingga saat ini belum terdapat draf aturan khusus yang bertujuan mengatur sistem AI, terlebih terkait hak cipta dan karya yang dihasilkan oleh AI. Sebagian besar perhatian masih difokuskan pada keluaran AI.

Pemerintah dan para pemangku kebijakan di Indonesia harus segera menyusun kerangka kerja untuk mengatur penggunaan AI. Ini bukan hanya demi perlindungan hukum, tapi juga demi keadilan bagi seniman, penulis, dan individu yang datanya digunakan tanpa persetujuan.

Sebagai pengguna, kita juga harus lebih berhati-hati dan menghindari membagikan informasi sensitif atau pribadi saat menggunakan sistem AI. Kita perlu memahami pengaturan data agar bisa menentukan apakah interaksi kita ingin disimpan atau dihapus setelah digunakan.

Haekal Al Asyari tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Mau tahu masa depan AI? Lihatlah kegagalan Google Translate

2025-04-24T10:13:44Z

Stockete

Pakar komputer Rich Sutton dan Andrew Barto mendapatkan Turing Award tahun 2024, penghargaan paling bergengsi bagi sosok yang punya rekam jejak panjang di ranah teknologi. Esai karya Sutton yang dirilis pada 2019, The Bitter Lesson, secara spesifik mengupas demam penggunaan kecerdasan buatan (AI) masa kini.

Sutton berpendapat bahwa mengembangkan AI dengan proses komputasi intensif merupakan metode yang “jelas paling efektif dan jauh lebih efektif” dibanding pemanfaatan pengetahuan manusia.

Gagasan ini sebenarnya telah berulang kali terbukti dalam sejarah AI. Namun, terdapat pelajaran penting lain terkait AI—berasal dari sekitar 20 tahun lalu—yang harus kita perhatikan.

Chatbot AI saat ini (ChatGPT, DeepSeek, dan lain-lain) dibangun dengan menggunakan model bahasa besar (large language models/LLMs). LLM adalah model yang dilatih dengan sangat banyak data sehingga model tersebut bisa “menalar” dengan cara memprediksi kata berikutnya dalam kalimat. Model ini berfungsi dengan mempertimbangkan kemungkinan-kemungkinan (probabilitas).

Model bahasa probabilistik yang fungsional tahap awal dikembangkan oleh Claude Shannon, ahli berbagai bidang asal Amerika Serikat pada 1948. Ia mempelajari temuan masa lampau dari tahun 1910-an dan 1920-an.

Bentuk model bahasa ini sempat populer pada 1970-an dan 1980-an karena digunakan dalam komputer untuk penerjemahan dan pengenalan ucapan (speech recognition) yaitu fitur mengubah kata-kata yang diucapkan menjadi teks.

LLM berkemampuan tinggi, seperti yang kita kenal di era sekarang, pertama kali dirilis pada 2007. Model ini menjadi bagian dari Google Translate yang diluncurkan setahun sebelumnya.

Model tersebut dilatih oleh triliunan kata-kata dengan ribuan komputer, menjadikannya leluhur dari LLM masa kini, meski tetap ada perbedaannya.

LLM tahap awal bergantung pada perhitungan kemungkinan berdasarkan jumlah kata. Berbeda dengan LLM masa kini yang dasarnya adalah sistem produksi makna atau disebut dengan transformers.

Transformers dikembangkan pada 2017, sebuah sistem yang awalnya memang dibuat untuk proses penerjemahan. Sistem ini merupakan [jaringan saraf buatan](https://en.wikipedia.org/wiki/Neural_network_(machine_learning) yang memungkinkan teknologi memahami konteks setiap kata dengan lebih baik.

Pro dan kontra Google Translate

Terjemahan mesin (machine translation/MT) berkembang pesat selama dua dekade belakangan. Tak hanya didorong oleh perkembangan teknologi, model ini juga berkembang karena kumpulan data yang semakin banyak dan beragam. Perkembangan tersebut memperkaya proses pelatihan model.

Dulu, pada 2006, Google Translate hanya menawarkan penerjemahan dalam tiga bahasa yaitu Inggris, Mandarin, dan Arab. Sekarang, ada 249 bahasa yang ditawarkan. Terdengar keren, tetapi sebenarnya angka tersebut hanya 4% dari keseluruhan bahasa di dunia yang diperkirakan berjumlah 7 ribu.

Dengan Google Translate, penerjemahan beberapa bahasa seperti Inggris dan Spanyol biasanya mulus. Namun, tetap saja proses penerjemahan terkadang gagal mengenali ungkapan, nama tempat, istilah hukum dan teknis, dan perbedaan-perbedaan halus lain dalam bahasa.

Untuk penerjemahan bahasa lainnya, Google Translate dapat membantu kita memahami inti sebuah teks, tetapi terkadang masih tak akurat.

Evaluasi tahunan terbesar sistem machine translation—yang kini juga memperhitungkan penerjemahan versi LLM sebagai saingan machine translation—secara terang-terangan menyimpulkan bahwa “machine translation masih perlu dibenahi”.

Machine translation secara umum masih sering digunakan sekalipun memiliki beberapa isu. Pada 2021, aplikasi Google Translate telah mencapai 1 miliar unduhan.

Meski begitu, pengguna tampaknya sadar untuk menggunakan layanan penerjemahan tersebut dengan hati-hati. Sebuah survei pada 2022 yang diikuti 1.200 orang menunjukkan bahwa mereka umumnya menggunakan machine translation hanya untuk situasi santai, seperti menerjemahkan konten dari internet, bukan konteks pekerjaan atau edukasi. Hanya 2% dari responden yang memakai layanan tersebut untuk situasi serius seperti berbicara pada tenaga kesehatan atau polisi.

Tak dapat dimungkiri bahwa terdapat risiko serius dalam penggunaan machine translation dalam situasi yang krusial. Beberapa penelitian menunjukkan bahwa kesalahan terjemahan machine translation dalam pelayanan kesehatan berisiko menimbulkan bahaya serius.

Terdapat temuan bahwa penggunaan machine translation mencederai proses kasus suaka yang kredibel, membuat pencari suaka tertolak karena si mesin salah mengartikan data. Keadaan ini diperparah dengan kecenderungan pengguna yang mempercayai hasil penerjemahan yang mudah dipahami dari machine translation, meski hasilnya menyesatkan.

Machine translation masih jauh dari sempurna. ArtemisDiana

Dengan risiko yang mengintai ini, industri penerjemahan bergantung pada penerjemah untuk ranah yang serius seperti hukum internasional dan perdagangan. Biarpun begitu, daya jual jasa penerjemahan dari para individu tersebut telah berkurang lantaran teknologi bisa melakukan sebagian besar pekerjaan mereka.

Manusia berperan dalam menjaga kualitas penerjemahan. Mereka biasanya adalah pekerja lepas (freelancer) di sebuah platform jual beli yang disalurkan oleh platform machine-translation.

Ironis ketika kita kehilangan pekerjaan, tetapi justru harus mengoreksi hasil buruk dari pekerjaan tersebut. Belum lagi tekanan dari keadaan tak menentu dan perasaan kesepian yang muncul akibat kerja berbasis platform.

Seluruh tekanan tersebut masih dilengkapi dengan ancaman—entah nyata atau dianggap nyata—dari teknologi yang sewaktu-waktu akan menggantikan mereka. Tekanan ini disebut para peneliti sebagai kecemasan otomatisasi (automation anxiety).

Pelajaran untuk LLM

Baru-baru ini industri teknologi dikejutkan dengan Deepseek, model kecerdasan buatan Cina yang memiliki kemampuan serupa dengan pendominasi pasar yaitu model GPT terbaru dari OpenAI. Daya tarik Deepseek berada pada harganya yang jauh lebih memikat dibanding produk OpenAI.

Pertarungan ini mengindikasikan bahwa bahkan LLM pun cepat atau lambat akan menjadi sebuah komoditas, layanan yang dengan mudah diperjualbelikan. LLM akan dipakai oleh organisasi skala apa pun dengan biaya rendah sama seperti machine translation saat ini.

Tentu saja LLM saat ini sudah jauh lebih canggih dibanding machine translation karena menawarkan berbagai jenis tugas. Namun, kekurangan utama LLM adalah data. Sebab, teknologi ini benar-benar memeras data yang ada di internet.

Di titik ini, data pelatihan model tersebut kurang kaya untuk beragam jenis tugas yang ada. Sama halnya dengan kurangnya data untuk bahasa yang dapat dimanfaatkan machine translation.

Masalah data yang telah terkuras menjadi lebih serius di AI generatif: berbeda dengan bahasa, akan lebih sulit mengukur kualitas dari hasil pekerjaan LLM.

Tentu akan ada upaya memperkaya data pelatihan untuk membuat LLM lebih akurat dalam mengerjakan tugas yang kurang mampu dikerjakan. Namun, persoalan penyelesaian berbagai jenis tugas ini menjadi tantangan yang bahkan lebih serius daripada machine translation.

Para ahli mengupayakan model-model ini tetap berkembang dengan terus menambah ukuran data pelatihan model dengan membuat versi sintensisnya atau memanfaatkan masukan dari manusia melalui interaksi chatbot. Cara ini sudah dicoba untuk machine translation, tetapi tidak efektif.

Maka dari itu, masa depan LLM adalah kemampuan menakjubkan mereka di beberapa jenis tugas, kemampuan rata-rata di tugas lain, dan kemampuan di bawah rata-rata di tugas jenis lainnya lagi.

Kita hanya akan menggunakan LLM ketika risikonya rendah karena model ini dapat merugikan jika dipakai di konteks serius. Misalnya kasus pengacara yang memanfaatkan ChatGPT untuk menyusun pembelaan, tetapi ChatGPT mensitasi kasus hukum yang tak nyata.

LLM akan membantu pekerja dalam industri yang memiliki budaya pengecekan kualitas seperti pemrograman komputer. Meski membantu, LLM juga berpotensi menyulitkan pekerja. Ditambah dengan ancaman pada karya seni yang diciptakan manusia dan lingkungan kita.

Pertanyaan pentingnya: apakah ini memang masa depan yang ingin kita perjuangkan?

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

Adam Lopez menerima dana dari Google pada tahun 2015.

Serigala ‘dire wolf’ bangkit lagi, tapi apakah mereka mampu bertahan dan berfungsi selayaknya bagi alam?

2025-04-21T11:05:08Z

Perusahaan rekayasa genetika asal Amerika Serikat (AS), Colossal Biosciences, baru-baru ini mengumumkan bahwa mereka berhasil “menghidupkan kembali” serigala purba atau dire wolf, spesies yang sudah punah sekitar 10.000 tahun lalu. Namun, tiga hewan yang mereka perkenalkan itu sebenarnya adalah serigala abu-abu modern yang telah dimodifikasi secara genetik.

Terlepas dari apakah kamu menganggap mereka benar-benar serigala purba atau tidak, Colossal Bioscience mengklaim bahwa mereka telah merekayasa ulang fungsi ekologis yang hilang.

Klaim ini membuat saya berpikir: fungsi ekologis apa saja yang sudah lenyap dari ekosistem kita akibat kepunahan banyak spesies yang disebabkan oleh manusia?

Fungsi ekologis yang saya maksud di sini adalah peran yang dimainkan setiap hewan dalam ekosistem yang mereka tempati.

Misalnya, lebah madu dan serangga-serangga lainnya menyerbuki tanaman berbunga, berang-berang membangun bendungan yang menciptakan kolam dan mengubah aliran sungai, gajah menumbangkan pohon sehingga sabana tetap terbuka, atau semut dan rayap yang menggali tanah dan membantu mengurai sampah tanaman.

Saya tidak tahu fungsi ekologis seperti apa yang dimiliki serigala hasil rekayasa Colossal, yang membedakannya dari serigala abu-abu biasa. Namun secara hipotetik, mungkin saja mereka akan berburu mangsa dengan cara atau tempat yang berbeda.

Serigala yang berjumlah tiga ekor saja, tentu tidak mungkin punya kemampuan statistik untuk membuktikan adanya dampak ekologis baru. Tapi tetap saja, gagasan bahwa serigala ini bisa memainkan peran ekologis yang berbeda tentu jauh lebih menarik daripada sekadar klaim bahwa mereka telah ‘menghidupkan kembali’ serigala purba atau dire wolf.

Salah satu kelompok hewan yang memiliki fungsi ekologis luar biasa besar adalah hewan-hewan raksasa yang beratnya lebih dari setengah ton. Sayangnya, kelompok ini juga paling terdampak oleh aktivitas manusia—banyak dari spesies ini yang punah dalam beberapa puluh ribu tahun terakhir.

Setiap kali nenek moyang manusia bermigrasi dan menjelajah benua baru dari Afrika, hewan besar berisiko lebih besar terancam punah daripada hewan kecil.

Kukang tanah raksasa, mamut dan gajah, bison dan tapir raksasa, bahkan spesies armadillo dan unta yang berukuran sangat jumbo punah beberapa ribu tahun setelah manusia pertama tiba di benua Amerika.

Armadillo raksasa seukuran badak Doedicurus bertahan hidup di Amerika Selatan hingga 7.000 tahun yang lalu. Daniel Eskridge / shutterstock

Australia kehilangan semua hewan besarnya, termasuk diprotodon (kerabat wombat), kanguru bermuka datar raksasa, dan hewan berkantung yang bentuknya mirip tapir raksasa.

Bersamaan dengan herbivora besar ini, singa berkantung (yang berevolusi dari garis keturunan herbivora), buaya terrestrial, ular pembelit raksasa, dan biawak besar juga hilang. Begitu pula dengan benua Eropa dan Asia yang juga kehilangan banyak spesies raksasa setelah manusia menyebar ke sana.

Dulu, seluruh dunia pernah seperti Afrika

Afrika adalah satu-satunya benua yang masih memiliki banyak herbivora besar, termasuk badak, gajah, kuda nil, jerapah, dan kerbau.

Namun bahkan di benua tempat manusia berevolusi ini, kepunahan masih terjadi—seperti spesies mirip gnu (sejenis antelop) raksasa dan setidaknya satu spesies gajah. Beberapa ilmuwan meyakini spesies tersebut lenyap akibat aktivitas nenek moyang kita.

Di Afrika, herbivora besar yang tersisa memainkan peran ekologis penting yang telah hilang di tempat lain. Gajah, misalnya, berperan menumbangkan pohon untuk menjaga sabana tetap terbuka, sementara kuda nil membuat padang rumput dan menyuburkan sungai dengan kotorannya guna memperkaya rantai makanan perairan.

Hingga baru-baru ini, masih banyak di berbagai belahan dunia yang memiliki hewan besar seperti Afrika. Rita Willaert / flickr, CC BY-NC-SA

Semua herbivora besar menginjak-injak vegetasi dan bantaran sungai, dan merupakan pemain kunci dalam siklus nutrisi alam dari banyaknya kotoran yang mereka hasilkan. Mereka juga membantu penyebaran biji-bijian, dan menciptakan campuran habitat yang berbeda. Proses ini yang menentukan seberapa sering suatu area terbakar, jenis ekosistem yang terbentuk, bahkan secara tidak langsung bisa memengaruhi pola cuaca dan iklim.

Hilangnya hewan-hewan besar ini, terutama di Australia, mengubah ekosistem secara drastis—mulai dari hutan tropis hingga gurun. Siklus api dan nutrien ikut berubah seiring punahnya para pemakan tumbuhan raksasa.

Punahnya semua predator puncak menyebabkan ledakan populasi herbivora kecil seperti kanguru, walabi, dan koala. Hal ini membuat semakin sulit untuk menghindari perubahan hutan menjadi sabana dan lahan semi-kering.

Tanpa predator besar asli, marsupial kehilangan naluri takut. Ketika manusia memperkenalkan kucing, anjing, dan rubah, marsupial menjadi mangsa mudah. Akibatnya, beberapa spesies seperti bilby kecil, bandikut gurun, dan potoroo berwajah lebar punah selamanya, karena menjadi mangsa empuk karnivora.

Diprotodon seukuran badak adalah hewan berkantung terbesar yang pernah ada. Ia hidup berdampingan dengan manusia di Australia selama ribuan tahun. Ryan B / flickr, CC BY-NC

Pencapaian yang mengesankan bagi Colossal Biosciences adalah merekayasa ulang hewan-hewan besar untuk mengembalikan fungsi ekologi yang hilang.

Membangkitkan kembali diprotodon, kanguru bermuka datar, atau bahkan predator seperti singa berkantung akan menjadi lompatan besar—tapi saya rasa, itu akan selamanya berada di luar jangkauan ilmu pengetahuan.

Jurassic Park adalah fiksi, sama halnya dengan upaya menghidupkan kembali fauna Australia 60.000 tahun yang lalu. Bahkan jika kita bisa melakukannya, belum tentu hewan-hewan tersebut akan bertahan hidup mengingat betapa ekologi Australia kini sudah sangat bertahan.

Daripada mencoba menciptakan kembali fungsi ekologis lewat rekayasa genetik hewan yang belum tentu bisa dilepasliarkan, sebaiknya kita mengambil pendekatan lain, yakni: fokus menjaga dan memulihkan fungsi ekologis dengan spesies yang hidup hari ini—baik di area habitat asli maupun di tempat-tempat mereka pernah hidup.

Mungkin dalam dunia sains, hal ini tidak semenarik sensasi bioteknologi seperti yang dilakukan Colossal Biosciences, tetapi jauh lebih realistis dan akan lebih bermanfaat bagi alam.

Timothy Neal Coulson tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Disrupsi AI dalam industri kreatif: benarkah mengancam tenaga kerja muda?

2025-04-17T02:24:19Z

Kecerdasan buatan (AI) berkembang pesat dalam beberapa tahun terakhir dan mulai merambah ranah yang dulu tak terbayangkan, salah satunya industri kreatif. Teknologi seperti generative AI telah melahirkan berbagai platform yang mampu menghasilkan karya visual, tulisan, suara, hingga video secara otomatis.

Contohnya, aplikasi Midjourney yang bisa membuat ilustrasi gambar hanya dari deskripsi teks atau ChatGPT yang mampu menulis naskah dengan berbagai gaya dan nada.

Fitur terbaru ChatGPT bahkan kini memungkinkan pengguna menghasilkan gambar dalam berbagai gaya artistik, termasuk animasi khas Studio Ghibli dari Jepang, yang belakangan dikenal dengan fenomena “Ghiblifikasi”.

Tak hanya itu, AI juga mulai digunakan untuk menyunting video secara otomatis, menyusun storyboard, hingga menciptakan musik tanpa keterlibatan musisi.

Di satu sisi, teknologi ini membuka peluang eksplorasi kreatif yang sebelumnya terbatas oleh kemampuan teknis manusia. Namun di sisi lain, kemampuan AI dalam meniru gaya artistik dan struktur karya manusia memantik perdebatan serius: soal orisinalitas, etika, dan tempat manusia dalam proses kreatif.

Lantas, apakah AI benar-benar menjadi ancaman serius bagi pekerja kreatif, terutama di Indonesia?

Dalam episode terbaru SuarAkademia, kami membahas isu ini bersama Mirna Rahmadina Gumati, seorang peneliti dari Badan Riset dan Inovasi Nasional (BRIN).

Mirna tidak menampik bahwa perkembangan AI saat ini semakin mempermudah siapa pun untuk menghasilkan karya visual seperti penyuntingan foto, pembuatan video, hingga membuat animasi. Bahkan, menurutnya, perkembangan ini masih akan terus melaju lebih jauh lagi.

Ia menggambarkan AI ibarat “pisau bermata dua”. Di satu sisi, kemajuan teknologi membantu para pekerja kreatif untuk melakukan riset dan eksperimen terhadap karya yang akan dibuat. Namun di sisi lain, masih rendahnya apresiasi publik terhadap seni bisa membuat pekerjaan kreatif dianggap semakin remeh—seolah semua karya bisa dihasilkan dengan cepat dan instan, apalagi setelah kehadiran AI. Pandangan ini berpotensi mengancam keberlangsungan profesi di industri kreatif.

Mirna juga menyoroti pentingnya etika dalam penggunaan dan pengembangan AI, terutama di sektor kreatif. Belum adanya regulasi yang jelas dan minimnya pemahaman publik mengenai karya buatan AI menjadi masalah serius.

Untuk itu, ujar Mirna, penguatan regulasi dan edukasi kepada masyarakat tentang penggunaan AI merupakan dua langkah mendesak yang harus dilakukan saat ini.

Jika publik memahami bahwa karya kreatif bukan sekadar hasil akhir, melainkan buah dari pemikiran, eksperimen, dan emosi manusia, mereka akan menghargai karya-karya perkerja seni yang orisinil, meski AI semakin canggih.

Selain itu, kata Mirna, pemerintah perlu merumuskan regulasi yang adil: bisa memberikan perlindungan bagi pekerja kreatif, tanpa menghambat inovasi teknologi.

Simak episode lengkapnya hanya di SuarAkademia—ngobrol seru isu terkini, bareng akademisi.

Apa dinosaurus terbesar yang pernah ada?

2025-04-06T02:13:33Z

Getty Images

Sebenarnya, apa dinosaurus terbesar?

– Zavier, 14, Tauranga, Selandia Baru.

Pertanyaan bagus Zavier. Topik ini juga menarik bagi para paleontolog (ilmuwan yang mempelajari fosil hewan dan tumbuhan) di seluruh dunia.

Jujur saja, dinosaurus yang memecahkan rekor selalu menarik perhatian, baik anak-anak maupun orang dewasa. Apakah itu yang terbesar, terpanjang, tercepat, atau paling menakutkan—dinosaurus selalu memesona. Itulah sebabnya, sampai hari ini, Tyranosaurus rex, sang raja tiran, tetap menjadi salah satu yang paling terkenal.

Dinosaurus pemecah rekor ini merupakan salah satu alasan mengapa waralaba film Jurassic Park begitu sukses. Mungkin kamu ingat, adegan ketika Dr. Alan Grant (diperankan oleh aktor Selandia Baru Sam Neill) terkesima melihat kemampuan dinosaurus sauropoda raksasa yang mencapai daun tertinggi di pucuk pohon dengan lehernya yang panjang.

Namun, bagaimana para ilmuwan mengetahui seberapa besar dan berat dinosaurus itu? Dan apa saja dinosaurus terbesar yang pernah ada?

Menghitung ukuran dinosaurus

Di dunia yang ideal, menghitung seberapa besar dinosaurus itu mudah dilakukan—dengan menggunakan kerangka yang hampir lengkap. Berdiri di samping kerangka Triceratops yang luar biasa di Museum Melbourne saja sudah cukup membuat kamu menyadari betapa besar dan tangguhnya makhluk-makhluk ini.

Dengan mengukur proporsi tulang (seperti panjang, lebar, atau keliling) dan memasukkannya ke dalam rumus matematika dan model komputer, para ilmuwan bisa memperkirakan ukuran dan berat dinosaurus serta membandingkannya dengan hewan hidup lain.

Menghitung ukuran dinosaurus mudah dilakukan jika kamu memiliki kerangka yang hampir lengkap seperti ini ‘Triceratops’ di Museum Melbourne. Ginkgoales via Wikimedia Commons, CC BY-NC-SA

Setiap paleontolog memiliki rumus atau model komputer favorit mereka masing-masing, dan beberapa lebih akurat daripada yang lain. Hal ini yang biasanya bisa memicu perdebatan sengit di kalangan ilmuwan.

Namun, dalam paleontologi, fosil yang ditemukan sering kali tidak utuh. Tulang-tulangnya bisa hancur atau hilang karena proses tafonomi—perubahan yang terjadi pada tulang setelah seekor hewan mati.

Semakin terfragmentasi sisa-sisa dinosaurus, besar kemungkinan kesalahan dalam memperkirakan ukuran dan berat dinosaurus.

Kerangka rekonstruksi ‘Patagotitan’ yang dipamerkan di Museum Sejarah Alam London. Getty Images

Para raksasa titanosaurus

Jika kita bisa melakukan perjalanan kembali ke Amerika Selatan pada periode Cretaceous (sekitar 143 juta hingga 66 juta tahun yang lalu), kita akan menemukan daratan yang dikuasai oleh sekelompok sauropoda atau pemakan tumbuhan berkaki empat, berleher panjang, dan berekor panjang. Mereka akan menjulang tinggi di atas kita, dan tanah akan berguncang setiap kali mereka melangkah.

Itulah para titanosaurus. Mereka mencapai ukuran terbesarnya sebelum punah akibat hantaman asteroid 66 juta tahun yang lalu di wilayah yang kini menjadi Meksiko.

Ada beberapa kandidat untuk gelar dinosaurus terbesar yang pernah ada di antara titanosaurus. Meski daftar ini masih diperdebatkan, berikut adalah beberapa pesaing lain yang mungkin.

Berdasarkan enam kerangka parsial, Patagotitan, diperkirakan sebagai salah satu yang paling besar dengan panjang 31 meter dan berat 50–57 ton.

Beberapa kandidat yang lain mungkin sama besarnya atau bahkan lebih besar lagi. Argentinosaurus diperkirakan lebih panjang dan lebih berat, yakni 30–35 meter dan 65–80 ton. Dan Puertasaurus diperkirakan memiliki panjang sekitar 30 meter dan berat 50 ton.

Tetapi meskipun tulang-tulang Argentinosaurus dan Puertasaursus yang tersedia menunjukkan reptil berukuran sangat besar (tulang paha lengkap Argentinosaurus panjangnya 2,5 meter), saat ini belum ada cukup data untuk memastikan perkiraan tersebut.

Rekonstruksi seniman ‘Spinosaurus’, yang diperkirakan sebagai dinosaurus pemakan daging terbesar. Getty Images

‘Spinosaurus’ menguasai Afrika Utara

Berjarak satu samudra dari Titanosaurus di Amerika Selatan, Spinosaurus hidup di tempat yang sekarang disebut Afrika Utara selama periode Cretaceous.

Dengan selisih yang sangat tipis, Spinosaurus saat ini diperkirakan sebagai dinosaurus karnivora (pemakan daging) terbesar, dengan berat 7,4 ton dan panjang 14 meter. Raksasa Cretaceous lainnya juga termasuk di antara yang terbesar, termasuk Tyranosaurus rex dari Amerika Utara, Gigantosaurus dari Amerika Selatan, dan Carcharodontosaurus dari Afrika Utara.

Spinosaurus unik di antara dinosaurus predator karena ia semi-akuatik (hidup di air dan darat) dan telah beradaptasi dengan memakan ikan. Kamu bisa melihat pada gambar di atas betapa miripnya bentuk tengkoraknya dengan buaya modern.

Paleontologi kini kian populer—mungkin berkat serial Jurassic Park—yang juga memicu “demam emas” fosil di belahan bumi Selatan.

Film Jurassic Park terbaru—yang akan tayang di bioskop mulai Juli 2025—berkisah tentang penemuan spesies prasejarah terbesar dari daratan, laut, dan udara.

Masyarakat umum (yang dikenal sebagai “peramal fosil”) membuat penemuan baru sepanjang waktu.

Jadi, siapa tahu? Penemuan berikutnya mungkin akan menjadi pemegang rekor baru yang merebut gelar dinosaurus terbesar atau terpanjang yang pernah ada.

Nic Rawlence menerima dana dari Royal Society of New Zealand Marsden Fund.

Chatbot AI menghindari jawaban ‘kontroversial’ − ini jadi masalah kebebasan berpendapat

2025-04-03T03:17:56Z

AI chatbots restrict their output according to vague and broad policies. taviox/iStock via Getty Images

Google baru-baru ini menjadi pemberitaan global karena chatbot Gemini sebagai salah satu produk mereka menghasilkan gambar orang kulit berwarna, bukan orang kulit putih, dalam konteks sejarah yang melibatkan orang kulit putih.

Fitur pembuat gambar dari Adobe Firefly juga mengalami permasalahan serupa. Temuan-temuan ini menyulut reaksi protes yang menyebut bahwa AI kini telah menjadi “woke” alias menyadari isu prasangka dan diskriminasi rasial.

Beberapa pihak lain merasa bahwa isu AI ini berakar dari upaya problematik untuk melawan bias AI dan menciptakan layanan yang mengakomodasi audiens global.

Diskusi tentang preferensi politis dan upaya melawan bias dalam AI menjadi isu penting. Meski begitu, perbincangan mengenai isu tersebut gagal menyentuh isu lain yang tak kalah krusial. Dalam industri AI, pendekatan apa yang digunakan untuk mendukung kebebasan berpendapat? Apakah pendekatan itu memenuhi standar kebebasan berpendapat internasional?

Kami adalah peneliti kebijakan yang mempelajari kebebasan berpendapat, sekaligus direktur eksekutif dan peneliti rekanan di The Future of Free Speech. Lembaga ini merupakan wadah pemikir nonpartisan yang berbasis di Vanderbilt University.

Laporan terbaru kami menemukan bahwa AI generatif (generative AI) memiliki kekurangan signifikan terkait kebebasan berekspresi dan akses pada informasi.

AI generatif adalah jenis AI yang memproduksi konten seperti teks atau foto, berdasarkan data yang digunakan untuk melatih AI tersebut. Kami menemukan bahwa regulasi penggunaan pada mayoritas chatbot sebenarnya tak memenuhi standar, khususnya standar Amerika Serikat.

Pada praktiknya, hal ini berarti chatbot AI sering kali menyensor temuan terkait isu yang dianggap kontroversial oleh perusahaan. Tanpa budaya kebebasan berpendapat yang tegas, perusahaan yang menciptakan alat bantu AI generatif akan terus mendapat reaksi negatif di tengah masa yang semakin terpolarisasi ini.

Kebijakan penggunaan yang tak jelas dan terlalu luas

Dalam laporan, kami menganalisis kebijakan yang dimiliki enam chatbot AI yang dikenal luas, termasuk Gemini dari Google dan ChatGPT dari OpenAI. Para perusahaan merilis kebijakan untuk mengatur bagaimana individu dapat menggunakan model mereka.

Mengacu pada serangkaian aturan hak asasi manusia (HAM) internasional, kami menemukan kebijakan perusahaan terkait misinformasi dan ujaran kebencian masih sangat kabur dan terlalu luas. Perlu diingat bahwa kekuatan perlindungan kebebasan berpendapat dalam regulasi HAM internasional lebih lemah dibanding Amendemen Pertama Konstitusi Amerika Serikat.

Dari hasil analisis, kami menemukan bahwa kebijakan terkait ujaran kebencian yang dirilis perusahaan-perusahaan tersebut memiliki larangan yang sangat umum. Misalnya, Google melarang pembuatan “konten yang mempromosikan atau menyulut kebencian.”

Tak dapat dimungkiri bahwa ujaran kebencian adalah tindakan buruk dan menyakiti. Namun, kebijakan yang terlalu luas dan tak jelas, seperti yang dimiliki Google, dapat menjadi bumerang.

Untuk menunjukkan bagaimana kebijakan yang terlalu luas dan tak jelas ini dapat memengaruhi pengguna, kami menguji serangkaian perintah (prompts) terkait topik yang kontroversial.

Kami menanyai chatbot dengan pertanyaan seperti apakah perempuan transgender boleh atau tidak ikut turnamen olahraga perempuan, bagaimana kolonialisme Eropa dalam konteks terkini, ataupun terkait krisis ketimpangan. Kami tidak meminta chatbot untuk menghasilkan ujaran kebencian yang merendahkan sisi atau grup mana pun.

Hasilnya, keenam chatbot tersebut ternyata menolak proses pembuatan konten untuk sejumlah 40% dari 140 perintah yang kami pakai. Ini mirip dengan apa yang dilaporkan oleh beberapa pengguna,

Sebagai contoh, semua chatbot menolak untuk membuat unggahan terkait penolakan partisipasi perempuan transgender dalam turnamen perempuan. Meski begitu, mayoritas chatbot tak keberatan membuat unggahan yang menyuarakan dukungan terhadap partisipasi mereka.

Kebebasan berpendapat jadi hak yang substansial di AS, tetapi pemaknaan dan aplikasinya masih secara luas diperdebatkan.

Kebijakan yang mengambang amat bergantung pada opini subjektif moderator tentang apa itu ujaran kebencian. Pengguna juga bisa saja menafsirkan bahwa peraturan tersebut tidak dilaksanakan secara adil, menginterpretasikannya terlalu ketat atau justru terlalu longgar.

Contohnya di chatbot Pi yang melarang “konten yang dapat menyebabkan misinformasi.” Di sisi lain, hukum HAM internasional tentang kebebasan berekspresi umumnya melindungi misinformasi. Pembatasannya harus memiliki dasar yang kuat, misalnya terkait campur tangan asing dalam pemilu.

Di luar konteks tersebut, standar HAM menjamin “kebebasan untuk mencari, menerima, dan berpihak pada informasi dan ide apa pun tanpa batasan melalui pilihan media apa pun,” seperti termuat dalam Konvensi Perserikatan Bangsa-Bangsa.

Definisi seputar informasi akurat juga tak lepas dari implikasi politik. Beberapa pemerintah dari berbagai negara menggunakan aturan yang diadopsi dari konteks pandemi COVID-19 untuk menekan kritik terhadap pemerintah. Baru-baru ini, India memprotes Google setelah Gemini mencatat beberapa pendapat ahli yang menyebut kebijakan-kebijakan perdana menteri mereka, Narendra Modi, tergolong fasis.

Budaya kebebasan berpendapat

Ada beberapa alasan yang mungkin menjadi dalih platform AI saat mengadopsi kebijakan penggunaan yang ketat. Mereka bisa jadi ingin melindungi reputasi dan tidak ingin dikaitkan dengan konten kontroversial. Jika melayani audiens global, mereka bisa jadi ingin menghindari konten yang ofensif bagi negara mana pun.

Secara umum, penyedia layanan AI berhak menerapkan kebijakan ketat. Mereka tidak terikat dengan hukum HAM internasional. Meski begitu, kekuatan pasar merekalah yang membuat mereka berbeda dari perusahaan-perusahaan lain. Pengguna yang ingin membuat konten AI kemungkinan akan memakai salah satu chatbot yang kami analisis, terlebih ChatGPT atau Gemini.

Kebijakan perusahaan-perusahaan tersebut memiliki efek signifikan terhadap hak mengakses informasi. Dampaknya akan semakin meningkat seiring dengan meningkatnya integrasi AI dengan mesin pencarian, pengolah kata, surel, dan aplikasi lainnya.

Isu ini menunjukkan bahwa masyarakat berkepentingan untuk memastikan kebijakan-kebijakan platform AI melindungi kebebasan berpendapat secara menyeluruh. Faktanya, Digital Services Act, buku panduan keamanan digital dari Eropa, memiliki kewajiban bagi “platform daring raksasa” (very large online platforms) untuk mengukur dan mencegah risiko sistemik. Risiko ini termasuk dampak negatif dari kebebasan berekspresi dan berinformasi.

Jacob Mchangama mendiskusikan kebebasan berpendapat daring dalam konteks European Union Digital Services Act 2022.

Kewajiban ini telah diaplikasikan oleh Komisi Eropa meski tak sempurna, menunjukkan bahwa kekuatan besar menandakan tanggung jawab yang besar pula. Belum jelas bagaimana kebijakan ini akan diterapkan untuk AI generatif, tetapi Komisi Eropa telah mengambil langkah awal.

Meski kewajiban hukum serupa tak secara langsung berlaku bagi penyedia layanan AI, kami meyakini pengaruh yang dibawa perusahaan tersebut membuat mereka harus mengadopsi budaya kebebasan berpendapat. Aturan HAM internasional dapat menjadi tolak ukur dalam bagaimana menyeimbangkan berbagai kepentingan secara bertanggung jawab.

Setidaknya dua dari kumpulan perusahaan yang kami teliti, Google dan Anthropic, telah menyadari dasar HAM tersebut.

Penolakan tegas

Perlu diingat bahwa pengguna memiliki kebebasan di level tertentu untuk menentukan konten yang mereka lihat melalui AI generatif. Seperti mesin pencari, hasil yang didapat dari AI generatif sangat bergantung pada perintah yang diberikan. Maka dari itu, paparan ujaran kebencian dan misinformasi dari AI generatif akan sangat terbatas kecuali pengguna mencarinya secara spesifik.

Hal ini berbeda dari media sosial ketika individu punya lebih sedikit kontrol pada apa yang mereka lihat. Pengawasan lebih ketat, termasuk pada konten yang dihasilkan AI, lebih cocok diaplikasikan untuk media sosial. Sebab, konten yang dibagikan bersifat publik.

Sementara itu, untuk penyedia layanan AI, kami mempercayai kebijakan penggunaan terkait pencarian informasi dapat lebih bebas dibanding kebijakan platform media sosial.

Perusahaan AI memiliki cara lain dalam menangani ujaran kebencian dan misinformasi. Misalnya mereka dapat menyediakan konteks atau menyeimbangkan fakta dari konten yang dihasilkan. Mereka juga dapat memperluas pilihan kustomisasi.

Kami yakin bahwa chatbot perlu menghindari penolakan dalam penyediaan informasi. Terkecuali ada dasar kepentingan publik yang jelas, seperti pencegahan materi kekerasan seksual pada anak, atau hal lain yang melanggar hukum.

Penolakan dalam pembuatan konten tidak hanya memengaruhi kebebasan berpendapat dan akses informasi. Penolakan tersebut juga dapat membuat pengguna berpindah ke chatbot yang memang terfokus dalam pembuatan konten kebencian dan masuk ke ruang gema (echo chamber). Tentunya ini akan membawa dampak yang mengkhawatirkan.

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

Jordi Calvet-Bademunt terafiliasi dengan The Future of Free Speech. The Future of Free Speech adalah wadah pemikir nonpartisan yang independen. Wadah ini menerima dana terbatas dari Google untuk proyek spesifik. Meski begitu, Google tidak membiayai laporan yang dibahas dalam artikel ini. The Future of Free Speech memiliki independensi dan otoritas penuh pada pekerjaan mereka termasuk tujuan riset, metode, kesimpulan, dan presentasinya.

Jacob Mchangama terafiliasi dengan The Future of Free Speech. The Future of Free Speech adalah wadah pemikir nonpartisan yang independen. Wadah ini menerima dana terbatas dari Google untuk proyek spesifik. Meski begitu, Google tidak membiayai laporan yang dibahas dalam artikel ini. The Future of Free Speech memiliki independensi dan otoritas penuh pada pekerjaan mereka termasuk tujuan riset, metode, kesimpulan, dan presentasinya.

Algoritma moneter negara: Bagaimana Bank Indonesia harus memitigasi risikonya?

2025-03-18T07:07:38Z

Sistem keuangan global di era modern kini semakin didorong oleh sentuhan kecerdasan buatan (AI) dan algoritma canggih. Sistem berbasis algoritmik mengotomatisasi banyak aspek industri keuangan mulai dari proses pembayaran hingga penilaian kredit yang menjanjikan efisiensi dan inklusivitas yang lebih besar. Namun, di balik keunggulannya, algoritma ini juga menghadirkan tantangan, seperti potensi bias data dan dampak struktural yang dapat memengaruhi stabilitas moneter.

Dalam konteks Indonesia, di saat digitalisasi sektor keuangan kian berkembang pesat, peran Bank Indonesia (BI) makin fundamental dalam mengawasi dan mengatur sistem keuangan berbasis teknologi ini.

Penelitian terbaru dari tim kami mengusulkan kerangka kerja Governance, Ethics, Legal, and Social Implications (GELSI) untuk membantu BI mengelola tantangan yang ditimbulkan oleh algoritma dalam sektor keuangan.

Kerangka ini tidak hanya mempertimbangkan aspek teknis dan regulasi, tetapi juga faktor etis dan sosial yang sering kali diabaikan dalam diskusi seputar AI di dunia keuangan.

Menggunakan pendekatan Multiple Streams Approach (MSA), penelitian kami memberikan perspektif baru dalam merancang kebijakan berbasis algoritma yang selaras dengan kebutuhan stabilitas moneter dan inovasi teknologi.

MSA adalah teori kebijakan yang menjelaskan bagaimana keputusan dibuat di tengah ketidakpastian. MSA membagi proses kebijakan menjadi tiga aliran: masalah (isu yang butuh perhatian), solusi (ide yang diajukan), dan politik (kesempatan untuk bertindak). Kebijakan terjadi saat ketiganya bertemu dalam “jendela kebijakan.”

Sebagai bagian dari studi ini, para peneliti melakukan penelitian kualitatif berbasis wawancara mendalam dengan 18 ahli dari berbagai disiplin ilmu, termasuk akademisi yang memiliki spesialisasi dalam hukum, teknologi informasi (TI), dan data science, serta praktisi dari sektor keuangan, perbankan, dan teknologi finansial (fintech).

Para responden ini dipilih berdasarkan pengalaman mereka dalam memahami dan mengimplementasikan sistem berbasis algoritma di sektor keuangan Indonesia. Pendekatan Interpretive Phenomenological Analysis (IPA) digunakan untuk mengeksplorasi bagaimana para ahli ini menavigasi aspek tata kelola, etika, hukum, dan dampak sosial dari sistem algoritmik dalam regulasi keuangan.

Selain itu, penelitian ini juga menggunakan metode Analytic Hierarchy Process (AHP) untuk menentukan bobot kepentingan dari masing-masing dimensi dalam kerangka kerja GELSI.

Dengan membandingkan berbagai elemen risiko dan regulasi dalam sistem keuangan berbasis algoritma, AHP memungkinkan analisis yang lebih terstruktur dalam memahami prioritas kebijakan yang harus diambil BI. Konsistensi rasio yang dihasilkan dari perhitungan AHP menunjukkan bahwa data yang dikumpulkan memiliki tingkat koherensi tinggi, sehingga hasil penelitian ini dapat dijadikan landasan yang kuat dalam perumusan kebijakan.

Mencegah bias algoritmik dalam pengambilan keputusan

Salah satu temuan utama dari penelitian ini adalah potensi risiko besar dari bias algoritmik dalam keputusan keuangan. Karena algoritma dilatih menggunakan data historis, ada kemungkinan besar bahwa pola diskriminatif yang ada dalam data masa lalu akan terulang dalam keputusan keuangan masa kini.

Dalam perkreditan, misalnya, jika data historis menunjukkan bahwa kelompok tertentu memiliki akses kredit yang lebih rendah, algoritma dapat memperkuat diskriminasi ini dengan menolak permohonan kredit dari individu dalam kelompok tersebut. Temuan ini diperkuat dengan wawasan dari para praktisi perbankan yang menyatakan bahwa sistem skor kredit otomatis sering kali gagal menangkap nuansa kontekstual dari calon peminjam, yang mengakibatkan eksklusi finansial terhadap kelompok tertentu.

Di sisi lain, penelitian ini juga menemukan bahwa penggunaan algoritma dalam pengelolaan risiko keuangan menghadirkan tantangan baru dalam hal transparansi dan akuntabilitas. Banyak sistem berbasis kecerdasan buatan beroperasi dengan pendekatan “black box” yang keputusannya dibuat tanpa ada pemahaman mendalam terhadap faktor-faktor yang mempengaruhinya.

Dalam konteks regulasi, hal ini menimbulkan dilema bagi BI dan Otoritas Jasa Keuangan (OJK) karena sulit untuk menentukan apakah sebuah keputusan keuangan telah dibuat secara adil dan sesuai dengan prinsip-prinsip hukum yang berlaku.

Oleh karena itu, studi ini merekomendasikan bahwa BI harus mewajibkan institusi keuangan meningkatkan transparansi dalam pengembangan dan penerapan algoritma, termasuk dengan menyediakan mekanisme audit algoritmik yang dapat diakses oleh regulator.

Mencegah krisis keuangan

Akumulasi keputusan salah akibat bias algoritmik bisa memantik guncangan stabilitas keuangan secara makro. Sejarah telah menunjukkan bahwa sistem otomatis dapat memperburuk krisis keuangan, seperti yang terjadi pada flash crash di pasar saham akibat algoritmik perdagangan (trading algorithms).

Jika sistem yang mengelola transaksi atau kebijakan moneter BI bergantung pada model yang tidak teruji dengan baik, konsekuensinya bisa sangat berbahaya bagi stabilitas rupiah dan perekonomian nasional. Oleh karena itu, BI perlu mengadopsi pendekatan yang lebih proaktif dalam pengujian ketahanan model AI yang digunakan di sektor keuangan, serta menerapkan standar yang lebih ketat untuk memastikan bahwa model ini tidak rentan terhadap guncangan ekonomi.

Selain itu, keamanan siber juga menjadi salah satu perhatian utama dalam studi ini. Meningkatnya ketergantungan pada sistem berbasis AI membuka celah bagi serangan siber yang semakin kompleks. Jika sistem pembayaran atau pemantauan transaksi BI diretas atau dimanipulasi oleh aktor jahat, dampaknya bisa jauh lebih besar daripada sekadar pencurian data individu—ini bisa mengguncang kepercayaan publik terhadap sistem keuangan nasional.

Oleh karena itu, BI harus memanfaatkan Regulatory Technology (RegTech) dan Supervisory Technology (SupTech) untuk memperkuat pengawasan mereka terhadap industri keuangan digital. Dengan teknologi ini, BI dapat memantau pola transaksi dalam skala besar secara real-time, mendeteksi anomali, serta memastikan bahwa sistem AI yang digunakan oleh bank dan fintech beroperasi sesuai regulasi.

Masa depan regulasi keuangan berbasis algoritma

Penelitian ini juga menyoroti pentingnya kolaborasi lintas sektor dalam perumusan kebijakan keuangan berbasis AI. Regulasi tidak boleh hanya menjadi urusan BI seorang diri. Perlu ada kerja sama erat antara BI, OJK, akademisi, pelaku industri, serta masyarakat sipil dalam merancang kebijakan yang bertanggung jawab dan berkelanjutan.

Studi ini menekankan bahwa pendekatan MSA dapat membantu dalam mengidentifikasi titik temu antara masalah, kebijakan, dan faktor politik untuk menghasilkan regulasi yang lebih efektif. Dengan menghubungkan permasalahan yang ada dengan solusi kebijakan yang dapat diterima secara politis, BI dapat lebih proaktif dalam mencegah risiko-risiko struktural yang ditimbulkan oleh algoritma dalam sektor keuangan.

Dalam dunia keuangan berbasis algoritma, ketidakpastian bukanlah alasan untuk tidak bertindak. BI harus mengambil langkah progresif dalam mengatur dan mengawasi penggunaan algoritma di sektor keuangan sebelum kita menghadapi risiko yang tidak terkendali. Indonesia memiliki peluang besar untuk menjadi contoh dalam regulasi keuangan berbasis AI yang adil dan transparan. Namun, tanpa tindakan yang tepat, teknologi yang seharusnya meningkatkan efisiensi dan inklusivitas justru bakal menjadi sumber ketimpangan baru.

Jika BI dan pemangku kepentingan lainnya tidak segera mengantisipasi tantangan ini, kita bukan hanya menghadapi risiko kegagalan sistem, tetapi juga kehilangan kepercayaan publik terhadap lembaga keuangan. Seperti yang disampaikan oleh salah satu responden dalam penelitian ini: “Kita tidak bisa mengelola apa yang tidak kita pahami. Saatnya Bank Indonesia memahami, mengawasi, dan bertindak!”

Menyingkap “black box” AI di balik permainan naik turun tarif ojek online

2025-03-12T02:13:52Z

Mungkin kamu pernah memesan ojek online (ojol) dengan rute perjalanan yang sama setiap hari, tapi harganya bisa saja berubah-ubah. Kadang bisa lebih murah, kadang lebih mahal.

Pengalaman saya sendiri, dua bulan lalu, ketika memesan ojek online untuk perjalanan dari kawasan Blok M di Jakarta Selatan ke titik rumah, saya hanya membayar Rp17.500 untuk sekali perjalanan sejauh 5,1 kilometer. Namun, selang sekitar tiga pekan kemudian, untuk rute yang sama, saya mendapat harga Rp26.500—padahal jaraknya sama, hanya waktu tempuhnya lebih lambat empat menit.

Jika kamu bertanya-tanya, kenapa bisa begitu? Jawabannya ada di balik teknologi black box AI yang dipakai perusahaan transportasi online.

Mengapa tarif ojek online berubah-ubah?

Dalam kegiatan operasionalnya, industri transportasi online (ride-hailing) menggunakan sistem kecerdasan buatan (AI). Bukan hanya untuk menentukan tarif, sistem AI ini juga berfungsi untuk mempertemukan driver dengan pengguna hingga merekomendasikan rute tercepat.

Sistem AI bekerja dengan algoritma kompleks untuk memproses data, mengenali pola, dan membuat keputusan. Pada subset AI tertentu, khususnya machine learning—yang terdapat dalam sistem transportasi online, algoritma memungkinkan sistem belajar sendiri tanpa diprogram secara khusus.

Canggih memang. Tapi masalahnya adalah, ketika pembelajaran AI semakin kompleks, semakin sulit pula manusia memahami cara kerja AI dalam mengambil keputusan. Jadi, manusia bisa mengetahui input dan output dari sistem AI tersebut, tetapi tidak tahu bagaimana cara output tersebut dihasilkan. Hal inilah yang menyebabkan sistem kerja internal algoritma AI sering disebut sebagai black box atau kotak hitam yang tertutup.

Dalam sistem transportasi online, cara kerja black box yang tidak transparan ini membuat tarif bisa berubah-ubah tanpa alasan yang jelas. Algoritma AI sangat mungkin menetapkan tarif yang berbeda untuk perjalanan dengan asal dan tujuan yang sama tanpa alasan yang dapat dimengerti oleh pengguna. Ketidakjelasan dalam penentuan tarif ini tentu saja memengaruhi kepercayaan pengguna.

Sistem ini juga berdampak pada driver. Cara kerja AI dalam mempertemukan driver dengan pengguna tidak bisa ditakar. Pengemudi mitra yang lokasinya dekat dengan pengguna, belum tentu akan mendapatkan pesanan karena algoritma bekerja dengan mempertimbangkan banyak faktor—yang tidak diketahui driver.

Akibatnya, distribusi pesanan tidak merata. Hal ini berimbas pada pendapatan driver yang tidak stabil serta jam kerja yang semakin panjang dan tidak menentu.

Driver pun bisa merasa dirugikan karena sistem yang berlaku cenderung eksploitatif dan tidak adil. Dalam jangka panjang, ketidakpercayaan ini bisa memperburuk kondisi kerja di industri gig economy.

Membuka kotak hitam AI dalam industri ride-hailing

Untuk mengatasi masalah ini, perlu ada aturan yang mewajibkan perusahaan transportasi online lebih transparan membuka sistem mereka.

Perkembangan AI dewasa ini telah memunculkan konsep yang disebut sebagai explainable AI (XAI). Melalui konsep ini, sistem AI bisa menjelaskan bagaimana mereka mengambil keputusan hingga akhirnya menghasilkan output tertentu.

Dalam konteks industri transportasi online, XAI dapat menjelaskan bagaimana tarif dihitung dan mengapa tarif yang berbeda berlaku untuk perjalanan dari dan ke tempat yang sama. XAI juga bisa menunjukkan alasan mengapa driver A yang mendapatkan pesanan, sedangkan driver B tidak, meski keduanya berada di tempat yang sama, serta hal-hal lain dalam sistem AI yang saat ini belum terjelaskan.

Penerapan XAI dalam industri ride-hailing bisa diberlakukan jika ada regulasi yang mewajibkan penyelenggara sistem AI mengungkapkan cara kerja sistem AI mereka.

Beberapa negara sudah mulai mengatur ini. Uni Eropa, misalnya, lewat EU AI Act mewajibkan sistem AI dalam layanan penting seperti kesehatan, keselamatan, atau hak-hak fundamental lainnya, didesain dengan transparan. Jika merujuk pada Annex III EU AI Act, industri ride-hailing masuk dalam kategori hak-hak fundamental.

Tanggung jawab platform ride-hailing menciptakan layanan yang transparan

Regulasi yang mewajibkan transparansi dalam sistem AI akan membuat platform ride-hailing bertanggung jawab menyediakan informasi tentang cara kerja sistem AI di dalam platformnya.

Salah satu hal yang dapat dilakukan misalnya dengan memberikan akses kepada pengguna maupun driver untuk mengetahui komponen tarif dan cara penghitungannya, serta faktor yang memengaruhi lonjakan harga.

Selain itu, platform juga perlu menjelaskan bagaimana sistem matching antara pengguna dengan driver bekerja. Dengan transparansi ini, keputusan algoritma tidak akan terasa sewenang-wenang lagi. Pengguna dan driver pun bakal merasa diperlakukan lebih adil dalam transaksi.

Selain menguntungkan pengguna dan driver, transparansi layanan juga bermanfaat bagi penyedia platform ride-hailing. Semakin transparan layanan, semakin meningkat pula kepercayaan pengguna dan driver. Pengguna akan yakin bahwa mereka mendapatkan tarif yang wajar. Sementara driver bisa memahami bagaimana sistem menentukan pesanan dan insentif yang mereka dapatkan.

Transparansi sistem AI dalam ekosistem ride-hailing merupakan elemen kunci untuk menciptakan keadilan dan keberlanjutan bagi pengguna, driver, dan platform. Untuk itu, kita memerlukan regulasi yang mewajibkan penyelenggaraan sistem AI secara transparan. Dengan demikian, industri ride-hailing dapat tumbuh lebih berkelanjutan dan berkeadilan bagi seluruh ekosistemnya.

Tulisan ini dikembangkan dari temuan focus group discussion (FGD) yang diadakan oleh Center for Digital Society (CfDS) bekerja sama dengan Pulitzer Center Indonesia.

Laba-laba ternyata ‘mencium bau’ dengan kakinya

2025-02-21T09:40:28Z

Laba-laba taman jantan, Araneus diadematus. Robert Adami/Shutterstock

Laba-laba telah hidup berdampingan dengan manusia selama ribuan tahun, tapi masih banyak hal yang belum kita ketahui tentang mereka. Salah satu misteri yang sudah lama ditelusuri adalah soal cara laba-laba mendeteksi bau. Penelitian terbaru kami akhirnya mengungkap rahasia ini.

Penelitian kami yang diterbitkan di Proceedings of the National Academy of Sciences, menemukan bahwa laba-laba jantan menggunakan rambut penciuman khusus bernama wall-pore sensilla. Rambut sensorik di tungkai kaki laba-laba ini berfungsi sebagai “hidung” untuk mendeteksi feromon seks, yaitu zat kimia yang dilepaskan oleh laba-laba betina saat memberi sinyal kepada lawan jenis bahwa mereka siap kawin.

Penelitian ini sekaligus membuka peluang bagi studi yang lebih mendalam mengenai mekanisme dasar penciuman laba-laba.

Meskipun laba-laba telah berevolusi sekitar 400 juta tahun dan dikenal dengan kemampuan mereka dalam mendeteksi getaran—bahkan beberapa spesies mahir meloncat dan memiliki penglihatan luar biasa—tetapi sangat sedikit yang diketahui tentang indra penciuman mereka.

Terdapat banyak bukti yang menunjukkan bahwa laba-laba dapat mendeteksi bau seperti feromon seks, tetapi masih belum bisa menjawab dua pertanyaan besar.

Pertama, karena laba-laba tidak memiliki antena seperti serangga, apa organ utama mereka dalam mendeteksi bau? Kedua, studi sebelumnya menunjukkan bahwa laba-laba tidak memiliki sensilla, struktur khusus yang digunakan serangga untuk mencium bau. Tanpa ini, bagaimana laba-laba bisa mendeteksi bau?

Penelitian kami berhasil menjawab pertanyaan-pertanyaan lawas tersebut. Kami menemukan keberadaan rambut sensorik—yang sebelumnya terabaikan—pada kaki laba-laba jantan spesies Argiope bruennichi dan membuktikan bahwa mereka dapat menggunakannya untuk mendeteksi feromon seks di udara dengan sensitivitas tinggi.

Selain itu, kami menemukan bahwa rambut sensorik ini tidak hanya dimiliki oleh spesies laba-laba A. bruennichi, tetapi juga ditemukan pada banyak jenis laba-laba lainnya.

Melihat lebih dekat di bawah mikroskop

Kami meneliti laba-laba jantan dan betina A. bruennichi mengggunakan pemindaian mikroskop elektron resolusi tinggi. Kami menemukan ribuan rambut sensorik pada semua tungkai kaki laba-laba jantan dan menemukan karakteristik khusus dari struktur ini.

Ternyata, rambut sensorik pada laba-laba berbeda dengan yang ditemukan pada serangga dan jenis artropoda (kelompok hewan yang tidak punya tulang punggung antarruas tulang belakang) lainnya.

Laba-laba jantan (bawah) dan betina (atas) (A. bruennichi). Michael Schmitt

Sensilla ini terletak di bagian tungkai kaki laba-laba jantan (dekat tubuh). Area ini hampir tidak bersentuhan dengan permukaan tanah saat laba-laba berjalan, menangkap mangsa, atau pun kawin. Rambut sensorik ini melengkapi fungsi “putative gustatory sensilla” atau sensilla berpori di ujung kaki—yang lebih sering bersentuhan dengan permukaan.

Pola distribusi ini dengan jelas menunjukkan peran rambut sensorik di tungkai kaki laba-laba sebagai olfaksi (sistem penciuman) dalam mendeteksi bau di udara. Menariknya, rambut sensorik ini hanya ditemukan pada laba-laba jantan dewasa, tetapi tidak dimiliki laba-laba jantan atau betina muda—yang memperkuat fungsinya untuk mencari dan mengenal pasangan.

Rambut sensorik sangat sensitif

A. bruennichi merupakan salah satu dari sedikit spesies laba-laba yang struktur kimia feromon seksnya telah berhasil diidentifikasi. Laba-laba betina jenis ini melepaskan feromon dalam bentuk gas yang menarik laba-laba jantan dari kejauhan.

Kami menguji apakah rambut sensorik merespons senyawa feromon ini. Dalam eksperimen ini, kami dengan hati-hati menaruh laba-laba jantan hidup di bawah mikroskop dan memasukkan elektroda perekam ke dasar sensilla berpori dinding tunggal.

Kemudian, kami mengekspos setiap rambut sensorik ke kepulan udara yang mengandung senyawa feromon. Hasilnya, bahkan dengan jumlah senyawa feromon yang sangat kecil—hanya 20 nanogram—sudah cukup untuk memunculkan respons yang jelas berupa ledakan aktivitas dalam sel saraf rambut sensorik. Respons tersebut menjadi lebih kuat seiring bertambahnya dosis.

Selain itu, kami menemukan bahwa semua pasangan kaki memberikan respons yang sama terhadap feromon. Hasil penelitian kami menunjukkan bahwa rambut sensorik penciuman laba-laba sangat sensitif, sebanding dengan sistem komunikasi feromon seks paling sensitif pada serangga.

Dengan ribuan rambut sensorik pada semua kakinya, memungkinkan laba-laba jantan mendeteksi jejak feromon seks yang paling samar di udara sekalipun.

Bagaimana dengan spesies lain?

Untuk mengetahui apakah rambut sensorik yang sama ditemukan pada spesies lain, kami meneliti 19 spesies tambahan dari 16 famili laba-laba yang berbeda. Hasilnya, kami menemukan bahwa sebagian besar spesies memiliki rambut sensorik dan semuanya secara spesifik ditemukan pada laba-laba jantan.

Namun, rambut sensorik ini tidak ditemukan pada kelompok laba-laba yang lebih primitif, seperti laba-laba pintu jebakan basal yang banyak ditemukan di Asia. Pola ini menunjukkan bahwa rambut sensorik pada laba-laba berevolusi secara independen beberapa kali dalam sejarah, tetapi hilang pada beberapa garis keturunan.

Studi ini membuka jalan bagi penemuan baru mengenai cara laba-laba memahami dunia lewat penciuman mereka. Masih banyak pertanyaan menarik yang perlu dijawab. Misalnya, bagaimana laba-laba betina mendeteksi bau tanpa rambut sensorik?

Selain feromon seks, bahan kimia apa lagi yang dapat dideteksi oleh laba-laba, dan bagaimana kaitannya dengan perilaku maupun ekologi mereka? Lalu, apa dasar molekuler dan jaringan saraf dari penciuman laba-laba? Terakhir, bagaimana indra penciuman laba-laba berevolusi dalam kekayaan ragam spesies mereka?

Pertanyaan-pertanyaan ini menjadi awal dari babak baru yang menarik dalam pemahaman kita mengenai biologi laba-laba.

Dan-Dan Zhang received funding from Kungl. Fysiografiska Sällskapet I Lund on spider research.

Gabriele Uhl received funding for exploring the chemical sense of spiders from the German Science Foundation (DFG, grant number 451487045).

Hong-Lei Wang tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.

Ketika pemberitaan penuh tekanan, bagaimana cara tetap ‘update’ tanpa ‘doomscrolling’?

2025-02-19T08:45:29Z

Mart Production/Pexels

Awalnya sesederhana kita mengintip media sosial favorit di tengah malam sebelum tidur. Lalu muncullah judul-judul berita yang menarik perhatian dengan keterangan “breaking news” sehingga susah kita lewatkan.

Seperti menyusuri remah-remah digital, satu klik berujung ke deretan klik. Tanpa disadari, kita telah terjebak di lingkaran setan deretan berita baru dan unggahan media sosial yang emosional. Dua jam berlalu, ketegangan terasa di pundak, perasaan cemas menyeruak, tetapi kita tak bisa berhenti menatap ponsel.

Scrolling tanpa henti membaca berita buruk—dikenal sebagai “doomscrolling"—telah menunggu kita.

Tetap update akan apa yang sedang terjadi di dunia merupakan hal penting. Menjadi terinformasi membantu kita mengambil keputusan yang lebih matang, punya hubungan yang lebih bermakna dengan komunitas kita, dan mampu secara efektif merespons perubahan yang terjadi dalam hidup dan orang-orang sekitar kita.

Namun, seperti halnya diet yang sehat, kita harus cermat terhadap konsumsi berita agar tak berpengaruh negatif pada kesehatan.

Kabar baiknya, terdapat beberapa cara untuk tetap terinformasi tanpa membiarkan pemberitaan negatif mengontrol kita. Riset menunjukkan bahwa membatasi konsumsi berita dapat berdampak signifikan pada hidup kita. Jadi, bagaimana kita menciptakan konsumsi berita yang seimbang?

Cara membatasi konsumsi berita

Perlu ditelusuri terlebih dahulu mengapa kita merasa harus selalu terinformasi. Tanyakan pada diri sendiri, "akankah informasi ini mengubah apa yang bisa saya lakukan terhadap hal tersebut?”

Sering kali, kita terus membaca bukan karena dapat menindaklanjuti informasi tersebut, melainkan karena kita berusaha mendapatkan rasa kontrol di tengah dunia yang tak pasti.

Riset menunjukkan bahwa menelusuri berita negatif dapat mengganggu tidur dan meningkatkan kecemasan. Maka dari itu, ada beberapa langkah yang dapat diambil untuk memastikan konsumsi media yang kita lakukan tak berdampak negatif.

Jadilah selektif terhadap sumber berita yang dibaca. Pilihlah beberapa sumber tepercaya daripada membiarkan algoritma media sosial menentukan apa yang kita lihat. Polanya seperti konsisten mengikuti jadwal makan seimbang, tapi untuk pikiran kita.

Saat mengonsumsi berita, perhatikan kondisi perasaan kita. Ketika kita menyadari kemunculan ciri fisik kecemasan atau tekanan emosional, itu merupakan tanda untuk mengambil jeda.

Pilihlah waktu di awal hari dan tentukan batasan jelas untuk konsumsi berita: mungkin saat menikmati kopi pagi atau istirahat makan siang, kapan pun yang cocok dengan jadwal kita.

Pertimbangkan juga untuk menerapkan “senja digital” (digital sunset). Ini adalah batas waktu paling akhir untuk mengakses berita dan media sosial, idealnya satu atau dua jam sebelum tidur. Batas waktu ini akan memberikan pikiran kita waktu untuk memproses apa yang telah kita pelajari tanpa mengganggu tidur.

Dunia tak akan ke mana-mana, tetapi kita perlu punya pikiran jernih untuk memproses apa yang sedang terjadi di dunia.

Kita tak perlu merasa tak berdaya

Mengambil jeda dalam mengonsumsi berita bukan berarti menyangkal fakta yang terjadi—melainkan merupakan upaya untuk menyayangi diri sendiri. Penelitian menunjukkan bahwa orang-orang yang menetapkan batasan sehat dalam konsumsi berita sering kali lebih mampu memaknai isu penting dan mengambil aksi konstruktif ketika diperlukan.

Ketika kita membaca berita, jadilah konsumen aktif. Daripada scrolling tanpa henti: * pilih satu atau dua artikel mendalam untuk fokus dibaca * diskusi dengan kolega, teman, dan keluarga untuk memproses perasaan kita * cari berita dengan perspektif solusi yang menekankan pada perubahan positif * ambil tindakan bermakna untuk isu yang kita pedulikan.

Terdapat pula beberapa aplikasi dan alat bantu yang dapat membantu kita membentuk kebiasaan digital yang lebih sehat. Aplikasi produktivitas menggunakan berbagai pendekatan untuk membantu kita tetap fokus, menyediakan jalan keluar untuk menarik kita dari scrolling tanpa arti.

Aplikasi kurasi berita dan aplikasi yang memungkinkan kita menyimpan artikel untuk dibaca nanti dapat membantu kita menerapkan diet berita yang seimbang dan menghilangkan dorongan untuk membaca segalanya dengan segera.

Banyak ponsel pintar saat ini yang dilengkapi dengan fitur manajemen waktu layar (screen time management) seperti Screen Time dari Apple dan Digital Wellbeing milik Android. Kita dapat memanfaatkan fitur tersebut untuk memantau kebiasaan digital dan mengatur seberapa lama kita dapat menggunakan media sosial dan aplikasi berita.

Fitur yang sangat berguna adalah pemblokiran aplikasi di waktu tertentu atau setelah digunakan selama sekian waktu.

Screen time management features allow you to pause or block apps from use. The Conversation

Tetap penuh kesadaran, tetap terinformasi

Terinformasi bukan berarti harus terus terkoneksi. Dengan menyadari pentingnya mengatur batasan dan memanfaatkan alat bantu yang mendukung, kita bisa tetap mengikuti kejadian penting sambil tetap menjaga kesejahteraan kita.

Ketika kita mencoba menggunakan aplikasi produktivitas atau alat bantu lain, mulailah secara perlahan. Pilih satu yang paling cocok dengan kita ketimbang mencoba banyak aplikasi sekaligus. Tetapkan target realistis yang cocok dengan hidup kita dan pakai olahan data dari aplikasi tersebut untuk memahami kebiasaan digital kita.

Perhatikan hal-hal apa yang mendorong kebiasaan doomscrolling dan lakukan penyesuaian untuk mengatasi pemicu tersebut. Ingat, alat bantu yang digunakan akan bekerja lebih efektif ketika dikombinasikan dengan aktivitas dunia nyata yang kita sukai.

Tujuannya bukanlah untuk terputus secara menyeluruh, tetapi untuk menemukan keseimbangan jangka panjang antara tetap terinformasi dengan ketenangan pikiran. Dengan batasan yang penuh pertimbangan dan alat bantu yang tepat, kita bisa tetap terhubung dengan dunia sembari menjaga kesehatan mental tetap bersahabat.

Kezia Kevina Harmoko berkontribusi dalam penerjemahan artikel ini.

Lisa Harrison tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.