Product & Research

Realitas Lapangan vs Ambisi Kebijakan

Pemerintah Indonesia melalui Strategi Nasional Kecerdasan Artifisial bersiap mengintegrasikan AI ke dalam kurikulum sekolah dasar dan menengah (K-12) mulai tahun ajaran 2025/2026. Namun, kesiapan kebijakan ini menghadapi tantangan besar di lapangan:

• Infrastruktur Belum Siap: Sekitar 65% sekolah di Indonesia belum memiliki internet stabil, dan 35% kekurangan pasokan listrik andal.
• Kesenjangan Pelatihan: Akses pengembangan kompetensi guru masih timpang dan berpusat di wilayah urban. Tingkat literasi AI guru juga belum dipetakan secara akurat.

Untuk melihat kesiapan riil di luar dokumen kebijakan, tim peneliti melakukan survei ke 132 guru K-12 menggunakan pertanyaan terbuka (open-ended) guna menggali pemahaman jujur para pendidik.

Temuan Utama: “Tahu Pakai, Tapi Salah Paham”

Penelitian menemukan adanya ketidakselarasan (mismatch) yang unik. Guru sangat antusias mengadopsi AI, namun pemahaman mereka tentang cara kerja teknologi ini masih sangat rendah.

Miskonsepsi Cara Kerja AI

• Definisi Permukaan: 55,4% guru mengartikan AI sebatas “teknologi yang meniru manusia” tanpa tahu mekanismenya.
• Eror Pemahaman ChatGPT: Saat diminta menjelaskan proses ChatGPT menghasilkan jawaban, mayoritas memberikan jawaban normatif yang rancu. Bahkan, 21,5% guru mengira ChatGPT bekerja seperti Google, yaitu mencari dan mengambil data dari internet/pusat data (knowledge retrieval misconception), bukan memprediksi kata berbasis probabilitas bahasa.

Pola Adopsi AI di Sekolah

Meskipun pemahaman teoritisnya masih minim, adopsi AI di sekolah rupanya sudah berjalan secara organik demi efisiensi kerja:

Dilema Moral: Antara Efisiensi dan Risiko Karakter

Studi mencatat angka dukungan yang sangat masif: 96,2% guru mendukung AI untuk guru dan 84,6% mendukung untuk siswa. Guru sangat terbantu karena AI memangkas beban administrasi mereka secara signifikan.

Namun, di balik dukungan itu, guru menyimpan kekhawatiran mendalam (opposition risks), jika AI digunakan tanpa pengawasan ketat:

• Ancaman Integritas Akademik: Risiko terbesar yang ditakuti guru adalah plagiarisme dan kecurangan akademik (23,8%). Guru khawatir siswa menggunakan AI sebagai “jalan pintas” untuk menyelesaikan tugas tanpa benar-benar belajar.
• Ketergantungan dan Kemalasan Mental: Guru cemas teknologi ini akan mengikis kemampuan berpikir kritis siswa karena terbiasa mendapatkan jawaban instan secara pasif.
• Kehilangan Sentuhan Manusia: Ada kekhawatiran bahwa ketergantungan pada AI dapat mengurangi interaksi sosial-emosional yang penting antara guru dan murid di dalam kelas.

Rekomendasi untuk Kebijakan Kurikulum

Agar implementasi kurikulum baru tidak sekadar menjadi formalitas, studi ini menyarankan tiga langkah strategis bagi pemerintah:

1. Pelatihan Berbasis Literasi Konseptual: Program peningkatan kapasitas guru tidak boleh hanya mengajarkan cara memakai alat (tools), melainkan harus menjelaskan batasan, bias, risiko halusinasi informasi, dan cara kerja dasar AI agar guru mampu mengambil keputusan pedagogis yang tepat.
2. Diferensiasi Dukungan: Pemerintah harus memetakan pelatihan secara adil, memberikan bantuan lebih besar kepada sekolah-sekolah di luar Jawa dan wilayah rural yang minim infrastruktur agar jurang digital tidak semakin melebar.
3. Panduan Etika dan Tata Kelola Sekolah: Sekolah membutuhkan regulasi yang jelas mengenai batasan kapan siswa boleh menggunakan AI (misalnya untuk pencarian ide atau tutor pribadi) dan kapan AI dilarang keras demi menjaga integritas akademik.

Tim Peneliti: Alham Fikri Aji, Afifa Amriani, Rendi Chevi, Ayu Purwarianti, & Derry Wijaya.

Perubahan iklim bukan lagi sekadar prediksi masa depan, melainkan realitas yang kita rasakan sehari-hari. Mulai dari suhu udara yang kian menyengat, banjir bandang yang tak menentu, hingga pergeseran musim tanam yang membingungkan para petani kita. Namun, di tengah mendesaknya kebutuhan akan aksi nyata, ada tantangan besar lain yang mengintai di dunia digital: hoaks dan misinformasi perubahan iklim.

Di Indonesia, obrolan seputar isu lingkungan sering kali dikaburkan oleh informasi palsu. Ada yang menyebutkan bahwa pemanasan global hanyalah konspirasi, ada pula yang menyebarkan klaim keliru tentang penyebab bencana alam. Dampaknya fatal. Masyarakat menjadi skeptis, ragu untuk bertindak, dan kebijakan penyelamatan lingkungan menjadi sulit mendapat dukungan penuh.

Celakanya, pembuat hoaks sangat pintar. Mereka tidak hanya menyebarkan berita bohong dalam bahasa Indonesia baku, tetapi juga masuk melalui bahasa-bahasa daerah yang lebih dekat di hati masyarakat. Di sinilah letak masalah besarnya (gap): kita kekurangan perangkat digital atau sumber daya kebahasaan (linguistic resources) untuk mendeteksi hoaks dalam bahasa daerah. Akibatnya, sistem penyaring hoaks konvensional sering kali “lolos” saat membaca teks di luar bahasa Indonesia resmi.

Mengenal NusaClimate: Senjata Baru Melawan Hoaks

Melihat celah kritis tersebut, sekelompok peneliti dari Indonesia AI Institute (IAII) mengembangkan riset untuk menghasilkan sebuah solusi inovatif bernama NusaClimate.

NusaClimate adalah kumpulan data raksasa (corpus) multibahasa pertama yang sengaja dibuat untuk mendeteksi sikap atau posisi (stance) masyarakat terhadap isu perubahan iklim. Dataset ini mengumpulkan 50.613 data teks yang mencakup empat bahasa sekaligus:

• Bahasa Indonesia

• Bahasa Minangkabau

• Bahasa Bali

• Bahasa Bugis

Kehadiran tiga bahasa daerah (Minangkabau, Bali, dan Bugis) menjadi sangat penting karena ketiganya tergolong sebagai bahasa yang minim sumber daya digital (low-resource languages). Dengan NusaClimate, kecerdasan buatan (AI) kini punya “kamus” yang memadai untuk memahami konteks lokal secara mendalam.

Cara Kerja Teknologi dan Eksperimen yang Dilakukan

Bagaimana data sebanyak itu diolah menjadi sistem pembasmi hoaks? Jawabannya terletak pada teknologi bernama Encoder-based Language Model (Model Bahasa Berbasis Enkoder).

Bayangkan sistem ini seperti seorang detektif bahasa yang sangat peka. Ketika ada sebuah klaim baru yang beredar di media sosial, AI akan melakukan perbandingan semantik (makna kata). Sistem akan mencocokkan klaim tersebut dengan premis (fakta sains atau data valid yang ada di dalam dataset NusaClimate), meskipun keduanya ditulis dalam bahasa daerah yang berbeda (cross-lingual).

Melalui kerangka kerja ini, para peneliti IAII sedang dalam tahap membangun alat pengecek misinformasi iklim secara real-time yang bisa digunakan oleh masyarakat luas untuk langsung menyaring mana berita yang valid dan mana yang hoaks saat itu juga.

Mengapa AI Harus “Dilatih” Lagi?

Untuk memastikan AI ini bekerja dengan cerdas, para peneliti IAII melakukan proses yang disebut Fine-Tuning (penyelarasan akhir). Mengapa ini penting?

Model AI dasarnya sudah pintar membaca bahasa secara umum, tetapi mereka perlu “dilatih” lagi secara spesifik agar paham istilah-istilah ilmiah lingkungan dan slang lokal terkait iklim. Dalam eksperimen ini, para peneliti IAII menguji tiga model bahasa raksasa yang populer:

1. IndoBERT (dari IndoNLU) – Sangat jago memahami struktur bahasa Indonesia formal.
2. IndoBERT-Nusa – Versi yang sudah ditingkatkan untuk memahami variasi bahasa di nusantara.
3. XLM-RoBERTa Large – Model multibahasa internasional yang kuat dalam menjembatani makna antarbahasa yang berbeda.

Eksperimen dilakukan lewat metode supervised fine tuning (pembelajaran terpandu), di mana AI dilatih menggunakan pengaturan parameter (hyperparameters) yang optimal untuk dua tugas utama: mendeteksi sikap teks terhadap misinformasi iklim, serta mengelompokkan topik dan subtopik seputar isu lingkungan tersebut.

Riset Aspect-Based Sentiment Analysis (ABSA) hadir sebagai sebuah terobosan ilmiah untuk membedah opini publik secara super detail (fine-grained) langsung pada aspek spesifik dari suatu ulasan. Dengan menargetkan standar terbaik dunia (SOTA), riset ini memadukan kekayaan bahasa daerah di Indonesia dengan kecanggihan model bahasa besar (LLM) terkini. 

Pernahkah Anda membaca ulasan internet yang isinya campur aduk?

“Hotelnya bersih banget dan kasurnya empuk, tapi sayang makanan restorannya hambar dan pelayanan resepsionisnya lelet.”

Bagi manusia, kita tahu konsumen ini menyukai fasilitas kamar tetapi kecewa dengan makanan dan pelayanan. Namun, AI (Kecerdasan Buatan) tradisional akan bingung. AI lama hanya bisa membaca satu kalimat utuh lalu menebak satu label: Positif atau Negatif. Karena isinya bertolak belakang, AI lama biasanya menyerah dan memberi label Netral. Akibatnya, pemilik hotel kehilangan informasi berharga tentang bagian mana yang harus diperbaiki.

Untuk menjembatani celah ini, sebuah riset mutakhir dikembangkan oleh Indonesia AI Institute (IAII) dengan fokus pada Aspect-Based Sentiment Analysis (ABSA) untuk menghasilkan wawasan sentimen yang super detail (fine-grained insights). Tidak main-main, riset ini langsung membidik target besar: Menjadi metode terbaik di dunia (State-of-the-Art / SOTA) untuk tugas-tugas ABSA.

1. Fokus Riset: Membedah Teks Lewat Tugas ASTE

Riset ini tidak hanya menebak sentimen, melainkan fokus pada tugas yang jauh lebih kompleks bernama ASTE (Aspect Sentiment Triplet Extraction) atau perluasannya. Di dalam tugas ASTE, AI dilatih untuk mengekstrak empat elemen sekaligus (Quadruplet) dari satu kalimat ulasan:

[Objek yang Dikritik] ──► [Kata Sifat/Opini] ──► [Jenis Kategori] ──► [Nilai Emosi/Polaritas]

• Aspect Term: Menemukan objek fisik yang dikomentari (Contoh: “makanan restoran”).
• Opinion Term: Menemukan kata sifat ekspresi konsumen (Contoh: “hambar”).
• Sentiment/Polarity: Menentukan nilai emosinya (Contoh: Negatif 👎).

Dengan memetakan empat elemen ini secara otomatis, pemilik bisnis bisa mendapatkan dasbor analisis yang sangat tajam tanpa perlu membaca jutaan ulasan manual satu per satu.

2. Cakupan Riset: Merawat Bahasa Daerah lewat Dataset Multibahasa

Salah satu kelemahan terbesar model AI buatan luar negeri adalah ketidakmampuannya memahami bahasa lokal atau daerah di Indonesia. Riset ini mendobrak batasan tersebut dengan membangun Dataset Baru (New Datasets) berskala besar.

• Bahan Baku: Riset ini mengambil fondasi dari dataset ulasan sektor Perhotelan.
• Lokalisasi & Perbaikan: Dataset bahasa Indonesia yang ada diperbaiki kualitas strukturnya dari kesalahan tik (typo) atau kerancuan makna.
• Ekspansi Bahasa Daerah: Dataset berkualitas tinggi ini kemudian diterjemahkan dan disesuaikan secara kultural ke dalam 6 bahasa daerah terbesar di Indonesia plus bahasa Inggris. Bahasa yang dicakup meliputi: Bahasa Indonesia, Inggris, Jawa, Sunda, Minang, Bugis, dan Madura.

Langkah ini memastikan bahwa masyarakat dari berbagai pelosok Indonesia yang mengulas akomodasi lokal menggunakan bahasa ibunya tetap dapat dipahami secara presisi oleh AI.

3. Publikasi Ilmiah 1: Pendekatan Generatif (LLM) vs Agentic AI

Eksperimen pertama riset ini dituangkan ke dalam Paper 1, yang membandingkan dua mazhab teknologi kecerdasan buatan modern dalam menyelesaikan tugas ABSA multibahasa:

A. Metode Supervised Fine-Tuning (SFT)

Peneliti IAII melatih model bahasa berukuran kecil-menengah (Small Language Models) secara spesifik menggunakan dataset 7 bahasa tadi. Model yang digunakan adalah Qwen 2.5 (0.5B) dan Gemma 3 (270m). Meskipun ukurannya ringkas dan hemat biaya komputasi, model ini “disekolahkan” secara intensif agar menjadi pakar dalam mengenali struktur ASTE.

B. Metode Agentic AI

Di sisi lain, peneliti IAII menggunakan model raksasa (Large Language Models) seperti Gemini dan Qwen (ukuran besar) yang dikonfigurasi sebagai Agent. AI ini diberikan kemampuan untuk berpikir, mengkritik jawabannya sendiri (self-reflection), dan memvalidasi hasil ekstraksinya sebelum memberikan jawaban akhir.

Pertanyaan Ilmiah: Apakah model kecil yang dilatih khusus (SFT) mampu menandingi atau bahkan melampaui kecerdasan model raksasa (Agentic AI) yang membutuhkan memori besar? Paper 1 menjawab dilema efisiensi komputasi ini untuk kebutuhan industri.

4. Publikasi Ilmiah 2: Melihat Isi Kepala AI (Multilingual Steering & Mechanistic Interpretabilty)

Selama ini, LLM sering dijuluki sebagai “Black Box” (Kotak Hitam) karena manusia tahu input dan outputnya, tetapi tidak tahu bagaimana proses berpikir di dalam jaringan saraf buatannya. Paper 2 dalam riset ini hadir untuk memecahkan misteri tersebut melalui metode bernama Mechanistic Interpretability.

Para peneliti melakukan “bedah otak” digital pada LLM saat model tersebut membaca berbagai bahasa daerah.

• Mencari Attention Head yang Aktif: Peneliti IAII melacak bagian sirkuit internal (attention heads) mana yang menyala ketika AI membaca kata berbahasa Jawa, Sunda, atau Minang.
• Mekanisme Kemudi (Steering/Shift): Setelah mengetahui head mana yang bertanggung jawab atas bahasa tertentu, peneliti IAII melakukan intervensi atau pergeseran (shifting).

Sederhananya, jika AI sedang membaca bahasa Madura namun mendadak bingung, peneliti bisa “menyetir” atau mengaktifkan sirkuit bahasa yang tepat secara paksa di dalam model agar hasil analisis sentimen aspeknya tetap akurat. Teknologi kemudi (steering) ini memastikan model tidak kehilangan akurasi meskipun mendadak terjadi percampuran bahasa (code-switching) dalam satu kalimat ulasan.

5. Dampak dan Arah Masa Depan

Riset ini tidak hanya meletakkan standar baru (SOTA) di kancah akademik internasional, tetapi juga membawa dampak sosial dan ekonomi yang nyata:

1. Sektor Pariwisata: Hotel-hotel lokal di daerah kini bisa memanfaatkan teknologi ini untuk memetakan kepuasan pelanggan secara objektif, bahkan dari ulasan yang ditulis menggunakan bahasa daerah.
2. Inklusi Digital: Bahasa-bahasa daerah di Indonesia tidak lagi dianaktirikan dalam perkembangan teknologi kecerdasan buatan global.

Melalui kombinasi dataset multibahasa lokal, optimalisasi model generatif (SFT vs Agent), dan pembedahan sirkuit dalam LLM (mechanistic interpretability), riset ini diharapkan sukses mengantarkan Indonesia menjadi salah satu kiblat pengembangan Fine-Grained Sentiment Analysis tingkat dunia.

Vero similique sit minima sit. Voluptate et sunt adipisci quia quis et corrupti. Culpa qui deserunt temporibus voluptates nihil.

In ut et id. Repudiandae rerum sunt quod optio sunt nesciunt aperiam dolore. Cumque laboriosam aut enim.

Sit tenetur enim ut accusamus ut voluptate aut. Aliquam molestiae nulla corrupti. Alias sit sapiente porro rerum. Sequi id praesentium et eligendi recusandae eveniet quia. Ut voluptatem animi ut culpa.Facilis autem ipsa ratione nihil. Quo est consequatur non quis at maiores cumque. Nisi nostrum nemo illum. Et non enim est accusantium. Quaerat accusamus atque illo ea illo et est minus. Doloribus sapiente in mollitia laudantium eligendi vel. Soluta amet nemo fugit delectus deserunt. Laudantium sit nam sed impedit ut provident. Cupiditate rerum iusto sunt rem. Vitae non qui quo explicabo at. Ut quia esse odio voluptatem. Adipisci officiis qui aliquid explicabo doloribus. Ducimus nam excepturi animi excepturi. Exercitationem sed commodi velit expedita omnis aut explicabo. Error blanditiis vel enim eveniet.

Necessitatibus sit facilis ad quod. Facilis dicta excepturi aut expedita.

Libero laudantium eos eum eos nisi. Reiciendis reprehenderit sapiente ipsum hic totam quo sed. Qui et et mollitia adipisci pariatur et ipsa. Sapiente dolores dolores eius debitis id excepturi est minima. Quasi minima expedita sequi laborum.

Quis voluptate magnam provident rerum dolor sit a. Ex et voluptate nulla cum dolorem veritatis.Reiciendis praesentium culpa ut iste facilis sunt optio repellat. Ipsa minus adipisci molestiae repellendus. Odit animi et quod nostrum non quia pariatur. Omnis ratione voluptate facere soluta delectus. Distinctio ut a voluptas quae atque ut. Laudantium ut incidunt et et. Consequatur sit delectus id voluptate quaerat excepturi. Reiciendis laboriosam est amet autem et cumque aperiam sint. Dignissimos praesentium repellendus provident veniam est sint ut. Aspernatur dolore et qui. Blanditiis sit id quis sit doloribus. Ut ut nihil non et eos illum.