Glosarium AI: 49 Istilah Kecerdasan Buatan (Bahasa Indonesia)
Glosarium AI dari rubythalib.ai: kumpulan istilah kecerdasan buatan paling penting dalam Bahasa Indonesia, dengan definisi singkat dan jelas. Dari machine learning, LLM, computer vision, hingga istilah implementasi AI untuk bisnis.
Dasar AI
Artificial Intelligence (AI)
Artificial Intelligence atau kecerdasan buatan adalah bidang ilmu komputer yang membuat mesin mampu melakukan tugas yang biasanya butuh kecerdasan manusia, seperti mengenali gambar, memahami bahasa, mengambil keputusan, dan memprediksi sesuatu dari data.
Kenapa penting: AI adalah payung besar dari semua istilah lain di glosarium ini. Bagi perusahaan, AI berarti mengotomasi pekerjaan dan mengambil keputusan lebih cepat berbasis data.
Machine Learning (ML)
Machine Learning adalah cabang AI di mana sistem belajar pola dari data tanpa diprogram aturannya satu per satu. Semakin banyak data yang relevan, semakin baik model mengenali pola dan membuat prediksi.
Kenapa penting: Sebagian besar solusi AI praktis di perusahaan, dari prediksi penjualan sampai deteksi anomali, sebenarnya adalah penerapan Machine Learning.
Deep Learning
Deep Learning adalah jenis Machine Learning yang memakai jaringan saraf tiruan berlapis banyak (deep neural network) untuk mempelajari pola kompleks. Teknik ini menjadi tulang punggung Computer Vision dan model bahasa modern.
Kenapa penting: Hampir semua kemajuan AI besar, seperti pengenalan gambar dan LLM, ditenagai Deep Learning karena mampu menangani data yang sangat rumit.
Neural Network (Jaringan Saraf Tiruan)
Neural Network adalah model komputasi yang terinspirasi dari cara kerja otak, terdiri dari lapisan-lapisan node (neuron) yang saling terhubung. Setiap koneksi punya bobot yang disesuaikan saat model belajar dari data.
Kenapa penting: Neural network adalah unit dasar di balik Deep Learning. Memahaminya membantu menjelaskan mengapa model AI butuh banyak data dan komputasi untuk dilatih.
Supervised Learning
Supervised Learning adalah pendekatan ML di mana model dilatih memakai data berlabel, yaitu data yang sudah punya jawaban benar. Model belajar memetakan input ke output yang tepat, misalnya foto ke nama objek.
Kenapa penting: Ini pendekatan paling umum di proyek bisnis: klasifikasi dokumen, deteksi cacat produk, atau prediksi churn semuanya butuh data berlabel.
Unsupervised Learning
Unsupervised Learning adalah pendekatan ML di mana model mencari pola atau kelompok dalam data tanpa label jawaban. Contohnya mengelompokkan pelanggan berdasarkan perilaku belanja tanpa kategori yang ditentukan sebelumnya.
Kenapa penting: Berguna saat data tidak punya label, misalnya segmentasi pelanggan atau menemukan pola tersembunyi dalam transaksi.
Data Latih (Training Data)
Training Data adalah kumpulan data yang dipakai untuk melatih model AI agar mengenali pola. Kualitas dan jumlah data latih sangat menentukan akurasi model: data yang buruk menghasilkan model yang buruk.
Kenapa penting: Banyak proyek AI gagal bukan karena algoritmanya, tapi karena data latih yang kotor, sedikit, atau tidak mewakili kondisi nyata di lapangan.
Overfitting
Overfitting terjadi saat model belajar terlalu detail dari data latih, termasuk gangguan acaknya, sehingga akurat di data latih tapi buruk pada data baru. Model jadi hafal, bukan paham.
Kenapa penting: Overfitting adalah jebakan klasik: model terlihat hebat saat pengujian internal tapi gagal saat dipakai pada data nyata di production.
Model AI
Model AI adalah hasil dari proses pelatihan: sebuah file berisi pola yang sudah dipelajari dari data dan bisa dipakai untuk membuat prediksi atau keputusan pada input baru, misalnya menebak kategori sebuah email.
Kenapa penting: Model adalah aset inti dari solusi AI. Setelah dilatih, model perlu di-deploy agar bisa dipakai aplikasi nyata.
Generative AI
Generative AI adalah jenis AI yang menghasilkan konten baru, seperti teks, gambar, kode, atau audio, berdasarkan pola yang dipelajari dari data dalam jumlah besar. Contoh populernya adalah ChatGPT, Claude, dan Gemini.
Kenapa penting: Generative AI mengubah cara kerja tim: membuat draf konten, merangkum dokumen, dan menulis kode jadi jauh lebih cepat.
NLP & Large Language Model
Natural Language Processing (NLP)
NLP atau pemrosesan bahasa alami adalah bidang AI yang membuat komputer mampu memahami, menafsirkan, dan menghasilkan bahasa manusia, baik teks maupun suara. Contohnya analisis sentimen, terjemahan, dan chatbot.
Kenapa penting: NLP adalah fondasi chatbot, analisis ulasan pelanggan, dan otomasi dokumen yang banyak diminta perusahaan di Indonesia.
Large Language Model (LLM)
Large Language Model adalah model AI berukuran sangat besar yang dilatih pada teks dalam jumlah masif untuk memahami dan menghasilkan bahasa. LLM bisa menjawab pertanyaan, menulis, merangkum, dan menalar. ChatGPT, Claude, dan Gemini adalah contoh LLM.
Kenapa penting: LLM adalah mesin di balik gelombang AI generatif saat ini dan jadi dasar chatbot perusahaan, asisten internal, serta otomasi pekerjaan teks.
Token
Token adalah potongan teks terkecil yang diproses LLM, bisa berupa kata, bagian kata, atau tanda baca. Model membaca dan menghasilkan teks per token, dan biaya pemakaian LLM biasanya dihitung berdasarkan jumlah token.
Kenapa penting: Memahami token penting untuk mengelola biaya dan batas panjang input saat membangun aplikasi berbasis LLM.
Embedding
Embedding adalah representasi teks, gambar, atau data lain dalam bentuk deretan angka (vektor) yang menangkap maknanya. Data dengan makna serupa punya vektor yang berdekatan, sehingga komputer bisa membandingkan kemiripan.
Kenapa penting: Embedding adalah fondasi pencarian semantik dan RAG, memungkinkan sistem menemukan dokumen yang relevan berdasarkan makna, bukan sekadar kata kunci.
Prompt
Prompt adalah instruksi atau pertanyaan yang diberikan kepada model AI generatif untuk menghasilkan jawaban. Kualitas prompt sangat memengaruhi kualitas output: prompt yang jelas dan spesifik menghasilkan jawaban yang lebih baik.
Kenapa penting: Menyusun prompt yang baik adalah keterampilan inti memakai LLM secara efektif, baik untuk individu maupun otomasi di perusahaan.
Prompt Engineering
Prompt Engineering adalah praktik merancang dan menyempurnakan prompt agar model AI menghasilkan output yang akurat, konsisten, dan sesuai kebutuhan. Tekniknya meliputi memberi contoh, konteks, peran, dan format jawaban yang diinginkan.
Kenapa penting: Prompt engineering yang baik bisa membuat satu LLM yang sama menghasilkan kualitas jauh lebih tinggi tanpa biaya pelatihan tambahan.
RAG (Retrieval-Augmented Generation)
RAG adalah teknik yang menggabungkan LLM dengan basis pengetahuan eksternal. Sebelum menjawab, sistem mengambil dokumen relevan terlebih dahulu, lalu menyusun jawaban berdasarkan dokumen itu, sehingga lebih akurat dan bisa mengutip sumber.
Kenapa penting: RAG adalah fondasi chatbot perusahaan yang menjawab dari dokumen internal seperti SOP, katalog produk, atau regulasi, tanpa perlu melatih ulang model.
Fine-tuning
Fine-tuning adalah proses melatih ulang model yang sudah ada dengan data tambahan yang spesifik agar lebih cocok untuk tugas atau domain tertentu, misalnya gaya bahasa perusahaan atau istilah industri tertentu.
Kenapa penting: Fine-tuning berguna saat prompt dan RAG belum cukup, tapi biayanya lebih tinggi; sering kali RAG dulu yang dicoba sebelum fine-tuning.
Halusinasi (Hallucination)
Halusinasi adalah kondisi saat model AI generatif menghasilkan informasi yang terdengar meyakinkan tetapi sebenarnya salah atau dibuat-buat. Model menjawab dengan percaya diri meski faktanya keliru.
Kenapa penting: Halusinasi adalah risiko utama LLM untuk kasus bisnis. Teknik seperti RAG dan verifikasi sumber dipakai untuk menekannya.
Context Window
Context Window adalah jumlah maksimum teks (diukur dalam token) yang bisa diproses LLM dalam satu waktu, mencakup prompt dan jawaban. Jika melebihi batas, informasi paling awal bisa terpotong atau dilupakan model.
Kenapa penting: Context window menentukan seberapa banyak dokumen atau riwayat percakapan yang bisa dimasukkan sekaligus, penting untuk merancang aplikasi LLM.
Transformer
Transformer adalah arsitektur neural network yang menjadi dasar hampir semua LLM modern. Inovasinya, mekanisme attention, memungkinkan model menimbang bagian mana dari input yang paling relevan saat memproses bahasa.
Kenapa penting: Transformer adalah terobosan yang memungkinkan lahirnya LLM seperti GPT dan Claude; istilah ini muncul di hampir semua diskusi teknis AI modern.
AI Agent
AI Agent adalah sistem berbasis LLM yang bisa mengambil langkah-langkah secara mandiri untuk menyelesaikan tugas, misalnya memanggil tool, mencari informasi, dan menjalankan aksi, bukan sekadar menjawab satu pertanyaan.
Kenapa penting: Agent adalah arah berikutnya otomasi AI: bukan cuma menjawab, tapi mengerjakan alur kerja seperti membalas email atau mengelola data.
Vector Database
Vector Database adalah jenis basis data yang menyimpan embedding (vektor) dan dirancang untuk mencari data yang paling mirip maknanya dengan cepat. Contohnya Pinecone, Weaviate, dan pgvector.
Kenapa penting: Vector database adalah komponen kunci sistem RAG dan pencarian semantik; tanpa ini, mencari dokumen relevan dari ribuan file jadi lambat.
Analisis Sentimen (Sentiment Analysis)
Analisis Sentimen adalah teknik NLP untuk mengukur apakah sebuah teks bernada positif, negatif, atau netral. Sering dipakai untuk menganalisis ulasan produk, komentar media sosial, dan umpan balik pelanggan.
Kenapa penting: Berguna bagi perusahaan untuk memantau persepsi merek dan menemukan keluhan pelanggan secara otomatis dalam skala besar.
Computer Vision
Computer Vision
Computer Vision adalah bidang AI yang membuat komputer mampu memahami isi gambar dan video, seperti mengenali objek, membaca teks, atau mendeteksi gerakan. Ini meniru kemampuan penglihatan manusia secara digital.
Kenapa penting: Computer Vision banyak dipakai di manufaktur, pertambangan, dan retail Indonesia untuk inspeksi kualitas, keselamatan kerja, dan analitik pengunjung.
Object Detection
Object Detection adalah teknik Computer Vision untuk menemukan dan menandai lokasi objek tertentu dalam gambar atau video dengan kotak pembatas (bounding box), sekaligus mengenali jenis objeknya.
Kenapa penting: Inti dari banyak solusi nyata: menghitung orang, mendeteksi APD keselamatan, memantau kendaraan, atau mengawasi area terlarang.
Image Segmentation
Image Segmentation adalah teknik Computer Vision yang mengelompokkan piksel gambar berdasarkan objek atau wilayah, sehingga model bisa menandai bentuk objek secara presisi, bukan sekadar kotak pembatas.
Kenapa penting: Dipakai saat butuh presisi tinggi, misalnya mengukur luas area cacat pada produk atau memetakan wilayah dari citra drone.
OCR (Optical Character Recognition)
OCR adalah teknologi yang mengubah teks dalam gambar atau dokumen pindaian menjadi teks digital yang bisa diedit dan dicari. Contohnya membaca KTP, faktur, plat nomor, atau formulir.
Kenapa penting: OCR adalah salah satu use case AI dengan ROI cepat di Indonesia: mengotomasi entri data dari KTP, invoice, dan dokumen fisik.
YOLO (You Only Look Once)
YOLO adalah keluarga model object detection yang terkenal cepat karena mendeteksi objek dalam satu kali proses pada gambar. Cocok untuk deteksi real-time pada video dan kamera CCTV.
Kenapa penting: YOLO sering jadi pilihan untuk solusi real-time seperti penghitung orang dan deteksi keselamatan karena ringan dan cepat.
Klasifikasi Gambar (Image Classification)
Image Classification adalah tugas Computer Vision untuk menentukan kategori sebuah gambar secara keseluruhan, misalnya menentukan apakah foto produk termasuk cacat atau normal.
Kenapa penting: Salah satu use case paling sederhana dan cepat diterapkan, sering jadi titik awal proyek Computer Vision di pabrik.
Pengenalan Wajah (Facial Recognition)
Facial Recognition adalah teknologi Computer Vision yang mengidentifikasi atau memverifikasi identitas seseorang dari wajahnya. Dipakai untuk absensi, akses keamanan, dan verifikasi identitas.
Kenapa penting: Banyak diminta untuk absensi karyawan dan kontrol akses, tetapi perlu hati-hati soal privasi dan kepatuhan terhadap aturan data pribadi.
Anomaly Detection
Anomaly Detection adalah teknik AI untuk menemukan data atau kejadian yang menyimpang dari pola normal, seperti cacat produk, transaksi mencurigakan, atau perilaku tidak biasa pada rekaman CCTV.
Kenapa penting: Sangat bernilai untuk kontrol kualitas, deteksi penipuan, dan keamanan, karena menemukan masalah yang sulit dilihat manusia secara manual.
MLOps & Engineering
MLOps
MLOps adalah praktik dan alat untuk mengelola siklus hidup model AI di lingkungan nyata: melatih, men-deploy, memantau, dan memperbarui model secara andal dan berkelanjutan, mirip DevOps untuk Machine Learning.
Kenapa penting: Tanpa MLOps, model AI sering berhenti di tahap eksperimen; MLOps yang membuat model benar-benar berjalan stabil di production.
Inference
Inference adalah proses memakai model yang sudah dilatih untuk menghasilkan prediksi pada data baru. Jika pelatihan adalah belajar, maka inference adalah menerapkan apa yang sudah dipelajari saat model dipakai.
Kenapa penting: Biaya dan kecepatan inference menentukan kelayakan ekonomi sebuah solusi AI, terutama untuk aplikasi yang melayani banyak pengguna.
Model Deployment
Model Deployment adalah proses memasang model AI yang sudah dilatih ke lingkungan nyata agar bisa diakses oleh aplikasi atau pengguna, biasanya lewat API atau perangkat edge.
Kenapa penting: Deployment adalah jembatan antara eksperimen dan dampak bisnis; tanpanya, model hanya jadi proyek riset yang tidak menghasilkan nilai.
Latency
Latency adalah waktu yang dibutuhkan sistem AI untuk merespons sebuah permintaan, dari input masuk sampai jawaban keluar. Latency rendah berarti respons cepat, penting untuk aplikasi real-time.
Kenapa penting: Latency tinggi membuat pengguna merasa aplikasi lambat meski model akurat; sering jadi penentu keberhasilan adopsi produk AI.
Quantization
Quantization adalah teknik mengompresi model AI dengan menurunkan presisi angka di dalamnya, sehingga model jadi lebih kecil dan cepat dengan sedikit penurunan akurasi. Berguna untuk menjalankan model di perangkat terbatas.
Kenapa penting: Quantization memungkinkan model berjalan di edge device atau dengan biaya komputasi lebih murah, penting untuk efisiensi biaya.
Data Pipeline
Data Pipeline adalah rangkaian proses otomatis untuk mengumpulkan, membersihkan, mengubah, dan mengalirkan data dari sumbernya ke sistem AI atau analitik. Pipeline yang baik memastikan data siap pakai dan konsisten.
Kenapa penting: Sebagian besar usaha proyek AI sebenarnya ada di data pipeline; data yang rapi dan andal adalah prasyarat model yang berfungsi.
API (Application Programming Interface)
API adalah antarmuka yang memungkinkan satu aplikasi memanggil layanan aplikasi lain. Dalam AI, model biasanya disajikan lewat API sehingga aplikasi lain bisa mengirim data dan menerima prediksi.
Kenapa penting: API adalah cara paling umum mengintegrasikan AI ke sistem yang sudah ada, seperti menghubungkan model ke aplikasi internal perusahaan.
Edge Computing / Edge AI
Edge AI adalah menjalankan model AI langsung di perangkat dekat sumber data, seperti kamera, sensor, atau mesin, bukan di server cloud. Ini mengurangi latency dan kebutuhan koneksi internet.
Kenapa penting: Penting untuk pabrik dan tambang di Indonesia dengan koneksi terbatas, atau saat butuh respons instan tanpa mengirim data ke cloud.
GPU (Graphics Processing Unit)
GPU adalah prosesor yang dirancang untuk menghitung banyak operasi secara paralel. Karena Deep Learning butuh perhitungan masif, GPU jadi perangkat utama untuk melatih dan menjalankan model AI dengan cepat.
Kenapa penting: Ketersediaan dan biaya GPU sering jadi pertimbangan utama dalam menganggarkan proyek AI, terutama untuk pelatihan model besar.
Bisnis & Implementasi
Use Case AI
Use Case AI adalah penerapan AI yang spesifik untuk menyelesaikan satu masalah bisnis nyata, misalnya mendeteksi cacat produk, meramalkan permintaan, atau mengotomasi layanan pelanggan.
Kenapa penting: Memilih use case yang tepat, yang bernilai tinggi dan layak secara teknis, adalah langkah pertama paling menentukan keberhasilan adopsi AI.
Proof of Concept (PoC)
Proof of Concept adalah versi awal berskala kecil dari solusi AI yang dibuat untuk membuktikan bahwa ide tersebut layak secara teknis dan bernilai, sebelum berinvestasi penuh pada pengembangan production.
Kenapa penting: PoC mengurangi risiko: perusahaan bisa menguji apakah AI benar-benar memberi hasil sebelum mengeluarkan biaya besar.
ROI AI (Return on Investment)
ROI AI adalah ukuran nilai yang dihasilkan sebuah inisiatif AI dibandingkan biayanya, baik berupa penghematan biaya, peningkatan pendapatan, maupun efisiensi waktu. Dihitung untuk menilai apakah investasi AI layak.
Kenapa penting: Manajemen menilai proyek AI dari ROI; use case dengan ROI jelas dan cepat lebih mudah disetujui dan diperluas.
Predictive Maintenance
Predictive Maintenance adalah penggunaan AI untuk memprediksi kapan sebuah mesin atau peralatan kemungkinan rusak, berdasarkan data sensor dan riwayat, sehingga perawatan bisa dilakukan tepat sebelum terjadi kerusakan.
Kenapa penting: Bernilai besar di manufaktur dan pertambangan Indonesia karena mengurangi downtime tak terduga dan biaya perbaikan darurat.
Chatbot AI
Chatbot AI adalah program yang bisa berinteraksi dengan pengguna lewat percakapan teks atau suara secara otomatis. Chatbot modern memakai LLM dan sering dipadukan RAG agar menjawab dari basis pengetahuan perusahaan.
Kenapa penting: Salah satu use case paling diminati untuk layanan pelanggan dan asisten internal karena hemat waktu dan tersedia 24 jam.
Otomasi (Automation)
Otomasi berbasis AI adalah penggunaan AI untuk menjalankan tugas berulang tanpa campur tangan manusia, seperti menyortir email, mengekstrak data dokumen, atau mengklasifikasikan tiket dukungan.
Kenapa penting: Otomasi adalah sumber penghematan biaya tercepat dari AI: membebaskan staf dari pekerjaan repetitif untuk fokus pada hal bernilai tinggi.
AI Readiness
AI Readiness adalah tingkat kesiapan sebuah organisasi untuk mengadopsi AI, dilihat dari kualitas data, infrastruktur, keterampilan tim, dan kejelasan use case. Penilaian ini membantu menentukan langkah awal yang realistis.
Kenapa penting: Menilai kesiapan di awal mencegah proyek AI gagal karena data atau tim belum siap; fondasi dulu sebelum solusi canggih.
Transformasi Digital (Digital Transformation)
Transformasi Digital adalah proses mengubah cara kerja dan model bisnis sebuah organisasi dengan memanfaatkan teknologi digital, termasuk AI dan data, untuk meningkatkan efisiensi dan menciptakan nilai baru.
Kenapa penting: AI adalah salah satu mesin utama transformasi digital saat ini; banyak perusahaan Indonesia menjadikan adopsi AI bagian dari roadmap transformasinya.