Saat mendengar istilah AI seperti ChatGPT, Gemini, Claude, DeepSeek, atau model lainnya, sering muncul istilah teknis seperti token, parameter, embedding, context window, hingga GPU.

Bagi orang awam, istilah tersebut sering terdengar rumit. Padahal jika dijelaskan dengan analogi sederhana, konsepnya cukup mudah dipahami.

Artikel ini akan membantu memahami "isi dalam kepala AI" tanpa harus menjadi seorang data scientist.

---

AI Itu Sebenarnya Apa?

Secara sederhana, AI modern seperti ChatGPT adalah program yang belajar dari miliaran contoh teks untuk menebak kata berikutnya yang paling masuk akal.

Misalnya ketika melihat kalimat:

Indonesia merdeka pada tahun ...

AI akan memprediksi bahwa kemungkinan besar kata berikutnya adalah:

1945

Dari proses prediksi yang sangat kompleks dan dilakukan miliaran kali inilah kemampuan AI terbentuk.

---

1. Token: Cara AI Membaca Teks

Manusia membaca per kata atau per kalimat.

AI membaca dalam bentuk token.

Token adalah potongan teks yang digunakan AI sebagai satuan pemrosesan.

Contoh:

Saya suka nasi goreng.

Bisa dipecah menjadi token seperti:

Saya
suka
nasi
goreng
.

Total:

5 token

Contoh lain:

ChatGPT sangat pintar

Mungkin menjadi:

Chat
GPT
sangat
pintar

Token tidak selalu sama dengan kata.

Kadang satu kata bisa menjadi beberapa token.

Analogi Token

Bayangkan AI seperti seseorang yang sedang menyusun puzzle.

Setiap kepingan puzzle adalah token.

Semakin banyak token yang diberikan, semakin banyak informasi yang bisa dipahami AI.

---

2. Context Window: Ingatan Jangka Pendek AI

AI tidak benar-benar mengingat seluruh percakapan selamanya.

Ia memiliki ruang kerja sementara yang disebut:

Context Window

Ini adalah jumlah token yang bisa "dilihat" AI dalam satu waktu.

Contoh:

128.000 token

Artinya AI dapat membaca kira-kira:

• 250–350 halaman dokumen
• atau percakapan yang sangat panjang

Jika melebihi batas tersebut, bagian paling lama akan mulai terlupakan.

Analogi Context Window

Bayangkan meja kerja.

Semakin besar meja:

• semakin banyak dokumen bisa dibuka sekaligus
• semakin banyak informasi bisa dianalisis bersamaan

---

3. Parameter: Ukuran Otak AI

Istilah yang paling sering terdengar adalah:

7B
13B
70B
175B
671B

Huruf B berarti:

Billion (Miliar)

Parameter adalah angka-angka yang menyimpan hasil pembelajaran AI.

Semakin banyak parameter:

• semakin banyak pola yang bisa dipelajari
• semakin baik memahami konteks
• semakin mahal kebutuhan komputasinya

Analogi Parameter

Bayangkan parameter sebagai jumlah koneksi antar sel otak.

Model 7B

7 miliar koneksi

Model 70B

70 miliar koneksi

Model 671B

671 miliar koneksi

Semakin banyak koneksi, biasanya semakin pintar.

Tetapi tidak selalu lebih efisien.

---

4. Training: Proses Belajar AI

Sebelum bisa menjawab pertanyaan, AI harus dilatih terlebih dahulu.

Proses ini disebut:

Training

Saat training, AI membaca:

• buku
• artikel
• website
• dokumentasi
• kode program
• jurnal

Jumlahnya bisa mencapai triliunan kata.

Tujuannya adalah menemukan pola bahasa.

Analogi Training

Seperti anak sekolah yang membaca jutaan buku selama bertahun-tahun.

Setelah itu ia mulai memahami:

• tata bahasa
• fakta umum
• pola berpikir manusia

---

5. Dataset: Buku Pelajaran AI

Dataset adalah kumpulan data yang digunakan saat training.

Semakin baik dataset:

• semakin baik hasil AI

Sebaliknya:

• data buruk menghasilkan AI yang buruk

Prinsip ini sering disebut:

Garbage In, Garbage Out

Analogi Dataset

Dataset adalah perpustakaan tempat AI belajar.

Jika perpustakaannya lengkap dan berkualitas, hasil belajarnya juga lebih baik.

---

6. Embedding: Cara AI Memahami Makna

Komputer tidak memahami arti kata seperti manusia.

Karena itu teks harus diubah menjadi angka.

Proses ini menghasilkan:

Embedding

Contoh:

Kucing

Bisa berubah menjadi:

[0.12, -0.45, 0.88, ...]

Ratusan atau ribuan angka tersebut mewakili makna kata.

Contoh Sederhana

AI akan menempatkan kata-kata yang mirip lebih dekat.

Misalnya:

Kucing
Anjing
Kelinci

Akan berada relatif dekat.

Sedangkan:

Kucing
Pesawat

Akan berjauhan.

Analogi Embedding

Bayangkan peta kota.

Kata yang mirip tinggal di kompleks perumahan yang berdekatan.

Kata yang berbeda tinggal di lokasi yang berjauhan.

---

7. Vector Database: Gudang Ingatan AI

Setelah teks diubah menjadi embedding, hasilnya biasanya disimpan dalam Vector Database.

Database ini memungkinkan pencarian berdasarkan makna, bukan hanya kata yang sama.

Misalnya ketika pengguna bertanya:

Bagaimana cara reset password CEISA?

Sistem tetap dapat menemukan dokumen yang berisi:

Prosedur penggantian kata sandi pengguna CEISA

Meskipun kalimatnya berbeda.

Analogi Vector Database

Seperti pustakawan yang tidak hanya mencari judul buku.

Tetapi juga memahami isi buku dan menemukan buku yang topiknya mirip.

---

8. RAG: Memberi AI Akses ke Dokumen

RAG adalah singkatan dari:

Retrieval Augmented Generation

Konsepnya:

1. Cari dokumen yang relevan
2. Kirim dokumen ke AI
3. AI menjawab berdasarkan dokumen tersebut

RAG sangat populer untuk:

• chatbot perusahaan
• chatbot regulasi
• chatbot SOP
• chatbot knowledge base

Analogi RAG

Bayangkan seorang pegawai baru.

Ia tidak hafal semua aturan.

Tetapi ia tahu cara mencari dokumen yang tepat sebelum menjawab.

---

9. Fine-Tuning: Kursus Khusus untuk AI

Fine-tuning adalah melatih ulang model agar lebih ahli pada bidang tertentu.

Contoh:

• hukum
• kesehatan
• perpajakan
• kepabeanan
• layanan pelanggan

Analogi Fine-Tuning

AI sudah lulus sekolah umum.

Fine-tuning seperti mengambil pendidikan spesialis.

Misalnya menjadi:

• dokter
• pengacara
• akuntan

---

10. Inference: Saat AI Menjawab

Ketika Anda mengetik:

Apa ibu kota Indonesia?

AI melakukan proses:

Inference

Yaitu menggunakan hasil pembelajaran untuk menghasilkan jawaban.

Analogi Inference

Training adalah belajar.

Inference adalah ujian.

Saat menjawab pertanyaan, AI sedang menggunakan apa yang telah dipelajarinya.

---

11. GPU: Mesin Penggerak AI

Sebagian besar AI modern berjalan menggunakan GPU.

GPU mampu melakukan jutaan hingga miliaran perhitungan secara paralel.

Tanpa GPU, proses training model besar bisa memakan waktu bertahun-tahun.

Analogi GPU

Jika CPU adalah:

1 orang pekerja yang sangat pintar

Maka GPU adalah:

ribuan pekerja yang bekerja secara bersamaan

Karena itulah AI modern sangat bergantung pada GPU.

---

12. Temperature: Tingkat Kreativitas AI

Temperature menentukan seberapa kreatif jawaban AI.

Rendah (0.1)

Jawaban:

stabil
konsisten
formal

Tinggi (1.0)

Jawaban:

lebih kreatif
lebih variatif
kadang lebih berisiko salah

Analogi Temperature

Seperti tingkat improvisasi seorang musisi.

Semakin tinggi nilainya, semakin bebas improvisasinya.

---

13. Quantization: Cara Mengecilkan Model AI

Model AI sering kali sangat besar.

Agar bisa dijalankan di laptop atau server yang lebih kecil, model dapat diperkecil menggunakan teknik yang disebut:

Quantization

Contohnya:

FP16 → Q8 → Q6 → Q4

Ukuran model bisa menjadi jauh lebih kecil.

Analogi Quantization

Seperti mengompres foto dari ukuran 20 MB menjadi 5 MB.

Kualitas sedikit berkurang, tetapi jauh lebih hemat ruang.

---

14. Hallucination: Ketika AI Mengarang

Kadang AI memberikan jawaban yang terdengar sangat meyakinkan tetapi sebenarnya salah.

Fenomena ini disebut:

Hallucination

Contoh:

• membuat referensi buku yang tidak ada
• membuat nomor peraturan yang salah
• mengarang nama orang atau organisasi

Analogi Hallucination

Seperti siswa yang tidak tahu jawabannya tetapi tetap menjawab dengan penuh percaya diri.

Karena itu hasil AI tetap perlu diverifikasi.

---

Ringkasan Sederhana

Komponen	Analogi
Token	Kepingan puzzle
Context Window	Meja kerja AI
Parameter	Jumlah koneksi otak
Dataset	Perpustakaan
Training	Proses belajar
Embedding	Koordinat makna
Vector Database	Gudang ingatan
RAG	Membuka referensi sebelum menjawab
Fine-Tuning	Kursus spesialis
Inference	Saat mengerjakan ujian
GPU	Ribuan pekerja paralel
Temperature	Tingkat kreativitas
Quantization	Kompresi model
Hallucination	Mengarang jawaban

---

Kesimpulan

Ketika seseorang mengatakan:

"Model ini memiliki 70 miliar parameter, context window 128 ribu token, menggunakan RAG, dan dijalankan pada GPU."

Artinya secara sederhana:

AI tersebut memiliki otak yang besar, mampu membaca dokumen yang panjang, dapat mencari referensi tambahan sebelum menjawab, dan memiliki tenaga komputasi yang cukup untuk bekerja dengan cepat.

Memahami istilah-istilah ini membantu kita melihat bahwa AI bukanlah mesin ajaib. AI adalah kombinasi dari data, matematika, komputasi, dan teknik pencarian informasi yang bekerja bersama untuk menghasilkan jawaban yang terlihat cerdas.

---

Summary

Artikel ini menjelaskan komponen utama AI modern seperti token, parameter, context window, embedding, vector database, RAG, fine-tuning, inference, GPU, temperature, quantization, dan hallucination menggunakan analogi sederhana sehingga mudah dipahami oleh orang awam.