Dalam beberapa tahun terakhir, istilah Generative AI (GenAI) menjadi pusat perhatian. Berbagai model bahasa besar dan generator gambar bermunculan, dari yang digunakan untuk hiburan hingga yang dimanfaatkan dalam riset ilmiah dan pendidikan. Di satu sisi, GenAI menghadirkan produktivitas dan kreativitas baru; di sisi lain, ia menimbulkan pertanyaan tentang etika, integritas, dan masa depan berbagai profesi.
Banyak orang merasakan dampak GenAI tanpa benar-benar memahami cara kerjanya. Mengapa model seperti ini bisa menulis esai panjang, membuat ilustrasi yang realistis, atau menghasilkan kode program yang cukup rapi? Apakah ia “mengerti” seperti manusia, atau sekadar memanipulasi pola statistik? Bagaimana peran prompt engineering dalam mengendalikan output? Dan apa yang dimaksud dengan EdGPT dalam konteks belajar mengajar?
Artikel ini mencoba menjawab pertanyaan-pertanyaan tersebut secara terstruktur. Kita akan mulai dari definisi, berlanjut ke cara kerja model teks dan gambar, kemudian menggali pentingnya prompt engineering, dan ditutup dengan pembahasan kemunculan EdGPT serta implikasinya bagi pendidikan dan dunia kerja.
1. Apakah GenAI dan bagaimana ia berfungsi?
Secara sederhana, Generative AI (GenAI) adalah jenis kecerdasan buatan yang dirancang untuk menghasilkan konten baru: teks, gambar, audio, video, atau kode program. Hal ini membedakannya dari banyak sistem AI sebelumnya yang umumnya bersifat prediktif atau diskriminatif, misalnya mengklasifikasikan email sebagai spam atau bukan, atau memprediksi apakah suatu transaksi
berisiko fraud.
GenAI mempelajari pola dari data dalam skala yang sangat besar. Setelah dilatih, model dapat “menebak” bagaimana sebuah teks biasanya dilanjutkan, bagaimana sebuah gambar sebaiknya dibentuk, atau bagaimana kode seharusnya ditulis untuk mencapai fungsi tertentu. Dalam praktiknya, ia tidak menyalin data pelatihan secara mentah, tetapi menyusun ulang pola-pola statistik yang telah dipelajari.
Pertanyaan pentingnya bukan hanya “apa yang bisa dilakukan GenAI?”, tetapi juga “bagaimana ia sampai pada output tersebut?”. Untuk menjawabnya, kita perlu memahami konsep AI generatif secara umum.
1.1 Apakah AI Generatif?
AI generatif adalah cabang kecerdasan buatan yang tujuan utamanya adalah menghasilkan data baru yang tampak realistis dan konsisten dengan contoh-contoh yang pernah dilihatnya selama pelatihan. Berbeda dengan model AI tradisional yang fokus menjawab “ini apa?” atau “kemungkinan X berapa persen?”, AI generatif menjawab pertanyaan seperti:
- “Tuliskan paragraf tentang dampak perubahan iklim dalam gaya bahasa populer.”
- “Gambarkan seekor kucing astronot yang melayang di ruang angkasa.”
- “Buatkan fungsi Python untuk menghitung rata-rata nilai siswa.”
Dalam konteks ini, “generatif” tidak berarti model memiliki kreativitas seperti manusia. Ia tidak memiliki kesadaran atau intuisi, melainkan kemampuan statistik yang sangat kuat untuk menggabungkan pola-pola yang pernah dilihatnya menjadi sesuatu yang baru. Hasilnya sering tampak kreatif, namun tetap berakar pada data pelatihan.
AI generatif dapat digunakan di berbagai bidang: pemasaran (membuat konten dan desain), rekayasa (mencari desain optimal), medis (mencari kandidat molekul obat), hingga pendidikan (membangun tutor virtual dan alat bantu belajar).
1.2 Bagaimana AI Generatif Berfungsi?
Di balik antarmuka percakapan yang sederhana, GenAI bekerja melalui serangkaian proses matematis yang kompleks.
Namun, secara konseptual, cara kerjanya dapat diringkas dalam tiga tahap besar:
- Pelatihan (training)
Model diberi akses ke kumpulan data yang sangat besar: miliaran kata, jutaan gambar, kode, dan lainnya.
Tujuannya adalah mempelajari statistik dan pola: struktur kalimat, hubungan antar kata, bentuk objek, komposisi
gambar, dan sebagainya. - Penyetelan dan penyelarasan (fine-tuning & alignment)
Setelah pelatihan awal, model sering disesuaikan lagi untuk tugas tertentu, misalnya percakapan, penulisan kode,
atau konteks pendidikan. Pada tahap ini juga dilakukan penyelarasan perilaku model dengan nilai dan kebijakan tertentu. - Inferensi (penggunaan)
Ketika pengguna memberikan prompt, model menghitung output dengan memprediksi elemen berikutnya (token untuk teks,
fitur/piksel untuk gambar) berdasarkan probabilitas yang telah dipelajari.
Untuk memahami lebih jauh, kita akan melihat dua jenis GenAI yang paling banyak ditemui saat ini: model teks dan model gambar.
1.2.1 Bagaimana model GenAI teks berfungsi
Model GenAI teks modern umumnya berbasis large language model (LLM) dengan arsitektur Transformer. Inti kemampuannya adalah memprediksi token berikutnya dalam suatu rangkaian teks. Secara garis besar, mekanisme kerja model teks sebagai berikut:
- Tokenisasi
Teks dipecah menjadi unit kecil yang disebut token. Token dapat berupa kata, sub-kata, atau potongan karakter, bergantung pada skema tokenisasi yang digunakan. Misalnya, kalimat “GenAI mengubah cara kita bekerja” akan diubah menjadi deretan token numerik yang dapat diproses oleh model. - Pemahaman konteks dengan Transformer
Arsitektur Transformer menggunakan mekanisme self-attention yang memungkinkan model memperhatikan hubungan antar kata atau token secara bersamaan, bahkan dalam kalimat yang panjang. Inilah yang membuat LLM mampu menjaga konsistensi konteks di paragraf-paragraf yang panjang. - Prediksi token berikutnya
Pada saat pelatihan, model belajar untuk menebak token berikutnya berdasarkan token-token sebelumnya. Proses ini diulang miliaran kali hingga model membangun representasi bahasa yang kaya. - Sampling dan pengaturan gaya
Ketika digunakan, model tidak selalu memilih token dengan probabilitas tertinggi semata. Ada teknik sampling (seperti temperature, top-k, atau top-p) yang mengontrol seberapa kreatif atau konservatif jawaban. Nilai temperature yang lebih tinggi cenderung memberi jawaban lebih variatif, sedangkan nilai rendah menghasilkan jawaban lebih “aman”.
Hasil akhirnya adalah teks yang tampak mengalir dan selaras dengan gaya bahasa yang diminta. Namun penting diingat: model tidak “mengerti” seperti manusia. Ia bekerja berdasarkan probabilitas pola yang dipelajari, sehingga terkadang dapat menghasilkan informasi yang salah atau tidak konsisten.
1.2.2 Bagaimana model GenAI imej berfungsi
Untuk gambar, pendekatan yang populer saat ini adalah model difusi. Sebelum model difusi, dunia AI generatif gambar banyak menggunakan Generative Adversarial Networks (GAN), tetapi model difusi menawarkan stabilitas dan kualitas yang lebih baik pada banyak kasus. Konsep dasar model difusi dapat digambarkan sebagai berikut:
- Menambahkan noise
Sebuah gambar nyata secara bertahap ditambahkan noise hingga akhirnya menjadi mirip butiran acak.
Proses ini dilakukan berulang sebagai bagian dari pelatihan. - Belajar membalik proses
Model dilatih untuk membalik proses tersebut: mulai dari noise murni, ia belajar menghapus noise
sedikit demi sedikit, sehingga pada akhirnya terbentuk gambar yang bermakna. - Teks sebagai panduan
Dalam text-to-image, model juga belajar menghubungkan deskripsi teks dengan gambar. Ketika
pengguna memberikan prompt, deskripsi tersebut diubah menjadi representasi vektor yang kemudian
mengarahkan proses “pembersihan” noise agar gambar yang dihasilkan sesuai dengan teks.
Pengguna dapat menambahkan instruksi gaya (realistis, ilustrasi, kartun, lukisan minyak), sudut pandang (close-up, wide shot), dan detail lain. Semakin jelas instruksi, semakin besar peluang gambar yang muncul mendekati apa yang diharapkan—tentu tetap dalam batas kemampuan dan bias data pelatihan.
1.3 Prompt engineering untuk menghasilkan output yang diinginkan
Prompt engineering adalah praktik merancang prompt (instruksi) yang efektif agar model GenAI menghasilkan output yang sesuai kebutuhan. Karena model tidak membaca pikiran, ia hanya merespons teks yang diberikan. Kualitas prompt sangat menentukan kualitas jawaban.
Dalam konteks penggunaan GenAI oleh guru, murid, peneliti, maupun profesional, prompt engineering menjadi kompetensi baru. Orang yang memahami cara menyusun prompt yang jelas, kontekstual, dan terstruktur akan mendapatkan manfaat jauh lebih besar daripada sekadar menulis perintah yang sangat umum.
Prinsip dasar prompt engineering
- Jelas dan spesifik
Hindari perintah yang terlalu umum seperti “jelaskan GenAI”. Lebih baik sertakan sasaran pembaca, panjang, dan gaya bahasa. - Berikan konteks dan peran
Misalnya: “Anda adalah dosen informatika yang menjelaskan kepada mahasiswa tahun pertama…” Konteks ini mengarahkan model untuk memilih gaya dan tingkat kedalaman yang tepat. - Tentukan format output
Gunakan instruksi seperti “tulis dalam bentuk poin bernomor”, “gunakan tabel”, atau “buat tiga paragraf”. - Gunakan contoh (few-shot)
Tunjukkan contoh jawaban yang diinginkan, kemudian minta model meniru pola tersebut untuk kasus lain. - Iteratif
Prompt jarang sempurna dalam satu percobaan. Biasakan memperbaiki prompt berdasarkan jawaban yang muncul.
Contoh prompt engineering untuk pendidikan
Berikut contoh prompt yang buruk dan yang lebih baik untuk menghasilkan penjelasan konsep GenAI bagi siswa:
Prompt kurang baik:
"Jelaskan apa itu GenAI."
Prompt lebih baik:
"Jelaskan apa itu Generative AI (GenAI) untuk siswa kelas 11 IPA
dalam 3 paragraf singkat. Gunakan bahasa Indonesia formal yang mudah
dipahami, sertakan satu analogi sederhana, dan akhiri dengan 3 poin
ringkas tentang mengapa GenAI penting dipahami di era digital."Contoh lain, guru dapat menggunakan prompt engineering untuk menghasilkan latihan soal:
Prompt untuk guru:
"Buatkan 10 soal pilihan ganda tentang materi "fungsi eksponensial"
untuk kelas 10 SMA. Sertakan 4 opsi jawaban per soal dengan hanya satu
jawaban benar. Di akhir, berikan kunci jawaban dalam format daftar
bernomor. Gunakan notasi matematika yang rapi."Dengan pendekatan seperti ini, GenAI menjadi asisten yang efektif. Tanpa prompt engineering, hasilnya sering terlalu umum, dangkal, atau tidak sesuai konteks.
1.4 Kemunculan EdGPT dan implikasinya
Di atas fondasi GenAI, berbagai pihak mulai mengembangkan model khusus untuk pendidikan, yang sering disebut secara umum sebagai EdGPT (Education GPT). Istilah ini dapat merujuk pada model yang benar-benar baru, atau pada penyesuaian model yang sudah ada agar lebih selaras dengan kebutuhan dunia pendidikan.
Karakteristik EdGPT
- Disetel untuk kurikulum dan materi pelajaran
EdGPT cenderung dilatih atau disesuaikan dengan bahan ajar, buku teks, dan kebijakan kurikulum, sehingga jawabannya lebih relevan dengan konteks sekolah atau perguruan tinggi. - Fokus pada pedagogi, bukan sekadar informasi
Model dirancang untuk membantu proses belajar: memberikan penjelasan bertahap, contoh tambahan, latihan soal, dan umpan balik yang mendorong pemahaman, bukan sekadar memberikan jawaban akhir. - Batasan keamanan dan etika yang lebih ketat
Mengingat banyak pengguna adalah anak dan remaja, EdGPT umumnya memiliki filter konten yang lebih ketat, serta pedoman penggunaan yang jelas.
Implikasi positif EdGPT
Kemunculan EdGPT membawa sejumlah peluang:
- Tutor virtual personal
Setiap murid berpotensi mendapatkan “tutor virtual” yang siap menjelaskan konsep secara berulang dengan berbagai cara, menyesuaikan kebutuhan dan gaya belajar. - Efisiensi kerja guru
Guru dapat memanfaatkan EdGPT untuk merancang materi, soal, rubrik, dan modul pembelajaran dengan lebih cepat, lalu memfokuskan waktu pada bimbingan, penguatan karakter, dan interaksi langsung. - Dukungan bagi sekolah dengan sumber daya terbatas
Di lingkungan yang kekurangan bahan ajar atau guru spesialis, EdGPT dapat menjadi sumber penjelasan tambahan.
Risiko dan tantangan EdGPT
Di sisi lain, ada beberapa risiko yang tidak boleh diabaikan:
- Ketergantungan dan penurunan kemandirian belajar
Jika murid terlalu mengandalkan EdGPT untuk menjawab tugas tanpa proses berpikir, kemampuan analitis dan kreatif mereka dapat menurun. - Isu privasi dan data
Interaksi murid dengan EdGPT dapat mengandung data pribadi atau sensitif. Institusi perlu memastikan bahwa data tersebut dikelola sesuai prinsip perlindungan data. - Bias dan misinformasi
Meski berfokus pada pendidikan, EdGPT tetap rentan terhadap bias data dan kemungkinan memberikan informasi yang salah. Guru harus mengajarkan murid untuk memverifikasi informasi. - Ketimpangan akses
Sekolah atau daerah yang tidak memiliki infrastruktur digital memadai berisiko tertinggal dalam pemanfaatan teknologi ini.
Oleh karena itu, implementasi EdGPT seharusnya selalu disertai kebijakan yang jelas, pelatihan guru, dan literasi AI bagi murid. EdGPT idealnya diposisikan sebagai asisten yang membantu proses belajar, bukan sebagai pengganti guru ataupun satu-satunya sumber kebenaran.
2. Kesimpulan
Generative AI (GenAI) merepresentasikan lompatan besar dalam perkembangan kecerdasan buatan. Ia tidak hanya mengenali pola, tetapi juga mampu menghasilkan teks, gambar, dan kode berdasarkan pola yang dipelajarinya. Untuk memanfaatkan teknologi ini dengan bijak, kita perlu memahami cara kerja model teks dan gambar, serta menguasai prompt engineering agar output yang dihasilkan relevan, etis, dan bermanfaat.
Di ranah pendidikan, kemunculan EdGPT membuka peluang personalisasi belajar dan efisiensi kerja guru yang sebelumnya sulit dibayangkan. Namun, peluang tersebut datang bersama risiko: ketergantungan, bias, misinformasi, hingga isu privasi data. Sikap yang paling sehat bukanlah menolak atau menerima GenAI secara membabi buta, melainkan mengintegrasikannya dengan sadar dalam kerangka nilai pendidikan, regulasi, dan etika.
Pada akhirnya, GenAI adalah alat. Ia dapat menjadi katalis pengembangan kemampuan berpikir kritis, kreativitas, dan kolaborasi—atau sebaliknya, menjadi penghambatnya—bergantung pada bagaimana manusia merancang kebijakan, menggunakannya, dan membangun budaya digital yang bertanggung jawab. Guru, murid, pengambil kebijakan, dan pengembang teknologi semuanya memiliki peran penting dalam menentukan arah perjalanan ini.
Baca juga & langkah lanjutan
3. Sumber / Referensi
- https://ai.google/education/
- https://openai.com/research
- https://deepmind.google/discover/blog/
- https://www.unesco.org/en/digital-education
- https://developers.nvidia.com/blog/tag/generative-ai/