Glosarium AI: 179 Istilah Kecerdasan Buatan A–Z

Knowledge Hub / Glosarium AI

Glosarium AI ini memuat 179 istilah Indonesia dan Inggris secara alfabetis untuk membantu memahami artificial intelligence atau kecerdasan buatan. Cakupannya meliputi AI generatif, model bahasa, prompting, pembelajaran mesin, perangkat keras, keamanan, dan kedaulatan AI.

Disusun oleh Narada Syndicate · Diperbarui 30 Oktober 2026. Pemilihan mengutamakan istilah yang relevan bagi pencarian dan kebutuhan pembaca umum; daftar ini bukan peringkat volume pencarian terukur. Padanan dan singkatan digabung dalam satu entri agar tidak memperbanyak hitungan secara semu.

Mulai dari istilah utama

Artificial Intelligence (Kecerdasan Buatan) · ChatGPT · Generative AI (AI Generatif) · Machine Learning (Pembelajaran Mesin) · Large Language Model (LLM) · Prompt · Prompt Engineering (Rekayasa Prompt) · AI Agent (Agen AI) · AGI (Artificial General Intelligence) · RAG (Retrieval-Augmented Generation) · Hallucination (Halusinasi AI) · AI Detector

Navigasi alfabet

A · B · C · D · E · F · G · H · I · J · K · L · M · N · O · P · Q · R · S · T · U · V · W · Z

Pilih huruf atau gunakan fitur “Cari di halaman” pada browser (Ctrl+F/Cmd+F di komputer). Setiap judul istilah memiliki tautan permanen yang bisa disalin.

A

Accuracy (Akurasi)

Proporsi prediksi yang benar dari seluruh prediksi. Pada data sangat timpang, akurasi tinggi dapat menyesatkan; lengkapi dengan precision dan recall.

Activation Function

Fungsi yang mengubah sinyal sebuah neuron, misalnya ReLU. Komponen ini memungkinkan jaringan mempelajari hubungan nonlinier.

Adversarial Attack

Serangan yang sengaja memanipulasi masukan agar model menghasilkan keputusan keliru. Contohnya perubahan kecil pada gambar yang mengacaukan pengenal objek.

Agentic AI

Pendekatan AI yang merencanakan langkah dan menggunakan alat untuk mencapai tujuan. Otonominya perlu dibatasi oleh izin, evaluasi, dan persetujuan untuk tindakan penting.

AGI (Artificial General Intelligence)

Konsep kecerdasan mesin yang mampu bekerja luas lintas tugas, bukan hanya satu bidang. Definisi dan tolok ukurnya belum disepakati secara universal.

AI Agent (Agen AI)

Sistem yang mengamati keadaan, memilih tindakan, dan menggunakan alat atau lingkungan untuk menyelesaikan tujuan. Chatbot biasa tidak otomatis merupakan agen.

AI Alignment

Upaya menyelaraskan perilaku AI dengan tujuan, nilai, serta batasan yang diinginkan manusia. Keselarasan sulit diukur karena kebutuhan manusia dapat bertentangan.

AI Assistant (Asisten AI)

Aplikasi yang membantu pengguna menulis, mencari, menganalisis, atau mengerjakan tugas. Kemampuan praktisnya bergantung pada model, alat, dan akses yang diberikan.

AI Bias (Bias AI)

Kecenderungan sistem menghasilkan hasil yang menyimpang atau tidak adil karena data, desain, evaluasi, maupun konteks penggunaan. Bias tidak selalu terlihat dari akurasi agregat.

AI Chatbot

Program percakapan berbasis AI melalui teks atau suara. Jawabannya dapat terasa alami meskipun mengandung informasi keliru.

AI Detector

Alat yang memperkirakan apakah konten dibuat AI. Hasilnya bersifat probabilistik dan tidak layak dijadikan bukti tunggal kepengarangan.

AI Ethics (Etika AI)

Kajian nilai dan tanggung jawab dalam pengembangan serta penggunaan AI, termasuk keadilan, privasi, dampak sosial, dan pengawasan manusia.

AI Governance (Tata Kelola AI)

Pembagian aturan, peran, pengawasan, dan pertanggungjawaban sepanjang siklus AI. Mencakup persetujuan penggunaan, evaluasi risiko, serta penanganan insiden.

AI Literacy (Literasi AI)

Kemampuan memahami, menggunakan, dan menilai AI secara kritis. Termasuk mengenali keterbatasan, melindungi data, serta memeriksa keluaran.

AI Observability

Kemampuan menelusuri perilaku sistem AI melalui log, metrik, dan jejak proses. Berguna untuk mencari penyebab biaya meningkat, jawaban salah, atau kegagalan alat.

AI PC

Komputer pribadi yang dirancang mendukung beban kerja AI, biasanya dengan akselerator seperti NPU. Label ini tidak menjamin semua model besar berjalan lokal.

AI Safety

Riset dan praktik untuk mengurangi bahaya yang ditimbulkan AI, baik karena kesalahan, penyalahgunaan, maupun perilaku yang tidak diinginkan.

AI TRiSM

Singkatan AI Trust, Risk and Security Management: pendekatan pengelolaan kepercayaan, risiko, dan keamanan AI. Bukan nama satu model atau satu sertifikasi universal.

Algoritma (Algorithm)

Urutan langkah untuk menyelesaikan masalah. Dalam AI, algoritma dapat digunakan untuk belajar dari data, mencari solusi, atau menentukan tindakan.

Anomaly Detection

Pendeteksian pola yang berbeda dari kebiasaan, misalnya lonjakan transaksi tidak wajar. Anomali merupakan sinyal pemeriksaan, bukan otomatis bukti penipuan.

API (Application Programming Interface)

Antarmuka yang memungkinkan aplikasi saling bertukar permintaan dan hasil. API AI memungkinkan perangkat lunak memanggil model tanpa membuka antarmuka chatbot.

Artificial Intelligence (Kecerdasan Buatan)

Bidang dan teknologi untuk menjalankan tugas seperti mengenali pola, memprediksi, menghasilkan konten, atau mengambil keputusan. AI tidak otomatis memiliki kesadaran maupun pemahaman seperti manusia.

ASI (Artificial Superintelligence)

Konsep hipotetis AI yang melampaui kemampuan manusia secara sangat luas. Berbeda dari sistem yang hanya unggul pada satu tes khusus.

Attention

Mekanisme yang memberi bobot pada bagian masukan yang relevan saat model memproses informasi. Pada teks, hubungan antarkata membantu pembentukan representasi.

Augmented Intelligence

Penggunaan AI untuk memperkuat kemampuan manusia dalam bekerja dan mengambil keputusan. Penekanannya terletak pada kolaborasi dan tanggung jawab manusia.

Autoencoder

Jaringan yang belajar memampatkan masukan lalu merekonstruksinya. Digunakan antara lain untuk representasi data, pengurangan dimensi, dan deteksi anomali.

AutoML

Otomatisasi sebagian pekerjaan pengembangan machine learning, seperti pemilihan model dan pencarian parameter. Tetap membutuhkan data yang tepat dan evaluasi.

Autoregressive Model

Model yang menghasilkan keluaran berikutnya berdasarkan bagian yang sudah tersedia atau dihasilkan. Banyak model bahasa membangun teks token demi token.

B

Backpropagation

Prosedur menghitung pengaruh parameter terhadap kesalahan melalui jaringan neural. Nilai gradien tersebut digunakan optimizer untuk memperbarui parameter.

Batch Size

Jumlah contoh yang diproses bersama dalam satu langkah pelatihan. Pilihannya memengaruhi penggunaan memori, kecepatan, serta dinamika optimisasi.

Benchmark AI

Kumpulan tugas dan metode penilaian untuk membandingkan sistem AI. Skor perlu dibaca bersama versi tes, kondisi pengujian, dan relevansi terhadap pekerjaan nyata.

BERT

Keluarga model bahasa berbasis encoder Transformer yang mempelajari konteks dari kedua arah. Banyak digunakan untuk klasifikasi dan pemahaman teks.

Big Data

Data dengan skala, keragaman, atau kecepatan yang membutuhkan pendekatan pengelolaan khusus. Memiliki banyak data tidak otomatis menghasilkan AI berkualitas.

Black Box AI

Sebutan untuk sistem yang mekanisme keputusannya sulit dipahami pengguna. Penjelasan keluaran tidak selalu membuka proses internal sebenarnya.

C

Chain-of-Thought (CoT)

Rangkaian langkah penalaran berbentuk teks yang dapat membantu model menyelesaikan tugas. Penjelasan yang tampak masuk akal tidak menjamin jawaban maupun prosesnya benar.

ChatGPT

Layanan asisten AI dari OpenAI untuk percakapan dan berbagai tugas. ChatGPT adalah produk; GPT adalah nama keluarga model, sehingga keduanya tidak identik.

Chunking

Pemecahan dokumen menjadi bagian lebih kecil untuk diproses atau dicari. Ukuran dan batas potongan dapat memengaruhi ketepatan retrieval dalam RAG.

Classification (Klasifikasi)

Tugas menentukan kategori suatu masukan, misalnya surel spam atau bukan spam. Berbeda dari regresi yang memprediksi nilai numerik.

Claude

Keluarga model dan layanan asisten AI dari Anthropic. Ketersediaan alat, kapasitas, dan fitur bergantung pada versi serta layanan yang digunakan.

Clustering

Pengelompokan data berdasarkan kemiripan tanpa harus memakai label kelas yang sudah diberikan. Berguna untuk eksplorasi segmen, tetapi kelompok perlu ditafsirkan.

CNN (Convolutional Neural Network)

Jaringan neural yang menggunakan operasi konvolusi untuk mengenali pola lokal. Sering digunakan dalam pemrosesan gambar.

Computer Vision (Visi Komputer)

Bidang AI yang memproses informasi visual seperti gambar atau video. Contohnya deteksi objek, inspeksi produk, dan pengenalan teks.

Context Engineering

Perancangan informasi yang diterima model, termasuk instruksi, dokumen, memori, dan hasil alat. Tujuannya menjaga konteks relevan dan cukup untuk tugas.

Context Window

Batas token yang dapat ditangani model dalam satu konteks. Cara menghitung masukan, keluaran, dan komponen lain bergantung pada implementasi.

Copilot

Sebutan asisten AI yang mendampingi pekerjaan pengguna; juga dipakai sebagai nama produk. Microsoft Copilot dan GitHub Copilot adalah layanan berbeda.

CPU (Central Processing Unit)

Prosesor serbaguna untuk menjalankan instruksi komputer. Dalam sistem AI, CPU menangani orkestrasi, persiapan data, dan sebagian inferensi.

Cross-validation

Metode evaluasi dengan membagi data ke beberapa lipatan pelatihan dan validasi. Pembagian harus mencegah kebocoran, terutama pada data waktu atau pengguna yang berulang.

D

Data Annotation

Pemberian label atau penanda pada data, misalnya kotak objek dalam foto. Konsistensi anotasi memengaruhi kualitas pelatihan dan evaluasi.

Data Augmentation

Pembuatan variasi contoh pelatihan, misalnya memutar gambar secara wajar. Variasi harus mempertahankan makna atau label yang relevan.

Data Center (Pusat Data)

Fasilitas yang menampung server, jaringan, penyimpanan, listrik, dan pendinginan. Beban AI dapat meningkatkan kebutuhan daya serta kepadatan komputasi.

Data Cleaning

Perbaikan data seperti menghapus duplikasi, menangani nilai hilang, dan membetulkan format. Data bersih belum tentu representatif atau bebas bias.

Data Drift

Perubahan distribusi data yang diterima sistem dibandingkan data sebelumnya. Perubahan ini dapat menurunkan kinerja sehingga perlu pemantauan.

Data Leakage

Masuknya informasi yang seharusnya tidak tersedia ke proses pelatihan atau evaluasi. Akibatnya, skor pengujian terlihat terlalu baik.

Data Poisoning

Manipulasi data pelatihan untuk mengubah perilaku model secara merugikan. Berbeda dari serangan yang hanya memodifikasi masukan saat penggunaan.

Dataset

Kumpulan data yang disusun untuk analisis, pelatihan, atau evaluasi. Dokumentasi asal, izin, cakupan, dan kualitasnya penting.

Deep Learning

Cabang machine learning yang menggunakan jaringan neural berlapis untuk mempelajari representasi. Digunakan dalam bahasa, citra, suara, dan berbagai prediksi.

Deepfake

Media sintetis atau manipulasi berbasis AI yang membuat seseorang tampak mengatakan atau melakukan sesuatu. Dapat dipakai secara kreatif maupun untuk penipuan.

Diffusion Model

Model generatif yang belajar membalik proses penambahan derau untuk menghasilkan data. Banyak digunakan pada pembuatan gambar.

Digital Twin

Representasi digital sistem atau objek nyata yang digunakan untuk pemantauan dan simulasi. AI dapat membantu prediksi, tetapi tidak semua digital twin memakai AI.

Distillation (Distilasi Model)

Pelatihan model agar meniru perilaku atau pengetahuan model lain. Sering digunakan untuk membuat model lebih ringan, dengan kemungkinan penurunan kemampuan.

DPO (Direct Preference Optimization)

Metode menyelaraskan model memakai pasangan jawaban yang lebih dan kurang disukai. Pendekatan ini tidak memerlukan loop reinforcement learning seperti sebagian metode RLHF.

E

Edge AI

Pemrosesan AI di dekat sumber data, misalnya kamera atau perangkat industri. Dapat mengurangi latensi dan transfer data, bergantung pada desain.

Embedding

Representasi data sebagai vektor angka yang menangkap pola tertentu. Berguna untuk pencarian kemiripan, rekomendasi, dan pengelompokan.

Encoder–Decoder

Arsitektur dengan bagian pembentuk representasi masukan dan bagian pembuat keluaran. Digunakan antara lain untuk penerjemahan dan tugas urutan-ke-urutan.

Epoch

Satu putaran pelatihan melewati seluruh dataset pelatihan. Menambah epoch tidak selalu memperbaiki hasil karena model dapat overfitting.

Evaluation (Evaluasi AI)

Pengujian kualitas, keamanan, biaya, dan kegunaan AI sesuai tujuan. Sebaiknya melibatkan contoh nyata, kasus sulit, dan pembandingan yang konsisten.

Explainable AI (XAI)

Metode yang membantu manusia memahami faktor di balik keluaran model. Penjelasan pendekatan atau perkiraan tidak selalu merupakan sebab yang sebenarnya.

F

F1 Score

Rata-rata harmonik precision dan recall. Berguna untuk menyeimbangkan keduanya, tetapi tidak menggantikan analisis biaya kesalahan.

Face Recognition

Teknologi untuk mengenali atau memverifikasi identitas dari wajah. Berbeda dari deteksi wajah yang hanya menemukan keberadaan wajah.

Feature (Fitur Data)

Variabel atau representasi masukan yang digunakan model, seperti usia, suhu, atau embedding. Tidak sama dengan fitur produk aplikasi.

Feature Engineering

Perancangan atau transformasi variabel agar berguna bagi model. Contohnya mengubah tanggal menjadi hari dalam minggu.

Federated Learning

Pelatihan terdistribusi yang mempertahankan data mentah di lokasi peserta dan menggabungkan pembaruan model. Tidak otomatis menjamin privasi tanpa perlindungan tambahan.

Few-shot Learning

Kemampuan menyesuaikan atau menyelesaikan tugas dengan sedikit contoh. Dalam prompting, contoh diberikan dalam konteks tanpa selalu mengubah bobot.

Fine-tuning

Pelatihan lanjutan model yang sudah tersedia menggunakan data khusus. Biasanya bertujuan menyesuaikan perilaku, format, atau kemampuan domain.

Foundation Model

Model yang dilatih pada data luas dan dapat diadaptasi ke beragam tugas. Tidak semua model dasar cocok untuk setiap kebutuhan atau bahasa.

Function Calling

Mekanisme model menghasilkan permintaan terstruktur untuk menjalankan fungsi. Aplikasi tetap bertanggung jawab memvalidasi argumen dan izin sebelum eksekusi.

G

GAN (Generative Adversarial Network)

Arsitektur generatif yang melatih generator dan discriminator dalam proses saling menantang. Digunakan untuk sintesis serta transformasi data.

Gemini

Keluarga model AI dan nama layanan asisten Google. Nama produk tidak cukup untuk menjelaskan kemampuan; versi model serta akses alat juga menentukan.

Generative AI (AI Generatif)

AI yang menghasilkan konten seperti teks, gambar, suara, video, atau kode. Keluaran baru tidak otomatis benar, orisinal secara hukum, atau bebas kemiripan.

GEO (Generative Engine Optimization)

Upaya membuat konten mudah ditemukan dan dipahami sistem pencarian generatif. Sumber jelas dan struktur rapi dapat membantu, tetapi tidak menjamin dikutip.

GPU (Graphics Processing Unit)

Prosesor paralel yang cocok untuk banyak operasi matriks pada AI. Performa nyata bergantung pada memori, perangkat lunak, dan karakter beban kerja.

Gradient Descent

Metode memperbarui parameter ke arah yang menurunkan fungsi kerugian berdasarkan gradien. Ukuran langkah ditentukan antara lain oleh learning rate.

Graph Neural Network (GNN)

Jaringan neural untuk data hubungan berbentuk graf, seperti simpul pengguna dan koneksi. Digunakan pada rekomendasi, molekul, dan jaringan.

Grounding

Mengaitkan keluaran AI dengan data atau sumber yang tersedia. Dapat meningkatkan keterlacakan, tetapi sumber dan kesesuaian kutipannya tetap perlu diperiksa.

Guardrails

Lapisan pembatas untuk masukan, keluaran, dan tindakan AI. Contohnya validasi format, pembatasan alat, serta penyaringan informasi sensitif.

H

Hallucination (Halusinasi AI)

Keluaran AI yang tampak meyakinkan tetapi tidak benar atau tidak didukung sumber. Termasuk kutipan, angka, dan referensi yang dikarang.

Human-in-the-loop

Desain sistem yang melibatkan manusia pada tahap tertentu, seperti memberi label atau menyetujui tindakan. Efektivitasnya bergantung pada waktu, informasi, dan kewenangan manusia.

Hyperparameter

Pengaturan proses pelatihan atau model yang tidak dipelajari seperti bobot biasa. Contohnya learning rate, jumlah lapisan, dan batch size.

I

Inference (Inferensi)

Penggunaan model yang sudah dilatih untuk menghasilkan prediksi atau keluaran. Berbeda dari training yang memperbarui parameter model.

Inpainting

Pengisian atau penggantian bagian tertentu dari gambar menggunakan konteks di sekitarnya dan instruksi. Biasanya pengguna menentukan area yang ingin diubah.

Instruction Tuning

Fine-tuning menggunakan contoh instruksi dan respons untuk meningkatkan kemampuan mengikuti perintah. Tidak menjamin model mengikuti semua instruksi dengan aman atau benar.

J

Jailbreak AI

Upaya melewati batas perilaku atau perlindungan model. Berbeda dari penggunaan sah untuk menguji sistem dengan izin pemilik.

Jaringan Saraf Tiruan

Padanan artificial neural network: model dengan unit komputasi yang saling terhubung. Terinspirasi secara longgar oleh saraf biologis, bukan tiruan lengkap otak.

K

Kecerdasan Buatan Sempit (Narrow AI)

AI yang dirancang atau dinilai untuk lingkup tugas tertentu. Keunggulan pada tugas itu tidak membuktikan kecerdasan umum.

Kedaulatan AI (Sovereign AI)

Kemampuan suatu negara atau organisasi mengendalikan unsur strategis AI, termasuk data, komputasi, model, dan tata kelola. Tidak selalu berarti membuat seluruh teknologi sendiri.

Kedaulatan Data

Prinsip pengendalian dan kewenangan atas data menurut pihak serta yurisdiksi yang relevan. Lokasi penyimpanan saja belum menjelaskan seluruh kendali.

Knowledge Graph

Representasi entitas dan hubungan secara terstruktur. Dapat membantu pencarian, integrasi informasi, serta penelusuran keterkaitan.

L

Label

Jawaban atau kategori acuan pada contoh pelatihan terawasi, misalnya “kucing”. Label yang salah dapat mengajarkan pola yang keliru.

Large Language Model (LLM)

Model bahasa berskala besar yang mempelajari pola untuk memproses dan menghasilkan teks. Kelancaran bahasa tidak sama dengan jaminan fakta.

Latency (Latensi)

Waktu tunggu sistem untuk merespons. Dalam AI percakapan, waktu menuju token pertama dan waktu menyelesaikan jawaban perlu dibedakan.

Latent Space

Ruang representasi internal yang memampatkan ciri data. Kedekatan di ruang ini dapat mencerminkan kemiripan yang dipelajari model.

Learning Rate

Besarnya langkah pembaruan parameter saat pelatihan. Terlalu besar dapat membuat pelatihan tidak stabil; terlalu kecil dapat memperlambatnya.

LLMOps

Praktik mengoperasikan aplikasi berbasis LLM, termasuk versi prompt, evaluasi, pemantauan, biaya, dan pengamanan. Memperluas kebutuhan operasi machine learning.

LoRA (Low-Rank Adaptation)

Teknik fine-tuning dengan melatih matriks tambahan berukuran relatif kecil. Dapat mengurangi kebutuhan memori dibanding memperbarui seluruh bobot.

Loss Function

Ukuran kesalahan atau sasaran matematis yang dioptimalkan saat pelatihan. Nilai loss rendah tidak selalu berarti produk lebih berguna.

M

Machine Learning (Pembelajaran Mesin)

Pendekatan AI yang mempelajari pola dari data untuk menjalankan tugas. Contohnya memprediksi permintaan berdasarkan riwayat penjualan.

Machine Translation

Penerjemahan bahasa secara otomatis. Hasil untuk istilah teknis, ungkapan budaya, dan dokumen penting tetap memerlukan pemeriksaan.

MCP (Model Context Protocol)

Protokol terbuka untuk menghubungkan aplikasi AI dengan sumber data dan alat melalui antarmuka bersama. MCP tidak otomatis membuat akses tersebut aman.

Mixture of Experts (MoE)

Arsitektur yang mengarahkan masukan ke sejumlah komponen ahli. Total parameter dan parameter aktif per masukan merupakan ukuran berbeda.

MLOps

Praktik pengembangan dan operasi model machine learning, dari pelatihan hingga pemantauan produksi. Menggabungkan proses data, perangkat lunak, dan evaluasi model.

Model Card

Dokumentasi model yang menjelaskan tujuan, evaluasi, batasan, dan pertimbangan penggunaan. Kualitas serta kelengkapannya berbeda antarpenyedia.

Model Collapse

Penurunan kualitas yang dapat terjadi dalam kondisi tertentu ketika generasi model berulang kali dilatih pada data sintetis yang tidak dikelola baik. Bukan akibat pasti semua data sintetis.

Model Drift

Perubahan kinerja atau hubungan model dengan kondisi dunia nyata dari waktu ke waktu. Perlu dibedakan penyebabnya sebelum melatih ulang.

Multimodal AI

AI yang memproses lebih dari satu jenis data, misalnya teks dan gambar. Mendukung masukan gambar tidak otomatis berarti mampu menghasilkan gambar.

N

Natural Language Processing (NLP)

Bidang komputasi untuk memproses bahasa manusia. Contohnya ekstraksi informasi, penerjemahan, analisis sentimen, dan peringkasan.

Neural Network

Model berisi lapisan unit komputasi dengan parameter yang dipelajari. Jaringan dapat memetakan masukan ke prediksi atau representasi.

NPU (Neural Processing Unit)

Akselerator yang dirancang untuk operasi jaringan neural, sering pada perangkat pengguna. Dukungan model dan perangkat lunak menentukan manfaat nyatanya.

O

Object Detection

Tugas mengenali kategori sekaligus lokasi objek dalam gambar atau video. Berbeda dari klasifikasi gambar yang memberi label pada gambar secara keseluruhan.

OCR (Optical Character Recognition)

Teknologi mengubah tulisan pada gambar atau hasil pindai menjadi teks yang dapat diproses. Kualitas gambar, tata letak, dan bahasa memengaruhi akurasi.

On-device AI

AI yang berjalan pada perangkat pengguna, seperti ponsel atau laptop. Sebagian aplikasi memakai kombinasi pemrosesan lokal dan cloud.

Open Source AI

AI dengan keterbukaan dan hak penggunaan sesuai definisi serta lisensi yang berlaku. Ketersediaan bobot saja belum cukup untuk menyimpulkan sistem sepenuhnya open source.

Open Weights

Model yang bobotnya tersedia untuk diunduh. Lisensi dapat membatasi pemakaian; data pelatihan dan kode tidak selalu ikut terbuka.

Overfitting

Keadaan ketika model terlalu menyesuaikan data pelatihan sehingga lemah pada data baru. Dapat dikurangi melalui regularisasi, data yang lebih baik, dan evaluasi tepat.

P

Parameter

Nilai internal yang dipelajari model, termasuk bobot dan bias. Jumlah parameter merupakan indikator skala, bukan ukuran tunggal kecerdasan.

PEFT (Parameter-Efficient Fine-Tuning)

Keluarga metode adaptasi dengan memperbarui sebagian kecil parameter atau parameter tambahan. LoRA merupakan salah satu pendekatannya.

Perplexity

Metrik yang menggambarkan seberapa baik model bahasa memprediksi urutan teks; juga nama sebuah produk pencarian AI. Nilai metrik tidak boleh dibandingkan sembarang lintas tokenizer.

Precision

Proporsi prediksi positif yang benar-benar positif. Penting ketika kesalahan menandai kasus positif membawa biaya besar.

Predictive AI

AI yang memprediksi hasil atau kejadian berdasarkan pola data. Contohnya perkiraan permintaan dan risiko kerusakan mesin.

Pretraining

Tahap pelatihan awal untuk membangun kemampuan dasar model dari data. Dapat dilanjutkan dengan fine-tuning atau penyelarasan.

Prompt

Masukan untuk mengarahkan AI, berupa instruksi, pertanyaan, contoh, atau konteks. Prompt dapat mencakup teks dan modalitas lain.

Prompt Caching

Pemanfaatan ulang pemrosesan bagian prompt yang sama untuk mengurangi pekerjaan berulang. Pengaruh terhadap biaya dan latensi bergantung pada layanan.

Prompt Engineering (Rekayasa Prompt)

Perancangan instruksi, konteks, contoh, dan format keluaran agar AI lebih sesuai tugas. Kualitasnya perlu diuji, bukan hanya dinilai dari panjang instruksi.

Prompt Injection

Upaya memasukkan instruksi tidak tepercaya agar sistem mengabaikan tujuan atau batasannya. Dapat berasal dari dokumen, halaman web, atau hasil alat.

Pruning

Pengurangan komponen model, seperti koneksi atau unit, untuk membuatnya lebih ringan. Penghematan nyata bergantung pada metode dan dukungan perangkat keras.

Q

Quantization (Kuantisasi)

Representasi angka model menggunakan presisi lebih rendah agar kebutuhan memori atau komputasi berkurang. Dampak kualitas harus diuji pada tugas sasaran.

R

RAG (Retrieval-Augmented Generation)

Pendekatan yang mengambil informasi dari sumber eksternal lalu menggunakannya dalam pembuatan jawaban. Sumber buruk atau retrieval salah tetap dapat menghasilkan jawaban keliru.

Reasoning Model

Model yang dioptimalkan untuk tugas penalaran, sering dengan komputasi tambahan saat menjawab. Tidak berarti selalu benar atau memiliki penalaran manusia.

Recall

Proporsi seluruh kasus positif yang berhasil ditemukan model. Penting ketika kasus yang terlewat membawa risiko tinggi.

Recommendation System

Sistem yang memilih konten atau produk relevan bagi pengguna. Rekomendasi dapat memakai perilaku, kesamaan item, atau konteks.

Red Teaming AI

Pengujian terencana untuk menemukan kelemahan dan potensi penyalahgunaan AI. Dilakukan dalam ruang lingkup serta izin yang jelas.

Regression (Regresi)

Tugas memprediksi nilai numerik, seperti suhu atau permintaan. Berbeda dari klasifikasi yang menentukan kategori.

Regularization

Teknik membatasi kompleksitas atau kecenderungan model agar lebih mampu melakukan generalisasi. Contohnya penalti bobot dan dropout.

Reinforcement Learning (RL)

Pembelajaran melalui interaksi, tindakan, dan imbalan. Agen belajar kebijakan untuk memaksimalkan hasil kumulatif yang ditentukan.

Reranking

Penilaian ulang kandidat hasil pencarian untuk memperbaiki urutan relevansi. Sering ditempatkan setelah retrieval awal dalam sistem RAG.

Responsible AI

Pendekatan pengembangan dan penggunaan AI yang memperhatikan dampak, keadilan, keamanan, transparansi, serta akuntabilitas. Harus diwujudkan dalam praktik yang dapat diperiksa.

RLHF (Reinforcement Learning from Human Feedback)

Penyelarasan model menggunakan umpan balik manusia dan reinforcement learning. Kualitas preferensi manusia serta desain penilaian memengaruhi hasil.

Robotics (Robotika)

Bidang yang mengembangkan mesin untuk bertindak di dunia fisik. AI dapat membantu persepsi dan perencanaan, tetapi tidak semua robot menggunakan AI.

S

Semantic Search

Pencarian berdasarkan hubungan makna, bukan hanya kecocokan kata persis. Kualitasnya dipengaruhi representasi data dan metode pemeringkatan.

Sentiment Analysis

Analisis untuk memperkirakan sikap atau nada seperti positif, negatif, atau netral. Sarkasme, konteks, dan bahasa campuran dapat menyulitkan.

Small Language Model (SLM)

Model bahasa yang relatif kecil dibanding model besar dalam konteks tertentu. Berpotensi lebih hemat sumber daya, dengan kompromi kemampuan.

Speech-to-Text

Konversi ucapan menjadi teks, juga disebut transkripsi otomatis. Aksen, kebisingan, dan percakapan bersamaan memengaruhi hasil.

Supervised Learning

Pembelajaran dari contoh yang memiliki label acuan. Model dilatih memetakan masukan ke target, lalu diuji pada data terpisah.

Synthetic Data (Data Sintetis)

Data buatan yang meniru sifat atau pola tertentu dari data nyata. Berguna untuk pelatihan dan pengujian, tetapi tetap perlu validasi kualitas dan privasi.

System Prompt

Instruksi tingkat sistem yang mengatur peran dan perilaku aplikasi AI. Tidak seharusnya dijadikan satu-satunya pengaman atau tempat menyimpan rahasia.

T

Temperature

Pengaturan yang mengubah distribusi probabilitas pemilihan keluaran pada model generatif. Nilai rendah bukan jaminan fakta benar atau hasil selalu identik.

Tensor

Struktur data berupa larik multidimensi yang digunakan dalam komputasi model. Skalar, vektor, dan matriks adalah kasus khusus.

Text-to-Image

Pembuatan gambar berdasarkan deskripsi teks. Hasil perlu diperiksa untuk detail visual, kesesuaian instruksi, dan hak penggunaan.

Text-to-Speech

Pembuatan audio ucapan dari teks. Dapat menggunakan suara sintetis tanpa harus meniru orang tertentu.

Text-to-Video

Pembuatan video dari instruksi teks. Konsistensi karakter, gerakan, dan hubungan sebab-akibat menjadi aspek penting evaluasi.

Token

Unit yang diproses model bahasa, dapat berupa bagian kata, tanda baca, atau bentuk representasi lain. Satu token tidak selalu sama dengan satu kata.

Tokenizer

Komponen yang mengubah masukan menjadi token dan ID yang dapat diproses model. Perbedaan tokenizer memengaruhi hitungan token lintas bahasa.

Tool Use

Kemampuan sistem AI menggunakan alat seperti kalkulator, pencarian, atau eksekusi kode. Hasil alat dan izin tindakannya tetap perlu divalidasi.

TOPS

Trillions of Operations Per Second, ukuran kapasitas operasi perangkat komputasi. Angka tidak sebanding tanpa mengetahui presisi dan cara pengukurannya.

Training (Pelatihan Model)

Proses menyesuaikan parameter model menggunakan data dan sasaran optimisasi. Berbeda dari memasukkan dokumen ke percakapan biasa.

Transfer Learning

Pemanfaatan pengetahuan atau representasi model yang sudah dilatih untuk tugas lain. Mengurangi kebutuhan membangun kemampuan dari awal.

Transformer

Arsitektur jaringan neural berbasis attention yang banyak digunakan untuk bahasa dan modalitas lain. Dapat disusun sebagai encoder, decoder, atau keduanya.

Turing Test

Gagasan evaluasi apakah perilaku percakapan mesin sulit dibedakan dari manusia oleh penilai. Lulus suatu versi tes tidak membuktikan kesadaran.

U

Underfitting

Keadaan ketika model gagal menangkap pola penting bahkan pada data pelatihan. Dapat disebabkan model terlalu sederhana atau pelatihan kurang memadai.

Unsupervised Learning

Pembelajaran pola dari data tanpa label target eksplisit. Contohnya clustering dan pengurangan dimensi.

V

Validation Set

Bagian data untuk memilih konfigurasi dan memantau pengembangan model. Sebaiknya dipisahkan dari test set untuk penilaian akhir.

Vector Database

Basis data yang mendukung penyimpanan dan pencarian vektor kemiripan. Sering menjadi komponen RAG, tetapi bukan keseluruhan sistem RAG.

Vibe Coding

Istilah populer untuk membangun perangkat lunak melalui instruksi bahasa alami kepada AI dengan banyak menerima kode hasil generasi. Tetap membutuhkan pengujian, keamanan, dan pemahaman kebutuhan.

Vision Language Model (VLM)

Model yang menghubungkan informasi visual dan bahasa, misalnya menjawab pertanyaan tentang gambar. Tidak selalu mampu memahami seluruh detail spasial.

Voice Cloning

Pembuatan suara sintetis yang menyerupai suara seseorang. Penggunaannya perlu memperhatikan persetujuan, identitas, dan risiko penipuan.

VRAM

Memori pada perangkat grafis untuk menyimpan bobot dan data kerja. Kapasitas yang dibutuhkan bergantung pada model, presisi, konteks, dan batch.

W

Watermarking AI

Penyematan penanda untuk membantu mengenali asal konten AI. Ketahanan dan kemampuan deteksinya bervariasi; ketiadaan penanda bukan bukti konten dibuat manusia.

Weights (Bobot Model)

Parameter yang menentukan bagaimana sinyal diproses dalam model. Mengunduh bobot berbeda dari memperoleh dataset pelatihan.

Workflow AI

Rangkaian langkah kerja yang menggabungkan model, aturan, alat, dan manusia. Alur yang tetap dapat lebih mudah dikendalikan daripada agen dengan kebebasan luas.

Z

Zero-shot Learning

Penyelesaian tugas tanpa contoh khusus tugas tersebut dalam konteks yang diberikan atau pelatihan adaptasi khusus, bergantung pemakaian istilah. Bukan berarti model tidak pernah dilatih.

Pertanyaan yang sering diajukan

Apa perbedaan AI, machine learning, dan deep learning?

AI adalah bidang yang luas. Machine learning merupakan pendekatan belajar dari data di dalam AI, sedangkan deep learning menggunakan jaringan neural berlapis di dalam machine learning.

Apakah ChatGPT sama dengan LLM?

Tidak. ChatGPT adalah produk asisten AI, sedangkan LLM merupakan jenis model. Produk dapat menggabungkan model dengan pencarian, alat, memori, dan fitur lain.

Apa perbedaan RAG dan fine-tuning?

RAG menambahkan informasi hasil pencarian ke konteks jawaban. Fine-tuning memperbarui parameter melalui pelatihan lanjutan. Keduanya dapat digunakan bersama.

Apakah token sama dengan kata?

Tidak. Token dapat berupa bagian kata atau tanda baca. Jumlah token bergantung pada tokenizer, bahasa, dan bentuk masukan.

Apakah model open weights pasti bebas dipakai secara komersial?

Tidak. Hak penggunaan ditentukan lisensi. Keterbukaan bobot juga tidak otomatis membuka data pelatihan atau seluruh kode.

Apakah AI detector bisa memastikan tulisan dibuat AI?

Tidak. Detektor dapat salah menandai tulisan manusia maupun melewatkan tulisan AI. Gunakan bersama bukti proses penulisan, bukan sebagai penentu tunggal.

Sumber primer dan bacaan lanjutan

Definisi ditulis ulang sebagai penjelasan editorial ringkas, bukan kutipan langsung. Rujukan berikut membantu pembaca mendalami konsep; istilah produk dan implementasi dapat berubah.

Google for Developers — Machine Learning Glossary

Google Cloud — AI dan machine learning

AWS — Neural Network

NIST — Glossary of Trustworthy AI

Hugging Face — Quantization

Anthropic — Building Effective Agents

OWASP — Prompt Injection

IBM — RAG, fine-tuning, dan prompt engineering

IBM — AI TRiSM

Model Context Protocol — Dokumentasi

Jelajahi Knowledge Hub AIGEO

Knowledge Hub · AI Model Observatory · Library Regulasi · Buku AI · FilosofAI · Gadget AI