{"id":9215,"date":"2026-07-10T20:12:37","date_gmt":"2026-07-10T12:12:37","guid":{"rendered":"https:\/\/timurindonesia.com\/?p=9215"},"modified":"2026-07-10T20:12:37","modified_gmt":"2026-07-10T12:12:37","slug":"lima-asas-keterpercayaan-sistem-ai-dan-tantangan-kesenjangan-akses","status":"publish","type":"post","link":"https:\/\/timurindonesia.com\/lima-asas-keterpercayaan-sistem-ai-dan-tantangan-kesenjangan-akses\/","title":{"rendered":"Lima Asas Keterpercayaan Sistem AI dan Tantangan Kesenjangan Akses"},"content":{"rendered":"

Oleh: Dr. Andi Chairunnas, M.Kom., M.Pd.<\/strong>
\nDosen Pascasarjana Universitas Pakuan Bogor, Manajemen Pendidikan, dan peneliti pada Center for Information and Development Studies (CIDES).<\/p>\n

 <\/p>\n

Keterpercayaan Menjadi Pangkal Persoalan<\/p>\n

Buku Panduan Penggunaan Generative Artificial Intelligence pada Pembelajaran di Perguruan Tinggi (Ditjen Diktiristek, 2024) menempatkan keterpercayaan (trustworthiness) sebagai tantangan terbesar dalam pemanfaatan kecerdasan artifisial.<\/p>\n

Logikanya sederhana, generasi digital native cenderung menaruh kepercayaan berlebihan pada teknologi. Hal ini tercermin dari kecepatan adopsi ChatGPT yang menembus 100 juta pengguna aktif hanya dalam dua bulan, jauh melampaui TikTok (sembilan bulan) dan Instagram (dua setengah tahun). <\/p>\n

Padahal GenAI bekerja secara probabilistik: ia menyusun jawaban berdasarkan peluang statistik dari data latihnya, bukan berdasarkan kebenaran. Karena itu, kepercayaan pengguna harus dijamin oleh sistem AI melalui asas-asas tertentu. Lima asas keterpercayaan inilah jaminannya, dan setiap sivitas akademika wajib memahaminya sebagai kacamata dalam mengevaluasi setiap alat AI yang akan digunakan atau diadopsi kampus.<\/p>\n

Lima Asas Keterpercayaan Sistem AI<\/p>\n

1. Adil (Fairness). <\/p>\n

Asas ini menuntut jaminan bahwa suatu model AI berlaku adil bagi setiap orang. Persoalannya, AI dilatih dari data masyarakat yang memang sudah mengandung bias. <\/p>\n

Contoh klasik dalam buku panduan: data profesi cenderung menampilkan stereotip perempuan sebagai perawat atau pembersih, sementara laki-laki sebagai insinyur atau pemimpin perusahaan. Large Language Model (LLM) yang dilatih dari korpus teks semacam itu akan mewarisi, bahkan menguatkan, stereotip masyarakat tersebut. <\/p>\n

Di lingkungan kampus, bias ini menjadi berbahaya ketika AI digunakan untuk hal-hal yang menyangkut nasib seseorang, misalnya seleksi calon peserta didik atau penilaian, karena diskriminasi berbasis jenis kelamin, suku, umur, dan disabilitas dapat terjadi tanpa disadari. <\/p>\n

Bias LLM juga dapat menimbulkan misinformasi, misalnya diagnosis kesehatan yang tidak akurat bagi kelompok minoritas yang datanya kurang terwakili, atau penyebaran narasi politik yang berat sebelah.<\/p>\n

2. Dapat Dijelaskan (Explainable). <\/p>\n

Suatu model AI harus dapat menjelaskan dataset yang digunakan, model yang dipakai, dan bagaimana data dilatih. Asas ini melawan sifat \u201ckotak hitam\u201d (black box) yang oleh UNESCO diidentifikasi sebagai salah satu kontroversi utama GenAI, pengguna melihat jawabannya, tetapi tidak mengetahui bagaimana jawaban itu dihasilkan.<\/p>\n

Dalam dunia akademik yang menuntut pertanggungjawaban metodologis, ketidakjelasan ini serius. Bagaimana seorang dosen menilai karya ilmiah yang proses produksinya tidak dapat dilacak? Explainability menjadi prasyarat agar AI dapat diintegrasikan ke dalam proses akademik yang akuntabel.<\/p>\n

3. Andal (Robustness). <\/p>\n

Asas ini menjamin bahwa suatu model AI tidak dapat diretas secara sengaja, atau dimanipulasi hanya untuk merugikan atau menguntungkan sekelompok orang. <\/p>\n

Bayangkan sistem penilaian otomatis berbasis AI yang dapat \u201cdiakali\u201d oleh mahasiswa tertentu, atau chatbot akademik yang disusupi instruksi berbahaya (prompt injection). <\/p>\n

Keandalan teknis dan keamanan siber adalah prasyarat sebelum AI diberi peran penting dalam proses pembelajaran maupun administrasi perguruan tinggi. Karena itu prinsip pertama pemanfaatan GenAI dalam panduan Dikti adalah menjamin keamanan dan keselamatan: mengevaluasi penggunaan GenAI dan mengidentifikasi risiko keamanan sibernya, bukan memanfaatkannya secara membabi buta.<\/p>\n

4. Transparan (Transparency). <\/p>\n

Asas ini menuntut keterbukaan informasi bahwa suatu produk dihasilkan oleh AI, serta ketersediaan rangkuman atau metadata tentang model AI yang digunakan. Pada tataran praktik kampus, asas ini menjelma menjadi kewajiban atribusi, mahasiswa dan dosen mencantumkan pengakuan (acknowledgement) beserta prompt yang digunakan ketika karyanya dibantu AI, mengikuti gaya sitasi yang berlaku. <\/p>\n

Buku panduan bahkan merujuk skor Foundation Model Transparency Index (FMTI) yang dikeluarkan CRFM Stanford untuk mengukur tingkat transparansi model-model fondasi komersial, dan hasilnya menunjukkan transparansi industri masih jauh dari ideal. Artinya, sikap kritis pengguna tetap tidak tergantikan.<\/p>\n

5. Perlindungan Data Pribadi (Data Privacy). Penggunaan data oleh sistem AI harus tetap menjamin kerahasiaan data pribadi. Setiap interaksi dengan GenAI berpotensi mengirimkan data ke server penyedia layanan. <\/p>\n

Karena itu panduan Dikti secara eksplisit mengingatkan pengguna untuk tidak mengunggah dokumen sensitif, seperti data pribadi, dokumen perusahaan\/institusi, atau dokumen terlindungi, ke aplikasi GenAI, terutama model yang tertutup atau berbayar. Bagi perguruan tinggi, asas ini krusial karena data mahasiswa, nilai akademik, dan naskah penelitian merupakan aset yang wajib dilindungi baik secara etik maupun hukum.<\/p>\n

Kelima asas ini saling mengunci dan harus dipahami sebagai satu paket. Fairness tanpa transparency tidak dapat diverifikasi; explainability tanpa robustness menjadi percuma karena sistemnya dapat dimanipulasi; dan semua asas kehilangan makna bila privasi data penggunanya tidak terlindungi. Keterpercayaan teknologi AI dan aplikasinya pada akhirnya menjadi faktor penentu penerimaan masyarakat, termasuk masyarakat kampus.<\/p>\n

Tantangan Kesenjangan Akses: Persoalan Struktural, Bukan Teknis
\nBerbeda dengan lima asas di atas yang bersifat teknis-etis, kesenjangan akses adalah tantangan struktural. <\/p>\n

UNESCO menyebutnya sebagai risiko memperburuk kemiskinan digital: GenAI membutuhkan akses ke data besar, kekuatan komputasi tinggi, dan internet yang baik, yang hanya dimiliki sebagian orang. Dampaknya adalah meningkatnya kesenjangan digital antara yang memiliki akses teknologi canggih dan yang tidak.<\/p>\n

Mekanisme ketimpangannya berlapis. Pertama, kesenjangan input: versi gratis dan versi premium alat AI memiliki kualitas yang berbeda jauh. Bila akses ditentukan daya beli, akan lahir kelas yang tersegmentasi, yakni mahasiswa mampu belajar dengan AI canggih yang cepat dan akurat, sementara mahasiswa kurang mampu bergantung pada versi gratis yang terbatas. Kedua, kesenjangan keluaran:<\/p>\n

ketimpangan akses tersebut menjelma menjadi perbedaan kualitas tugas, kecepatan riset, pengalaman belajar, hingga kesiapan memasuki dunia kerja. Mereka yang berakses akan melaju jauh lebih besar dan lebih cepat. <\/p>\n

Ketiga, kesenjangan antar-institusi: kampus besar dengan anggaran kuat dapat berlangganan layanan AI institusional, sementara kampus kecil di daerah tertinggal semakin jauh. Padahal kajian EY-Parthenon menunjukkan sekitar 59 persen pekerjaan global telah terpapar GenAI dan terdapat korelasi positif antara pemanfaatan AI dengan tingkat pendapatan, sehingga ketimpangan akses hari ini adalah ketimpangan ekonomi di masa depan.<\/p>\n

Implikasi Kebijakan bagi Perguruan Tinggi<\/p>\n

Dari pembahasan di atas, setidaknya ada empat implikasi kebijakan. Pertama, pemerataan akses harus menjadi tanggung jawab institusi, bukan diserahkan kepada mekanisme pasar; kampus dapat menyediakan lisensi institusional yang dapat digunakan seluruh mahasiswa dan memprioritaskan alat open-source atau gratis dalam penugasan. <\/p>\n

Kedua, lima asas keterpercayaan perlu dijadikan instrumen evaluasi resmi sebelum kampus mengadopsi alat AI apa pun, baik untuk pembelajaran maupun administrasi. Ketiga, literasi AI yang mencakup pemahaman kelima asas tersebut perlu diintegrasikan ke dalam kurikulum dan pelatihan berkala bagi dosen, tenaga kependidikan, dan mahasiswa. <\/p>\n

Keempat, pemerintah perlu kebijakan afirmatif bagi kampus-kampus daerah agar GenAI yang digadang-gadang mendemokratisasi pengetahuan tidak justru mempertajam ketimpangan pendidikan Indonesia.<\/p>\n

Kesimpulannya, lima asas keterpercayaan adalah fondasi etis-teknis agar AI layak dipercaya, sedangkan pemerataan akses adalah fondasi keadilan sosial agar manfaatnya dirasakan semua. Keduanya harus berjalan bersama: AI yang terpercaya tetapi eksklusif akan melahirkan elitisme digital; AI yang merata tetapi tidak terpercaya akan melahirkan kekacauan akademik. Perguruan tinggi Indonesia harus mengejar keduanya sekaligus.<\/p>\n","protected":false},"excerpt":{"rendered":"

Oleh: Dr. Andi Chairunnas, M.Kom., M.Pd. Dosen Pascasarjana Universitas Pakuan Bogor, Manajemen Pendidikan, dan peneliti pada Center for Information and Development Studies (CIDES).   Keterpercayaan Menjadi Pangkal Persoalan Buku Panduan…<\/p>\n","protected":false},"author":6,"featured_media":9226,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"kia_subtitle":"","footnotes":""},"categories":[4,1727],"tags":[],"newstopic":[],"class_list":["post-9215","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","category-opini"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/posts\/9215","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/comments?post=9215"}],"version-history":[{"count":1,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/posts\/9215\/revisions"}],"predecessor-version":[{"id":9227,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/posts\/9215\/revisions\/9227"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/media\/9226"}],"wp:attachment":[{"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/media?parent=9215"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/categories?post=9215"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/tags?post=9215"},{"taxonomy":"newstopic","embeddable":true,"href":"https:\/\/timurindonesia.com\/wp-json\/wp\/v2\/newstopic?post=9215"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}