20 Istilah AI untuk Pemula: LLM, RAG, Token, hingga AI Agent

Mengapa Istilah AI Terasa Membingungkan?

Baru beberapa menit membaca berita AI, Anda mungkin sudah bertemu istilah seperti LLM, generative AI, multimodal, token, RAG, hallucination, hingga AI agent.

Masalahnya, banyak penjelasan memakai istilah lain yang sama asingnya. LLM dijelaskan dengan neural network, neural network dijelaskan dengan machine learning, lalu machine learning dijelaskan sebagai bagian dari artificial intelligence. Akhirnya pembaca seperti membuka kamus untuk memahami kamus lain.

Anda tidak perlu menghafal semuanya sekaligus. Yang lebih berguna adalah memahami tiga hal: istilah ini merujuk pada bidang, cara kerja, model, produk, atau kemampuan; hubungan istilah tersebut; dan keterbatasannya saat dipakai.

Ringkasnya: AI adalah bidang besarnya. Machine learning dan deep learning adalah beberapa pendekatan untuk membuat AI. LLM adalah jenis model yang bekerja dengan bahasa. Chatbot adalah aplikasi untuk berbicara dengan model. Prompt adalah instruksi Anda. RAG, embeddings, dan tools dapat membantu model bekerja dengan informasi atau tindakan tambahan.

Peta Sederhana Dunia AI

Jangan membayangkan istilah AI sebagai tangga lurus. Hubungannya lebih mirip peta dengan beberapa cabang.

• Artificial Intelligence (AI): bidang teknologi yang luas.
• Machine Learning: salah satu pendekatan dalam AI yang belajar dari data.
• Deep Learning: bagian dari machine learning yang umum memakai neural network berlapis.
• Model AI: hasil dari proses pelatihan untuk tugas tertentu.
• Generative AI: model atau sistem yang menghasilkan konten baru.
• LLM: jenis generative AI yang terutama bekerja dengan bahasa.
• Chatbot atau AI assistant: aplikasi tempat pengguna berinteraksi dengan model.
• Prompt, token, dan context window: konsep saat model memproses instruksi.
• Embeddings dan RAG: teknik agar sistem dapat menemukan dan memakai informasi tambahan.
• AI agent: sistem yang dapat merencanakan beberapa langkah dan menggunakan tools untuk mencapai tujuan.

Tidak semua AI memakai LLM, dan tidak semua LLM adalah chatbot. Sistem rekomendasi belanja, deteksi spam, pengenal wajah, generator gambar, dan asisten percakapan dapat menggunakan teknologi AI yang berbeda.

Jika Anda masih benar-benar baru, mulai dari apa itu Artificial Intelligence sebelum mengejar istilah yang lebih teknis.

1. Artificial Intelligence (AI)

Artificial Intelligence atau kecerdasan buatan adalah bidang teknologi untuk membuat sistem komputer melakukan tugas yang biasanya membutuhkan kemampuan seperti mengenali pola, memahami bahasa, membuat prediksi, atau mengambil keputusan berdasarkan informasi.

AI bukan nama satu aplikasi.

ChatGPT dan Gemini adalah produk AI. Sistem rekomendasi video, filter spam email, penerjemah otomatis, dan pendeteksi transaksi mencurigakan juga dapat menggunakan AI.

Pertanyaan yang lebih tepat bukan “apakah ini AI?”, melainkan: AI jenis apa yang dipakai, untuk tugas apa, dan seberapa baik hasilnya?

2. Machine Learning

Machine learning adalah pendekatan yang membuat komputer mempelajari pola dari data, bukan hanya menjalankan aturan yang ditulis satu per satu oleh programmer.

Contoh sederhananya adalah filter spam. Sistem tidak harus diberi aturan kaku untuk setiap bentuk email spam. Dengan data dan pelatihan yang tepat, sistem dapat mempelajari pola yang sering muncul pada email bermasalah.

Machine learning banyak dipakai untuk rekomendasi, prediksi penipuan, klasifikasi gambar, analisis pelanggan, dan pencarian.

Hubungannya: AI adalah bidang besar; machine learning adalah salah satu cara membangun sistem AI.

3. Deep Learning

Deep learning adalah bagian dari machine learning yang memakai jaringan saraf dengan banyak lapisan untuk mempelajari pola yang lebih rumit.

Pendekatan ini berperan besar dalam perkembangan pengenalan suara, pengenalan gambar, penerjemahan, dan generative AI modern.

Namun deep learning bukan jaminan hasilnya selalu benar. Model tetap dapat keliru jika data, konteks, atau cara penggunaannya tidak tepat.

Baca penjelasan lebih khusus di glossary deep learning.

4. Neural Network

Neural network atau jaringan saraf adalah arsitektur komputasi yang terdiri dari unit-unit matematika yang saling terhubung untuk mempelajari hubungan dalam data.

Namanya memang terinspirasi secara longgar dari neuron biologis, tetapi neural network komputer bukan salinan otak manusia dan tidak membuktikan AI memiliki kesadaran seperti manusia.

Dalam praktiknya, neural network dapat membantu sistem mengenali objek pada gambar, memperkirakan kata berikutnya dalam kalimat, atau menemukan pola dalam suara dan data.

Pelajari istilah ini lebih lanjut melalui pengertian neural network.

5. Model AI

Model AI adalah sistem yang telah dilatih untuk melakukan tugas berdasarkan pola dari data.

Ada model untuk teks, gambar, suara, video, kode, prediksi, atau gabungan beberapa jenis informasi. Satu produk AI juga dapat memakai lebih dari satu model.

Penting membedakan tiga hal berikut:

• Model: “mesin” yang melakukan pemrosesan.
• Aplikasi: produk yang menyediakan antarmuka bagi pengguna.
• Fitur: kemampuan tertentu di dalam aplikasi, misalnya ringkas dokumen atau membuat gambar.

Karena itu, aplikasi dapat berganti atau memperbarui model tanpa mengganti seluruh produk.

6. Generative AI

Generative AI adalah AI yang dapat menghasilkan konten baru berdasarkan pola yang dipelajarinya.

Kontennya dapat berupa teks, gambar, audio, musik, kode, atau video.

Perbedaannya dengan sistem prediksi biasa mudah dilihat lewat contoh:

• Sistem klasifikasi: “Apakah email ini spam?”
• Generative AI: “Tulis email tindak lanjut yang sopan untuk calon pelanggan.”

Generative AI tetap bukan mesin kebenaran. Hasilnya perlu diperiksa, terutama ketika menyangkut fakta, angka, kutipan, kesehatan, hukum, keuangan, atau tugas akademik.

7. Large Language Model (LLM)

Large Language Model atau LLM adalah jenis model AI yang dilatih untuk bekerja dengan bahasa dalam skala besar.

LLM dapat membantu menjawab pertanyaan, menjelaskan konsep, merangkum, menerjemahkan, menyusun draft, menganalisis teks, dan membantu coding. Secara sederhana, language model memperkirakan token atau bagian teks yang paling masuk akal berdasarkan konteks yang tersedia. Google menjelaskan dasar language model dan token dalam kursus resminya.

LLM bukan sekadar database yang mencari satu jawaban tersimpan. Karena respons dihasilkan dari pola dan konteks, jawaban dapat berbeda meskipun pertanyaannya mirip.

8. Chatbot AI

Chatbot AI adalah aplikasi yang memungkinkan manusia berinteraksi dengan AI lewat percakapan.

ChatGPT, Gemini, dan Claude adalah contoh produk dengan pengalaman chatbot. Namun chatbot dan LLM bukan hal yang sama.

• LLM: jenis model di belakang layar.
• Chatbot: bentuk aplikasi atau antarmuka percakapan.
• AI assistant: istilah yang lebih luas; dapat mencakup chatbot dengan fitur dokumen, suara, pencarian, atau tools.

Untuk contoh produk yang paling banyak dipakai, baca apa itu ChatGPT.

9. Prompt

Prompt adalah instruksi, pertanyaan, konteks, atau data yang Anda berikan kepada AI.

Contoh sederhana:

Jelaskan machine learning.

Prompt yang lebih jelas:

Jelaskan machine learning untuk siswa SMA dengan satu analogi, tiga contoh penggunaan sehari-hari, dan batas maksimal 250 kata.

Prompt kedua lebih mungkin menghasilkan jawaban sesuai kebutuhan karena memberi tujuan, audiens, format, dan batasan.

Pelajari fondasinya di apa itu prompt AI.

10. Prompt Engineering

Prompt engineering adalah proses merancang instruksi agar hasil AI lebih sesuai kebutuhan.

Ini bukan tentang menemukan “kata sakti”. Intinya adalah menyampaikan informasi yang dibutuhkan sistem secara jelas.

Prompt yang baik umumnya memuat:

• tujuan;
• konteks;
• audiens;
• format hasil;
• batasan;
• contoh bila diperlukan.

Contoh praktis dan pola penulisannya tersedia di cara membuat prompt ChatGPT yang efektif.

11. Token

Token adalah unit kecil yang diproses model saat membaca atau menghasilkan teks. Token tidak selalu sama dengan satu kata; sebuah kata dapat menjadi satu atau beberapa token, bergantung pada sistem tokenisasi dan bahasanya.

Token penting karena memengaruhi:

• panjang instruksi dan jawaban;
• biaya penggunaan pada layanan API;
• batas konteks;
• kemampuan model membaca dokumen panjang.

Sebagai pengguna chatbot biasa, Anda tidak perlu menghitung token setiap kali memakai AI. Tetapi konsep ini berguna saat membaca spesifikasi model atau ketika AI menolak dokumen karena terlalu panjang.

Baca juga pengertian tokenisasi.

12. Context Window

Context window adalah jumlah informasi yang dapat dipertimbangkan model dalam satu proses kerja, termasuk instruksi, percakapan sebelumnya, dokumen, hasil pencarian, dan ruang untuk jawaban.

Bayangkan Anda memberi AI sebuah laporan panjang, aturan penulisan, contoh, dan pertanyaan. Semua itu memakai “ruang perhatian” model.

Context window besar berguna untuk dokumen panjang, riset, percakapan panjang, dan codebase. Namun kapasitas konteks besar tidak otomatis berarti model lebih akurat atau lebih cerdas. Konteks yang terlalu banyak, tidak relevan, atau bertentangan juga dapat menurunkan kualitas hasil.

13. Multimodal AI

Multimodal AI adalah AI yang dapat menerima, memahami, atau menghasilkan lebih dari satu jenis informasi, misalnya teks, gambar, suara, video, atau dokumen.

Contohnya, Anda mengunggah foto lalu meminta AI menjelaskan isinya; memberikan rekaman suara untuk ditranskripsikan; atau mengajukan pertanyaan tentang dokumen yang memiliki tabel dan gambar.

Kemampuan multimodal berbeda pada tiap produk dan model. Jangan mengasumsikan semua chatbot dapat memahami setiap format dengan kualitas yang sama. Dokumentasi Gemini API menunjukkan contoh penggunaan model generatif untuk teks, gambar, input multimodal, dan agent percakapan.

Lihat juga glossary multimodal AI.

14. Training

Training atau pelatihan adalah proses saat model mempelajari pola dari data.

Dalam versi sederhana, prosesnya seperti ini:

1. model menerima contoh data;
2. model menghasilkan prediksi;
3. kesalahan diukur;
4. parameter model disesuaikan;
5. proses diulang berkali-kali.

Hasilnya adalah model yang dapat melakukan tugas tertentu. Pengguna biasa tidak perlu melatih model dari nol untuk memakai AI; proses itu membutuhkan data, infrastruktur, evaluasi, dan biaya yang besar.

15. Fine-Tuning

Fine-tuning adalah proses melatih lebih lanjut model yang sudah ada agar lebih cocok untuk tugas, gaya respons, atau domain tertentu.

Fine-tuning berbeda dengan memberi prompt. Prompt memberi arahan pada satu percakapan atau permintaan. Fine-tuning berupaya mengubah perilaku model secara lebih konsisten melalui contoh pelatihan tambahan.

Contohnya, perusahaan mungkin melakukan fine-tuning untuk klasifikasi dokumen, format jawaban tertentu, atau pola penulisan yang berulang. Untuk informasi yang harus selalu baru, RAG sering lebih relevan daripada fine-tuning. Panduan OpenAI membedakan penggunaan fine-tuning dan RAG untuk meningkatkan akurasi aplikasi.

16. Embeddings

Embedding adalah representasi numerik dari informasi misalnya teks, gambar, atau dokumen agar sistem dapat mengukur kemiripan makna secara matematis.

Bayangkan perpustakaan yang menempatkan buku bertema mirip di rak berdekatan. Embedding melakukan ide serupa dalam ruang matematika: konten yang maknanya mirip dapat berada lebih dekat daripada konten yang tidak berkaitan.

Embeddings berguna untuk pencarian semantik, rekomendasi, pencarian dokumen, dan sistem RAG. Google menjelaskan embeddings sebagai representasi berdimensi lebih rendah yang dipelajari model.

17. RAG

RAG adalah singkatan dari Retrieval-Augmented Generation. Sederhananya, sebelum menjawab, sistem mengambil informasi relevan dari sumber tertentu lalu memberikannya sebagai konteks bagi model.

Contohnya, asisten internal perusahaan mencari kebijakan dari knowledge base sebelum menjawab pertanyaan karyawan.

RAG dapat membantu jawaban lebih relevan dan lebih terhubung dengan sumber yang Anda pilih. Namun RAG tidak menjamin jawaban benar secara otomatis. Kualitas dokumen, cara mengambil dokumen, konteks yang diberikan, dan kemampuan model tetap menentukan hasil. Google mendefinisikan RAG sebagai teknik yang memberi LLM akses ke pengetahuan yang diambil setelah model dilatih.

18. Hallucination

Hallucination adalah istilah ketika AI menghasilkan informasi yang terdengar meyakinkan tetapi salah, tidak didukung bukti, atau dibuat-buat.

Bentuknya dapat berupa referensi palsu, kutipan yang tidak pernah ada, angka keliru, nama fitur yang salah, atau penjelasan yang mencampurkan beberapa fakta.

Kesalahan umum adalah menganggap bahasa yang lancar sebagai bukti kebenaran. Padahal gaya bahasa dan akurasi adalah dua hal berbeda.

Untuk informasi penting, buka sumber aslinya. Google juga mengingatkan bahwa LLM dapat menghasilkan konten yang tidak akurat. Lihat catatan penggunaan model bahasa Google.

19. AI Agent

AI agent adalah sistem AI yang dirancang untuk mengejar tujuan melalui beberapa langkah. Dalam batas izin yang diberikan, agent dapat merencanakan, mencari informasi, memilih tools, menjalankan tindakan, lalu mengevaluasi hasilnya.

Perbedaannya dengan chatbot biasa bukan sekadar istilah pemasaran:

• chatbot biasa terutama memberi jawaban;
• agent dapat mencoba menyelesaikan alur kerja yang terdiri dari beberapa tindakan.

Namun kemampuan agent sangat berbeda antarproduk. Sebagian hanya dapat menyusun rencana, sebagian dapat memakai tools terbatas, dan sebagian dapat melakukan tindakan pada aplikasi lain setelah pengguna memberi izin. Jangan menyamakan “AI agent” dengan robot fisik atau menganggapnya otomatis dapat bertindak tanpa pengawasan.

Untuk pembahasan khusus, baca apa itu AI agent.

20. Artificial General Intelligence (AGI)

AGI atau Artificial General Intelligence adalah gagasan tentang sistem AI dengan kemampuan umum yang luas, bukan hanya unggul pada satu jenis tugas.

Istilah ini sering muncul dalam berita dan pemasaran, tetapi belum memiliki satu definisi teknis yang disepakati semua pihak. Karena itu, ketika membaca klaim “AGI sudah tiba”, ajukan tiga pertanyaan:

• definisi AGI yang dipakai siapa?
• kemampuan apa yang diuji?
• apakah hasilnya dapat diverifikasi secara independen?

AGI sebaiknya dipahami sebagai konsep dan perdebatan masa depan, bukan fitur yang otomatis ada pada setiap chatbot modern.

Bagaimana Semua Istilah Ini Bekerja Bersama?

Bayangkan Anda meminta chatbot merangkum sebuah dokumen.

1. Anda memakai aplikasi chatbot.
2. Aplikasi itu mengirim prompt ke sebuah model AI.
3. Jika modelnya berfokus pada bahasa, ia dapat berupa LLM.
4. Teks prompt dan dokumen diproses menjadi token.
5. Semua instruksi dan dokumen memakai ruang dalam context window.
6. Jika sistem mencari isi dokumen yang paling relevan lebih dulu, ia dapat memakai embeddings dan RAG.
7. Jika Anda juga mengunggah gambar atau audio, sistem membutuhkan kemampuan multimodal.
8. Jika sistem dapat membuat rencana dan memakai tools untuk menyelesaikan beberapa langkah, ia mendekati konsep AI agent.
9. Pada setiap tahap, hasilnya tetap perlu diperiksa karena model dapat mengalami hallucination.

Dengan cara ini, 20 istilah tadi tidak lagi berdiri sendiri.

Urutan Belajar yang Paling Masuk Akal untuk Pemula

Jangan mulai dari AGI, fine-tuning, atau embeddings jika Anda baru pertama memakai AI.

Urutan yang lebih praktis:

1. Artificial Intelligence
2. Machine Learning
3. Generative AI
4. LLM
5. Chatbot AI
6. Prompt
7. Hallucination
8. Token dan context window
9. Multimodal AI
10. RAG dan AI agent

Setelah itu, lanjutkan ke neural network, deep learning, embeddings, training, dan fine-tuning bila Anda ingin memahami cara kerja AI dengan lebih teknis.

Lima Kesalahpahaman yang Perlu Dihindari

LLM sama dengan ChatGPT

Tidak. LLM adalah jenis model bahasa. ChatGPT adalah produk yang menyediakan pengalaman pengguna, fitur, dan model di belakangnya.

Context window besar berarti AI pasti lebih pintar

Tidak. Context window menunjukkan kapasitas informasi yang dapat dipertimbangkan, bukan ukuran tunggal kecerdasan atau akurasi.

Ada sumber atau citation berarti jawaban AI pasti benar

Tidak. Sumber perlu dibuka, diperiksa, dan dipastikan benar-benar mendukung klaimnya.

RAG menghilangkan hallucination

Tidak. RAG dapat membantu grounding dengan sumber tambahan, tetapi kualitas sumber dan sistem tetap menentukan hasil.

AI agent selalu dapat bekerja sendiri

Tidak. Agent dibatasi oleh kemampuan produk, akses tools, izin pengguna, dan aturan keamanan.

Checklist Saat Menemukan Istilah AI Baru

Saat bertemu istilah baru, tanyakan:

• Ini nama bidang, teknik, model, produk, atau fitur?
• Apa fungsi utamanya?
• Apa input dan outputnya?
• Masalah apa yang ingin diselesaikan?
• Apakah istilah ini punya definisi teknis yang jelas?
• Apa keterbatasannya?
• Apakah ini kemampuan nyata atau hanya bahasa pemasaran?

Jika Anda dapat menjawab pertanyaan tersebut, Anda biasanya sudah memahami istilahnya dengan cukup baik untuk memakai AI secara lebih kritis.

Sumber Resmi untuk Belajar Lebih Lanjut

• Google Machine Learning Glossary
• Pengantar Large Language Models dari Google
• Penjelasan embeddings dari Google
• Dokumentasi RAG Google
• Panduan peningkatan akurasi LLM dari OpenAI

Pandangan AIUpdateId

Istilah AI sering terdengar lebih rumit karena produk, model, teknik, dan jargon pemasaran bercampur dalam satu percakapan.

Keterampilan yang paling berguna bukan menghafal semua singkatan. Keterampilan itu adalah mengubah klaim samar menjadi pertanyaan konkret: teknologi ini menerima apa, melakukan apa, menghasilkan apa, memakai sumber apa, dan apa batasannya?

Dengan kebiasaan itu, Anda tidak mudah terpukau oleh istilah seperti “agentic”, “reasoning”, atau “AGI” tanpa memahami kemampuan sebenarnya.