Tapi pertanyaannya bukan apakah dia benar atau salah. Pertanyaannya adalah — bagaimana sebuah sistem komputer yang pada dasarnya hanya melakukan operasi matematika bisa terasa begitu manusiawi?
Artikel ini menjawab itu — dari perspektif engineer, bukan jurnalis.
▶ Tonton versi video lengkapnya
▶ Di Balik Layar ChatGPT: Cara Kerja LLM — Kang Legend
Neural Network: Bukan Otak Digital, Tapi Sistem Prediksi
Semua dimulai dari satu pertanyaan yang diajukan ilmuwan komputer di tahun 1940an: bisakah kita membuat mesin yang belajar seperti otak manusia? Jawabannya — setelah 80 tahun penelitian — adalah ya. Tapi tidak dengan cara yang kamu bayangkan.
Bayangkan sebuah jaringan dari miliaran titik kecil yang saling terhubung. Setiap titik disebut neuron. Setiap koneksi antar neuron punya bobot — angka yang menentukan seberapa kuat sinyal mengalir dari satu neuron ke neuron berikutnya.
Ketika kamu mengetik sebuah kalimat ke ChatGPT, ini yang terjadi:
- Kalimatmu dipecah menjadi token — potongan kata atau karakter
- Token diubah menjadi angka yang mengalir melalui ratusan layer neural network
- Di setiap layer, setiap neuron melakukan satu hal: Hitung. Timbang. Putuskan.
- Output akhir: prediksi token berikutnya yang paling mungkin muncul
Ada satu perbedaan krusial antara otak manusia dan neural network:
Otak manusia belajar dari pengalaman hidup — bertahun-tahun, sedikit demi sedikit.
Neural network belajar dari data — miliaran teks yang sudah ditulis manusia, diproses dalam hitungan minggu dengan ribuan GPU.
GPT-4 dilatih dengan data yang jika dicetak akan membutuhkan tumpukan kertas setinggi lebih dari 1.000 kilometer. Bukan halaman. Bukan buku. Tumpukan kertas setinggi 1.000 km.
Tiga Fase Training yang Mengubah Segalanya
AI tidak lahir cerdas. Dia melalui tiga fase training yang sangat berbeda — dan memahami ketiga fase ini akan mengubah cara kamu menggunakan AI selamanya.
Model dilatih dengan data raksasa — seluruh Wikipedia, miliaran halaman web, jutaan buku digital, seluruh kode di GitHub, jurnal ilmiah, forum, artikel berita. Di fase ini model belajar satu hal saja: prediksi kata berikutnya. Berulang. Miliaran kali. Sampai prediksinya akurat.
Hasilnya: Model yang sangat pintar tapi tidak tahu cara berdialog.Tim manusia — disebut human labelers — menulis contoh percakapan ideal. Pertanyaan → Jawaban yang baik. Model belajar dari contoh-contoh ini untuk bisa berdialog secara natural dan mengikuti instruksi dengan benar.
Hasilnya: Model yang bisa diajak bicara, tapi belum konsisten.Fase paling revolusioner. Model menghasilkan beberapa versi jawaban. Manusia menilai mana yang lebih baik. Model belajar dari penilaian itu. Diulang ribuan kali. Inilah yang mengubah GPT-3 yang canggih tapi sulit dipakai menjadi ChatGPT yang bisa digunakan siapa saja.
Hasilnya: AI yang pintar, bisa berdialog, dan menghindari output berbahaya.ChatGPT tidak belajar dari percakapanmu. Setelah training selesai, model tidak berubah lagi. Estimasi biaya training GPT-4: lebih dari 100 juta dolar hanya untuk satu kali training run. Semua yang kamu ketik hari ini tidak mengubah model. Dia hanya menggunakan apa yang sudah dipelajari saat training — dan memprediksi jawaban terbaik berdasarkan konteks yang kamu berikan.
Implikasinya: Konteks yang kamu berikan dalam prompt adalah satu-satunya variabel yang bisa kamu kendalikan.
The Algorithm of Souls
50+ Prompt yang Mempertimbangkan Cara Kerja AI
Framework SCAFE™ di dalam buku ini dirancang dengan memahami cara AI memproses token, membangun konteks, dan menghasilkan prediksi. Bukan template biasa — ini sistem berbasis pemahaman teknis.
Lihat Isi Buku Lengkap📘 Framework SCAFE™ · 50+ prompt · Garansi 7 hari
Early Bird Rp 99.000 · PDF otomatis ke email
Hallucination: Bug Paling Berbahaya yang Bukan Bug
Maret 2023. Seorang pengacara di Amerika menggunakan ChatGPT untuk riset kasus hukum. ChatGPT memberikan daftar preseden hukum yang relevan — lengkap dengan nama hakim, tanggal, dan nomor kasus. Sangat meyakinkan. Sangat detail.
Tidak satu pun kasus itu pernah ada.
Semua dikarang AI — dengan nada yang sama yakinnya seperti fakta nyata. Pengacara itu didenda pengadilan.
Kenapa ini bisa terjadi? Ingat — AI bukan mesin pencari fakta. Ia adalah mesin prediksi token. Tugasnya bukan memastikan kebenarannya — tugasnya menghasilkan token berikutnya yang paling plausibel berdasarkan pola yang pernah dilihatnya.
Ketika ditanya tentang sesuatu yang tidak ada dalam training data-nya, AI tidak berkata "saya tidak tahu." Ia menghasilkan jawaban yang terdengar seperti seharusnya ada.
Tiga Tipe Hallucination
Menyebut fakta, angka, nama, atau tanggal yang tidak ada. AI menyebut statistik spesifik, mengutip penelitian fiktif, atau menyebutkan tokoh yang tidak pernah ada — semua dengan nada yang sama yakin.
Mengutip buku, jurnal, studi, atau artikel yang tidak pernah diterbitkan. Judul terdengar akademis, nama pengarang masuk akal, tahun terbit konsisten — tapi semua fiksi.
Logika yang terdengar masuk akal dan langkah-langkahnya benar, tapi kesimpulan akhirnya salah. Karena prosesnya terlihat valid, orang jarang mempertanyakan hasilnya.
"AI yang paling berbahaya bukan yang jelas-jelas salah —
tapi yang 70% benar dengan nada 100% yakin."
Apakah ini berarti AI tidak bisa dipercaya? Tidak. Ini berarti AI harus digunakan seperti kamu menggunakan asisten yang sangat pintar — tapi perlu kamu verifikasi sebelum dipresentasikan ke dunia. Dan cara kamu mem-prompt dia menentukan seberapa besar risiko hallucination yang muncul.
Evolusi GPT: Bukan Sekadar "Lebih Besar"
Banyak orang mengira perbedaan antar generasi model hanya soal ukuran — lebih banyak parameter, lebih pintar. Itu hanya sebagian kecil dari ceritanya.
175 miliar parameter. Pertama kalinya AI terasa benar-benar cerdas. Tapi sulit digunakan — tidak tahu cara berdialog dengan baik, sering melenceng dari instruksi.
175B parameter · 4K context100 juta pengguna dalam 2 bulan — rekor tercepat sepanjang sejarah teknologi. RLHF mengubah model yang canggih menjadi alat yang bisa digunakan siapa saja. Ini bukan upgrade parameter — ini perubahan cara training.
100 juta user dalam 2 bulanMultimodal — bisa melihat dan menganalisis gambar. Context window 128K token — bisa memproses dokumen panjang sekaligus. Reasoning jauh lebih kuat untuk tugas kompleks.
128K context · Multimodal · ~1T parameter*Lebih cepat, lebih murah, lebih natural. Kualitas setara GPT-4 dengan efisiensi jauh lebih baik. Voice mode yang benar-benar real-time. Perubahan fokus dari "lebih besar" ke "lebih efisien."
Lebih cepat · Lebih murah · ~200B parameter**estimasi — tidak dikonfirmasi resmi oleh OpenAI
Yang paling membedakan generasi model bukan jumlah parameter — tapi cara mereka dilatih dan data apa yang mereka lihat.
Prompt yang bekerja di GPT-3.5 belum tentu optimal di GPT-4. Prompt optimal di GPT-4 belum tentu sama hasilnya di Claude atau Gemini. Setiap model punya "kepribadian" yang dibentuk oleh training-nya.
ChatGPT vs Claude vs Gemini: Kenapa Outputnya Berbeda?
Ini insight yang paling jarang dibahas di konten AI Indonesia — dan yang paling langsung mempengaruhi cara kamu bekerja dengan AI setiap hari.
Prompt yang sama, dikirim ke tiga model berbeda:
"Kamu adalah content strategist berpengalaman. Buatkan hook 2 kalimat untuk video tentang prokrastinasi. Gaya: tenang, reflektif, mengguncang asumsi. Format: 2 kalimat pendek."
Kenapa Hasilnya Berbeda?
- Data Training Berbeda — OpenAI lebih banyak web crawl dan kode, Anthropic lebih banyak long-form text dan safety research, Google lebih banyak search data dan knowledge graph
- Preferensi Human Rater Berbeda — OpenAI rater suka jawaban langsung dan actionable, Anthropic rater suka jawaban nuanced dan safety-first, Google rater suka jawaban faktual dan terverifikasi
- Pendekatan Safety Berbeda — Anthropic menggunakan Constitutional AI (model diajarkan prinsip etika secara eksplisit), berbeda dengan pure RLHF yang digunakan OpenAI
Panduan Memilih Model yang Tepat
| Untuk Tugas | Gunakan | Kenapa |
|---|---|---|
| Creative writing & nuance | Claude | Paling filosofis dan hati-hati dalam penyusunan kalimat |
| Coding & technical tasks | GPT-4o | Dilatih dengan data kode terbanyak, paling actionable |
| Research & fact-checking | Gemini | Terintegrasi Google Search, lebih faktual |
| Speed & cost efficiency | GPT-4o mini | Kualitas baik dengan biaya sangat rendah |
| Long document analysis | Claude 200K | Context window terbesar, paling konsisten di teks panjang |
Lima Kesimpulan yang Mengubah Cara Kamu Pakai AI
- 1.Neural network bukan otak digital — ia adalah sistem prediksi probabilistik yang dilatih dari data manusia. Ia tidak "memahami" — ia memprediksi.
- 2.Training terjadi dalam tiga fase dan setelah selesai, model tidak berubah lagi. Konteks yang kamu berikan adalah satu-satunya variabel yang bisa kamu kendalikan.
- 3.Hallucination bukan bug — ini konsekuensi fundamental dari cara LLM bekerja. AI salah dengan nada yang sama yakinnya seperti ketika benar. Verifikasi selalu diperlukan.
- 4.GPT-3 ke GPT-4o bukan sekadar "lebih besar" — ini perubahan cara training yang fundamentally berbeda. RLHF adalah revolusi sesungguhnya.
- 5.Setiap model punya kepribadian berbeda karena training yang berbeda. Mencocokkan model yang tepat dengan tugas yang tepat adalah bagian dari prompt engineering yang sesungguhnya.
"Alat yang tidak kamu pahami akan selalu mengendalikanmu.
Alat yang kamu pahami —
akan bekerja untukmu."
Semakin kamu memahami cara AI bekerja, semakin prompt engineering-mu bukan lagi trial and error — tapi keputusan yang disengaja.
📘 The Algorithm of Souls
Fondasi Teknis + Sistem Prompt yang Terbukti
Semua yang kita bahas hari ini — cara kerja AI, cara membaca outputnya, cara memilih model yang tepat — semuanya berkaitan langsung dengan 50 prompt di e-book ini. Framework SCAFE™ di dalamnya sudah mempertimbangkan karakteristik masing-masing model.
Dapatkan Bukunya — Rp 99.000✅ PDF otomatis ke email · 🛡️ Garansi 7 hari · Early Bird s/d 30 April 2026
Yang tidak subscribe
akan ketinggalan ini
Satu email per minggu. Berisi satu ide mendalam tentang AI, Quantum Computing, dan cara berpikir engineer masa depan — bukan rangkuman berita, bukan hype, bukan tutorial biasa.
