06/12/2025
Penyebab bias dalam AI ternyata lebih rumit dari yang banyak dibayangkan.
Sebuah riset baru memetakan tiga akar permasalahan, salah satunya datang dari sisi yang selama ini nyaris luput: kebiasaan manusia dalam memilih dan memberi label data pelatihan.
Artinya, bukan hanya model AI-nya sendiri yang perlu dikritisi, tapi juga tangan manusia di balik kurasi datanya.
Apa yang kita anggap “netral” dalam dunia digital ternyata kerap mewarisi asumsi-asumsi tak kasat mata dari dunia nyata.
Penelitian ini tidak berhenti pada diagnosis.
Ia juga menawarkan jalan: perbaikan dalam praktik pengumpulan data serta evaluasi algoritma yang lebih teliti dan transparan.
Dengan kata lain, solusi tak semata teknologi, tapi juga etika rekayasa informasi.
Dalam konteks Indonesia—di mana keberagaman bahasa, budaya, dan cara pikir begitu kompleks—menjaga fairness dalam sistem cerdas buatan terasa semakin penting.
Karena tanpa kesadaran pada bias-bias tersembunyi itu, AI bisa memperkuat ketimpangan yang sebetulnya ingin kita atasi.
Dan dalam jangka panjang, yang tertanam dalam algoritma bisa membentuk ulang bagaimana kita memandang manusia lain.
Pertanyaannya sekarang: berani sejauh apa kita memeriksa ulang cara kita mengajar mesin berpikir?