Glosarium AI: 55 istilah dalam bahasa sederhana

Dasar-dasarnya

Ini versi referensinya: 55 istilah, definisi dulu, detail kemudian. Kalau Anda mau tur yang lebih santai berisi kata-kata yang penting di minggu pertama saja, baca Istilah AI dijelaskan dan kembali ke sini saat sebuah istilah mengarahkan Anda ke halaman ini.

Kecerdasan buatan

Kecerdasan buatan adalah perangkat lunak yang mengerjakan tugas yang biasanya butuh penilaian manusia, seperti menulis, bernalar, atau mengenali isi sebuah gambar.

Dalam pemakaian sehari-hari di 2026, "AI" hampir selalu berarti asisten chat yang dibangun di atas large language model, bukan bidang akademis yang lebih luas.

Machine learning

Machine learning adalah teknik mengajari perangkat lunak dengan menunjukkan contoh, bukan memprogramnya dengan aturan.

Setiap asisten AI modern dibangun dengan cara ini: perilakunya berasal dari pola dalam data pelatihan, itulah kenapa model yang sama bisa jenius pada tugas umum dan goyah pada tugas yang jarang ditemui.

Model

Model adalah satu sistem AI terlatih yang spesifik, artefak yang benar-benar menerima prompt Anda.

GPT, Claude, dan Gemini adalah keluarga model; satu keluarga berisi model-model individual dengan ukuran, kecepatan, dan harga berbeda. Memilih di antaranya per tugas adalah keterampilan inti memakai AI dengan baik.

LLM (large language model)

LLM, atau large language model, adalah model yang dilatih dengan teks dalam jumlah sangat besar untuk memprediksi teks apa yang seharusnya muncul berikutnya.

Satu trik itu, dijalankan dalam skala besar, adalah yang menghasilkan jawaban, draf, kode, dan ringkasan. Kata "large" merujuk pada data pelatihannya maupun jumlah parameternya.

Chatbot

Chatbot adalah antarmuka percakapan yang membungkus sebuah model, benda dengan kolom pesannya.

Perbedaan ini penting saat membandingkan produk: dua chatbot bisa membungkus model yang sama dan terasa berbeda, dan satu chatbot bisa menawarkan banyak model, itulah cara kerja Whizi.

Prompt

Prompt adalah semua yang Anda kirim ke model: pertanyaannya, instruksinya, dan teks atau file apa pun yang Anda sertakan.

Kualitas jawaban mengikuti kualitas prompt dengan ketat. Konteks, batasan, dan format hasil yang Anda inginkan adalah tiga hal yang paling sering dilewatkan pemula.

Token

Token adalah potongan kecil teks yang benar-benar dibaca dan ditulis model, kira-kira tiga perempat kata bahasa Inggris rata-rata.

Harga, kecepatan, dan context window semuanya diukur dalam token, itulah kenapa kata ini muncul di setiap halaman harga AI. Dokumen 1.000 kata kira-kira setara 1.300 token.

Context window

Context window adalah jumlah maksimum teks, diukur dalam token, yang bisa dipertimbangkan model sekaligus.

Prompt Anda, percakapan sejauh ini, dokumen yang dilampirkan, dan jawabannya semua berbagi ruang itu. Tabel perbandingan context window mencantumkan angka terkini untuk setiap model utama, dan penjelasannya membahas kenapa ini menjelaskan sebagian besar keluhan "AI-nya lupa".

Parameter

Parameter adalah angka-angka internal yang dipelajari model selama pelatihan, dan ukuran umum untuk besarnya sebuah model.

Dihitung dalam miliaran, semakin banyak parameter secara longgar berarti semakin banyak kemampuan dan semakin besar biaya. Ini metrik belanja yang buruk kalau berdiri sendiri; benchmark dan uji coba Anda sendiri lebih unggul daripada jumlah parameter.

Respons

Respons adalah keluaran model untuk satu prompt, juga disebut completion.

Respons dihasilkan baru setiap kali, itulah kenapa meregenerasi prompt yang sama memberi susunan kata yang berbeda dan kadang jawaban yang berbeda.

Berbicara dengan model

System prompt

System prompt adalah instruksi tetap yang diterima model sebelum pesan Anda, menetapkan perannya, nadanya, dan aturannya.

Setiap produk punya satu meski Anda tidak bisa melihatnya. Saat sebuah chatbot "punya kepribadian", biasanya di situlah system prompt-nya berada.

Prompt engineering

Prompt engineering adalah praktik menulis prompt secara sengaja untuk mendapatkan hasil yang lebih baik secara konsisten.

Meski namanya terdengar megah, sebagian besarnya cuma kejelasan biasa: nyatakan tujuannya, beri konteks, tunjukkan contoh, sebutkan formatnya. Panduan untuk pemula membahas teknik yang benar-benar menggerakkan hasil.

Zero-shot

Zero-shot berarti meminta model mengerjakan sebuah tugas tanpa memberinya contoh apa pun.

Model modern menangani sebagian besar tugas sehari-hari secara zero-shot. Istilah ini bertahan terutama sebagai pembanding dengan few-shot prompting.

Few-shot

Few-shot berarti menyertakan segelintir contoh yang sudah dikerjakan di dalam prompt supaya model meniru polanya.

Ini upgrade keandalan termurah untuk pekerjaan yang sensitif terhadap format: dua atau tiga contoh input dan hasil yang diinginkan mengalahkan satu paragraf penjelasan.

Chain of thought

Chain of thought adalah model yang mengerjakan langkah-langkah antara sebelum memberikan jawaban akhirnya.

Meminta model bernalar selangkah demi selangkah secara terukur memperbaiki soal-soal sulit, dan model penalaran sekarang melakukan versi ini secara internal sebagai default.

Temperature

Temperature adalah pengaturan yang mengontrol seberapa acak model saat memilih tiap token berikutnya.

Temperature rendah memberi hasil yang konsisten dan konservatif; temperature tinggi memberi variasi dan sesekali omong kosong. Produk chat biasanya memilih nilai tengah untuk Anda.

Streaming

Streaming adalah model mengirim jawabannya token demi token saat menghasilkannya, bukan sekaligus setelah selesai.

Itulah kenapa jawaban terlihat seperti mengetik sendiri, dan kenapa jawaban yang buruk bisa dihentikan lebih awal alih-alih ditunggu sampai selesai.

Regenerate

Regenerate berarti meminta jawaban baru untuk prompt yang sama.

Karena generasinya bersifat probabilistik, regenerate adalah penarikan yang benar-benar baru, bukan pengulangan komputasi yang sama. Membandingkan dua hasil, atau prompt yang sama di dua model, adalah pemeriksaan kualitas yang cepat.

Cara model dibuat

Pelatihan

Pelatihan adalah proses menyesuaikan parameter model terhadap data sampai prediksinya menjadi bagus.

Ini terjadi sebelum Anda bertemu modelnya sama sekali dan makan biaya komputasi raksasa bagi penyedianya. Tidak ada yang Anda ketik ke sebuah chat yang melatih ulang model saat itu juga, meski penyedia mungkin memakai percakapan untuk melatih versi mendatang tergantung kebijakannya.

Data pelatihan

Data pelatihan adalah teks dan materi lain yang menjadi sumber belajar model.

Cakupannya menjelaskan apa yang diketahui model, celahnya menjelaskan titik buta yang sistematis, dan rentang tanggalnya menetapkan batas pengetahuannya.

Pra-pelatihan

Pra-pelatihan adalah fase pertama dan terbesar dari pelatihan, tempat model mempelajari bahasa dan pengetahuan dunia dari teks dalam jumlah besar.

Hasilnya cakap tapi masih mentah. Semua yang membuat model berperilaku seperti asisten yang membantu datang sesudahnya.

Fine-tuning

Fine-tuning adalah pelatihan tambahan pada dataset yang lebih sempit untuk mengkhususkan atau membentuk model yang sudah dipra-latih.

Penyedia melakukan fine-tuning demi kegunaan dan keamanan; perusahaan melakukannya demi tugas spesifik domain mereka. Bagi sebagian besar pengguna, prompt yang bagus plus model umum yang cakap mengalahkan bayar untuk fine-tune.

RLHF

RLHF, reinforcement learning from human feedback, adalah melatih model berdasarkan penilaian manusia atas jawaban-jawabannya.

Ini sebagian besar alasan kenapa asisten modern terasa sopan, terstruktur, dan hati-hati. Kalau berlebihan, ini juga menghasilkan sikap ragu-ragu yang membuat sebagian model menolak menjawab atau berputar-putar.

Alignment

Alignment adalah upaya membuat perilaku model sesuai dengan maksud dan nilai manusia.

Dalam praktiknya ini mencakup semuanya, dari menolak permintaan berbahaya sampai sekadar mengikuti instruksi dengan akurat. Saat model melakukan sesuatu yang secara teknis mengesankan tapi tidak diinginkan, itulah celah alignment.

Inferensi

Inferensi adalah menjalankan model yang sudah dilatih untuk menghasilkan jawaban, berbeda dari melatihnya.

Setiap pesan yang Anda kirim memicu inferensi, dan biaya inferensi itulah yang diukur oleh harga per token. Model yang murah dijalankan bisa sangat cakap; Indeks Biaya Model AI menunjukkan rentang harga 2.000 kali lipat.

Transformer

Transformer adalah arsitektur jaringan saraf di balik hampir semua model bahasa modern.

Mekanisme kuncinya, attention, memungkinkan model menimbang setiap bagian input terhadap setiap bagian lainnya. Anda tidak pernah perlu tahu detailnya, tapi kata ini ada di mana-mana dalam tulisan tentang AI.

Saat sesuatu berjalan salah

Halusinasi

Halusinasi adalah model menyatakan sesuatu yang salah dengan percaya diri penuh.

Ini bukan bug yang akan ditambal di rilis berikutnya; ini mengikuti cara kerja generasinya. Frekuensinya sangat bervariasi tergantung model dan tugas. Anggap fakta, angka, atau kutipan spesifik apa pun belum terverifikasi sampai Anda memeriksanya. Kenapa AI sering salah membahas mekanismenya.

Grounding

Grounding adalah memberi model materi otoritatif untuk dijadikan sumber jawaban, alih-alih membiarkannya mengandalkan ingatan.

Menempel kontrak, melampirkan laporan, atau mengaktifkan pencarian web semuanya termasuk grounding. Ini pertahanan sehari-hari yang paling efektif melawan halusinasi.

Bias

Bias adalah model yang secara sistematis mencondongkan hasilnya dengan cara yang diwarisi dari data pelatihan.

Ini muncul sebagai asumsi soal orang, tempat, dan default. Untuk keputusan yang berdampak besar, tinjau hasil AI seperti Anda meninjau pekerjaan seorang intern yang pintar tapi belum diperiksa.

Guardrails

Guardrails adalah batasan yang dibangun penyedia di sekitar sebuah model untuk memblokir hasil berbahaya atau di luar kebijakan.

Penyedia berbeda menarik garisnya secara berbeda, yang merupakan perbedaan produk yang nyata: permintaan yang sama bisa dijawab satu model dan ditolak model lain.

Jailbreak

Jailbreak adalah prompt yang dirancang untuk menipu model agar mengabaikan guardrails-nya.

Penyedia menambalnya terus-menerus. Bagi pengguna biasa, istilah ini penting terutama sebagai konsep keamanan: apa pun yang bisa dibujuk untuk dilakukan model, seseorang akan mencoba membujuknya.

Red teaming

Red teaming adalah menyerang sebuah model secara sengaja sebelum dirilis untuk menemukan mode kegagalan yang berbahaya.

Penyedia menjalankan tim red team internal dan eksternal, dan kartu model yang dipublikasikan sering meringkas apa yang mereka temukan. Ini setara AI dari uji penetrasi.

Batas pengetahuan

Batas pengetahuan adalah tanggal setelahnya data pelatihan model berhenti.

Tanyakan soal apa pun yang lebih baru dan model akan mengaku tidak tahu, menjelajah web kalau bisa, atau berhalusinasi. Mengetahui batas pengetahuan model yang Anda pakai mencegah satu kategori kesalahan sepenuhnya.

Retrieval dan data Anda

RAG (retrieval augmented generation)

RAG, retrieval augmented generation, adalah mengambil dokumen relevan terlebih dahulu lalu membuat model menjawab berdasarkan dokumen itu.

Beginilah cara kerja produk "chat dengan basis pengetahuan Anda" di balik layar, dan kenapa mereka bisa mengutip sumber. RAG mengurangi halusinasi tapi mewarisi kualitas dari apa pun yang diambilnya.

Embedding

Embedding adalah daftar angka yang mewakili makna sepotong teks.

Teks dengan makna serupa mendapat angka yang berdekatan, yang memungkinkan perangkat lunak menemukan bagian yang terkait secara matematis. Embedding adalah mesin di balik semantic search dan RAG.

Vector database

Vector database adalah basis data yang dibangun untuk menyimpan embedding dan menemukan yang terdekat dengan cepat.

Kalau sebuah produk bilang ia sudah "mengindeks" dokumen Anda untuk pencarian AI, embedding untuk setiap potongannya duduk di salah satu basis data ini.

Semantic search

Semantic search adalah menemukan teks berdasarkan makna, bukan mencocokkan kata kunci.

Mencari "masalah uang" bisa memunculkan bagian tentang tekanan arus kas meski tidak ada kata yang cocok. Ini embedding yang dipraktikkan.

Chunking

Chunking adalah memecah dokumen panjang menjadi potongan cukup kecil untuk di-embed dan diambil dengan baik.

Kedengarannya seperti kerja pipa ledeng, dan memang begitu, tapi chunking yang buruk adalah alasan umum kenapa alat chat dokumen menjawab dari bagian file yang salah.

Pencarian web (dalam AI)

Pencarian web dalam AI berarti model mengambil halaman terkini sebelum menjawab, alih-alih mengandalkan ingatan dari pelatihan.

Ini menukar kecepatan dengan kesegaran dan memungkinkan jawaban membawa kutipan yang bisa Anda buka. Untuk apa pun setelah batas pengetahuan model, ini beda antara jawaban dan tebakan.

Knowledge base

Knowledge base adalah kumpulan dokumen terkurasi yang diberikan sebuah perusahaan ke AI-nya sebagai sumber jawaban.

Kualitas masuk, kualitas keluar: asisten yang berpijak pada wiki basi dengan percaya diri menyajikan jawaban basi, lengkap dengan kutipannya.

Tiga istilah di glosarium ini menamai jawaban yang bersaing untuk pertanyaan yang sama, cara membuat model lebih baik untuk tugas Anda, dan mencampuradukkannya adalah kesalahan jargon paling umum di rapat produk. Berdampingan:

Pendekatan	Yang berubah	Biaya dan kecepatan	Kapan menang
Prompt yang lebih baik (zero-shot, few-shot)	Hanya teks yang Anda kirim	Gratis, hitungan menit	Hampir selalu langkah pertama; dua atau tiga contoh yang sudah dikerjakan memperbaiki sebagian besar masalah format
RAG	Apa yang dibaca model sebelum menjawab	Sedang untuk dibangun, tanpa pelatihan ulang	Jawaban yang harus tetap terkini atau mengutip dokumen Anda sendiri
Fine-tuning	Parameter model itu sendiri	Lambat dan mahal, lalu tetap	Kebutuhan gaya dan format yang stabil dalam skala besar, hampir tidak pernah untuk perorangan

Di luar teks

Multimodal

Multimodal berarti model yang bekerja lintas lebih dari satu medium, seperti teks ditambah gambar, audio, atau video.

Itulah kenapa Anda bisa mengambil tangkapan layar error dan bertanya apa yang salah. Panduan AI multimodal membahas apa yang benar-benar berfungsi hari ini.

Model visi

Model visi adalah model yang bisa menafsirkan gambar: foto, tangkapan layar, grafik, dan dokumen.

Membaca tidak sama dengan menghasilkan; sebuah model bisa mendeskripsikan diagram Anda dengan sempurna dan tetap tidak bisa menggambar satu.

Pembuatan gambar

Pembuatan gambar adalah menghasilkan gambar baru dari deskripsi teks.

Kualitas, jangkauan gaya, dan rendering teks di dalam gambar sangat bervariasi antar generator, itulah kenapa pengguna serius membandingkan beberapa. Ulasan generator gambar selalu diperbarui soal bidang ini.

Model diffusion

Model diffusion menghasilkan gambar dengan mulai dari noise lalu menyempurnakannya selangkah demi selangkah menuju deskripsinya.

Ini teknik dominan di balik generator gambar modern. Kata ini terutama penting supaya "diffusion" di nama sebuah produk memberi tahu Anda apa yang dilakukan produk itu.

Speech to text

Speech to text adalah mentranskripsi audio ucapan menjadi kata tertulis.

Transkripsi modern cukup akurat untuk membuat rapat, catatan suara, dan wawancara bisa dicari, dan begitulah cara input suara di aplikasi chat bekerja.

Text to speech

Text to speech adalah menghasilkan audio ucapan dari kata tertulis.

Sistem masa kini menghasilkan suara yang natural dan ekspresif, yang menggerakkan fitur baca-keras dan percakapan suara AI.

Ekosistemnya

API

API adalah pintu programatik yang dipakai developer untuk mengirim prompt ke sebuah model dari perangkat lunak mereka sendiri.

Harga API dihitung per token, yang menjadi sumber ekonomi per jawaban dari setiap produk AI pada akhirnya.

Open weights

Open weights berarti parameter terlatih sebuah model dipublikasikan supaya siapa pun bisa mengunduh dan menjalankannya.

Ini memungkinkan self-hosting dan membiarkan penyedia lain melayani model itu di infrastruktur mereka sendiri. DeepSeek dan Llama adalah contoh yang terkenal.

Model open source

Model open source secara longgar adalah model yang dirilis untuk pemakaian dan modifikasi publik, meski lisensinya sangat bervariasi.

Pertanyaan praktisnya selalu dua yang sama: bisakah Anda memakainya secara komersial, dan siapa yang meng-hosting-nya untuk Anda. Ekosistem open weights paling penting saat privasi atau biaya menyingkirkan pilihan model unggulan yang di-hosting.

Benchmark

Benchmark adalah uji standar yang dipakai untuk menilai dan membandingkan model.

Berguna untuk penilaian awal, sering di-overfit dalam pemasaran. Model yang memuncaki sebuah benchmark tetap bisa kalah pada pekerjaan nyata Anda, itulah kenapa menjalankan perbandingan tiga tugas Anda sendiri lebih baik daripada membaca grafik.

Agent

Agent adalah sistem AI yang mengambil tindakan bertahap menuju sebuah tujuan, bukan sekadar menjawab sekali.

Memesan, meneliti, menulis kode, dan mengisi tiket adalah wilayah agent. Kemampuannya nyata dan berkembang cepat; begitu juga kebutuhan untuk meninjau apa yang dilakukan agent sebelum itu berdampak.

Tool use

Tool use, atau function calling, adalah model yang memanggil kemampuan eksternal seperti pencarian, kalkulator, kode, atau kalender Anda.

Beginilah cara asisten chat bertindak pada dunia nyata, bukan hanya mendeskripsikannya, dan ini mekanisme di balik agent.

Model penalaran

Model penalaran adalah model yang menghabiskan komputasi ekstra untuk berpikir menembus sebuah masalah secara internal sebelum menjawab.

Pertukarannya adalah waktu dan biaya demi akurasi pada soal sulit. Untuk pertanyaan sederhana, pemikiran ekstra itu tidak membeli apa pun, argumen lain untuk berganti model per tugas.

Latensi

Latensi adalah berapa lama Anda menunggu antara mengirim prompt dan jawabannya tiba atau mulai streaming.

Ini bervariasi tergantung ukuran model, beban, dan apakah modelnya model penalaran. Untuk kerja interaktif, model cepat yang cukup bagus sering mengalahkan model brilian yang lambat.

Rate limit

Rate limit adalah batas yang dipasang penyedia soal berapa banyak permintaan atau token yang bisa Anda pakai dalam satu jendela waktu.

Menabraknya adalah alasan umum sebuah produk chat menyuruh Anda menunggu atau upgrade. Batas pesan pada paket langganan adalah rate limit dengan branding yang lebih ramah.

Menjaga kamus ini tetap berguna

Istilah cepat usang di bidang ini. Halaman ini dijaga sebagai referensi: entrinya ditulis ulang saat pemakaiannya bergeser, dan panduan mendalam yang ditautkan membawa detail yang tidak muat dalam sebuah definisi.

Kalau ada istilah yang Anda temui di luar sana dan tidak ada di sini, cara tercepat adalah menempel kalimat tempat Anda menemukannya ke sebuah model yang cakap dan minta definisinya sesuai konteks. Di Whizi Anda bisa bertanya ke dua model sekaligus dan memperhatikan saat mereka tidak sepakat, yang untuk jargon baru ternyata cukup sering terjadi.