Masyarakat Informatika Sosial Indonesia

– Arief Prihantoro –

Ketika Komunikasi Tidak Lagi Dimulai dari Makna

Salah satu kemampuan yang paling sering membuat orang terkejut ketika berinteraksi dengan Large Language Models adalah kemampuannya menghasilkan jawaban yang terasa bermakna. Sebuah pertanyaan yang diajukan dengan bahasa sehari-hari dapat dijawab menggunakan kalimat-kalimat yang koheren, mengikuti konteks percakapan, bahkan mampu menyesuaikan gaya bahasa penggunanya. Pengalaman semacam ini hampir secara spontan melahirkan satu kesimpulan intuitif: AI tampaknya memahami makna sebagaimana manusia memahami makna.

Kesan tersebut tidak sepenuhnya keliru, tetapi juga tidak sepenuhnya benar.

Dalam pengalaman sehari-hari, manusia memang hampir tidak pernah memisahkan bahasa dari makna. Ketika seseorang berbicara, perhatian segera tertuju pada apa yang ingin disampaikan, bukan pada bagaimana suara merambat melalui udara, bagaimana gelombang tersebut diterima oleh telinga, atau bagaimana rangkaian simbol akhirnya diproses oleh otak. Makna menjadi tujuan komunikasi, sehingga keberadaannya terasa begitu dominan hingga seluruh proses lain yang memungkinkan komunikasi berlangsung nyaris tidak pernah disadari.

Cara pandang semacam itu juga sangat memengaruhi perkembangan berbagai disiplin ilmu. Linguistik, semiotika, filsafat bahasa, maupun ilmu komunikasi selama puluhan tahun lebih banyak memusatkan perhatian pada bagaimana makna dibentuk, dipertukarkan, dipahami, dan diinterpretasikan. Tidak mengherankan apabila pembahasan mengenai AI modern pun sering mengikuti pola yang sama. Ketika sebuah mesin mampu menghasilkan bahasa yang tampak masuk akal, pertanyaan pertama yang muncul hampir selalu berkisar pada persoalan makna: apakah mesin benar-benar memahami apa yang dikatakannya?

Artikel sebelumnya menunjukkan bahwa pertanyaan tersebut memperoleh landasan baru setelah bahasa mulai dipahami sebagai sesuatu yang memiliki struktur formal. Melalui semantik formal, makna tidak lagi dipandang semata-mata sebagai pengalaman subjektif, tetapi juga sebagai sesuatu yang dapat direpresentasikan secara sistematis. Perubahan itu membuka kemungkinan yang sebelumnya hampir tidak pernah dibayangkan, yaitu bahwa bahasa dapat menjadi objek pemodelan formal tanpa kehilangan hubungan dengan makna yang dibawanya.

Akan tetapi, sejarah perkembangan AI memperlihatkan sebuah ironi yang menarik. Salah satu fondasi terpenting yang memungkinkan bahasa diproses oleh komputer justru lahir melalui langkah yang tampaknya bergerak ke arah sebaliknya. Ketika sebagian besar tradisi keilmuan berusaha menjelaskan bagaimana makna bekerja di dalam komunikasi, lahir sebuah pendekatan yang memilih untuk tidak memulai dari makna sama sekali.

Keputusan tersebut pada awalnya tampak hampir bertentangan dengan intuisi.

Bagaimana mungkin komunikasi dipelajari tanpa terlebih dahulu berbicara mengenai makna?

Bukankah komunikasi pada hakikatnya merupakan pertukaran makna antarmanusia?

Pertanyaan-pertanyaan semacam itu terdengar wajar karena pengalaman manusia memang selalu menempatkan makna sebagai pusat komunikasi. Ketika seseorang mengirimkan pesan singkat, menulis surat elektronik, berbicara melalui telepon, atau berdiskusi melalui konferensi video, yang ingin dipastikan bukanlah apakah simbol-simbol berhasil berpindah tempat, melainkan apakah maksud yang hendak disampaikan benar-benar dipahami oleh pihak lain. Keberhasilan komunikasi diukur dari keberhasilan pemahaman, bukan sekadar keberhasilan pengiriman sinyal.

Namun persoalan yang dihadapi dunia rekayasa komunikasi pada pertengahan abad ke-20 ternyata berbeda sama sekali.

Masalah utamanya bukan bagaimana makna dipahami, melainkan bagaimana sebuah pesan dapat dikirimkan sejauh mungkin dengan tingkat kesalahan serendah mungkin. Di hadapan persoalan semacam itu, makna justru menjadi sesuatu yang sulit diukur. Sebuah jaringan telepon tidak pernah mengetahui apakah percakapan yang sedang berlangsung membahas hasil penelitian ilmiah, percakapan keluarga, atau sekadar obrolan ringan. Yang harus dijaga bukan isi pembicaraan tersebut, melainkan agar simbol-simbol yang dikirim oleh pengirim tetap identik ketika diterima di ujung yang lain.

Perubahan fokus inilah yang kemudian melahirkan salah satu titik balik paling penting dalam sejarah ilmu komunikasi modern. Untuk pertama kalinya, komunikasi dipisahkan dari makna, bukan karena makna dianggap tidak penting, melainkan karena terdapat persoalan lain yang lebih mendasar dan harus diselesaikan terlebih dahulu. Sebelum sebuah pesan dapat dipahami, pesan tersebut harus lebih dahulu berhasil dikirim. Sebelum makna dapat diinterpretasikan, simbol-simbol yang membawa makna itu harus terlebih dahulu tiba tanpa mengalami perubahan.

Di sinilah muncul sebuah konsep yang kelak mengubah hampir seluruh perkembangan komputasi modern: informasi.

Menariknya, informasi yang dimaksud bukanlah informasi sebagaimana dipahami dalam percakapan sehari-hari. Dalam bahasa sehari-hari, informasi hampir selalu diasosiasikan dengan pengetahuan baru atau makna yang berguna. Sebaliknya, dalam teori komunikasi modern, informasi mulai memperoleh pengertian yang sama sekali berbeda. Informasi tidak lagi didefinisikan berdasarkan apa arti sebuah pesan, melainkan berdasarkan bagaimana pesan tersebut dapat direpresentasikan, dikirimkan, dan dibedakan dari kemungkinan-kemungkinan pesan yang lain.

Perubahan definisi tersebut tampak sederhana, tetapi sesungguhnya mengubah seluruh cara ilmu pengetahuan memandang komunikasi. Makna tidak lagi menjadi titik berangkat pertama. Yang menjadi titik berangkat adalah simbol, sinyal, peluang, dan ketidakpastian. Paradigma baru ini bahkan lahir bukan dari seorang filsuf bahasa, bukan pula dari seorang linguis atau ahli semiotika, melainkan dari seorang insinyur yang sedang berusaha menjawab persoalan yang sangat praktis: berapa banyak informasi yang sesungguhnya dapat dikirimkan melalui sebuah saluran komunikasi.

Pertanyaan itu tampak jauh dari persoalan AI.

Namun, sebagaimana telah terlihat pada serial tulisan saya sebelumnya, sejarah perkembangan AI hampir tidak pernah bergerak melalui jalur yang lurus. Sebuah teori yang lahir untuk menyelesaikan persoalan teknik sering kali justru menjadi fondasi bagi perkembangan disiplin ilmu yang sama sekali berbeda. Demikian pula teori informasi. Ketika pertama kali diperkenalkan, hampir tidak ada yang membayangkan bahwa konsep-konsep yang dikembangkan untuk menganalisis jaringan telepon suatu hari nanti akan menjadi salah satu pilar terpenting bagi lahirnya Natural Language Processing, Large Language Models, hingga sistem-sistem AI yang kini mampu berkomunikasi menggunakan bahasa manusia.

Persoalan itulah yang menjadi titik awal pembahasan berikutnya. Sebelum informasi dipahami sebagai konsep matematis yang dapat dihitung, terlebih dahulu perlu dipahami mengapa seorang insinyur di Bell Laboratories merasa perlu membangun teori komunikasi tanpa menjadikan makna sebagai pusat pembahasannya. Justru dari keputusan yang tampak paradoksal inilah salah satu revolusi intelektual terbesar abad ke-20 mulai memperoleh bentuknya.

Seorang Insinyur Tidak Sedang Mencari Makna

Apabila sejarah ilmu pengetahuan dibaca melalui tokoh-tokohnya, Claude Shannon sering diperkenalkan sebagai “Bapak Teori Informasi”. Sebutan tersebut memang tidak keliru, tetapi juga dapat menyesatkan. Sebutan itu seolah-olah memberi kesan bahwa Shannon sejak awal sedang berusaha menjelaskan hakikat informasi sebagai konsep filosofis. Kenyataannya jauh berbeda. Persoalan yang dihadapinya sama sekali tidak berangkat dari filsafat, linguistik, ataupun ilmu komunikasi sebagaimana dipahami sekarang. Ia berangkat dari dunia rekayasa (engineering), sebuah dunia yang dipenuhi persoalan mengenai kabel, sinyal, gangguan (noise), kapasitas transmisi, dan efisiensi sistem komunikasi.

Pada dekade 1940-an, jaringan telepon berkembang semakin luas dan semakin kompleks. Setiap hari jutaan percakapan harus dikirim melalui saluran komunikasi yang memiliki kapasitas terbatas. Gangguan listrik dapat mengubah sinyal yang dikirimkan. Kualitas kabel memengaruhi kejernihan suara. Semakin jauh jarak transmisi, semakin besar pula kemungkinan terjadinya distorsi. Persoalan-persoalan semacam ini tidak dapat diselesaikan hanya dengan memperkuat sinyal atau menambah kabel. Dunia telekomunikasi membutuhkan cara berpikir baru untuk mengetahui seberapa banyak pesan yang sesungguhnya dapat dikirim melalui suatu saluran tanpa kehilangan keandalannya.

Persoalan tersebut tampak sangat teknis. Tidak ada hubungannya dengan makna sebuah percakapan. Jaringan telepon tidak pernah perlu mengetahui apakah dua orang sedang membahas hasil penelitian ilmiah, menyampaikan kabar duka, merundingkan kontrak bisnis, atau sekadar berbincang mengenai cuaca. Dari sudut pandang sistem komunikasi, seluruh percakapan itu diperlakukan dengan cara yang sama. Yang harus dipastikan bukanlah isi pembicaraannya, melainkan apakah urutan simbol yang dikirim oleh pengirim dapat diterima kembali dengan tingkat kesalahan yang serendah mungkin.

Pilihan untuk memusatkan perhatian pada simbol, bukan pada makna, sering kali dipahami secara keliru sebagai upaya meremehkan pentingnya makna. Padahal yang dilakukan Shannon justru merupakan bentuk disiplin ilmiah yang sangat ketat. Ia dengan sengaja membatasi ruang lingkup persoalan agar dapat dirumuskan secara matematis. Sebuah teori hanya dapat berkembang apabila terlebih dahulu memiliki objek yang jelas. Makna terlalu bergantung pada pengalaman manusia, konteks sosial, kebudayaan, dan interpretasi sehingga hampir mustahil diukur secara langsung menggunakan perangkat matematika yang tersedia pada masa itu. Sebaliknya, simbol yang dikirim melalui saluran komunikasi dapat diamati, dihitung, dan dianalisis secara kuantitatif.

Keputusan metodologis inilah yang kemudian menjadi salah satu langkah paling radikal dalam sejarah ilmu komunikasi modern. Shannon tidak sedang mengatakan bahwa makna tidak penting. Ia hanya mengatakan bahwa teori komunikasi yang ingin dibangunnya tidak memerlukan makna sebagai titik berangkat. Selama simbol-simbol dapat direpresentasikan secara konsisten, persoalan mengenai bagaimana simbol itu dipindahkan dari satu titik ke titik lain dapat dipelajari secara independen dari apa yang sesungguhnya dimaksudkan oleh simbol tersebut.

Pandangan tersebut terdengar asing karena bertentangan dengan pengalaman komunikasi sehari-hari. Dalam kehidupan sosial, manusia hampir tidak pernah memisahkan simbol dari makna. Ketika menerima sebuah pesan singkat bertuliskan “Kita perlu berbicara”, perhatian tidak tertuju pada susunan karakter digital yang muncul di layar telepon, melainkan pada kemungkinan makna yang tersembunyi di balik kalimat tersebut. Bahkan sering kali reaksi emosional muncul jauh sebelum proses interpretasi selesai. Bagi manusia, simbol hampir selalu menjadi pintu masuk menuju makna.

Sebaliknya, bagi sebuah sistem komunikasi, simbol adalah objek itu sendiri. Sistem tidak mengalami kecemasan, harapan, atau rasa ingin tahu. Ia hanya perlu memastikan bahwa simbol yang diterima identik dengan simbol yang dikirim. Apabila satu karakter berubah akibat gangguan selama transmisi, sistem menganggap telah terjadi kesalahan, meskipun perubahan tersebut mungkin sama sekali tidak mengubah makna bagi manusia. Sebaliknya, sebuah pesan dapat diterima dengan sempurna dari sudut pandang sistem komunikasi meskipun isi pesannya merupakan kebohongan, ironi, atau bahkan rangkaian kata yang tidak memiliki makna apa pun.

Perbedaan cara pandang ini mengandung konsekuensi epistemologis yang sangat besar. Untuk pertama kalinya, komunikasi dipisahkan menjadi dua lapisan persoalan yang berbeda. Lapisan pertama berkaitan dengan bagaimana simbol dipindahkan secara andal melalui suatu saluran komunikasi. Lapisan kedua berkaitan dengan bagaimana simbol-simbol tersebut memperoleh makna ketika diinterpretasikan oleh manusia. Kedua persoalan itu saling berkaitan, tetapi tidak harus dijelaskan melalui teori yang sama.

Pemisahan inilah yang memungkinkan teori komunikasi berkembang dengan ketelitian matematis yang sebelumnya sulit dibayangkan. Selama makna masih dijadikan bagian dari definisi komunikasi, hampir setiap persoalan akan segera membawa ilmuwan kembali kepada psikologi, linguistik, filsafat bahasa, atau semiotika. Dengan mengeluarkan makna dari wilayah analisis, Shannon berhasil menemukan sesuatu yang jauh lebih mendasar: komunikasi dapat dipahami sebagai persoalan mengenai ketidakpastian simbol.

Perubahan orientasi tersebut tampak sederhana, tetapi sesungguhnya menggeser seluruh pusat gravitasi teori komunikasi. Fokusnya bukan lagi pada apa yang dikatakan sebuah pesan, melainkan pada berapa banyak kemungkinan pesan yang dapat muncul dan bagaimana ketidakpastian tersebut dapat direduksi melalui proses transmisi. Dari titik inilah lahir konsep yang kemudian menjadi jantung teori informasi modern: informasi bukan lagi dipahami sebagai makna, melainkan sebagai ukuran matematis terhadap berkurangnya ketidakpastian.

Perubahan definisi itu terdengar hampir paradoksal. Dalam pengalaman sehari-hari, semakin banyak makna yang diperoleh seseorang, semakin besar pula informasi yang dianggap diterimanya. Dalam teori Shannon, hubungan tersebut tidak lagi sesederhana itu. Sebuah pesan dapat mengandung informasi yang sangat besar meskipun penerimanya sama sekali tidak memahami maknanya. Sebaliknya, sebuah kalimat yang sangat bermakna bagi seseorang belum tentu mengandung informasi yang besar dalam pengertian matematis.

Paradoks inilah yang kemudian mengubah arah perkembangan ilmu komunikasi, ilmu komputer, dan pada akhirnya kecerdasan buatan. Namun untuk memahami mengapa informasi akhirnya didefinisikan sebagai pengurangan ketidakpastian, terlebih dahulu perlu dijawab satu pertanyaan yang tampaknya sangat sederhana:

Mengapa sebuah pesan yang tidak dapat diprediksi justru dianggap membawa informasi yang lebih besar dibandingkan pesan yang sudah hampir pasti akan muncul?

Pertanyaan tersebut akan membawa pembahasan memasuki salah satu konsep paling berpengaruh dalam ilmu pengetahuan modern, yaitu entropi—sebuah konsep yang menghubungkan komunikasi, probabilitas, dan matematika dalam satu kerangka yang sama.

Informasi Bukanlah Makna

Dalam percakapan sehari-hari, kata informasi hampir selalu dipahami sebagai sesuatu yang menambah pengetahuan. Ketika seseorang berkata, “Saya memperoleh informasi baru,” yang dimaksud biasanya adalah hadirnya pemahaman yang sebelumnya belum dimiliki. Informasi diperlakukan sebagai sesuatu yang identik dengan makna. Semakin bermakna sebuah pesan, semakin besar pula informasi yang dianggap dikandungnya.

Claude Shannon memutus hubungan intuitif tersebut.

Keputusan ini bukan sekadar menawarkan definisi baru, melainkan mengubah secara radikal cara ilmu pengetahuan memahami komunikasi. Informasi tidak lagi didefinisikan berdasarkan apa arti sebuah pesan, tetapi berdasarkan seberapa besar ketidakpastian yang berhasil dikurangi ketika pesan itu diterima.

Perubahan definisi ini tampak sederhana. Akan tetapi, konsekuensinya sangat luas. Sejak saat itu, informasi tidak lagi bergantung pada apakah penerima memahami isi pesan, menyetujuinya, atau bahkan mampu membacanya. Informasi berubah menjadi besaran matematis yang dapat dihitung tanpa perlu mengetahui apa yang sesungguhnya sedang dibicarakan.

Bayangkan seseorang melempar sebuah koin yang diketahui benar-benar seimbang. Sebelum koin jatuh, terdapat dua kemungkinan yang sama besar: gambar atau angka. Ketika hasil lemparan akhirnya diketahui, ketidakpastian yang semula ada langsung menghilang. Dalam perspektif Shannon, proses berkurangnya ketidakpastian itulah yang disebut sebagai bertambahnya informasi.

Sekarang bayangkan situasi yang berbeda. Matahari diperkirakan akan terbit besok pagi. Ketika keesokan harinya matahari benar-benar terbit, apakah informasi baru yang diperoleh sama besarnya dengan hasil lemparan koin tadi?

Secara intuitif, jawabannya tentu tidak. Peristiwa itu hampir pasti terjadi. Karena sejak awal hampir tidak ada ketidakpastian, maka tidak banyak informasi baru yang diperoleh ketika peristiwa tersebut benar-benar terjadi.

Sebaliknya, apabila seseorang yang selama puluhan tahun hidup di daerah tropis tiba-tiba mendengar kabar bahwa salju turun di Jakarta, reaksinya akan sangat berbeda. Informasi tersebut terasa jauh lebih besar, bukan semata-mata karena maknanya, melainkan karena probabilitas terjadinya sangat kecil. Semakin tidak terduga suatu peristiwa, semakin besar pula pengurangan ketidakpastian ketika peristiwa itu benar-benar terjadi.

Di sinilah mulai terlihat mengapa probabilitas menjadi jantung teori informasi. Shannon tidak mengukur informasi melalui isi pesan, melainkan melalui kemungkinan kemunculan pesan tersebut. Pesan yang sangat mudah diprediksi membawa informasi yang relatif kecil. Sebaliknya, pesan yang sangat sulit diprediksi membawa informasi yang lebih besar.

Cara berpikir ini mula-mula terasa asing karena bertentangan dengan pengalaman manusia dalam memahami komunikasi. Manusia cenderung menilai penting tidaknya sebuah pesan berdasarkan makna yang dikandungnya. Namun bagi sistem komunikasi, persoalannya berbeda sama sekali. Sistem tidak mengetahui apakah sebuah kalimat berisi puisi, kontrak bisnis, berita politik, atau sekadar rangkaian karakter yang tidak memiliki arti. Yang dapat dihitung hanyalah peluang kemunculan simbol-simbol tersebut.

Perbedaan inilah yang kemudian menjelaskan mengapa teori informasi dapat diterapkan pada hampir semua bentuk komunikasi. Simbol yang dikirim tidak harus berupa kata-kata. Ia dapat berupa pulsa listrik dalam kabel telepon, gelombang radio, karakter digital, urutan nukleotida dalam DNA, bahkan rangkaian bit yang disimpan di dalam media penyimpanan komputer. Selama terdapat kemungkinan-kemungkinan simbol yang dapat muncul, selama itu pula informasi dapat didefinisikan secara matematis.

Pandangan tersebut membawa teori komunikasi memasuki wilayah yang sama sekali baru. Komunikasi tidak lagi dipahami sebagai pertukaran makna, melainkan sebagai proses statistik yang melibatkan peluang, pilihan simbol, dan pengurangan ketidakpastian. Makna tetap ada, tetapi ia tidak lagi menjadi variabel yang harus dihitung agar komunikasi dapat dianalisis secara matematis.

Keputusan metodologis inilah yang kemudian memungkinkan lahirnya hampir seluruh teknologi digital modern. Komputer tidak pernah perlu mengetahui arti angka 01000001 untuk dapat menyimpannya di dalam memori, mengirimkannya melalui jaringan internet, atau menyalinnya ke perangkat lain. Yang diperlukan hanyalah kepastian bahwa rangkaian simbol yang diterima identik dengan rangkaian simbol yang dikirim. Makna baru muncul ketika simbol tersebut bertemu dengan sistem interpretasi yang sesuai.

Ironinya, justru karena makna dikeluarkan terlebih dahulu dari teori komunikasi, simbol akhirnya dapat diproses dalam skala yang sebelumnya tidak pernah dibayangkan. Jutaan bahkan triliunan simbol dapat dikirim, disimpan, disalin, dan diproses setiap detik tanpa pernah ditanyakan terlebih dahulu apa arti simbol-simbol tersebut. Dunia digital modern dibangun di atas kemampuan memperlakukan simbol sebagai objek matematis sebelum memperlakukannya sebagai pembawa makna.

Perubahan perspektif ini juga menjelaskan mengapa teori informasi menjadi salah satu fondasi yang sangat penting bagi perkembangan kecerdasan tiruan. Sebelum sebuah mesin dapat mempelajari pola bahasa, mengenali citra, memahami suara, ataupun menghasilkan teks, seluruh data tersebut terlebih dahulu harus direpresentasikan sebagai simbol yang dapat dihitung secara matematis. Dengan kata lain, AI tidak pernah memulai pekerjaannya dari makna. AI selalu memulai dari representasi simbolik yang tunduk pada hukum probabilitas.

Namun satu pertanyaan mendasar masih belum terjawab. Apabila informasi berkaitan dengan probabilitas, bagaimana besarnya informasi tersebut sesungguhnya dihitung? Mengapa ketidakpastian dapat dinyatakan dalam satuan matematis, bahkan dapat dibandingkan secara kuantitatif antara satu pesan dengan pesan yang lain?

Jawaban atas pertanyaan itulah yang melahirkan konsep yang kemudian menjadi ikon teori informasi modern: entropi. Bukan entropi dalam pengertian termodinamika, melainkan entropi sebagai ukuran matematis terhadap ketidakpastian sebuah sumber informasi. Di titik inilah teori komunikasi mulai bertemu secara langsung dengan probabilitas dan membuka jalan menuju perkembangan komputasi modern.

Mengapa Ketidakpastian Melahirkan Informasi?

Setiap pagi, berbagai portal berita berlomba-lomba menyajikan informasi terbaru. Ada berita politik, ekonomi, bencana alam, olahraga, hingga perkembangan teknologi. Namun ada satu peristiwa yang hampir tidak pernah muncul sebagai berita utama, meskipun terjadi setiap hari tanpa pernah gagal.

Matahari kembali terbit dari timur.

Tidak ada redaksi yang merasa perlu menempatkan peristiwa tersebut sebagai headline. Tidak ada pembaca yang menganggapnya sebagai kabar penting. Bahkan apabila suatu media benar-benar menjadikannya berita utama, besar kemungkinan pembacanya justru akan menganggap media tersebut sedang bercanda atau kehabisan bahan pemberitaan.

Bandingkan dengan sebuah judul yang lain.

“Gempa berkekuatan besar mengguncang Jakarta.”

Atau,

“Gunung Merapi meletus setelah beberapa tahun berada dalam kondisi stabil.”

Kalimat-kalimat tersebut segera menarik perhatian. Dalam hitungan menit, berita menyebar ke berbagai media sosial, menjadi bahan diskusi, dan memunculkan berbagai spekulasi. Perhatian publik berubah bukan semata-mata karena makna kedua berita tersebut lebih penting daripada terbitnya matahari, melainkan karena peristiwa yang diberitakan jauh lebih sulit diperkirakan sebelumnya.

Fenomena sederhana ini sesungguhnya memperlihatkan sesuatu yang sangat menarik. Dalam kehidupan sehari-hari, manusia tanpa sadar selalu mengaitkan besarnya informasi dengan tingkat keterdugaan suatu peristiwa. Semakin mudah sebuah peristiwa diperkirakan akan terjadi, semakin kecil perhatian yang diberikan kepadanya. Sebaliknya, semakin kecil kemungkinan sebuah peristiwa terjadi, semakin besar pula rasa ingin tahu yang muncul ketika peristiwa itu benar-benar terjadi.

Intuisi inilah yang kemudian memperoleh bentuk matematis melalui teori informasi.

Shannon menyadari bahwa sebelum sebuah pesan diterima, selalu terdapat sejumlah kemungkinan mengenai pesan apa yang akan muncul. Sebuah sistem komunikasi tidak mengetahui simbol mana yang akan dikirim berikutnya. Yang tersedia hanyalah sekumpulan kemungkinan. Selama masih terdapat kemungkinan-kemungkinan tersebut, selalu ada ketidakpastian mengenai simbol mana yang akhirnya akan dipilih.

Persoalannya kemudian berubah menjadi sangat mendasar. Bagaimana ketidakpastian tersebut dapat diukur?

Jawabannya tidak ditemukan melalui semantik ataupun filsafat bahasa. Ketidakpastian hanya dapat dijelaskan melalui satu bahasa yang telah lama digunakan dalam matematika untuk membahas kemungkinan, yaitu probabilitas.

Pilihan Shannon terhadap probabilitas bukanlah kebetulan. Probabilitas memang dirancang untuk menggambarkan peluang munculnya suatu peristiwa sebelum peristiwa itu benar-benar terjadi. Apabila suatu simbol memiliki peluang yang sangat besar untuk muncul, berarti sistem sejak awal sudah memiliki dugaan yang cukup kuat mengenai apa yang akan diterimanya. Sebaliknya, apabila peluang kemunculan simbol tersebut sangat kecil, sistem hampir tidak memiliki dasar untuk memperkirakannya.

Di sinilah hubungan antara probabilitas dan informasi mulai tampak dengan jelas.

Pesan yang sangat mudah diprediksi hampir tidak mengubah keadaan pengetahuan penerima. Sebelum pesan itu datang, hasilnya sudah hampir dapat ditebak. Ketika pesan benar-benar diterima, ketidakpastian yang berhasil dihilangkan relatif kecil.

Keadaan yang berbeda terjadi ketika sebuah pesan hampir mustahil diperkirakan sebelumnya. Pada saat pesan itu akhirnya muncul, perubahan pengetahuan yang terjadi menjadi jauh lebih besar karena ketidakpastian yang semula ada berkurang secara drastis.

Dengan demikian, hubungan antara probabilitas dan informasi ternyata bergerak dalam arah yang berlawanan. Semakin besar peluang suatu pesan muncul, semakin kecil informasi yang dibawanya. Sebaliknya, semakin kecil peluang kemunculannya, semakin besar pula informasi yang diperoleh ketika pesan tersebut benar-benar diterima.

Hubungan terbalik ini sering kali terasa paradoksal. Dalam pengalaman sehari-hari, banyak orang mengira bahwa informasi bertambah seiring bertambahnya jumlah kata atau panjangnya sebuah pesan. Teori informasi menunjukkan bahwa persoalannya jauh lebih subtil. Dua kalimat yang memiliki jumlah kata hampir sama dapat membawa informasi yang sangat berbeda apabila tingkat keterdugaan keduanya berbeda.

Paradoks tersebut juga menjelaskan mengapa berita yang sama tidak selalu membawa informasi yang sama bagi setiap orang. Pengumuman bahwa hujan akan turun sore hari mungkin tidak mengejutkan bagi seorang meteorolog yang telah mengikuti perkembangan cuaca selama beberapa hari terakhir. Namun bagi seseorang yang tidak pernah memperhatikan prakiraan cuaca, berita yang sama dapat terasa jauh lebih informatif. Perbedaannya bukan terletak pada isi pesannya, melainkan pada tingkat ketidakpastian yang dimiliki masing-masing penerima sebelum pesan itu diterima.

Walaupun demikian, teori Shannon tidak berusaha mengukur keadaan psikologis setiap individu. Yang dihitung bukanlah rasa terkejut seseorang, melainkan tingkat ketidakpastian yang dimiliki oleh sumber informasi itu sendiri. Fokus analisis berpindah dari pengalaman subjektif manusia menuju karakter statistik dari sistem komunikasi.

Perubahan orientasi ini merupakan salah satu lompatan intelektual paling penting dalam sejarah ilmu pengetahuan abad ke-20. Informasi tidak lagi dipahami sebagai sesuatu yang terutama berkaitan dengan makna, melainkan sebagai sesuatu yang berkaitan dengan ketidakpastian. Semakin besar ketidakpastian suatu sistem sebelum pesan dikirimkan, semakin besar pula potensi informasi yang dapat dihasilkan oleh sistem tersebut.

Namun apabila ketidakpastian menjadi pusat teori informasi, persoalan berikutnya segera muncul. Apakah ketidakpastian hanya dapat dijelaskan secara intuitif, ataukah ia benar-benar dapat diukur secara matematis?

Pertanyaan inilah yang kemudian membawa Claude Shannon merumuskan konsep yang menjadi jantung A Mathematical Theory of Communication: entropi. Melalui konsep tersebut, ketidakpastian tidak lagi sekadar menjadi gagasan filosofis, tetapi berubah menjadi besaran matematis yang dapat dihitung, dibandingkan, dan digunakan untuk merancang hampir seluruh sistem komunikasi digital modern.

Ketika Ketidakpastian Akhirnya Dapat Diukur

Sampai pada titik ini, satu perubahan besar telah terjadi dalam cara ilmu pengetahuan memahami komunikasi. Informasi tidak lagi dipahami sebagai makna yang dikandung oleh sebuah pesan, melainkan sebagai berkurangnya ketidakpastian ketika pesan tersebut diterima. Semakin kecil peluang sebuah pesan muncul, semakin besar informasi yang dibawanya. Sebaliknya, pesan yang hampir pasti terjadi hanya sedikit mengurangi ketidakpastian sehingga membawa informasi yang relatif kecil.

Akan tetapi, pemahaman tersebut masih menyisakan satu persoalan mendasar.

Bagaimana cara mengukur ketidakpastian itu sendiri?

Selama ketidakpastian hanya dijelaskan melalui contoh-contoh intuitif, teori informasi belum benar-benar menjadi sebuah teori matematis. Pernyataan bahwa suatu pesan lebih mengejutkan daripada pesan yang lain masih bersifat kualitatif. Ironinya dunia rekayasa komunikasi memerlukan ukuran yang dapat dihitung secara presisi. Seorang insinyur harus mengetahui kapasitas maksimum suatu saluran komunikasi, menentukan efisiensi pengkodean pesan, serta memperkirakan batas teoritis jumlah informasi yang dapat ditransmisikan tanpa kehilangan keandalannya. Semua itu tidak mungkin dicapai hanya dengan mengandalkan intuisi.

Namun, sebelum melangkah lebih jauh, satu hal perlu ditegaskan agar perjalanan sejarah ini tidak dipahami secara keliru.

Claude Shannon bukanlah orang pertama yang berbicara mengenai probabilitas, ketidakpastian, ataupun entropi. Jauh sebelum Shannon menulis A Mathematical Theory of Communication, teori probabilitas telah berkembang selama hampir tiga abad melalui karya-karya Blaise Pascal, Pierre de Fermat, Jacob Bernoulli, Pierre-Simon Laplace, dan banyak matematikawan lainnya. Tradisi inilah yang menjadikan probabilitas sebagai bahasa matematika untuk menjelaskan peluang terjadinya suatu peristiwa beserta ketidakpastian yang menyertainya.

Demikian pula dengan entropi. Dalam fisika, terutama melalui karya Rudolf Clausius, Ludwig Boltzmann, dan Josiah Willard Gibbs, konsep tersebut telah digunakan untuk menjelaskan keadaan sistem termodinamika. Dengan demikian, baik probabilitas maupun entropi telah memiliki sejarah intelektual yang panjang sebelum Shannon mulai memikirkan persoalan komunikasi.

Kebesaran Shannon justru terletak pada hal yang berbeda. Ia berhasil mempertemukan dua tradisi ilmiah tersebut ke dalam sebuah teori komunikasi yang sepenuhnya baru. Probabilitas tidak lagi hanya digunakan untuk menggambarkan peluang suatu peristiwa, sedangkan entropi tidak lagi hanya menjadi konsep dalam fisika. Keduanya dipertemukan untuk menjelaskan sesuatu yang sebelumnya belum pernah dirumuskan secara matematis, yaitu ketidakpastian yang dimiliki oleh sebuah sumber informasi.

Perubahan perspektif ini mungkin tampak sederhana, tetapi dampaknya sangat mendalam. Komunikasi tidak lagi dipahami semata-mata sebagai pertukaran makna, melainkan sebagai proses statistik yang menghasilkan simbol-simbol dengan peluang kemunculan tertentu. Yang hendak diukur bukan lagi isi pesan, melainkan struktur kemungkinan yang melatarbelakangi lahirnya pesan tersebut.

Bayangkan dua buah mesin.

Mesin pertama hanya mampu menghasilkan satu simbol yang sama secara terus-menerus.

A A A A A A A A …

Sebelum simbol berikutnya muncul, semua orang telah mengetahui hasilnya. Hampir tidak ada ketidakpastian.

Sekarang bayangkan mesin kedua.

Mesin tersebut mampu menghasilkan delapan simbol berbeda dengan peluang yang relatif seimbang.

A B C D E F G H …

Sebelum simbol berikutnya muncul, tidak ada dasar yang cukup kuat untuk memperkirakan simbol mana yang akan dihasilkan. Mesin kedua memiliki tingkat ketidakpastian yang jauh lebih tinggi dibandingkan mesin pertama.

Persoalan inilah yang hendak diukur oleh Shannon. Bukan informasi yang dibawa oleh satu simbol tertentu, melainkan tingkat ketidakpastian rata-rata yang dimiliki oleh keseluruhan sumber informasi sebelum simbol berikutnya diproduksi.

Untuk mengukur besaran tersebut, Shannon memperkenalkan konsep yang kemudian dikenal sebagai entropi informasi (information entropy). Istilah entropi memang dipinjam dari fisika, tetapi maknanya mengalami perubahan yang mendasar. Dalam teori informasi, entropi bukan lagi ukuran keadaan sistem fisik, melainkan ukuran matematis mengenai ketidakpastian sebuah sumber informasi.

Secara formal, Shannon merumuskannya melalui persamaan berikut.

Persamaan tersebut sering kali tampak rumit bagi pembaca yang tidak berlatar belakang matematika. Padahal secara konseptual ia hanya merangkum tiga gagasan yang telah dibangun sepanjang pembahasan.

Pertama, setiap simbol memiliki peluang kemunculan tertentu.

Kedua, semakin kecil peluang kemunculan suatu simbol, semakin besar informasi yang dibawanya ketika simbol tersebut benar-benar muncul.

Ketiga, entropi menghitung seluruh kemungkinan tersebut secara bersama-sama sehingga menghasilkan ukuran mengenai rata-rata ketidakpastian yang dimiliki oleh sebuah sumber informasi.

Dengan demikian, entropi bukanlah ukuran terhadap satu pesan tertentu, melainkan ukuran terhadap keseluruhan sistem sebelum pesan dikirimkan. Yang diukur bukan makna pesan, melainkan tingkat ketidakpastian yang dimiliki oleh sumber pesan itu sendiri.

Di sinilah letak revolusi intelektual Shannon. Ia tidak menemukan probabilitas. Ia juga tidak menciptakan konsep entropi. Yang dilakukannya jauh lebih mendasar, yakni memperlihatkan bahwa komunikasi memiliki struktur ketidakpastian yang dapat dianalisis secara matematis. Untuk pertama kalinya, informasi berubah dari istilah yang bersifat intuitif menjadi besaran ilmiah yang dapat dihitung secara objektif.

Perubahan tersebut kemudian menjadi fondasi bagi berbagai perkembangan berikutnya, mulai dari kompresi data, pengkodean digital, koreksi kesalahan dalam transmisi, hingga berbagai pendekatan statistik dalam ilmu komputer. Selama beberapa dekade berikutnya, teori informasi menjadi salah satu bahasa bersama yang menghubungkan matematika, teknik elektro, ilmu komputer, dan linguistik komputasional.

Namun sejarah perkembangan AI ternyata tidak berhenti pada titik ini.

Teori informasi berhasil menjelaskan bagaimana simbol dapat direpresentasikan, dikodekan, dan ditransmisikan secara efisien. Akan tetapi, bahasa manusia bukanlah kumpulan simbol yang muncul secara acak. Dalam sebuah kalimat, kemunculan setiap kata hampir selalu dipengaruhi oleh kata-kata yang mendahuluinya. Setelah seseorang mengucapkan kata Selamat, peluang munculnya kata pagi jauh lebih besar daripada kata gajah. Demikian pula setelah kata terima, kemungkinan munculnya kata kasih jauh lebih tinggi dibandingkan berbagai kata lainnya.

Artinya, persoalan bahasa tidak hanya terletak pada berapa besar informasi yang dibawa oleh setiap simbol, tetapi juga bagaimana hubungan probabilistik antarsimbol terbentuk di dalam suatu urutan.

Di sinilah teori informasi mulai berhadapan dengan persoalan yang tidak lagi dapat dijelaskan oleh Shannon seorang diri. Perjalanan intelektual AI kemudian memasuki babak baru ketika perhatian para ilmuwan bergeser dari pengukuran informasi menuju pemodelan keterkaitan antar simbol. Pergeseran inilah yang kelak membawa kita kepada karya seorang matematikawan Rusia bernama Andrey Markov. Jika Shannon memperlihatkan bagaimana informasi dapat diukur, maka Markov mulai menjelaskan bagaimana urutan simbol membentuk pola-pola yang dapat dipelajari secara probabilistik.

Tidak ada yang membayangkan bahwa gagasan yang pada awalnya lahir dari persoalan matematika murni tersebut, puluhan tahun kemudian, akan menjadi salah satu fondasi statistik bahasa modern. Dari sanalah perjalanan panjang menuju Natural Language Processing, Transformer, Large Language Models, hingga kemampuan AI melakukan inferensi dan penalaran mulai menemukan jalurnya.

Ketika Informasi Mulai Mengenali Pola

Sebagian besar pengguna telepon pintar mungkin pernah mengalami pengalaman yang sama. Ketika baru mengetik beberapa huruf pertama, papan ketik virtual telah lebih dahulu menawarkan kata yang kemungkinan besar akan ditulis berikutnya. Setelah mengetik kata “Selamat”, misalnya, sistem sering kali langsung menyarankan kata “pagi”, “siang”, atau “malam”. Ketika seseorang menulis “Terima”, kata “kasih” hampir selalu muncul sebagai rekomendasi pertama.

Kemampuan tersebut tampak sederhana, bahkan sering kali dianggap sebagai fitur kecil yang tidak terlalu penting. Namun sesungguhnya ia menyimpan pertanyaan yang jauh lebih mendasar.

Bagaimana sebuah mesin dapat memperkirakan kata berikutnya sebelum manusia benar-benar menuliskannya?

Apakah mesin memahami makna setiap kata?

Ataukah ia sedang melakukan sesuatu yang sama sekali berbeda?

Sampai pada titik ini, teori informasi yang dikembangkan Claude Shannon ternyata belum dapat menjawab pertanyaan tersebut. Shannon berhasil menunjukkan bagaimana informasi dapat diukur melalui probabilitas. Ia menjelaskan bagaimana ketidakpastian sebuah sumber informasi dapat dihitung secara matematis. Akan tetapi, teori tersebut tidak dirancang untuk menjelaskan bagaimana satu simbol memengaruhi peluang munculnya simbol berikutnya.

Padahal, bahasa manusia hampir tidak pernah tersusun dari simbol-simbol yang berdiri sendiri.

Setiap kata selalu hadir bersama sejarah kata-kata yang mendahuluinya. Sebuah kalimat terus membangun konteksnya sendiri. Kata yang baru saja diucapkan mengubah kemungkinan kata berikutnya. Semakin panjang sebuah percakapan berlangsung, semakin kaya pula hubungan yang terbentuk di antara simbol-simbol tersebut.

Dengan demikian, persoalan bahasa ternyata bukan sekadar persoalan berapa banyak informasi yang dibawa oleh setiap simbol. Persoalannya bergeser menjadi bagaimana simbol-simbol tersebut saling membentuk pola.

Perubahan pertanyaan ini tampak sederhana, tetapi sesungguhnya mengubah arah perkembangan ilmu pengetahuan.

Jika sebelumnya perhatian tertuju pada besarnya informasi yang dibawa oleh sebuah simbol, kini perhatian mulai bergeser kepada hubungan probabilistik antar simbol. Yang ingin dipahami bukan lagi seberapa mengejutkan sebuah kata, melainkan mengapa kemunculan suatu kata dapat mengubah peluang munculnya kata-kata yang lain.

Menariknya, jawaban atas persoalan tersebut tidak lahir dari dunia linguistik ataupun ilmu komunikasi. Ia juga tidak muncul dari upaya membangun kecerdasan buatan. Sebaliknya, gagasan tersebut justru lahir dari seorang matematikawan Rusia pada awal abad ke-20 yang sedang mempelajari rangkaian kejadian acak.

Namanya Andrey Andreyevich Markov.

Ketika Markov mengembangkan teori yang kemudian dikenal sebagai Rantai Markov (Markov Chain), komputer digital bahkan belum ditemukan. Internet belum ada. Kecerdasan buatan masih merupakan gagasan yang sama sekali belum terpikirkan. Persoalan yang sedang dihadapinya jauh lebih sederhana sekaligus lebih mendasar: apakah suatu kejadian selalu berdiri sendiri, ataukah setiap kejadian dipengaruhi oleh kejadian-kejadian yang telah mendahuluinya?

Tidak ada yang membayangkan bahwa pertanyaan tersebut, puluhan tahun kemudian, akan menjadi salah satu fondasi statistik bahasa modern.

Sejarah ilmu pengetahuan memang sering bergerak melalui jalur yang tidak pernah direncanakan. Sebuah teori yang lahir dari persoalan matematika murni dapat menemukan makna baru ketika bertemu dengan disiplin ilmu yang sama sekali berbeda. Demikian pula perjalanan menuju kecerdasan buatan. Langkah berikutnya ternyata tidak lagi dimulai dari makna, dan tidak pula dimulai dari informasi. Perjalanan itu akan berlanjut melalui upaya memahami pola.

Dan perjalanan itu baru saja memasuki babak berikutnya dalam genealogi intelektual AI.

AO
Tsngerang Selatan, 15 Juli 2026

Artikel sebelumnya:

• Genealogi Intelektual AI (II) – Dari Makna ke Informasi
• Genealogi Intelektual AI (I)
• Membaca AI melalui Umberto Eco (IV)
• Membaca AI melalui Umberto Eco (III)
• Membaca AI melalui Umberto Eco (II)

---

– Arief Prihantoro –

Ketika Bahasa Berhasil Ditulis dalam Bahasa Matematika

Setiap hari manusia menggunakan bahasa tanpa pernah merasa sedang berhadapan dengan sebuah keajaiban intelektual. Sejak bangun tidur hingga kembali memejamkan mata, hampir seluruh aktivitas sosial berlangsung melalui bahasa. Seseorang membaca berita sambil menikmati secangkir kopi, membalas pesan singkat di telepon genggam, mengikuti rapat daring, berdiskusi dengan rekan kerja, bercanda dengan keluarga, hingga menutup hari dengan menonton tayangan yang seluruh narasinya dibangun melalui rangkaian kata. Bahasa hadir begitu dekat dengan kehidupan sehingga keberadaannya nyaris tidak pernah dipertanyakan. Ia terasa alami, seolah-olah memang demikian adanya.

Keakraban itu justru membuat satu hal penting luput dari perhatian. Kita mengetahui kapan sebuah kalimat terdengar janggal, tetapi hampir tidak pernah mampu menjelaskan secara spontan mengapa kalimat itu janggal. Kita dapat membedakan mana ucapan yang tulus dan mana yang sekadar basa-basi, meskipun kata-kata yang digunakan sering kali hampir sama. Kita memahami ironi tanpa harus diberi penjelasan bahwa lawan bicara sedang mengatakan sesuatu yang bertentangan dengan maksud sebenarnya. Bahkan ketika seseorang mengucapkan sebuah kalimat yang belum pernah kita dengar sebelumnya, kita hampir selalu dapat menangkap maknanya tanpa merasa sedang melakukan proses berpikir yang rumit.

Seluruh kemampuan tersebut berlangsung begitu cepat sehingga bahasa tampak lebih menyerupai naluri daripada hasil kerja intelektual. Padahal, jika diamati lebih cermat, setiap percakapan sesungguhnya merupakan rangkaian proses yang luar biasa kompleks. Ketika mendengar sebuah kalimat, manusia tidak sekadar mengenali bunyi, kemudian mencocokkannya dengan arti setiap kata di dalam kamus. Otak secara hampir seketika menghubungkan kata-kata itu dengan pengalaman sebelumnya, memperkirakan konteks pembicaraan, mengenali hubungan antarkalimat, membaca situasi sosial, bahkan menafsirkan maksud yang tidak pernah diucapkan secara eksplisit. Semua itu terjadi dalam hitungan detik tanpa pernah kita sadari.

Justru karena berlangsung begitu alami, bahasa selama ribuan tahun lebih sering diperlakukan sebagai bagian dari kehidupan daripada sebagai sebuah persoalan ilmiah. Orang belajar berbicara, belajar menulis, belajar berpidato, belajar menyusun puisi, bahkan belajar menggunakan bahasa untuk memengaruhi orang lain. Namun sangat sedikit yang bertanya mengapa bahasa mampu melakukan semua itu. Bahasa dipraktikkan jauh lebih lama daripada dipahami.

Keadaan tersebut berbeda dengan hampir seluruh objek ilmu pengetahuan lainnya. Gerak planet dipelajari karena manusia ingin memahami langit. Perubahan zat dipelajari karena manusia ingin memahami materi. Organ tubuh dipelajari karena manusia ingin memahami kehidupan. Akan tetapi, bahasa justru telah digunakan secara intensif selama ribuan tahun sebelum manusia benar-benar mulai mempertanyakan struktur yang membuatnya bekerja. Paradoks ini menarik. Semakin dekat sesuatu dengan kehidupan sehari-hari, sering kali semakin lama pula ia luput dari perhatian ilmiah.

Perubahan mulai terjadi ketika bahasa tidak lagi dipandang sekadar sebagai sarana berbicara, melainkan sebagai objek kajian. Para filsuf bertanya bagaimana kata-kata berhubungan dengan dunia yang dirujuknya. Para linguis mencoba memahami mengapa ribuan bahasa yang berbeda ternyata memiliki keteraturan tertentu. Para ahli retorika mempelajari bagaimana susunan kalimat mampu mengubah cara seseorang berpikir. Sementara itu, para semiotikus memperlihatkan bahwa manusia sesungguhnya tidak pernah berhubungan langsung dengan realitas, melainkan selalu melalui sistem tanda yang dibangun secara sosial dan kultural.

Ketika membahas semiotika, perhatian diarahkan pada bagaimana makna tidak pernah melekat secara alamiah pada sebuah tanda, tetapi selalu lahir melalui proses interpretasi. Dalam serial mengenai Umberto Eco, persoalan tersebut berkembang lebih jauh. Makna ternyata tidak berhenti pada satu penafsiran yang final, melainkan terus bergerak melalui jaringan interpretasi yang saling berhubungan. Sebelum manusia memberi makna kepada dunia, manusia terlebih dahulu mengenali pola-pola yang dianggap bermakna. Fenomena ini dikenal dengan istilah Gestalt. Hal ini berangkat dari satu asumsi yang sama, yaitu bahwa komunikasi bukan sekadar perpindahan informasi, melainkan proses pembentukan makna.

“Jika bahasa memang merupakan sistem yang begitu kaya, begitu lentur, dan begitu bergantung pada konteks, bagaimana mungkin sebuah mesin akhirnya mampu menggunakannya?”

Pertanyaan ini terdengar sangat kontemporer karena segera mengingatkan kita pada ChatGPT, Gemini, Claude, atau berbagai Large Language Models lainnya. Namun sesungguhnya persoalan tersebut jauh lebih tua daripada teknologi AI modern. Bahkan, pertanyaan itu telah muncul jauh sebelum istilah Artificial Intelligence diperkenalkan pada pertengahan abad kedua puluh.

Di sinilah sejarah AI biasanya mulai disederhanakan. Tidak sedikit narasi yang menggambarkan perkembangan AI sebagai rangkaian inovasi teknologi: komputer menjadi semakin cepat, kapasitas penyimpanan meningkat, algoritma semakin canggih, data semakin melimpah, lalu lahirlah sistem yang mampu berdialog menggunakan bahasa manusia.

Narasi semacam itu memang tidak sepenuhnya keliru, tetapi ia hanya menjelaskan bagaimana AI berkembang, bukan mengapa perkembangan itu menjadi mungkin.

Pertanyaan “mengapa” membawa kita kepada persoalan yang sama sekali berbeda. Komputer dapat dibuat semakin cepat, tetapi kecepatan tidak serta-merta membuatnya memahami bahasa. Jumlah data dapat diperbesar berkali-kali lipat, tetapi data tidak otomatis mengubah kata-kata menjadi sesuatu yang dapat diproses secara komputasional. Sebelum semua itu terjadi, terlebih dahulu harus muncul sebuah perubahan yang jauh lebih mendasar: manusia harus mengubah cara memandang bahasa itu sendiri.

Inilah titik yang sering terlewatkan ketika sejarah AI hanya dibaca sebagai sejarah teknologi.

Revolusi terbesar bukan pertama-tama terjadi pada komputer, melainkan pada cara berpikir manusia mengenai bahasa. Selama bahasa dipahami semata-mata sebagai ekspresi budaya, karya sastra, atau alat komunikasi sehari-hari, hampir tidak ada alasan untuk membayangkan bahwa suatu hari nanti ia dapat menjadi objek komputasi.

Agar mesin dapat memproses bahasa, manusia terlebih dahulu harus menerima kemungkinan yang pada zamannya terdengar hampir mustahil: bahwa bahasa dapat direpresentasikan secara formal, dianalisis secara logis, bahkan ditulis menggunakan bahasa matematika .

Kalimat terakhir itu mungkin terdengar ganjil. Bukankah bahasa dan matematika justru berada di dua dunia yang berbeda? Yang satu penuh metafora, ambiguitas, dan konteks. Yang lain menuntut kepastian, konsistensi, dan definisi yang tegas.

Bagaimana mungkin keduanya bertemu?

Pertanyaan itulah yang akan membawa kita memasuki salah satu perubahan intelektual paling penting pada abad kedua puluh. Perubahan tersebut tidak dimulai di laboratorium kecerdasan buatan, tidak pula lahir dari perusahaan teknologi. Ia justru muncul dari perdebatan panjang di antara para filsuf bahasa, ahli logika, dan linguis yang sedang bergulat dengan sebuah persoalan yang tampaknya sangat jauh dari dunia komputasi:

dapatkah bahasa manusia dipahami dengan ketelitian yang sama seperti matematika memahami bilangan?

Ketika Bahasa Menolak Diperlakukan seperti Matematika

Jika persoalannya hanya membuat komputer menyimpan kata-kata, tantangan itu sesungguhnya tidak terlalu sulit. Sebuah kamus dapat diubah menjadi basis data. Jutaan dokumen dapat disimpan di dalam media penyimpanan digital. Komputer bahkan dapat menemukan kembali sebuah kata dalam waktu yang jauh lebih cepat daripada manusia membolak-balik halaman kamus. Namun tidak seorang pun akan mengatakan bahwa komputer telah memahami bahasa hanya karena mampu menyimpan atau menemukan kembali kata-kata tersebut.

Persoalan sesungguhnya baru muncul ketika bahasa tidak lagi dipahami sebagai kumpulan kata, melainkan sebagai pembawa makna. Dua kalimat yang menggunakan kata-kata berbeda dapat menyampaikan maksud yang sama. Sebaliknya, dua kalimat yang tersusun dari kata-kata yang sama dapat menghasilkan makna yang sangat berbeda ketika diucapkan dalam konteks yang berlainan. Di titik inilah bahasa mulai memperlihatkan sifatnya yang unik. Makna tidak pernah tinggal di dalam kata secara terpisah, melainkan lahir melalui hubungan antarkata, hubungan dengan konteks, serta hubungan dengan pengetahuan yang telah dimiliki oleh para pelaku komunikasi.

Persoalan tersebut sesungguhnya bukan baru muncul ketika komputer mulai dikembangkan. Jauh sebelum para ilmuwan berbicara mengenai Natural Language Processing, para filsuf telah bergulat dengan pertanyaan yang hampir sama. Bagaimana mungkin rangkaian bunyi atau tulisan dapat merujuk kepada sesuatu yang berada di luar dirinya? Mengapa kata pohon dapat membuat orang membayangkan objek yang relatif sama, padahal tidak ada hubungan alamiah antara bunyi po-hon dengan pohon yang sesungguhnya tumbuh di alam? Pertanyaan semacam ini kemudian berkembang menjadi salah satu persoalan klasik dalam filsafat bahasa dan semiotika.

Di dalam artikel serial sebelumnya “Membaca AI melalui Umberto Eco“, persoalan tersebut telah dibahas melalui konsep tanda dan proses interpretasi. Eco memperlihatkan bahwa makna bukanlah sesuatu yang menempel secara permanen pada sebuah tanda. Makna terus bergerak melalui jaringan interpretasi yang tidak pernah benar-benar berhenti. Justru karena itu, bahasa selalu terbuka terhadap kemungkinan penafsiran baru. Apa yang dipahami seseorang hari ini belum tentu identik dengan apa yang dipahami orang lain besok, meskipun kata-kata yang digunakan sama.

Di sinilah muncul sebuah paradoks yang menarik. Semakin dalam manusia memahami bagaimana bahasa bekerja, semakin jelas pula bahwa bahasa tampaknya tidak mungkin diperlakukan seperti matematika. Sebuah persamaan matematika akan menghasilkan nilai yang sama selama aturan perhitungannya tidak berubah. Akan tetapi, sebuah kalimat dapat menghasilkan makna yang berbeda hanya karena berpindah situasi. Kalimat “Rumahnya besar” dapat menjadi pujian ketika diucapkan oleh seorang tamu, tetapi dapat pula menjadi sindiran ketika diucapkan oleh petugas pajak. Kata-katanya tidak berubah. Yang berubah hanyalah konteksnya.

Paradoks ini membuat bahasa seolah-olah menolak setiap upaya formalisasi. Di satu sisi, manusia dapat menggunakan bahasa secara sangat teratur sehingga jutaan orang mampu saling memahami tanpa perlu menyusun aturan baru setiap kali berbicara. Di sisi lain, keteraturan tersebut selalu disertai fleksibilitas yang tampaknya tidak mungkin direduksi menjadi seperangkat rumus yang kaku. Bahasa sekaligus teratur dan lentur. Ia memiliki pola, tetapi pola itu tidak pernah bekerja secara mekanis.

Keadaan inilah yang selama bertahun-tahun membuat banyak ilmuwan beranggapan bahwa bahasa alami berbeda secara prinsip dari bahasa formal seperti matematika atau logika simbolik. Matematika memperoleh kekuatannya justru karena berhasil menghilangkan ambiguitas. Setiap simbol memiliki definisi yang jelas, setiap operasi mengikuti aturan yang pasti, dan setiap kesimpulan dapat ditelusuri kembali melalui langkah-langkah inferensi yang eksplisit. Bahasa manusia tampak bergerak ke arah yang sebaliknya. Ambiguitas bukan sekadar kelemahan yang harus dihilangkan, melainkan bagian dari kekayaan ekspresinya.

Pandangan tersebut bukan hanya berkembang di kalangan filsuf, tetapi juga memengaruhi cara dunia ilmiah membagi wilayah pengetahuan. Matematika berkembang sebagai bahasa ilmu-ilmu eksakta karena dianggap mampu menghasilkan kepastian yang tinggi. Sebaliknya, bahasa alami lebih banyak dipelajari dalam ranah humaniora karena dipandang tidak dapat dipisahkan dari sejarah, kebudayaan, dan pengalaman manusia. Pembagian ini berlangsung begitu lama sehingga hampir tidak ada yang mempertanyakan batas di antara keduanya. Seolah-olah memang telah menjadi hukum alam bahwa matematika berada di satu sisi, sedangkan bahasa berada di sisi yang lain.

Namun sejarah ilmu pengetahuan hampir selalu bergerak melalui keberanian mempertanyakan batas-batas yang sebelumnya dianggap tidak mungkin dilampaui. Apa yang selama puluhan tahun diterima sebagai pemisahan yang wajar, pada suatu ketika dapat berubah menjadi persoalan baru. Bukan karena objeknya berubah, melainkan karena cara manusia memandang objek tersebut mulai bergeser.

Perubahan itu mulai terasa ketika para ahli logika modern tidak lagi memandang logika sekadar sebagai alat berdebat, tetapi sebagai sistem formal yang memiliki struktur matematis. Di tangan Gottlob Frege, logika berkembang menjadi bahasa simbolik yang jauh lebih presisi dibandingkan logika Aristotelian yang telah bertahan selama lebih dari dua ribu tahun. Bertrand Russell dan Alfred North Whitehead kemudian menunjukkan bahwa bahkan matematika sendiri dapat dibangun di atas fondasi logika formal. Beberapa dekade berikutnya, Alfred Tarski mengembangkan analisis mengenai konsep kebenaran di dalam bahasa formal dengan ketelitian yang sebelumnya sulit dibayangkan.

Akan tetapi, seluruh perkembangan tersebut masih berhenti pada satu wilayah yang sama. Yang berhasil dijelaskan adalah bahasa formal—bahasa yang memang sejak awal dirancang agar tidak ambigu. Belum seorang pun benar-benar berani mengatakan bahwa bahasa yang digunakan manusia dalam kehidupan sehari-hari dapat diperlakukan dengan cara yang sama.

Di sinilah sesungguhnya muncul pertanyaan yang mengubah arah sejarah. Bukan lagi “bagaimana logika bekerja?”, melainkan “apakah bahasa manusia sendiri memiliki keteraturan yang cukup untuk dijelaskan melalui logika?”

Pertanyaan ini tampak sederhana. Namun jika jawabannya tidak, maka impian membangun mesin yang memahami bahasa sejak awal sebenarnya sudah harus ditinggalkan. Sebaliknya, jika jawabannya ya, maka seluruh cara manusia memandang bahasa harus berubah. Bahasa tidak lagi sekadar dipahami sebagai produk budaya, melainkan juga sebagai struktur formal yang dapat direpresentasikan secara eksplisit.

Namun sebelum melihat bagaimana Montague membangun argumennya, kita perlu memahami terlebih dahulu mengapa gagasan tersebut dianggap begitu radikal pada zamannya. Sebab yang sedang dipertaruhkan bukan sekadar sebuah teori linguistik baru, melainkan perubahan cara dunia ilmiah memahami hakikat bahasa itu sendiri.

Ketika Seseorang Berani Mengatakan bahwa Bahasa Manusia Dapat Diperlakukan seperti Logika

Hampir seluruh revolusi ilmiah dimulai dari keberanian mempertanyakan sesuatu yang sebelumnya dianggap tidak perlu dipertanyakan. Bukan karena semua orang salah, melainkan karena sebuah asumsi telah diterima begitu lama sehingga berubah menjadi sesuatu yang tampak alamiah. Ketika Nicolaus Copernicus mengusulkan bahwa bumi mengelilingi matahari, ia tidak sedang memperlihatkan teleskop yang lebih canggih daripada para pendahulunya. Yang ia ubah adalah cara memandang alam semesta. Demikian pula Charles Darwin. Yang mengguncang dunia bukan semata-mata kumpulan data biologinya, melainkan perubahan cara memahami kehidupan.

Richard Montague melakukan sesuatu yang serupa terhadap bahasa.

Pada akhir dekade 1960-an hingga awal 1970-an, sebagian besar filsuf maupun linguis masih menerima pemisahan yang cukup tegas antara bahasa formal dan bahasa alami. Bahasa logika dipandang sebagai sistem simbol yang sengaja dirancang agar bebas dari ambiguitas, sedangkan bahasa manusia diterima sebagai sesuatu yang terlalu kaya untuk dipaksa tunduk kepada aturan formal yang sama. Pemisahan tersebut tampak masuk akal. Bahkan dapat dikatakan hampir menjadi konsensus.

Montague justru memulai dari arah yang berlawanan.

Ia mempertanyakan asumsi yang tidak lagi dipertanyakan oleh orang lain.

Apakah benar terdapat perbedaan teoretis yang begitu mendasar antara bahasa logika dan bahasa manusia?

Pertanyaan itu mungkin terdengar sederhana. Akan tetapi, jika direnungkan lebih jauh, konsekuensinya sangat besar. Sebab apabila jawabannya adalah tidak, maka selama ini dunia akademik sesungguhnya telah memelihara sebuah batas yang mungkin sebenarnya tidak pernah ada.

Dalam salah satu artikelnya yang kemudian menjadi sangat berpengaruh, Montague menulis sebuah kalimat yang hingga hari ini hampir selalu dikutip ketika membahas semantik formal.

“There is in my opinion no important theoretical difference between natural languages and the artificial languages of logicians.”

Kalimat tersebut sering diterjemahkan secara bebas sebagai berikut:

Menurut saya, tidak terdapat perbedaan teoretis yang penting antara bahasa alami dan bahasa formal yang digunakan para logikawan.

Kalimat itu hanya terdiri atas beberapa baris, tetapi dampaknya sangat besar. Yang sedang dipersoalkan Montague bukan tata bahasa, bukan pula kosakata. Ia sedang mempertanyakan cara manusia membagi dunia pengetahuan.

Selama ini bahasa seolah-olah dipaksa memilih salah satu dari dua dunia. Jika ingin presisi, gunakan matematika. Jika ingin berbicara mengenai pengalaman manusia, gunakan bahasa alami. Seolah-olah keduanya memang tidak mungkin dipertemukan.

Montague menolak dikotomi tersebut.

Namun penting untuk berhati-hati membaca pernyataannya. Di sinilah banyak penyederhanaan sering terjadi.

Montague tidak pernah mengatakan bahwa bahasa manusia identik dengan matematika.

Ia juga tidak pernah mengatakan bahwa seluruh kekayaan bahasa dapat direduksi menjadi rumus-rumus logika.

Apabila demikian yang ia maksud, tentu teorinya akan segera runtuh. Bahasa manusia memang terlalu kaya untuk direduksi menjadi sekadar simbol-simbol formal.

Yang sesungguhnya ingin ia tunjukkan jauh lebih subtil.

Bahasa alami memang penuh ambiguitas, metafora, dan konteks. Akan tetapi, keberadaan seluruh karakteristik tersebut tidak berarti bahwa bahasa sama sekali tidak mempunyai struktur formal. Sebaliknya, justru karena manusia dapat saling memahami melalui jutaan kalimat yang belum pernah mereka dengar sebelumnya, harus terdapat keteraturan tertentu yang membuat proses itu mungkin terjadi.

Dengan kata lain, Montague menggeser fokus persoalan.

Pertanyaannya bukan lagi,

“Apakah bahasa memiliki ambiguitas?”

Semua orang sudah mengetahui jawabannya.

Pertanyaannya berubah menjadi,

“Apakah di balik seluruh ambiguitas itu masih terdapat struktur yang dapat dijelaskan secara formal?”

Perubahan kecil pada cara bertanya ini ternyata mengubah arah penelitian selama puluhan tahun berikutnya.

Sebab apabila jawabannya ya, maka bahasa tidak lagi sekadar menjadi objek deskripsi linguistik. Bahasa mulai dapat diperlakukan sebagai objek pemodelan.

Perhatikan perubahan istilah tersebut.

Deskripsi dan pemodelan bukanlah kegiatan ilmiah yang sama.

Deskripsi berusaha menjelaskan bagaimana sesuatu bekerja.

Pemodelan berusaha membangun representasi formal sehingga mekanisme tersebut dapat dianalisis, diuji, bahkan dikembangkan lebih lanjut.

Perubahan dari deskripsi menuju pemodelan merupakan salah satu ciri paling penting dalam perkembangan ilmu pengetahuan modern. Fisika berkembang pesat ketika hukum-hukum alam mulai dimodelkan secara matematis. Ekonomi berkembang ketika berbagai fenomena pasar mulai direpresentasikan dalam model formal. Demikian pula biologi modern, yang semakin banyak menggunakan pendekatan komputasional untuk memahami sistem kehidupan.

Montague mengusulkan bahwa bahasa pun dapat bergerak ke arah yang sama.

Di sinilah letak revolusi yang sebenarnya.

Sering kali orang mengatakan bahwa Montague menciptakan Formal Semantics. Pernyataan tersebut memang tidak sepenuhnya keliru, tetapi juga tidak sepenuhnya menggambarkan apa yang sesungguhnya terjadi. Yang lebih penting bukanlah lahirnya sebuah cabang ilmu baru, melainkan berubahnya status epistemologis bahasa itu sendiri.

Untuk pertama kalinya, bahasa tidak lagi hanya dipelajari sebagai fenomena budaya, sastra, atau komunikasi. Bahasa mulai diperlakukan sebagai objek formal yang dapat direpresentasikan secara eksplisit menggunakan perangkat logika matematika.

Perubahan status inilah yang jauh lebih penting daripada sekadar lahirnya sebuah teori baru.

Sebab sejak saat itu, muncul kemungkinan yang sebelumnya hampir tidak pernah dibayangkan. Jika struktur makna dapat direpresentasikan secara formal, bukankah representasi tersebut suatu hari nanti juga dapat diproses oleh mesin?

Sampai pada titik ini, komputer bahkan belum menjadi tokoh utama cerita.

Yang berubah terlebih dahulu adalah cara manusia memahami bahasa.

Komputer baru memperoleh kemungkinan untuk memproses bahasa setelah perubahan intelektual tersebut terjadi.

Dengan demikian, ketika hari ini kita menyaksikan Large Language Models mampu menghasilkan paragraf yang koheren, sesungguhnya kita sedang melihat konsekuensi yang sangat jauh dari sebuah perubahan cara berpikir yang terjadi lebih dari setengah abad yang lalu. Revolusi komputasi memang berlangsung di laboratorium-laboratorium ilmu komputer. Namun revolusi yang membuat bahasa menjadi mungkin untuk dikomputasikan justru dimulai dari perdebatan di ruang-ruang filsafat bahasa dan logika.

Akan tetapi, perubahan tersebut segera menghadapi persoalan baru yang tidak kalah mendasar. Meskipun bahasa kini mulai dapat direpresentasikan secara formal, representasi formal belum berarti bahasa dapat diproses secara efisien oleh komputer. Sebuah model logika mungkin sangat elegan secara filosofis, tetapi bagaimana mesin harus menggunakannya ketika berhadapan dengan jutaan kalimat yang terus diproduksi manusia setiap hari?

Di sinilah sejarah kembali memperlihatkan sifatnya yang tidak pernah bergerak lurus. Jawaban terhadap persoalan itu ternyata tidak datang dari filsafat bahasa, melainkan dari arah yang sama sekali berbeda—dari seorang insinyur yang sedang berusaha menghitung kapasitas saluran telepon, bukan menjelaskan makna bahasa.

Ketika Makna Mulai Memiliki Struktur

Apabila diperhatikan dengan lebih saksama, gagasan Richard Montague sesungguhnya tidak dimulai dari pertanyaan bagaimana membuat komputer memahami bahasa. Persoalan yang dihadapinya jauh lebih mendasar daripada itu. Ia ingin mengetahui apakah proses manusia membangun makna melalui bahasa memiliki keteraturan yang cukup sehingga dapat dijelaskan secara formal.

Pertanyaan tersebut tampak sederhana, tetapi sesungguhnya menyentuh inti persoalan komunikasi. Selama ini kita terbiasa menganggap makna sebagai sesuatu yang “muncul begitu saja” ketika sebuah kalimat diucapkan. Seseorang mengatakan “Pintu itu terbuka”, lalu pendengar memahami maksudnya. Proses itu berlangsung begitu cepat sehingga seolah-olah makna memang telah melekat pada kalimat tersebut sejak awal.

Padahal, apabila direnungkan lebih dalam, sebuah kalimat tidak pernah hadir sebagai satu kesatuan yang utuh. Kalimat selalu tersusun dari bagian-bagian yang lebih kecil. Kata membentuk frasa, frasa membentuk klausa, kemudian berkembang menjadi kalimat yang lebih kompleks. Yang menarik, manusia hampir tidak pernah mengalami kesulitan mengikuti proses penyusunan tersebut. Ketika membaca sebuah kalimat yang panjang sekalipun, kita tidak menunggu hingga titik terakhir untuk mulai memahami maknanya. Sejak kata pertama muncul, otak mulai membangun dugaan, memperbaiki interpretasi, kemudian mengintegrasikan seluruh unsur itu menjadi satu pemahaman yang relatif utuh.

Fenomena tersebut mengandung implikasi yang sangat penting. Jika makna sebuah kalimat dapat dipahami secara bertahap melalui penyusunan bagian-bagian yang lebih kecil, berarti makna tidak muncul secara acak. Ada mekanisme tertentu yang membuat keseluruhan makna dapat dibangun dari hubungan antarbagiannya.

Di sinilah salah satu gagasan paling penting dalam semantik formal memperoleh bentuknya. Makna sebuah kalimat tidak dipandang sebagai sesuatu yang berdiri sendiri, melainkan sebagai hasil komposisi dari unsur-unsur penyusunnya. Dalam tradisi linguistik formal, gagasan ini kemudian dikenal sebagai prinsip komposisionalitas (principle of compositionality): makna keseluruhan bergantung pada makna bagian-bagiannya serta cara bagian-bagian tersebut disusun.

Sekilas prinsip ini tampak hampir seperti pernyataan yang tidak perlu dibahas. Bukankah memang demikian cara bahasa bekerja?

Justru di situlah letak revolusinya.

Sebelum prinsip tersebut dirumuskan secara formal, banyak orang menerima kenyataan bahwa manusia dapat memahami kalimat tanpa benar-benar mengetahui mekanisme yang memungkinkan proses itu terjadi. Komposisionalitas mengubah keadaan tersebut. Untuk pertama kalinya muncul kemungkinan bahwa pembentukan makna bukan sekadar pengalaman psikologis, melainkan sebuah proses yang memiliki struktur dan aturan yang dapat dijelaskan secara eksplisit.

Perubahan cara pandang ini memiliki konsekuensi yang sangat besar. Jika makna dapat dibangun secara sistematis melalui hubungan antarbagian, maka bahasa tidak lagi sekadar menjadi kumpulan ekspresi yang harus dihafalkan satu per satu. Bahasa berubah menjadi sebuah sistem generatif. Dari sejumlah aturan yang relatif terbatas, manusia mampu menghasilkan dan memahami jumlah kalimat yang secara praktis tidak terbatas.

Fenomena inilah yang sesungguhnya telah lama menjadi salah satu misteri terbesar dalam linguistik. Seorang anak tidak pernah mendengar seluruh kemungkinan kalimat dalam bahasanya. Namun ketika dewasa, ia mampu memahami kalimat-kalimat baru yang belum pernah didengarnya sama sekali. Kemampuan tersebut menunjukkan bahwa manusia tidak menghafal bahasa sebagai daftar kalimat, melainkan menguasai seperangkat mekanisme yang memungkinkan makna terus dibangun dari kombinasi-kombinasi baru.

Montague melihat persoalan itu bukan sebagai misteri psikologis, melainkan sebagai persoalan representasi formal. Jika manusia mampu membangun makna melalui struktur yang teratur, maka struktur tersebut semestinya dapat direpresentasikan secara eksplisit menggunakan perangkat logika. Di sinilah logika tidak lagi berfungsi sekadar sebagai alat menarik kesimpulan yang benar, melainkan sebagai bahasa formal untuk merepresentasikan hubungan antarmakna.

Perhatikan perubahan orientasi ini.

Logika tidak dipakai untuk menggantikan bahasa manusia.

Logika dipakai untuk merepresentasikan cara bahasa membangun makna.

Perbedaan ini sangat penting karena sering kali terabaikan dalam berbagai pembahasan populer mengenai semantik formal. Montague tidak pernah mengusulkan agar manusia berbicara menggunakan simbol-simbol logika. Yang ia usulkan adalah sesuatu yang jauh lebih subtil: di balik bahasa yang tampak alami, terdapat struktur makna yang dapat dinyatakan secara formal tanpa harus menghilangkan kekayaan ekspresinya.

Di sinilah bahasa mulai mengalami perubahan status epistemologis. Sebelumnya bahasa lebih banyak dipelajari sebagai objek interpretasi. Kini bahasa juga mulai dipahami sebagai objek representasi. Pergeseran ini mungkin terdengar sebagai perubahan istilah belaka, padahal sesungguhnya ia mengubah seluruh arah penelitian berikutnya. Sebab sesuatu hanya dapat diproses secara komputasional apabila terlebih dahulu memiliki bentuk representasi yang cukup eksplisit.

Di dalam ilmu komputer, perubahan semacam ini bukanlah hal yang asing. Gambar baru dapat diproses setelah direpresentasikan sebagai susunan piksel. Suara baru dapat diproses setelah direpresentasikan sebagai sinyal digital. Demikian pula bahasa. Sebelum mesin dapat melakukan operasi apa pun terhadap bahasa, terlebih dahulu harus tersedia cara untuk merepresentasikan struktur makna secara sistematis.

Di sinilah, untuk pertama kalinya dalam sejarah modern, bahasa memperoleh kemungkinan untuk diperlakukan sebagai objek komputasi.

Namun penting untuk tidak terburu-buru menarik kesimpulan.

Kemungkinan diperlakukan sebagai objek komputasi bukan berarti bahasa telah berhasil dikomputasikan.

Representasi formal hanyalah syarat awal, bukan tujuan akhir.

Bahasa memang mulai dapat ditulis dalam bahasa matematika, tetapi komputer masih menghadapi persoalan yang jauh lebih besar. Bagaimana representasi formal tersebut digunakan ketika harus memproses jutaan kalimat yang terus diproduksi manusia setiap hari? Bagaimana mesin memilih interpretasi yang paling mungkin ketika sebuah kalimat memiliki lebih dari satu makna? Dan yang tidak kalah penting, bagaimana semua proses tersebut dilakukan secara efisien?

Pertanyaan-pertanyaan itu memperlihatkan bahwa keberhasilan Montague sesungguhnya sekaligus membuka babak baru dalam sejarah AI. Ia berhasil menunjukkan bahwa bahasa memiliki struktur formal. Akan tetapi, struktur formal saja belum cukup untuk membangun mesin yang mampu berbahasa sebagaimana manusia.

Justru pada titik inilah sejarah mulai bergerak ke arah yang tidak pernah dibayangkan sebelumnya. Jalan yang semula dibuka melalui logika perlahan-lahan akan bertemu dengan tradisi lain yang hampir tidak pernah berbicara tentang makna, tetapi justru berbicara tentang informasi, probabilitas, dan ketidakpastian.

Pertemuan itu tidak terjadi karena para ilmuwan sejak awal sedang merancang kecerdasan buatan sebagaimana kita mengenalnya sekarang. Richard Montague tidak sedang membangun ChatGPT. Claude Shannon tidak sedang membayangkan Large Language Models. Bahkan para perintis teori probabilitas dan linguistik komputasional pun tidak pernah bekerja dalam satu laboratorium yang sama atau menyusun sebuah peta jalan menuju AI modern. Masing-masing sedang berusaha menjawab persoalan yang berbeda, lahir dari disiplin ilmu yang berbeda, dengan perangkat konseptual yang juga berbeda.

Namun sejarah ilmu pengetahuan sering kali berkembang melalui cara yang jauh lebih menarik daripada sekadar penjumlahan berbagai penemuan. Gagasan-gagasan yang pada awalnya tumbuh secara terpisah perlahan membentuk sebuah konfigurasi intelektual baru. Sebuah teori yang lahir untuk menjelaskan logika bahasa, teori lain yang dirancang untuk mengukur informasi, pendekatan probabilistik yang semula dikembangkan untuk memahami pola kemunculan simbol, hingga perkembangan komputasi modern, pada akhirnya bertemu dalam satu ruang yang sama: usaha memahami bahasa melalui mesin.

Karena itu, akan kurang tepat apabila sejarah AI hanya dipahami sebagai sejarah kemajuan perangkat keras, peningkatan daya komputasi, atau lahirnya algoritma-algoritma baru. Seluruh perkembangan tersebut memang penting, tetapi semuanya berlangsung di atas perubahan yang lebih mendasar, yaitu perubahan cara manusia memandang bahasa. Sebelum bahasa dipahami sebagai sesuatu yang memiliki struktur yang dapat direpresentasikan secara formal, tidak ada dasar konseptual yang memungkinkan bahasa memasuki wilayah komputasi.

Akan tetapi, perubahan itu sendiri ternyata belum cukup.

Semantik formal berhasil menunjukkan bahwa makna memiliki struktur. Namun ketika para ilmuwan mulai mencoba membawa struktur tersebut ke dalam mesin, mereka segera berhadapan dengan persoalan lain yang sama mendasarnya. Sebuah komputer mungkin dapat diberi representasi formal mengenai makna sebuah kalimat, tetapi bagaimana ia harus memilih di antara jutaan kemungkinan kalimat yang terus diproduksi manusia? Bagaimana ia harus menghadapi ketidakpastian, variasi, kesalahan, dan ambiguitas yang justru menjadi bagian tak terpisahkan dari penggunaan bahasa sehari-hari?

Pertanyaan-pertanyaan itu menandai batas dari apa yang dapat dijelaskan oleh semantik formal. Batas tersebut bukan menunjukkan kegagalannya, melainkan memperlihatkan bahwa persoalan bahasa ternyata jauh lebih luas daripada persoalan representasi makna semata. Di sinilah genealogi intelektual AI memperlihatkan sifatnya yang khas. Setiap keberhasilan justru melahirkan persoalan berikutnya. Setiap teori membuka ruang yang kemudian harus diisi oleh teori yang lain.

Dengan demikian, apabila artikel ini memperlihatkan bagaimana bahasa mulai memperoleh bentuk formal yang memungkinkan ia dipikirkan secara matematis, maka artikel berikutnya akan bergerak ke arah yang tampaknya berlawanan. Kita akan bertemu dengan seorang insinyur di Bell Laboratories yang justru mengambil keputusan yang pada zamannya terasa hampir paradoksal: untuk memahami komunikasi secara ilmiah, makna terlebih dahulu harus disingkirkan dari pembahasan.

Keputusan itu terdengar bertentangan dengan seluruh tradisi semiotika, linguistik, bahkan filsafat bahasa yang selama ini berusaha menjelaskan bagaimana makna terbentuk. Ironisnya, justru melalui langkah yang tampak kontradiktif itulah lahir salah satu fondasi terpenting bagi perkembangan AI modern.

Perjalanan genealogi ini, dengan demikian, bukanlah perjalanan menuju jawaban yang semakin sederhana. Sebaliknya, ia adalah perjalanan yang memperlihatkan bagaimana setiap jawaban selalu mengubah bentuk pertanyaan yang harus dijawab berikutnya.

Dan seperti banyak kisah besar dalam sejarah ilmu pengetahuan, semuanya berawal bukan dari sebuah mesin yang mampu berbicara, melainkan dari sebuah pertanyaan yang tampak sederhana:

Apakah bahasa manusia dapat dipahami dengan ketelitian yang sama seperti manusia memahami matematika?

AO
Tangerang Selatan, 14 Juli 2026

• Genealogi Intelektual AI (II) – Dari Makna ke Informasi
• Genealogi Intelektual AI (I)
• Membaca AI melalui Umberto Eco (IV)
• Membaca AI melalui Umberto Eco (III)
• Membaca AI melalui Umberto Eco (II)

– Arief Prihantoro –

Dari Unlimited Semiosis menuju Autopoiesis Komunikasi:
“Membaca AI melalui Umberto Eco dan Niklas Luhmann”

Ketika Interpretasi Tidak Pernah Berakhir

Tiga seri sebelumnya telah membawa pembahasan pada satu rangkaian gagasan yang saling berkaitan. Pada seri pertama dijelaskan bahwa komunikasi bukanlah proses memindahkan informasi dari pengirim kepada penerima, melainkan proses interpretasi terhadap tanda. Pada seri kedua, pembahasan bergerak lebih jauh melalui konsep Encyclopedia, yaitu bahwa makna tidak pernah lahir dari definisi yang berdiri sendiri, tetapi dari jaringan relasi pengetahuan yang terus berkembang. Selanjutnya pada seri ketiga diperlihatkan bagaimana proses tersebut diaktualisasikan melalui konsep Model Reader, yakni bahwa setiap teks membangun pembacanya sendiri agar makna yang dikandungnya dapat direalisasikan melalui proses interpretasi.

Ketiga konsep tersebut sebenarnya masih menyisakan satu pertanyaan yang lebih mendasar. Setelah interpretasi berlangsung, apakah proses itu selesai? Apakah makna akhirnya mencapai titik akhir yang stabil, sehingga tidak lagi memerlukan penafsiran berikutnya?

Pertanyaan inilah yang membawa kita kepada salah satu gagasan paling mendalam dalam pemikiran Umberto Eco, yaitu Unlimited Semiosis.

Tulisan pada seri III sebelumnya dapat dibaca melalui tautan berikut.

Membaca AI melalui Umberto Eco (III)

Dalam kehidupan sehari-hari kita sering membayangkan bahwa memahami sebuah kalimat berarti mengakhiri proses berpikir. Ketika seseorang bertanya mengenai arti suatu kata, kita membuka kamus, menemukan definisinya, lalu menganggap persoalan telah selesai. Demikian pula ketika membaca sebuah berita atau artikel, kita cenderung menganggap bahwa tujuan membaca adalah menemukan satu makna yang benar dan final.

Cara berpikir seperti ini sebenarnya merupakan warisan paradigma komunikasi linear yang telah lama mendominasi cara kita memahami bahasa. Dalam paradigma tersebut, makna dipandang sebagai sesuatu yang sudah berada di dalam teks. Tugas pembaca hanyalah menemukannya.

Namun Umberto Eco menawarkan pandangan yang berbeda.

Continue reading Membaca AI melalui Umberto Eco (IV)

– Arief Prihantoro –

Model Reader dan Lahirnya Pembaca Ideal pada Era AI

Ketika Sebuah Teks Mulai “Memilih” Pembacanya

Serial sebelumnya berakhir pada satu kesimpulan yang menjadi fondasi pembahasan berikutnya. Makna tidak pernah lahir dari definisi yang berdiri sendiri, melainkan dari jaringan relasi yang menghubungkan tanda dengan pengalaman, pengetahuan, sejarah, dan kebudayaan. Umberto Eco menyebut jaringan tersebut sebagai Encyclopedia. Melalui konsep ini, Eco memperlihatkan bahwa memahami bahasa bukanlah kegiatan membuka kamus, melainkan memasuki jaringan pengetahuan yang jauh lebih luas daripada sekadar arti leksikal sebuah kata.

Tulisan pada seri sebelumnya dapat dibaca melalui tautan berikut.

Membaca AI melalui Umberto Eco (II)

Akan tetapi, penjelasan mengenai Encyclopedia masih menyisakan satu pertanyaan yang sangat mendasar. Jika makna lahir dari jaringan pengetahuan, bagaimana jaringan tersebut akhirnya diaktifkan ketika seseorang membaca sebuah teks? Mengapa dua orang yang memiliki kemampuan berbahasa yang sama tetap dapat menghasilkan interpretasi yang berbeda ketika membaca novel, artikel ilmiah, berita, atau bahkan satu unggahan yang sama di media sosial? Pertanyaan ini membawa pembahasan kepada salah satu konsep paling penting dalam keseluruhan teori semiotika Umberto Eco, yaitu Model Reader.

Continue reading Membaca AI melalui Umberto Eco (III)

– Arief Prihantoro –

Makna Tidak Pernah Tinggal di Dalam Tanda

Dari Definisi Menuju Dunia Interpretasi

Serial pertama berakhir pada sebuah kesimpulan yang sekaligus membuka arah pembahasan berikutnya. Perkembangan AI generatif memperlihatkan bahwa persoalan mendasar yang kini dihadapi bukan lagi sekadar bagaimana mesin melakukan komputasi, melainkan bagaimana hasil komputasi tersebut memasuki ruang komunikasi manusia sebagai sesuatu yang dapat dibaca, dipahami, diperdebatkan, bahkan diinterpretasikan. Pergeseran ini membawa diskusi mengenai kecerdasan buatan keluar dari batas-batas tradisional ilmu komputer dan memasukkannya ke dalam wilayah yang sejak lama menjadi perhatian ilmu komunikasi, linguistik, filsafat bahasa, dan semiotika.

Tulisan sebelumnya dapat dibaca pada tautan berikut:

Membaca AI melalui Umberto Eco (I)

Continue reading Membaca AI melalui Umberto Eco (II)

– Arief Prihantoro –

Ketika Kecerdasan Tiruan Memaksa Kita Membaca Ulang Hakikat Komunikasi

Dalam dua tulisan sebelumnya di socioinformatics.id, saya berusaha menunjukkan bahwa perkembangan kecerdasan tiruan modern tidak lagi memadai dipahami hanya sebagai keberhasilan matematika, statistika, atau ilmu komputer. Pada tulisan “Semiotika sebagai Teori Kognitif Tersembunyi di Balik Kemajuan AI”

Semiotika Sebagai Teori Kognitif Tersembunyi di Balik Kemajuan AI

argumentasinya bahwa AI modern sesungguhnya memperlihatkan karakteristik yang jauh lebih dekat dengan proses semiosis daripada sekadar manipulasi simbol sebagaimana dibayangkan dalam paradigma komputasi klasik. Argumentasi tersebut kemudian saya lanjutkan dalam tulisan “Semantik Artificial Intelligence: Kemunculan Makna dari Komputasi Statistik dalam Kecerdasan Buatan Modern”

Semantik Artificial Intelligence: Kemunculan Makna dari Komputasi Statistik dalam Kecerdasan Buatan Modern

yang berupaya menjelaskan bagaimana makna dapat muncul dari mekanisme komputasi statistik yang menjadi fondasi Large Language Models. Kedua tulisan tersebut merupakan langkah awal untuk memperlihatkan bahwa AI tidak lagi cukup dipahami sebagai persoalan algoritma, melainkan juga sebagai persoalan tanda, makna, dan interpretasi.

Akan tetapi, kedua tulisan tersebut sengaja berakhir pada satu pertanyaan yang belum dibahas secara mendalam. Jika semiotika memang menyediakan perspektif yang relevan untuk membaca perkembangan AI generatif, lalu tradisi semiotika manakah yang paling mampu menjelaskan fenomena tersebut secara sistematis?

Continue reading Membaca AI melalui Umberto Eco (I)

– Arief Prihantoro –

Ketika Sains Disamakan dengan Ideologi

Salah satu ironi terbesar dalam komunikasi publik adalah bahwa semakin banyak informasi tersedia, semakin mudah pula manusia membangun keyakinan yang keliru. Penyebabnya bukan semata-mata karena informasi yang beredar tidak benar, melainkan karena fakta-fakta yang benar sering kali disusun ke dalam hubungan logis yang terlalu sederhana. Akibatnya, representasi yang terbentuk tampak masuk akal, padahal telah kehilangan sebagian konteks yang justru menentukan makna keseluruhan peristiwa. Dalam banyak kasus, misinformasi tidak lahir karena ketiadaan evidence, melainkan karena cara evidence tersebut dihubungkan menjadi suatu kesimpulan. Persoalan utama bukan terletak pada data historis yang digunakan, melainkan pada kualitas inferensi yang menghubungkan data-data tersebut menjadi suatu representasi.

Fenomena semacam ini semakin mudah dijumpai pada era komunikasi digital. Arus informasi yang sangat cepat mendorong berbagai persoalan yang kompleks untuk disederhanakan menjadi narasi yang ringkas, mudah dipahami, dan mudah dibagikan. Penyederhanaan semacam itu pada dasarnya merupakan konsekuensi yang hampir tidak dapat dihindari dalam proses komunikasi. Tidak mungkin seluruh kompleksitas suatu peristiwa sejarah dipindahkan secara utuh ke dalam sebuah artikel, unggahan media sosial, ataupun percakapan sehari-hari. Persoalan mulai muncul ketika yang mengalami penyederhanaan bukan lagi cara penyampaiannya, melainkan struktur penalarannya. Hubungan antarperistiwa yang semula kaya nuansa dipersempit menjadi hubungan sebab-akibat yang linear, sementara konsep-konsep yang sesungguhnya memiliki ruang lingkup berbeda diperlakukan seolah-olah identik. Pada titik inilah sejarah perlahan kehilangan kompleksitasnya dan berubah menjadi narasi yang lebih mencerminkan preferensi pembacanya daripada keseluruhan fakta yang tersedia.

Continue reading SAINS, IDEOLOGI, DAN FANATISME EPISTEMIK: PELAJARAN DARI SEJARAH UNI SOVIET

– Arief Prihantoro –

Tulisan melanjutkan tulisan sebelumnya

Mengapa Kekacauan Komunikasi Publik Tidak Pernah Benar-Benar Acak?

Setiap hari manusia berkomunikasi. Kita membaca berita, berdiskusi, mengikuti media sosial, mendengarkan pidato, atau sekadar berbincang dengan orang lain. Aktivitas tersebut tampak begitu biasa sehingga jarang dipertanyakan. Namun di balik kesederhanaannya, komunikasi menyimpan sebuah fenomena yang sesungguhnya sangat mendasar.

Bayangkan dua orang membaca berita yang sama pada pagi hari. Pada sore harinya mereka berdiskusi. Setelah diskusi selesai, keduanya tidak lagi memahami berita tersebut dengan cara yang sama seperti sebelum percakapan dimulai. Masing-masing membawa perspektif baru, menerima sebagian argumen, menolak sebagian lainnya, serta membangun interpretasi yang berbeda. Bahkan apabila berita yang sama dibaca kembali keesokan harinya, keduanya sering kali menghasilkan pemahaman yang telah berubah.

Fenomena serupa juga terjadi dalam kehidupan sehari-hari. Seseorang dapat mempertahankan suatu pendapat dengan penuh keyakinan pada awal diskusi, kemudian mengubah kesimpulannya setelah berdialog panjang atau membaca beberapa referensi tambahan. Yang menarik, perubahan tersebut tidak selalu terjadi karena muncul fakta baru. Sering kali perubahan justru lahir karena informasi yang telah dimiliki sebelumnya memperoleh makna baru ketika ditempatkan dalam konteks yang berbeda. Dengan kata lain, komunikasi tidak hanya menambah informasi, tetapi juga mengubah cara seseorang menginterpretasikan informasi yang telah dimilikinya.

Fenomena yang sama kini dapat diamati dengan sangat jelas pada sistem kecerdasan buatan generatif. Misalkan pada hari pertama seorang pengguna mengajukan sebuah pertanyaan kepada suatu model AI mengenai suatu isu tertentu. Model tersebut memberikan sebuah jawaban. Pada hari berikutnya, pengguna berdiskusi panjang dengan model yang sama mengenai berbagai topik lain yang mungkin tidak pernah menyebut isu awal secara eksplisit, tetapi memiliki keterkaitan makna dengannya. Ketika pada hari ketiga pertanyaan yang sama persis diajukan kembali—tanpa mengubah satu huruf pun—model dapat menghasilkan jawaban yang berbeda secara signifikan. Dalam banyak kasus, model bahkan mengaitkan jawabannya dengan percakapan yang terjadi sebelumnya.

Fenomena tersebut menjadi semakin menarik ketika diperluas pada sistem Agentic AI. Sekelompok agen kecerdasan buatan dapat saling bertukar representasi simbolik, mengevaluasi argumen, merevisi kesimpulan, menghasilkan dokumen baru, kemudian menggunakan dokumen tersebut sebagai masukan bagi agen lainnya. Setelah berlangsung beberapa putaran interaksi, keputusan kolektif yang muncul sering kali tidak lagi dapat dijelaskan hanya dari kondisi awal masing-masing agen. Seluruh sistem komunikasi tampak mengalami evolusi sebagai suatu kesatuan.

Apabila fenomena-fenomena tersebut diamati secara sepintas, kita cenderung mengatakan bahwa manusia atau AI “berubah pikiran”. Akan tetapi, ungkapan tersebut sesungguhnya hanya menjelaskan gejalanya, bukan mekanismenya. Pertanyaan ilmiah yang lebih mendasar adalah: apa sebenarnya yang berubah selama proses komunikasi berlangsung? Mengapa pertanyaan yang sama dapat menghasilkan jawaban yang berbeda, meskipun diajukan kepada agen yang sama? Mengapa komunikasi yang telah terjadi sebelumnya mampu memengaruhi cara suatu agen memahami komunikasi berikutnya?

Pertanyaan-pertanyaan tersebut menunjukkan bahwa komunikasi bukan sekadar proses perpindahan informasi dari satu pihak kepada pihak lain. Komunikasi juga merupakan proses yang secara terus-menerus mengubah kondisi para pelakunya. Setiap tindakan komunikasi menghasilkan perubahan yang kemudian menjadi titik awal bagi komunikasi berikutnya. Dengan demikian, komunikasi membentuk suatu sistem yang bersifat refleksif, yaitu sistem yang secara terus-menerus memengaruhi evolusinya sendiri melalui perubahan keadaan para agen yang terlibat di dalamnya.

Sampai pada titik ini, perhatian kita masih tertuju pada perubahan yang terjadi pada individu. Namun dalam kehidupan nyata, komunikasi tidak pernah berlangsung hanya pada satu atau dua orang. Jutaan individu melakukan proses serupa secara bersamaan, saling memengaruhi melalui jaringan komunikasi yang sangat kompleks. Oleh karena itu, pertanyaan yang lebih penting bukan lagi bagaimana seorang individu mengubah keyakinannya, melainkan bagaimana keseluruhan distribusi keadaan epistemik suatu populasi berevolusi sebagai akibat dari proses komunikasi yang berlangsung secara terus-menerus.

Pergeseran sudut pandang inilah yang menjadi titik awal Statistical Mechanics of Epistemic States (SMES). Sebagaimana mekanika statistik tidak berupaya menjelaskan lintasan setiap molekul secara individual, melainkan menjelaskan evolusi distribusi keadaan seluruh sistem, SMES juga tidak bertujuan memodelkan mekanisme internal bagaimana setiap individu membentuk keyakinannya. Fokus utama SMES adalah menjelaskan bagaimana distribusi keadaan epistemik suatu populasi berevolusi sebagai konsekuensi kolektif dari proses komunikasi.

Tulisan ini dibangun dari pertanyaan sederhana yang muncul dari fenomena sehari-hari tersebut. Dimulai dengan menunjukkan mengapa komunikasi secara inheren bersifat refleksif, kemudian menjelaskan bagaimana refleksivitas tersebut dapat dipandang sebagai suatu proses evolusi keadaan epistemik, sebelum akhirnya dirumuskan ke dalam suatu kerangka matematis yang memungkinkan dinamika komunikasi dipelajari secara sistematis. Dengan cara ini, komunikasi tidak lagi dipahami semata-mata sebagai perpindahan informasi, melainkan sebagai proses evolusi distribusi keadaan epistemik dalam suatu sistem yang dinamis dan refleksif.

Komunikasi sebagai Proses Refleksif

Mengapa komunikasi tidak pernah benar-benar selesai ketika percakapan berakhir?

Pertanyaan tersebut tampak sederhana. Dalam kehidupan sehari-hari kita sering menganggap suatu komunikasi telah selesai ketika pembicaraan berakhir, rapat ditutup, atau sebuah pesan telah diterima oleh lawan bicara. Namun, apabila diamati lebih saksama, justru setelah komunikasi berakhir proses yang paling penting sering kali baru dimulai.

Bayangkan seorang dosen sedang mengajar di kelas. Pada akhir perkuliahan, seorang mahasiswa mengajukan pertanyaan yang belum pernah dipikirkan sebelumnya oleh dosen tersebut. Pertanyaan itu mendorong sang dosen membaca kembali berbagai referensi, mempertimbangkan kembali argumennya, bahkan mengubah cara ia menjelaskan materi pada pertemuan berikutnya. Seminggu kemudian, mahasiswa angkatan berikutnya menerima penjelasan yang berbeda sebagai akibat dari satu pertanyaan yang muncul pada perkuliahan sebelumnya.

Sekilas, contoh tersebut tampak sangat sederhana. Akan tetapi, sesungguhnya telah terjadi sesuatu yang jauh lebih mendasar. Pertanyaan mahasiswa tidak hanya menghasilkan jawaban baru, tetapi juga menghasilkan dosen yang baru—bukan dalam arti biologis, melainkan dalam arti epistemik. Dosen yang telah mengalami perubahan itu kemudian menghasilkan komunikasi yang berbeda, dan komunikasi yang berbeda tersebut kembali mengubah mahasiswa berikutnya. Dengan demikian, hasil komunikasi pada suatu waktu menjadi penyebab bagi komunikasi pada waktu berikutnya.

Fenomena serupa dapat ditemukan hampir di setiap ruang komunikasi. Dua orang yang berdiskusi mengenai suatu isu publik mungkin memulai percakapan dengan pandangan yang saling bertentangan. Setelah berdialog, keduanya tidak selalu mencapai kesepakatan, tetapi hampir selalu keluar dari percakapan dengan cara memahami persoalan yang berbeda dibandingkan sebelumnya. Ketika mereka kembali berdiskusi beberapa hari kemudian, percakapan tersebut tidak pernah benar-benar dimulai dari titik awal yang sama, karena masing-masing telah membawa pengalaman komunikasi yang telah mengubah cara mereka menginterpretasikan simbol, argumen, maupun informasi baru.

Fenomena ini menjadi semakin jelas pada sistem kecerdasan buatan generatif. Seorang pengguna mengajukan suatu pertanyaan kepada model AI pada hari pertama dan memperoleh suatu jawaban. Pada hari berikutnya berlangsung serangkaian percakapan mengenai berbagai topik lain yang secara semantik saling berkaitan. Ketika pada hari ketiga pengguna kembali mengajukan pertanyaan yang sama persis—tanpa mengubah satu kata pun—model dapat menghasilkan jawaban yang berbeda secara signifikan. Yang berubah bukanlah representasi simboliknya, melainkan kondisi inferensi yang terbentuk melalui rangkaian komunikasi sebelumnya.

Pada sistem Agentic AI, fenomena tersebut bahkan berkembang menjadi proses kolektif. Sejumlah agen AI saling bertukar representasi simbolik, mengevaluasi hasil kerja satu sama lain, memperbaiki argumen, kemudian menghasilkan representasi baru yang kembali menjadi masukan bagi agen lainnya. Setelah beberapa putaran interaksi, keputusan kolektif yang dihasilkan tidak lagi dapat dijelaskan hanya dari kondisi awal masing-masing agen. Sistem komunikasi tersebut telah berkembang melalui hasil komunikasinya sendiri.

Apabila seluruh contoh tersebut dibandingkan, tampak suatu pola yang sama. Komunikasi tidak hanya menghasilkan representasi baru, tetapi juga menghasilkan kondisi baru bagi lahirnya representasi berikutnya. Setiap tindakan komunikasi mengubah keadaan para agen yang terlibat di dalamnya, sementara perubahan keadaan tersebut menjadi titik awal bagi komunikasi berikutnya. Akibatnya, komunikasi tidak pernah benar-benar kembali ke kondisi semula.

Dengan demikian, komunikasi bukanlah rangkaian peristiwa yang berdiri sendiri, melainkan suatu proses yang terus-menerus membentuk dirinya sendiri melalui mekanisme umpan balik (feedback). Keluaran dari satu putaran komunikasi menjadi bagian dari kondisi awal putaran berikutnya. Hubungan inilah yang membentuk suatu closed-loop system.

Setiap putaran komunikasi mengubah keadaan epistemik para agen, sementara keadaan epistemik yang telah berubah tersebut menjadi dasar bagi proses komunikasi berikutnya. Dengan demikian, sejarah komunikasi tidak berada di luar sistem, melainkan terus terakumulasi melalui perubahan keadaan agen yang membentuk evolusi sistem secara keseluruhan.

Sampai pada titik ini, kita sebenarnya belum memerlukan teori apa pun untuk memahami fenomena tersebut. Refleksivitas muncul sebagai konsekuensi logis dari komunikasi itu sendiri. Selama komunikasi mampu mengubah keadaan agen, dan keadaan agen yang telah berubah memengaruhi komunikasi berikutnya, maka setiap sistem komunikasi yang berlangsung secara berulang akan secara alami membentuk mekanisme umpan balik terhadap dirinya sendiri. Dalam pengertian ini, refleksivitas bukanlah asumsi tambahan yang disisipkan ke dalam teori komunikasi, melainkan sifat inheren dari komunikasi sebagai suatu sistem dinamis.

Pertanyaan berikutnya kemudian menjadi sangat menarik. Jika refleksivitas merupakan konsekuensi logis dari komunikasi, mengapa berbagai disiplin ilmu menjelaskannya melalui istilah dan kerangka konseptual yang berbeda? Apakah semiotika, sibernetika orde kedua, teori sistem sosial, teori refleksivitas, maupun teori makna statistik sesungguhnya sedang mengamati fenomena yang sama dari sudut pandang yang berbeda?

Mengapa Refleksivitas Tidak Bertentangan dengan Asumsi Markovian?

Setelah memahami bahwa komunikasi merupakan suatu proses yang bersifat refleksif, muncul sebuah pertanyaan yang hampir tidak dapat dihindari. Jika setiap tindakan komunikasi dipengaruhi oleh komunikasi-komunikasi sebelumnya, bukankah komunikasi merupakan suatu proses yang bergantung pada sejarah (history-dependent process)? Apabila demikian, mengapa SMES masih menggunakan pendekatan Markovian yang sering dipahami sebagai proses “tanpa memori”?

Pertanyaan tersebut tampaknya berkaitan langsung dengan teori Markov. Namun sesungguhnya akar persoalannya terletak jauh lebih dalam. Sebelum bertanya apakah suatu sistem dapat dimodelkan secara Markovian, terlebih dahulu harus dijawab pertanyaan yang lebih mendasar: apa sebenarnya objek yang hendak dimodelkan?

Persoalan semacam ini tidak hanya dihadapi oleh ilmu komunikasi. Hampir seluruh cabang ilmu pengetahuan menghadapi dilema yang sama ketika berusaha membangun model terhadap sistem yang kompleks. Dunia nyata selalu jauh lebih kaya daripada model yang dapat kita bangun. Tidak ada model ilmiah yang mampu mempertahankan seluruh detail realitas secara utuh. Oleh karena itu, setiap proses pemodelan selalu diawali dengan abstraksi, yaitu memilih sejumlah variabel yang dianggap cukup untuk menjelaskan dinamika sistem tanpa harus membawa seluruh sejarah sistem tersebut ke dalam model.

Prinsip tersebut dapat ditemukan hampir di seluruh cabang fisika. Dalam mekanika klasik, gerak sebuah benda tidak dimodelkan dengan menyimpan seluruh lintasan yang pernah ditempuh sejak benda mulai bergerak. Yang digunakan adalah keadaan benda pada saat tertentu, misalnya posisi dan momentum. Demikian pula dalam termodinamika. Perilaku miliaran molekul gas tidak dijelaskan dengan melacak lintasan setiap molekul secara individual, melainkan melalui variabel keadaan seperti temperatur, tekanan, dan volume. Variabel-variabel tersebut tidak menghapus sejarah sistem, tetapi merepresentasikan keadaan sistem yang telah dibentuk oleh sejarah tersebut.

Pelajaran penting dari kedua contoh tersebut bukan terletak pada rumus-rumus fisikanya, melainkan pada cara ilmu pengetahuan membangun model. Model ilmiah tidak pernah berusaha mempertahankan seluruh sejarah sistem. Model ilmiah memilih variabel keadaan yang masih cukup untuk menjelaskan bagaimana sistem berevolusi. Dengan kata lain, pertanyaan yang relevan bukanlah apakah suatu model menyimpan seluruh detail masa lalu, melainkan apakah variabel keadaan yang dipilih masih mengandung informasi yang diperlukan untuk memprediksi evolusi sistem berikutnya.

Prinsip abstraksi inilah yang diadopsi oleh SMES. Tujuan SMES bukan merekonstruksi seluruh sejarah komunikasi setiap agen, melainkan menjelaskan bagaimana keadaan epistemik suatu populasi berubah akibat proses komunikasi. Oleh karena itu, yang dipilih sebagai objek pemodelan bukanlah keseluruhan sejarah komunikasi, melainkan keadaan epistemik (epistemic state) pada suatu waktu tertentu.

Pada titik ini, penting untuk membedakan dua konsep yang sering kali tercampur. Sejarah komunikasi adalah seluruh rangkaian interaksi yang pernah dialami suatu agen sepanjang hidupnya. Sebaliknya, keadaan epistemik adalah kondisi agen pada saat tertentu sebagai hasil dari sejarah komunikasi tersebut. Sejarah menjelaskan bagaimana keadaan itu terbentuk, sedangkan keadaan menjelaskan dari kondisi mana proses komunikasi berikutnya dimulai.

Perbedaan tersebut dapat dipahami melalui contoh sederhana. Bayangkan seseorang yang telah membaca ratusan buku selama hidupnya. Ketika ia membaca sebuah artikel baru hari ini, ia tidak membuka kembali seluruh buku yang pernah dibacanya. Namun demikian, seluruh pengalaman membaca tersebut tetap memengaruhi bagaimana ia memahami artikel yang sedang dibaca. Yang secara langsung bekerja bukanlah seluruh sejarah membaca, melainkan keadaan pengetahuannya pada saat itu. Sejarah tetap memiliki pengaruh, tetapi pengaruh tersebut hadir melalui keadaan yang telah dibentuk oleh sejarah itu sendiri.

Fenomena yang sama kini dapat diamati pada sistem kecerdasan buatan generatif. Seorang pengguna mengajukan suatu pertanyaan kepada model AI pada hari pertama dan memperoleh suatu jawaban. Selama dua hari berikutnya berlangsung berbagai percakapan lain yang mungkin hanya berkaitan secara tidak langsung dengan pertanyaan awal. Ketika pada hari ketiga pengguna kembali mengajukan pertanyaan yang sama persis, model dapat memberikan jawaban yang berbeda secara signifikan. Yang berubah bukanlah pertanyaannya, melainkan keadaan operasional model ketika melakukan inferensi. Riwayat komunikasi tetap berperan, tetapi pengaruhnya telah termanifestasi dalam keadaan sistem saat respons dihasilkan.

Dalam kerangka SMES, epistemic state didefinisikan pada dua tingkat yang saling melengkapi.

Secara fenomenologis, epistemic state adalah keadaan agen yang telah dibentuk oleh sejarah komunikasinya. Definisi ini membantu menjelaskan mengapa dua agen dapat menghasilkan interpretasi yang berbeda terhadap representasi simbolik yang sama.

Namun secara operasional, epistemic state adalah himpunan variabel keadaan yang cukup untuk menentukan bagaimana suatu agen menginterpretasikan representasi simbolik berikutnya. Definisi operasional ini menjadi dasar bagi pembangunan model matematis SMES, karena menjelaskan secara eksplisit apa yang berfungsi sebagai variabel keadaan di dalam model.

Baru setelah objek pemodelan tersebut ditetapkan, asumsi Markov memperoleh maknanya. Asumsi Markov tidak menyatakan bahwa komunikasi tidak memiliki sejarah. Yang diasumsikan adalah bahwa evolusi keadaan epistemik pada waktu berikutnya cukup ditentukan oleh keadaan epistemik saat ini, karena seluruh pengaruh sejarah yang masih relevan telah termanifestasi dalam keadaan tersebut. Dengan demikian, yang dimodelkan secara Markovian di dalam SMES bukanlah komunikasi sebagai rangkaian peristiwa, melainkan evolusi epistemic state.

Dari sudut pandang ini, refleksivitas dan asumsi Markov ternyata tidak saling bertentangan. Refleksivitas menjelaskan bagaimana komunikasi secara terus-menerus membentuk keadaan epistemik para agen melalui akumulasi pengalaman komunikasi. Sebaliknya, asumsi Markov menjelaskan bagaimana keadaan epistemik yang telah terbentuk tersebut berevolusi menuju keadaan berikutnya. Refleksivitas berbicara mengenai pembentukan keadaan (state formation), sedangkan Markov berbicara mengenai evolusi keadaan (state evolution). Keduanya bekerja pada tingkat konseptual yang berbeda, tetapi justru saling melengkapi dalam membangun kerangka matematis SMES.

Tangerang Selatan, 8 Juli 2026

– Arief Prihantoro –

Memahami Arsitektur Sistem Komunikasi Publik melalui Analogi Dinamika Partikel dalam Perspektif Fisika Statistik

Pada tulisan sebelumnya saya mengajukan sebuah analogi bahwa komunikasi publik di era digital memiliki karakteristik yang menyerupai gerak Brown (Brownian Motion). Sebagaimana sebuah partikel kecil di dalam fluida bergerak secara acak akibat dihantam oleh jutaan molekul yang tidak tampak, demikian pula opini publik bergerak melalui jutaan interaksi mikro berupa percakapan, komentar, unggahan media sosial, meme, video pendek, hingga potongan informasi yang saling bertabrakan setiap detik.

Chaos Komunikasi Publik di Era Digital Dalam Perspektif Gerak Brown, Termodinamika Partikel dan Teori Komunikasi Niklas Luhmann

Dari kejauhan, lintasan partikel tampak acak. Demikian pula lanskap komunikasi digital tampak penuh kekacauan.

Namun semakin lama analogi tersebut saya renungkan, semakin muncul pertanyaan yang justru lebih mendasar.

Apakah komunikasi publik benar-benar bergerak secara acak?

Ataukah “keacakan” yang kita lihat hanyalah fenomena permukaan dari suatu keteraturan statistik yang lebih dalam?

Pertanyaan inilah yang membawa kita melangkah lebih jauh, dari gerak Brown menuju teori sistem stokastik, bahkan hingga teori collision dalam mekanika kuantum yang dikembangkan Paul A. M. Dirac.

Continue reading Mengapa Kekacauan Komunikasi Publik Tidak Pernah Benar-Benar Acak?

– Arief Prihantoro –

AI Kini Membawa Kita Kembali kepada Pertanyaan Tertua: Apakah Bahasa Sekadar Mengekspresikan Logika?

Dalam sebuah percakapan di Grup WA Masyarakat Informatika Sosial Indonesia, muncul pernyataan dari saudara Wawan Setiawan:

“Language adalah express the logic and mathematic behind it.”

Kalimat itu muncul dalam sebuah diskusi yang awalnya membahas sejarah bahasa pemrograman, evolusi komputasi, hingga perkembangan Large Language Model (LLM). Sekilas, saya menganggapnya sebagai pernyataan yang lazim dalam tradisi ilmu komputer. Selama puluhan tahun, kita memang memahami bahwa bahasa pemrograman hanyalah media untuk menuliskan algoritma, sementara algoritma dibangun di atas logika dan matematika.

Namun semakin lama saya memikirkannya, saya menyadari bahwa kalimat tersebut sesungguhnya bukan sekadar pernyataan teknis tentang pemrograman.

Ia adalah sebuah klaim filosofis.

Sebab ketika seseorang mengatakan bahwa “bahasa mengekspresikan logika dan matematika,” ia sebenarnya sedang menyatakan sesuatu mengenai hubungan ontologis antara bahasa, logika, dan matematika.

Dan di sinilah diskusi menjadi jauh lebih menarik.

Continue reading Ketika Industri AI Mulai Menemukan Semiotika