– 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 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 buatan. 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)