Malam itu, 26 Februari 2026, malam Ramadhan ke-8, sebuah ruang pertemuan di PPM Aswaja Nusantara berubah menjadi ruang penguatan literasi. Literasi bagaimana manusia berhadapan dengan mesin yang bisa menulis, merangkum, dan menjawab pertanyaan. Dalam sharing session bertajuk “Artificial Intelligence untuk Riset dan Penulisan Ilmiah”, Dr. techn. Khabib Mustofa dari Sekolah Pascasarjana Universitas Gadjah Mada hadir membawa pesan yang tegas. AI boleh dipakai, tetapi kewaspadaan ilmiah harus tetap menyala.
Khabib bukan nama asing di lingkungan riset data. Latar akademiknya berangkat dari Ilmu Komputer UGM, lalu ditempa di Vienna University of Technology. Minatnya bergerak pada information management, semantic web, serta data science and analytics. Sebuah kombinasi yang membuat pembicaraannya tentang AI menukik pada cara kerja secara mendalam.
Pembukaannya sederhana, hampir seperti “cek realitas”. Pak Khabib mengajak peserta menengok feneomena keseharian. Layanan Google yang paling sering dipakai, juga aplikasi transportasi daring yang paling sering digunakan merupakan dua contoh yang terasa remeh, tetapi sebenarnya menunjukkan betapa keputusan digital telah lama ditopang algoritma.
Dari sana, Pak Khabib menarik garis ke lanskap yang lebih besar yaitu Era Big Data, IoT, dan Society 5.0. Sebuah zaman ketika data mengalir, sensor bekerja, dan ruang siber bertaut rapat dengan ruang fisik.
Konsep Society 5.0, yang ditampilkannya ditekankan sebagai masyarakat berorientasi manusia. Kemajuan ekonomi ditautkan dengan pemecahan masalah sosial, lewat sistem terintegrasi antara ruang virtual dan ruang fisik. Area penerapannya luas mencakup kesehatan, transportasi, pertanian, manufaktur. Teknologi pengungkitnya pun jelas yaitu IoT, AI, Big Data, robotik.
Namun, Pak Khabib tidak menjual AI sebagai euforia. Pak Khabib menempatkannya sebagai bagian dari arsitektur peradaban data. Di titik ini, sesi mulai terasa seperti laporan lapangan tentang perubahan zaman. Bukan hanya soal alat, tapi soal cara berpikir ilmiah yang harus beradaptasi tanpa kehilangan disiplin.
IoT, Big Data, dan Mesin yang Belajar dari Ketidakpastian
Pak Khabib memulai penjelasan teknis dengan dua definisi yang sengaja dibuat ringkas. IoT ia sebut sebagai jaringan global perangkat fisik yang dipasangi sensor dan perangkat lunak, terhubung ke internet, bertukar data tanpa intervensi manusia. Big Data adalah kumpulan data yang terlalu besar atau kompleks untuk diolah perangkat lunak pemrosesan data tradisional.
Di balik definisi itu, tersimpan konsekuensi penting bagi riset. Ketika data menjadi sangat besar, cara manusia mengambil kesimpulan ikut berubah. Banyak keputusan yang dulunya bersandar pada aturan tegas, kini bergeser ke pola statistik. Di sinilah Pak Khabib menempatkan AI dalam dua “generasi” besar: AI “lama” yang lebih berbasis aturan “jika, maka”, dan AI “baru” yang berbasis statistika dan probabilitas karena bekerja dengan data besar.
AI “baru” berbasis pada pola data, bukan pada aturan. AI menangani ketidakpastian dengan probabilitas. Lalu AI mengaitkan ini dengan tujuan utama machine learning yakni generalisasi dan prediksi. Membuat prediksi yang akurat pada data yang belum pernah dilihat.
Di ruangan semacam itu, pesan tersebut terasa seperti “peringatan dini” bagi peneliti pemula. Bila mesin bekerja dengan probabilitas, maka keluarannya tidak pernah sepenuhnya kebal salah. Mesin bisa sangat meyakinkan tetapi tetap mungkin keliru.
Pak Khabib kemudian menautkannya dengan bahasa evaluasi ilmiah. Dalam proses clustering ada ukuran seperti precision, recall, accuracy. Dalam proses prediksi ada ukuran error seperti MAE, MSE, RMSE, MAPE.
Bagi sebagian peserta, ini mungkin terdengar teknis. Tetapi bagi riset, ini menegaskan satu hal. Kualitas bukan soal “kelihatan pintar”, ini soal dapat diuji.
“Jangan Percaya Mentah”: AI Bisa Keliru, Maka Peneliti Harus Hadir
Bagian yang paling “Kompas” dalam presentasi ini barangkali adalah saat Pak Khabib menyimpulkan konsekuensi akademiknya. Menurutnya, hasil pembelajaran mesin memiliki potensi ketidakakuratan karena mengikuti konsep probabilitas. Semakin banyak data yang baik dan benar, model sering makin mendekati capaian terbaik namun tidak selalu 100 persen, bergantung algoritma.
Lalu, kalimat yang seperti menutup pintu bagi sikap malas. Tidak tepat meyakini output AI sudah sangat baik dan langsung dapat dipergunakan. Peran peneliti untuk memahami konsep dan melakukan analisis ulang masih diperlukan untuk memvalidasi hasil. Dan di sinilah salah satu peran otentik intelektual sang penulis atau periset.
Di sini AI ditempatkan pada posisi yang benar, bukan “pengganti” tetapi “alat”. Pak Khabib seakan ingin menyelamatkan riset dari dua jebakan sekaligus. Jebakan romantisme teknologi (“AI selalu benar”), dan jebakan ketakutan berlebihan (“AI pasti merusak akademik”). Pak Khabib memilih jalur tengah meski memutar. Gunakan, tapi penuh bertanggung jawab.
Pesan itu menjadi semakin relevan ketika pembahasan bergerak ke Generative AI. Ini jenis AI yang belakangan paling ramai dipakai untuk menulis. Generative AI, kata Pak Khabib, bersifat generatif, bukan prediktif. AI ini menciptakan konten baru (teks, gambar, kode) berdasarkan pola data latih. Contoh platform tanya-jawab yang ia sebut mencakup ChatGPT, Gemini, Copilot, Claude, Deepseek. Namun ia menambahkan catatan penting. Generative AI berbasis probabilitas, sehingga output bisa berbeda tiap kali, dan bisa saja salah (hallucination).
Maka, riset tidak boleh diperlakukan sebagai “pekerjaan menyalin jawaban”. Riset dan menulis harus kembali menjadi kerja membangun argumen, menyusun bukti, dan memeriksa ulang.
Dari OCR sampai Tanya Jawab PDF: AI sebagai Alat Kerja di Meja Peneliti
Jika tiga bagian awal membangun landasan konsep, bagian berikutnya memasuki ranah praktis. AI sebagai “perangkat kerja” untuk peneliti. Pak Khabib memperlihatkan bagaimana generative AI dapat dipakai untuk konversi file dan ekstraksi data. Contohnya mengubah tabel dari gambar menjadi CSV dengan bantuan OCR, mengubah slide PDF ke format presentasi lain, sampai menggambar ulang diagram menjadi kode LaTeX TIKZ atau Mermaid.
Pak Khabib juga menunjukkan pola kerja yang banyak dipakai sekarang. Sebuah dokumen PDF diekstrak, lalu AI diminta merangkum, menjawab pertanyaan spesifik, dan mendiskusikan isi secara interaktif.
Dalam contoh yang ia tampilkan, materi diskusi bahkan mengambil dokumen regulasi. Sebuah peraturan menteri diminta diringkas berdasarkan topik, lalu ditanya pasal tertentu, lalu diubah menjadi tabel persyaratan. Sebuah simulasi yang menggambarkan kerja akademik modern. Membaca dokumen panjang, menyaring informasi, menyusunnya ulang dalam format yang lebih mudah diuji.
AI dapat memotong waktu di pekerjaan mekanis (ekstraksi, konversi, peringkasan awal tetapi tetap memerlukan check and balance manusia. Bahkan saat AI dipakai untuk mengolah data hasil ekstraksi (misalnya diminta membuat rangkuman penting, lalu membuat grafik batang dari tabel), ia menuntut pengguna untuk memahami data, bukan hanya memoles tampilan.
Pada bagian lain, Khabib mengingatkan bahwa menulis ilmiah selalu punya tahapan. Pra-penulisan (perencanaan), drafting, revisi konten, dan penyuntingan.
Dengan struktur ini, AI bisa ditempatkan secara proporsional. Membantu brainstorming dan kerangka, membantu pengecekan bahasa, membantu merangkum, tetapi tidak mengambil alih tanggung jawab argumentasi.
Tools Menulis, Etika, dan Latihan: Menguji, Bukan Memuja
Di bagian penutup, Khabib masuk ke daftar yang paling dicari peserta, yakni tools penulisan. Pak Khabib menyebut platform QA AI umum (ChatGPT, Gemini, Deepseek, Grok, Copilot) yang bisa dipakai untuk mengajukan pertanyaan dan mengawali penulisan, termasuk brainstorming dengan akurasi yang belum tentu sama antar platform.
Lalu Pak Khabib menyebut platform yang lebih spesifik dan terintegrasi misalnya SciSpace, Quillbot, JustDone, dengan fitur yang sering jadi “paket lengkap” seperti Chat PDF, paraphraser, summarizer, humanize, grammar checker, plagiarism checker, citation generator; bahkan ada yang menambah presentation creator dan AI writer.
Tetapi, lagi-lagi, daftar itu tidak disajikan sebagai etalase. Ia dibingkai oleh satu prinsip yakni prompt menentukan hasil. Kualitas input sangat menentukan kualitas output “Prompt Engineering adalah kunci,” tulisnya.
Dan karena AI bukan sumber kebenaran absolut, ia hanya asisten cerdas, bukan pengganti berpikir kritis, verifikasi fakta, dan etika keilmuan.
Sesi praktik yang ia rancang menegaskan pendekatan itu. Peserta diminta mencoba pertanyaan sesuai minat penelitian, misalnya meminta lima pertanyaan riset dan variabelnya, serta studi sejenis, lalu membandingkan jawaban di sejumlah platform (ChatGPT, Deepseek, Grok, SciSpace, Quillbot).
Latihan ini membangun kebiasaan baru yaitu menguji keluaran AI, membandingkan, dan menyadari keterbatasannya. Pada slide rujukan, Pak Khabib juga mencantumkan sumber definisi AI dari Britannica dan IBM.
Detail kecil ini memberi sinyal yang penting, bahkan saat bicara AI, tradisi akademik tetap berpijak pada rujukan. Pada akhirnya, inti presentasi Pak Khabib terasa menegaskan AI boleh masuk pesantren, masuk kampus, masuk ruang riset. Tetapi ia harus masuk sebagai alat bantu yang disadari risikonya, bukan jalan pintas yang merusak nalar. Riset tidak sekadar “menjadi cepat”. Ia harus tetap “menjadi benar” atau setidaknya, terus berusaha menuju benar, melalui verifikasi, pembacaan ulang, dan kejujuran ilmiah.
