Mengenal Large Language Models (LLM) dan Cara Kerjanya di Balik Layar

6/9/2026

Booming AI dan Lahirnya Era LLM

Kita hidup di masa yang sangat istimewa dalam sejarah teknologi. Dalam kurun waktu kurang dari tiga tahun, kemampuan model kecerdasan buatan meningkat dengan lompatan yang sulit diprediksi bahkan oleh para peneliti AI sendiri. ChatGPT yang diluncurkan pada November 2022 berhasil meraih 100 juta pengguna aktif hanya dalam 2 bulan.

Di balik semua kemampuan menakjubkan ini terdapat teknologi yang disebut Large Language Models (LLM). Memahami cara kerja LLM secara konseptual adalah pengetahuan yang sangat berharga di era ini.

Apa itu Neural Network dan Arsitektur Transformer?

LLM dibangun di atas arsitektur yang disebut neural network — jaringan komputasi yang terinspirasi oleh cara neuron di otak manusia terhubung dan berkomunikasi. Neural network terdiri dari lapisan-lapisan node yang terhubung, di mana setiap koneksi memiliki "bobot" yang menentukan seberapa kuat pengaruh satu node terhadap node lainnya.

Pada tahun 2017, tim peneliti Google mempublikasikan paper revolusioner "Attention Is All You Need" yang memperkenalkan arsitektur Transformer. Inovasi kunci dari Transformer adalah mekanisme "self-attention" yang memungkinkan model untuk mempertimbangkan konteks dari semua kata lain dalam kalimat secara simultan.

Proses Pre-training: Belajar dari Hampir Seluruh Internet

LLM modern dilatih dalam dua tahap utama. Tahap pertama adalah pre-training, di mana model diekspos ke corpus teks yang sangat besar — ratusan miliar token yang mencakup buku, artikel ilmiah, kode program, diskusi forum, dan sebagian besar konten internet yang dapat diakses publik.

Selama pre-training, model dilatih dengan tugas sederhana: prediksi kata berikutnya. Melalui proses ini, model secara implisit mempelajari struktur bahasa, fakta-fakta tentang dunia, penalaran logis, dan gaya penulisan yang berbeda-beda. Training ini membutuhkan sumber daya komputasi yang luar biasa — ribuan GPU yang bekerja selama berbulan-bulan.

Fine-tuning dan RLHF: Membentuk Kepribadian Model

Model yang hanya melewati pre-training tidak langsung menjadi asisten yang berguna dan aman. Tahap kedua adalah fine-tuning dengan Reinforcement Learning from Human Feedback (RLHF). Proses inilah yang membentuk kepribadian asisten AI: kemampuan untuk mengikuti instruksi, menolak permintaan yang berbahaya, dan berkomunikasi dengan cara yang natural.

Limitasi yang Harus Dipahami

LLM tidak memiliki pemahaman yang sesungguhnya tentang dunia — mereka bekerja berdasarkan pola statistik dalam data training. Ini berarti mereka bisa menghasilkan teks yang terdengar sangat meyakinkan tetapi faktanya salah — fenomena yang disebut "hallucination".

LLM juga tidak memiliki memori di luar konteks percakapan saat ini dan tidak tahu tentang kejadian yang terjadi setelah tanggal cutoff training data mereka. Memahami limitasi ini sangat krusial agar kita bisa menggunakan LLM secara efektif sambil selalu memverifikasi output-nya.