Apa itu LLM (Large Language Model)?

Apa itu LLM?

LLM adalah singkatan dari Large Language Model atau model bahasa besar. Ini merupakan program kecerdasan buatan berbasis jaringan saraf tiruan mendalam (deep neural network) yang dirancang khusus untuk memproses, memahami, menerjemahkan, merangkum, dan menghasilkan teks bahasa manusia dengan kefasihan luar biasa.

Sebutan Large (besar) pada LLM merujuk pada dua aspek ukuran:

1. Jumlah Parameter Internal: Mencapai puluhan hingga ratusan miliar angka bobot koneksi (weights) yang menentukan cara model memproses informasi.
2. Volume Data Pelatihan: Korpus data teks yang sangat masif, mencakup ratusan miliar hingga puluhan triliun token yang dikumpulkan dari buku digital, ensiklopedia, repositori kode pemrograman, dan artikel daring terbuka.

Arsitektur dan tahapan pembuatan LLM

LLM modern dibangun di atas arsitektur Transformer yang pertama kali diperkenalkan oleh para peneliti Google dalam publikasi ilmiah legendaris "Attention Is All You Need" pada tahun 2017. Berbeda dari jaringan saraf generasi terdahulu (seperti RNN atau LSTM) yang membaca kalimat secara urut kata demi kata, arsitektur transformer memanfaatkan mekanisme Self-Attention untuk menimbang hubungan antar seluruh kata dalam kalimat secara bersamaan (paralel).

Proses pembentukan sebuah LLM umumnya melewati tahapan berikut:

1. Pra-Pelatihan (Pre-Training): Model membaca teks berskala triliunan token tanpa label jawaban manusia (unsupervised learning). Tugas intinya sederhana: menebak kata berikutnya (next-token prediction). Dari proses tebak-menebak miliaran kali ini, model menyerap tata bahasa, logika umum, pengetahuan dunia, dan pola penalaran.
2. Penyelarasan Instruksi (Instruction Tuning): Model dasar (base model) dilatih lebih lanjut dengan kumpulan percakapan tanya-jawab agar terbiasa merespons instruksi manusia, bukan sekadar menyambung kalimat secara acak.
3. Penyelarasan Keamanan & Preferensi Manusia (RLHF / DPO): Menggunakan teknik Reinforcement Learning from Human Feedback atau Direct Preference Optimization untuk melatih model agar menolak konten berbahaya, mengurangi kata kasar, dan memilih respons yang paling bermanfaat bagi manusia.
4. Inferensi (Inference): Tahap operasional ketika model yang sudah matang menerima masukan (prompt) dari pengguna dan memproduksi keluaran teks secara langsung di server.

Contoh keluarga LLM modern

Dalam industri teknologi saat ini, LLM hadir dalam bentuk layanan tertutup (proprietary API) maupun model bobot terbuka (open-weights):

• OpenAI: Seri GPT (seperti GPT-4o) dan model penalaran o-series (o1, o3).
• Anthropic: Keluarga Claude (Claude 3.5 Sonnet, Claude 3.5 Haiku, Claude 3 Opus).
• Google: Seri Gemini (Gemini 1.5 Pro, Gemini 1.5 Flash, Gemini 2.0).
• Model Berbobot Terbuka (Open-Weights): Meta Llama (Llama 3, 3.1, 3.3) dan DeepSeek (DeepSeek-V3 dan DeepSeek-R1) yang dapat diunduh dan dijalankan mandiri di server lokal.

Batasan teknis dan salah paham umum

• LLM tidak memiliki kesadaran atau akal budi: Model bekerja murni atas dasar perhitungan probabilitas matematis terhadap token kata berikutnya. Model tidak "memahami" makna dalam pengertian filosofis manusia.
• Rentan halusinasi (AI Hallucination): Karena orientasi kerja LLM adalah menghasilkan teks yang terdengar fasih dan masuk akal secara statistik, model terkadang mengarang fakta, tanggal, kutipan riset, atau fungsi kode yang sebenarnya fiktif.
• Batas pengetahuan waktu (Knowledge Cutoff): Pengetahuan bawaan model terhenti pada tanggal terakhir korpus pelatihannya dikumpulkan. Peristiwa setelah tanggal tersebut tidak diketahui model kecuali disambungkan ke alat pencarian web atau sistem RAG.
• Kebutuhan komputasi yang sangat masif: Pelatihan dan pengoperasian LLM membutuhkan ribuan prosesor grafis akselerator khusus (seperti GPU NVIDIA H100/B200 atau Google TPU) dengan konsumsi daya listrik dan pendinginan yang besar.

Rujukan resmi

• Vaswani et al. (2017), "Attention Is All You Need", Advances in Neural Information Processing Systems 30 (NIPS 2017), arXiv:1706.03762 (Pengecekan: Oktober 2026, sumber: arxiv.org/abs/1706.03762).
• OpenAI Research: GPT-4 Technical Report & Model Overview (Pengecekan: Oktober 2026, sumber: openai.com/research/gpt-4).
• Google DeepMind: Gemini 1.5 & Gemini Family Technical Reports (Pengecekan: Oktober 2026, sumber: deepmind.google/technologies/gemini).