Mengurangi Halusinasi AI: Bagaimana RAG Membantu Mahasiswa Menjadi Peneliti yang Lebih Akurat

QUBACA.COM - Bayangkan kamu mengetik, "Buatkan landasan teori tentang kebijakan moneter lengkap dengan referensi jurnal." Dalam hitungan detik, AI akan menyodorkan tulisan rapi lengkap dengan daftar pustaka yang tampak meyakinkan. Masalahnya, sebagian referensi itu bisa jadi tidak pernah ada.

Fenomena ini disebut halusinasi AI: model menghasilkan keluaran yang tidak akurat atau tidak masuk akal (IBM, 2026). Yang membuatnya berbahaya, jawaban keliru itu sering disajikan dengan penuh percaya diri. Bagi mahasiswa, dampaknya serius, mulai dari nilai turun sampai tuduhan pelanggaran integritas akademik. Kabar baiknya, ada cara kerja yang jauh lebih aman: RAG.

Mengapa AI Bisa Mengarang?

Saat kamu meminta AI "membuatkan" sesuatu secara langsung, ia menjawab dari ingatan hasil pelatihannya (training). Ingatan itu punya tiga kelemahan: tidak selalu lengkap atau representatif, sulit diperbarui sehingga bisa ketinggalan zaman, dan sulit ditelusuri asalnya (IBM, 2026; Lewis dkk., 2020).

Ketika AI tidak tahu jawabannya, ia tidak otomatis berkata "saya tidak tahu". Sebaliknya, ia cenderung tetap menjawab dengan menyusun kalimat yang terdengar masuk akal. Dalam studi Nishisako dkk. (2025), chatbot tanpa RAG menjawab seluruh pertanyaan yang diajukan, dan sekitar 40% jawabannya mengandung halusinasi. Itulah sebabnya jawaban AI bisa fasih, tapi salah.

Apa Itu RAG?

Retrieval-Augmented Generation (RAG) adalah pendekatan yang diperkenalkan oleh Lewis dkk. pada 2020. Idenya sederhana: AI tidak langsung menjawab, tetapi mencari dulu di dokumen rujukan.

Analogi yang mudah:

• AI biasa seperti mahasiswa yang menjawab ujian closed book hanya dari ingatan.

• AI dengan RAG seperti mahasiswa yang menjawab ujian open book: membuka buku, menemukan bagian yang relevan, lalu menyusun jawaban dari sana.

Istilah closed-book dan open-book ini juga dipakai Lewis dkk. untuk membedakan model yang hanya mengandalkan ingatan dari model yang memakai pencarian.

Prosesnya dua langkah. Pertama, sistem mencari bagian dokumen yang relevan dengan pertanyaan Anda. Kedua, AI menyusun jawaban berdasarkan bagian tersebut. Karena jawabannya bersumber dari dokumen nyata, kamu bisa mengecek kebenarannya. Pengetahuan sistem juga mudah diperbarui, cukup dengan mengganti atau menambah dokumennya (Lewis dkk., 2020).

Sebuah studi pada 2025 menguji chatbot yang menjawab pertanyaan seputar kanker (Nishisako dkk., 2025). Hasilnya menarik untuk dicermati mahasiswa:

Cara kerja AI Jawaban yang mengandung halusinasi

Tanpa RAG (menjawab dari ingatan) sekitar 37–40%

RAG dengan hasil pencarian Google sekitar 13–23%

RAG dengan sumber resmi yang terkurasi 0–3%

Persentase dihitung dari 62 pertanyaan. Sumber: Nishisako dkk. (2025), Tabel 3.

Tabel ini menunjukkan bahwa RAG dengan sumber resmi hampir bebas halusinasi, sedangkan RAG dengan hasil pencarian internet yang tidak terakurasi masih sering keliru. Sumber resmi dalam studi ini adalah situs Cancer Information Service milik National Cancer Center Jepang, yang disusun dan ditinjau tenaga medis.

Studi itu juga menemukan bahwa AI berbasis RAG kadang menolak menjawab bila informasinya tidak ada di dokumen: chatbot RAG menjawab 36–81% pertanyaan, sedangkan chatbot tanpa RAG menjawab semuanya. Ini kelebihan, karena jawaban "tidak ditemukan" jauh lebih aman daripada jawaban palsu yang meyakinkan. Namun ada kompromi: chatbot berbasis sumber resmi sesekali juga tidak menjawab padahal informasinya ada di dokumen, sehingga jawabannya bisa kurang lengkap. Penulisnya menyebut ini tantangan teknis yang masih perlu diperbaiki.

RAG juga tidak otomatis sempurna. Sebuah studi kualitatif atas tafsir QS. Al-Baqarah ayat 228 menemukan indikasi salah atribusi pada Microsoft Copilot dan Perplexity, yang mencari sumber di internet. Keduanya menyebut kitab tafsir tertentu, padahal isinya diambil dari artikel atau jurnal perantara. Pada ChatGPT, sumber rujukan yang disebut berubah ketika pertanyaan yang sama diajukan ulang (Unzila & Taufiq, 2025). Studi itu tidak menemukan kesalahan fatal, tetapi menegaskan bahwa hasil AI perlu ditelusuri dan diverifikasi. Artinya, verifikasi tetap tugas kita.

Cara Beralih ke RAG: Panduan Praktis

Kamu tidak perlu menjadi programmer.

• Siapkan sumbernya dulu. Kumpulkan 5–10 jurnal atau buku yang kredibel, misalnya dari Google Scholar, Scopus, atau perpustakaan kampus.

• Unggah ke alat berbasis dokumen, seperti NotebookLM atau Claude. Alat ini menjawab dari file yang kamu berikan dan bekerja dengan prinsip yang serupa dengan RAG.

• Batasi AI pada dokumen Anda. Bandingkan dua cara bertanya:

Hindari: "Jelaskan dampak inflasi terhadap UMKM beserta referensinya."

Gunakan: "Berdasarkan jurnal yang saya unggah, jelaskan dampak inflasi terhadap UMKM. Jangan gunakan informasi di luar dokumen. Sebutkan penulis dan tahunnya. Jika tidak ada jawabannya, katakan tidak ditemukan."

• Cek setiap kutipan. Buka rujukan yang ditunjukkan AI dan pastikan kalimatnya benar-benar ada di dokumen asli. Instruksi "jangan gunakan informasi di luar dokumen" mengurangi risiko, tetapi tidak menjaminnya, sehingga kamu tetap harus memeriksanya sendiri (IBM, 2026).

• Tulis dengan kata-kata mu sendiri. AI membantu menemukan dan merangkum, tetapi analisis dan kesimpulan tetap milik Anda.

Mengapa Ini Penting?

Dengan cara kerja ini, AI berperan sebagai asisten riset yang membantu menyisir banyak halaman dengan cepat, bukan sebagai penulis bayangan yang mengarang. Risiko referensi palsu turun, argumen kamu berpijak pada sumber nyata, dan kamu tetap memegang kendali atas karya sendiri.

Mulai sekarang, ubah kebiasaan: jangan langsung meminta AI membuatkan, tetapi minta AI membaca dan menjawab dari sumber yang kamu pilih. RAG tidak menghilangkan halusinasi sepenuhnya, tetapi dalam studi diatas ia menurunkannya secara signifikan, asalkan sumbernya berkualitas dan hasilnya tetap kamu periksa. Gunakan AI untuk mempercepat riset, bukan untuk menggantikan proses berpikir.

Terakhir, periksa kebijakan kampus atau dosen mu mengenai penggunaan AI, dan cantumkan bila diwajibkan.

Daftar Pustaka

IBM. (2026). Apa itu halusinasi AI? IBM Think. https://www.ibm.com/id-id/think/topics/ai-hallucinations

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://arxiv.org/abs/2005.11401

Nishisako, S., Higashi, T., & Wakao, F. (2025). Reducing hallucinations and trade-offs in responses in generative AI chatbots for cancer information: Development and evaluation study. JMIR Cancer, 11, e70176. https://doi.org/10.2196/70176

Unzila, A. R., & Taufiq, M. (2025). Halusinasi dan bias artificial intelligence dalam penafsiran QS. Al-Baqarah [2]: 228 pada Chat-GPT, Microsoft Copilot, dan Perplexity. JIQSI: Jurnal Ilmu al-Qur'an dan Studi Islam, 3(2), 88–107.