Cara Cerdas Hapus Bias AI: Peneliti MIT Atasi Dilema "Whac-a-Mole"

[CAMBRIDGE], (Rabu, 29 April 2026)

Masalah bias dalam Artificial Intelligence (AI) tetap menjadi tantangan besar, terutama pada model yang digunakan untuk mendiagnosis kondisi medis. Mengutip laporan dari MIT News, para peneliti dari MIT, Worcester Polytechnic Institute, dan Google baru saja memperkenalkan pendekatan revolusioner untuk mengatasi masalah ini.

Melansir data dari makalah yang diterima di 2026 International Conference for Learning Representations, metode yang disebut "Weighted Rotational DebiasING" atau WRING ini dirancang khusus untuk Vision Language Models (VLMs). Teknik ini bertujuan untuk mengoreksi model agar tidak memberikan hasil yang diskriminatif, misalnya dalam mengklasifikasi lesi kulit berdasarkan warna kulit pasien.

Mengatasi Dilema "Whac-a-Mole"

Selama ini, metode yang paling umum digunakan untuk menghapus bias disebut sebagai "projection debiasing". Namun, metode ini sering memicu apa yang dikenal sebagai dilema "Whac-a-Mole". Istilah ini merujuk pada fenomena di mana ketika satu bias dihilangkan, struktur internal model terganggu sehingga bias lain justru muncul atau menguat.

"Saat Anda melakukan itu [projection debiasing], Anda secara tidak sengaja menekan segala sesuatu di sekitarnya," ujar Walter Gerych, penulis utama penelitian ini. Menurutnya, hubungan lain yang telah dipelajari model ikut berubah saat ruang representasi data dipotong secara paksa.

WRING bekerja dengan cara yang berbeda. Alih-alih memotong subspace yang mengandung bias, WRING memutar koordinat tertentu dalam high-dimensional space milik model ke sudut yang berbeda. Dengan cara ini, model tidak lagi bisa membedakan kelompok tertentu dalam sebuah konsep (misalnya ras atau gender), namun tetap menjaga hubungan data lainnya tetap utuh.

Efisiensi Tanpa Retraining

Salah satu keunggulan utama WRING adalah sifatnya sebagai metode post-processing. Artinya, teknik ini bisa diterapkan secara langsung pada pre-trained VLMs seperti OpenCLIP milik OpenAI tanpa harus melatih ulang model dari nol.

"Orang-orang telah menghabiskan banyak sumber daya dan uang untuk melatih model-model besar ini. WRING sangat efisien karena tidak memerlukan pelatihan tambahan dan bersifat invasif minimal," tambah Gerych. Saat ini, tim peneliti berencana mengembangkan teknik serupa untuk model bahasa generatif seperti ChatGPT.

Dampak bagi Indonesia

Implementasi teknologi WRING memiliki relevansi tinggi bagi ekosistem digital dan kesehatan di Indonesia:

1. Akurasi Medis yang Lebih Adil: Indonesia memiliki keragaman warna kulit yang luas. Model AI medis yang dikembangkan di luar negeri sering kali memiliki bias terhadap warna kulit tertentu. Dengan WRING, penyedia layanan kesehatan di Indonesia dapat mengadopsi model global dan melakukan debiasing agar lebih akurat bagi pasien lokal tanpa biaya retraining yang mahal.
2. Efisiensi Biaya bagi Startup Lokal: Startup AI di Indonesia dapat memanfaatkan model open-source besar dan menggunakan WRING untuk menyesuaikannya dengan nilai-nilai lokal secara instan.
3. Kepatuhan Regulasi: Seiring dengan upaya pemerintah dalam merumuskan regulasi etika AI, teknologi seperti WRING memberikan solusi teknis bagi perusahaan untuk memastikan sistem mereka bebas dari diskriminasi SARA.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.