Lihat sumber Model generatif

Model generatif (''generative model'') merupakan model yang mempelajari distribusi probabilitas yang mendasari variabel masukan dan dapat digunakan untuk menghasilkan data baru yang serupa dengan pelatihan.Model generatif mempelajari distribusi dan hubungan sekuensial atau temporal dari data yang mendasarinya, sedangkan model diskriminatif konvensional mempelajari pemetaan antara data masukan dan data keluaran menggunakan algoritma regresi atau klasifikasi (Bordukova, Makarov, Esteban, Schmich, & Menden, 2024). Kemajuan terbaru dalam pembelajaran mesin ''Machine Learning'' (ML) dan pembelajaran mendalam atau ''Deep Learning'' (DL) telah memperluas jangkauan tradisional dengan tugas AI berbasis data seperti: prediksi, klasifikasi, atau rekomendasi terhadap pembuatan konten yang unik, realistis, dan kreatif. Kolaborasi yang lazim antara manusia dan sistem cerdas dalam bisnis telah dibentuk oleh penerapan AI dalam berbagai cara, terutama di bidang optimalisasi proses dan pengambilan keputusan.<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Istilah “generatif” dalam konteks AI mengacu pada kapasitas sistem AI untuk menghasilkan material baru secara mandiri tanpa keterlibatan manusia. Material ini dapat berupa teks, gambar, audio, video, yang berinteraksi dengan standar tertentu atau pedoman khusus. AI generatif mampu mengatasi perkembangan ini dengan memberikan prospek ''augmentation'' dan ''automation'' dalam bentuk layanan inovatif, misalnya dengan membantu karyawan untuk dukungan pelanggan dengan preferensi saran tanggapan percakapan yang sesuai. Model generatif adalah model pembelajaran mesin yang menghasilkan sampel data baru yang serupa dengan data pelatihan tempat sampel tersebut dilatih. Model ini menangkap distribusi data yang mendasarinya dan dapat menghasilkan contoh-contoh data baru. Model ini dapat diterapkan dalam sintesis gambar, augmentasi data, dan menghasilkan konten realistis seperti gambar, musik, dan teks. Model ini dianggap sebagai model statistik yang dapat menghasilkan contoh data baru. Model ini digunakan dalam pembelajaran mesin tanpa pengawasan atau ''Unsupervised Learning'' (UL) sebagai sarana untuk melakukan tugas seperti: estimasi probabilitas dan kemungkinan, memodelkan titik data, menggambarkan fenomena dalam data, dan membedakan kelas berdasarkan probabilitas tersebut.<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Model generatif menjelaskan bagaimana data dihasilkan, mempelajari parameter dengan memaksimalkan probabilitas, dan menghasilkan sesuatu yang berguna untuk tugas pembelajaran tanpa pengawasan. Model ini juga memerlukan lebih sedikit data untuk dilatih karena model ini lebih bias dengan membuat asumsi yang lebih kuat, yaitu asumsi independensi bersyarat. Model ini digunakan untuk membantu kita membuat keputusan yang lebih baik. <ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Model ini dapat digunakan untuk tugas yang lebih luas, namun memerlukan lebih banyak data pelatihan dan sumber daya komputasi yang lebih besar. Model generatif mampu menghasilkan sampe data sintetik yang secara statistik serupa dengan yang diamati oleh data. Ini biasanya digunakan dalam tugas-tugas seperti sintesis gambar atau teks. AI generatif memiliki tantangan besar karena teknologi ini dapat digunakan untuk peran analitis (manajemen data dan tugas kognitif), penggunaan prediktif (pembuatan kebijakan), dan praktik operasional (proteksi data dan keamanan informasi). Karena memiliki fungsi keagenan, AI mempunyai peluang besar dalam pengambilan keputusan, regulasi, kompetisi, termasuk hak asasi manusia. AI Generatif dapat menghasilkan produk dan layanan baru yang lebih akurat, menjawab pertanyaan kompleks berdasarkan akses ke beragam sumber, beroperasi tidak dalam ruang hampa tetapi dengan mengikuti pola yang dipelajari dari perpustakaan data (Sanchez & Morales, 2024).<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Tujuan dari AI Generatif adalah untuk membuat konten yang benar-benar baru menggunakan data yang telah dilatih oleh model tersebut. ''Input'' dan ''output'' sangat fleksibel pada AI Generatif, sering kali memerlukan rekayasa yang cepat untuk menentukan ''input'' terbaik agar mendapatkan ''output'' yang diinginkan. AI Generatif mengharuskan manusia untuk memastikan keakuratan ''output''nya. Solusi dari AI Generatif biasanya tidak memiliki perancah yang diperlukan untuk menemukan masalah dan mengulangi data yang dianotasi. Sistem AI Generatif mencakup infrastruktur, model, pemrosesan data, dan komponen inti sistem, yang memfasilitasi interaksi dan penerapan dalam konteks yang lebih luas. Aplikasi AI Generatif mengacu pada penggunaan praktis dan implementasi sistem seperti pembuatan konten optimasi mesin pencari atau ''Search Engine Optimization'' (SEO), pembuatan kode yang memecahkan masalah dunia nyata, dan mendorong inovasi di berbagai domain. AI Generatif juga diharapkan dapat mereformasi secara mendasar cara organisasi dalam mengelola, memelihara, dan berbagi pengetahuan (Feuerriegel, Hartmann, Janiesch, & Zschech, 2024).<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Modalitas pengukuran menggambarkan sudut pandang suatu objek yang berbeda dan digunakan dalam pembelajaran multimodal untuk mempelajari representasi bersama yang menangkap informasi dari semua modalitas dan dapat digunakan untuk klaster, pembelajaran aktif dan pembelajaran transfer, dan di mana label kelas tersedia. Model pembelajaran multimodal harus memenuhi empat kriteria: faktorisasi laten, generasi bersama, generasi silang yang koheren, dan generasi sinergi. Jaringan saraf dalam atau ''Deep Neural Network'' (DNN) dan model generatif dalam atau ''Deep Generative Model'' (DGM) dengan representasi laten telah digunakan dalam pembelajaran multimodal. DGM mempelajari representasi laten gabungan menggunakan perkiraan variasonal dari distribusi posterior, dan mempelajari model generatif untuk modalitas data dengan mengoptimalkan variasional yang lebih rendah terikat pada kemungkinan ''log data''. Kedua mekanisme ini dapat dilakukan, namun saling bertentangan. Model generatif ini fokus untuk menghasilkan modalitas tanpa menggunakan representasi laten gabungan (Mancisidor, Kampffmeyer, Aas, & Jensen, 2024).<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Kemajuan dalam kecerdasan buatan generatif atau ''Generative Artificial Intelligence'' (GAI) telah berkembang pula teknik produksi bahan tekstual dalam otomatisasi pekerjaan. GAI, khususnya melalui Model Bahasa Besar atau ''Large Language Model'' (LLM), berfokus pada pembuatan konten kreatif secara otonom. LLM dianggap sebagai algoritma fundamental, mewakili lompatan besar di bidang AI. Tujuan dari kemajuan AI adalah untuk mencapai tingkat kreativitas dan inovasi yang melampaui kemampuan manusia. GAI Generatif adalah mesin transformatif yang tidak hanya mengubah cara bekerja, namun juga membua jalan bagi kemungkinan otomasi tak terbatas di lingkungan tempat kerja. GAI memainkan peran penting dalam membantu dan mempercepat proses untuk membangun produksi konten digital. GAI juga mempersonalisasi pengalaman belajar dan menciptakan materi yang inovatif (Naqbi, Bahroun, & Ahmed, 2024).<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

GAI dan LLM meski keduanya berada di bawah naungan AI, memiliki tujuan yang berbeda dan beroperasi secara berbeda. LLM merupakan bagian dari GAI berfokus pada pembuatan teks mirip bahasa manusia. GAI mencakup jangkauan kemampuan pembuatan konten yang lebih luas di berbagai media. ''Generative Pretained Transformer'' (GPT) adalah jenis LLM yang dirancang untuk menghasilkan teks. LLM mengacu pada model skala besar yang mampu memahami dan menghasilkan bahasa manusia termasuk teks. AI berfokus pada proses berbasis aturan dan proses berorientasi tugas, sedangkan LLM memanfaatkan data untuk menghasilkan teks mirip bahasa manusia dan menawarkan aplikasi yang fleksibel seperti ''chatbot'' yang menggunakan LLM. Dengan menggabungkan kekuatan prediktif GAI dan kemampuan interpretatif LLM, maka AI menawarkan pendekatan holistik untuk meningkatkan layanan paripurna.<ref>author author. [https://www.google.co.id/books/edition/ARTIFICIAL_INTELLIGENCE_DENGAN_MODEL_DIS/lLFbEQAAQBAJ?hl=id&gbpv=1 Artificial Intelligence dengan Model Diskriminatif dan Model Generatif (Pendekatan Saintifik Populer pada Riset Kolaboratif)]. Widina Media Utama. 2025. hlm. 5-8. ISBN 9786235009254.</ref>

Terdapat dua pendekatan utama dalam [[klasifikasi statistik]], yaitu pendekatan '''generatif''' dan pendekatan '''diskriminatif'''. Keduanya menggunakan pendekatan yang berbeda dalam tingkat pemodelan statistik dan terminologi yang tidak konsisten, , tetapi terdapat tiga tipe utama yang dapat dibedakan, sebagaimana yang disebutkan oleh  :

# '''Model generatif''' adalah model statistik dari distribusi probabilitas gabungan <math>P(X, Y)</math> pada variabel yang diamati ''X'' dan variabel target ''Y''; <ref>: "Generative classifiers learn a model of the joint probability, p(x, y) , of the inputs ''x'' and the label ''y'', and make their predictions by using Bayes rules to calculate p(y\mid x) , and then picking the most likely label ''y''.</ref> Model generatif dapat digunakan untuk "membangkitkan" contoh acak (hasil) dari pengamatan ''x.''<ref>: "We can use Bayes rule as the basis for designing learning algorithms (function approximators), as follows: Given that we wish to learn some target function f\colon X \to Y , or equivalently, P(Y\mid X) , we use the training data to learn estimates of P(X\mid Y) and P(Y) . New ''X'' examples can then be classified using these estimated probability distributions, plus Bayes rule. This type of classifier is called a ''generative'' classifier, because we can view the distribution P(X\mid Y) as describing how to generate random instances ''X'' conditioned on the target attribute ''Y''.</ref>
# '''Model diskriminatif''' adalah model probabilitas bersyarat <math>P(Y\mid X = x)</math>dari target ''Y,'' dengan pengamatan ''x''. Model ini dapat digunakan untuk "mediskriminankan" nilai variabel target ''Y'', dengan pengamatan ''x''. <ref>: "Logistic Regression is a function approximation algorithm that uses training data to directly estimate P(Y\mid X) , in contrast to Naive Bayes. In this sense, Logistic Regression is often referred to as a ''discriminative'' classifier because we can view the distribution P(Y\mid X) as directly discriminating the value of the target value ''Y'' for any given instance ''X''</ref>
# Pengklasifikasi yang dihitung tanpa menggunakan model probabilitas juga disebut secara luas sebagai "model diskriminatif".

Perbedaan antara kedua kelas terakhir ini tidak dijelaskan secara konsisten;<ref>: "This distinction between conditional learning and discriminative learning is not currently a well-established convention in the field."</ref>  menyebutkan bahwa ketiga kelas ini sebagai ''pemelajaran generatif'', ''pemelajaran kondisional'', dan ''pemelajaran diskriminatif'', tetapi  hanya membedakannya menjadi dua kelas dengan menyebutkan '''pengklasifikasi generatif''' (distribusi gabungan) dan '''pengklasifikasi diskriminatif''' (distribusi kondisional atau tidak ada distribusi), tanpa membedakan dua kelas terakhir. <ref>: "Discriminative classifiers model the posterior p(y|x) directly, or learn a direct map from inputs ''x'' to the class labels."</ref> Secara analogis, pengklasifikasi yang berdasarkan pada model generatif adalah '''pengklasifikasi generatif''', sementara pengklasifikasi yang berdasarkan pada model diskriminatif adalah '''pengklasifikasi diskriminatif''', walaupun istilah ini juga merujuk pada pengklasifikasi yang tidak berdasarkan pada sebuah model.

Contoh umum masing-masing, yang semuanya merupakan [[Pengklasifikasi linear|pengklasifikasi linier]], adalah:

* pengklasifikasi generatif:
** [[Naive Bayes classifier|pengklasifikasi naive bayes]] dan
** [[Analisis diskriminan linear|analisis diskriminan linier]]
* model diskriminatif:
** [[regresi logistik]]

Tujuan klasifikasi adalah menentukan label ''y'' dari suatu pengamatan ''x''. Klasifikasi ini dapat dilakukan dengan beberapa cara, yaitu menghitungnya secara langsung, tanpa menggunakan distribusi probabilitas (''pengklasifikasi bebas-distribusi'' ); kita dapat memperkirakan probabilitas suatu label berdasarkan suatu pengamatan, <math>P(Y|X=x)</math> (''model diskriminatif''), dan membangun klasifikasi hal tersebut; atau dapat memperkirakan distribusi gabungan <math>P(X, Y)</math> (''model generatif''), yang darinya dihitung probabilitas bersyarat <math>P(Y|X=x)</math>, dan kemudian membangun klasifikasi di atasnya. Semakin tidak langsungnya cara-cara tersebut, semakin banyak konsep probabilitas yang terlibat, sehingga memungkinkan lebih banyak pengetahuan tentang domain dan teori probabilitas untuk diterapkan. Dalam praktiknya, pendekatan yang berbeda digunakan tergantung pada masalah yang dihadapi, dan terkadang kombinasi metode digunakan untuk memanfaatkan kelebihan dari berbagai pendekatan.

== Lihat juga ==
* Model diskriminatif
* Model grafis

== Catatan ==
== Pranala luar ==

== Referensi ==
<references />

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Model+generatif&oldid=28911432 Wikipedia bahasa Indonesia], revisi 28911432 (2026-01-30T18:25:10Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

<!-- WIKI_UNISSULA_PRESENTATION_V4 -->