“Besok ulangan AI.”
Dalam skenario ilustratif ini, seorang murid kelas enam menutup buku catatannya dan mulai membaca daftar kata keras-keras.
“Algoritma. Data. Machine learning. Prompt. Generative AI. Bias.”
Temannya bertanya, “Bias itu apa?”
“Pokoknya ada di halaman tiga.”
“Terus maksudnya?”
“Nanti aja. Yang penting hafal dulu.”
Kalau pembelajaran AI berhenti pada situasi seperti ini, sekolah punya masalah. Murid mungkin dapat nilai bagus, tetapi belum tentu dapat kemampuan yang dibutuhkan ketika benar-benar berhadapan dengan sistem AI.
Istilah tetap penting. Anak perlu punya kosakata untuk membicarakan teknologi. Tetapi kosakata adalah pintu masuk, bukan tujuan akhir.
Murid yang hafal definisi “data” tetapi tidak bisa bertanya apakah data yang dipakai cukup mewakili situasi belum benar-benar memahami data. Murid yang hafal arti “AI generatif” tetapi langsung percaya semua jawabannya juga belum memiliki literasi AI yang kuat.
Pembelajaran AI seharusnya memindahkan anak dari “aku tahu istilahnya” menjadi “aku bisa menjelaskan, menguji, mempertanyakan, dan memakai konsep ini dengan bertanggung jawab”.
Tes paling sederhana: beri situasi, bukan definisi
Bayangkan guru mengganti pertanyaan.
Bukan:
“Apa definisi training data?”
Tetapi:
“Sebuah sistem dilatih mengenali buah hanya dari foto apel merah, jeruk, dan pisang kuning. Ketika diberi apel hijau, sistem sering salah. Menurutmu apa yang mungkin menjadi masalah?”
Kelas mendadak hidup.
“Contohnya kurang.”
“Apelnya cuma merah.”
“Berarti sistem belum lihat apel hijau.”
“Nah,” kata guru, “sekarang kita sedang membicarakan data pelatihan tanpa menghafal satu paragraf.”
Anak tetap bisa diperkenalkan pada istilah “training data” setelah itu. Bedanya, kata tersebut menempel pada pengalaman berpikir.
Pembelajaran konsep menjadi lebih tahan lama karena murid punya sesuatu untuk dikaitkan.
AI berubah cepat, kemampuan menilai berubah lebih lambat
Nama aplikasi, model, dan fitur bisa berubah dalam hitungan bulan. Kalau kurikulum terlalu terikat pada tutorial satu tool, materi akan cepat terasa tua.
Sementara kemampuan seperti ini jauh lebih tahan:
merumuskan masalah,
memecah masalah menjadi langkah,
memahami peran data,
mengenali pola,
menguji keluaran,
memeriksa sumber,
mengenali risiko privasi,
mempertimbangkan dampak kepada orang lain,
menjelaskan keputusan,
dan mengetahui kapan manusia harus mengambil alih.
Arah kebijakan pembelajaran Koding dan Kecerdasan Artifisial di Indonesia memang menempatkan berpikir komputasional, literasi digital, pemrograman, dan etika sebagai bagian dari pembelajaran. Kementerian Pendidikan Dasar dan Menengah juga menekankan kemampuan berpikir kritis dan pemecahan masalah secara kontekstual, bukan sekadar penguasaan teknologi.
Ini harus terlihat di ruang kelas.
Kalau murid hanya menyalin pengertian AI dari slide, tujuan besar itu belum terjadi.
Kelas AI perlu punya momen “kok bisa salah?”
Salah satu cara paling kuat untuk mengajar AI adalah memperlihatkan bahwa sistem tidak selalu bekerja sempurna.
Misalnya guru menggunakan permainan klasifikasi kartu. Setiap kelompok mendapat gambar hewan dan harus membuat aturan untuk memisahkan “hewan yang bisa terbang” dan “hewan yang tidak bisa terbang”.
Mudah, sampai muncul ayam.
“Bisa terbang nggak?”
“Bisa sedikit.”
“Berarti masuk mana?”
Kelompok mulai berdebat.
Kemudian muncul burung unta.
“Ini burung, tapi nggak terbang.”
Di sinilah konsep menjadi hidup. Kategori dan aturan buatan manusia dapat menghadapi kasus yang tidak rapi. Sistem otomatis juga dapat menghasilkan kesalahan ketika contoh, definisi, atau konteksnya terbatas.
Murid tidak perlu takut salah. Justru kesalahan menjadi bahan analisis.
Guru dapat bertanya:
“Kesalahan ini terjadi karena apa?”
“Data, aturan, atau pertanyaan kita?”
“Apa yang perlu diubah?”
Itu jauh lebih dekat dengan praktik pemecahan masalah daripada menghafal “algoritma adalah langkah-langkah logis untuk…” lalu melupakannya setelah ujian.
Jangan cuma ajarkan cara meminta, ajarkan cara menolak
Di era AI generatif, murid akan banyak belajar tentang prompt. Wajar. Instruksi yang jelas memang membantu mendapatkan keluaran yang lebih relevan.
Tetapi kemampuan membuat prompt tidak cukup.
Murid juga perlu belajar berkata:
“Jawaban ini tidak cukup.”
“Bagian ini perlu dicek.”
“Bahasanya tidak cocok untuk audiens.”
“AI melewatkan konteks.”
“Informasi ini jangan kita masukkan karena pribadi.”
“Untuk tugas ini, sebaiknya aku kerjakan sendiri.”
Kemampuan menolak output adalah bagian dari literasi.
Dalam skenario kelas ilustratif, guru meminta AI membuat penjelasan tentang fotosintesis untuk anak usia sepuluh tahun. Hasilnya lancar, tetapi ada istilah yang terlalu rumit.
Guru tidak bertanya, “Prompt siapa paling keren?”
Ia bertanya, “Kalau kamu jadi editor buku anak, apa yang kamu ubah?”
Murid mulai menandai kalimat.
“Ini susah.”
“Ini terlalu panjang.”
“Ini ada fakta yang mau aku cek dulu.”
Mereka tidak sedang belajar menjadi konsumen output. Mereka belajar menjadi penilai.
Etika jangan dipisahkan ke halaman terakhir
Banyak materi teknologi punya pola lama: teknik dulu, etika nanti.
Anak belajar fitur selama berminggu-minggu, lalu pada pertemuan terakhir ada satu slide “gunakan dengan bijak”.
Untuk AI, pendekatan itu terlalu lemah.
Etika sebaiknya muncul di dalam tugas.
Saat membuat dataset foto, tanyakan soal izin.
Saat mengedit gambar, tanyakan kepemilikan dan dampak kepada orang lain.
Saat memakai chatbot untuk tugas, tanyakan integritas akademik dan aturan guru.
Saat sistem memberi rekomendasi, tanyakan siapa yang mungkin tidak terwakili.
Saat anak ingin memasukkan data pribadi, berhenti dan bahas privasi.
Dengan begitu, etika tidak menjadi slogan. Ia menjadi bagian dari keputusan teknis.
Proyek kecil bisa mengalahkan ujian definisi
Tidak semua sekolah memiliki perangkat yang sama. Itu tidak berarti pembelajaran AI harus menunggu laboratorium sempurna.
Banyak konsep dapat diajarkan dengan pendekatan unplugged, simulasi, diskusi, desain di kertas, permainan peran, atau proyek kelompok.
Contoh proyek sederhana:
Kelompok A merancang sistem rekomendasi buku perpustakaan kelas. Mereka harus menentukan data apa yang perlu dikumpulkan dan apa yang tidak perlu.
Kelompok B menguji jawaban AI tentang satu topik dan membuat daftar mana yang bisa diverifikasi.
Kelompok C membuat aturan kelas tentang penggunaan AI untuk tugas.
Kelompok D membuat contoh dataset kecil lalu mengamati bagaimana perubahan contoh mengubah hasil klasifikasi.
Kelompok E membuat cerita dengan bantuan AI, lalu menunjukkan bagian mana yang mereka edit sendiri dan mengapa.
Setiap proyek menuntut penjelasan. Di situlah guru dapat menilai pemahaman.
Bukan “produk siapa paling keren?”, tetapi:
“Kenapa kalian memilih cara ini?”
“Data apa yang kalian gunakan?”
“Apa kelemahannya?”
“Kalau dipakai orang lain, apa yang bisa salah?”
“Apa yang akan kalian perbaiki?”
Murid perlu bahasa untuk mengatakan “saya belum tahu”
Teknologi sering membuat kelas terasa seperti lomba siapa paling cepat memberi jawaban. AI generatif dapat memperkuat kebiasaan itu karena respons tersedia dalam hitungan detik.
Padahal pemahaman ilmiah dan teknis sering dimulai dari ketidakpastian.
Guru dapat menormalkan tiga kalimat:
“Saya belum tahu.”
“Saya perlu cek.”
“Saya berubah pikiran setelah melihat bukti.”
Itu bukan kelemahan. Itu kebiasaan intelektual yang sehat.
Bayangkan seorang murid berkata, “AI bilang ini benar.”
Guru menjawab, “Oke. Sekarang bagaimana kita memeriksanya?”
Bukan, “AI salah.”
Bukan juga, “Kalau AI bilang begitu berarti benar.”
Pertanyaan itu mengembalikan tanggung jawab berpikir ke kelas.
Orang tua bisa melihat bedanya dari percakapan di rumah
Anak yang hanya belajar istilah mungkin pulang dan berkata:
“Hari ini belajar machine learning.”
Orang tua bertanya, “Apa itu?”
Anak membacakan definisi.
Anak yang mengalami pembelajaran kontekstual mungkin pulang dengan cerita lain.
“Ma, tadi sistem kita salah nebak karena contoh gambarnya kurang.”
“Terus kalian ngapain?”
“Nambah contoh. Tapi ternyata masih ada yang susah.”
“Kenapa?”
“Karena kategorinya juga bikin bingung.”
Di percakapan kedua, konsep sudah masuk ke cara berpikir.
Orang tua tidak perlu menguji. Cukup lanjutkan rasa ingin tahu.
“Kalau dipakai di kehidupan nyata, kesalahan kayak gitu bisa berpengaruh ke siapa?”
Pertanyaan itu dapat membawa diskusi dari teknik ke dampak manusia.
Penilaian juga perlu melihat proses
Kalau tugas AI hanya dinilai dari produk akhir, murid yang paling cepat mendapatkan keluaran menarik bisa terlihat paling berhasil. Padahal guru perlu melihat jejak prosesnya.
Murid dapat diminta menyimpan catatan singkat: pertanyaan awal, percobaan pertama, kesalahan yang ditemukan, perubahan yang dilakukan, sumber yang dipakai untuk memeriksa, dan keputusan final. Tidak perlu menjadi laporan panjang. Dua atau tiga kalimat per langkah sudah cukup untuk menunjukkan cara berpikir.
Dalam tugas kelompok, guru juga dapat membagi peran. Ada yang menguji data, ada yang memeriksa keluaran, ada yang melihat risiko privasi, ada yang menjelaskan keputusan kelompok. Ini mencegah satu anak yang paling mahir memakai perangkat mengambil seluruh pekerjaan sementara teman lain hanya menonton.
Yang dinilai kemudian bukan siapa paling cepat menguasai antarmuka, melainkan apakah kelompok mampu memahami masalah dan mempertanggungjawabkan prosesnya.
Dengan pola ini, evaluasi AI menjadi lebih mirip pembelajaran sungguhan: mencoba, menemukan masalah, memperbaiki, dan menjelaskan alasan.
Apa yang seharusnya “lulus” dari pelajaran AI?
UNESCO melalui kerangka kompetensi AI untuk siswa menggambarkan kompetensi AI sebagai kombinasi pengetahuan, keterampilan, dan nilai. Ada cara berpikir yang berpusat pada manusia, etika AI, pemahaman teknik serta aplikasi, dan kemampuan memahami atau merancang sistem sesuai tingkat perkembangan murid.
Itu memberi petunjuk yang sangat jelas: murid tidak cukup hanya mengenali istilah.
Mereka perlu dapat menggunakan pengetahuan untuk mengambil keputusan.
Jadi kalau sekolah ingin mengukur hasil belajar AI, pertanyaannya bisa berkembang dari:
“Apa arti algoritma?”
menjadi:
“Buat algoritma sederhana untuk masalah ini dan jelaskan kapan aturanmu gagal.”
Dari:
“Apa itu AI generatif?”
menjadi:
“Bandingkan dua keluaran AI, cek satu klaim penting, lalu jelaskan mana yang lebih layak digunakan.”
Dari:
“Apa itu privasi?”
menjadi:
“Data apa yang tidak perlu dikumpulkan sistem ini dan mengapa?”
Istilah tetap dipelajari, tetapi istilah bekerja.
Pada akhirnya, anak tidak hidup di dunia ujian pilihan ganda. Mereka hidup di dunia di mana AI akan muncul dalam mesin pencari, aplikasi belajar, permainan, pekerjaan, media, layanan publik, dan alat kreatif yang bahkan belum kita kenal namanya hari ini.
Kalau pelajaran AI hanya menghasilkan anak yang hafal enam definisi, sekolah sedang mempersiapkan mereka untuk soal kemarin.
Kalau pelajaran AI menghasilkan anak yang berani bertanya “datanya dari mana?”, “kenapa hasilnya begini?”, “siapa yang terdampak?”, “apa yang perlu saya cek?”, dan “kapan saya sebaiknya tidak memakai AI?”, sekolah sedang membekali mereka untuk dunia yang jauh lebih nyata.
Hafalan boleh membuka pintu.
Tapi jangan biarkan anak berhenti di ambang pintu itu.
