Sore itu kotak mainan dibalik ke karpet. Mobil kecil, balok, hewan plastik, boneka mini, kepingan puzzle, dan beberapa benda yang entah sejak kapan ikut tinggal di sana.
Dalam ilustrasi ini, dua kakak-adik diminta membereskan.
“Kita pisahin aja,” kata kakaknya. “Mobil di sini, hewan di sana.”
Adiknya mengangkat mainan berbentuk dinosaurus yang punya roda.
“Ini mobil apa hewan?”
Kakaknya diam.
“Dinosaurus.”
“Tapi ada rodanya.”
Mereka akhirnya membuat kotak ketiga: “bingung”.
Kelihatannya cuma urusan merapikan mainan. Padahal percakapan kecil itu sudah membuka pintu ke konsep data, kategori, label, fitur, dan keputusan manusia. Semua konsep itu penting ketika suatu hari anak belajar bagaimana sistem AI mengenali pola dan mengelompokkan informasi.
Bagi anak usia dini dan SD, data tidak harus dimulai dari tabel. Data bisa dimulai dari benda yang ada di depan mata.
Data itu bukan hanya angka
Ketika mendengar kata data, banyak orang tua langsung membayangkan angka, spreadsheet, grafik, atau nilai rapor.
Padahal secara sederhana, data adalah informasi yang bisa dikumpulkan, diamati, dibandingkan, atau digunakan untuk memahami sesuatu. Warna mainan adalah informasi. Bentuknya informasi. Ukurannya informasi. Jenisnya informasi. Jumlah roda juga informasi.
Satu mobil mainan bisa punya banyak atribut sekaligus:
merah,
kecil,
empat roda,
plastik,
kendaraan,
punya suara,
milik kakak.
Anak tidak perlu menghafal kata “atribut”. Ia cukup mengalami bahwa satu benda bisa dilihat dari lebih dari satu sisi.
Di sinilah kegiatan sorting, atau menyortir, menjadi kuat. Anak belajar bahwa sebelum benda dikelompokkan, seseorang harus menentukan aturan.
“Pisahkan berdasarkan warna” menghasilkan kelompok berbeda dari “pisahkan berdasarkan jenis”.
Data yang sama, aturan berbeda, hasil berbeda.
Itu pelajaran besar.
Mulai dengan aturan yang sangat jelas
Ambil sepuluh sampai dua puluh benda yang aman dan cukup berbeda. Bisa mainan, balok, kartu, kaus kaki bersih, atau tutup wadah.
Orang tua berkata, “Kita bikin dua kelompok. Yang merah di kiri, yang bukan merah di kanan.”
Anak mulai memindahkan benda.
Lalu muncul mainan merah muda.
“Ini merah enggak?”
“Menurut kamu?”
“Kayak merah, tapi enggak banget.”
Di sini jangan buru-buru memberi jawaban tunggal.
“Kalau aturan kita cuma bilang ‘merah’, ternyata ada benda yang bikin bingung, ya?”
Anak mulai melihat bahwa kategori yang kelihatannya sederhana bisa mempunyai batas.
Kalau ingin, orang tua bisa memperjelas aturan.
“Untuk permainan ini, merah muda kita masukkan bukan merah.”
Sekarang muncul konsep penting: definisi kategori perlu disepakati.
Sistem komputasi juga tidak hidup dari kategori ajaib yang muncul sendiri. Manusia menentukan banyak hal tentang bagaimana data dikumpulkan, diberi label, dipilih, atau digunakan.
Untuk anak, cukup sampaikan: “Kalau kita mau mengelompokkan sesuatu, kita harus jelas aturan kelompoknya.”
Putaran kedua: benda yang sama, cara melihat berbeda
Setelah warna, ubah aturan.
“Sekarang pisahkan berdasarkan ukuran.”
Tumpukan berubah.
Mainan yang tadi satu kelompok kini berpisah.
“Lho, mobil merahnya sekarang enggak bareng.”
“Karena kita lagi lihat ukuran, bukan warna.”
Ini membantu anak memahami satu hal yang sering terasa abstrak ketika dewasa: data tidak punya satu cara pengelompokan saja.
Kita bisa melihat murid berdasarkan usia, kelas, hobi, kebutuhan belajar, atau bahasa yang digunakan di rumah. Namun tidak satu pun kategori itu mewakili seluruh diri seorang anak.
Di dunia AI, pilihan fitur atau informasi yang diperhatikan sistem dapat memengaruhi hasil. Anak tidak harus masuk ke istilah teknis itu dulu. Yang penting ia belajar bahwa “cara kita melihat” memengaruhi “cara kita mengelompokkan”.
Dinosaurus beroda adalah hadiah, bukan gangguan
Benda yang sulit masuk kategori justru paling menarik.
Jangan singkirkan.
Taruh di tengah dan tanyakan:
“Kenapa ini bikin susah?”
“Karena dinosaurus tapi ada roda.”
“Kalau aturan kita berdasarkan jenis hewan atau kendaraan?”
“Bingung.”
“Kalau berdasarkan punya roda atau enggak?”
“Berarti masuk yang punya roda.”
Nah.
Satu benda yang sama bisa mudah dikelompokkan dengan satu aturan dan sulit dengan aturan lain.
Ini memperkenalkan gagasan bahwa kualitas sebuah sistem klasifikasi bergantung pada tujuan.
Kalau tujuan kita membereskan mainan agar mudah dicari, mungkin kategori “kendaraan”, “hewan”, dan “balok” cukup berguna.
Kalau tujuan kita mencari mainan yang bisa menggelinding, kategori berdasarkan roda lebih berguna.
Pertanyaan “buat apa kita mengelompokkan?” sama pentingnya dengan “masuk kelompok mana?”
Kebiasaan ini membantu anak kelak tidak menerima klasifikasi teknologi secara otomatis.
Siapa yang memberi label?
Buat permainan kecil.
Orang tua mengambil tiga hewan plastik: kucing, sapi, dan singa.
“Kita kasih label ‘hewan’.”
Kemudian ambil mobil dan bus.
“Ini ‘kendaraan’.”
Lalu tanya:
“Labelnya datang dari mainannya sendiri atau kita yang kasih?”
“Kita.”
“Kalau kita salah kasih label?”
Anak bisa langsung mencoba memasukkan sapi ke kelompok kendaraan dan tertawa.
“Jadi datanya salah?”
Lebih tepatnya, informasinya bisa diberi label yang keliru.
Dalam machine learning, kualitas dan cara data diberi label dapat sangat penting, terutama pada sistem yang belajar dari contoh berlabel. Tidak semua AI bekerja dengan cara yang sama, tetapi prinsip umumnya berguna: jika contoh atau label bermasalah, hasil sistem bisa ikut bermasalah.
Anak tidak perlu mendengar kuliah tentang dataset. Cukup biarkan ia melihat konsekuensinya.
“Kalau semua sapi kita kasih label kendaraan, komputer yang belajar dari contoh ini bisa ikut bingung.”
“Berarti kita ngajarin salah?”
“Bisa begitu.”
Pelajaran itu jauh lebih mudah dipahami ketika sapinya masih ada di tangan.
Coba permainan “aturan rahasia”
Kali ini orang tua menyortir tanpa memberi tahu aturan.
Letakkan beberapa benda di kelompok A dan beberapa di kelompok B.
Misalnya semua benda dengan roda masuk A, tanpa roda masuk B.
Anak harus menebak aturan.
“Karena warnanya?”
“Coba lihat lagi.”
“Karena yang ini kecil?”
“Belum.”
Kemudian tambahkan contoh.
Satu bus masuk A.
Satu boneka masuk B.
“Oh, yang punya roda!”
Sekarang anak belajar dari contoh.
Ini mulai mendekati intuisi dasar tentang machine learning: kita bisa mencoba mengenali pola dari sejumlah contoh. Tentu machine learning nyata jauh lebih kompleks dan melibatkan metode matematis serta komputasi, tetapi permainan ini memberi gambaran awal yang aman.
Lalu buat satu contoh jebakan.
Masukkan koper mainan yang punya roda.
Anak mungkin ragu.
“Masuk A?”
“Kenapa?”
“Karena punya roda.”
“Berarti kamu enggak cuma hafal mobil dan bus. Kamu menemukan aturannya.”
Itulah momen belajar yang bagus.
Tapi setelah itu, ubah aturan rahasianya menjadi “kendaraan”, bukan “punya roda”.
Koper sekarang tidak masuk.
Anak mungkin protes.
“Padahal tadi roda!”
“Sekarang aturannya beda.”
Sekali lagi, tujuan dan definisi kategori menentukan hasil.
Data lebih banyak belum tentu otomatis lebih adil
Untuk anak SD yang lebih besar, orang tua bisa menambah permainan sederhana tentang representasi.
Ambil sepuluh kartu hewan. Sembilan gambar kucing, satu gambar burung.
“Kalau aku belajar tentang ‘hewan’ cuma dari tumpukan ini, apa aku dapat gambaran yang lengkap?”
“Enggak. Isinya kucing semua.”
“Berarti butuh contoh lebih beragam?”
“Iya.”
Ini fondasi untuk membicarakan bias secara hati-hati.
UNICEF dalam Guidance on AI and Children versi 3.0 menempatkan non-diskriminasi, fairness, transparansi, keselamatan, privasi, inklusi, dan kepentingan terbaik anak sebagai bagian dari tuntutan penting untuk AI yang berpusat pada anak. Untuk keluarga, prinsip besar itu bisa diterjemahkan menjadi satu kebiasaan kecil: jangan menganggap kumpulan contoh yang sempit mewakili seluruh dunia.
Kalau semua data yang kita lihat berasal dari kelompok yang sama, kita bisa kehilangan banyak variasi.
Anak bisa memahami ini bahkan tanpa menyebut istilah “representative dataset”.
Jangan mengubah beres-beres menjadi ujian
Ada risiko lain.
Orang tua menemukan kegiatan ini edukatif, lalu setiap sesi membereskan mainan berubah jadi kuis.
“Ini kategori apa?”
“Kenapa?”
“Fitur apa?”
“Coba jelaskan.”
Anak bisa langsung kehilangan minat.
Tidak semua momen harus dimaksimalkan menjadi pelajaran.
Kadang cukup satu pertanyaan.
“Kenapa kamu taruh dinosaurus beroda di sini?”
“Karena aku bikin kelompok mainan yang bisa jalan.”
“Oh, masuk akal.”
Selesai.
AI literacy yang sehat tumbuh dari kebiasaan berpikir, bukan dari interogasi.
Anak juga boleh membuat kategori yang aneh
Coba beri kuasa penuh.
“Sekarang kamu bikin kelompok sendiri. Aku enggak boleh protes dulu.”
Anak mungkin membuat:
mainan lucu,
mainan serem,
mainan yang enak dibawa ke mobil,
mainan yang gampang hilang,
mainan favorit,
mainan yang bunyinya berisik.
Orang tua mungkin tergoda mengatakan kategorinya tidak ilmiah.
Tahan dulu.
Tanya, “Aturannya apa?”
Kalau anak bisa menjelaskan secara konsisten, ada reasoning di sana.
Lalu tanyakan, “Kalau kita berdua beda pendapat soal ‘lucu’, gimana?”
Nah, anak menemukan perbedaan antara kategori yang lebih objektif, seperti jumlah roda, dan kategori yang lebih subjektif, seperti lucu.
Ini berguna ketika kelak mereka berhadapan dengan sistem rekomendasi atau AI yang memberi label pada konten. Tidak semua penilaian memiliki tingkat kepastian yang sama.
“Cocok”, “bagus”, “aman”, “menarik”, atau “cantik” bisa melibatkan konteks dan nilai manusia.
Komputer tidak membuat semua kategori menjadi netral hanya karena hasilnya muncul di layar.
Dari kotak mainan ke AI literacy
UNESCO dan OECD sama-sama mendorong AI literacy yang lebih luas daripada keterampilan teknis. Anak perlu memahami sistem AI, tetapi juga perlu mengembangkan penilaian kritis, kesadaran manusia, etika, kreativitas, dan kemampuan membuat keputusan.
Sorting mainan bisa menjadi satu batu kecil di jalan itu.
Dari kegiatan sederhana tersebut, anak bisa belajar:
informasi dapat diamati,
satu benda punya banyak atribut,
kategori dibuat berdasarkan aturan,
aturan bergantung pada tujuan,
label bisa salah,
contoh yang sempit bisa menyesatkan,
dan benda yang ambigu perlu dipikirkan, bukan dipaksa.
Sebelum kotak mainan ditutup, dinosaurus beroda tadi masih ada di tengah.
“Kita akhirnya taruh mana?” tanya adiknya.
Kakaknya berpikir.
“Di kendaraan aja. Soalnya kalau aku mau nyari yang bisa didorong, aku bakal cari di situ.”
Adiknya mengangguk.
Mereka tidak menemukan kategori yang “paling benar” untuk selamanya. Mereka menemukan kategori yang berguna untuk tujuan mereka.
Justru itu pelajarannya.
Data bukan hanya sesuatu yang dikumpulkan komputer. Data selalu bertemu tujuan, pilihan, definisi, dan keputusan manusia. Anak yang mulai memahami itu dari tumpukan mainan akan punya fondasi jauh lebih baik ketika nanti harus memahami sistem AI yang jauh lebih besar.