Di Balik Layar Palsu: Anatomi Fabrikasi Data oleh Kecerdasan Buatan dan Strategi Humanoid untuk Riset Berintegritas

Di Balik Layar Palsu: Anatomi Fabrikasi Data oleh Kecerdasan Buatan dan Strategi Humanoid untuk Riset Berintegritas

Abstrak

Skandal pemalsuan riset yang terungkap dalam forum ISPPD 2026 di Kopenhagen, Denmark, telah membuka mata dunia terhadap celah baru dalam kejahatan akademik: fabrikasi data terstruktur menggunakan kecerdasan buatan (AI). Fenomena ini bukan sekadar pelanggaran etik individual, melainkan ancaman sistemik terhadap fondasi ilmu pengetahuan itu sendiri. Artikel ini menyajikan identifikasi komprehensif terhadap jenis, variabel, dan bentuk fabrikasi data oleh AI—mulai dari fabrikasi numerik dalam tabel statistik hingga halusinasi sitasi yang tampak meyakinkan. Dengan merujuk pada temuan forensik digital mutakhir, termasuk kerangka kerja TAB-AUDIT untuk mendeteksi tabel ilmiah palsu dan CiteTracer untuk mengidentifikasi halusinasi sitasi, tulisan ini mengupas secara detail jejak digital yang ditinggalkan oleh konten buatan AI. Lebih penting lagi, artikel ini menawarkan strategi "humanoid"—pendekatan yang menempatkan manusia sebagai pusat kendali dan pengawasan—untuk mencegah, mendeteksi, dan menindak fabrikasi data. Mulai dari kewajiban transparansi penuh, audit berlapis dengan keterlibatan ahli lintas bidang, penggunaan alat deteksi berbasis AI secara etis, hingga penguatan sanksi hukum dan institusional, semua dibahas secara sistematis. Pada akhirnya, tulisan ini menegaskan bahwa di era ketika mesin mampu memproduksi ilusi kebenaran, kejujuran dan pengawasan manusia tetap menjadi benteng terakhir integritas ilmiah.

Kata Kunci: Fabrikasi data, kecerdasan buatan, integritas riset, deteksi pemalsuan, human oversight, open science

1. Pendahuluan: Ketika Mesin Belajar Berbohong

Pada Mei 2026, dunia akademik internasional dikejutkan oleh terungkapnya dugaan praktik pemalsuan riset terstruktur dalam forum ISPPD 2026 di Kopenhagen, Denmark. Para pelaku—yang ternyata bukan dosen aktif—dengan berani menggunakan kecerdasan buatan (AI) untuk menciptakan data fiktif, mengubah identitas, dan mencantumkan nama keluarga sebagai co-author demi memperoleh travel grant gratis ke luar negeri. Kepala Badan Riset dan Inovasi Nasional (BRIN), Arif Satria, dalam menanggapi skandal ini dengan tegas menyatakan: "Teknologi AI seharusnya menjadi akselerator inovasi, bukan alat untuk memalsukan data dan eksperimen generatif demi mengejar metrik publikasi secara instan".

Pernyataan tersebut menyentuh inti persoalan: di tangan yang salah, AI bukan asisten riset, melainkan mesin pembuat ilusi—membuat yang palsu tampak metodologis, yang kosong terdengar mutakhir, dan yang tidak pernah dikerjakan seolah pantas naik ke forum internasional. Sebagai konsekuensinya, kita dihadapkan pada pertanyaan mendasar: apa saja bentuk fabrikasi data oleh AI, bagaimana mendeteksinya, dan yang terpenting, bagaimana mencegahnya melalui pendekatan yang menempatkan manusia sebagai penjaga utama integritas ilmiah?

Tulisan ini akan menjawab pertanyaan tersebut dengan pertama-tama mengidentifikasi jenis-jenis fabrikasi data AI secara komprehensif, kemudian menguraikan variabel terukur yang dapat digunakan sebagai sinyal forensik, serta bentuk-bentuk spesifik pemalsuan yang umum ditemukan. Pada bagian akhir, penulis menawarkan strategi humanoid—istilah yang merujuk pada pendekatan berpusat pada manusia dengan pengawasan aktif, verifikasi lintas disiplin, dan penegakan etika yang ketat—untuk membangun ekosistem riset yang tahan terhadap kontaminasi AI.

2. Jenis-Jenis Fabrikasi Data oleh Kecerdasan Buatan

Fabrikasi data oleh AI bukanlah fenomena monolitik. Berdasarkan pola dan target pemalsuannya, setidaknya terdapat empat jenis utama fabrikasi yang perlu dipahami:

2.1 Fabrikasi Data Numerik dan Statistik

Jenis ini merupakan yang paling berbahaya karena menyasar jantung klaim ilmiah: angka, tabel, dan hasil statistik. AI generatif mampu menghasilkan kumpulan data numerik yang tampak realistis—lengkap dengan mean, standar deviasi, dan nilai p yang "signifikan secara statistik"—tanpa pernah ada proses pengumpulan data di lapangan.

Penelitian terbaru menunjukkan bahwa model bahasa besar (LLM) seperti GPT-4 dapat memfabrikasi kumpulan data medis sintetis yang dirancang untuk mendukung bukti ilmiah palsu. Dalam konteks skandal Denmark, para pelaku diduga menggunakan AI untuk menghasilkan data penelitian yang sepenuhnya fiktif, termasuk klaim riset yang dilakukan di berbagai negara seperti Peru, Ethiopia, Bangladesh, Kenya, Nepal, dan India utara tanpa pernah benar-benar mengunjungi lokasi tersebut.

2.2 Fabrikasi Teks Naratif dan Metodologi

Jenis ini melibatkan pembuatan deskripsi metodologi yang meyakinkan namun tidak pernah dilaksanakan, serta narasi hasil penelitian yang fiktif. AI mampu menyusun kalimat yang persuasif dan terstruktur secara logis, sehingga sulit dibedakan dari tulisan manusia autentik.

Fenomena ini sangat berbahaya karena menciptakan ilusi riset yang solid: metodologi dijelaskan dengan rinci, pembahasan hasil disusun secara sistematis, dan kesimpulan dirumuskan secara meyakinkan—namun semuanya hanyalah cerminan dari pola yang dipelajari AI dari data pelatihannya, bukan representasi dari proses ilmiah yang nyata. Seperti diungkap dalam sebuah laporan, di tangan yang salah AI dapat menghasilkan output yang cukup realistis untuk menghindari deteksi, sehingga menimbulkan kekhawatiran serius tentang integritas dan kepercayaan terhadap literatur ilmiah.

2.3 Halusinasi Sitasi (Citation Hallucination)

Ini mungkin merupakan bentuk fabrikasi yang paling sering ditemui dalam praktik penulisan ilmiah sehari-hari. Halusinasi AI adalah fenomena di mana model AI memberikan rujukan literatur fiktif atau fakta yang salah namun tetap terlihat meyakinkan, lengkap dengan nama penulis, judul jurnal, volume, halaman, dan DOI yang tampak otentik.

Sebuah penelitian mengungkap beberapa penyebab utama halusinasi: model AI cenderung tetap memberi jawaban meskipun tidak mengetahui kebenarannya; data pelatihan yang tidak berimbang atau keliru membuat sistem belajar pola yang salah; dan AI dapat menghasilkan referensi palsu yang terlihat akademis padahal sepenuhnya fiktif. Yang lebih mengkhawatirkan, penelitian dari OpenAI menunjukkan bahwa dua model AI terbarunya—o3 dan o4-mini—mengalami halusinasi dalam 33% hingga 48% kasus saat diuji dengan tolok ukur internal.

2.4 Fabrikasi Gambar dan Figur

Jenis keempat melibatkan pembuatan gambar, diagram, grafik, dan figur ilmiah yang sepenuhnya dihasilkan oleh AI. Ini mencakup manipulasi gambar mikroskop elektron, pembuatan kurva Western blot yang tidak pernah ada, hingga rekayasa visual data yang mendukung hipotesis tertentu. Sebuah studi mencatat bahwa AI dapat digunakan untuk mengidentifikasi pelanggaran etika dalam naskah, termasuk manipulasi gambar. Beberapa penerbit jurnal ilmiah, seperti Elsevier, secara tegas melarang penggunaan AI dalam pembuatan gambar, meskipun masih memperbolehkan penggunaannya dalam visualisasi data.

3. Variabel Forensik: Jejak Digital yang Ditinggalkan Fabrikasi AI

Meskipun AI mampu menghasilkan konten yang tampak realistis, setiap fabrikasi meninggalkan jejak digital yang dapat dideteksi jika kita tahu apa yang harus dicari. Berikut adalah variabel-variabel terukur yang dapat dijadikan sinyal forensik:

3.1 Variabel Struktural: Keanehan dalam Distribusi Data

Fabrikasi numerik oleh AI sering kali meninggalkan jejak dalam bentuk distribusi data yang terlalu sempurna atau tidak wajar. Sebagai contoh, hasil eksperimen yang dihasilkan AI mungkin menunjukkan varians yang terlalu rendah, nilai p yang "terlalu signifikan" secara tidak realistis, atau pola distribusi yang tidak mencerminkan keacakan alami yang ditemukan dalam data empiris.

Kerangka kerja TAB-AUDIT (deteksi tabel ilmiah palsu melalui multi-view likelihood mismatch) mengidentifikasi perbedaan sistematis antara tabel yang difabrikasi dan tabel nyata. Fitur kunci yang digunakan adalah within-table mismatch, yang menangkap kesenjangan perplexity antara kerangka tabel dan konten numeriknya. Dalam pengujian, RandomForest yang dibangun di atas fitur-fitur ini mencapai 0,987 AUROC pada domain yang sama dan 0,883 AUROC pada domain yang berbeda.

3.2 Variabel Inkonsistensi Internal

Fabrikasi sering kali mengandung kontradiksi internal yang tidak disadari oleh AI. Misalnya, metode yang dijelaskan tidak sesuai dengan hasil yang dilaporkan; jumlah sampel yang disebutkan dalam teks berbeda dengan yang tercantum dalam tabel; atau referensi yang dikutip tidak mendukung klaim yang dibuat.

Para dosen pembimbing melaporkan sering menemukan kasus di mana nama penulis dan judul jurnal yang dicantumkan mahasiswa benar-benar ada, namun isi kutipannya tidak pernah ditulis oleh penulis tersebut. Ini adalah bentuk inkonsistensi yang menjadi sinyal kuat adanya fabrikasi AI.

3.3 Variabel Linguistik Generatif

Teks yang dihasilkan AI sering menunjukkan pola linguistik khas: penggunaan frasa transisi yang sangat seragam, tidak adanya kesalahan atau keanehan yang wajar dalam tulisan manusia, serta gaya penulisan yang "terlalu halus" secara konsisten. Detektor berbasis AI seperti MAGNet (Multimodal Graph Neural Network) dapat mengidentifikasi konten ilmiah buatan AI dengan menganalisis pola-pola ini.

3.4 Variabel Metadata dan Provenance

Jejak digital lainnya adalah kejanggalan dalam metadata—informasi tentang asal-usul data. File yang dihasilkan AI mungkin mengandung tanda tangan digital yang menunjukkan sintesis, atau kekurangan jejak audit yang seharusnya ada dalam data penelitian autentik. Penelitian tentang information isotope tracing mechanism untuk mengaudit data pelatihan sistem AI yang buram memungkinkan peneliti untuk menandai elemen tertentu dalam data pelatihan dan mengidentifikasi keberadaannya dalam output AI dengan membedakannya dari rekan isotopnya.

4. Bentuk-Bentuk Spesifik Fabrikasi Data AI

Memahami bentuk konkret fabrikasi membantu peneliti dan pengawas riset untuk lebih waspada terhadap modus-modus yang umum digunakan.

4.1 Fabrikasi Tabel Ilmiah

Tabel merupakan representasi data yang paling sering difabrikasi karena menyediakan "bukti" kuantitatif untuk klaim ilmiah. Penelitian pertama yang sistematis tentang deteksi tabel ilmiah palsu yang dihasilkan AI telah membangun FabTab, kumpulan data benchmark pertama yang terdiri dari 1.173 makalah buatan AI dan 1.215 makalah yang ditulis manusia. Temuan penelitian ini menunjukkan bahwa tabel buatan AI memiliki pola yang secara statistik dapat dibedakan dari tabel nyata, menjadikannya sinyal forensik yang kritis dalam mendeteksi kecurangan ilmiah yang dihasilkan AI.

4.2 Fabrikasi Kumpulan Data Sintetis

Dalam fabrikasi jenis ini, AI menghasilkan seluruh kumpulan data dari awal, lengkap dengan nilai-nilai numerik untuk setiap variabel dan setiap subjek penelitian. Sebuah studi eksplorasi tentang metode deteksi untuk kumpulan data medis sintetis yang dibuat dengan LLM bertujuan mengungkap pola statistik yang mungkin menyarankan fabrikasi dan meningkatkan kumpulan data sintetis dengan mencoba menghilangkan tanda-tanda ketidakaslian yang dapat dideteksi.

4.3 Fabrikasi Identitas dan Afiliasi Penelitian

Skandal Denmark mengungkap bentuk fabrikasi yang lebih canggih: pemalsuan identitas. Para pelaku diduga menggunakan AI tidak hanya untuk memalsukan data, tetapi juga untuk mengubah identitas, mengganti afiliasi kelembagaan, serta mencantumkan nama fiktif atau anggota keluarga sebagai co-author. Bentuk fabrikasi ini bahkan ditemukan telah berlangsung sejak sebelum era AI populer (2018-2023) dengan metode berbeda, yakni plagiarisme karya orang lain, yang kemudian meningkat penggunaannya dengan bantuan AI setelah 2023.

5. Menghindari Fabrikasi Data secara Humanoid: Sebuah Pendekatan Sistematis

Menghadapi ancaman fabrikasi data AI, strategi yang ditawarkan bukanlah pelarangan penggunaan AI secara menyeluruh, melainkan pendekatan humanoid—suatu kerangka kerja yang menempatkan manusia sebagai pusat kendali, pengawas, dan penanggung jawab akhir dalam setiap tahap proses riset. Istilah "humanoid" di sini bukan merujuk pada robot, melainkan pada filosofi yang memanusiakan teknologi: AI adalah alat yang melayani etika dan integritas manusia, bukan sebaliknya.

5.1 Penegakan Kejelasan dan Transparansi oleh Peneliti

Prinsip pertama dalam pendekatan humanoid adalah transparansi penuh. Setiap peneliti yang menggunakan AI dalam proses risetnya wajib mengungkapkan hal tersebut secara eksplisit. Sebuah kebijakan umum mengatur bahwa penulis wajib mencantumkan pernyataan penggunaan AI pada bagian Acknowledgment atau Catatan Penulis, misalnya: "Penulis menggunakan alat Generative AI (misalnya ChatGPT) secara terbatas untuk perbaikan tata bahasa tanpa memengaruhi substansi ilmiah artikel ini".

Selain transparansi, ada batasan tegas mengenai apa yang diizinkan dan apa yang dilarang:

Jenis Penggunaan AI Status Contoh

Perbaikan tata bahasa dan gaya penulisan ✅ Diizinkan Proofreading, editing ejaan

Pembuatan ringkasan non-substantif ✅ Diizinkan Abstrak dari teks yang sudah ada

Penyusunan kerangka dasar tulisan ✅ Diizinkan Outline dengan prompt jelas

Analisis teks tanpa manipulasi data ✅ Diizinkan Sentimen analisis teks publik

Generasi data penelitian ❌ Dilarang Membuat angka statistik fiktif

Pembuatan keseluruhan naskah ❌ Dilarang Tanpa kontribusi ilmiah penulis

Pemalsuan sitasi ❌ Dilarang Kutipan fiktif

Plagiarisme output AI ❌ Dilarang Menyalin tanpa verifikasi

Tabel ini dirangkum berdasarkan kebijakan etika AI dalam publikasi ilmiah yang berlaku di berbagai jurnal terindeks.

Lebih lanjut, AI tidak boleh diakui sebagai penulis dalam publikasi ilmiah. Prinsip etika ini dipegang teguh oleh berbagai penerbit internasional dan lembaga riset, yang menegaskan bahwa AI adalah alat bantu, bukan subjek hukum yang dapat bertanggung jawab atas konten ilmiah.

5.2 Pengawasan dan Validasi oleh Manusia

Prinsip kedua adalah pengawasan aktif oleh manusia di setiap tahap proses riset. Ini bukan sekadar formalitas, melainkan kewajilan substantif:

Pertama, Keterlibatan ahli lintas disiplin: Validasi data dan temuan harus melibatkan pakar dengan keahlian relevan yang dapat mendeteksi kejanggalan. Seorang ahli statistik dapat mengenali pola distribusi yang tidak realistis; seorang praktisi lapangan dapat memverifikasi klaim metodologi.

Kedua, Pengawasan manusia atas output AI: Penerapan AI harus dilakukan dengan pengawasan manusia karena AI mungkin menghasilkan informasi yang salah atau tidak lengkap. Dalam konteks yang lebih luas, manusia harus menetapkan review process yang jelas untuk memeriksa output kritis AI.

Ketiga, Verifikasi sumber primer: Setiap klaim, sitasi, atau referensi yang dihasilkan oleh AI harus diverifikasi dengan sumber asli. Mahasiswa dan peneliti didorong untuk selalu merujuk pada dokumen asli dan tidak menelan mentah-mentah ringkasan yang dihasilkan oleh bot.

Seperti ditegaskan oleh Mufied Fauziah dalam diskusi tentang etika AI, "Jangan biarkan AI berpikir untuk Anda. Gunakan ia sebagai alat bantu, bukan sebagai pengganti berpikir kritis".

5.3 Deteksi Berbantuan AI: Human-in-the-Loop

Pendekatan humanoid tidak menolak penggunaan teknologi untuk mendeteksi kejahatan teknologi. Sebaliknya, ini adalah human-in-the-loop di mana manusia dan AI bekerja berpasangan:

1. Penggunaan alat deteksi fabrikasi: Kerangka kerja seperti TAB-AUDIT dan CiteTracer dapat membantu mengidentifikasi tabel ilmiah palsu dan halusinasi sitasi. CiteTracer, misalnya, mampu mencapai 97,1% akurasi dalam mendeteksi fabrikasi sitasi dunia nyata.

2. Penelusuran jejak digital forensik: Melalui investigasi forensik digital, aparat penegak hukum dan lembaga pengawas riset dapat menelusuri jejak digital, mengidentifikasi proses manipulasi data, serta mengautentikasi keaslian bukti-bukti.

3. Penggunaan AI yang etis untuk deteksi: AI itu sendiri dapat digunakan untuk mengidentifikasi pelanggaran etika dalam naskah, termasuk ketidakakuratan faktual, kesalahan statistik, dan inkonsistensi halus yang mungkin terlewat oleh tinjauan sejawat.

Namun penting untuk diingat bahwa manusia tetap menjadi keputusan akhir. Hasil deteksi AI harus diverifikasi, bukan ditelan mentah-mentah.

5.4 Penegakan Sanksi oleh Lembaga

Pendekatan humanoid tidak akan efektif tanpa sanksi tegas terhadap pelanggar. BRIN, di bawah kepemimpinan Arif Satria, telah menetapkan serangkaian sanksi berat bagi periset yang terbukti melakukan pelanggaran etika:

a. Penghentian total dana hibah riset;

b. Pencabutan status kepakaran;

c. Pencantuman dalam daftar hitam ekosistem riset nasional;

d. Implikasi hukum formal apabila terbukti merugikan keuangan negara.

Prinsip ini menegaskan bahwa kehormatan tertinggi seorang ilmuwan sejati tetap bertumpu pada kejujuran proses dan dampak nyata bagi peradaban, bukan pada kuantitas publikasi semu hasil rekayasa mesin.

5.5 Penguatan Budaya Integritas

Lapisan terakhir, dan mungkin yang paling fundamental, adalah pembangunan budaya integritas dalam ekosistem riset. Beberapa langkah konkret meliputi:

a. Pendidikan dan pelatihan: Para peneliti dan mahasiswa perlu dibekali dengan literasi AI dan etika riset sejak dini. Ini termasuk pemahaman tentang batas antara bantuan teknologi dan plagiarisme.

b. Edukasi transparansi: Peneliti didorong untuk secara terbuka mendeklarasikan penggunaan AI mereka, menghilangkan stigma dan membangun budaya kejujuran.

c. Audit rekam jejak independen: Seperti yang diterapkan oleh BRIN, audit independen oleh Komite Etik Riset merupakan benteng penting untuk memastikan kepatuhan terhadap standar.

d. Kewajiban transparansi data mentah (raw data) : Prinsip ini memungkinkan pihak lain untuk memverifikasi klaim penelitian, menciptakan akuntabilitas publik yang kuat.

6. Kesimpulan: Memanusiakan Kembali Sains di Era AI

Skandal fabrikasi data AI di Denmark adalah alarm yang tidak bisa lagi diabaikan. Ini bukan sekadar cerita tentang segelintir peneliti nakal, melainkan cerminan dari celah sistemik yang lebih besar: ketika tekanan untuk mempublikasikan sesuatu—apa pun itu—begitu besar, dan ketika teknologi membuat pemalsuan menjadi begitu murah dan mudah, maka integritas ilmiah menghadapi ujian terbesarnya dalam sejarah.

Pendekatan humanoid yang diuraikan dalam tulisan ini menawarkan jalan keluar yang realistis. Bukan dengan mematikan AI atau melarang penggunaannya, tetapi dengan menempatkan manusia kembali sebagai pusat—sebagai perancang, pengawas, verifikator, dan penanggung jawab akhir. Transparansi penuh, pengawasan aktif oleh pakar lintas disiplin, penggunaan alat deteksi sebagai asisten (bukan pengganti), serta penegakan sanksi yang tegas, semuanya adalah bagian dari solusi yang terintegrasi.

Sebagaimana diungkapkan oleh Kepala BRIN Arif Satria, "Kehormatan seorang ilmuwan bertumpu pada kejujuran proses dan dampak nyata. Ilmuwan tak disebut hebat jika bertumpu pada kuantitas publikasi semi hasil rekayasa AI". Di era ketika AI mampu menghasilkan ilusi kebenaran dengan sempurna, mengembalikan makna "kehormatan ilmuwan" pada substansi di atas sekadar penampilan adalah sebuah keharusan.

Mari jadikan skandal Denmark sebagai titik balik, bukan akhir. Dengan kesadaran kolektif, kewaspadaan sistematis, dan komitmen pada integritas, kita dapat membangun ekosistem riset yang tidak hanya cerdas secara teknologi, tetapi juga jujur secara fundamental. Karena pada akhirnya, sains bukanlah sekadar kumpulan publikasi—ia adalah upaya manusia untuk mencari kebenaran. Dan dalam pencarian itu, kejujuran adalah satu-satunya alat yang tidak pernah usang.

Daftar Pustaka

Arif Satria dalam pernyataan resmi BRIN, 2 Juni 2026. 

Jurnal Kebijakan Perikanan Indonesia, General AI Policy, 2025. 

Workshop Pekanlit 2024 UPN "Veteran" Jakarta, "Etika Pemanfaatan AI dalam Riset dan Publikasi", 29 Agustus 2024. 

TAB-AUDIT: Detecting AI-Fabricated Scientific Tables via Multi-View Likelihood Mismatch, arXiv:2603.19712v1, 20 Maret 2026. 

CiteTracer: A Multi-Agent Framework for Citation Hallucination Detection, arXiv:2605.08583, 9 Mei 2026. 

"AI Juga Bisa Salah dan Berhalusinasi, Ini faktanya", Radar Surabaya, 1 Oktober 2025. 

"Halusinasi AI: Ancaman Tersembunyi bagi Validitas Riset Mahasiswa", S2 Dikdas UNESA. 

"Kepala BRIN tegaskan AI tak boleh korbankan kejujuran akademik", ANTARA, 3 Juni 2026. 

"AI's New Frontier: Pushing Boundaries in Data Synthesis and Simulation Accuracy in 2026", Mixflow, 31 Januari 2026. 

"Governing the Unseen Risks of GenAI: Why Bias Mitigation and Human Oversight Matter Most", Security Boulevard, 18 November 2025.