---
title: "Apa itu halusinasi AI? Kenapa LLM mengarang jawaban | BroadRouter"
description: "Halusinasi adalah pernyataan LLM yang lancar tetapi salah atau tidak berdasar. Kenapa model menebak alih-alih bilang \"saya tidak tahu\", dan cara menguranginya."
url: https://broadrouter.com/id/glossary/hallucination/
lang: id
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/glossary/hallucination/) (diperbarui 2026-11-14).

# Halusinasi AI (hallucination)

Diperbarui 2026-11-14

Halusinasi adalah output model bahasa yang terdengar masuk akal tetapi salah, dikarang, atau tidak didukung oleh input yang diberikan, misalnya kutipan sumber fiktif, angka yang keliru, atau API yang tidak ada. Halusinasi muncul karena model memprediksi teks yang paling mungkin, bukan memeriksa fakta.

Disebut juga: halusinasi, halusinasi AI, halusinasi LLM, AI mengarang jawaban, konfabulasi, AI hallucination, LLM hallucination, confabulation

Halusinasi terbaca persis seperti jawaban yang benar. Itulah yang membuatnya mahal.

## Cara kerjanya

Model bahasa menulis token berikutnya yang paling masuk akal berdasarkan pelatihan dan prompt-nya. Tidak ada bagian dari loop itu yang memeriksa fakta terhadap dunia nyata. Saat model tidak tahu jawabannya, jawaban yang tampak masuk akal tetap tersedia.

Kalai dan rekan, dalam makalah tahun 2025, berpendapat bahwa halusinasi bertahan karena “training and evaluation procedures reward guessing over acknowledging uncertainty” (terjemahan: prosedur pelatihan dan evaluasi lebih menghargai tebakan daripada mengakui ketidakpastian). Sebagian besar benchmark memberi nilai untuk tebakan yang benar dan tidak memberi apa-apa untuk abstain, sehingga model disetel menjadi peserta ujian yang pandai menebak. Mereka juga menelusuri error ini ke sumber statistik: jika model tidak bisa membedakan pernyataan benar dan salah dengan andal, pretraining akan menghasilkan pernyataan yang salah.

Bentuk yang umum dalam pekerjaan API:

-   kutipan sumber, URL, atau kutipan langsung yang dikarang
-   angka yang salah dalam ringkasan dokumen yang benar
-   method atau parameter API yang tidak ada
-   jawaban atas pertanyaan yang tidak dicakup konteks yang diberikan

## Kenapa ini penting

Biayanya muncul belakangan: bot dukungan yang mengarang kebijakan refund, laporan dengan total yang salah, kode yang memanggil fungsi yang tidak ada. Perbaikannya murah jika dibandingkan dengan itu:

-   **Grounding jawaban.** Taruh teks sumber di prompt atau ambil lewat [RAG](https://broadrouter.com/id/glossary/rag/). Lewis dan rekan menemukan retrieval-augmented generation lebih “factual” (terjemahan: faktual) dibanding baseline yang hanya parametrik. Lihat [grounding](https://broadrouter.com/id/glossary/grounding/).
-   **Izinkan “saya tidak tahu”.** Anthropic mencantumkan izin eksplisit untuk mengakui ketidakpastian sebagai langkah dasar.
-   **Minta kutipan, lalu verifikasi.** Minta model menyertakan kutipan pendukung untuk setiap klaim, dan buang klaim yang tidak punya kutipan.
-   **Ukur.** Buat [eval](https://broadrouter.com/id/glossary/eval/) berisi pertanyaan yang jawabannya tidak ada di konteks, dan pantau seberapa sering model mengarang jawaban. [Logprobs](https://broadrouter.com/id/glossary/logprobs/) bisa menandai jawaban dengan keyakinan rendah jika API mengembalikannya.
-   **Periksa di kode.** Total, tanggal, dan ID bisa diverifikasi tanpa model.

Menurunkan [temperature](https://broadrouter.com/id/glossary/temperature/) membantu mengatasi melantur di teks panjang, bukan kesalahan yang diucapkan dengan yakin.

## Di BroadNet Inference

Dokumentasi BroadNet tidak memublikasikan tingkat halusinasi modelnya dan tidak mencantumkan fitur guardrails atau pengecekan fakta, jadi kontrol-kontrol ini ada di aplikasi Anda. Konteks yang besar membantu grounding: DeepSeek V4.1 Flash dan GLM 5.3 menerima 1.048.576 token per permintaan, cukup untuk menyertakan dokumen sumber lengkap. Untuk pipeline retrieval bahasa Arab, lihat [RAG bahasa Arab](https://broadrouter.com/id/blog/arabic-rag-search/); untuk memeriksa field hasil ekstraksi terhadap gambarnya, lihat [panduan invoice](https://broadrouter.com/id/guides/read-arabic-invoices-with-vision/).

## Pertanyaan umum

### Kenapa LLM berhalusinasi?

LLM dilatih untuk menghasilkan teks yang paling mungkin, dan Kalai dan rekan berpendapat bahwa pelatihan serta benchmark lebih menghargai tebakan yang yakin daripada mengakui ketidakpastian. Tebakan bisa mendapat poin; "saya tidak tahu" tidak mendapat apa-apa.

### Bisakah halusinasi dihilangkan sepenuhnya?

Tidak ada metode yang menghilangkannya sepenuhnya. Grounding pada dokumen, mengizinkan "saya tidak tahu", kutipan sumber, dan pemeriksaan di kode menguranginya. Panduan Anthropic menyebut teknik-teknik ini mengurangi halusinasi tetapi tidak menghilangkannya.

### Apakah temperature yang lebih rendah menghentikan halusinasi?

Temperature rendah mengurangi pilihan kata yang acak, tetapi tidak mengurangi kesalahan yang diucapkan dengan yakin. Model bisa memberi jawaban salah yang sama setiap kali pada temperature 0.

## Lihat juga

-   [Grounding](https://broadrouter.com/id/glossary/grounding/) (istilah)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/id/glossary/rag/) (istilah)
-   [Logprobs (log probabilitas)](https://broadrouter.com/id/glossary/logprobs/) (istilah)
-   [Eval (evaluasi LLM)](https://broadrouter.com/id/glossary/eval/) (istilah)
-   [Temperature (suhu sampling)](https://broadrouter.com/id/glossary/temperature/) (istilah)
-   [Guardrails (pagar pengaman AI)](https://broadrouter.com/id/glossary/guardrails/) (istilah)
-   [Membaca faktur dan struk berbahasa Arab dengan model vision](https://broadrouter.com/id/guides/read-arabic-invoices-with-vision/) (panduan)
-   [RAG bahasa Arab: normalisasi, chunking, dan retrieval yang berhasil](https://broadrouter.com/id/blog/arabic-rag-search/) (artikel)
-   [Cara mengevaluasi LLM sebelum berpindah penyedia](https://broadrouter.com/id/blog/evaluate-llm-before-switching/) (artikel)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-hallucination&utm_content=page-cta) ·

**Sumber**

-   [Kalai dkk. (2025), Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664)
-   [Anthropic, mengurangi halusinasi](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Lewis dkk. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
