Demokratisasi Sains dan Mitos "Data Palsu": Menegakkan Hak Atas Kebenaran Ilmiah di Era AI

Demokratisasi Sains dan Mitos "Data Palsu": Menegakkan Hak Atas Kebenaran Ilmiah di Era AI

Jakarta, 6 Juni 2026 – Skandal afiliasi fiktif The IMCD BioMed Research Foundation dan Al-BioMedicine Research Group dalam ISPPD 2026 bukan sekadar kasus pelanggaran etik individu. Ini adalah simptom dari kegagalan sistem hierarki ilmiah yang tertutup. Untuk menutup celah kecurangan di masa depan, kita tidak bisa hanya mengandalkan pengawasan internal yang sering kali lambat dan bias. Solusi jangka panjangnya adalah demokratisasi proses ilmiah.

Demokratisasi sains berarti membuka ruang bagi setiap warga negara—bukan hanya akademisi berdasi—untuk memiliki akses, memahami, dan mengawal integritas data. Namun, dalam era digital ini, diskusi tentang integritas data menjadi semakin kompleks dengan kehadiran Kecerdasan Buatan (AI). Ada kesalahpahaman umum yang perlu diluruskan: bahwa data yang melibatkan AI secara otomatis adalah "palsu".

1. Hak Mengetahui Kebenaran Ilmiah adalah Hak Asasi Manusia

Seperti telah diuraikan sebelumnya, landasan hukum internasional (DUHAM Pasal 27, ICESCR Pasal 15) dan nasional (UUD 1945 Pasal 28C & 28F, UU Sisnas Iptek) menjamin hak masyarakat untuk berpartisipasi. Hak ini mencakup hak untuk mengetahui apakah sebuah publikasi ilmiah adalah hasil kerja keras yang valid atau arena penipuan terstruktur.

Ketika afiliasi fiktif digunakan untuk "memback-up" data yang meragukan, itu adalah bentuk pembungkaman terhadap hak publik untuk mendapatkan kebenaran. Masyarakat sipil, melalui mekanisme citizen science dan audit independen, berperan sebagai "penjaga gawang" tambahan ketika gerbang utama (komite etik internal) gagal berfungsi.

2. Klarifikasi  dan advokasi Kritis: Data AI Bukanlah "Data Palsu"

Dalam narasi skandal ISPPD 2026, muncul stigma bahwa penggunaan AI dalam riset sama dengan pemalsuan data (data fabrication). Pernyataan ini keliru dan berbahaya karena menghambat inovasi. Penting untuk membedakan antara rekayasa data (fabrication) dan penggunaan alat bantu komputasi (AI-assisted analysis).

A. AI Sebagai Alat, Bukan Sumber Kebohongan

Kecerdasan Buatan, seperti Large Language Models (LLM) atau alat analisis statistik berbasis machine learning, adalah alat bantu. Sama seperti mikroskop atau perangkat lunak SPSS, AI tidak memiliki niat untuk menipu.

a.  Data AI Tidak Palsu: Jika seorang peneliti menggunakan AI untuk membersihkan data (data cleaning), mengisi nilai yang hilang (imputation), atau menemukan pola dalam dataset besar, hasil tersebut adalah valid secara metodologis, selama prosesnya transparan dan dapat direproduksi.

b.  Rekayasa vs. Optimasi: "Data palsu" terjadi ketika peneliti menciptakan angka dari nol tanpa eksperimen. Sebaliknya, penggunaan AI untuk mengoptimalkan analisis data yang sudah ada (meskipun data tersebut awalnya kurang lengkap) adalah bagian dari evolusi metode ilmiah.

B. Masalah Utama: Transparansi dan Validitas, Bukan Keberadaan AI

Masalah dalam banyak kontroversi riset modern bukanlah pada penggunaan AI-nya, melainkan pada:

a.  Kurangnya Transparansi: Peneliti tidak mencantumkan bagaimana AI digunakan, parameter apa yang dipakai, atau versi model apa yang dijalankan. Ini melanggar prinsip keterbukaan (open science).

b.  Data Kurang Lengkap/Kurang Valid: Jika data input berkualitas buruk (garbage in), maka output AI juga akan bermasalah (garbage out). Namun, ini adalah kesalahan validitas data, bukan bukti bahwa data tersebut "palsu". Data yang tidak lengkap tetaplah data asli, hanya saja memerlukan penanganan statistik yang hati-hati (yang bisa dibantu AI).

c.  Halusinasi AI: Dalam penulisan teks, AI bisa "berhalusinasi" (mengarang fakta). Ini adalah risiko teknis yang harus diverifikasi oleh manusia. Namun, dalam analisis data numerik, AI cenderung konsisten. Klaim bahwa "data AI adalah palsu" sering kali merupakan penyederhanaan berlebihan dari masalah verifikasi manusia yang lalai.

3. Demokratisasi Sains sebagai Solusi

Mengapa demokratisasi sains penting dalam konteks AI dan integritas data?

a.  Audit Algoritma oleh Publik: Dengan membuka kode sumber (open code) dan data mentah, masyarakat sipil yang memiliki keahlian teknis (data scientists independen) dapat memeriksa apakah AI digunakan secara etis. Apakah ada bias dalam algoritma? Apakah data imputasi dilakukan dengan benar?

b.  Melawan Monopoli Pengetahuan: Hierarki akademik yang tertutup sering kali melindungi "sekret dagang" metodologi mereka. Demokratisasi memaksa peneliti untuk menjelaskan metode mereka dalam bahasa yang dapat diakses dan diverifikasi oleh pihak luar.

c.  Pendidikan Literasi Data: Ketika masyarakat dilibatkan dalam proses sains (citizen science), literasi data publik meningkat. Masyarakat menjadi lebih kritis dan tidak mudah tertipu oleh klaim-klaim ilmiah yang terkesan megah namun kosong, seperti yang terjadi pada kasus afiliasi fiktif di ISPPD 2026.

4. Kesimpulan: Menuju Ekosistem Sains yang Terbuka dan Jujur

Skandal ISPPD 2026 mengajarkan kita dua hal penting:

1.  Afiliasi Fiktif adalah Bentuk Penipuan Struktural: Penggunaan nama lembaga seperti The IMCD BioMed dan Al-BioMedicine yang tidak memiliki legalitas adalah upaya sistematis untuk memanipulasi persepsi kredibilitas. Ini harus ditindak tegas berdasarkan hukum positif Indonesia dan norma internasional.

2.  AI Bukan Kambing Hitam: Kita tidak boleh menjatuhkan vonis bahwa data yang melibatkan AI adalah palsu. Data AI adalah data yang sah jika prosesnya transparan, valid, dan dapat dipertanggungjawabkan. Masalah utamanya adalah kelengkapan data dan validitas metode, bukan keberadaan alat bantu komputasinya.

Hak untuk mengetahui kebenaran ilmiah adalah hak asasi manusia yang tidak bisa dinegosiasikan. Untuk melindungi hak ini, kita perlu meruntuhkan tembok eksklusivitas akademik dan membangun ekosistem sains yang demokratis, di mana setiap warga negara memiliki ruang dan perlindungan hukum untuk memastikan bahwa laboratorium data tetap jujur, dan publikasi ilmiah tetap menjadi mercusuar kebenaran, bukan arena penipuan terstruktur sekalipun riset bisa salah, bias dan anomali hasilnya.

Artikel ini disusun sebagai respons terhadap perkembangan isu integritas riset pasca-ISPPD 2026, dengan menekankan pentingnya perspektif hukum HAM dan pemahaman yang tepat tentang teknologi AI dalam sains.