Figure 1. Enhanced sensor annotations dalam simulasi gudang menggunakan Omniverse Replicator (https://developer.nvidia.com/blog/build-custom-synthetic-data-generation-pipelines-with-omniverse-replicator/)

Bayangkan sebuah dunia di mana data tidak lagi harus dikumpulkan dari pengguna sungguhan, tetapi diciptakan oleh komputer itu sendiri. Foto wajah yang tidak pernah ada, percakapan yang tidak pernah terjadi, atau sensor mobil otonom yang berlatih di jalan virtual. Itulah dunia baru bernama synthetic data data buatan yang kini menjadi emas baru bagi kecerdasan buatan.

Selama satu dekade terakhir, data menjadi bahan bakar utama AI. Tapi seperti minyak bumi, sumber datanya mulai menipis, mahal, dan penuh risiko privasi. Maka, alih-alih menambang data dunia nyata, para peneliti kini mulai menumbuhkannya secara buatan.

 

Apa Itu Synthetic Data?

Synthetic data adalah data yang dihasilkan oleh algoritma bukan dikumpulkan dari dunia nyata. Ia bisa berupa teks, gambar, video, hingga data sensor, yang semuanya meniru karakteristik data asli tanpa mengandung informasi pribadi siapa pun.

Teknologi ini dibuat menggunakan:

  1. Generative AI (seperti GAN dan Diffusion Models) untuk membuat data visual atau sensorik.
  2. Large Language Models (seperti GPT) untuk menciptakan percakapan, laporan, atau data teks.
  3. Simulasi 3D dan fisika untuk membuat lingkungan buatan (misalnya pelatihan mobil otonom).

Dengan synthetic data, developer bisa “melatih” AI tanpa harus mengumpulkan jutaan contoh dari dunia nyata.

 

Mengapa Synthetic Data Jadi Penting

Masalah utama dunia AI saat ini bukan lagi kekurangan algoritma, tapi kelangkaan data berkualitas. Data dunia nyata sering terbatas, bias, atau sulit diakses karena privasi.

Synthetic data menawarkan tiga keuntungan besar:

Table 1. Keuntungan Synthetic Data

Tantangan Dunia Nyata Solusi dengan Synthetic Data
Privasi pengguna Data buatan tidak mengandung informasi pribadi.
Bias & ketidakseimbangan Bisa dibuat seimbang untuk merepresentasikan semua kelompok.
Keterbatasan data langka Bisa “meniru” kasus langka yang jarang terjadi di dunia nyata.

Contohnya, perusahaan otomotif seperti Waymo dan Tesla melatih mobil otonom mereka dengan jutaan kilometer simulasi virtual data yang lebih aman, murah, dan cepat dibanding menguji di jalan sungguhan.

Figure 2. Synthetic faces generated by AI tanpa data manusia asli (https://generated.photos/faces)

Ketika AI Melatih AI

Menariknya, synthetic data memunculkan fenomena baru: AI yang melatih AI. Model besar seperti GPT atau Claude bisa menghasilkan teks untuk melatih model kecil lainnya. Demikian juga, image generator seperti Midjourney atau Stable Diffusion bisa membuat jutaan gambar sintetis untuk melatih model deteksi objek.

Namun, ada sisi paradoks di sini jika model dilatih dari data yang dibuat model lain, apakah AI masih belajar dari dunia nyata, atau hanya dari refleksi dirinya sendiri?

Fenomena ini dikenal sebagai model collapse, di mana AI kehilangan “sentuhan realitas” karena terus belajar dari data buatan. Beberapa studi menunjukkan bahwa model generatif bisa menjadi bias atau kehilangan keragaman jika dilatih dengan synthetic data secara berulang tanpa penyegaran data asli.

 

Manfaat dan Risiko di Dunia Nyata

Manfaat synthetic data kini sudah terasa di banyak industri:

  1. Kesehatan: Rumah sakit menggunakan data pasien sintetis untuk riset tanpa melanggar privasi.
  2. Keuangan: Bank membuat data transaksi palsu untuk melatih sistem deteksi fraud.
  3. Keamanan siber: Peneliti membuat data serangan buatan untuk melatih sistem pertahanan digital.
  4. Pendidikan: Mahasiswa bisa berlatih AI dengan dataset realistis tanpa risiko etika.

Namun, risikonya juga nyata:

  1. Bias buatan: Jika data asli yang jadi dasar tidak seimbang, bias itu bisa ikut “disintesis.”
  2. Ilusi validitas: Data terlihat realistis, tapi belum tentu mencerminkan dunia nyata.
  3. Penyalahgunaan: Synthetic data bisa digunakan untuk membuat deepfake atau manipulasi informasi.

 

Emas Digital di Era AI

Bagi industri AI, synthetic data kini dianggap “emas digital” bahan bakar yang tak terbatas, murah, dan fleksibel. Menurut laporan Gartner (2025), lebih dari 60% data pelatihan AI pada tahun 2030 diperkirakan akan bersifat sintetis. Namun, seperti semua emas, nilainya tergantung pada bagaimana manusia mengolahnya.

Teknologi ini mengajarkan kita sesuatu: bahwa realitas bisa diciptakan, tapi tanggung jawab tetap harus nyata. Karena di balik setiap data buatan, ada nilai manusia yang menentukan apakah ia akan digunakan untuk kebaikan atau sekadar ilusi.

 

Penulis:
Emmanuel Daniel Widhiarto, S.Kom – FDP Scholar

 

Referensi

NVIDIA. (2024). What Is Synthetic Data? https://developer.nvidia.com/blog/what-is-synthetic-data/

Generated Photos. (2025). AI-Generated Faces Dataset. https://generated.photos/

Waymo. (2024). Simulation and Synthetic Training for Autonomous Vehicles. https://waymo.com/

Gartner. (2025). AI Data Trends and the Rise of Synthetic Data. https://www.gartner.com/