Large Language Models (LLMs) merupakan model bahasa berbasis transformer yang dilatih pada skala besar dengan mengandalkan miliaran parameter dan data teks dalam jumlah masif. LLM telah menunjukkan kemampuan luar biasa dalam beragam tugas pemrosesan bahasa alami, seperti penerjemahan, penulisan kreatif, dan dialog interaktif, sehingga membuka era baru dalam kecerdasan buatan.

  1. Evolusi dan Arsitektur

LLMs modern, seperti GPT-2 dan GPT-3, dibangun di atas paradigma pre-training besar-besaran menggunakan arsitektur Transformer yang diperkenalkan oleh Vaswani et al. (2017). Paradigma ini memungkinkan model untuk memahami konteks panjang dengan efisien melalui mekanisme attention, serta kemudian melakukan fine-tuning atau prompting untuk tugas khusus. Studi juga menunjukkan adanya kemampuan emergen—kemampuan yang tiba-tiba muncul pada model besar tetapi tidak ditemukan pada model kecil.

  1. Tinjauan Literatur dan Tren Riset

Beberapa studi menjelaskan lanskap riset LLM secara menyeluruh. Fan et al. (2023) melakukan tinjauan bibliometrik terhadap publikasi LLM antara 2017–2023, mengungkap pertumbuhan pesat penelitian terkait arsitektur Transformer seperti BERT dan GPT, serta aplikasi dalam beragam bidang seperti penerjemahan, analisis sentimen, dan dialog. Selain itu, ada juga tinjauan khusus, seperti mengenai model multilingual yang dirancang untuk mendukung banyak bahasa—sebuah kebutuhan penting dalam konteks global.

  1. Tantangan Etis dan Ketelitian

Meskipun berbakat, LLM menghadapi tantangan serius, termasuk bias dan sensitivitas model terhadap konteks tertentu. Hajikhani & Cole (2024) secara kritis mengulas kemampuan LLM umum seperti GPT-3.5 dibandingkan model khusus (specialized) dalam deteksi tujuan pembangunan berkelanjutan, dan menemukan bahwa model umum sering menghasilkan deteksi yang kurang relevan.

  1. Aplikasi Spesifik dan Evaluasi di Bidang Kesehatan

Dalam konteks klinis, Shool et al. (2025) melakukan tinjauan sistematis terhadap evaluasi LLM dalam praktik medis. Hasilnya: mayoritas penelitian (93,55 %) menggunakan model-domain umum seperti ChatGPT dan GPT-4, sedangkan model medis domain khusus hanya 6,45 %. Evaluasi seringkali hanya menyoroti akurasi, sehingga bias dan etika masih menjadi perhatian besar.

 5. Integrasi Multimoda dan Riset Masa Depan

Seiring kemajuan, LLM juga berkembang menuju model multimodal, menggabungkan kemampuan untuk memproses teks, gambar, suara, dan kode secara simultan. Sebagai contoh, studi tentang model multimodal memperluas cakupan penggunaan LLM di berbagai domain. Tantangan ke depan meliputi menciptakan model yang inklusif, kuat, transparan, serta mampu menjelaskan (explainability).

Perkembangan LLM telah merevolusi cara kita memproses dan memahami bahasa dalam skala besar. Namun, tantangan seperti bias, evaluasi yang tidak standar, serta kebutuhan model domain-spesifik tetap mendesak. Untuk masa depan, pengembangan LLM harus seimbang antara kemampuan teknis, inklusivitas, dan etika.

 

Daftar Pustaka

  • Fan, L., Li, L., Ma, Z., Lee, S., Yu, H., & Hemphill, L. (2023). A Bibliometric Review of Large Language Models Research from 2017 to 2023.
  • Hajikhani, A., & Cole, C. (2024). A critical review of large language models: Sensitivity, bias, and the path toward specialized AI. Quantitative Science Studies, 5(3), 736–756.
  • Huang, D., Yan, C., Li, Q., & Peng, X. (2024). From Large Language Models to Large Multimodal Models: A Literature Review. Applied Sciences, 14(12), 5068.
  • Shool, S., Adimi, S., Saboori Amleshi, R., Bitaraf, E., Golpira, R., & Tara, M. (2025). A systematic review of large language model (LLM) evaluations in clinical medicine. BMC Medical Informatics and Decision Making, 25, 117.
  • Wei, J., Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., … & Fedus, W. (2022). Emergent Abilities of Large Language Models. ArXiv.
  • (Tambahan jika ingin melengkapi dengan literatur dasar mengenai arsitektur): Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., … & Polosukhin, I. (2017). Attention Is All You Need. NIPS.