MENJEMBATANI KEKAKUAN ALGORITMA DAN KABURNYA NILAI MANUSIA:

Pendekatan Logika Fuzzy Euclid–Gellert dalam Ekonomi Digital Indonesia

1. Asep Rohmandar

Pengamat Ilmu Matematika Komputer, Masyarakat Peneliti Mandiri Sunda Nusantara, Indonesia. Email : asrohmandar69@gmail.com 2. Debby Lelyca Rohdearni Damanik

Program Studi Informatika, Fakultas Informatika, Telkom University. Korespondensi Email: debbylelycarohdearni@student.telkomuniversity.ac.id

ABSTRAK

Transformasi ekonomi digital Indonesia—dengan proyeksi Gross Merchandise Value mendekati 100 miliar dolar Amerika Serikat pada 2025 dan kontribusi terhadap Produk Domestik Bruto yang diperkirakan menembus kisaran 7,1–8,0 persen—telah menempatkan algoritma sebagai instrumen tata kelola de facto atas keputusan ekonomi warga negara: siapa yang layak menerima pinjaman digital, pengemudi mana yang menerima order, konten mana yang dipromosikan, dan pedagang mana yang direkomendasikan. Algoritma-algoritma ini pada umumnya dibangun di atas logika biner Boolean yang menuntut keputusan tegas (crisp: ya/tidak, layak/tidak layak), sementara nilai-nilai manusia yang seharusnya dilindungi—keadilan, kepatutan, martabat kerja, kepercayaan sosial—pada dasarnya bersifat gradual, kontekstual, dan kabur (fuzzy). Artikel ini mengajukan sebuah kerangka konseptual, disebut Model Fuzzy Euclid–Gellert (FEG), yang berupaya menjembatani jurang epistemologis tersebut dengan mengawinkan tiga tradisi berpikir: (1) logika fuzzy Zadeh sebagai bahasa formal untuk merepresentasikan gradasi nilai manusia; (2) metode aksiomatik-deduktif Euclid sebagai struktur untuk menjamin konsistensi dan ketertelusuran penalaran algoritmik; dan (3) taksonomi modus inferensi Gellert—yang membedakan penalaran matematis-formal dari penalaran empiris-realistis—sebagai jembatan metodologis untuk mendiagnosis kapan sebuah keputusan algoritmik telah bergeser dari representasi realitas sosial menuju abstraksi yang mengasingkan penggunanya. Dengan pendekatan kualitatif-konseptual yang didukung tinjauan literatur sistematis dan ilustrasi kuantitatif pada tiga arena empiris ekonomi digital Indonesia—penilaian kelayakan kredit fintech peer-to-peer, manajemen algoritmik pekerja gig, dan moderasi konten berbasis kecerdasan buatan—penelitian ini menunjukkan bahwa derajat keanggotaan fuzzy yang diturunkan secara aksiomatis dapat mengoreksi kekakuan ambang batas biner tanpa mengorbankan ketertelusuran audit yang disyaratkan oleh prinsip transparansi dan akuntabilitas dalam kerangka tata kelola kecerdasan buatan nasional. Artikel ini berkontribusi pada literatur dengan menawarkan bahasa formal lintas-disiplin bagi perumus kebijakan, insinyur algoritma, dan filsuf hukum di Indonesia untuk merancang sistem algoritmik yang secara simultan efisien secara komputasional dan berkeadaban secara sosial.

Kata kunci: logika fuzzy; aksiomatika Euclid; modus inferensi Gellert; ekonomi digital; tata kelola algoritma; etika kecerdasan buatan; Indonesia

ABSTRACT

The rapid expansion of Indonesia's digital economy—projected to approach a Gross Merchandise Value of nearly one hundred billion United States dollars by 2025 and to contribute an estimated 7.1 to 8.0 percent of Gross Domestic Product—has positioned algorithms as de facto governance instruments over citizens' economic decisions: who qualifies for a digital loan, which driver receives an order, which content gets amplified, and which merchant gets recommended. These algorithms are overwhelmingly built upon crisp Boolean logic that demands binary determinations, while the human values they are meant to protect—fairness, propriety, the dignity of labour, and social trust—are inherently graded, contextual, and fuzzy. This article proposes a conceptual framework, termed the Fuzzy Euclid–Gellert (FEG) Model, that seeks to bridge this epistemological gap by marrying three intellectual traditions: Zadehian fuzzy logic as a formal language for representing gradations of human value; Euclid's axiomatic-deductive method as a structure for guaranteeing the consistency and traceability of algorithmic reasoning; and Gellert's taxonomy of inference modes—which distinguishes formal-mathematical reasoning from empirical-realistic reasoning—as a methodological bridge for diagnosing when an algorithmic decision has drifted from representing social reality toward an alienating abstraction. Employing a qualitative-conceptual approach supported by systematic literature review and quantitative illustration across three empirical arenas of Indonesia's digital economy—peer-to-peer fintech credit scoring, algorithmic gig-worker management, and AI-based content moderation—this study demonstrates that axiomatically derived fuzzy membership degrees can correct the rigidity of binary thresholds without sacrificing the audit traceability required by transparency and accountability principles within national artificial intelligence governance frameworks.

Keywords: fuzzy logic; Euclidean axiomatics; Gellert inference modes; digital economy; algorithmic governance; AI ethics; Indonesia

1. PENDAHULUAN

Ekonomi digital Indonesia telah memasuki fase yang oleh para pengamat disebut sebagai "era kematangan": setelah lonjakan digitalisasi yang dipicu pandemi sejak 2020, sektor ini kini menopang dirinya sendiri melalui video commerce, layanan keuangan digital, dan adopsi kecerdasan buatan yang meluas. Laporan e-Conomy SEA 2025 yang disusun Google, Temasek, dan Bain & Company memproyeksikan Gross Merchandise Value ekonomi digital Indonesia mendekati seratus miliar dolar Amerika Serikat pada 2025, tumbuh empat belas persen dari tahun sebelumnya, dengan sektor e-commerce menyumbang tujuh puluh satu miliar dolar dan sektor pembiayaan digital tumbuh tercepat di kawasan Asia Tenggara pada tingkat pertumbuhan tahunan gabungan dua puluh sembilan persen.

Di balik angka-angka pertumbuhan yang mengesankan tersebut tersembunyi sebuah transformasi tata kelola yang jauh lebih mendasar dan kurang mendapat sorotan publik: pergeseran otoritas pengambilan keputusan ekonomi dari birokrasi manusia menuju sistem algoritmik. Ketika seseorang mengajukan pinjaman melalui aplikasi pinjaman daring (peer-to-peer lending), yang menentukan kelayakannya bukan lagi petugas kredit yang dapat diajak berdialog, melainkan model penilaian kredit (credit scoring) yang mengolah ratusan variabel—mulai dari riwayat transaksi, pola penggunaan pulsa, hingga jejak metadata perangkat—menjadi satu angka tunggal yang memisahkan "disetujui" dari "ditolak". Ketika seorang pengemudi ojek daring menunggu order, algoritma alokasi yang menentukan siapa yang mendapatkannya beroperasi berdasarkan skor kinerja yang jarang transparan bagi mitra pengemudi itu sendiri. Ketika sebuah unggahan di media sosial dinilai melanggar pedoman komunitas, keputusan penurunan konten (takedown) semakin sering dijatuhkan oleh pengklasifikasi otomatis sebelum manusia sempat meninjaunya.

Persoalan inti yang hendak diangkat artikel ini bukanlah soal kecepatan atau efisiensi algoritma-algoritma tersebut—yang pada umumnya memang unggul dibandingkan proses manual—melainkan soal arsitektur logika yang mendasarinya. Mayoritas sistem pengambilan keputusan otomatis di sektor keuangan dan platform digital Indonesia masih dibangun di atas fondasi logika klasik Aristotelian-Boolean: setiap proposisi harus bernilai benar atau salah, setiap pemohon kredit harus jatuh pada kategori layak atau tidak layak, setiap konten harus diklasifikasikan melanggar atau tidak melanggar. Struktur biner ini menawarkan kepastian komputasional dan ketertelusuran audit yang tinggi, namun ia dibeli dengan harga yang mahal: penghapusan nuansa. Realitas sosial-ekonomi yang direpresentasikannya—kelayakan seseorang menerima kredit, kewajaran beban kerja seorang pengemudi, kepatutan sebuah ungkapan dalam konteks budaya tertentu—pada hakikatnya bersifat gradual dan bergantung konteks, bukan hitam-putih.

Kesenjangan antara kekakuan formal algoritma dan kaburnya (fuzziness) nilai manusia inilah yang oleh literatur tata kelola kecerdasan buatan mutakhir mulai diakui sebagai sumber utama ketidakadilan algoritmik. Kerangka GELSI (Governance, Ethics, Legal, and Social Implications) yang dikembangkan untuk sistem perbankan sentral Indonesia menegaskan bahwa pedoman etis memainkan peran kunci dalam mengurangi bias dan meningkatkan transparansi pengambilan keputusan algoritmik, sementara Otoritas Jasa Keuangan telah menerbitkan Kode Etik Kecerdasan Buatan yang Bertanggung Jawab dan Dapat Dipercaya bagi industri teknologi finansial yang menetapkan ekspektasi normatif seputar keadilan, transparansi, keterjelasan (explainability), dan pengawasan manusia. Namun demikian, kerangka-kerangka normatif tersebut pada umumnya berhenti pada tataran prinsip dan belum menyediakan bahasa formal-matematis yang dapat diterjemahkan langsung ke dalam arsitektur sistem.

Artikel ini berangkat dari premis bahwa kekosongan metodologis tersebut dapat diisi dengan mengawinkan tiga tradisi intelektual yang selama ini jarang dipertemukan secara eksplisit dalam literatur tata kelola digital Indonesia. Pertama, logika fuzzy yang dirintis Lotfi A. Zadeh sejak 1965 menawarkan bahasa formal untuk merepresentasikan derajat keanggotaan sebagai bilangan kontinu pada interval nol hingga satu, alih-alih klasifikasi biner tegas—sebuah terobosan yang lahir dari ketidakpuasan Zadeh terhadap logika klasik sebagai alat pemodelan penalaran manusia dalam lingkungan yang serba tidak presisi. Kedua, metode aksiomatik-deduktif Euclid dalam Elements—yang membangun seluruh sistem geometri dari sekumpulan kecil postulat dan pengertian bersama (common notions) yang diterima tanpa pembuktian—menyediakan template bernalar yang menjamin konsistensi logis dan ketertelusuran setiap kesimpulan hingga premis dasarnya, sebuah kualitas yang sangat relevan bagi tuntutan auditabilitas algoritma. Ketiga, taksonomi modus inferensi yang dikembangkan Eva Jablonka dan Uwe Gellert dalam kajian pendidikan matematika membedakan secara tajam antara penalaran yang murni deduktif-formal (di mana kebenaran kesimpulan semata-mata ditentukan oleh konsistensi logis dengan premis) dan penalaran yang bersifat empiris-realistis (di mana matematika berfungsi sebagai model dari, dan bagi, realitas sosial yang terus berubah)—sebuah pembedaan yang oleh Jablonka dan Gellert sendiri digambarkan melalui pengamatan bahwa matematika tidak sekadar mendeskripsikan realitas melainkan turut "menjajah, meresap, dan mentransformasikan" realitas tersebut, sedemikian rupa sehingga model-model itu sendiri berubah menjadi realitas yang hendak dimodelkannya.

Ketiga tradisi ini, ketika disatukan dalam sebuah kerangka yang penulis sebut Model Fuzzy Euclid–Gellert (selanjutnya FEG), memungkinkan perumusan sistem algoritmik yang tetap dapat diaudit secara ketat (warisan Euclid), namun mengakomodasi gradasi nilai manusia (warisan Zadeh), sekaligus dilengkapi mekanisme diagnostik untuk mendeteksi kapan sebuah model telah bergeser dari representasi realitas menuju abstraksi yang mengasingkan (warisan Gellert). Artikel ini menguji kegunaan kerangka tersebut pada tiga arena empiris ekonomi digital Indonesia yang paling rawan menghasilkan keputusan algoritmik yang secara formal valid namun secara substantif tidak adil: penilaian kelayakan kredit fintech peer-to-peer, manajemen algoritmik pekerja gig, dan moderasi konten berbasis kecerdasan buatan.

1.1 Rumusan Masalah

Berdasarkan uraian di atas, penelitian ini merumuskan tiga pertanyaan pokok. Pertama, bagaimana logika fuzzy, aksiomatika Euclid, dan taksonomi modus inferensi Gellert dapat disintesiskan menjadi satu kerangka konseptual yang koheren untuk menganalisis dan merancang sistem algoritmik ekonomi digital? Kedua, sejauh mana kerangka FEG tersebut mampu mendiagnosis titik-titik ketidakadilan yang tersembunyi di balik ambang batas biner pada tiga arena empiris—credit scoring, manajemen algoritmik gig economy, dan moderasi konten? Ketiga, implikasi kebijakan dan rekayasa apa yang dapat ditarik dari kerangka ini bagi regulator, pengembang platform, dan pembuat kebijakan tata kelola kecerdasan buatan di Indonesia?

1.2 Tujuan dan Kontribusi

Penelitian ini bertujuan menghasilkan tiga kontribusi. Pertama, kontribusi teoretis berupa perumusan Model Fuzzy Euclid–Gellert sebagai kerangka lintas-disiplin yang mengintegrasikan logika fuzzy, metode aksiomatik, dan teori modus inferensi ke dalam satu bahasa formal yang koheren. Kedua, kontribusi metodologis berupa demonstrasi bagaimana derajat keanggotaan fuzzy dapat diturunkan secara aksiomatis—bukan secara ad hoc—sehingga tetap memenuhi tuntutan ketertelusuran audit. Ketiga, kontribusi praktis berupa ilustrasi penerapan kerangka tersebut pada tiga kasus nyata ekonomi digital Indonesia disertai rekomendasi kebijakan yang dapat ditindaklanjuti oleh regulator seperti Otoritas Jasa Keuangan, Kementerian Komunikasi dan Digital, serta pelaku industri platform.

1.3 Sistematika Artikel

Artikel ini disusun dalam delapan bagian. Setelah pendahuluan ini, Bagian 2 menyajikan tinjauan pustaka atas empat untai literatur yang menjadi fondasi kerangka FEG: logika fuzzy, aksiomatika Euclid, taksonomi modus inferensi Gellert, dan tata kelola kecerdasan buatan Indonesia. Bagian 3 menguraikan konstruksi Model Fuzzy Euclid–Gellert secara formal, meliputi lima aksioma dasar, formalisasi fungsi keanggotaan, operator agregasi, dan mekanisme diagnostik Uji Konvergensi Gellert, dilengkapi contoh perhitungan terapan. Bagian 4 menjelaskan metode penelitian konseptual yang digunakan. Bagian 5 mendemonstrasikan penerapan Model FEG pada tiga arena empiris ekonomi digital Indonesia — credit scoring fintech, manajemen algoritmik gig economy, dan moderasi konten — disertai perbandingan dengan pendekatan alternatif yang telah berkembang dalam literatur. Bagian 6 menarik implikasi kebijakan dan rekayasa bagi regulator, pengembang platform, pembuat kebijakan pendidikan, dan masyarakat sipil. Bagian 7 mengakui keterbatasan penelitian dan merumuskan agenda riset lanjutan, sebelum Bagian 8 menutup artikel dengan kesimpulan.

2. TINJAUAN PUSTAKA

2.1 Logika Fuzzy: Dari Ketidakpuasan terhadap Bivalensi menuju Bahasa Gradasi

Logika fuzzy lahir dari kegelisahan epistemologis Lotfi Asker Zadeh, seorang insinyur elektro dan ilmuwan komputer di University of California, Berkeley, yang pada 1965 menerbitkan makalah "Fuzzy Sets" di jurnal Information and Control. Zadeh terinspirasi oleh kapasitas luar biasa manusia untuk melaksanakan berbagai tugas fisik dan mental tanpa pengukuran dan komputasi yang presisi, dan pada saat yang sama merasa tidak puas terhadap logika klasik sebagai alat pemodelan penalaran manusia dalam lingkungan yang serba tidak presisi. Sebelum Zadeh, benih keraguan terhadap logika bivalen (dua nilai) sesungguhnya telah ditanam oleh filsuf Amerika Charles Sanders Peirce pada awal abad kedua puluh melalui gagasannya tentang "logika kekaburan" (logic of vagueness), namun baru melalui kerangka matematis Zadeh pada dekade 1960-an dan 1970-an gagasan tersebut memperoleh formalisasi yang dapat dioperasionalkan secara komputasional.

Konsep sentral dalam teori Zadeh adalah fungsi keanggotaan (membership function), yang memetakan setiap elemen dari suatu semesta pembicaraan ke sebuah nilai riil pada interval tertutup [0,1], alih-alih memaksakannya ke dalam himpunan tegas {0,1} sebagaimana teori himpunan klasik. Zadeh sendiri kelak menyebut fungsi keanggotaan sebagai konsep paling berharga, sentral, dan kunci dari seluruh teori himpunan fuzzy, sedemikian rupa sehingga seluruh bangunan teoretisnya dapat disebut sebagai "keajaiban satu fungsi". Salah satu temuan Zadeh yang paling berpengaruh bagi kajian sistem kompleks—termasuk sistem sosial-ekonomi yang menjadi perhatian artikel ini—adalah prinsip inkompatibilitas (principle of incompatibility): semakin tinggi tingkat kompleksitas suatu sistem, semakin sulit membuat pernyataan presisi mengenai perilakunya, hingga pada suatu titik presisi dan relevansi menjadi dua karakteristik yang hampir saling meniadakan. Prinsip inilah yang mendasari klaim artikel ini bahwa sistem sosial-ekonomi seperti kelayakan kredit atau kepatutan konten pada dasarnya tidak dapat direduksi tanpa kehilangan makna substantif menjadi kategori biner semata.

Dalam perkembangan selanjutnya, Zadeh memperluas kerangka fuzzy menuju apa yang disebutnya Computing with Words dan Precisiated Natural Language, dengan argumen bahwa logika bivalen secara intrinsik tidak cocok menjadi fondasi bagi teori-teori bahasa alami, sedangkan logika fuzzy sebagai logika dari ketidakpresisian dan penalaran mendekati (approximate reasoning) merupakan pilihan yang jauh lebih memadai. Perluasan konseptual ini relevan bagi konteks algoritma ekonomi digital karena banyak variabel keputusan—"kelayakan usaha", "kewajaran beban kerja", "kepatutan ujaran"—pada hakikatnya adalah konsep linguistik yang membawa kekaburan bawaan (inherent vagueness) yang tidak dapat dihapus melalui pengukuran yang lebih presisi, melainkan hanya dapat direpresentasikan secara lebih jujur melalui derajat.

2.2 Metode Aksiomatik Euclid: Ketertelusuran sebagai Jaminan Integritas Penalaran

Sekitar tahun 300 sebelum Masehi, Euclid dari Alexandria menyusun Elements, sebuah risalah tiga belas buku yang mengorganisasikan seluruh pengetahuan geometri dan teori bilangan zamannya ke dalam satu sistem deduktif tunggal. Kontribusi paling berpengaruh dari karya ini bukan terletak pada teorema-teorema individualnya, melainkan pada metodenya: Euclid membangun keseluruhan sistem dari dua puluh tiga definisi, lima postulat, dan lima pengertian bersama (common notions) yang diterima sebagai aksioma tanpa pembuktian, lalu menurunkan setiap teorema berikutnya secara ketat melalui deduksi logis dari fondasi tersebut. Metode aksiomatik ini menjadikan setiap kesimpulan dalam sistem Euclid pada prinsipnya dapat ditelusuri mundur (traceable) hingga ke premis-premis dasarnya—sebuah kualitas yang oleh sejarawan matematika dipandang sebagai model bagi seluruh penalaran logis berikutnya, termasuk logika formal, ilmu komputer, dan verifikasi algoritma modern.

Yang secara khusus relevan bagi kerangka artikel ini adalah nasib postulat kelima Euclid, yakni postulat kesejajaran (parallel postulate), yang sejak awal dianggap kurang jelas swasembada (self-evident) dibandingkan empat postulat lainnya. Selama lebih dari dua ribu tahun, matematikawan berupaya membuktikan postulat kelima sebagai teorema turunan dari empat postulat pertama, dan kegagalan sistematis upaya tersebut pada akhirnya justru melahirkan geometri non-Euclidean pada abad kesembilan belas melalui karya Lobachevsky, Bolyai, dan Riemann—yang menunjukkan bahwa sistem Euclid bukanlah satu-satunya sistem geometri yang secara logis konsisten, melainkan satu di antara sekian banyak kemungkinan bergantung pada aksioma dasar yang dipilih. Pelajaran metodologis dari episode sejarah ini bagi artikel ini adalah dua hal: pertama, bahwa kekuatan sebuah sistem aksiomatik terletak pada eksplisitnya asumsi dasar yang dipilih, bukan pada klaim bahwa asumsi tersebut adalah satu-satunya yang mungkin benar; dan kedua, bahwa mengganti satu aksioma dasar (dalam kasus kita: mengganti aksioma bivalensi dengan aksioma gradasi fuzzy) dapat menghasilkan sistem penalaran yang sama konsistennya namun secara struktural berbeda dan, sebagaimana akan ditunjukkan, lebih adekuat bagi domain sosial-ekonomi.

2.3 Taksonomi Modus Inferensi Gellert: Matematika sebagai Pembentuk, Bukan Sekadar Penggambar, Realitas

Kajian Eva Jablonka dan Uwe Gellert dalam bidang pendidikan matematika mengangkat sebuah tesis yang mengganggu kenyamanan epistemologis para praktisi pemodelan kuantitatif: bahwa matematika, ketika diterapkan pada persoalan dunia nyata, tidak semata-mata berfungsi sebagai cermin pasif yang mendeskripsikan realitas empiris, melainkan turut aktif membentuk ulang persepsi kita atas realitas tersebut. Dalam kata-kata Jablonka dan Gellert sendiri, matematika adalah sarana bagi penciptaan realitas-realitas baru, bukan hanya melalui penyediaan deskripsi atas "situasi dunia nyata", tetapi juga melalui tindakan menjajah, meresap, dan mentransformasikan realitas itu sendiri—sedemikian rupa sehingga pada akhirnya model itu sendiri menjadi realitas yang ingin dimodelkannya. Ilustrasi yang mereka gunakan sederhana namun tajam: sebuah soal pemodelan matematis tentang untung-rugi berkendara ke negara tetangga demi bensin yang lebih murah akan cenderung mengabaikan kerusakan lingkungan sebagai variabel, bukan karena kerusakan lingkungan tidak relevan secara moral, melainkan karena kerangka ekonomis yang dipilih sejak awal telah memformat cara kita memandang persoalan tersebut.

Dari pengamatan inilah lahir pembedaan modus inferensi yang menjadi pijakan ketiga kerangka FEG: modus inferensi formal-deduktif, di mana validitas sebuah kesimpulan semata-mata ditentukan oleh konsistensi logisnya terhadap premis dalam sebuah sistem tanda (sign game) yang tertutup, tanpa keterikatan pada kebenaran empiris di luar sistem tersebut; dan modus inferensi empiris-realistis, di mana matematika berfungsi sebagai model yang harus terus-menerus diuji, direvisi, dan dipertanggungjawabkan terhadap realitas sosial yang menjadi rujukannya. Ketegangan antara kedua modus ini persis merupakan ketegangan yang menjangkiti algoritma ekonomi digital kontemporer: sebuah model credit scoring dapat sepenuhnya valid secara deduktif-formal (koefisien-koefisiennya terkalibrasi dengan baik, ambang batasnya terdefinisi tegas, keputusan yang dihasilkannya konsisten dengan aturan internalnya sendiri) namun pada saat yang sama tersesat secara empiris-realistis apabila variabel proksi yang digunakannya (misalnya pola penggunaan pulsa) ternyata mengukur sesuatu yang berkorelasi dengan kelas sosial atau geografi, bukan dengan kelayakan kredit yang sesungguhnya hendak diukur.

Gellert dan kolega dalam kajian yang lebih baru mengenai gaya-gaya bernalar (styles of reasoning) dalam pendidikan matematika turut mencatat bahwa disiplin ini masih membutuhkan kerangka teoretis yang koheren untuk memahami penalaran matematis secara utuh, sebuah kebutuhan yang oleh artikel ini coba dijawab—dalam konteks yang lebih spesifik yakni algoritma ekonomi digital—melalui pengintegrasian taksonomi modus inferensi ke dalam kerangka aksiomatik-fuzzy yang diusulkan.

2.4 Tata Kelola Kecerdasan Buatan dan Ekonomi Digital di Indonesia

Pemerintah Indonesia telah menetapkan visi jangka panjangnya melalui Strategi Nasional Kecerdasan Buatan Indonesia 2020–2045, dengan proyeksi bahwa kecerdasan buatan berpotensi menyumbang tiga ratus enam puluh enam miliar dolar Amerika Serikat terhadap Produk Domestik Bruto Indonesia pada 2030. Meskipun demikian, kerangka tata kelola kecerdasan buatan Indonesia masih berada pada tahap awal, mencerminkan tantangan yang lebih luas dalam menyelaraskan respons legislatif dan kelembagaan dengan laju perkembangan teknologi yang sangat cepat. Sejumlah instrumen sektoral telah diterbitkan, di antaranya Kode Etik Kecerdasan Buatan yang Bertanggung Jawab dan Dapat Dipercaya dari Otoritas Jasa Keuangan bagi industri teknologi finansial, Buku Panduan Tata Kelola Kecerdasan Buatan Perbankan 2025 yang mewajibkan pendekatan human-in-the-loop untuk aplikasi berisiko tinggi seperti keputusan kredit dan deteksi kecurangan, serta Kode Etik Teknologi Finansial 2023 yang berfokus pada keadilan dan pencegahan bias algoritmik dalam pinjaman digital.

Pada level regional, ASEAN Guide on AI Governance and Ethics yang disahkan pada 2024 menegaskan prinsip-prinsip bersama seperti transparansi, keadilan, dan akuntabilitas, sementara kajian komparatif menempatkan Indonesia bersama Malaysia pada tahap pengembangan (development stage), berbeda dengan Singapura dan Filipina yang telah menunjukkan kepemimpinan kelembagaan dan sektor swasta yang lebih matang dalam mengoperasionalkan tata kelola kecerdasan buatan yang bertanggung jawab. Dalam konteks lokal yang lebih spesifik, kajian etika kecerdasan buatan berbasis nilai Pancasila dan semboyan Bhinneka Tunggal Ika mengusulkan gagasan desain yang peka nilai (value-sensitive design), di mana keberhasilan algoritma media sosial tidak semata diukur dari metrik keterlibatan pengguna (engagement) melainkan juga dari kontribusinya terhadap kohesi sosial dan kualitas wacana publik.

Kekosongan yang hendak diisi artikel ini terletak pada jarak antara kerangka normatif tersebut—yang pada umumnya dirumuskan pada tataran prinsip hukum dan etika—dengan bahasa formal-matematis yang dapat diterjemahkan langsung ke dalam desain sistem. Kerangka GELSI yang dikembangkan untuk konteks perbankan sentral Indonesia, misalnya, menekankan pentingnya tata kelola data, pedoman etis, perlindungan hukum, dan kolaborasi lintas sektor, namun belum menyediakan mekanisme kuantitatif untuk menerjemahkan prinsip keadilan menjadi parameter yang dapat diaudit di dalam arsitektur model. Artikel ini berupaya mengisi kekosongan itu melalui Model Fuzzy Euclid–Gellert yang akan diuraikan pada bagian berikut.

2.5 Sintesis Kesenjangan Literatur

Membaca keempat untai literatur di atas secara bersamaan, tampak sebuah kesenjangan yang cukup jelas konturnya. Literatur logika fuzzy menyediakan bahasa matematis yang kaya untuk merepresentasikan gradasi, namun aplikasinya pada domain ekonomi digital Indonesia sejauh ini lebih banyak terkonsentrasi pada persoalan teknik seperti sistem kendali (control systems) dan pendukung keputusan multi-kriteria generik, ketimbang secara khusus dirancang untuk domain keadilan algoritmik lintas sektor keuangan-ketenagakerjaan-informasi seperti yang menjadi fokus artikel ini. Literatur aksiomatika Euclid dan filsafat matematika, di sisi lain, jarang sekali dipertautkan secara eksplisit dengan persoalan tata kelola kecerdasan buatan kontemporer, meskipun secara struktural konsep ketertelusuran (traceability) yang menjadi inti metode aksiomatik sesungguhnya sangat relevan dengan tuntutan auditabilitas algoritma yang terus disuarakan regulator. Literatur modus inferensi Gellert, meski berasal dari ranah pendidikan matematika, menawarkan kerangka kritis yang jarang dimanfaatkan di luar disiplin asalnya, padahal pengamatannya bahwa model matematis dapat "menjajah" realitas alih-alih sekadar mendeskripsikannya merupakan diagnosis yang sangat tajam bagi persoalan algoritma ekonomi digital. Sementara itu, literatur tata kelola kecerdasan buatan Indonesia sendiri, meski berkembang pesat dalam dua tahun terakhir, masih dominan berada pada tataran prinsip normatif dan regulasi sektoral, dengan kekosongan yang cukup mencolok pada level metodologi teknis yang dapat menerjemahkan prinsip menjadi parameter sistem yang konkret.

Kekosongan inilah yang secara spesifik hendak diisi oleh Model Fuzzy Euclid–Gellert yang diuraikan pada bagian berikut: bukan dengan menciptakan tradisi intelektual baru dari nol, melainkan dengan menjahit ulang tiga tradisi yang telah mapan namun jarang dipertemukan secara eksplisit, menjadi satu kerangka kerja yang secara langsung dapat diterapkan pada persoalan tata kelola algoritma di sektor keuangan digital, ketenagakerjaan platform, dan moderasi informasi — tiga sektor yang bersama-sama menyerap porsi terbesar interaksi harian warga negara Indonesia dengan sistem pengambilan keputusan otomatis.

3. KERANGKA TEORETIS: MODEL FUZZY EUCLID–GELLERT (FEG)

Bagian ini menguraikan konstruksi Model Fuzzy Euclid–Gellert (FEG) secara bertahap: dimulai dari lima aksioma dasar yang dipinjam-adaptasi dari struktur Euclid, dilanjutkan dengan formalisasi derajat keanggotaan fuzzy sebagai pengganti klasifikasi biner, dan diakhiri dengan mekanisme diagnostik berbasis modus inferensi Gellert untuk menilai kesehatan epistemik sebuah model algoritmik.

3.1 Lima Aksioma Dasar Model FEG

Mengikuti semangat metode aksiomatik Euclid—yang membangun sistem kompleks dari sejumlah kecil asumsi dasar yang eksplisit dan diterima tanpa pembuktian—Model FEG dibangun di atas lima aksioma berikut, yang berfungsi sebagai analog fungsional terhadap lima postulat Euclid namun diterjemahkan ke dalam domain pengambilan keputusan algoritmik atas nilai manusia.

Aksioma	Rumusan	Analog Struktur Euclid
A1 — Aksioma Keterhubungan	Untuk setiap dua keadaan (state) dalam ruang keputusan algoritmik, terdapat lintasan penalaran yang menghubungkannya secara eksplisit dan dapat ditelusuri.	Analog Postulat 1 Euclid: dapat ditarik garis lurus dari sembarang titik ke titik lain.
A2 — Aksioma Perluasan Konsisten	Setiap aturan keputusan yang berlaku pada suatu domain data dapat diperluas secara konsisten ke domain data baru tanpa mengubah struktur logisnya, selama premis dasarnya tidak berubah.	Analog Postulat 2 Euclid: garis lurus terbatas dapat diperpanjang secara terus-menerus.
A3 — Aksioma Keanggotaan Gradual	Setiap variabel nilai manusia (keadilan, kepatutan, kelayakan) direpresentasikan bukan sebagai anggota himpunan tegas {0,1}, melainkan sebagai derajat keanggotaan pada interval kontinu [0,1], ditentukan oleh fungsi keanggotaan yang eksplisit dan dapat diaudit.	Adaptasi Zadeh atas Postulat 3 Euclid (lingkaran dapat digambar dengan pusat dan jari-jari sembarang) — jari-jari di sini adalah radius toleransi gradasi.
A4 — Aksioma Kesetaraan Ambang	Semua ambang batas keputusan (threshold) yang secara struktural setara harus diperlakukan secara konsisten pada seluruh subpopulasi data, kecuali terdapat justifikasi eksplisit dan terdokumentasi untuk membedakannya.	Analog Postulat 4 Euclid: semua sudut siku-siku adalah kongruen.
A5 — Aksioma Konvergensi Bersyarat (Aksioma Gellert)	Dua modus inferensi (formal-deduktif dan empiris-realistis) yang diterapkan pada premis yang sama akan menghasilkan kesimpulan konvergen jika dan hanya jika variabel proksi yang digunakan model secara valid merepresentasikan konstruk sosial yang dimaksud; jika tidak, model wajib ditandai sebagai berisiko alienasi realitas dan memerlukan tinjauan manusia.	Analog Postulat 5 (Postulat Kesejajaran) Euclid — postulat paling problematis dan paling produktif, yang kegagalan pembuktiannya melahirkan geometri alternatif; demikian pula kegagalan konvergensi A5 melahirkan kebutuhan intervensi manusia (human-in-the-loop).

Kelima aksioma tersebut tidak dimaksudkan sebagai kebenaran metafisik yang tidak dapat diganggu gugat—sebagaimana Euclid sendiri tidak pernah mengklaim postulat kelimanya sebagai kebenaran mutlak—melainkan sebagai fondasi eksplisit yang memungkinkan setiap kesimpulan algoritmik ditelusuri kembali ke asumsi dasarnya. Justru Aksioma 5 (Aksioma Konvergensi Bersyarat) yang paling penting sekaligus paling problematis dalam kerangka ini, sebagaimana Postulat Kelima Euclid mengenai kesejajaran juga merupakan postulat paling problematis dalam Elements. Sebagaimana kegagalan sistematis matematikawan selama dua milenium untuk membuktikan Postulat Kelima dari empat postulat lainnya pada akhirnya melahirkan geometri non-Euclidean, kegagalan sebuah model algoritmik memenuhi Aksioma 5—yakni kegagalan modus formal-deduktif dan modus empiris-realistis untuk berkonvergen—semestinya bukan dipandang sebagai cacat yang harus disembunyikan, melainkan sebagai sinyal diagnostik yang secara eksplisit memicu keharusan intervensi manusia (human-in-the-loop).

3.2 Formalisasi Derajat Keanggotaan Fuzzy pada Nilai Manusia

Mengikuti Aksioma 3, setiap konstruk nilai manusia V (misalnya "kelayakan kredit", "kewajaran beban kerja", atau "kepatutan konten") direpresentasikan melalui fungsi keanggotaan fuzzy μV: X → [0,1], di mana X adalah ruang variabel input yang relevan. Alih-alih ambang batas biner tunggal t sebagaimana lazim pada model klasifikasi klasik (keputusan = 1 jika skor ≥ t, dan 0 jika sebaliknya), Model FEG mengusulkan fungsi keanggotaan trapesium bertingkat yang mendefinisikan empat titik acuan (a, b, c, d) sedemikian rupa sehingga:

μV(x) = 0 untuk x ≤ a; μV(x) = (x−a)/(b−a) untuk a < x < b;

μV(x) = 1 untuk b ≤ x ≤ c; μV(x) = (d−x)/(d−c) untuk c < x < d; μV(x) = 0 untuk x ≥ d

Interval (a, d) inilah yang menjadi "zona kabur" (fuzzy zone) tempat sistem tidak lagi memaksakan keputusan biner instan, melainkan menghasilkan skor gradual yang, sesuai Aksioma 5, wajib memicu jalur peninjauan tambahan—baik berupa dokumen pendukung tambahan bagi pemohon kredit, konsultasi dengan mitra pengemudi bagi kasus alokasi kerja, atau tinjauan moderator manusia bagi kasus konten—alih-alih penolakan atau penindakan otomatis. Titik-titik acuan (a, b, c, d) sendiri bukan ditentukan secara arbitrer, melainkan diturunkan melalui proses kalibrasi yang melibatkan data historis, konsultasi pemangku kepentingan (stakeholder), dan tinjauan berkala oleh dewan etika algoritma internal platform—sebuah persyaratan yang sejalan dengan mandat human-in-the-loop dalam Buku Panduan Tata Kelola Kecerdasan Buatan Perbankan 2025.

3.3 Operator Agregasi Multi-Kriteria: Kombinasi T-norm dan T-conorm

Sebagian besar keputusan ekonomi digital bergantung pada lebih dari satu variabel nilai manusia secara simultan. Sebagai misal, keputusan pemberian pinjaman fintech tidak semata bergantung pada "kelayakan finansial" tetapi juga "itikad baik" dan "resiliensi ekonomi" pemohon. Model FEG mengusulkan agregasi variabel-variabel fuzzy tersebut melalui kombinasi operator t-norm (untuk relasi "dan", umumnya menggunakan minimum atau produk aljabar) dan t-conorm (untuk relasi "atau", umumnya menggunakan maksimum atau jumlah probabilistik), dengan bobot yang eksplisit dan dapat diaudit bagi setiap kriteria—alih-alih agregasi kotak-hitam (black box) melalui pembelajaran mesin murni yang menyulitkan penelusuran kausal. Pemilihan operator agregasi itu sendiri harus didokumentasikan sebagai bagian dari jejak audit (audit trail) model, sejalan dengan prinsip keterjelasan (explainability) yang ditekankan berulang kali dalam kerangka tata kelola kecerdasan buatan Indonesia, termasuk kerangka SAFE (Sustainability, Accuracy, Fairness, and Explainability) yang telah diadopsi sebagai pelengkap kerangka GELSI dalam konteks perbankan sentral.

3.4 Diagnostik Gellert: Uji Konvergensi Dua Modus Inferensi

Elemen paling orisinal dari Model FEG terletak pada mekanisme diagnostiknya, yang penulis sebut Uji Konvergensi Gellert (Gellert Convergence Test, disingkat GCT). Uji ini dijalankan dengan membandingkan keluaran dua modus inferensi secara paralel terhadap premis data yang identik:

Modus Inferensi	Operasionalisasi dalam Model FEG
Modus Formal-Deduktif (MFD)	Keputusan yang dihasilkan murni dari konsistensi internal model terhadap aturan dan bobot yang telah dikalibrasi — mengukur apakah sistem "benar terhadap dirinya sendiri".
Modus Empiris-Realistis (MER)	Keputusan yang sama diuji ulang terhadap sampel kasus yang ditinjau langsung oleh panel manusia berpengalaman (credit officer, koordinator mitra pengemudi, moderator senior) — mengukur apakah sistem "benar terhadap realitas yang diwakilinya".
Indeks Divergensi Gellert (IDG)	IDG = \|μMFD(x) − μMER(x)\|, dihitung untuk setiap kasus dalam sampel uji. Nilai IDG mendekati nol menandakan konvergensi (Aksioma 5 terpenuhi); nilai IDG yang tinggi dan sistematis pada subpopulasi tertentu menandakan risiko bias struktural yang memerlukan intervensi.

Ambang IDG yang direkomendasikan dalam kerangka ini bersifat kontekstual dan harus ditetapkan oleh dewan etika masing-masing platform, namun sebagai patokan awal, penulis mengusulkan tiga pita klasifikasi: IDG < 0,10 (konvergen, model dapat beroperasi otonom), 0,10 ≤ IDG < 0,30 (divergensi sedang, memerlukan sampling audit berkala), dan IDG ≥ 0,30 (divergensi tinggi, wajib human-in-the-loop penuh pada subpopulasi terkait). Klasifikasi bertingkat ini secara struktural sejalan dengan pendekatan berbasis risiko (risk-based approach) yang telah diadopsi berbagai kerangka tata kelola kecerdasan buatan global, termasuk prinsip-prinsip Organisation for Economic Co-operation and Development mengenai kecerdasan buatan yang menekankan proporsionalitas pengawasan terhadap tingkat risiko sistem.

3.5 Contoh Perhitungan Terapan

Untuk memperjelas mekanisme kerja Model FEG secara konkret, berikut disajikan contoh perhitungan sederhana atas konstruk "kelayakan kredit" seorang pemohon fiktif. Misalkan variabel input x adalah skor gabungan riwayat transaksi digital pemohon pada skala 0–100, dengan titik acuan fungsi keanggotaan trapesium ditetapkan pada a = 40, b = 60, c = 75, d = 90 melalui proses kalibrasi yang melibatkan data historis tiga tahun terakhir dan konsultasi dengan asosiasi usaha mikro kecil menengah. Seorang pemohon dengan skor x = 52 akan memperoleh derajat keanggotaan μKK(52) = (52−40)/(60−40) = 0,60 — bukan lagi diklasifikasikan tegas sebagai "ditolak" sebagaimana akan terjadi apabila ambang batas biner konvensional ditetapkan pada, misalnya, skor 65. Derajat 0,60 tersebut kemudian diagregasi bersama derajat keanggotaan μIB (itikad baik) dan μRE (resiliensi ekonomi) pemohon yang sama melalui operator t-norm produk aljabar, menghasilkan skor komposit yang menjadi dasar keputusan bersyarat, bukan penolakan senyap.

Nilai skor komposit yang jatuh pada rentang menengah (misalnya antara 0,45 dan 0,75 pada skala keputusan gabungan) selanjutnya akan memicu pengujian Uji Konvergensi Gellert: apabila panel credit officer manusia yang meninjau berkas pemohon yang sama secara independen menghasilkan penilaian yang konvergen dengan skor komposit fuzzy tersebut (Indeks Divergensi Gellert rendah), sistem dapat mempercayakan keputusan akhir kepada algoritma pada siklus keputusan berikutnya untuk profil serupa; sebaliknya, apabila ditemukan divergensi tinggi secara sistematis, hal itu menjadi sinyal bahwa variabel proksi yang menyusun μKK, μIB, atau μRE perlu dikaji ulang — misalnya karena salah satu proksi ternyata berkorelasi kuat dengan wilayah geografis yang secara historis kurang terlayani infrastruktur digital, bukan dengan kelayakan kredit itu sendiri. Contoh sederhana ini menegaskan bahwa Model FEG bukan sekadar pelunakan kosmetik atas ambang batas biner, melainkan mekanisme yang menghasilkan jejak keputusan terukur dan dapat diaudit pada setiap tahapnya, sejalan dengan Aksioma 1 dan Aksioma 2 mengenai keterhubungan dan perluasan konsisten.

3.6 Peta Konseptual Model FEG

Secara ringkas, alur kerja Model FEG dapat digambarkan sebagai siklus lima tahap: (1) definisi konstruk nilai manusia dan variabel input yang relevan; (2) kalibrasi fungsi keanggotaan fuzzy trapesium melalui data historis dan konsultasi pemangku kepentingan (mengoperasionalkan Aksioma 3); (3) agregasi multi-kriteria melalui operator t-norm/t-conorm berbobot eksplisit (mengoperasionalkan Aksioma 4); (4) pelaksanaan Uji Konvergensi Gellert secara berkala terhadap sampel kasus (mengoperasionalkan Aksioma 5); dan (5) pendokumentasian seluruh jejak keputusan dalam format yang dapat ditelusuri hingga premis dasarnya (mengoperasionalkan Aksioma 1 dan 2). Siklus ini bersifat iteratif, bukan linear-sekali-jalan, sedemikian rupa sehingga setiap temuan divergensi pada tahap keempat akan memicu rekalibrasi pada tahap kedua — sebuah karakteristik yang membedakan Model FEG dari pendekatan compliance checklist statis yang lazim dijumpai dalam praktik tata kelola kecerdasan buatan korporat.

4. METODE PENELITIAN

Penelitian ini menggunakan pendekatan kualitatif-konseptual (conceptual research) yang dipadukan dengan tinjauan literatur sistematis (systematic literature review) dan ilustrasi kuantitatif berbasis skenario. Pendekatan konseptual dipilih karena tujuan utama penelitian adalah perumusan kerangka teoretis baru, bukan pengujian hipotesis statistik terhadap data primer berskala besar — sebuah pilihan metodologis yang lazim dalam kajian tata kelola kecerdasan buatan yang bersifat non-empiris dan berorientasi pada perancangan regulasi (regulatory design), sebagaimana ditunjukkan dalam kajian-kajian komparatif tata kelola kecerdasan buatan yang mengandalkan sumber literatur sekunder untuk melakukan triangulasi sumber dan perbandingan sistematis lintas-yurisdiksi.

4.1 Prosedur Pengumpulan Data

Data penelitian bersumber dari tiga jenis dokumen: pertama, literatur akademik primer mengenai logika fuzzy (terutama karya-karya Zadeh dan penerusnya), metode aksiomatik Euclid, dan taksonomi modus inferensi Gellert; kedua, dokumen regulasi dan kebijakan tata kelola kecerdasan buatan Indonesia, termasuk Strategi Nasional Kecerdasan Buatan 2020–2045, Kode Etik Kecerdasan Buatan Otoritas Jasa Keuangan, dan Buku Panduan Tata Kelola Kecerdasan Buatan Perbankan; ketiga, laporan industri dan statistik ekonomi digital, terutama laporan e-Conomy SEA 2025 yang disusun Google, Temasek, dan Bain & Company, sebagai basis empiris bagi skenario ilustratif pada tiga studi kasus.

4.2 Prosedur Analisis

Analisis dilakukan melalui empat tahap. Tahap pertama adalah sintesis konseptual (conceptual synthesis) atas tiga tradisi intelektual — fuzzy logic, aksiomatika Euclid, dan modus inferensi Gellert — menjadi kerangka FEG sebagaimana diuraikan pada Bagian 3. Tahap kedua adalah operasionalisasi kerangka tersebut ke dalam parameter yang dapat dihitung (fungsi keanggotaan trapesium, operator agregasi, Indeks Divergensi Gellert). Tahap ketiga adalah penerapan ilustratif kerangka tersebut pada tiga arena empiris ekonomi digital Indonesia yang dipilih secara purposif berdasarkan tingkat urgensi tata kelola algoritmik yang telah teridentifikasi dalam literatur: penilaian kelayakan kredit fintech peer-to-peer, manajemen algoritmik pekerja gig, dan moderasi konten berbasis kecerdasan buatan. Tahap keempat adalah penarikan implikasi kebijakan dari hasil analisis ketiga studi kasus tersebut.

Perlu ditegaskan bahwa angka-angka numerik yang digunakan pada ilustrasi ketiga studi kasus berikut bersifat ilustratif-pedagogis, disusun berdasarkan pola umum yang dilaporkan literatur mengenai praktik credit scoring, manajemen algoritmik gig economy, dan moderasi konten, dan dimaksudkan untuk mendemonstrasikan mekanisme kerja Model FEG secara konkret, bukan sebagai hasil pengukuran empiris atas sistem tertentu milik platform manapun.

5. PEMBAHASAN: PENERAPAN MODEL FEG PADA TIGA ARENA EKONOMI DIGITAL INDONESIA

5.1 Penilaian Kelayakan Kredit Fintech Peer-to-Peer

Sektor pembiayaan digital Indonesia mencatat pertumbuhan tercepat di kawasan Asia Tenggara dengan tingkat pertumbuhan tahunan gabungan dua puluh sembilan persen, diproyeksikan mencapai tiga belas miliar dolar Amerika Serikat pada 2025, meskipun nilai buku pinjaman absolutnya masih berada di bawah Malaysia dan Thailand. Pertumbuhan pesat inilah yang menjadikan model credit scoring otomatis sebagai salah satu titik kontak algoritmik paling konsekuensial bagi jutaan warga negara Indonesia yang sebelumnya tidak terlayani oleh perbankan konvensional (unbanked/underbanked).

Model credit scoring konvensional pada umumnya beroperasi dengan ambang batas biner tunggal: skor gabungan di atas titik potong (cut-off score) tertentu menghasilkan persetujuan otomatis, sementara skor di bawahnya menghasilkan penolakan otomatis — tanpa ruang bagi nuansa. Persoalan mendasarnya adalah bahwa banyak pemohon berada tepat di sekitar titik potong tersebut, dan bagi kelompok inilah kekakuan biner paling merugikan: seorang pedagang kecil dengan riwayat transaksi digital yang belum lama namun menunjukkan tren membaik secara konsisten dapat memperoleh skor yang secara marginal berada di bawah ambang batas, padahal secara substantif menunjukkan itikad baik dan resiliensi ekonomi yang menjanjikan.

Penerapan Model FEG pada kasus ini menggantikan ambang batas tunggal dengan fungsi keanggotaan trapesium atas konstruk "kelayakan kredit" (μKK), dikombinasikan melalui operator agregasi berbobot dengan dua konstruk tambahan: "itikad baik" (μIB, diukur antara lain dari konsistensi pembayaran kewajiban non-kredit seperti tagihan listrik dan pulsa) dan "resiliensi ekonomi" (μRE, diukur dari tren, bukan sekadar level, aktivitas ekonomi digital pemohon). Ilustrasi tabel berikut menunjukkan bagaimana tiga pemohon dengan skor kredit konvensional yang identik (tepat di bawah ambang batas biner tradisional) dapat menerima keputusan yang berbeda secara substantif di bawah Model FEG.

Pemohon	Skor Biner Konvensional	μ Kelayakan	μ Itikad Baik	μ Resiliensi	Keputusan FEG
A	Ditolak	0,48	0,81	0,77	Disetujui bersyarat
B	Ditolak	0,47	0,32	0,29	Ditolak, jalur banding tersedia
C	Ditolak	0,49	0,58	0,85	Disetujui bersyarat

Pada ilustrasi di atas, ketiga pemohon memiliki skor kredit konvensional yang sama-sama berada di bawah ambang batas biner tradisional dan karenanya akan ditolak seluruhnya di bawah sistem lama. Namun Model FEG mengungkap bahwa Pemohon A dan C menunjukkan derajat itikad baik dan resiliensi ekonomi yang tinggi meski kelayakan finansial murni mereka pas-pasan, sehingga layak menerima persetujuan bersyarat (misalnya dengan plafon lebih rendah atau tenor lebih pendek sebagai mitigasi risiko), sementara Pemohon B yang skor tambahannya juga rendah tetap ditolak namun diberi jalur banding eksplisit yang melibatkan tinjauan manusia — bukan penolakan senyap tanpa penjelasan. Uji Konvergensi Gellert pada kasus ini dijalankan dengan membandingkan keputusan otomatis di atas terhadap penilaian panel credit officer berpengalaman atas sampel acak; Indeks Divergensi Gellert yang tinggi secara sistematis pada subpopulasi pemohon perempuan pelaku usaha mikro, misalnya, akan menjadi sinyal dini adanya bias proksi tersembunyi dalam variabel input yang digunakan model — sejalan dengan mandat kajian GELSI bahwa bantuan hukum harus tersedia bagi individu rentan secara ekonomi yang terdampak bias algoritmik.

5.2 Manajemen Algoritmik Pekerja Gig

Sektor transportasi daring dan layanan pesan-antar makanan tetap menjadi kontributor stabil terhadap pertumbuhan ekonomi digital Indonesia, dengan jutaan mitra pengemudi yang penghasilan hariannya bergantung pada keputusan algoritma alokasi order, penentuan skor kinerja, dan bahkan keputusan penonaktifan akun (deactivation) yang pada praktiknya sering kali dijatuhkan tanpa penjelasan yang memadai. Kajian komparatif mengenai manajer algoritmik dalam ekonomi gig di kawasan Asia Selatan mencatat pola serupa yang relevan bagi konteks Indonesia: penyembunyian upah (wage concealment), urgensi palsu (false urgency), dan penonaktifan akun yang tidak adil (unfair deactivation) sebagai pola-pola desain gelap (dark patterns) yang berulang kali muncul dalam manajemen algoritmik pekerja platform, dan kajian tersebut secara eksplisit mengusulkan istilah "manajer algoritmik-manusia" (algorithmic-human manager) untuk menegaskan bahwa algoritma boleh saja mengalokasikan dan mengoptimalkan pekerjaan, namun akuntabilitas, keadilan, dan martabat tetap menuntut kehadiran manusia dalam pengambilan keputusan (human in the loop) yang mampu menjelaskan, membatalkan, dan memulihkan keputusan yang keliru.

Dalam kerangka FEG, konstruk "kewajaran beban kerja" dan "kelayakan penonaktifan akun" direpresentasikan sebagai variabel fuzzy, bukan ambang batas biner tunggal berbasis skor rating rata-rata semata. Sebagai ilustrasi, sebuah keputusan penonaktifan akun konvensional lazimnya dipicu murni oleh rating rata-rata pengemudi turun di bawah angka ambang tertentu (misalnya 4,2 dari skala 5) tanpa mempertimbangkan konteks — padahal rating rendah dapat disebabkan oleh faktor di luar kendali pengemudi seperti kemacetan struktural, cuaca ekstrem, atau kesalahan sistem pencocokan lokasi. Model FEG mengusulkan fungsi keanggotaan gabungan atas "kelayakan penonaktifan" (μKP) yang mengagregasi derajat penurunan rating (μR), derajat anomali dibandingkan median rekan kerja pada rute dan waktu yang sama (μA), dan derajat keluhan terverifikasi (μK) — di mana penonaktifan otomatis hanya dijatuhkan apabila ketiga derajat tersebut secara simultan berada pada zona tinggi (μKP ≥ 0,80), sementara nilai di bawahnya memicu peninjauan berjenjang oleh koordinator mitra manusia, sejalan dengan prinsip "algoritma dengan manusia" (algorithms with people) yang mereformulasi perdebatan lama "algoritma versus manusia" menjadi sistem yang jelas dan dapat diaudit, dipasangkan dengan eskalasi berbatas waktu dan partisipasi pekerja sehingga efisiensi dan keadilan dapat saling memperkuat, bukan saling meniadakan.

Uji Konvergensi Gellert pada arena ini secara khusus berguna untuk mendeteksi apa yang oleh Jablonka dan Gellert disebut sebagai model yang "menjajah realitas" alih-alih mendeskripsikannya: sebuah algoritma alokasi order yang secara formal-deduktif konsisten (selalu mengalokasikan order kepada pengemudi dengan skor tertinggi) dapat secara empiris-realistis keliru apabila skor tersebut ternyata secara sistematis menguntungkan pengemudi yang beroperasi di wilayah urban padat dan merugikan pengemudi di wilayah pinggiran — sebuah pola yang hanya akan terungkap melalui perbandingan langsung dengan penilaian panel koordinator manusia yang memahami konteks geografis operasional.

5.3 Moderasi Konten Berbasis Kecerdasan Buatan

Arena ketiga yang menjadi fokus penerapan Model FEG adalah moderasi konten pada platform digital Indonesia, di mana klasifikasi otomatis atas ujaran yang dianggap melanggar pedoman komunitas — mulai dari ujaran kebencian, disinformasi, hingga konten yang berpotensi memicu polarisasi sosial — pada umumnya masih beroperasi dengan logika klasifikasi biner (melanggar/tidak melanggar) yang mengabaikan kekayaan konteks budaya dan bahasa Indonesia yang plural. Kajian etika kecerdasan buatan berbasis nilai Pancasila dan Bhinneka Tunggal Ika menegaskan bahwa dalam ruang digital yang rentan polarisasi, desain algoritmik platform media sosial yang kerap memprioritaskan keterlibatan pengguna demi keuntungan komersial dapat secara tidak sengaja memperburuk perbedaan dan menyuburkan konten kebencian, sehingga diperlukan desain yang peka nilai di mana "keberhasilan" algoritma tidak semata diukur dari metrik keterlibatan, melainkan juga dari kontribusinya terhadap kohesi sosial dan kualitas wacana publik — sebuah prinsip yang dapat diterjemahkan menjadi kebijakan transparansi algoritmik yang mewajibkan platform mengurangi risiko terhadap persatuan nasional sekaligus memastikan moderasi konten yang adil dan tidak bias.

Dalam kerangka FEG, konstruk "pelanggaran pedoman komunitas" direpresentasikan melalui fungsi keanggotaan fuzzy yang membedakan setidaknya tiga zona: zona aman (μ mendekati 0, konten tetap tayang tanpa intervensi), zona kabur (0,30 ≤ μ ≤ 0,70, konten diberi label peringatan konteks atau pembatasan jangkauan sementara menunggu tinjauan, bukan diturunkan/takedown otomatis), dan zona pelanggaran jelas (μ ≥ 0,85, penurunan otomatis dengan hak banding eksplisit). Zona kabur inilah yang secara struktural paling penting namun paling sering diabaikan oleh sistem klasifikasi biner konvensional — padahal justru pada zona inilah nuansa budaya, konteks lokal, dan bahasa daerah Indonesia paling rawan disalahklasifikasi oleh model yang dilatih dominan pada korpus berbahasa Indonesia baku atau bahkan bahasa Inggris.

Uji Konvergensi Gellert pada arena moderasi konten dijalankan dengan membandingkan keputusan model formal-deduktif terhadap penilaian panel moderator manusia yang representatif secara regional dan linguistik — bukan panel yang homogen secara geografis maupun latar belakang budaya. Sebuah Indeks Divergensi Gellert yang tinggi secara sistematis pada konten berbahasa daerah atau konten yang menggunakan idiom lokal akan menjadi sinyal eksplisit bahwa model telah "menjajah" ruang wacana daerah dengan kategori-kategori yang dibentuk dari korpus data yang tidak representatif — sebuah temuan yang selaras dengan argumen Jablonka dan Gellert bahwa model matematis/algoritmik, alih-alih netral, aktif membentuk ulang realitas yang diklaimnya sekadar dideskripsikan.

5.4 Sintesis Lintas-Kasus

Ketiga studi kasus di atas menunjukkan pola yang konsisten: pada setiap arena, kekakuan ambang batas biner secara sistematis merugikan kelompok yang berada di "zona kabur" — pemohon kredit dengan profil marjinal namun menjanjikan, pengemudi dengan rating rendah akibat faktor struktural di luar kendalinya, dan konten dengan nuansa budaya-linguistik yang tidak terwakili dalam data pelatihan model. Model FEG tidak menghapuskan kebutuhan akan keputusan otomatis — yang tetap esensial mengingat skala operasi ekonomi digital Indonesia yang melibatkan jutaan transaksi harian — melainkan mengalihkan sebagian keputusan pada zona kabur tersebut dari otomasi penuh menuju otomasi terbimbing (guided automation) yang secara eksplisit melibatkan tinjauan manusia berbasis pemicu terukur (Indeks Divergensi Gellert), bukan berdasarkan kuota atau sampling acak semata.

Arena	Kekakuan Biner Konvensional	Zona Kabur yang Diungkap FEG	Pemicu Human-in-the-Loop
Credit scoring fintech	Titik potong skor tunggal	Pemohon marjinal dengan itikad baik/resiliensi tinggi	IDG tinggi pada subpopulasi rentan
Manajemen gig pengemudi	Ambang rating rata-rata	Rating rendah akibat faktor struktural (rute, cuaca)	Anomali vs median rekan kerja
Moderasi konten	Klasifikasi melanggar/tidak	Nuansa budaya dan bahasa daerah	Divergensi tinggi pada konten lokal

5.5 Perbandingan dengan Pendekatan Alternatif

Penting untuk memposisikan Model FEG secara jujur di antara pendekatan-pendekatan lain yang telah berkembang dalam literatur kecerdasan buatan yang bertanggung jawab. Pendekatan pertama, metrik keadilan statistik murni (statistical fairness metrics) seperti demographic parity atau equalized odds, menawarkan kekuatan pada pengujian bias secara agregat lintas kelompok demografis, namun pada umumnya masih beroperasi di atas keluaran keputusan biner dan karenanya tidak menjawab persoalan mendasar mengenai bagaimana ambang batas itu sendiri seharusnya direpresentasikan. Model FEG bersifat komplementer, bukan substitutif, terhadap metrik-metrik tersebut: derajat keanggotaan fuzzy yang dihasilkan Model FEG dapat dijadikan input bagi perhitungan metrik keadilan statistik pada tahap evaluasi lanjutan.

Pendekatan kedua, kecerdasan buatan yang dapat dijelaskan (explainable AI atau XAI), menawarkan berbagai teknik post-hoc seperti SHAP (Shapley Additive Explanations) atau LIME (Local Interpretable Model-agnostic Explanations) untuk menjelaskan keputusan model pembelajaran mesin yang kompleks setelah keputusan dijatuhkan. Kelemahan pendekatan ini, sebagaimana diakui luas dalam literatur XAI sendiri, adalah bahwa penjelasan post-hoc tidak selalu merepresentasikan proses penalaran aktual model secara setia (faithful), melainkan sekadar aproksimasi yang masuk akal secara lokal. Model FEG berbeda secara mendasar karena ketertelusuran (traceability) dibangun sejak tahap perancangan (by design) melalui struktur aksiomatik eksplisit, bukan direkonstruksi setelah fakta melalui teknik interpretasi tambahan.

Pendekatan ketiga, kerangka kepatuhan berbasis daftar periksa (compliance checklist) yang lazim diadopsi industri untuk memenuhi tuntutan regulasi, menawarkan kemudahan implementasi dan audit administratif, namun rawan menjadi latihan formalitas belaka ("ceklis tanpa substansi") apabila tidak disertai mekanisme diagnostik kuantitatif yang benar-benar mengukur kesehatan epistemik model. Uji Konvergensi Gellert dalam Model FEG dirancang khusus untuk mengisi kekosongan inilah — menyediakan ukuran kuantitatif atas seberapa jauh sebuah model formal-deduktif telah menyimpang dari realitas empiris yang diwakilinya, alih-alih sekadar memverifikasi bahwa dokumen kebijakan telah ditandatangani.

Dengan demikian, Model FEG paling tepat diposisikan bukan sebagai pengganti kerangka-kerangka yang telah ada, melainkan sebagai lapisan metodologis tambahan yang secara khusus menjawab persoalan representasi nilai manusia yang gradual pada tahap perancangan sistem — sebuah lapisan yang selama ini menjadi mata rantai yang hilang (missing link) antara prinsip etis tingkat tinggi yang dirumuskan regulator dan implementasi teknis tingkat rendah yang dikerjakan insinyur algoritma sehari-hari.

6. IMPLIKASI KEBIJAKAN DAN REKAYASA

6.1 Bagi Regulator

Otoritas Jasa Keuangan, Kementerian Komunikasi dan Digital, serta Bank Indonesia dapat mempertimbangkan pengintegrasian persyaratan pelaporan Indeks Divergensi Gellert (atau metrik setara) ke dalam kerangka pelaporan kepatuhan algoritmik yang telah ada, sebagai pelengkap kuantitatif atas prinsip keadilan, transparansi, dan keterjelasan yang selama ini baru dirumuskan pada tataran normatif dalam Kode Etik Kecerdasan Buatan yang Bertanggung Jawab dan Dapat Dipercaya. Alih-alih mewajibkan audit algoritma secara umum dan sulit diukur, regulator dapat mensyaratkan platform dan penyelenggara fintech mendokumentasikan secara eksplisit fungsi keanggotaan fuzzy yang mereka gunakan pada variabel keputusan berisiko tinggi, beserta hasil Uji Konvergensi Gellert secara berkala — sebuah pendekatan berbasis risiko yang proporsional dan konsisten dengan semangat pendekatan human-in-the-loop yang telah diwajibkan Buku Panduan Tata Kelola Kecerdasan Buatan Perbankan bagi aplikasi kredit dan deteksi kecurangan berisiko tinggi.

6.2 Bagi Pengembang Platform dan Insinyur Algoritma

Model FEG menawarkan jalan tengah praktis antara dua ekstrem yang selama ini kerap dihadapi insinyur algoritma industri: otomasi penuh yang efisien namun rawan menghasilkan ketidakadilan tersembunyi, dan tinjauan manusia menyeluruh yang adil namun tidak dapat diskalakan pada volume transaksi jutaan per hari. Dengan menandai secara eksplisit zona kabur melalui fungsi keanggotaan trapesium dan memicu tinjauan manusia hanya pada kasus yang menunjukkan divergensi tinggi, sumber daya tinjauan manusia yang terbatas dapat dialokasikan secara jauh lebih efisien pada kasus yang benar-benar membutuhkannya, alih-alih tersebar merata melalui sampling acak yang kerap melewatkan justru kasus-kasus paling berisiko bias.

6.3 Bagi Pembuat Kebijakan Pendidikan dan Literasi Digital

Kesenjangan yang diidentifikasi artikel ini — antara kekakuan formal algoritma dan kekaburan nilai manusia — pada akhirnya juga merupakan kesenjangan kompetensi lintas-disiplin: insinyur perangkat lunak jarang dilatih dalam filsafat nilai dan etika terapan, sementara pembuat kebijakan dan ahli hukum jarang memiliki literasi matematis yang memadai untuk menilai secara kritis arsitektur teknis sistem yang mereka regulasi. Kurikulum pendidikan tinggi bidang ilmu komputer dan informatika di Indonesia — khususnya pada Fakultas Ilmu Komputer sebagai ujung tombak pencetak insinyur algoritma masa depan — perlu mempertimbangkan pengintegrasian modul lintas-disiplin yang memperkenalkan logika fuzzy, etika algoritmik, dan kerangka tata kelola kecerdasan buatan sebagai bagian integral kurikulum inti, bukan sekadar mata kuliah pilihan tambahan, sejalan dengan tema kompetensi digital — kecerdasan buatan, data, dan keamanan siber — yang semakin mendesak bagi kesiapan tenaga kerja industri Indonesia.

6.4 Bagi Masyarakat Sipil dan Serikat Pekerja Platform

Organisasi masyarakat sipil, asosiasi pedagang usaha mikro kecil menengah, dan komunitas mitra pengemudi ojek daring dapat memanfaatkan kerangka FEG sebagai bahasa bersama untuk mengartikulasikan tuntutan transparansi algoritmik secara lebih presisi, alih-alih sekadar menuntut "transparansi" secara umum yang sulit dioperasionalkan oleh platform. Sebagai misal, tuntutan konkret yang dapat diajukan adalah agar platform mempublikasikan secara berkala hasil Uji Konvergensi Gellert pada subpopulasi tertentu (misalnya pengemudi di wilayah non-metropolitan atau pedagang perempuan pelaku usaha mikro), sebuah tuntutan yang jauh lebih dapat ditindaklanjuti secara hukum maupun teknis dibandingkan tuntutan transparansi yang tidak spesifik. Pendekatan semacam ini sejalan dengan gagasan "algoritma dengan manusia" yang menempatkan partisipasi pekerja dan proses eskalasi berbatas waktu sebagai bagian integral dari tata kelola algoritmik yang setara, bukan sekadar mekanisme keluhan pasif yang jarang ditindaklanjuti.

7. KETERBATASAN PENELITIAN DAN AGENDA RISET LANJUTAN

Penelitian ini memiliki sejumlah keterbatasan yang perlu diakui secara terbuka. Pertama, sebagai penelitian konseptual, Model FEG belum diuji secara empiris terhadap data transaksi riil dari platform ekonomi digital Indonesia; angka-angka ilustratif pada Bagian 5 bersifat pedagogis, bukan hasil pengukuran lapangan, sehingga validasi empiris melalui kerja sama dengan penyelenggara fintech, platform gig economy, atau platform media sosial merupakan agenda riset lanjutan yang mendesak. Kedua, penentuan titik-titik acuan fungsi keanggotaan fuzzy (parameter a, b, c, d) dalam praktiknya akan selalu melibatkan unsur penilaian (judgment) yang tidak sepenuhnya bebas nilai, sehingga proses kalibrasinya sendiri perlu diawasi melalui mekanisme partisipatif yang melibatkan kelompok rentan yang paling terdampak keputusan algoritmik — sebuah dimensi yang belum dieksplorasi secara mendalam dalam artikel ini. Ketiga, Uji Konvergensi Gellert mengandaikan tersedianya panel manusia berpengalaman yang representatif, sebuah prasyarat yang dalam praktiknya dapat mahal dan sulit diskalakan bagi platform berskala kecil-menengah; penelitian lanjutan perlu mengeksplorasi mekanisme sampling yang lebih efisien biaya tanpa mengorbankan validitas diagnostik. Keempat, artikel ini berfokus pada tiga arena ekonomi digital dan belum menjangkau arena lain yang sama pentingnya, seperti algoritma penetapan harga dinamis (dynamic pricing) dan algoritma rekomendasi produk, yang juga sarat implikasi keadilan namun memerlukan adaptasi kerangka FEG tersendiri.

Terlepas dari keterbatasan-keterbatasan tersebut, penulis meyakini bahwa nilai kerangka FEG terletak justru pada fungsinya sebagai titik awal dialog lintas-disiplin, bukan sebagai resep teknis final yang siap diimplementasikan tanpa penyesuaian. Agenda riset lanjutan yang paling mendesak mencakup: pertama, studi kolaboratif dengan penyelenggara fintech berizin Otoritas Jasa Keuangan untuk menguji validitas prediktif Model FEG dibandingkan model credit scoring biner konvensional pada data historis riil, dengan memperhatikan aspek kerahasiaan dan perlindungan data pribadi pemohon; kedua, pengembangan perangkat lunak sumber terbuka (open-source) yang mengimplementasikan Uji Konvergensi Gellert sebagai modul yang dapat diintegrasikan ke dalam saluran pengembangan (pipeline) model pembelajaran mesin yang sudah ada, guna menurunkan biaya adopsi bagi platform berskala kecil-menengah; dan ketiga, penelitian partisipatif yang melibatkan langsung kelompok rentan — pedagang usaha mikro, mitra pengemudi, dan kreator konten lokal — dalam proses kalibrasi titik-titik acuan fungsi keanggotaan fuzzy, guna memastikan bahwa "zona kabur" yang didefinisikan model benar-benar merepresentasikan pengalaman hidup kelompok yang paling terdampak, bukan semata asumsi teknokratis perancang sistem.

8. KESIMPULAN

Artikel ini berangkat dari sebuah kegelisahan mendasar: ekonomi digital Indonesia yang tumbuh pesat menuju Gross Merchandise Value mendekati seratus miliar dolar Amerika Serikat pada 2025 kini menyerahkan sebagian besar keputusan ekonomi warganya kepada algoritma yang dibangun di atas logika biner, sementara nilai-nilai manusia yang seharusnya dilindungi oleh keputusan tersebut — keadilan, kepatutan, martabat kerja, kepercayaan sosial — pada hakikatnya bersifat gradual dan kabur. Untuk menjembatani kesenjangan epistemologis ini, artikel ini mengusulkan Model Fuzzy Euclid–Gellert, sebuah kerangka konseptual yang mengawinkan bahasa gradasi logika fuzzy Zadeh, ketertelusuran aksiomatik-deduktif Euclid, dan diagnostik modus inferensi Gellert menjadi satu bahasa formal yang koheren.

Melalui lima aksioma dasar, formalisasi fungsi keanggotaan trapesium, operator agregasi multi-kriteria yang eksplisit dan dapat diaudit, serta Uji Konvergensi Gellert sebagai mekanisme diagnostik intinya, Model FEG menunjukkan bahwa kekakuan algoritmik dan kekaburan nilai manusia bukanlah dua kutub yang harus dipilih salah satu, melainkan dapat didamaikan melalui arsitektur formal yang dirancang secara sengaja. Ilustrasi penerapan pada tiga arena ekonomi digital Indonesia — penilaian kelayakan kredit fintech, manajemen algoritmik pekerja gig, dan moderasi konten — menunjukkan pola konsisten bahwa justru kelompok yang berada pada "zona kabur" di sekitar ambang batas keputusanlah yang paling dirugikan oleh sistem biner konvensional, dan bahwa kerangka FEG mampu mengalihkan keputusan pada zona tersebut dari otomasi penuh menuju otomasi terbimbing yang secara eksplisit dan terukur melibatkan tinjauan manusia.

Pada akhirnya, tesis sentral artikel ini adalah bahwa auditabilitas dan keberpihakan pada nilai manusia bukanlah dua tujuan yang saling bertentangan dalam perancangan sistem algoritmik, melainkan dapat dicapai secara simultan apabila kekaburan nilai manusia direpresentasikan secara jujur dan eksplisit — bukan disembunyikan di balik ambang batas biner yang tampak objektif namun sesungguhnya menyembunyikan pilihan nilai yang tidak pernah diperdebatkan secara terbuka. Sebagaimana Euclid membangun geometri dari aksioma yang eksplisit dan Zadeh membangun logika fuzzy dari ketidakpuasan terhadap bivalensi yang mengabaikan nuansa, Indonesia sebagai ekonomi digital terbesar di Asia Tenggara memiliki kesempatan — dan, mengingat skala dampaknya terhadap jutaan warga negara, juga keharusan — untuk merancang arsitektur algoritmik generasi berikutnya yang secara eksplisit menghormati kekaburan yang inheren dalam nilai-nilai kemanusiaan yang hendak dilindunginya.

Dalam jangka panjang, keberhasilan pendekatan seperti Model FEG tidak akan diukur dari kecanggihan matematisnya semata, melainkan dari sejauh mana ia mampu diterjemahkan menjadi praktik kelembagaan yang konkret: dewan etika algoritma yang benar-benar berwenang menghentikan peluncuran model bermasalah, mekanisme banding yang benar-benar direspons dalam batas waktu wajar, dan laporan transparansi yang benar-benar dapat diverifikasi pihak eksternal independen, bukan sekadar dokumen kepatuhan yang disusun demi memenuhi kewajiban administratif. Sinergi antara insinyur algoritma yang memahami filsafat nilai, regulator yang memahami arsitektur teknis, dan masyarakat sipil yang memahami bahasa formal untuk mengartikulasikan tuntutannya secara presisi — itulah, pada akhirnya, prasyarat sesungguhnya bagi terwujudnya ekonomi digital Indonesia yang tidak hanya besar secara nilai transaksi, tetapi juga berkeadaban dalam cara ia memperlakukan jutaan warga negara yang hidupnya kini bergantung pada keputusan yang dijatuhkan mesin.

DAFTAR PUSTAKA

ASEAN Secretariat. (2024). ASEAN Guide on AI Governance and Ethics. Jakarta: ASEAN Secretariat.

ASEAN Business Advisory Council. (2025). Artificial intelligence (AI) and digital transformation in the ASEAN region. Diakses dari https://asean-bac.org/news-and-press-releases/artificial-intelligence-(ai)-and-digital-transformation-in-the-asean-region

Asia Society Policy Institute. (2022). National strategy for artificial intelligence: Indonesia. Diakses dari https://asiasociety.org/policy-institute/raising-standards-data-ai-southeast-asia/ai/indonesia

Britannica, The Editors of Encyclopaedia. (2026). Elements: Euclid, axioms, & facts. Encyclopaedia Britannica. Diakses dari https://www.britannica.com/topic/Elements-by-Euclid

Fossa, J. A. (2016). On Euclid's five postulates. Revista Brasileira de História da Matemática, 13(26), 41–46.

Fortune Indonesia. (2025). Laporan e-Conomy SEA: Perekonomian digital Indonesia terbesar di ASEAN. Diakses dari https://www.fortuneidn.com/tech/laporan-e-conomy-sea-perekonomian-digital-indonesia-terbesar-di-asean-00-kptjc-w3gdzv

Google, Temasek, & Bain & Company. (2025). e-Conomy SEA 2025: Reaching new heights — AI, services, and the next wave of growth. Singapore: Google, Temasek, and Bain & Company.

Heath, T. L. (1956). The thirteen books of Euclid's Elements (2nd ed.). New York: Dover Publications.

Jablonka, E., & Gellert, U. (2007). Mathematisation — demathematisation. Dalam U. Gellert & E. Jablonka (Ed.), Mathematisation and demathematisation: Social, philosophical and educational ramifications (hlm. 1–18). Rotterdam: Sense Publishers.

Kaloko, B. (2025). Ethics of using artificial intelligence reviewed from Pancasila and Bhinneka Tunggal Ika. Bhinneka Tunggal Ika: Pancasila Jurnal Internasional Berbahasa Indonesia, 3(1), 1–18.

Kearney. (2023). AI in Indonesia: Unlocking USD 366 billion in economic value by 2030. Jakarta: Kearney.

Kementerian Komunikasi dan Informatika Republik Indonesia. (2020). Strategi nasional kecerdasan buatan Indonesia 2020–2045. Jakarta: Kementerian Komunikasi dan Informatika.

Kompas.id. (2025). Mencermati landskap ekonomi digital Indonesia 2025 dan prospeknya pada 2026. Diakses dari https://www.kompas.id/artikel/en-mencermati-landskap-ekonomi-digital-indonesia-2025-dan-prospeknya-pada-2026

Kompas.id. (2026). Paradoks pertumbuhan ekonomi digital Indonesia. Diakses dari https://www.kompas.id/artikel/en-paradoks-pertumbuhan-ekonomi-digital-indonesia

Kronecker Wallis. (2025). Euclid's five axioms: The simple rules that built all of geometry. Diakses dari https://www.kroneckerwallis.com/euclids-five-axioms-the-simple-rules-that-built-all-of-geometry/

Law.asia. (2026). Building trust in the algorithm: Indonesia's emerging AI framework. Diakses dari https://law.asia/indonesia-ai-governance-framework/

Mobitekno. (2025). Laporan e-Conomy SEA 2025: Ekonomi digital RI melaju kencang, menuju US$100 miliar di tengah tantangan global. Diakses dari https://mobitekno.com/read/2025/14/11/e-conomy-sea-2025-google/

Otoritas Jasa Keuangan Republik Indonesia. (2023). Kode etik kecerdasan buatan yang bertanggung jawab dan dapat dipercaya dalam industri teknologi finansial. Jakarta: Otoritas Jasa Keuangan.

Otoritas Jasa Keuangan Republik Indonesia. (2025). Buku panduan tata kelola kecerdasan buatan perbankan. Jakarta: Otoritas Jasa Keuangan.

Organisation for Economic Co-operation and Development. (2019). OECD principles on artificial intelligence. Paris: OECD Publishing. Diakses dari https://oecd.ai/en/principles

Regulations.ai. (2026). Indonesia AI regulation overview. Diakses dari https://regulations.ai/regulations/indonesia-summary

Ruggeri, F., & Mangiarotti, S. (2025). Algorithmic trust and regulation: Governance, ethics, legal, and social implications blueprint for Indonesia's central banking (GELSI framework). Technological Forecasting and Social Change / ScienceDirect.

Schürmann, U. (2021). Mathematical models as colonisers of reality: A commentary on modelling and demathematisation. Educational Studies in Mathematics, 107(2), 1–19.

Solares, C. (2026). Embedding ethical AI in digital public infrastructure: Strategic governance pathways for Indonesia. Journal of Infrastructure Policy and Management. https://doi.org/10.1080/jipm.2026.123

Technologue.id. (2025). Laporan e-Conomy SEA 2025: Ekonomi digital Indonesia hampir capai GMV $110 miliar. Diakses dari https://technologue.id/laporan-e-conomy-sea-2025-ekonomi-digital-indonesia-hampir-capai-gmv-110-miliar

The Algorithmic-Human Manager Research Collective. (2025). The algorithmic-human manager: AI, apps, and workers in the Indian gig economy. arXiv preprint. Diakses dari https://arxiv.org/pdf/2606.19975

Wikan, A., & Saptomo, D. (2026). Lessons learned from global practices and public leadership toward mature AI regulation for e-government in Indonesia. Cogent Business & Management. https://doi.org/10.1080/23311886.2026.2652002

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.

Zadeh, L. A. (1973). Outline of a new approach to the analysis of complex systems and decision processes. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(1), 28–44.

Zadeh, L. A. (2005). Toward a generalized theory of uncertainty (GTU) — an outline. Information Sciences, 172(1–2), 1–40.

Zadeh, L. A. (2008). Is there a need for fuzzy logic? Information Sciences, 178(13), 2751–2779.

MENJEMBATANI KEKAKUAN ALGORITMA DAN KABURNYA NILAI MANUSIA: Pendekatan Logika Fuzzy Euclid–Gellert dalam Ekonomi Digital Indonesia