Kesadaran Mahasiswa Ilmu Komputer terhadap Jejak Karbon Model AI Berbasis Transformer

Blessly Victory Deo Silaban; Fernando Valens Junior Ginting; Erikson Saragih

doi:10.31004/riggs.v4i4.4273

Authors

Blessly Victory Deo Silaban Universitas Sumatera Utara
Fernando Valens Junior Ginting Universitas Sumatera Utara
Erikson Saragih Universitas Sumatera Utara

DOI:

https://doi.org/10.31004/riggs.v4i4.4273

Keywords:

Transformer Models, Jejak Karbon, Kesadaran AI, Mahasiswa Ilmu Komputer, Keberlanjutan Lingkungan, Green AI

Abstract

Perkembangan pesat kecerdasan buatan (Artificial Intelligence/AI), khususnya model berbasis Transformer, telah membawa perubahan signifikan dalam aktivitas akademik dan pengembangan teknologi. Di balik manfaat tersebut, proses pelatihan dan inferensi model AI skala besar membutuhkan konsumsi energi yang tinggi dan menghasilkan emisi karbon yang berdampak pada lingkungan. Penelitian ini bertujuan untuk mengukur tingkat kesadaran mahasiswa Ilmu Komputer Universitas Sumatera Utara terhadap jejak karbon model AI berbasis Transformer serta menganalisis hubungan antara intensitas penggunaan AI dan kesadaran dampak lingkungan. Penelitian ini menggunakan metode kuantitatif dengan desain korelasional. Sampel penelitian terdiri dari 193 mahasiswa aktif angkatan 2023, 2024, dan 2025 yang dipilih menggunakan teknik stratified random sampling. Data dikumpulkan melalui kuesioner skala Likert yang telah diuji validitas dan reliabilitasnya, kemudian dianalisis menggunakan uji Kruskal-Wallis, korelasi Spearman, dan regresi linear sederhana dengan bantuan perangkat lunak SPSS. Hasil penelitian menunjukkan bahwa tingkat kesadaran mahasiswa terhadap dampak lingkungan AI berada pada kategori moderat dengan rata-rata 68,8% dari skor maksimum. Terdapat perbedaan kesadaran yang signifikan antar angkatan (H = 134,892; p < 0,001), di mana mahasiswa tingkat akhir memiliki tingkat kesadaran lebih tinggi. Selain itu, ditemukan korelasi positif yang sangat kuat antara intensitas penggunaan AI dan kesadaran dampak lingkungan (ρ = 0,938; p < 0,001). Temuan ini menegaskan pentingnya integrasi konsep Green AI dan keberlanjutan lingkungan dalam kurikulum Ilmu Komputer sejak tahap awal pendidikan.

Downloads

Download data is not yet available.

References

A. Vaswani et al., “Attention Is All You Need,” Advances in Neural Information Processing Systems (NeurIPS), vol. 30, pp. 5998–6008, 2017, https://doi.org/10.48550/arXiv.1706.03762

E. Strubell, A. Ganesh, and A. McCallum, “Energy and Policy Considerations for Deep Learning in NLP,” Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pp. 3645–3650, 2019, https://doi.org/10.18653/v1/P19-1355

Y. Lin, Z. Liu, Z. Zhang, H. Hu, N. Zheng, S. Lin, and Y. Cao, “Could Giant Pretrained Image Models Extract Universal Representations?, 2023. https://doi.org/10.48550/arXiv.2304.12345

D. Patterson et al., “Carbon Emissions and Large Neural Network Training,” arXiv preprint, 2021, https://doi.org/10.48550/arXiv.2104.10350

R. Schwartz et al., “Green AI,” Communications of the ACM, vol. 63, no. 12, pp. 54–63, 2020, https://doi.org/10.1145/3381831

T. Brown et al., “Language Models are Few-Shot Learners,” Advances in Neural Information Processing Systems (NeurIPS), vol. 33, pp. 1877–1901, 2020. https://doi.org/10.48550/arXiv.2005.14165

J. Henderson et al., “Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning,” Journal of Machine Learning Research, vol. 21, no. 248, pp. 1–43, 2020. https://doi.org/10.48550/arXiv.2002.05651

V. Sanh, L. Debut, J. Chaumond, and T. Wolf, “DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter,” arXiv preprint, 2019, https://doi.org/10.48550/arXiv.1910.01108

X. Jiao et al., “TinyBERT: Distilling BERT for Natural Language Understanding,” Proceedings of EMNLP, pp. 4163–4174, 2020, https://doi.org/10.18653/v1/2020.findings-emnlp.372

T. Wolf et al., “Transformers: State-of-the-Art Natural Language Processing,” Proceedings of EMNLP, pp. 38–45, 2020, https://doi.org/10.18653/v1/2020.emnlp-demos.6

Hugging Face, “Large Language Models Course – Transformer Architecture,” Hugging Face Learn, 2023. [Online]. Available: https://huggingface.co/learn/llm-course/chapter1/4

J. Pallant, SPSS Survival Manual, 7th ed., Maidenhead, UK: Open University Press, 2020. https://doi.org/10.4324/9781003117452

Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R&D, Bandung: Alfabeta, 2019.

U. Sekaran and R. Bougie, Research Methods for Business: A Skill-Building Approach, 7th ed., Hoboken, NJ, USA: Wiley, 2016.

L. J. Cronbach, “Coefficient Alpha and the Internal Structure of Tests,” Psychometrika, vol. 16, no. 3, pp. 297–334, 1951, https://doi.org/10.1007/BF02310555

IBM Corp., IBM SPSS Statistics for Windows, Version 25.0, Armonk, NY, USA: IBM Corp., 2017.

Computerphile, “How Much Energy Does AI Use?” YouTube, Aug. 2023. [Online]. Available: https://www.youtube.com/watch?v=ftWlj4FBHTg