CNN INDEPTH

AI dan Kolonialisasi Pola Makan: Ketika Nasi Uduk Dianggap Dosa

Roni Satria | CNN Indonesia

Kamis, 13 Nov 2025 16:00 WIB

AI dan Kolonialisasi Pola Makan: Ketika Nasi Uduk Dianggap Dosa — Indonesia, dengan ribuan resep yang tak pernah masuk database global, nyaris tak terbaca dalam logika sistem aplikasi diet dan hidup sehat. (iStockphoto/AmalliaEka)

Jakarta, CNN Indonesia --

Pagi rasanya belum sempurna tanpa nasi hangat dengan aroma santan gurih. Ritual sederhana itu kerap dijumpai di banyak rumah untuk menandai hari. Tapi di layar ponsel seorang mahasiswi, algoritma berbisik lain. "Ganti dengan oats." "Kurangi santan." "Pilih yogurt tanpa gula."

Dalam satu kalimat saran, warisan rasa yang dibentuk berabad-abad ditimbang sebagai kesalahan gizi.

Sang mahasiswi menurut. Ia mencatat kalori dan melihat grafik turun berat badannya dalam dua minggu. Hasilnya terasa nyata. Namun ada sesuatu yang tanpa disadari berubah. Rasa makanan yang biasanya akrab di lidah berubah jadi daftar makanan pengganti.

SCROLL TO CONTINUE WITH CONTENT

Santan disarankan diganti krimer rendah lemak. Kerupuk dinilai kelebihan kalori. Makanan rumahan yang selama ini lekat dengan nostalgia dan kebersamaan bergeser menjadi rentetan angka dan peringatan.

Fenomena itu bukan cerita tunggal. Dua pengguna yang saya wawancarai mengulang pola serupa.

Yumna Haifa (18), mahasiswi, mengaku percaya penuh pada output AI karena dirasa begitu personal dan terbilang konsisten menghitung kalori hariannya. Ia dengan gamblang menyebut AI hampir jarang menyarankan makanan lokal.

Tri Artining Putri (37), profesional muda, menyiasati bias awal dengan menyempurnakan prompt. Ia meminta menu yang realistis untuk dapur Indonesia. AI mengikuti, tetapi logikanya tetap mendorong substitusi. Santan diganti produk industri rendah lemak. Camilan tradisional ditukar menjadi snack kemasan berlabel sehat. Kenyamanan memakai tool pintar ini membuat bias seolah normal.

Di balik segelintir cerita itu, ada realitas gizi nasional yang kompleks. Indonesia masih menghadapi beban ganda.

Satu dari tiga orang dewasa, hidup dengan kelebihan berat badan atau obesitas, menurut laporan UNICEF tahun 2024. Angka itu bukan sekadar statistik, tetapi tanda perubahan besar dalam pola makan dan persepsi sehat. Obesitas kini menjadi masalah umum di kota besar, sementara persoalan gizi buruk belum sepenuhnya selesai di pedesaan.

Sementara, estimasi Trading Economics 2024, lebih dari dua puluh juta orang dewasa atau sekitar 11 persen populasi produktif, hidup dengan diabetes. Angka ini berarti hampir di setiap lingkungan kerja atau kampus terdapat satu penderita. Lonjakan ini menggeser peta ancaman kesehatan nasional dari penyakit menular ke penyakit metabolik.

Tidak heran bila aplikasi diet berbasis AI cepat menjadi sandaran banyak orang yang ingin mengendalikan berat badan. Rasional memang, tapi berisiko jika alat yang digunakan berbasiskan data yang tidak mewakili konteks lokal.

Masalahnya pun berlanjut ke akurasi aplikasi diet yang bervariasi.

Berdasarkan temuan Journal of the Academy of Nutrition and Dietetics 2024, aplikasi cenderung melebihkan kalori, keliru pada komponen makro, dan menampilkan ketidakkonsistenan antar-item.

Pada skala populasi, bias kecil yang berulang bisa mendorong perilaku makan yang salah arah.

Dimensi yang kemudian jarang disorot adalah bias lintas budaya. Sebuah studi terbaru oleh Xinyi Li et al. (2024) dalam jurnal Nutrients menemukan bahwa aplikasi diet berbasis AI cenderung melebihkan estimasi kalori pada makanan Barat hingga lebih dari seribu kilojoule, tapi meremehkan kalori pada makanan Asia lebih dari seribu lima ratus kilojoule.

Artinya, sistem ini lebih akurat untuk pola makan Barat dan keliru saat membaca pola makan Asia. Hal ini karena algoritma belajar dari data yang paling sering ia temui, sehingga menjadi "lebih pintar" terhadap menu seperti pasta atau salad dibanding nasi uduk, lodeh, atau rendang.

Indonesia, dengan ribuan resep yang tak pernah masuk database global, nyaris tak terbaca dalam logika sistem ini.

Data yang Tak Mengenal Dapur Sendiri

Helianti Hilman, pakar biodiversitas pangan dan pendiri Javara Indonesia, sebuah perusahaan sosial yang mengangkat produk dan pengetahuan pangan lokal ke pasar global, menyusunnya dalam kerangka besar.

Ia mengatakan dekolonialisasi pangan, harus menyentuh banyak sektor, termasuk AI. Apalagi berpotensi terjadi bias bila 'pelatihnya' minim data yang relevan.

"AI bisa di-train, tapi kalau tidak ada trainernya, terus gimana?" ucap Helianti.

Indonesia belum hadir sebagai pelatih pengetahuan lokal dalam skala yang berarti. Ia menambahkan "banyak tanaman endemik tidak hadir sebagai data etnobotani yang bisa dibaca mesin."

Helianti mengingatkan posisi historis. Bangsa penutur menyimpan pengetahuan kuliner lewat lisan, lagu, batik, tenun, dan pertunjukan. Ketika sistem asing yang rapi dan metodologis mampu mengukur dunia dengan kacamata sendiri, pengetahuan lokal menjadi tak terlihat di layar pencarian.

Dilema muncul.

Membuka data budaya tanpa perlindungan memicu pengambilalihan. Tapi, menutup rapat malah membuat aset tak dianggap karena di berada luar standar platform global.

Ayu Purwarianti, akademisi dan peneliti kecerdasan buatan dari Institut Teknologi Bandung memberi perspektif etika. Ia menyebut sumber bias datang dari data latih dan desain algoritma.

Namun publik sulit memeriksa karena.

"Kita tidak tahu data dokumen yang dilatihkan seperti apa, dan algoritma detailnya seperti apa," kata Ayu.

Prinsip transparansi seharusnya diterapkan, tapi ia mengakui bahwa perusahaan besar sulit membuka algoritma karena dianggap rahasia dagang.

"Kasus-kasus bias seperti ini menunjukkan pentingnya kemandirian AI yang dibangun menggunakan data sesuai nilai kita," ujarnya.

Menurutnya, upaya itu harus berjalan paralel mulai dari pengaduan kolektif terhadap bias, literasi AI bagi semua lapisan masyarakat, penerapan etika AI nasional, dan pembangunan model lokal.

Antropolog pangan dari Universitas Padjadjaran, Hardian Eko Nurseto menghubungkan fenomena ini dengan sejarah mediasi selera.

Dulu televisi menanamkan kebiasaan makan melalui sosok Julia Child di Amerika dan Sisca Soewitomo di Indonesia. Kini perannya diambil algoritma.

Arus informasi yang deras menggeser perspektif tentang sehat. Ketika standarnya cenderung Barat, konsumsi bahan impor meningkat dan pelestarian pangan lokal terancam.

"Perbanyak konten tentang pangan lokal, dan publikasi ilmiah tentang pangan dan kuliner lokal agar bisa menjadi sumber data bagi AI," sarannya.

Dimensi klinis yang sering terlupakan diungkap dokter spesialis gizi klinik, Mulianah Daya. Ia menolak logika yang membagi makanan secara hitam putih.

"Tidak ada makanan 'tidak sehat' dan sebaliknya tidak ada makanan yang berlabel 'si paling sehat'," kata Mulianah.

Baginya, pandangan biner seperti itu justru memperkuat kebiasaan algoritma diet yang menilai makanan lokal lewat kacamata tunggal. Labelisasi yang berlebihan kerap menimbulkan obsesi terhadap makanan yang dianggap benar atau "paling sehat", sebuah gejala yang di dunia medis dikenal sebagai orthorexia.

Akibatnya, banyak orang terlalu menghindari nasi, santan, atau lauk goreng tradisional tanpa pengganti yang tepat, hingga tubuh justru kekurangan zat gizi tertentu dan berlebih pada zat lain.

Fenomena food shame semacam itu, ketika makanan tradisional dianggap 'kampungan' dan tidak modern, perlahan melemahkan ketahanan pangan lokal.

Karena itu, ia menegaskan, "kehilangan makanan tradisional sama halnya dengan kehilangan kontrol atas sumber gizi kita sendiri dan kehilangan identitas bangsa."

Perspektif di atas menunjukkan algoritma membentuk selera dan definisi sehat. Pengguna percaya karena hasil terukur. Akademisi mengingatkan bias struktural. Klinisi menegaskan dampak fisiologis.

Pertanyaannya kemudian bergeser menjadi: apa yang terjadi di tingkat infrastruktur data dan industri lokal?

Gits.id, perusahaan pengembang solusi digital yang banyak mengerjakan proyek berbasis kecerdasan buatan di sektor publik dan kesehatan, melihat masalah bias algoritmik dari sisi infrastruktur data.

CEO-nya, Ibnu Sina Wardy, menjelaskan bahwa langkah kunci membangun sistem AI diet yang adil terletak pada fondasi data.

"Informasi gizi lokal harus disusun secara terstruktur, termasuk teknik memasaknya, karena cara olah sangat memengaruhi profil gizi akhir," ujarnya.

Ia menambahkan bahwa tantangan teknis terbesar ada pada tahap anotasi data, karena varian masakan Indonesia begitu banyak dan setiap daerah punya perbedaan istilah serta bahan.

Ia menyebut proses ini sebagai tahap paling berat sekaligus penentu kualitas model.

Tantangan utamanya bukan interoperabilitas dengan standar global, melainkan minimnya data lokal yang lengkap dan siap pakai untuk pembelajaran mesin.

Ibnu menegaskan bahwa Gits.id menjalankan validasi manusia (human-in-the-loop) dalam audit keadilan dengan melibatkan ahli dan perwakilan komunitas untuk memeriksa hasil AI.

Sikap ini menunjukkan bahwa bias bukan semata kesalahan mesin, tetapi lahir dari kemiskinan data dan belum mapannya praktik produksi pengetahuan di tingkat nasional.

Sementara, Bloom360, platform kesehatan dan nutrisi digital yang dikembangkan di Indonesia, mencoba menata ulang hubungan antara data dan budaya makan. Co-founder-nya, Dien Limano, lebih optimistis.

"Basis data kami bersifat dinamis. Pengguna bisa menambahkan makanan Indonesia dan sistem akan menampilkan data nutrisinya," ujarnya.

"Jika makanan belum ada di database, AI kami akan mencari dan menarik data dari berbagai sumber terpercaya di internet," kata Dien lagi.

Di sinilah paradoksnya. Adaptasi lokal berjalan, tetapi pintunya masih sering kembali ke sumber global.

Pada saat yang sama, Dien melihat kesadaran baru tumbuh. Pengguna mulai memahami bahwa makanan rumahan pun bisa mendukung hidup sehat selama proporsinya tepat.

Arah ini sejalan dengan temuan riset gizi internasional yang menunjukkan bahwa perubahan pola makan akan lebih berhasil jika selaras dengan budaya masyarakat.

Salah satu telaah terbaru dari Nutrition Evidence Systematic Review (NESR) untuk Komite Pedoman Gizi Amerika 2025 juga menegaskan hal serupa.

Mereka menemukan bahwa intervensi gizi yang disesuaikan dengan kebiasaan dan makanan tradisional jauh lebih mudah diterima dan bertahan lama dibanding pola makan yang diimpor mentah dari budaya lain.

Menguji Keadilan di Balik Data

Argumentasi etis memerlukan pendasaran lebih luas. Literatur tentang bias AI di bidang kesehatan telah menunjukkan pola berulang.

Sistem cenderung memperkuat ketimpangan yang sudah ada ketika data latih tidak mewakili populasi secara utuh. Model akan salah klasifikasi atau mengabaikan pola pada kelompok yang kurang terwakili.

Temuan ini ditegaskan dalam studi Chen et al. (2024) yang dipublikasikan di Frontiers in Artificial Intelligence, yang menunjukkan bahwa bias algoritmik pada data medis global sering memperburuk kesenjangan diagnosis antara populasi Barat dan non-Barat.

Kekeliruan semacam itu berbahaya di negara dengan infrastruktur layanan yang masih rapuh.

Indonesia berada dalam situasi ini. Digitalisasi kesehatan dan gizi sering dianggap sebagai lompatan efisiensi, padahal tanpa fondasi data yang merata, proses itu dapat sekaligus mengimpor bias dari luar.

Kebijakan publik menjadi ruang uji berikutnya. Pemerintah mulai menyoroti kembali persoalan gizi melalui berbagai inisiatif, dari program intervensi makan bergizi hingga pelabelan kandungan garam, gula, dan lemak pada produk makanan.

Arah ini menunjukkan kesadaran bahwa persoalan pangan tidak cukup diserahkan pada individu atau aplikasi, melainkan memerlukan tata kelola data dan edukasi publik yang berpihak pada konteks lokal.

Namun, keberhasilan kebijakan itu bergantung pada kemampuan sistem mengenali keragaman pangan Indonesia sebagai dasar pengambilan keputusan.

Transparansi juga menjadi bagian dari tanggung jawab publik. Cara paling sederhana untuk memeriksa klaim objektivitas aplikasi diet adalah dengan menguji keluarannya.

Tabel Komposisi Pangan Indonesia yang disusun Kementerian Kesehatan bisa dijadikan rujukan. Dengan membandingkan hasil rekomendasi AI terhadap data gizi resmi untuk makanan Nusantara, publik dan peneliti dapat menilai sejauh mana algoritma menghargai keragaman lokal tanpa harus membuka kode sumber yang dilindungi.

Perubahan tidak selalu menunggu kebijakan besar. Banyak hal bisa dimulai dari dapur sendiri. Resep dan teknik memasak tradisional perlu didokumentasikan bukan hanya sebagai cerita, tetapi sebagai data.

Komposisi gizi bahan lokal dan hasil olahannya penting dilengkapi agar dapat diakses oleh pengembang teknologi dan lembaga riset. Mekanisme pelaporan bias pada aplikasi diet juga perlu dibuka bagi pengguna umum. Pengembang lokal dapat melakukan audit data secara berkala, melibatkan ahli dan komunitas kuliner untuk memverifikasi hasil sistem. Kampus dan asosiasi profesi gizi bisa memastikan mutu ilmiah tetap terjaga. Langkah-langkah ini tidak rumit, namun menjadi fondasi agar mesin belajar dari dapur sendiri, bukan serta merta menyalin dari dapur orang lain.

Perubahan bahasa juga penting. Alih-alih menjelekkan makanan tradisional, kerangka edukasi perlu memindahkan percakapan ke porsi, frekuensi, dan cara olah.

Hal ini sejalan dengan pendekatan klinis yang menolak label ekstrem. Masyarakat berhak atas rekomendasi yang menghormati konteks budaya dan ekonomi.

Protein mahal di banyak daerah. Sumber nabati lokal dan lauk sederhana mestinya dihargai sebagai jalan yang masuk akal, bukan kompromi kelas bawah.

Kembali ke Meja Makan

Pada akhirnya, inti persoalan bukan perang antara tim santan dan tim salad. Intinya kedaulatan pengetahuan tentang tubuh dan makan.

AI bisa menjadi alat yang berguna jika kita menyiapkan data yang adil dan memberi pagar etika yang jelas. Namun AI juga bisa menjadi mesin penghapus memori jika definisi sehat dirumuskan sepihak oleh data yang tidak pernah kita tulis.

Jalan tengahnya menuntut kerja rapi. Mengisi kekosongan data. Melatih model yang mengerti dapur Nusantara. Menguji aplikasi yang beredar. Membangun kebiasaan baru yang menghargai rasa sekaligus akal sehat.

Kita perlu memastikan mesin yang kita gunakan untuk hidup sehat tidak membuat kita lupa siapa diri kita di meja makan.