Apa Itu SynthID Text? Cara Kerja, Cara Pakai, dan Deteksi Watermark LLM (LLM Watermarking)

Bisakah teks yang ditulis AI dikenali di kemudian hari sebagai "tulisan AI"? Karena alat pendeteksi AI yang menebak dari ciri-ciri tulisan rawan salah menilai, kini diteliti dan mulai dipakai cara lain: menyisipkan watermark digital (tanda air digital) tak kasatmata sejak AI menyusun teksnya. Watermark semacam ini pada keluaran LLM (model bahasa besar) juga disebut watermark LLM (LLM watermarking). Contoh paling representatifnya adalah SynthID Text dari Google DeepMind. Artikel ini merangkum cara kerja SynthID Text, dampaknya pada kualitas, cara developer memakainya, cara mendeteksinya, dan kasus yang menjadi kelemahannya, berdasarkan dokumentasi resmi dan makalah Nature, dengan informasi per 9 Oktober 2026.

Penjelasan tentang SynthID secara keseluruhan, termasuk gambar, video, dan audio, ada di "Apa Itu SynthID".

Apa itu SynthID Text

SynthID Text adalah teknologi untuk menyisipkan watermark digital ke teks yang dihasilkan model bahasa besar (LLM) dan mendeteksinya di kemudian hari. Di antara berbagai teknik watermark LLM, inilah implementasi paling representatif yang dipakai dalam skala besar di layanan nyata dan tersedia sebagai open source untuk siapa saja. Teknologi ini dikembangkan Google DeepMind, dan pada 23 Oktober 2024 cara kerjanya diterbitkan sebagai makalah di jurnal ilmiah Nature, bersamaan dengan rilisnya sebagai open source.

Ciri khasnya, SynthID Text tidak menyisipkan simbol atau karakter tak terlihat ke dalam teks, melainkan meninggalkan watermark pada cara AI memilih kata itu sendiri. Saat dibaca, teksnya tidak bisa dibedakan dari teks biasa, dan menurut Google kualitas tulisannya pun tidak terpengaruh.

Saat makalah diterbitkan, dijelaskan bahwa jawaban Gemini milik Google juga mengandung watermark SynthID Text. Mengenai penerapannya di Gemini saat ini, per Oktober 2026 belum ditemukan penjelasan resmi yang baru.

SynthID Text juga dipakai di luar Google. Pada Agustus 2026, Anthropic menjelaskan bahwa watermark pada teks yang dihasilkan Claude "didasarkan pada metode SynthID Text".

Cara kerja: watermark ditinggalkan lewat pilihan kata

Saat menyusun teks, LLM berulang kali memberi probabilitas pada setiap kandidat kata berikutnya (tepatnya token) lalu memilih salah satunya. SynthID Text campur tangan pada tahap "memilih" ini.

Makalah Nature menyebut metode ini tournament sampling. Secara sederhana, alurnya sebagai berikut.

Beberapa kandidat kata berikutnya dipilih sesuai probabilitas dari LLM
Para kandidat diadu dalam turnamen sistem gugur. Pemenangnya ditentukan oleh skor (fungsi g) yang dihitung dari kunci rahasia dan beberapa kata sebelumnya
Kandidat yang menang di beberapa babak menjadi kata yang benar-benar dikeluarkan

Karena kandidat berasal dari kata-kata yang memang cenderung dipilih LLM, teksnya tetap alami. Sebaliknya, jika orang yang mengetahui kuncinya menghitung ulang skornya, akan terlihat bahwa kata-kata yang dikeluarkan cenderung memiliki skor di atas rata-rata. Kecenderungan inilah yang menjadi watermark.

Dokumentasi developer Google menjelaskannya sebagai "logits processor" yang diterapkan setelah penyaringan kandidat biasa seperti Top-K dan Top-P. Ada pula mekanisme untuk tidak menyisipkan watermark pada bagian yang frasanya berulang, agar watermark tetap mudah dideteksi.

Dampak pada kualitas dan kecepatan

Keunggulan besar SynthID Text adalah sudah diuji dalam skala besar di layanan nyata. Dalam makalah Nature, sekitar 20 juta jawaban Gemini dianalisis untuk membandingkan jawaban yang diberi watermark dan yang tidak.

Selisih persentase penilaian positif dari pengguna hanya 0,01%, dan selisih penilaian negatif 0,02%, sehingga hampir tidak ada perbedaan kualitas

Dalam pengukuran kecepatan yang dilakukan terpisah, tambahan waktu pembuatan teks akibat penyisipan watermark hanya sekitar 0,57%.

Selain itu, LLM tidak perlu dilatih ulang; cukup ubah prosedur pembuatan teksnya. LLM aslinya juga tidak diperlukan saat mendeteksi.

Cara developer memakainya

SynthID Text sudah terintegrasi di pustaka Transformers dari Hugging Face (versi 4.46.0 atau lebih baru). Teknologi ini juga tersedia di Responsible GenAI Toolkit milik Google dan di repositori google-deepmind/synthid-text di GitHub. Kode di GitHub memakai lisensi Apache 2.0 dan diposisikan sebagai implementasi referensi untuk mereproduksi makalah. Untuk penggunaan di produksi, disarankan memakai implementasi resmi di Transformers.

Untuk memakainya di Transformers, buat konfigurasi watermark (SynthIDTextWatermarkingConfig) lalu berikan ke fungsi yang menghasilkan teks. Parameter utamanya sebagai berikut.

keys (wajib): daftar bilangan bulat acak yang menjadi kunci watermark. Jika bocor, watermark bisa dipalsukan, jadi harus dijaga kerahasiaannya
ngram_len (wajib): jumlah kata sebelumnya yang dipakai untuk menghitung skor. Makin besar, makin mudah dideteksi; makin kecil, makin tahan terhadap penulisan ulang. Dokumentasi resmi menyarankan 5 sebagai nilai bawaan
sampling_table_size: ukuran tabel yang dipakai secara internal. Untuk mencegah bias, disarankan 2 pangkat 16 (65536) atau lebih
sampling_table_seed: seed acak untuk membuat tabel. Boleh bilangan bulat apa saja
context_history_size: jumlah konteks yang dicatat untuk mengenali pengulangan. Nilai bawaannya 1024

Contoh kode untuk menuliskan konfigurasi ini tersedia di dokumentasi resmi Transformers.

Cara mendeteksi watermark

Untuk mendeteksi watermark, diperlukan konfigurasi kunci dan tokenizer yang sama dengan yang dipakai saat teks dibuat. Karena itu, hanya pihak yang menyisipkan watermark (atau pihak yang diberi kuncinya) yang bisa mendeteksinya.

Implementasi resminya menyediakan tiga metode deteksi: metode yang memakai rata-rata skor, metode yang memakai rata-rata berbobot, dan detektor Bayesian yang sudah dilatih. Detektor Bayesian memberikan hasil dalam tiga kategori, yaitu "ada watermark", "tidak ada watermark", dan "tidak dapat dipastikan", dan ketatnya penilaian bisa diatur dengan dua ambang batas.

Sebelum dipakai, detektor Bayesian harus dilatih dengan model dan kunci milik sendiri, dan menurut penjelasan Hugging Face diperlukan setidaknya 10 ribu contoh. Selain itu, menurut dokumentasi developer Google, detektor bisa disediakan dengan tiga cara: hanya dipakai secara internal, disediakan ke pihak luar sebagai API, atau didistribusikan detektornya sendiri.

Perlu dicatat, tidak ada keterangan bahwa watermark yang disisipkan dengan kunci milik sendiri bisa dideteksi dengan SynthID Detector milik Google atau alat sejenis.

Kasus yang menjadi kelemahan dan batasannya

Dokumentasi developer Google dan makalah Nature menyebutkan batasan berikut.

Jawaban faktual: pada pertanyaan yang jawabannya hampir pasti hanya satu, ruang untuk mengubah pilihan kata sempit, sehingga efektivitas watermark menurun
Penulisan ulang besar-besaran: jika teks ditulis ulang secara menyeluruh, tingkat keyakinan deteksi turun drastis
Terjemahan: jika teks diterjemahkan ke bahasa lain, tingkat keyakinan deteksi turun drastis
Serangan yang disengaja: melindungi dari pihak jahat yang berusaha menghapus watermark tidak termasuk tujuan desainnya
Model terbuka: pada model yang bisa dijalankan siapa saja, penyisipan watermark sulit diwajibkan

Perbedaan dengan alat pendeteksi teks AI

Selain watermark digital seperti SynthID Text, cara lain untuk mengenali teks buatan AI adalah alat pendeteksi AI yang menebak seberapa mirip sebuah teks dengan tulisan AI berdasarkan ciri-cirinya.

Watermark digital: pihak pembuat teks menyisipkan tanda sejak awal. Dengan kunci, penilaian bisa dilakukan dengan dasar yang jelas, tetapi teks dari AI yang tidak menyisipkan watermark tidak bisa dikenali
Alat pendeteksi AI: bisa menebak teks dari AI mana pun, tetapi hanya berupa tebakan, dan bisa saja keliru menilai tulisan manusia sebagai tulisan AI

Upaya memberi tanda pada hasil AI juga meluas ke perusahaan lain. Misalnya, Anthropic menyisipkan watermark berbasis metode SynthID Text ke dalam teks yang dihasilkan Claude (untuk saat ini, deteksinya masih berupa pratinjau tertutup yang terbatas bagi regulator dan pihak sejenis). OpenAI juga mengumumkan watermark teks miliknya sendiri, "textGrain", pada Oktober 2026. Perbandingan tiap metode dijelaskan lebih lengkap di "Perbandingan Watermark AI (Tanda Air Digital)".

Ringkasan

SynthID Text adalah teknologi yang memberi tanda pada teks AI tanpa disadari pembaca, dengan meninggalkan watermark dalam proses AI memilih kata. Pengujian terhadap sekitar 20 juta jawaban Gemini menunjukkan dampaknya pada kualitas hampir tidak ada, dan pengukuran terpisah menunjukkan dampaknya pada kecepatan juga sangat kecil. Teknologi ini tersedia untuk siapa saja melalui Transformers.

Di sisi lain, SynthID Text lemah terhadap jawaban faktual yang pendek, terjemahan, dan penulisan ulang besar-besaran, dan hanya pihak yang menyisipkan watermark yang bisa mendeteksinya. Daripada dianggap sebagai penentu pasti untuk mengenali teks AI, lebih tepat memandangnya sebagai salah satu mekanisme agar perusahaan bertanggung jawab atas keluaran AI miliknya sendiri.