Kurikulum AI/ML lengkap dimulai di sini. Pahami beda AI, ML, dan Deep Learning, kenapa AI mengubah dunia, dan peta jalan 15 materi yang akan membawamu dari pemula menjadi praktisi.
Tiga istilah ini sering dipakai bergantian, padahal hierarkis: AI adalah payung besar, ML sub-bidangnya, Deep Learning sub-bidang ML.
Sistem yang meniru kemampuan kognitif manusia: persepsi, penalaran, pembelajaran, decision-making.
Subset AI di mana sistem belajar dari data tanpa diprogram eksplisit aturan-aturannya.
Subset ML berbasis jaringan neural berlapis-lapis, terinspirasi struktur otak manusia.
Programming klasik: data + aturan → output. Machine Learning: data + output → aturan/model. Inilah revolusi paradigmanya — komputer menemukan polanya sendiri dari contoh.
Belajar dari data berlabel. Contoh: prediksi harga rumah, klasifikasi email spam.
Cari pola tanpa label. Contoh: customer segmentation, anomaly detection.
Belajar via reward & punishment. Contoh: AlphaGo, robot navigasi.
Generate label dari data sendiri. Fondasi LLM modern (GPT, Claude).
| Industri | Use Case | Contoh Produk |
|---|---|---|
| Health | Diagnosis kanker via citra medis | IBM Watson Health, PathAI |
| Finansial | Fraud detection, credit scoring | Mastercard AI, Kredivo |
| E-commerce | Rekomendasi produk personal | Tokopedia, Shopee, Amazon |
| Transportasi | Self-driving, route optimization | Tesla Autopilot, Gojek ETA |
| Hiburan | Content recommendation | Netflix, Spotify, TikTok |
| Pendidikan | Personalized learning | Ruangguru, Duolingo |
| Pertanian | Crop disease detection drone | John Deere, AgriTech ID |
| Customer Service | Chatbot, sentiment analysis | Intercom, ChatGPT |
Ruangguru memakai ML untuk recommend video pelajaran berdasarkan riwayat tonton dan hasil quiz. Sistem deteksi materi mana yang membuat siswa kesulitan, lalu menyajikan konten remediasi yang tepat.
Hasilnya: completion rate course naik 38%, retention 90 hari naik 22%. Pelajaran: AI yang efektif bukan yang paling canggih secara teknis, tapi yang menyelesaikan masalah konsumen yang spesifik dengan data yang ada.
| Modul | Materi | Fokus |
|---|---|---|
| A. Foundation | 01. Pengantar AI & ML | Definisi, peta, aplikasi |
| 02. Sejarah & Evolusi | Dari Turing ke GPT | |
| 03. Matematika untuk AI | Linear algebra, kalkulus, statistik | |
| B. Core ML | 04. Supervised Learning | Regresi & klasifikasi |
| 05. Unsupervised Learning | Clustering, dimensionality reduction | |
| 06. Algoritma ML Klasik | Decision Tree, RF, SVM, KNN | |
| 07. Neural Networks Basics | Perceptron, backprop, gradient | |
| 08. Model Evaluation | Cross-validation, metric, overfitting | |
| 09. Feature Engineering | Preprocessing, encoding, scaling | |
| C. Deep Learning | 10. CNN — Computer Vision | Image classification, object detection |
| 11. NLP & Transformer | RNN, LSTM, attention, BERT | |
| 12. Generative AI & LLM | GPT, Claude, prompting, RAG | |
| D. Applied & Ethics | 13. MLOps & Deployment | Pipeline, monitoring, scale |
| 14. AI Ethics & Bias | Fairness, transparency, regulation | |
| 15. Future of AI (Capstone) | AGI, multimodal, project akhir |
Level 1 — Awareness: tahu apa itu AI, kapan dipakai, batasan-nya.
Level 2 — Literacy: bisa pakai tools (ChatGPT, Hugging Face), memahami output ML.
Level 3 — Practitioner: bisa training model sederhana, fine-tuning, deploy.
Level 4 — Engineer: bangun ML system production, MLOps pipeline, troubleshoot.
Level 5 — Researcher: publikasikan paper, develop algoritma baru.
Kurikulum ini akan membawamu dari Level 1 ke Level 3. Level 4-5 butuh lanjutan + pengalaman industri.
Pilih 3 produk yang kamu pakai harian (mis. Spotify, Tokopedia, Google Maps). Untuk masing-masing: