1Dasar AI + Mindset + Setup

Apa Itu AI, ML, DL, dan GenAI?

13 min baca
Tujuan

Setelah ini kamu bisa menjelaskan perbedaan AI, ML, DL, dan GenAI ke teman SMP-mu, dan tahu dimana posisi LLM dalam peta itu.

01 — Apa Itu AI, ML, DL, dan GenAI?

Estimasi baca: 45 menit Tujuan: Setelah ini kamu bisa menjelaskan perbedaan AI, ML, DL, dan GenAI ke teman SMP-mu, dan tahu dimana posisi LLM dalam peta itu.

Cerita Pembuka

Bayangkan kamu seorang ibu yang ingin anak balitanya bisa membedakan kucing dan anjing.

Cara tradisional (programming biasa):

"Nak, kalau berkaki empat, berbulu, kupingnya runcing kecil, suaranya 'meong', itu kucing. Kalau kupingnya jatuh atau besar, ekornya goyang-goyang, suaranya 'guk', itu anjing."

Kamu membuat aturan eksplisit. Anakmu mengikuti aturan itu.

Cara Machine Learning:

Kamu menunjukkan 1000 foto kucing dan 1000 foto anjing ke anakmu. Kamu bilang "ini kucing, ini anjing, ini kucing..." berulang-ulang. Kamu tidak pernah menjelaskan ciri-cirinya. Anakmu lama-lama bisa membedakan sendiri, bahkan untuk foto kucing yang belum pernah dia lihat.

Ini bedanya. Programming tradisional: manusia membuat aturan. Machine learning: mesin menemukan aturannya sendiri dari contoh.

Kenapa Materi Ini Penting?

Sebelum kamu belajar coding AI, kamu harus punya peta mental yang jelas. Tanpa peta ini, kamu akan bingung saat orang bicara "pakai ML aja" atau "ini butuh deep learning" — karena kamu tidak tahu bedanya. Materi ini adalah kompas-mu.

Peta Konsep — Lingkaran dalam Lingkaran

Cara paling akurat memahami hubungan AI, ML, DL, GenAI adalah seperti boneka matryoshka (boneka Rusia yang bertumpuk):

Cara Membaca Diagram: Mulai dari paling atas (AI), turun ke ML, lalu DL, lalu GenAI. Setiap level adalah subset dari level di atasnya. Di bawah GenAI ada dua cabang: LLM (teks) dan Image Gen (gambar).

Walkthrough Step-by-Step:

  1. AI — payung paling besar. Apapun komputer yang "kelihatan pintar" masuk sini, termasuk yang rule-based.
  2. ML — sub-bagian AI yang belajar dari data, bukan dari aturan manusia.
  3. DL — sub-bagian ML yang pakai neural network berlapis-lapis.
  4. GenAI — sub-bagian DL yang menciptakan konten baru (teks, gambar, audio).
  5. LLM & Image Gen — dua jenis GenAI populer yang kamu pakai sehari-hari.

Analogi Sehari-hari: Bayangkan kategori transportasi. Kendaraan itu AI (luas). Kendaraan bermotor itu ML. Mobil itu DL. Mobil listrik itu GenAI. Tesla & BYD itu LLM/Image Gen. Setiap level lebih spesifik dari yang sebelumnya.

GenAI ⊂ DL ⊂ ML ⊂ AI

Diagram statis Mermaid sebagai fallback:

graph TB
    AI["🧠 AI — Artificial Intelligence<br/>Komputer yang melakukan tugas<br/>yang butuh kecerdasan manusia"]
    ML["📊 ML — Machine Learning<br/>Belajar dari data,<br/>bukan dari aturan manusia"]
    DL["🔗 DL — Deep Learning<br/>Neural network berlapis-lapis"]
    GenAI["✨ GenAI — Generative AI<br/>Menciptakan konten baru"]
    LLM["💬 LLM: ChatGPT, Claude"]
    IMG["🎨 Image: DALL-E, Midjourney"]

    AI --> ML
    ML --> DL
    DL --> GenAI
    GenAI --> LLM
    GenAI --> IMG

Setiap LLM adalah deep learning. Setiap deep learning adalah machine learning. Setiap machine learning adalah AI. Tapi kebalikannya tidak selalu benar.

1. AI (Artificial Intelligence)

Definisi sederhana: Komputer yang melakukan tugas yang biasanya butuh kecerdasan manusia.

Analogi: AI itu seperti kata "kendaraan". Sangat luas. Sepeda, mobil, pesawat, kapal — semuanya kendaraan.

Contoh AI yang BUKAN machine learning:

  • Mesin catur Deep Blue (1997) yang mengalahkan Kasparov. Ini AI, tapi pakai aturan pencarian (minimax + alpha-beta pruning) yang ditulis manusia. Tidak belajar dari data.
  • Sistem pakar (expert system) untuk diagnosis penyakit di tahun 80-an. Ribuan aturan "if-then" yang ditulis dokter ahli.
  • NPC di game yang patroli dengan pola tertentu.

Insight penting: Banyak orang menyamakan AI dengan ML. Padahal AI lebih luas. Ini ujian kecil — kalau ada yang bilang "AI itu cuma machine learning", kamu tahu dia kurang dalam pemahamannya.

Sejarah Singkat (penting buat konteks)

  • 1950-an — Istilah "AI" muncul. Era simbolik: AI = aturan logika.
  • 1980-an — Era expert system. Booming, lalu winter (musim dingin AI) karena tidak scalable.
  • 2000-an — Statistical ML mulai dominan (data + komputasi murah).
  • 2012 — AlexNet menang ImageNet dengan margin besar. Era deep learning dimulai.
  • 2017 — Paper "Attention Is All You Need" — transformer lahir.
  • 2022 — ChatGPT dirilis. Era GenAI ke publik.
  • Sekarang (2026) — Era agentic AI dimulai. AI tidak cuma menjawab, tapi mengeksekusi tugas multi-step.

2. ML (Machine Learning)

Definisi sederhana: Cabang AI dimana komputer belajar dari data, bukan dari aturan yang ditulis manusia.

Analogi yang lebih tajam:

Kamu mau bikin program yang menebak harga rumah. Cara tradisional: kamu nanya ke broker, dia bilang "kalau luas tanah X, lokasi Y, umur bangunan Z, harganya = 0.7×X + 1000×Y - 500×Z". Kamu hardcode rumus itu.

Cara ML: kamu kasih komputer 10.000 data rumah (luas, lokasi, umur, harga aktual). Komputer mencari sendiri rumus terbaik. Hasilnya bisa lebih akurat dari rumus broker — karena komputer bisa menemukan pola yang manusia lewatkan.

Inti ML: Pattern Recognition

ML pada dasarnya adalah mencari pola di dalam data. Pola itu lalu dipakai untuk membuat prediksi.

Cara Membaca Diagram: Alur dibaca dari kiri ke kanan. Ada dua fase: training (membuat model) dan inference (memakai model).

Walkthrough Step-by-Step:

  1. Data Latihan + Algoritma ML → menghasilkan Model. Ini fase training.
  2. Data Baru masuk ke Model → keluar Prediksi. Ini fase inference (pemakaian).
  3. Garis dari "Data Baru" datang dari atas karena dia tidak dipakai saat training, hanya saat model sudah jadi.

Analogi Sehari-hari: Seperti resep masak. Training = nenek mencicipi 1000 masakan dan menyusun resep terbaik. Inference = kamu pakai resep itu untuk masak hidangan baru. Resep = model. Bahan baru = input. Hidangan jadi = prediksi.

Diagram statis Mermaid sebagai fallback:

flowchart LR
    A["📦 Data Latihan"] --> B["⚙️ Algoritma ML"]
    B --> C["🧠 Model"]
    D["🆕 Data Baru"] --> C
    C --> E["🎯 Prediksi"]

3 Jenis Utama ML (preview, dibahas detail di file 02)

  1. Supervised learning — belajar dari contoh berlabel. "Ini kucing, ini anjing."
  2. Unsupervised learning — belajar pola tanpa label. "Kelompokkan customer ini, terserah kamu cara mengelompokkannya."
  3. Reinforcement learning — belajar dari reward/punishment. Seperti melatih anjing: benar dapat snack, salah tidak dapat.

Contoh ML di Hidup Sehari-hari

  • Spam filter Gmail — supervised learning, dilatih dari jutaan email yang ditandai "spam" oleh pengguna.
  • Rekomendasi YouTube — predict apa yang akan kamu klik.
  • Google Translate (versi lama) — statistical machine translation.
  • Deteksi penipuan kartu kredit — anomaly detection.

3. DL (Deep Learning)

Definisi sederhana: Sub-bidang ML yang menggunakan neural network dengan banyak lapisan ("dalam"). Itulah kenapa namanya "deep".

Analogi neural network:

Bayangkan kamu memberi tugas ke 1000 orang awam untuk mengenali tulisan tangan angka. Tiap orang sangat bodoh — hanya bisa menjawab "ya" atau "tidak" untuk pertanyaan sederhana seperti "ada garis lurus di atas?" atau "ada kurva di kiri?". Tapi mereka bekerja berlapis:

  • Lapisan 1 (input): mendeteksi piksel terang/gelap di gambar.
  • Lapisan 2: menggabungkan piksel jadi garis dan kurva.
  • Lapisan 3: menggabungkan garis jadi bentuk seperti lingkaran, lengkungan.
  • Lapisan 4 (output): menggabungkan bentuk-bentuk itu jadi keputusan: "ini angka 8".

Tiap orang sederhana, tapi gabungan ribuan orang dengan banyak lapisan menghasilkan kecerdasan kompleks.

Itulah neural network. Tiap "orang" adalah neuron. Setiap neuron melakukan kalkulasi sederhana (perkalian dan penjumlahan), tapi jutaan neuron yang terhubung bisa mengenali wajah, menerjemahkan bahasa, menggambar.

Kenapa "Deep" Lebih Baik?

Sebelum 2012, neural network sudah ada — tapi cuma 2-3 lapisan. Ketika peneliti mulai pakai puluhan lapisan (deep), kemampuannya melompat drastis. Kenapa?

Karena tiap lapisan bisa menangkap abstraksi yang lebih tinggi. Lapisan awal lihat piksel, lapisan tengah lihat bentuk, lapisan akhir lihat objek. Mirip cara otak visual manusia bekerja.

Kenapa DL Booming Sekarang?

3 alasan klasik:

  1. Data melimpah — internet menghasilkan data tak terbatas.
  2. GPU — kartu grafis untuk gaming ternyata sangat cocok untuk hitung neural network. NVIDIA jadi raja.
  3. Algoritma matang — backpropagation, ReLU, attention, dll.

Contoh DL

  • Pengenalan wajah di Face ID iPhone
  • Self-driving car vision system
  • Google Translate versi sekarang (neural machine translation)
  • AlphaGo yang mengalahkan Lee Sedol di Go
  • Semua LLM — ChatGPT, Claude, Gemini, dll

4. GenAI (Generative AI)

Definisi sederhana: Model AI yang menciptakan konten baru (teks, gambar, audio, video) yang mirip data latihan.

Bedanya dengan ML biasa:

ML Klasik GenAI
Discriminative — membedakan/memprediksi Generative — menciptakan
"Email ini spam atau bukan?" "Tulis email balasan untuk pesan ini"
"Foto ini kucing atau anjing?" "Buatkan gambar kucing astronot"
Output: angka/kategori Output: konten lengkap

Analogi: Bedanya seperti kritikus film vs sutradara. Kritikus menilai (discriminative). Sutradara membuat (generative). Keduanya butuh memahami film — tapi keluarannya beda jauh.

Jenis GenAI Berdasarkan Modalitas

  1. Teks — LLM (Large Language Model)
    • ChatGPT, Claude, Gemini, Llama
  2. Gambar — Diffusion model
    • DALL-E, Midjourney, Stable Diffusion
  3. Audio — Speech synthesis, music generation
    • ElevenLabs, Suno, MusicGen
  4. Video — Video generation
    • Sora, Runway, Veo
  5. Kode — Code generation (sebenarnya teks juga)
    • GitHub Copilot, Cursor, Claude Code
  6. Multimodal — Gabungan banyak modalitas
    • GPT-4o, Claude (vision), Gemini

LLM — Sang Bintang

LLM = Large Language Model. Model bahasa raksasa.

Cara kerjanya, disederhanakan:

LLM dilatih dengan satu tugas yang konyolnya sederhana: prediksi kata berikutnya.

"Hari ini saya pergi ke ___"

Model belajar dari miliaran kalimat, lalu menebak kata yang paling mungkin (mungkin "pasar", "kantor", "sekolah"). Yang mengejutkan: dengan latihan masif (ribuan miliar kata, ratusan miliar parameter), kemampuan prediksi kata berikutnya ternyata cukup untuk membuat model yang bisa:

  • Menulis esai
  • Memecahkan soal matematika
  • Menulis kode
  • Berdialog dengan logis
  • Menerjemahkan bahasa

Ini disebut emergent abilities — kemampuan yang muncul dari skala, bukan dari pelatihan eksplisit.

Insight: LLM tidak "mengerti" dalam arti manusia. Dia adalah autocomplete super canggih. Tapi autocomplete yang dilatih sangat banyak ternyata terlihat seperti pengertian. Apakah ini benar-benar pengertian? Itu pertanyaan filosofis yang masih diperdebatkan.

Cara Penggunaan Setiap Konsep

Konsep Kapan dipakai? Contoh tools
AI tradisional (rule-based) Aturan jelas, sedikit data Sistem pajak, kalkulator pintar
Supervised ML Punya data berlabel, target jelas Spam filter, prediksi harga
Unsupervised ML Mau eksplorasi data, tanpa label Segmentasi customer, anomaly detection
Deep Learning Data banyak, pola kompleks Pengenalan gambar, suara
Generative AI / LLM Butuh konten kreatif/bahasa Chatbot, coding assistant, content gen

Kesalahpahaman Umum (yang mau kamu hindari)

❌ "AI = ChatGPT" → AI jauh lebih luas. ChatGPT cuma satu jenis LLM, satu jenis GenAI, satu jenis DL, satu jenis ML, satu jenis AI.

❌ "LLM mengerti seperti manusia" → LLM melakukan prediksi statistik. Hasilnya seringkali mengesankan, tapi mekanismenya berbeda dari pemahaman manusia.

❌ "Deep Learning selalu lebih baik dari ML klasik" → Tidak. Untuk dataset kecil dan terstruktur (tabel), random forest atau XGBoost (ML klasik) sering mengalahkan deep learning.

❌ "AI akan menggantikan programmer" → AI menggantikan tugas, bukan profesi. Programmer yang pakai AI akan menggantikan programmer yang tidak pakai AI.

❌ "Belajar AI = belajar matematika berat" → Untuk menggunakan model, matematika dasar cukup. Untuk meneliti model baru, matematika berat. Kamu di jalur yang pertama.

Challenge Fase 1.1

Challenge 1 — Klasifikasi Konsep (Mudah)

Untuk setiap aplikasi di bawah, tulis: termasuk AI? termasuk ML? termasuk DL? termasuk GenAI?

  1. Kalkulator iPhone
  2. Auto-correct keyboard di HP
  3. Deteksi wajah di kamera
  4. ChatGPT
  5. Lampu lalu lintas yang ganti warna tiap 30 detik
  6. Rekomendasi film Netflix
  7. Mesin cuci dengan mode "auto" (deteksi berat baju)
  8. Google Translate
  9. NPC di Pac-Man (1980)
  10. Sora (video generator OpenAI)

Jawaban di bagian akhir file. Coba sendiri dulu sebelum lihat.

Challenge 2 — Analogi Pribadi (Sedang)

Tulis analogimu sendiri untuk menjelaskan perbedaan AI tradisional dan ML, selain analogi anak-balita-belajar-kucing yang ada di file ini. Posting di repo GitHub kamu sebagai learning-journal/2026-05-XX.md.

Tujuan: melatih Feynman technique. Kalau bisa bikin analogi sendiri, berarti kamu paham.

Challenge 3 — Eksplorasi (Sedang)

Buka chat.openai.com atau claude.ai (pakai versi gratis). Tanya 3 hal:

  1. Pertanyaan fakta: "Siapa presiden pertama Indonesia?"
  2. Pertanyaan kreatif: "Tuliskan puisi pendek tentang pulau Bali"
  3. Pertanyaan logika: "Kalau saya punya 3 apel dan saya beri 1 ke teman, lalu beli 5 lagi, berapa apel saya?"

Catat:

  • Apakah jawabannya benar semua?
  • Apakah jawaban kreatifnya bagus?
  • Mana yang paling cepat? Mana yang terasa "berpikir"?

Tujuan: dapat feel terhadap LLM. Sebelum belajar bagaimana mereka dibuat, kamu harus tahu rasanya menggunakan mereka.

Challenge 4 — Diskusi (Sulit)

Tulis essay 300-500 kata di file learning-journal/essay-genai.md dengan judul: "Apakah ChatGPT benar-benar 'mengerti' bahasa, atau cuma autocomplete super canggih?"

Argumenkan posisimu. Berikan contoh.

Tidak ada jawaban benar/salah. Tujuan: melatih critical thinking. Di bootcamp nanti, mentor akan menghargai siswa yang punya opini sendiri yang well-reasoned.

Resource Tambahan (opsional)

  • Video: "But what is a neural network?" oleh 3Blue1Brown (YouTube). Wajib tonton sebelum lanjut ke file 03. 19 menit.
  • Artikel: "AI vs ML vs DL" di IBM blog — penjelasan resmi yang ringkas.
  • Podcast: "Lex Fridman Podcast" — wawancara dengan tokoh AI. Cari episode dengan Yann LeCun atau Andrej Karpathy untuk perspektif praktisi.

Jawaban Challenge 1

# AI? ML? DL? GenAI?
1. Kalkulator iPhone ❌ ❌ ❌ ❌
2. Auto-correct keyboard ✅ ✅ (sebagian besar sekarang) mungkin ❌
3. Deteksi wajah kamera ✅ ✅ ✅ ❌
4. ChatGPT ✅ ✅ ✅ ✅
5. Lampu lalu lintas timer ❌ ❌ ❌ ❌
6. Rekomendasi Netflix ✅ ✅ ✅ ❌
7. Mesin cuci auto ✅ (debatable, biasanya rule-based) mungkin ❌ ❌
8. Google Translate (sekarang) ✅ ✅ ✅ bisa dibilang sebagian
9. NPC Pac-Man 1980 ✅ (rule-based AI) ❌ ❌ ❌
10. Sora ✅ ✅ ✅ ✅

Kalau jawabanmu beda, pikirkan kenapa. Kalau bingung, tanya saya di chat berikutnya.

Cek Pemahaman

Sebelum lanjut ke file 02, pastikan kamu bisa menjawab tanpa lihat catatan:

  • Kenapa machine learning beda dari programming tradisional?
  • Apa hubungan AI, ML, DL, GenAI? (gambarkan diagram lingkaran)
  • Sebut 3 contoh AI yang BUKAN machine learning
  • Apa itu LLM? Apa tugas inti yang dilatih?
  • Sebut 5 modalitas GenAI

Kalau ada yang ragu, baca ulang bagian tersebut. Jangan lanjut sampai paham.

Selanjutnya: 02-jenis-ml.md — kupas tuntas 3 jenis ML dengan contoh kode konseptual.

Next
Jenis-Jenis Machine Learning