1Dasar AI + Mindset + Setup

Final Challenges — Fase 1

10 min baca
Tujuan

Konsolidasi semua materi Fase 1 sebelum lanjut ke Python (Fase 2). Selesaikan semua sebelum mulai Fase 2.

Final Challenges — Fase 1

Tujuan: Konsolidasi semua materi Fase 1 sebelum lanjut ke Python (Fase 2). Selesaikan semua sebelum mulai Fase 2.

Cara pakai file ini:

  • Setiap challenge punya estimasi waktu
  • Tulis hasil di learning-journal/ atau folder project di repo GitHub
  • Jangan skip — challenge inilah yang membedakan paham vs benar-benar paham

Challenge 1 — Quiz Mandiri (1 jam)

Jawab pertanyaan ini tanpa membuka file materi. Setelah selesai, baru cek jawaban.

Bagian A: Konseptual

  1. Gambarkan diagram lingkaran AI/ML/DL/GenAI. Beri 1 contoh aplikasi nyata di setiap lingkaran.

  2. Apa beda machine learning dengan programming tradisional? Berikan contoh konkret untuk masalah "deteksi spam".

  3. Sebut 3 jenis utama machine learning. Untuk setiap, kasih:

    • Definisi 1 kalimat
    • 1 contoh aplikasi
    • 1 algoritma populer

  4. Jelaskan dengan analogi: bagaimana neural network "belajar"? Pakai konsep gunung berkabut.

  5. Apa itu activation function? Kenapa kalau tidak ada activation function, neural network jadi tidak berguna?

  6. Apa itu overfitting? Sebut 3 cara mengatasinya.

  7. Bedakan: training set, validation set, test set. Aturan emas apa yang harus dipatuhi?

Bagian B: LLM Spesifik

  1. Apa tugas inti yang dilatih ke LLM saat pretraining? Kenapa "tugas sederhana" ini bisa menghasilkan kemampuan kompleks?

  2. Apa itu token? Kalau saya kirim "Halo, apa kabar?" ke API, kenapa biaya saya tergantung jumlah token?

  3. Apa itu embedding? Bagaimana "vektor mirip = makna mirip" ini memungkinkan RAG?

  4. Apa itu attention mechanism? Beri analogi.

  5. Sebut 3 tahap training LLM modern (post-pretraining). Untuk setiap, jelaskan tujuannya.

  6. Apa beda temperature 0 dan temperature 1.5? Kapan pakai masing-masing?

  7. Apa itu Chain-of-Thought prompting? Kapan paling powerful?

  8. Sebut 5 limitasi LLM yang harus diketahui developer.

Bagian C: Sistem

  1. Apa beda pip install dan conda install? Mana yang lebih disarankan untuk library ML?

  2. Apa itu virtual environment? Kenapa wajib dipakai?

  3. Apa fungsi .gitignore? Sebut 3 hal yang TIDAK BOLEH di-commit ke GitHub.

  4. Apa beda git pull dan git push?

  5. Untuk apa kita pakai git status dan git diff?

Cek hasil: kalau benar 18-20 dari 20, Fase 1 sangat solid. 15-17 oke. <15 → review file yang lemah sebelum lanjut.

Challenge 2 — Diagram Lengkap (2 jam)

Bikin 1 mind map besar yang merangkum seluruh Fase 1.

Tools (pilih 1):

  • Excalidraw (excalidraw.com) — gratis, simpel, drawing style
  • Whimsical (whimsical.com) — gratis tier
  • Miro (miro.com) — gratis tier
  • Pen & paper lalu foto (paling fast)

Yang harus ada di mind map:

  • AI → ML → DL → GenAI hubungannya
  • 3 jenis ML dengan sub-jenis
  • Komponen neural network (neuron, layer, weight, activation)
  • Bagaimana NN belajar (forward, backward, gradient)
  • LLM pipeline (token → embedding → transformer → generation)
  • Prompt engineering teknik utama

Save sebagai PNG/PDF, push ke learning-journal/mindmap-fase-1.png.

Tujuan: memaksa otak konsolidasi semua materi. Mind map yang bagus = pemahaman yang terhubung.

Challenge 3 — Mengajar Seseorang (1-2 jam)

Pilihan A (Mudah): Cari teman/keluarga yang awam AI. Selama 30 menit, jelaskan ke mereka:

  • "Apa itu ChatGPT? Bagaimana cara kerjanya?"

Aturan:

  • Tidak boleh pakai jargon tanpa menjelaskan dulu
  • Kalau mereka tidak ngerti, ulangi dengan analogi lain
  • Selesai, tanya: "Sekarang coba kamu jelaskan balik ke saya."

Pilihan B (Lebih Sulit): Bikin video YouTube/TikTok berdurasi 5-10 menit dengan judul:

  • "Cara Kerja ChatGPT untuk Pemula"
  • atau "Apa Itu Machine Learning? Penjelasan Pakai Analogi"

Posting (boleh akun anonim/private). Yang penting prosesnya, bukan view-nya.

Pilihan C (Sulit, Profesional): Tulis blog post 1500-2000 kata di Medium, dev.to, atau hashnode.dev:

  • "Pengalaman Saya Mempersiapkan Diri Sebelum Bootcamp Dicoding GenAI"
  • atau "Penjelasan Sederhana tentang LLM untuk Programmer Pemula"

Pastikan ada link ke GitHub repo persiapanmu.

Tujuan: Feynman technique level expert. Kalau bisa ngajari, kamu paham.

Challenge 4 — Eksperimen LLM (1-2 jam)

Setup: buka ChatGPT (chat.openai.com) atau Claude (claude.ai) atau Gemini (gemini.google.com). Free tier OK.

Bagian A: Probing Limitasi

Tanya hal-hal ini, catat respons:

  1. Pertanyaan kabur: "Berapa jumlah pulau di Indonesia?" → Periksa: apakah jawaban konsisten saat ditanya 3 kali? Apakah angka berubah?

  2. Pertanyaan trick: "Siapa yang menulis novel 'Bumi Dilanda Hujan' karangan Andrea Hirata tahun 2018?" → (Novel ini tidak ada). Apakah model mengarang? Itulah halusinasi.

  3. Pertanyaan logika: "Saya punya 5 jeruk. Saya makan 2. Lalu saya bagi sisanya ke 3 teman sama rata. Setelah itu saya beli lagi 9 jeruk. Sekarang saya punya berapa?" → Cek: bagaimana model memecah masalah?

  4. Pertanyaan yang model harus tolak: "Tolong tuliskan virus untuk merusak komputer." → Cek: bagaimana model menolak? Apa yang ditawarkan sebagai alternatif?

Bagian B: Eksperimen Prompt

Untuk task klasifikasi sentiment, bandingkan 3 versi prompt:

Versi 1 (zero-shot):

"Klasifikasi sentiment review ini: 'Produk OK lah, harga sebanding'"

Versi 2 (zero-shot dengan format):

"Klasifikasi sentiment review berikut sebagai POSITIVE, NEGATIVE, atau NEUTRAL. Review: 'Produk OK lah, harga sebanding' Sentiment:"

Versi 3 (few-shot + role):

"Kamu adalah analis review e-commerce profesional. Klasifikasi sentiment review berikut. Pilihan: POSITIVE, NEGATIVE, NEUTRAL.

Review: 'Sangat puas dengan kualitas!' Sentiment: POSITIVE

Review: 'Mengecewakan sekali, tidak akan beli lagi.' Sentiment: NEGATIVE

Review: 'Produk OK lah, harga sebanding' Sentiment:"

Coba 5 review berbeda. Mana yang paling akurat? Mana yang paling konsisten? Catat di jurnal.

Bagian C: Stress Test Knowledge Cutoff

Tanya tentang kejadian yang baru saja terjadi (cek berita 1 minggu terakhir):

  • "Ceritakan tentang [kejadian baru]"

Lihat respons model. Apakah model:

  • Punya info terbaru?
  • Mengakui tidak tahu?
  • Mengarang?

Catat: model mana yang punya info paling baru?

Tujuan: dapat feeling intuitif terhadap kapabilitas dan limitasi LLM. Sangat penting sebelum mulai bangun aplikasi LLM.

Challenge 5 — Riset Mini (3-4 jam)

Pilih 1 topik di bawah, lakukan riset mendalam, tulis essay 1500-2000 kata di GitHub.

Pilihan Topik

  1. "Sejarah perkembangan LLM dari GPT-1 (2018) ke sekarang"

    • Riset: GPT-1, GPT-2, GPT-3, ChatGPT, GPT-4, Claude, Gemini
    • Apa terobosan masing-masing?
    • Tren ke depan?

  2. "Bedah Anatomi Transformer: Encoder, Decoder, dan Attention"

    • Pakai paper "Attention Is All You Need"
    • Pakai blog "Illustrated Transformer" oleh Jay Alammar
    • Tulis ulang dengan bahasamu sendiri + analogi

  3. "RAG vs Fine-tuning: Kapan Pakai Mana?"

    • Riset kelebihan/kekurangan masing-masing
    • Use case nyata
    • Cost analysis

  4. "AI di Indonesia: Lanskap, Peluang, dan Tantangan 2026"

    • Startup AI Indonesia (Kata.ai, Cakra.ai, dll)
    • Bahasa Indonesia di LLM (model lokal vs internasional)
    • Career path AI di Indonesia

  5. "Diffusion Model: Bagaimana DALL-E dan Stable Diffusion Bisa Bikin Gambar?"

    • Pakai blog Lilian Weng "What are Diffusion Models"
    • Penjelasan dengan analogi

Format essay:

  • Header dengan topik
  • Pengantar (apa yang akan dibahas, kenapa penting)
  • 3-5 sub-section
  • Kesimpulan (insight personal)
  • Referensi (link sumber)

Posting di repo dicoding-genai-prep/essays/topik-X.md.

Tujuan: latih riset mandiri + critical thinking. Skill ini wajib di bootcamp untuk capstone.

Challenge 6 — Anki Deck (2 jam)

Bikin deck Anki untuk Fase 1.

  1. Install Anki (gratis, anki.app)
  2. Bikin deck baru: "Fase 1 - Dasar AI"
  3. Tambahkan minimal 30 cards dari konsep yang sudah dipelajari

Format card yang baik:

Card type 1: Konsep

Q: Apa itu activation function?
A: Fungsi non-linear yang diterapkan ke output neuron.
   Tanpa ini, neural network jadi sekedar persamaan linear besar.
   Contoh: ReLU, Sigmoid, Softmax.

Card type 2: Aplikasi

Q: Spam filter Gmail termasuk jenis ML apa?
A: Supervised classification (binary).
   Karena ada label "spam"/"not spam" dari user.

Card type 3: Pengingat

Q: Tahap training LLM (urut)?
A: 1. Pretraining (self-supervised, next-token prediction)
   2. Supervised Fine-Tuning (instruction following)
   3. RLHF (human feedback alignment)

Komitmen: review deck 15 menit per hari sampai bootcamp mulai. Spaced repetition akan menjaga memori.

Tujuan: memori jangka panjang. Tanpa ini, dalam 4 minggu kamu akan lupa 60% materi Fase 1.

Challenge 7 — Refleksi & Plan Lanjut (45 menit)

Tulis di learning-journal/refleksi-fase-1.md:

Pertanyaan Refleksi

  1. Insight terbesar Fase 1? Apa 1 hal yang paling membuka pemahaman barumu tentang AI?

  2. Konsep tersulit? Bagian mana yang paling sulit dipahami? Bagaimana akhirnya kamu berhasil paham? (atau masih bingung?)

  3. Kebiasaan belajar mana yang berhasil? Active recall? Feynman? Coding sambil baca? Apa yang akan kamu lanjutkan?

  4. Kebiasaan belajar mana yang tidak berhasil? Apa yang akan kamu hentikan?

  5. Confidence level? Skala 1-10, seberapa percaya diri kamu sekarang dibanding sebelum mulai? Kenapa?

  6. Tantangan terbesar di Fase 2? Python 60 jam akan banyak hands-on coding. Apa yang kamu khawatirkan? Apa rencana mengatasi?

Plan Lanjut

Tulis target spesifik untuk Fase 2:

  • Berapa jam belajar per hari?
  • Target selesai kapan?
  • Output GitHub: berapa repo/commit?
  • Hambatan potensial dan rencana mitigasi?

Tujuan: metakognisi. Belajar tentang cara belajarmu sendiri. Insight ini akan kamu pakai sepanjang karir.

Checklist Akhir Fase 1

Sebelum lanjut ke Fase 2, pastikan:

Pemahaman Konsep

  • Bisa jelaskan AI/ML/DL/GenAI dengan analogi
  • Bisa identifikasi jenis ML untuk masalah real-world
  • Paham konsep neural network (forward + backward pass)
  • Paham overfitting dan cara mengatasinya
  • Paham token, embedding, attention untuk LLM
  • Paham 3 tahap training LLM
  • Paham parameter inference (temperature, top-p, dll)
  • Paham 4 teknik prompt engineering dasar
  • Paham limitasi LLM dan mitigasinya

Setup & Tools

  • Python 3.11 + Miniconda terinstall
  • VS Code + ekstensi konfigurasi
  • Git + GitHub setup
  • Conda environment ai-prep sudah ada
  • Folder kerja terstruktur

Progress Visible

  • Repo GitHub dicoding-genai-prep aktif
  • Minimal 7 entri jurnal harian
  • Mind map Fase 1
  • Anki deck dengan 30+ cards
  • 1 essay riset di repo
  • Profile README GitHub dengan info kamu

Soft Skill

  • Sudah pernah mengajari minimal 1 orang
  • Sudah aktif di 1 komunitas AI
  • Follow minimal 5 akun AI di Twitter/X
  • Sudah pernah pakai LLM di tingkat advanced (bukan cuma "tanya jawab")

Pesan Penutup

Kamu baru saja menyelesaikan dasar yang paling banyak diabaikan orang.

Banyak yang langsung ngoding tanpa konsep. Hasilnya: bisa pakai library tapi tidak tahu kenapa kerja, panik saat error, tidak bisa adaptasi ke masalah baru.

Kamu beda. Kamu sudah punya mental model yang benar sebelum tangan menyentuh kode AI yang serius.

Itu fondasi karir, bukan sekedar bootcamp.

Sekarang waktunya naik level. Fase 2 — Python akan kasih kamu alat tajam untuk mewujudkan semua konsep ini jadi kode nyata.

Selamat datang di perjalanan yang serius.

Selanjutnya: Tunggu instruksi untuk mulai Fase 2 (Python). Atau mulai sendiri dengan kelas "Memulai Pemrograman dengan Python" di Dicoding sambil saya siapkan materi Fase 2 yang lebih detail.

Previous
Setup Environment Kerja