Dewata Solutions

Category: Tech

  • Apa Itu Machine Learning? Penjelasan Simpel yang Bikin Kamu Gampang Paham

    Apa Itu Machine Learning? Penjelasan Simpel yang Bikin Kamu Gampang Paham

    Apa Itu Machine Learning?

    Kalau kamu pernah dengar istilah machine learning atau ML tapi masih bingung itu sebenarnya apa, kamu nggak sendiri. Banyak orang masih mengira machine learning itu cuma buat ilmuwan atau engineer super jenius. Padahal, konsep dasarnya cukup simpel dan sering kita temui dalam kehidupan sehari-hari.

    Definisi Singkat Machine Learning

    Machine learning adalah cabang dari kecerdasan buatan (artificial intelligence atau AI) yang memungkinkan komputer belajar dari data tanpa harus diprogram secara eksplisit. Artinya, alih-alih diberi instruksi detail, mesin diberi data dan algoritma, lalu dia “belajar” sendiri pola atau informasi dari situ.

    Contoh gampangnya?
    Pernah lihat rekomendasi film di Netflix yang terasa pas banget sama selera kamu? Atau iklan di Instagram yang tiba-tiba muncul setelah kamu ngobrol soal suatu produk? Itu hasil kerja dari machine learning.

    Cara Kerja Machine Learning

    Bayangkan kamu mau ngajarin anak kecil membedakan antara kucing dan anjing. Kamu kasih banyak foto kucing dan anjing, lalu jelaskan ciri-cirinya. Setelah cukup banyak data, si anak bisa menebak gambar baru dengan cukup akurat.

    Nah, machine learning kerja dengan cara serupa:

    1. Input data: Data mentah seperti gambar, teks, atau angka.

    2. Training model: Komputer memproses data pakai algoritma tertentu.

    3. Prediksi: Setelah belajar, komputer bisa memprediksi atau mengklasifikasikan data baru.

    Ada tiga jenis utama machine learning:

    • Supervised learning: Diberi data dan jawabannya (contoh: klasifikasi email spam atau bukan).

    • Unsupervised learning: Hanya diberi data tanpa label (contoh: pengelompokan pelanggan).

    • Reinforcement learning: Belajar dari trial-and-error dengan sistem reward (contoh: robot belajar jalan sendiri).

    Kenapa Machine Learning Penting?

    Machine learning bikin komputer bisa melakukan tugas kompleks yang dulunya cuma bisa dilakukan manusia. Ini membuka banyak kemungkinan baru, seperti:

    • Deteksi penyakit lewat gambar medis

    • Pendeteksian penipuan kartu kredit

    • Kendaraan otonom (self-driving cars)

    • Chatbot pintar seperti ChatGPT 😉

    Menurut laporan McKinsey Global Institute, adopsi AI dan machine learning bisa menambah nilai ekonomi global hingga $13 triliun pada tahun 2030.

    Machine Learning di Kehidupan Nyata

    Beberapa aplikasi machine learning yang mungkin sering kamu temui:

    • Spotify merekomendasikan lagu yang cocok sama mood kamu

    • Kamera HP yang bisa mengenali wajah atau memperbaiki pencahayaan otomatis

    • Google Maps yang bisa prediksi kemacetan di jalan

    • Filter spam di email

    Jadi sebenarnya, tanpa kamu sadari, kamu sudah hidup berdampingan dengan machine learning tiap hari.

    Siapa yang Perlu Belajar Machine Learning?

    Nggak cuma developer atau data scientist aja. Kalau kamu:

    • Tertarik dunia teknologi atau startup

    • Mau kerja di bidang AI atau data

    • Ingin ngerti tren masa depan digital

    …belajar dasar-dasar machine learning bisa jadi investasi masa depan kamu.

    Ada banyak sumber gratis dan mudah diakses untuk mulai belajar, seperti Coursera, YouTube, atau bahkan artikel seperti ini.

  • Proyek Machine Learning Seru untuk Mahasiswa IT yang Mau Jadi Expert

    Proyek Machine Learning Seru untuk Mahasiswa IT yang Mau Jadi Expert

    Kalau kamu mahasiswa IT yang tertarik mendalami dunia Artificial Intelligence (AI), khususnya machine learning, sekarang adalah waktu yang pas buat mulai ngulik lewat proyek nyata. Bukan cuma untuk tugas kuliah atau skripsi, tapi juga buat nambah portofolio biar makin dilirik recruiter!

    Berikut ini beberapa ide proyek machine learning yang seru, menantang, dan pastinya relevan untuk kamu yang ingin leveling up jadi ML expert. Semua proyek ini bisa dijalankan dengan Python dan library populer seperti Scikit-learn, TensorFlow, atau PyTorch.

    1. Deteksi Emosi dari Teks Chat atau Sosial Media

    Pernah kepikiran bikin sistem yang bisa baca emosi dari chat atau tweet? Ini dia salah satu proyek yang paling aplikatif. Kamu bisa melatih model Natural Language Processing (NLP) untuk mengklasifikasikan emosi seperti senang, marah, sedih, atau netral dari teks.

    Tools: Python, NLTK, Hugging Face Transformers
    Dataset: Emotion Dataset dari Kaggle

    ✅ Skill yang diasah: Text preprocessing, klasifikasi, NLP

    2. Prediksi Harga Saham atau Kripto

    Buat kamu yang suka dunia investasi, proyek ini bisa jadi win-win: belajar machine learning sambil ngulik market. Kamu bisa pakai time-series analysis untuk memprediksi harga Bitcoin, Ethereum, atau saham tertentu.

    Tools: Pandas, Prophet, LSTM dengan Keras
    Dataset: Yahoo Finance API, CoinGecko API

    ✅ Skill yang diasah: Analisis data waktu, deep learning, visualisasi
    Menurut Bloomberg, penggunaan AI untuk prediksi pasar akan terus meningkat dalam 5 tahun ke depan, terutama oleh investor ritel dan hedge fund.

    3. Sistem Rekomendasi Film atau Musik

    Pernah pakai Spotify atau Netflix? Di balik itu ada sistem rekomendasi yang bisa kamu tiru! Kamu bisa mulai dari model sederhana berbasis content atau collaborative filtering.

    Tools: Scikit-learn, Surprise, TensorFlow Recommenders
    Dataset: MovieLens, Last.fm

    ✅ Skill yang diasah: Matrix factorization, similarity metric, recommender system

    4. Pendeteksi Penyakit dari Citra Medis

    Kalau kamu tertarik di bidang health tech, proyek ini sangat powerful. Contohnya, kamu bisa melatih model untuk mendeteksi pneumonia dari X-ray paru-paru.

    Tools: TensorFlow, Keras, OpenCV
    Dataset: Chest X-Ray dari NIH

    ✅ Skill yang diasah: Computer vision, image classification, CNN

    5. Chatbot Cerdas untuk Layanan Mahasiswa

    Bikin chatbot berbasis AI yang bisa jawab pertanyaan umum mahasiswa—mulai dari jadwal kuliah sampai informasi beasiswa. Cocok banget untuk kampus atau startup edutech.

    Tools: Rasa, Dialogflow, Flask
    Dataset: Buat sendiri atau ambil dari FAQ kampus

    ✅ Skill yang diasah: NLP, intent classification, deployment

    Tips Memulai Proyek Machine Learning

    • Mulai dari yang kecil dulu. Jangan buru-buru bikin deep learning kalau basic-nya belum kuat.

    • Cari dataset yang menarik buat kamu. Biar semangat terus ngulik!

    • Upload hasil proyek ke GitHub atau Kaggle. Ini penting banget buat portofolio.

    • Buat dokumentasi yang jelas. Anggap saja seperti bikin blog atau laporan mini.

    Penutup: Jalan Menuju ML Expert Dimulai dari Proyek Nyata

    Teori itu penting, tapi praktik akan bikin kamu jauh lebih paham. Dengan mengerjakan proyek-proyek machine learning yang seru dan menantang, kamu nggak cuma belajar coding, tapi juga belajar berpikir sebagai seorang data scientist.

    Jadi, tunggu apa lagi? Pilih salah satu ide di atas dan mulai sekarang. Siapa tahu, proyek kecilmu hari ini jadi startup AI besar di masa depan 😉

  • Model AI Reasoning Terbaru OpenAI Justru Makin Sering Halusinasi

    Model AI Reasoning Terbaru OpenAI Justru Makin Sering Halusinasi

    OpenAI Punya Model AI Baru, Tapi Masih Sering “Ngaco”

    OpenAI baru saja meluncurkan model AI terbarunya: o3 dan o4-mini, yang diklaim sebagai model “reasoning” tercanggih sejauh ini. Tapi ada satu masalah besar: model ini justru lebih sering halusinasi dibanding generasi sebelumnya.

    Makin Canggih, Tapi Makin Banyak Ngaco?

    Halusinasi di AI adalah saat model “mengarang” informasi yang salah seolah-olah benar. Ini merupakan salah satu tantangan paling sulit dalam pengembangan AI, dan sejauh ini, setiap model baru biasanya membawa peningkatan akurasi.

    Namun hasil uji internal OpenAI menunjukkan hal sebaliknya. Model o3 dan o4-mini ternyata lebih sering halusinasi dibanding model reasoning lama seperti o1, o1-mini, dan o3-mini. Bahkan, mereka juga kalah dari model non-reasoning seperti GPT-4o dalam hal akurasi.

    OpenAI: Kami Belum Tahu Kenapa

    Dalam laporan teknisnya, OpenAI menyebut masih diperlukan riset lebih lanjut untuk memahami alasan mengapa model reasoning terbaru ini makin sering membuat klaim yang tidak akurat. Di satu sisi, o3 dan o4-mini memang unggul dalam tugas seperti pemrograman dan matematika. Tapi karena model ini membuat lebih banyak pernyataan secara keseluruhan, jumlah klaim yang salah juga ikut meningkat.

    Sebagai contoh, dalam uji PersonQA milik OpenAI, yaitu benchmark internal untuk mengevaluasi pengetahuan model tentang individu, o3 halusinasi pada 33% pertanyaan. Ini hampir dua kali lipat dari o1 (16%) dan o3-mini (14,8%). O4-mini mencatat hasil lebih buruk, dengan tingkat halusinasi mencapai 48%.

    Contoh Halusinasi: “Saya Jalankan Kode di MacBook”

    Penelitian dari Transluce, sebuah laboratorium riset AI nonprofit, juga menemukan bahwa o3 suka mengarang proses yang katanya dilakukan untuk menjawab pertanyaan. Dalam satu contoh, o3 mengklaim telah menjalankan kode di MacBook Pro 2021 di luar ChatGPT, lalu menyalin hasilnya ke jawabannya. Padahal kenyataannya, hal itu tidak mungkin dilakukan oleh model ini.

    Neil Chowdhury, peneliti Transluce yang juga mantan pegawai OpenAI, mengatakan bahwa jenis reinforcement learning yang digunakan untuk seri o mungkin justru memperparah masalah yang biasanya dikurangi oleh proses post-training standar.

    Sarah Schwettmann, co-founder Transluce, menambahkan bahwa tingkat halusinasi yang tinggi pada o3 bisa membuatnya kurang bermanfaat dalam aplikasi dunia nyata.

    Cocok untuk Ngoding, Tapi Masih Banyak Bug

    Meski begitu, beberapa pihak tetap menjajal model ini. Kian Katanforoosh, dosen di Stanford dan CEO startup edukasi Workera, mengatakan bahwa timnya sedang menguji o3 dalam alur kerja pemrograman mereka. Hasilnya cukup positif, namun o3 sering menghasilkan tautan situs web palsu. Link yang diberikan tidak dapat diakses atau tidak relevan.

    Solusi: Tambahkan Fitur Pencarian Web?

    Salah satu pendekatan yang menjanjikan untuk mengurangi halusinasi adalah memberi akses pencarian web ke model. Contohnya, GPT-4o versi browsing mampu mencapai akurasi hingga 90% pada benchmark SimpleQA milik OpenAI. Fitur pencarian seperti ini berpotensi meningkatkan keakuratan model reasoning, setidaknya jika pengguna bersedia agar prompt mereka diproses melalui layanan pihak ketiga.

    Namun jika setiap peningkatan kemampuan reasoning justru memperburuk tingkat halusinasi, tantangan ini bisa menjadi masalah besar untuk pengembangan AI ke depan.

    “Mengatasi halusinasi di semua model kami masih menjadi fokus utama dalam riset, dan kami terus bekerja untuk meningkatkan akurasi serta keandalannya,” ujar juru bicara OpenAI, Niko Felix, kepada TechCrunch.

    Kesimpulan: Makin Pintar, Tapi Belum Bisa Diandalkan 100%

    Dalam satu tahun terakhir, industri AI mulai beralih ke pengembangan reasoning model karena teknik pada model tradisional mulai mengalami penurunan efektivitas. Reasoning dianggap bisa meningkatkan performa tanpa perlu pelatihan data dan komputasi yang sangat besar. Tapi kalau efek sampingnya adalah makin banyak informasi palsu, ini jadi trade-off yang harus dicari solusinya segera.

    Source: Tech Crunch

  • Apa Itu HTML dan Bagaimana Cara Kerjanya?

    Apa Itu HTML dan Bagaimana Cara Kerjanya?

    HTML (HyperText Markup Language) adalah bahasa standar untuk membuat halaman web. Dengan HTML, kamu bisa menentukan struktur konten di website, seperti judul, paragraf, gambar, tautan, tabel, dan elemen lainnya.

    HTML bukanlah bahasa pemrograman seperti Python atau JavaScript, melainkan bahasa markup. Artinya, HTML digunakan untuk menandai bagian-bagian dari sebuah dokumen agar browser tahu cara menampilkannya.

    Struktur Dasar Dokumen HTML

    Setiap halaman HTML biasanya terdiri dari struktur berikut:

    <!DOCTYPE html>
<html>
  <head>
    <title>Judul Halaman</title>
  </head>
  <body>
    <h1>Selamat Datang!</h1>
    <p>Ini adalah paragraf pertama Anda.</p>
  </body>
</html>

    Penjelasan singkat:

    • <!DOCTYPE html>: Mendefinisikan jenis dokumen (HTML5).
    • <html>: Tag utama yang membungkus seluruh isi dokumen.
    • <head>: Berisi informasi meta, judul halaman, link CSS, dan lainnya.
    • <title>: Judul yang muncul di tab browser.
    • <body>: Bagian utama yang berisi semua konten yang terlihat oleh pengguna.

    Elemen Penting HTML yang Wajib Diketahui

    Elemen HTMLFungsi
    <h1> – <h6>Judul dari level 1 (besar) sampai 6 (kecil).
    <p>Menambahkan paragraf.
    <a href="...">Membuat tautan (link).
    <img src="..." alt="...">Menampilkan gambar.
    <ul>, <ol>, <li>Daftar tidak berurutan (ul), berurutan (ol), dan item daftar (li).
    <div>, <span>Elemen pembungkus untuk styling dan layout.

    Cara Memulai Membuat HTML

    Langkah 1: Siapkan Text Editor

    Kamu bisa mulai menulis HTML menggunakan text editor seperti:

    • Visual Studio Code (disarankan)
    • Sublime Text
    • Notepad++

    Untuk pemula, Visual Studio Code sangat cocok karena ringan, gratis, dan memiliki banyak ekstensi.

    Langkah 2: Buat File HTML

    1. Buka text editor.
    2. Buat file baru dan simpan dengan nama index.html.
    3. Tulis kode HTML dasar (lihat contoh di atas).
    4. Simpan, lalu buka file tersebut dengan browser seperti Chrome.

    Tips Menulis HTML yang Baik

    1. Gunakan struktur yang rapi dan indentasi agar kode mudah dibaca.
    2. Tambahkan komentar (<!-- Ini komentar -->) untuk penjelasan di dalam kode.
    3. Gunakan atribut alt pada gambar agar ramah SEO dan aksesibel.
    4. Jangan lupa uji hasil kode di berbagai browser.

    Kesimpulan

    HTML adalah pondasi dari semua halaman web di internet. Dengan memahami HTML, kamu membuka pintu untuk mempelajari CSS, JavaScript, dan pengembangan web secara keseluruhan. Tidak butuh alat mahal atau skill tingkat tinggi untuk memulainya — cukup dengan komputer, text editor, dan semangat belajar!

  • OpenAI Gagal Akuisisi Cursor, Beralih ke Windsurf Senilai $3 Miliar

    OpenAI Gagal Akuisisi Cursor, Beralih ke Windsurf Senilai $3 Miliar

    Ketika kabar bahwa OpenAI sedang dalam pembicaraan untuk mengakuisisi perusahaan AI coding Windsurf senilai 3 miliar dolar AS tersebar, banyak orang yang mengikuti industri ini langsung bertanya-tanya: “Mengapa tidak membeli Anysphere, pembuat Cursor, saja?”

    Padahal, OpenAI Startup Fund sudah menjadi investor di Anysphere, perusahaan di balik Cursor, sejak putaran pendanaan awal mereka pada akhir tahun 2023. Anysphere sendiri sering dikenal dengan nama produknya, yaitu Cursor. Menurut laporan CNBC, OpenAI sebenarnya sudah sempat mendekati Anysphere pada tahun 2024 dan kembali mencoba di awal tahun ini untuk membahas kemungkinan akuisisi. Namun, pembicaraan tersebut tidak mencapai kesepakatan. Sebaliknya, Anysphere kini sedang menjajaki pendanaan baru dengan valuasi sekitar 10 miliar dolar AS, seperti yang dilaporkan oleh Bloomberg bulan lalu.

    Langkah OpenAI yang kemudian memilih melanjutkan pembicaraan akuisisi dengan perusahaan pembuat asisten coding lainnya menunjukkan betapa pentingnya bagi perusahaan pembuat ChatGPT ini untuk menguasai pangsa pasar pembuatan kode. Windsurf saat ini menghasilkan pendapatan berulang tahunan (ARR) sekitar 40 juta dolar AS, menurut laporan TechCrunch pada Februari. Sementara itu, Cursor dari Anysphere dilaporkan memiliki ARR sekitar 200 juta dolar AS.

    Meskipun OpenAI baru saja meluncurkan agen Codex CLI, yang juga mampu menulis dan mengedit kode, upaya akuisisi terhadap Windsurf menunjukkan bahwa perusahaan ini tidak ingin menunggu sampai produk mereka sendiri berhasil mendapatkan cukup banyak pengguna.

    Source: Tech Crunch

  • CEO Nvidia Kunjungi China Pasca Larangan Ekspor Chip oleh AS

    CEO Nvidia Kunjungi China Pasca Larangan Ekspor Chip oleh AS

    CEO Nvidia, Jensen Huang, baru-baru ini melakukan kunjungan ke Beijing, China, setelah pemerintah Amerika Serikat di bawah kepemimpinan Presiden Donald Trump melarang perusahaan teknologi tersebut mengekspor chip ke China.

    Larangan ini menyebabkan potensi kerugian besar bagi Nvidia, khususnya pada produk chip AI H20 mereka. Diperkirakan, Nvidia bisa mengalami kerugian hingga USD 5,5 miliar akibat kebijakan tersebut.

    Pasar China, khususnya dalam bidang teknologi, merupakan segmen krusial bagi Nvidia. Banyak perusahaan teknologi di China saat ini tengah berupaya mengembangkan chip AI mereka sendiri.

    Sebagai informasi tambahan, sejak tahun 2022, pemerintah AS telah membatasi ekspor chip paling canggih milik Nvidia dan perusahaan serupa ke China. Hal ini dilakukan karena kekhawatiran bahwa teknologi tersebut dapat membuat China unggul dalam sektor militer dibandingkan AS.

    Source: Akademi Crypto