Ahlan wa sahlan !

Ahlan wa sahlan...
TIKmawar adalah blog TIK untuk guru dan siswa yang ingin memahami teknologi secara logis, praktis, dan menyenangkan. Bareng Bu Mawar, kita akan belajar TIK tidak hanya klik-klik, tetapi juga memahami maksudnya .

Return di Bahasa C

 Perlu ga sih pakai return 0? bakal error ga ya kalau ga dikasih?

Ok! sebelum membahas itu, Bu Mawar akan menjelaskan mengenai fungsi di bahasa C.

Apa itu fungsi?

Fungsi adalah blok kode yang menjalankan suatu tugas.

Contoh :

int tambah(int a, int b) {

    return a + b;

}

Artinya:
Fungsi bernama tambah bertugas menjumlahkan dua angka.

Apa arti tanda kurung ()?

Jika ada nama diikuti (), itu berarti fungsi.

Contoh :

tambah(3, 4)

Artinya kita memanggil fungsi tambah dengan angka 3 dan 4.

Apa arti int di depan nama fungsi?

Contoh :

int tambah(int a, int b)

int artinya:
Fungsi ini akan mengembalikan nilai berupa angka bulat.

Jadi kalau pakai int, maka harus mengembalikan angka.

Apa itu return?

return berarti mengirim hasil keluar dari fungsi.

contoh : 

return a + b;

Artinya:
Kirim hasil penjumlahan keluar dari fungsi.

Tanpa return, hasilnya tidak keluar.

Contoh lengkapnya :

#include <stdio.h>

int tambah(int a, int b) {

    return a + b;

}

int main() {

    int x = tambah(3, 4);

    printf("%d", x);

    return 0;

}

Urutan yang terjadi:

  1. Program mulai dari main()

  2. Baris tambah(3, 4) dijalankan

  3. Angka 3 masuk ke a

  4. Angka 4 masuk ke b

  5. Fungsi menghitung 3 + 4

  6. return mengirim angka 7

  7. Angka 7 disimpan ke variabel x

  8. printf menampilkan 7

Apa yang terjadi kalau tidak ada return?
Contoh :
int tambah(int a, int b) {
    int hasil = a + b;
}

Maka:
Fungsi bertipe int, tetapi tidak mengembalikan nilai. Ini salah secara konsep.

Bisa muncul

  • Warning

  • Atau error (tergantung pengaturan compiler)

Karena:
Kalau tipe fungsi int, maka wajib mengembalikan angka.

Kenapa main() kadang tidak error walaupun tidak ada return 0;?

int main() {

    printf("Hello");

}

Tidak error karena:

main() adalah fungsi khusus.
Compiler modern otomatis menganggapnya sebagai return 0;.

Tetapi ini pengecualian khusus untuk main() saja.

Kesimpulan Aturan Penting

  1. Jika fungsi bertipe int → wajib ada return angka;

  2. Jika fungsi bertipe void → tidak perlu return angka

  3. main() adalah pengecualian, tapi tetap lebih baik menulis return 0;

Apa arti return 1; ?

Artinya:

Program selesai tetapi ada masalah atau kegagalan.

Dalam sistem operasi:

  • 0 = sukses

  • selain 0 = terjadi kesalahan

Jadi:

  • return 0; → berhasil

  • return 1; → gagal

Contoh program :

#include <stdio.h>


int main() {

    int a = 10;

    int b = 0;

    if (b == 0) {

        printf("Error: tidak bisa dibagi nol\n");

        return 1;

    }

    printf("%d", a / b);

    return 0;

}

Penjelasan:

  • Jika pembagi nol → tampilkan pesan error

  • Lalu return 1; untuk memberi tahu sistem bahwa program gagal

  • Jika tidak ada masalah → return 0;

Contoh error:
int tambah() {
}

Tidak ada return → bisa error atau warning.

Sedangkan return 1;:

  • Program tetap berjalan

  • Tapi memberi status gagal saat selesai

Jika fungsi bertipe int → harus mengembalikan angka.

return 0; dan return 1; adalah contoh angka yang dikembalikan.

Artinya:

  • int main() wajib mengembalikan nilai integer

  • Nilai itu memberi status ke sistem

Kesimpulan 

  1. return = mengirim nilai keluar dari fungsi

  2. Jika fungsi bertipe int, harus ada return

  3. Di main():

    • return 0; = sukses

    • return 1; = gagal

  4. return 1; bukan error, tapi tanda program gagal


Perbedaan Save dan Export di Inkscape: Kenapa Keduanya Penting?



Save digunakan untuk menyimpan file desain agar bisa diedit lagi nanti.
Biasanya disimpan dalam format: SVG (format asli Inkscape)

Artinya:
  • File masih bisa dibuka lagi di Inkscape
  • Masih bisa diubah bentuk, warna, ukuran, dll.
Save = menyimpan file kerja/desain.

Export digunakan untuk mengubah desain menjadi gambar biasa.
Contohnya menjadi: PNG

Artinya:
  • Bisa dikirim lewat WhatsApp
  • Bisa di-upload ke media sosial
  • Bisa dipakai di PowerPoint atau Word
  • Bisa dicetak 
Export = mengubah desain menjadi gambar jadi.

Save itu seperti menyimpan file mentah (masih bisa diedit). Sedangkan Export itu seperti menyimpan hasil jadi (siap dibagikan).

Contoh kamu membuat poster di Inkscape:
  • Kalau ingin lanjut edit besok → klik Save
  • Kalau ingin kirim ke teman → klik Export

Kesimpulan, kita perlu Export karena:
  • File hasil Save tidak selalu bisa dibuka di HP atau aplikasi lain.
  • Export membuat desain menjadi gambar yang bisa dipakai di mana saja.

Control Flow pada Phyton

Control flow membuat program:

  • Tidak kaku

  • Bisa mengambil keputusan

  • Bisa mengulang proses

Tanpa control flow, program hanya berjalan lurus dan terbatas.

Pengertian Control Flow

Control flow pada Python adalah cara mengatur alur jalannya program, yaitu menentukan urutan perintah mana yang dijalankan, kapan dijalankan, dan berapa kali dijalankan.

Dengan control flow, program tidak hanya berjalan lurus, tetapi bisa:

  • Memilih (percabangan)
  • Mengulang (perulangan)

Jenis-Jenis Control Flow dalam Python :

  • Aksi Sekuensial
Aksi sekuensial adalah perintah yang dijalankan berurutan dari atas ke bawah.

Contoh :

print("Mulai")

print("Belajar Python")

print("Selesai")

  • Percabangan (Selection)
Percabangan digunakan untuk mengambil keputusan berdasarkan kondisi.

Contoh :

nilai = 80

if nilai >= 75:

    print("Lulus")

Percabangan Bertingkat (If Elif Else) :Digunakan jika kondisi lebih dari dua.

Contoh :

nilai = 85

if nilai >= 90:

    print("A")

elif nilai >= 75:

    print("B")

else:

    print("C")

  • Perulangan (Iteration)
Perulangan digunakan untuk mengulang perintah.

Perulangan for :Digunakan jika jumlah pengulangan sudah diketahui.

Contoh :

for i in range(5):

    print("Belajar Python")

Perulangan while : Digunakan jika pengulangan tergantung kondisi.

i = 1

while i <= 5:

    print(i)

    i += 1

Control Flow Tambahan

break : Menghentikan perulangan.

Contoh :

for i in range(10):

    if i == 5:

        break

    print(i)

continue : Melewati satu perulangan.

Contoh :

for i in range(5):

    if i == 2:

        continue

    print(i)


Aksi Sekuensial Pada Phyton

 Aksi sekuensial adalah dasar dari semua program Python.

Sebelum memahami percabangan dan perulangan, adalah wajib memahami aksi sekuensial dengan baik.

Pengertian Aksi Sekuensial

Aksi sekuensial pada Python adalah rangkaian perintah yang dijalankan secara berurutan dari atas ke bawah, tanpa percabangan (if) dan tanpa perulangan (loop).

Artinya, Python akan mengeksekusi baris pertama, lalu baris kedua, dan seterusnya sesuai urutan penulisan.

Ciri-Ciri Aksi Sekuensial

  • Dieksekusi berurutan dari atas ke bawah
  • Tidak menggunakan if, else, for, while
  • Setiap baris dijalankan satu kali
  • Urutan baris sangat mempengaruhi hasil

Contoh benar :

panjang = 10

lebar = 5

luas = panjang * lebar

print(luas)

Penjelasan:

  • Baris 1: memberi nilai ke panjang

  • Baris 2: memberi nilai ke lebar

  • Baris 3: menghitung luas

  • Baris 4: menampilkan hasil

Semua dijalankan berurutan.

Contoh salah :

luas = panjang * lebar

panjang = 10

lebar = 5

print(luas)

Kesalahan: Variabel panjang dan lebar belum ada saat digunakan



Ekspresi Dalam Phyton

Ekspresi adalah bagian penting dalam Python karena semua proses perhitungan dan keputusan berasal dari ekspresi.
Tanpa ekspresi, program tidak bisa berpikir secara logis.

Pengertian Ekspresi

Ekspresi dalam Python adalah gabungan nilai, variabel, operator, dan/atau fungsi yang ketika dijalankan akan menghasilkan sebuah nilai.

Contoh:

5 + 3

Hasil: 8

Artinya: Python menghitung ekspresi tersebut dan mengeluarkan nilai.

Komponen Ekspresi

Nilai (Value)

Nilai adalah data langsung yang digunakan dalam program.

Contoh:

10

"Python"

True

Variabel

Variabel adalah tempat menyimpan nilai.

Contoh:

x = 7

x + 3

Operator

Operator adalah simbol untuk melakukan operasi.

Contoh:

/ % **

Jenis-Jenis Ekspresi dalam Python

Ekspresi Aritmatika

Digunakan untuk perhitungan matematika.

Contoh:

10 + 5

20 - 3

4 * 2

10 / 2

7 % 3

2 ** 3

Ekspresi Perbandingan

Digunakan untuk membandingkan dua nilai dan menghasilkan True atau False.

Contoh:

5 > 3

10 == 10

7 != 8

6 <= 9

Ekspresi Logika

Digunakan untuk menggabungkan beberapa kondisi.

Contoh:

nilai >= 75 and nilai <= 100

umur < 17 or punya_sim

not lulus

Ekspresi Penugasan

Digunakan untuk memberikan nilai ke variabel.

Contoh:

x = 10

total = a + b

Tanda = adalah penugasan, bukan perbandingan.

Ekspresi String

Digunakan untuk mengolah teks.

Contoh:

"Hello" + " World"

"Python" * 3

Hasil:

Hello World

PythonPythonPython

Ekspresi dengan Fungsi

Memanggil fungsi juga termasuk ekspresi.

Contoh:

len("Python")

int("10")

max(3, 7, 5)


Persamaan dan Perbedaan Pen Tool dan Pencil Tool Pada Inkscape

1. Pen Tool (Bezier Tool)

Pen Tool digunakan untuk membuat garis dan kurva secara terkontrol dengan node (titik).

Ciri Utama

  • Membuat garis lurus dan kurva presisi
  • Setiap klik menghasilkan node
  • Bisa membuat sudut tajam (corner) atau lengkung (smooth)
  • Hasilnya rapi dan profesional

Kegunaan

  • Membuat logo
  • Membuat ikon
  • Membuat ilustrasi vektor presisi
  • Menggambar bentuk kompleks

Kelebihan

  • Sangat presisi
  • Mudah diedit ulang lewat Edit Path by Nodes
  • Cocok untuk desain serius & cetak

Kekurangan

  • Perlu latihan
  • Kurang cepat untuk sketsa bebas

2. Pencil Tool

Pencil Tool digunakan untuk menggambar garis bebas seperti menulis tangan.

Ciri Utama

  • Garis mengikuti gerakan mouse
  • Node terbentuk otomatis
  • Bentuk lebih alami tapi kurang rapi
  • Cocok untuk sketsa cepat

Kegunaan

  • Sketsa awal desain
  • Coretan bebas
  • Gambar dekoratif sederhana

Kelebihan

  • Mudah digunakan
  • Cepat untuk ide awal
  • Cocok untuk pemula

Kekurangan

  • Kurang presisi
  • Banyak node → perlu dirapikan
  • Kurang cocok untuk logo profesional
Perbedaan Pen Tool dan Pencil Tool

AspekPen Tool    Pencil Tool
Cara menggambar    Klik per node    Drag bebas
Presisi    Tinggi    Rendah
Kontrol bentuk    Sangat baik    Terbatas
Jumlah node    Sedikit & terkontrol    Banyak & acak
Cocok untuk    Logo, ikon, ilustrasi    Sketsa, coretan
Tingkat kesulitan    Menengah    Mudah

Persamaan Pen Tool dan Pencil Tool

1. Sama-sama Membuat Path

Keduanya menghasilkan path (alur). Path bisa diedit menggunakan Edit Path by Nodes (F2)

➡️ Artinya: hasil gambar tetap vektor

2. Sama-sama Menghasilkan Objek Vektor

Tidak berbasis piksel. Tidak pecah saat diperbesar. Cocok untuk cetak dan desain digital

3. Sama-sama Bisa Diedit Ulang

Node bisa:

  • digeser
  • ditambah
  • dihapus

diubah jenisnya (corner, smooth, dll)

➡️ Tidak seperti bitmap yang bersifat permanen

4. Sama-sama Bisa Diberi Fill dan Stroke

  • Warna isi (fill)
  • Warna garis (stroke)
  • Ketebalan garis
  • Transparansi dan gradasi

➡️ Diatur lewat Fill and Stroke

5. Sama-sama Ada di Tool Box

Digunakan dari panel kiri. Pengaturannya muncul di Tool Controls Bar

➡️ Prinsip kerja tool Inkscape konsisten

6. Sama-sama Bisa Membentuk Objek Tertutup

Bisa dibuat:

  • garis terbuka
  • bentuk tertutup (closed path)
  • Bisa di-union, difference, intersection

Input, Output, dan Komentar pada Python

Dalam pemrograman Python, terdapat tiga konsep dasar yang sangat penting, yaitu input, output, dan komentar. Ketiga konsep ini menjadi dasar agar program dapat berinteraksi dengan pengguna dan mudah dipahami.

1. Input pada Python
Input adalah data yang dimasukkan oleh pengguna ke dalam program saat program dijalankan.
Python menggunakan fungsi input() untuk menerima data dari pengguna.
Contoh: 
nama = input("Masukkan nama: ")
Semua data yang diterima oleh input() bertipe string (teks).

Jika ingin menerima angka, data harus diubah terlebih dahulu.
umur = int(input("Masukkan umur: "))

2. Output pada Python
Output adalah hasil yang ditampilkan oleh program kepada pengguna.
Python menggunakan fungsi print() untuk menampilkan output ke layar.
Contoh:
print("Halo, selamat belajar Python")

Menampilkan isi variabel :
print(nama)

Menggabungkan teks dan variabel:
print("Nama saya:", nama)

3. Komentar (Comment) pada Python
Komentar adalah catatan dalam kode yang tidak dijalankan oleh Python.
Komentar digunakan untuk menjelaskan fungsi kode agar mudah dipahami.
Komentar satu baris:
# Ini adalah komentar
Komentar lebih dari satu baris :
"""
Program ini digunakan untuk
latihan input, output,
dan komentar pada Python
"""

Belajar Python bukan tentang menghafal kode, tetapi memahami bagaimana data masuk, diproses, dan ditampilkan.
“Komputer tidak bisa menebak.
Jika kita tidak memberi input, program hanya diam.
Di sinilah Python belajar mendengarkan pengguna.”

Machine learning worfklow

 

Tahapan Umum Machine Learning Workflow

Machine Learning workflow umumnya memiliki lima tahapan yang saling berkesinambungan, yaitu:

1. Pengumpulan Data (Data Collection)
Mengumpulkan data yang akan digunakan untuk melatih mesin. Data bisa berasal dari file, database, sensor, atau internet.

2. Persiapan Data (Data Preparation)
Membersihkan dan merapikan data, seperti menghapus data kosong, memperbaiki kesalahan, dan menyamakan format agar data siap digunakan.

3. Pelatihan Model (Model Training)
Data yang sudah siap digunakan untuk melatih model machine learning agar dapat mengenali pola.

4. Evaluasi Model (Model Evaluation)
Mengukur kinerja model untuk mengetahui apakah hasil prediksi sudah cukup baik atau masih perlu diperbaiki.

5. Penerapan dan Perbaikan (Deployment & Improvement)
Model yang sudah baik digunakan pada sistem nyata dan terus diperbaiki dengan data baru.

Kesimpulan:
Proses machine learning bukan sekali jadi, tetapi berulang dan terus disempurnakan.

Gambaran Umum Workflow Machine Learning (Ideal)
Secara konseptual, alur Machine Learning itu TIDAK lurus satu arah, tetapi iteratif (berulang).
Urutan dasarnya:
  • Data Collection
  • Data Preparation / Preprocessing
  • Model Training
  • Model Evaluation
  • Deployment
  • Monitoring & Improvement

Nah, di sinilah peran panah warna.
Makna Panah Oranye 🔶
🔶 Panah Oranye = Feedback Loop (Perbaikan Model)

Biasanya panah oranye menunjukkan:

Dari Evaluation → Training
Atau Evaluation → Data Preparation

Artinya:
Jika hasil evaluasi model belum bagus, maka model dilatih ulang atau datanya diperbaiki.

Contoh sederhana :
Akurasi cuma 60% ❌
Berarti:
  • Data kurang bersih
  • Data kurang banyak
Parameter model salah
➡️ Kembali ke proses sebelumnya

Status:
✅ Panah oranye
Tanpa ini, Machine Learning bukan ML, tapi sekadar program sekali jalan.

Makna Panah Hijau 🟢
🟢 Panah Hijau = Penggunaan Model / Inference / Produksi

Biasanya panah hijau menunjukkan:
  • Dari Deployment → User / Real World
  • Atau Model → Prediction / Output

Artinya:
Model yang sudah jadi digunakan untuk memprediksi data baru.

Contoh:
  • Model prediksi nilai siswa
  • Model rekomendasi video
  • Model klasifikasi spam

Alur paling tepat :

Data

 ↓

Preprocessing

 ↓

Training

 ↓

Evaluation

 ↙        ↘

Perbaiki     Deploy

 ↓             ↓

Training    Digunakan


Traditional Programming vs Machine Learning

 1️⃣ Traditional Programming (Pemrograman Tradisional)

Pemrograman tradisional adalah cara membuat program dengan aturan (logika) yang ditulis langsung oleh manusia.
Komputer hanya menjalankan perintah sesuai kode yang diberikan.

Alur kerja:
Data + Aturan (Program) → Hasil

Contoh:

  • Program menghitung nilai rata-rata

  • Program menentukan lulus/tidak (if nilai ≥ 75)

Kelebihan:

  • Mudah dipahami

  • Hasil konsisten dan terkontrol

Kekurangan:

  • Tidak fleksibel

  • Sulit menangani data besar dan pola kompleks

2️⃣ Machine Learning

Machine Learning (ML) adalah bagian dari AI di mana komputer belajar dari data, bukan dari aturan yang ditulis satu per satu oleh manusia.

Alur kerja:
Data + Hasil → Model (aturan dipelajari mesin)

Contoh:

  • Sistem rekomendasi video

  • Pengenalan wajah atau suara

  • Prediksi nilai atau tren

Kelebihan:

  • Mampu menangani data besar

  • Bisa menemukan pola tersembunyi

Kekurangan:

  • Butuh banyak data

  • Hasil tidak selalu bisa dijelaskan secara sederhana

Perbandingan Singkat

AspekTraditional ProgrammingMachine Learning
AturanDibuat manusiaDipelajari mesin
Peran dataPendukungSangat utama
FleksibilitasRendahTinggi
Cocok untukMasalah pastiPola kompleks
ContohKalkulatorRekomendasi video

Kesimpulan

  • Traditional Programming cocok untuk aturan jelas dan pasti.

  • Machine Learning cocok untuk masalah kompleks dan berbasis pola.

  • Keduanya saling melengkapi, bukan saling menggantikan.

Jenis Data dan Keterkaitannya dengan Struktur Data

1. Data Kuantitatif

Data kuantitatif adalah data yang berbentuk angka dan dapat dihitung atau diukur.

Contoh:
nilai ujian, jumlah siswa, tinggi badan, berat badan.

Struktur data:
✅ Umumnya data terstruktur, karena mudah disusun dalam tabel atau basis data.

2. Data Kualitatif

Data kualitatif adalah data yang berbentuk kata, label, atau kategori, bukan angka.

Contoh:
jenis kelamin, hobi, komentar siswa.

Struktur data:
Bisa terstruktur (kategori pilihan) atau tidak terstruktur (teks bebas).

3. Data Kontinu

Data kontinu adalah data kuantitatif yang nilainya bisa berupa pecahan/desimal dan berada pada rentang tertentu.

Contoh:
tinggi badan 160,5 cm, berat badan 45,75 kg, suhu 36,5°C.

Jenis data:
➡️ Termasuk data kuantitatif.

Struktur data:
Terstruktur, karena dapat disimpan dalam tabel dengan satuan yang jelas.

Kelebihan:

  • Sangat detail dan akurat
    Kekurangan:

  • Perlu alat ukur yang tepat

4. Data Nominal

Data nominal adalah data kualitatif berupa nama atau kategori tanpa urutan atau tingkatan.

Contoh:
jenis kelamin, warna favorit, agama, golongan darah.

Jenis data:
➡️ Termasuk data kualitatif.

Struktur data:
Terstruktur jika pilihannya sudah ditentukan (misalnya L/P).
Tidak terstruktur jika berupa jawaban bebas.

Ringkasan Hubungan Antar Jenis Data

Jenis Data    TermasukStruktur Data
Kuantitatif    Angka                                Terstruktur
Kualitatif    Kata/Kategori        Bisa terstruktur / tidak
Kontinu    Kuantitatif        Terstruktur
Nominal    Kualitatif        Umumnya terstruktur

Perbedaan Data, Data Set dan Database

 


Memahami perbedaan data, dataset, dan basis data penting agar kita tidak salah dalam mengumpulkan, mengolah, menyimpan, dan menggunakan informasi, terutama di era digital dan AI saat ini.

Data yang masih mentah tidak boleh langsung disimpulkan. Dataset perlu dianalisis, sedangkan basis data harus dikelola dengan sistem yang aman.
Jika kita tidak memahami perbedaannya, keputusan yang diambil bisa keliru.

Dataset dan basis data sering berisi data pribadi. Jika disimpan sembarangan tanpa sistem basis data, data bisa bocor atau disalahgunakan.

AI, aplikasi, dan website tidak bekerja dengan data acak, tetapi menggunakan dataset dan basis data yang terstruktur.

Dalam pembelajaran TIK, statistik, dan AI, prosesnya selalu berurutan:

data → dataset → basis data.

Perbedaan Data, Dataset, dan Basis Data

1. Data

Data adalah fakta mentah yang belum diolah dan belum punya makna utuh.

Contoh:

  • Angka: 80
  • Teks: Aisyah
  • Tanggal: 12-02-2026
  • Nilai ujian: 75, 90, 60

Kalau berdiri sendiri, data belum bisa disimpulkan apa-apa.

Analogi:

Data = butiran beras (masih terpisah-pisah)

2. Dataset

Dataset adalah kumpulan data yang disusun rapi dan saling berkaitan untuk tujuan tertentu.

Contoh dataset nilai siswa:

Nama Kelas Nilai

Aisyah 7A         80

Zahra 7A         90

Fatimah 7B         75

Dari dataset, kita sudah bisa menganalisis (rata-rata, peringkat, lulus/tidak).

Analogi:

Dataset = segenggam beras dalam mangkuk.

3. Basis Data (Database)

Basis data adalah tempat penyimpanan dataset secara terstruktur menggunakan sistem khusus agar data aman, cepat diakses, dan terkelola.

Contoh:

  • Database nilai siswa di sekolah
  • Database akun SNPMB
  • Database pengguna aplikasi

Di sini data tidak hanya disimpan, tapi juga:

  • Dilindungi
  • Bisa dicari cepat
  • Bisa diubah bersama-sama

Analogi :

Basis data = gudang beras lengkap dengan rak, kunci, dan petugas


Tahap Proses Pengembangan AI

 

Berikut tahapan proses pengembangan AI :

1️. Digitalise & Collect(Mengumpulkan dan Menyimpan Data)

Mengumpulkan data lalu mengubahnya menjadi bentuk digital agar bisa dibaca dan disimpan oleh komputer.

Data bisa berupa teks, gambar, suara, angka, atau sensor

Data harus berbentuk file digital (misalnya CSV, gambar JPG, teks)

Contoh sederhana:

  • Mengumpulkan nilai siswa dari Excel
  • Mengumpulkan foto wajah
  • Mengambil data dari sensor suhu

Kenapa penting?

Karena AI belajar dari data.

Kalau datanya salah atau tidak lengkap, hasil AI juga akan salah.

2️. Transform (Mengolah dan Membersihkan Data)

Membersihkan dan merapikan data agar siap dipakai oleh AI.

Yang dilakukan:

  • Menghapus data yang rusak / tidak penting
  • Mengubah format data (misalnya teks → angka)
  • Menyamakan ukuran dan bentuk data

Contoh sederhana:

  • Menghapus nilai kosong
  • Mengubah “Laki-laki / Perempuan” menjadi angka 1 dan 0
  • Menyamakan ukuran gambar

Positif:

✅ Membuat AI belajar lebih akurat

✅ Mengurangi kesalahan model

Negatif:

❌ Prosesnya lama dan berulang

❌ Butuh ketelitian tinggi

3️. Train (Melatih AI)

Mengajarkan AI menggunakan data yang sudah rapi.

Yang dilakukan:

  • Memilih algoritma (cara belajar AI)
  • Memberi data latihan
  • Mengukur hasil belajar AI

Penting untuk dipahami:

Tidak ada algoritma yang cocok untuk semua masalah. Algoritma harus sesuai dengan data dan tujuan.

Contoh sederhana:

  • Melatih AI untuk menebak nilai
  • Melatih AI mengenali wajah
  • Melatih AI membaca tulisan tangan

Positif:

✅ AI mulai “belajar” dan mengenali pola

✅ Hasil bisa diuji dan ditingkatkan

Negatif:

❌ Bisa memakan waktu lama

❌ Butuh komputer yang cukup kuat

4️. Execute

(Menjalankan AI)

Pada tahap ini, menjalankan AI yang sudah dilatih untuk membantu tugas manusia.

Yang dilakukan:

  • Menjalankan model AI
  • Mengecek akurasi hasil
  • Memperbaiki jika masih salah

Contoh sederhana:

  • AI memprediksi nilai siswa
  • AI mengenali wajah dari kamera
  • AI menjawab pertanyaan pengguna

5️. Provide Insights & Make Decisions (Mengambil Kesimpulan dan Keputusan)

Mengambil pelajaran dan keputusan dari hasil AI.

Yang dilakukan:

  • Membaca hasil analisis AI
  • Mengambil keputusan berdasarkan data
  • Memperbarui dan melatih ulang AI jika perlu

Contoh sederhana:

  • Menentukan siswa yang perlu bimbingan
  • Menentukan strategi belajar
  • Memperbarui data nilai setiap semester

Taksonomi AI



 Artificial Intelligence (AI) — Lingkaran Terluar

AI adalah payung besar semua teknologi yang membuat komputer meniru kecerdasan manusia.

Cakupan kemampuan:

  • Berpikir logis
  • Mengambil keputusan
  • Memecahkan masalah
  • Meniru perilaku manusia

Contoh:

  • NPC di game
  • Sistem pakar (expert system)
  • Chatbot sederhana
  • AI catur

Machine Learning (ML) — Lingkaran di dalam AI

Machine Learning adalah bagian dari AI yang membuat mesin belajar dari data, bukan dari aturan manual.

Ciri utama:

  • Menggunakan data
  • Mencari pola
  • Hasil belajar → model
Jadi hirarkinya, adalah : 

Artificial Intelligence
 └── Machine Learning
     └── Deep Learning
         └── Generative AI
AI hanyalah alat (wasilah), bukan sumber kebenaran. Akal, niat, dan tanggung jawab tetap milik manusia.



PEP 20 pada Phyton

 

Mengapa Ada PEP 20 (Zen of Python)?

PEP 20 dibuat karena Python tidak hanya ingin menjadi bahasa pemrograman yang bisa dijalankan, tetapi juga mudah dibaca, mudah dipahami, dan nyaman digunakan bersama-sama.

Berikut alasan utama mengapa PEP 20 diperlukan:

  1. Agar Semua Programmer Python Punya Pola Pikir yang Sama
    Python digunakan oleh banyak orang dari berbagai latar belakang. PEP 20 berfungsi sebagai pegangan bersama agar cara berpikir dan menulis kode tetap sejalan.

  2. Mencegah Kode yang Rumit dan Sulit Dipahami
    Tanpa panduan, orang cenderung menulis kode sesuka hati. PEP 20 mengingatkan agar kode dibuat sederhana, jelas, dan tidak berlebihan.

  3. Menjaga Keterbacaan Kode
    Dalam praktiknya, kode lebih sering dibaca daripada ditulis. PEP 20 menekankan bahwa keterbacaan kode adalah hal yang sangat penting.

  4. Membantu Pengambilan Keputusan dalam Pengembangan Python
    Saat pengembang Python harus memilih fitur atau cara tertentu, PEP 20 dijadikan dasar pertimbangan: apakah sesuai dengan filosofi Python atau tidak.

  5. Mendidik Programmer, Bukan Sekadar Mengajari Sintaks
    PEP 20 tidak mengatur teknis kode, tetapi membentuk sikap dan adab dalam menulis program.

  6. Menjaga Python Tetap Konsisten dan Tahan Lama
    Dengan filosofi yang jelas, Python bisa berkembang tanpa kehilangan jati dirinya sebagai bahasa yang sederhana dan manusiawi

Berikut penjelasan Zen of Python :

  1. Beautiful is better than ugly
    Kode yang rapi dan enak dibaca lebih baik daripada kode yang berantakan.

  2. Explicit is better than implicit
    Lebih baik menulis kode yang jelas daripada kode yang membuat orang menebak maksudnya.

  3. Simple is better than complex
    Solusi sederhana lebih baik daripada solusi yang terlalu rumit.

  4. Complex is better than complicated
    Jika memang harus kompleks, buat tetap terstruktur dan tidak membingungkan.

  5. Flat is better than nested
    Struktur kode yang datar lebih baik daripada terlalu banyak percabangan bertingkat.

  6. Sparse is better than dense
    Kode yang rapi dan tidak terlalu padat lebih mudah dibaca.

  7. Readability counts
    Keterbacaan kode itu penting karena kode lebih sering dibaca manusia.

  8. Special cases aren't special enough to break the rules
    Kasus khusus tidak boleh melanggar aturan umum yang sudah ada.

  9. Although practicality beats purity
    Walaupun aturan penting, solusi yang praktis lebih diutamakan.

  10. Errors should never pass silently
    Kesalahan harus ditampilkan, jangan dibiarkan tanpa pesan.

  11. Unless explicitly silenced
    Kecuali jika kesalahan tersebut memang sengaja ditangani.

  12. In the face of ambiguity, refuse the temptation to guess
    Jika ada keraguan, jangan menebak-nebak. Buat kode yang jelas.

  13. There should be one—and preferably only one—obvious way to do it
    Idealnya hanya ada satu cara yang paling jelas untuk menyelesaikan masalah.

  14. Although that way may not be obvious at first unless you're Dutch
    Cara tersebut mungkin tidak langsung terlihat bagi pemula (ini candaan dari pembuat Python).

  15. Now is better than never
    Lebih baik dikerjakan sekarang daripada tidak sama sekali.

  16. Although never is often better than right now
    Namun jangan tergesa-gesa jika belum siap.

  17. If the implementation is hard to explain, it's a bad idea
    Jika solusi sulit dijelaskan, kemungkinan idenya kurang baik.

  18. If the implementation is easy to explain, it may be a good idea
    Jika mudah dijelaskan, biasanya solusi tersebut baik.

  19. Namespaces are one honking great idea — let's do more of those!
    Pengelompokan nama (namespace) sangat penting agar kode rapi dan tidak bentrok.

Perbedaan IDE, Editor dan Github

 Untuk pemula, adalah wajar jika bingung bedanya IDE, editor dan Github. Harus pakai yang mana? apakah fungsinya sama? 

Ok, Bu Mawar akan jelaskan.

IDE itu apa?

IDE (Integrated Development Environment) adalah aplikasi lengkap untuk membuat program dari awal sampai jadi.

Artinya: 

Mengetik kode + menjalankan + memperbaiki error + mengatur file semua ada dalam satu aplikasi.

Sebuah IDE biasan ya punya 4 komponen utama:

  • Code Editor :Tempat menulis kode
  • Compiler / Interpreter : Alat untuk menjalankan program
  • Debugger :Alat mencari kesalahan (error)
  • Project Manager :Mengatur file dan folder program

📌 Jadi IDE itu paket lengkap, bukan alat tunggal.

Contoh yang IDE yang populer :

IDE    Bahasa
Code::Blocks      C / C++
Dev-C++C / C++
PyCharmPython
Android StudioAndroid
Visual StudioC#, C++, dll
VS Codebukan IDE murni, tapi editor yang bisa jadi IDE jika ditambah extension.

Apa itu Editor?
Editor (code editor) adalah aplikasi untuk menulis dan mengedit kode program.
Fokus editor adalah:
  • Mengetik kode
  • Membaca kode
  • Merapikan kode
📌 Editor tidak wajib bisa menjalankan program.

Contoh editor:
  • Notepad++
  • Visual Studio Code
  • Sublime Text
  • Atom
Mengapa Editor Berbeda dengan IDE?
Perbedaannya ada pada kelengkapan fungsi.
  • IDE: Editor + compiler + debugger + manajemen proyek
  • Editor: Hanya editor, tapi cepat dan ringan
Perbedaan Editor dan IDE :
AspekEditorIDE
Mengetik kode
Menjalankan program❌ / ⚠️
Debug otomatis
Berat aplikasiRinganLebih berat
Cocok pemulaCukupSangat

Kalau Sudah Ada IDE, Kenapa Masih Pakai Editor?
Alasan 1: Editor Lebih Ringan & Cepat
Editor bisa dibuka dalam hitungan detik

Cocok untuk:
  • Laptop spek rendah
  • Perubahan kecil
📌 IDE cocok proyek besar, editor cocok kerja cepat.

Alasan 2: Fleksibel untuk Banyak Bahasa
Satu editor bisa untuk:
  • Python
  • HTML
  • CSS
  • avaScript
  • C
📌 IDE biasanya spesifik bahasa.

Alasan 3: Programmer Ingin Kontrol Penuh
  • Editor memaksa programmer:
  • Paham compiler
  • Paham cara run manual
📌 Ini melatih pemahaman sistem, bukan hanya klik-klik.

Alasan 4: Editor Bisa “Naik Level” Jadi IDE
Contoh:
VS Code + extension
→ bisa setara IDE

📌 Jadi editor itu kerangka fleksibel.

Lalu GitHub itu apa?
GitHub BUKAN aplikasi menulis kode.
GitHub adalah tempat menyimpan dan berbagi kode secara online.
 Fungsinya:
  • Menyimpan hasil coding
  • Backup
  • Kolaborasi
  • Portofolio
📌 Ibarat:

Lemari arsip + pameran karya

Keterkaitan AI, Machine Learning dan Deep Learning

 Di balik kecanggihan AI hari ini, ada proses belajar mesin yang panjang. Machine learning dan deep learning adalah fondasi utama kecerdasan buatan modern.

AI tidak muncul tiba-tiba menjadi cerdas. Ia belajar, bertahap dan berlapis, melalui machine learning dan deep learning.

Apa itu AI (Artificial Intelligence)?

AI (Kecerdasan Buatan) adalah teknologi yang membuat komputer atau mesin bisa meniru cara berpikir manusia, seperti:

  • Mengenali pola
  • Mengambil keputusan
  • Memberi saran
  • Menjawab pertanyaan

📌 Sederhananya:

AI adalah komputer yang dibuat “pintar” agar bisa membantu pekerjaan manusia.

Kenapa Sekarang Banyak Menggunakan AI?

a. Data semakin banyak

Sekarang hampir semua aktivitas manusia menghasilkan data digital (chat, foto, video, transaksi).

AI butuh data, dan data sekarang sangat melimpah.

b. Teknologi semakin canggih

  • Komputer lebih cepat
  • Internet lebih stabil
  • Cloud computing murah

c. Efisiensi waktu dan tenaga

AI bisa:

  • Bekerja 24 jam
  • Mengurangi pekerjaan berulang
  • Membantu pengambilan keputusan

➡️ Manusia bisa fokus ke hal yang lebih penting.

d. Kebutuhan zaman (Generasi Z & industri)

Sekolah, bisnis, kesehatan, dan media sosial butuh solusi cepat dan cerdas.

➡️ AI menjawab kebutuhan tersebut.

Contoh AI yang Sangat Sederhana 

Contoh 1: Rekomendasi Video

Saat kamu membuka YouTube, AI mempelajari video yang sering ditonton Lalu menampilkan video yang mirip

➡️ Itu AI yang belajar dari kebiasaan.

Contoh 2: Kamera HP

Kamera bisa:

  • Mengenali wajah
  • Mengatur cahaya otomatis

➡️ AI membantu hasil foto jadi lebih bagus.

🔹 Contoh 3: Chatbot / Asisten Virtual

Seperti chatbot layanan pelanggan:

  • Menjawab pertanyaan otomatis
  • Memberi solusi cepat

➡️ AI menggantikan pekerjaan berulang.

Machine Learning itu apa?

Machine Learning adalah cara membuat komputer belajar dari data dan pengalaman, tanpa harus diprogram satu per satu aturannya.

Contoh sederhana:

  • Komputer belajar membedakan email spam dan bukan spam
  • Komputer belajar menebak nilai ujian dari data latihan

Ciri ML:

  • Fitur sering dibuat manusia
  • Model relatif sederhana
  • Bisa jalan dengan data tidak terlalu besar

Apa itu Deep Learning?

Deep learning adalah salah satu bagian dari Artificial Intelligence (AI) yang mengajarkan komputer belajar meniru cara kerja otak manusia.

Caranya dengan menggunakan lapisan-lapisan (layer) yang banyak, seperti jaringan saraf di otak. Karena lapisannya dalam (deep), maka disebut deep learning.

Berbeda dengan machine learning biasa, deep learning mampu:

  • Belajar dari data yang sangat besar
  • Menangani masalah yang lebih rumit
  • Mengenali pola tanpa banyak aturan buatan manusia
  • Dengan kemampuan tersebut, deep learning bisa digunakan untuk:
  • Mengenali gambar (wajah, objek, tulisan)
  • Memahami teks (terjemahan, chatbot)
  • Mengenali suara (perintah suara, rekaman)
  • Mengolah data kompleks lainnya

📌 Contoh sederhana:

Jika machine learning seperti anak yang belajar dari contoh terbatas, maka deep learning seperti anak yang belajar terus-menerus dari banyak pengalaman hingga bisa mengenali sesuatu dengan sangat akurat.

Deep learning adalah salah satu bagian dari Artificial Intelligence (AI) yang mengajarkan komputer belajar meniru cara kerja otak manusia.

Caranya dengan menggunakan lapisan-lapisan (layer) yang banyak, seperti jaringan saraf di otak. Karena lapisannya dalam (deep), maka disebut deep learning.

Berbeda dengan machine learning biasa, deep learning mampu:

  • Belajar dari data yang sangat besar
  • Menangani masalah yang lebih rumit
  • Mengenali pola tanpa banyak aturan buatan manusia

Dengan kemampuan tersebut, deep learning bisa digunakan untuk:

  • Mengenali gambar (wajah, objek, tulisan)
  • Memahami teks (terjemahan, chatbot)
  • Mengenali suara (perintah suara, rekaman)
  • Mengolah data kompleks lainnya

📌 Contoh sederhana:

Jika machine learning seperti anak yang belajar dari contoh terbatas, maka deep learning seperti anak yang belajar terus-menerus dari banyak pengalaman hingga bisa mengenali sesuatu dengan sangat akurat.

Jadi, Perbedaan Machine learning dan Deep Learning adalah :

Aspek    Machine LearningDeep Learning
Bagian dari AI    Ya    Ya (bagian ML)
Cara belajar    Pola sederhana    Pola kompleks
Fitur    Dibuat manusia    Dipelajari otomatis
Data    Sedikit–sedang    Sangat besar
Komputasi    Ringan    Berat
Contoh    Prediksi, klasifikasi    Wajah, suara, gambar