ridife – academic

Dan kulihat tatapan mata kosong itu, semua sibuk mencatat, terkadang-kadang mereka juga tidak menjawab. Beberapa kali ditanya, sedikit sekali yang mengangkat tangan, ataupun bercerita. Kelas-pun menjadi sebuah sesi ceramah pasif mengirim informasi yang penuh distorsi. Entah itu distorsi sosial media, distorsi tugas kuliah yang mendekat, bahkan distorsi makan apa setelah ini! Kalau saja kehadiran bukan menjadi suatu syarat kelulusan, maka saya yakin beberapa mahasiswa akan beralasan untuk melakukan hal yang lebih menarik dari hadir di kuliah. Celakanya kurikulum kita makin rumit, hal yang dipelajari makin padat, belum lagi serangkaian kemampuan AI mendorong gerakan DDA (Dikit Dikit AI). Lengkaplah sudah.

Bagi seorang dosen sebuah agenda yang melelahkan untuk menyiapkan media ajar yang menarik, apalagi jika dihadapkan pada banyaknya jumlah mata kuliah yang diajar dan mahasiswa yang bergabung di mata kuliah tersebut. Singkat kata ada dua teknik yang bisa dilakukan untuk ini.

Pragmatis

1. Membuka kuliah dengan sebuah pertanyaan nyata untuk mendorong mahasiswa diskusi. Isunya sering tidak ada yang menjawab.
2. Menyampaikan slide dengan selalu bertanya ada pertanyaan? diselingi pemutaran multimedia atau media raga. Kejadian yang menjawab sedikit dan yang bertanya tidak ada.
3. Mengaplikasikan pengetahuan dalam keterampilan yakni beraktivitas langsung untuk keterampilan seperti praktik coding atau demo aplikasi.
4. Memberikan kuis pemahaman bersama 3-5 pertanyaan
5. Beri tugas mandiri
6. Kesimpulan dan agenda minggu depan

Idealis

Kita ambil contoh, topik yang padat teori dan bisa menjadi kering jika hanya dipresentasikan adalah “Dasar-Dasar Arsitektur Cloud Computing”. Mari kita sulap menjadi sesi yang hidup dan relevan.

---

Contoh Agenda Perkuliahan Interaktif untuk Kelas TI

Mata Kuliah: Pengantar Teknologi Informasi / Arsitektur Komputasi Awan Topik Pertemuan: Memilih Arsitektur Cloud yang Tepat (IaaS, PaaS, SaaS & Public, Private, Hybrid) Durasi: 180 Menit Audiens: Mahasiswa semester awal-menengah yang baru mengenal konsep cloud.

---

Struktur Sesi Perkuliahan (180 Menit)

Sesi 1: Pemicu & Eksplorasi Awal (45 Menit)

• (0-15 Menit) Aktivitas Pemicu (The Hook): Skenario Mimpi Buruk CTO
  • Aktivitas: Dosen menampilkan slide dengan skenario berikut: “Anda adalah CTO (Chief Technology Officer) dari sebuah startup e-commerce ‘LarisManis’. Minggu depan, Anda akan diliput secara eksklusif oleh seorang influencer teknologi ternama. Diperkirakan, traffic ke website Anda akan melonjak dari 1.000 pengunjung per jam menjadi 500.000 pengunjung per jam, hanya dalam waktu 15 menit. Seluruh infrastruktur server Anda saat ini berada di sebuah rak di ruang belakang kantor. Apa yang akan terjadi? Apa 3 kekhawatiran terbesar Anda? Diskusikan dengan teman sebelah Anda selama 5 menit.”
  • Setelah diskusi singkat, beberapa mahasiswa diminta berbagi kekhawatiran mereka (misalnya: server down, website tidak bisa diakses, kehilangan potensi penjualan, reputasi hancur).
  • Tujuan: Menghadirkan masalah nyata (skalabilitas, keandalan) yang solusinya adalah konsep inti pertemuan ini. Mahasiswa langsung “merasakan” masalahnya sebelum diberi tahu teorinya.
• (15-45 Menit) Konsep Inti & Diskusi Terarah: Dari Masalah ke Solusi
  • Aktivitas (Ceramah Mikro): Dosen berkata, “Kekhawatiran Anda semua valid. Inilah masalah yang coba dipecahkan oleh Cloud Computing.”
    • 10 Menit: Jelaskan perbedaan fundamental antara On-Premise (server di kantor) vs. Cloud. Fokus pada konsep kunci: Capital Expenditure (CapEx) vs. Operational Expenditure (OpEx), dan elastisitas.
    • 15 Menit: Perkenalkan 3 model layanan utama (IaaS, PaaS, SaaS) menggunakan analogi yang mudah dipahami.
      • IaaS (Infrastructure as a Service): “Anda menyewa lahan dan fondasi kosong. Anda bebas mau membangun rumah model apa pun di atasnya, tapi Anda yang harus membangun tembok, atap, dan mengisi perabot.” (Contoh: Menyewa Virtual Machine di AWS EC2, Google Compute Engine).
      • PaaS (Platform as a Service): “Anda menyewa sebuah rumah kosong. Pondasi, tembok, atap, listrik, dan air sudah siap. Anda tinggal fokus menata perabotan dan dekorasi di dalamnya.” (Contoh: Google App Engine, Heroku).
      • SaaS (Software as a Service): “Anda menginap di hotel. Semua sudah siap pakai. Anda tinggal masuk, tidur, dan menggunakan fasilitasnya.” (Contoh: Gmail, Dropbox, Canva).
  • Tujuan: Memberikan landasan teori yang kuat dengan analogi yang membantu pemahaman, bukan sekadar definisi hafalan.

Sesi 2: Studio Belajar Aktif (75 Menit)

• Aktivitas Utama: “Konsultan Arsitektur Cloud” (Problem-Based Learning)
  • Aktivitas: Mahasiswa dibagi menjadi kelompok-kelompok kecil (4-5 orang). Setiap kelompok akan berperan sebagai konsultan TI. Dosen menyajikan 3 studi kasus klien yang berbeda:
    1. Klien A (Startup Fintech ‘DanaCepat’): Butuh mengembangkan aplikasi dengan cepat, tim developer kecil, butuh skalabilitas tinggi, namun belum punya tim IT operations yang besar.
    2. Klien B (Bank Daerah ‘Bank Amanah’): Ingin memodernisasi sistem internal. Terikat regulasi OJK yang ketat tentang data nasabah, butuh keamanan tingkat tinggi, dan kontrol penuh atas infrastruktur.
    3. Klien C (Lembaga Kursus ‘PintarDigital’): Ingin menyediakan platform e-learning untuk ribuan siswa. Butuh solusi yang sudah jadi, mudah digunakan, dan tidak perlu pusing memikirkan server atau coding.
  • Tugas Kelompok: Untuk klien yang mereka pilih, buatlah sebuah “Blueprint Rekomendasi” di satu lembar kertas besar atau slide yang berisi:
    1. Model Layanan Pilihan: IaaS, PaaS, atau SaaS? Jelaskan mengapa.
    2. Model Deployment Pilihan: Public, Private, atau Hybrid Cloud? Jelaskan mengapa.
    3. Identifikasi 3 Keuntungan Utama dari arsitektur yang Anda usulkan untuk klien tersebut.
    4. Identifikasi 1 Risiko Utama dan cara memitigasinya.
  • Dosen berkeliling sebagai “klien senior” yang menantang keputusan kelompok: “Yakin pakai Public Cloud untuk bank? Bagaimana dengan regulasi?”, “Kenapa tidak pakai IaaS saja untuk startup agar lebih fleksibel?”.
  • Tujuan: Mahasiswa tidak hanya tahu definisi IaaS/PaaS/SaaS, tetapi bisa menganalisis kebutuhan bisnis dan membuat keputusan teknis yang dapat dipertanggungjawabkan.

Sesi 3: Sintesis & Refleksi (45 Menit)

• (0-25 Menit) Galeri Wawasan & Presentasi Singkat
  • Aktivitas: Setiap kelompok menempelkan “Blueprint Rekomendasi” mereka di dinding.
  • Satu orang dari setiap kelompok berdiri di dekat posternya (sebagai penjaga stand). Anggota kelompok lainnya berkeliling untuk melihat solusi dari kelompok lain.
  • Setelah 15 menit berkeliling, perwakilan dari 3 kelompok (yang mengerjakan 3 kasus berbeda) diminta melakukan presentasi kilat (3 menit per kelompok) tentang keputusan mereka.
  • Tujuan: Mahasiswa belajar bahwa tidak ada satu solusi yang cocok untuk semua. Arsitektur untuk bank akan sangat berbeda dari arsitektur untuk startup, dan mereka bisa melihat alasannya secara langsung.
• (25-40 Menit) Debrief & Diskusi Kelas: “Tidak Ada Peluru Perak”
  • Aktivitas: Dosen memimpin diskusi untuk menarik kesimpulan besar.
  • “Dari presentasi tadi, apa benang merahnya? Kita lihat bahwa Bank Amanah cenderung ke arah Private/Hybrid Cloud karena keamanan dan regulasi. Startup DanaCepat ke arah PaaS di Public Cloud karena kecepatan dan skalabilitas. Lembaga Kursus PintarDigital langsung memilih SaaS karena kemudahan dan fokus pada bisnis inti.”
  • Kesimpulan utama yang ditekankan: “Dalam dunia arsitektur TI, tidak ada ‘silver bullet’ atau satu solusi untuk semua masalah. Pilihan teknologi harus selalu didasari oleh konteks dan kebutuhan bisnis.”
  • Tujuan: Mengangkat level diskusi dari sekadar teknis menjadi strategis.
• (40-45 Menit) Tiket Keluar (Exit Ticket)
  • Aktivitas: Minta mahasiswa menjawab di gawainya:
    1. “Kembali ke skenario CTO di awal sesi, arsitektur cloud (layanan & deployment) apa yang akan Anda usulkan sekarang untuk ‘LarisManis’? Beri satu alasan utama.”
    2. “Dari konsep IaaS, PaaS, dan SaaS, mana yang menurut Anda paling sulit untuk dijelaskan kepada orang non-TI? Mengapa?”
  • Tujuan: Menutup lingkaran pembelajaran dari awal sesi dan memberikan umpan balik berharga tentang bagian mana dari materi yang masih abstrak bagi mahasiswa.

Perangkat Bantu

1. PowerPoint atau Canva untuk membuat presentasi
2. Microsoft Teams untuk diskusi interaktif
3. Quizizz atau Kahoot untuk penerapan kuis dan jajak pendapat
4. Software dan media ajar lain termasuk video Youtube.

Pada akhirnya saya menyerah dengan gaya pragmatis, rasanya hidup ini sudah terlalu lelah dengan rapat yang tak kunjung berakhir, tugas yang silih-berganti, dan idealisme kita yang meluntur dengan sentuhan AI yang lebih memanjakan. Selamat datang mata-mata kosong di kampus tercinta. Maafkan dosen kalian.

Bagi mahasiswa teknik, memahami hasil statistik adalah kunci menyusun rekomendasi dan juga pola perilaku sistem yang ada. Pertanyaannya bagaimana teknik interpretasi data yang benar terutama pada saat data yang dikelola adalah data kompleks di lingkungan statistik multi varian. Berikut adalah teknik yang umum terutama berbagai upaya dalam menggunakannya.

1. Analisis Komponen Utama (PCA – Principal Component Analysis)

Penjelasan:
PCA merupakan teknik reduksi dimensi yang mengubah data multivarian yang korelatif ke dalam bentuk komponen-komponen utama yang tidak berkorelasi. Prosesnya melibatkan perhitungan nilai eigen dan vektor eigen dari matriks kovarians (atau matriks korelasi) sehingga komponen pertama menangkap variansi terbesar, diikuti oleh komponen kedua, dan seterusnya.

contoh kita hendak melakukan analisis kualitas air sungai

Konteks:
Sebuah tim peneliti dan pengelola lingkungan ingin memantau kualitas air sungai di beberapa wilayah sepanjang tahun. Data yang dikumpulkan meliputi berbagai parameter seperti:

• pH
• Suhu
• Dissolved Oxygen (DO)
• Total Dissolved Solids (TDS)
• Kandungan Nutrien (nitrat, fosfat)
• Logam berat (misalnya, Pb, Cd, Hg)
• Parameter lainnya (misalnya, kekeruhan, kadar mikroba)

Karena jumlah variabel yang banyak dan adanya korelasi antar parameter (misalnya, kandungan nutrien dengan pertumbuhan alga), data tersebut bersifat multivarian dan kompleks.

Kelebihan:

• Mengurangi kompleksitas data dengan mengurangi jumlah variabel.
• Menghilangkan isu multikolinearitas.
• Mempercepat pemodelan selanjutnya dan membantu visualisasi data dengan memetakan komponen utama ke ruang dua atau tiga dimensi.

Kekurangan:

• Interpretasi komponen bisa jadi tidak intuitif, karena kombinasi linier dari variabel asli tidak selalu memiliki makna langsung.
• Sensitif terhadap skala variabel; sehingga praproses data seperti standardisasi diperlukan.

2. Analisis Faktor

Penjelasan:
Analisis faktor bertujuan mengidentifikasi struktur laten (variabel tersembunyi) di balik korelasi antar variabel yang diamati. Ada dua pendekatan utama:

• Exploratory Factor Analysis (EFA): Digunakan untuk menggali struktur faktor tanpa hipotesis awal.
• Confirmatory Factor Analysis (CFA): Digunakan untuk mengkonfirmasi struktur faktor berdasarkan teori atau hipotesis sebelumnya.

Contoh: validasi kuesioner kepuasan pelanggan di sektor ekonomi.

Kelebihan:

• Membantu mengungkap variabel laten yang mungkin menjelaskan keterkaitan antar variabel.
• Bisa digunakan untuk menyederhanakan model pengukuran dalam penelitian psikometri dan sosial.

Kekurangan:

• Memerlukan jumlah sampel yang cukup besar agar hasil faktor stabil.
• Proses rotasi faktor (misalnya, varimax atau oblimin) kadang subjektif dan mempengaruhi interpretasi akhir.

3. Analisis Klaster (Cluster Analysis)

Penjelasan:
Teknik ini digunakan untuk mengelompokkan data berdasarkan kesamaan di antara observasi. Metode yang umum digunakan meliputi k-means clustering, hierarchical clustering, dan density-based clustering.

• Hierarchical Clustering: Menyusun klaster dalam bentuk dendrogram untuk melihat hubungan antar klaster pada berbagai tingkat penyederhanaan.
• K-Means Clustering: Membagi data ke dalam sejumlah klaster yang telah ditentukan sebelumnya dengan meminimalkan variasi dalam klaster.

Contoh kasus: segmentasi pelanggan di perusahaan ritel

Kelebihan:

• Dapat mengeksplorasi struktur kelompok secara visual melalui dendrogram.
• Memungkinkan segmentasi data yang baik untuk analisis pasar, preferensi konsumen, atau pola perilaku.

Kekurangan:

• Hasil sangat bergantung pada pemilihan metrik jarak dan jumlah klaster.
• Kadang-kadang sulit menentukan jumlah klaster optimal tanpa metode validasi tambahan.

4. Analisis Diskriminan

Penjelasan:
Analisis diskriminan (misalnya, Linear Discriminant Analysis – LDA) digunakan untuk memisahkan kelompok yang telah ditentukan sebelumnya berdasarkan kombinasi linier variabel. Teknik ini sering digunakan dalam klasifikasi dan untuk menginterpretasikan perbedaan antar kelompok.

Contoh studi kasus: klasifikasi prestasi akademik siswa berdasar rata-rata nilai

Kelebihan:

• Efektif dalam mengklasifikasikan observasi ketika struktur kelompok sudah diketahui.
• Menghasilkan fungsi diskriminan yang dapat menilai seberapa besar kontribusi setiap variabel dalam pemisahan kelompok.

Kekurangan:

• Asumsi normalitas dan homogenitas kovarians antar kelompok harus terpenuhi.
• Tidak ideal untuk kasus dengan jumlah pengamatan yang sangat kecil dibandingkan jumlah variabel.

5. Multivariate Analysis of Variance (MANOVA)

Penjelasan:
MANOVA merupakan perpanjangan dari ANOVA yang memungkinkan pengujian apakah beberapa variabel dependen secara simultan terpengaruh oleh satu atau lebih variabel independen kategorik. Hasil dari MANOVA biasanya dilihat melalui statistik seperti Wilks’ Lambda, Pillai’s Trace, dan lain-lain.

Studi Kasus: Mengetahui efektivitas metode pengajaran berdasar hasil tes

Kelebihan:

• Memungkinkan pengujian efek multivariat secara bersama-sama, mengurangi kemungkinan kesalahan tipe I.
• Cocok untuk studi dengan banyak pengukuran dependen yang saling berkorelasi.

Kekurangan:

• Memerlukan sampel yang cukup besar untuk memenuhi asumsi multivariat.
• Interpretasi hasil lebih kompleks dibandingkan dengan ANOVA univarian.

6. Canonical Correlation Analysis (CCA)

Penjelasan:
CCA digunakan untuk menganalisis hubungan antara dua set variabel. Teknik ini mencari pasangan kombinasi linier dari masing-masing set variabel sehingga korelasi antar kombinasi tersebut mencapai nilai maksimum.

Contoh studi kasus: hubungan karakteristik demografis dengan kebiasaan belanja

Kelebihan:

• Mengungkap hubungan kompleks antara dua himpunan variabel yang berbeda.
• Membantu memahami bagaimana dua blok data saling memengaruhi secara simultan.

Kekurangan:

• Interpretasi hasil bisa menjadi sulit, terutama jika terdapat banyak variabel.
• Memerlukan asumsi distribusi data yang memadai untuk validitas hasil.

7. Multidimensional Scaling (MDS)

Penjelasan:
MDS adalah metode visualisasi yang berusaha merepresentasikan jarak atau dissimilarity antar observasi dalam dimensi rendah. Teknik ini sangat berguna untuk memahami struktur relasional dalam data multivarian.

Contoh Studi kasus: Analisis Preferensi Produk Susu

Kelebihan:

• Memudahkan interpretasi hubungan kompleks melalui representasi visual.
• Bermanfaat untuk mengidentifikasi kelompok atau pola outlier dalam data.

Kekurangan:

• Hasil visualisasi sangat dipengaruhi oleh pemilihan ukuran jarak yang digunakan.
• Tidak menyediakan uji statistik formal untuk mengukur keakuratan pemetaan.

8. Structural Equation Modeling (SEM)

Penjelasan:
SEM menggabungkan teknik analisis faktor dan regresi berganda untuk menguji hipotesis hubungan antar variabel laten dan variabel teramati. Model struktural ini memungkinkan pengujian kesesuaian (goodness-of-fit) keseluruhan model dengan data yang ada.

Contoh Studi Kasus: Faktor-Faktor yang mempengaruhi kegagalan startup

Kelebihan:

• Memungkinkan penanganan model yang kompleks dengan variabel mediasi dan moderasi.
• Menyediakan ukuran kesesuaian model (misalnya, CFI, RMSEA) untuk evaluasi teoretis.

Kekurangan:

• Memerlukan sampel yang sangat besar agar model konvergen dengan baik.
• Spesifikasi model yang salah bisa menghasilkan interpretasi yang menyesatkan.

9. Correspondence Analysis

Penjelasan:
Digunakan untuk menganalisis data kategori (misalnya, tabel kontingensi), teknik ini memetakan hubungan antara baris dan kolom ke dalam ruang dua dimensi. Hasilnya berupa grafik yang memudahkan interpretasi asosiasi antar kategori.

Studi kasus: Analisis preferensi smartphone berdasar harga, kualitas, kecepatan, dan aplikasi bawaan

Kelebihan:

• Menyederhanakan data kategori kompleks ke dalam representasi visual yang mudah dipahami.
• Cocok untuk eksplorasi data survei, preferensi konsumen, dan analisis demografis.

Kekurangan:

• Interpretasi grafis bisa menimbulkan ambiguitas jika perbedaan antar kategori tidak terlalu mencolok.
• Tidak selalu menggambarkan hubungan multivariat secara menyeluruh.

Dalam konteks nyata, pemilihan teknik di atas sangat bergantung pada tujuan penelitian serta karakteristik data yang tersedia. Misalnya, dalam pengembangan modul edukasi interaktif atau analisis pasar digital, seringkali kombinasi dari PCA untuk reduksi dimensi dan analisis klaster untuk segmentasi konsumen digunakan. Di sisi lain, untuk penelitian psikometrik atau validasi skala yang baru dikembangkan, analisis faktor (baik EFA maupun CFA) menjadi teknik yang sangat penting.

Selain itu, penerapan Structural Equation Modeling (SEM) dapat sangat berguna dalam menguji hipotesis teoretis mengenai hubungan antar konstruk laten, sehingga mendukung validasi konseptual dalam studi akademik maupun riset applied. Di bidang pemasaran, Canonical Correlation Analysis (CCA) dapat menjembatani variabel-variabel yang berasal dari studi perilaku dan variabel-variabel kinerja keuangan, memberikan wawasan yang lebih mendalam tentang dinamika antar kedua domain tersebut.

Teknik-teknik seperti Multidimensional Scaling (MDS) dan Correspondence Analysis juga telah diaplikasikan untuk keperluan visualisasi data, memudahkan pemangku kepentingan dalam memahami pola yang tersembunyi di balik data mentah tanpa harus melalui analisis statistik yang sangat kompleks.

Semenjak sarjana saya sudah biasa mengambil pekerjaan paruh waktu. Sebenarnya alasan mengambil pekerjaan paruh waktu tiada lagi tiada bukan untuk menambah biaya kuliah atau uang jajan, mencari pengalaman, dan mengubah hobi menjadi penghasilan. Lalu bagaimana agar sekolah tidak mengganggu kerja atau sebaliknya simak lima tips berikut:

1. Carilah pekerjaan yang selaras dengan passion agar tidak menjadi beban hidup. Misalkan jika suka Gadget carilah pekerjaan yang menggunakan pengetahuan Gadget mulai jasa service Gadget, jual beli Gadget, sampai coding di Gadget.
2. Carilah pekerjaan yang tidak mengganggu waktu kuliah. Jika sudah bekerja carilah sekolah yang tidak mengganggu waktu kerja misalnya kelas sore, kelas weekend, atau yang lain.
3. Carilah penelitian atau program studi yang mendorong karir Anda. misalnya jika bekerja di Perusahaan startup software maka berpikirlah untuk sekolah di bidang manajemen, bisnis, atau teknis yang sesuai dengan startup Anda
4. Yakinkan tugas akhir Anda punya kontribusi ke pengembangan profesi perusahaan. Teliti yang belum dilakukan perusahaan dan coba terapkan.
5. setiap ada tugas mata kuliah jadikan kantor atau pekerjaan Anda sebagai bahan kajian agar lebih nyata dan bermanfaat.

Nah semoga bermanfaat ya rekan-rekan

Stress memiliki definisi macam-macam. Beberapa mahasiswa mengalami stress pada saat terdapat pekerjaan yang banyak tetapi tidak dapat melakukan apa-apa. Penumpukan tugas, beban hidup, atau bahkan kondisi fisik menjadi kendala dan mendorong stress. Berikut adalah lima hal yang bisa kita lakukan untuk manajemen stress.

1. tulis bebanmu entah dalam bentuk to do list, work breakdown structure, atau yang lain. Menuliskan dalam catatan OneNote atau catatan manual akan bantu Anda mengalirkan stress dan berpikir jernih
2. jangan mengatakan susah, mengeluh, ga bisa, atau merasa berat itu hanya akan menguras energi dan mengurangi kemampuan Anda.
3. Lakukan aktivitas fisik jangan aktivitas non fisik. Jadi usahakan lakukan brain break menggunakan aktivitas fisik misalnya olah raga, training, atau game-game fisik (no gadget)
4. Diskusi dengan teman yang tidak toxic. Oke definisi toxic adalah orang-orang yang suka judge Anda misalnya Anda mengatakan Gendut, Lambat, dan yang lain. Mending un-follow, block, atau abaikan. Berdiskusi bersama teman yang empati cara mengetesnya gampang, dia menyapa dan memberi perhatian padamu
5. Jika mengalami mental health isu lakukanlah aktivitas yang menyenangkan belanja, menonton video lucu (jangan yang sedih) dan tentu saja duduk di taman yang kaya oksigen

terlepas dari semuanya kamu masih tetap harus mengerjakan dan melakukan manajemen pekerjaan.

Saya ingin sekali jika memiliki sebuah diagram atau data kemudian terdapat AI yang dapat menjelaskan. Konsep seperti ini sudah lama dilakukan oleh Cortana melalui fitur quick insight atau QnA. Konsep seperti ini disebut dengan AI describe. Contoh implementasinya bisa dilihat di Describe & Caption Images Automatically – Vision AI . Cognitive Service milik Azure juga mampu melakukannya, tetapi sayangnya itu hanya berupa gambar. Bagaimana dengan diagram seperti bar chart, line chart, dan yang lain. Ini penelitian yang menarik untuk dilakukan.

Selain bercerita kita juga membutuhkan AI untuk meringkas sebuah halaman menjadi satu paragraf. Teknologi ini juga mungkin dilakukan dengan Document summarization. Lalu apa yang bisa kita lakukan dengannya.

1. Menyusun abstrak sebuah laporan
2. Mem-feeding diagram kemudian AI akan menjelaskannya dalam bentuk paragraf
3. Menyusun proposal berdasar pada catatan rapat seperti yang dilakukan Office 365 Copilot.

Ini sesuatu yang menarik untuk dipelajari!

Manusia belajar dari sejarah, AI belajar dari dataset. Ketika manusia memiliki pengetahuan maka AI juga memiliki pengetahuan. AI dan Manusia sama-sama memiliki empati, AI dan manusia sama-sama memiliki pengetahuan. Jadi apa bedanya manusia dan AI. Mari kita merenung dan melihat apa yang terjadi pada kita karena ada AI.

• dahulu kita membaca buku, kemudian mencari hasil pencarian web, sekarang kita bertanya pada AI
• dahulu kita bertanya pada guru kita, kemudian bertanya pada search engine, sekarang kita bertanya pada AI
• dahulu kita percaya pada manusia, kemudian kita percaya pada kelompok, dan sekarang kita lebih nyaman berteman dengan AI

AI mengubah persepsi kita terhadap apa itu kehebatan intelegensia, kemudian memenuhi hasrat kita pada sosok afektif yang sempurna. Ini seperti layar televisi yang memberikan persepsi kebahagiaan adalah mobil mewah dan juga teman yang banyak. Pergeseran teknologi menggeser bagaimana kebahagiaan adalah sejumlah like, followers, dan seberapa orang yang mengagumi Anda. Mengagumi sosok sempurna grup band Korea yang tidak perlu membela kebenaran seperti Power Rangers di masa kecil kita.

Semakin yakin bahwa semua yang kita alami adalah sebuah persepsi maka semakin kita tidak meyakini apa yang sekarang kita lihat, kita dengar dan rasakan. Ini seperti kesurupan model tingkat tinggi yang digubah oleh teknologi. Seperti para generasi Z yang berjoget di layar kecil dan mempublikasikannya ke platform media sosial. Dan lagi-lagi persepsi seseorang tentang seseorang itu berdasar media sosial yang ditontonnya. Padahal kita tahu menghadirkan persepsi baik itu seperti memakai topeng yang tepat.

jika kita hendak melihat indahnya dunia maka lihatlah Instagram, jika kita hendak melihat kejamnya dunia maka lihatlah twitter, jika kita hendak melihat apa kata orang tua lihatlah Facebook, dan jika kita ingin melihat kesempurnaan manusia berdendang dan berjoget maka lihatlah TikTok. Tapi yang Anda lihat adalah persepsi Anda, beberapa orang terobsesi dengan apa kata teman yang mem-bully Anda hingga tidak mau makan karena dibilang gendut, beberapa orang terbawa emosi di Twitter, sebuah bahan bakar berbasis persepsi

Jadi kalau Anda mengatakan AI akan mengalahkan manusia, maka itu persepsi karena bisa saja AI tidak ingin mengalahkan Anda atau menggantikan Anda. Ini seperti Anda melihat separuh video yang menunjukkan pertentangan padahal di kelanjutannya adalah kebahagiaan atau pada saat melihat status yang menunjukkan kedamaian padahal itu hanya bingkai kepalsuan untuk menunjukkan persepsi semu.

jadi mari kita tutup dengan cuplikan lirik dari grup Limp Bizkit, grup rock dimasa saya millennial

All the tension in the world today
When the good comes to bad, the bad comes to good
Now all the critics wanna hit it
But I’ll stay fitted, new era committed
But do we always gotta cry?
Do we always gotta live inside a lie?
Life’s just a blast that’s movin’ really fast

Entah kamu di bidang sosial, bidang komputer, bidang teknik. Teknologi informasi membantu tugas akhir kamu berwarna. Nah teknologi apa saja yang bisa kamu gunakan sebagai topik tugas akhir kamu. Simak lima teknologi yang akan ramai dipakai satu dekade nanti.

1. Kecerdasan buatan. Ini tiada tanya lagi, ChatGPT, layanan kognitif, dan semuanya akan jadi bagian tak terelakkan dalam topik-topik menarik
2. Chatbot. Chat bot akan mulai makin sempurna dengan AI sehingga memberikan pengalaman yang makin baik dan membantu permasalahan manusia makin nyata
3. Blockchain. Teknologi NFT, metaverse, dan juga crypto menjadi hal yang menarik untuk dibahas dalam tatanan smart contract dan digital contract
4. Machine learning. Teknologi pembelajaran mesin yang makin memberikan keputusan dan juga insight akan menjadi hal yang umum digunakan dalam penelitian
5. IOT. Smart home, smart campus, atau bahkan smart human menjadi topik yang menarik untuk dikaji dari sudut pandang teknis dan sudut pandang

jadi tugas akhirmu mau mengkaji yang mana? silakan isi komentar disini