Pengenalan AI dan LLM

Analogi: Asisten Magang yang Super Cepat

Bayangkan kamu punya asisten magang. Dia bisa membaca sangat cepat, sudah membaca jutaan buku, artikel, dan kode program, dan tidak pernah tidur. Kamu bisa bertanya apa saja, dan dia menjawab dalam hitungan detik. Tapi ada satu masalah: dia kadang sok tahu. Kalau dia tidak tahu jawabannya, dia tetap menjawab dengan percaya diri, dan jawabannya bisa salah.

Itulah LLM (Large Language Model) seperti ChatGPT, Claude, dan Gemini. "AI" adalah istilah payung yang luas: semua program yang meniru kecerdasan manusia. "Machine learning" adalah salah satu cabangnya, di mana program belajar dari data, bukan dari aturan yang ditulis manual. Dan "LLM" adalah jenis machine learning yang dilatih dengan teks dalam jumlah raksasa: buku, artikel web, dokumentasi, kode program, sampai percakapan forum.

Jadi urutannya: AI > machine learning > LLM. Setiap LLM adalah AI, tapi tidak setiap AI adalah LLM. Contoh AI yang bukan LLM: filter spam email, rekomendasi video, atau pengenalan wajah di HP kamu.

Kenapa Ini Penting Buat Kamu yang Mau Ngoding

LLM mengubah cara orang belajar dan bekerja sebagai developer. Dulu, kalau mentok error, kamu googling 30 menit, buka 5 tab Stack Overflow, dan trial error. Sekarang kamu bisa bertanya langsung: "error ini maksudnya apa dan cara benerinnya gimana", lalu dapat penjelasan dalam 10 detik.

Tapi ada sisi gelapnya: karena LLM menjawab dengan sangat meyakinkan, pemula sering menelan jawabannya mentah-mentah. Kode yang dikasih AI bisa terlihat benar, lolos baca sekilas, tapi salah logika atau tidak aman. Skill terpenting di era AI bukan "bisa bertanya", tapi "bisa memverifikasi jawaban". Track ini melatih keduanya.

Contoh 1: Meminta Penjelasan Konsep (Langkah Bertahap)

Kamu baru belajar JavaScript dan bingung apa itu Array.map(). Daripada baca dokumentasi yang kaku, coba prompt ini:

Jelaskan Array.map() di JavaScript untuk pemula yang baru belajar loop. Kasih analogi sehari-hari, lalu 1 contoh kode sederhana dengan penjelasan tiap baris. Di akhir, kasih 1 soal latihan kecil tanpa jawabannya.

Perhatikan polanya: kamu memberi tahu AI (1) siapa kamu (pemula), (2) format yang kamu mau (analogi + contoh + penjelasan per baris), dan (3) apa yang TIDAK kamu mau (jangan kasih jawaban soal latihan). Semakin jelas instruksimu, semakin bagus hasilnya. Ini prinsip dasar prompting yang akan kita dalami di modul prompting-dasar.

Contoh 2: Meminta Bantuan Menulis Kode (Langkah Bertahap)

Misal kamu butuh fungsi untuk mengecek apakah sebuah email valid. Prompt yang buruk: "buatkan fungsi validasi email". Prompt yang lebih baik:

Buatkan fungsi JavaScript bernama isValidEmail yang menerima satu string dan mengembalikan true/false. Pakai regex sederhana, tanpa library. Tambahkan 3 contoh pemakaian: email valid, email tanpa @, dan string kosong. Jelaskan singkat kenapa tiap contoh menghasilkan true/false.

Setelah AI menjawab, JANGAN langsung copy paste. Lakukan 3 langkah verifikasi:

1. Baca kodenya baris per baris. Apakah kamu paham tiap barisnya?
2. Jalankan di console browser atau playground. Coba input aneh: "a@b", "@.", string kosong.
3. Tanya AI balik: "ada edge case yang fungsi ini gagal tangani?", AI sering jujur kalau ditanya kelemahannya sendiri.

Kesalahan Umum Pemula

1. Bertanya terlalu umum. "Jelaskan JavaScript" akan dijawab dengan esai generik yang tidak membantu. Makin spesifik pertanyaanmu, makin berguna jawabannya.
2. Copy paste tanpa paham. Kalau kamu tidak paham kode yang AI kasih, kamu tidak akan bisa debug saat kode itu error. Aturannya: jangan pakai kode yang tidak bisa kamu jelaskan ulang dengan kata-katamu sendiri.
3. Menganggap AI selalu benar. LLM memprediksi kata berikutnya yang paling mungkin, bukan mencari kebenaran. Ia bisa mengarang nama fungsi, library, atau dokumentasi yang tidak ada. Selalu verifikasi klaim faktual.
4. Memberi data sensitif. Jangan paste API key, password, token, atau data pribadi ke AI. Anggap semua yang kamu kirim bisa dibaca orang lain.

Catatan teknis: LLM tidak "memahami" seperti manusia. Ia adalah mesin prediksi teks yang sangat canggih: diberi kata-kata sebelumnya, ia menebak kata berikutnya yang paling masuk akal berdasarkan pola dari data latihannya. Kemampuan luar biasanya (menjawab pertanyaan, menulis kode) muncul dari skala: miliaran parameter dan triliunan kata latih. Memahami ini membantumu memprediksi kapan ia bisa dipercaya (pola umum, tugas generik) dan kapan harus curiga (fakta spesifik, hal baru, detail presisi).

Rangkuman

AI adalah istilah luas, machine learning adalah cabangnya, LLM adalah jenis machine learning berbasis teks raksasa. Buat developer, LLM adalah asisten magang super cepat yang kadang sok tahu: luar biasa membantu kalau kamu tahu cara bertanya dan cara memverifikasi, berbahaya kalau kamu menelan mentah-mentah. Di modul berikutnya, kita bedah cara kerja LLM lebih dalam supaya intuisimu makin tajam.