KKA MODUL 3 - SMP

Modul 3 SMP (Fase D)

By Redhina Aulia

KODING DAN KECERDASAN ARTIFISIAL

Etika dan Resiko Kecerdasan Artifisial

By Redhina Aulia

​TUJUAN PELATIHAN

1. Peserta pelatihan mendefinisikan konsep KA generatif

2. Peserta pelatihan menjelaskan kualitas data dalam KA

3. Peserta pelatihan menerapkan KA generatif pada kehidupan sehari-hari

4. Peserta pelatihan menerapkan etika dan resiko penggunaan KA generatif

5. Peserta pelatihan menganalisis konten deepfake.

​TUJUAN PELATIHAN

1. Peserta pelatihan mendefinisikan konsep KA generatif

2. Peserta pelatihan menjelaskan kualitas data dalam KA

3. Peserta pelatihan menerapkan KA generatif pada kehidupan sehari-hari

4. Peserta pelatihan menerapkan etika dan resiko penggunaan KA generatif

5. Peserta pelatihan menganalisis konten deepfake.

MATERI PELATIHAN

1. Kecerdasan Artifisial Generatif dan Implementasinya

Ruang Lingkup dan Definisi Teknologi KA

Prinsip Kerja Teknologi KA Generatif

Kualitas Data dalam KA

Implementasi Kecerdasan Artifisial Generatif dalam Kehidupan Sehari-hari

Contoh Aktivitas Penerapan KA Generatif dalam Bidang Pendidikan

2.Etika dan Resiko Kecerdasan Artifisial Generatif

Etika dalam Penggunaan KA Generatif

Resiko Penggunaan KA Generatif

Teknologi Deepfake.

​ICE BREAKING

1. Kecerdasan Artifisial Generatif dan Implementasinya

Kecerdasan Artifisial (KA) atau Artificial Intelligence (AI) adalah konsep luas tentang mesin yang bisa melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia, seperti memahami bahasa, merencanakan, bermain catur, dan sebagainya.

Pembelajaran Mesin atau Machine Learning (ML) adalah salah satu cabang atau pendekatan di dalam KA, yang memungkinkan mesin belajar dari data tanpa diprogram secara eksplisit. Saat ini pembelajaran mesin populer karena ketersediaan data yang cukup besar dan mudah untuk diperoleh.

Perbedaan machine learning dengan deep learning adalah bahwa deep learning membutuhkan lebih banyak data (big data) dibandingkan dengan algoritma machine learning lainnya. Namun deep learning mampu melakukan pembelajaran yang lebih kompleks dan toleransi kesalahan data yang lebih longgar dibandingkan algoritma machine learning lain.

Selanjutnya deep learning berkembang menjadi KA generatif atau generative AI (genAI), yaitu model deep learning yang dihasilkan dari pembelajaran data yang besar (big data) yang mampu menghasilkan (generate) konten baru. Konten tersebut bisa berupa teks, gambar dan lain sebagainya. Beberapa contoh dari KA generatif adalah chatGPT, gemini, dan lain sebagainya.

​Ruang Lingkup dan Definisi Teknologi KA Generatif

​Teknologi KA generatif merupakan bagian dari teknologi KA yang berbasis pembelajaran mesin (machine learning), tepatnya sebagai bagian dari deep learning* yang mampu menciptakan konten baru seperti teks, gambar, suara, atau video.

Categorize

Options (16)

ChatGPT (OpenAI)

Gemini (Google)

Claude (Anthropic)

Jasper AI

Sora (OpenAI)

Veo (Google DeepMind)

Synthesia

Invideo AI

DALL·E (OpenAI)

Leonardo.ai

Bing Image Creator

Canva Magic Media (image)

Suno AI

MusicGen (Meta)

Soundraw.io

Loudly

Kategorikan beberapa hal berikut!

Gen-AI music

Gen-AI gambar / foto

Gen-AI video

Gen-AI Teks / Dokumen

A.Prinsip Kerja Teknologi KA Generatif

A. Pembentukan Pembelajaran Mesin (Machine Learning)
Teknologi KA yang ada dalam setiap sistem KA pada dasarnya berupa file yang berisi pengetahuan atau pola yang dimiliki manusia dalam menghasilkan sebuah keputusan. File ini sering disebut sebagai model KA.

Data latih adalah data yang disiapkan sebagai sumber pembelajaran model KA dimana algoritma pembelajaran mesin akan berusaha mengambil pola atau

pengetahuan yang terkandung pada data latih tersebut.

Model KA generatif dilatih menggunakan dataset besar yang berisi berbagai jenis data, seperti teks, gambar, suara, atau video. Proses pelatihan ini bertujuan untuk mengenali pola, struktur, dan hubungan antar elemen dalam data.

B. Implementasi Pembelajaran Mesin

B. Implementasi Pembelajaran Mesin

B. Implementasi Pembelajaran Mesin

​Kualitas Data dalam KA

​Dalam pengembangan sistem KA, kualitas data memiliki peran yang sangat penting. Data berfungsi sebagai fondasi utama dalam pelatihan model KA, sehingga model yang canggih sekalipun tidak akan memberikan hasil yang optimal tanpa dukungan data yang akurat, relevan, dan representatif.

Dataset merupakan kumpulan data yang digunakan untuk melatih, menguji, dan memvalidasi model KA, dan dapat terdiri atas berbagai jenis seperti teks, gambar, angka, hingga suara.

Dataset yang berkualitas buruk dapat menyebabkan model memberikan hasil yang tidak akurat atau bias, sementara dataset yang berkualitas baik dapat meningkatkan performa dan generalisasi model.

Faktor-Faktor Penentu Kualitas Dataset

Keakuratan : mencerminkan realitas atau kondisi sebenarnya.

Kelengkapan : seberapa banyak data yang tersedia sesuai dengan konteks penelitian.

Konsistensi : data yang tidak memiliki kontradiksi atau ketidaksesuaian internal.

Relevansi : mengacu pada apakah dataset sesuai dengan tujuan penelitian dan apakah variabel yang ada memiliki hubungan signifikan dengan masalah yang ingin diselesaikan.

Ketepatan Waktu : dataset yang digunakan harus relevan dengan waktu penelitian

Kebersihan (Data Cleaning) : proses pembersihan dataset

Keamanan dan Privasi : data yang digunakan harus sesuai dengan regulasi dan standar privasi

LATIHAN

https://quickdraw.withgoogle.com

https://pictoblox.ai/

Implementasi KA Generatif

Industri Kreatif dan Desain : ex. menggunakan AI seperti DALL·E atau Midjourney untuk membuat desain visual (logo, poster, ilustrasi karakter), dsb.

Industri Teks dan Jurnalistik : ex. Menggunakan Chat GPT untuk menulis artikel, ringkasan berita, atau konten blog, dsb.

Industri Musik : ex. membuat musik latar (background music) untuk video atau iklan, menciptakan melodi, harmoni, atau aransemen musik yang unik, dsb.

Pengembangan Gim (Game) : ex. membuat cerita (storyline) dinamis, mendesain karakter dan dunia game secara otomatis, dsb.

Pengembangan Produk dan Riset : ex. Simulasi eksperimen atau prediksi hasil berdasarkan data sebelumnya, membantu menulis laporan riset atau dokumentasi teknis, dsb.

E-commerce dan Periklanan : ex. Iklan digital (banner/video ads) dihasilkan secara otomatis dari data produk, dsb.

Pendidikan : ex. KA sebagai asisten guru, membuat soal latihan, ringkasan materi, atau penjelasan ulang, dsb.

AKTIVITAS 1 - SECTION B

DALAM WAKTU 20 MENIT - Lakukan kegiatan dibawah SECARA BERKELOMPOK!

1. Buatlah konten promosi dengan KA generator teks.

2. Buatlah desain kemasan dan poster dengan KA generator gambar.

3. Buatlah video promosi dengan KA generator video.

4. Buatlah musik latar dengan KA generator musik.

REFLEKSI AKTIVITAS 1 - SECTION B

1. Bagaimana pengalaman Bapak/Ibu saat menggunakan berbagai alat KA generatif untuk membuat konten promosi pendidikan, seperti teks, desain poster, video, dan musik latar?

2. Apa saja tantangan yang Bapak/Ibu hadapi selama proses pembuatan konten dengan KA? Misalnya dalam mengatur kualitas hasil, menjaga orisinalitas, atau memadukan berbagai jenis media?

3. Jika Bapak/Ibu diberi kesempatan untuk mengembangkan proyek ini, ide apa yang ingin Bapak/Ibu tambahkan?

2.Etika dan Resiko Penggunaan Kecerdasan Artifisial

KA Generatif memiliki potensi besar dalam berbagai bidang, mulai dari seni, jurnalisme, bisnis, hingga pendidikan. Namun, penggunaannya harus diiringi dengan kesadaran etika agar tidak menimbulkan dampak negatif bagi individu maupun masyarakat. Salah satu aspek utama dalam etika KA generatif adalah memastikan bahwa teknologi ini digunakan secara transparan dan adil, serta menghormati hak cipta dan kepemilikan intelektual.

​Etika dalam Penggunaan KA Generatif

Potensi Penyalahgunaan dan Hoaks : Dengan kemampuan KA generatif untuk membuat konten yang sangat mirip dengan aslinya, berbagai pihak dapat memanfaatkannya untuk tujuan yang tidak etis, seperti manipulasi informasi, penipuan, dan propaganda

Bias dalam Data dan Hasil : KA yang dibangun dari data yang tidak lengkap, tidak akurat, tidak relevan, atau tidak adil dapat menghasilkan bias akibat kesalahan dalam pengukuran, pengkodean, sampling, atau interpretasi.

Pelanggaran Privasi dan Keamanan Data : KA dapat mengumpulkan dan menganalisis data dalam jumlah besar dari berbagai sumber, yang bermanfaat untuk layanan personal, namun juga berisiko mengancam privasi dan keamanan karena potensi penyalahgunaan oleh pihak tak bertanggung jawab.

Resiko Penggunaan KA Generatif

Beberapa contoh pelanggaran privasi dan keamanan data yang dapat dilakukan oleh KA adalah sebagai berikut:

1. Mengidentifikasi, melacak, atau memantau aktivitas, lokasi, atau perilaku tanpa sepengetahuan atau persetujuan dari mereka para pengguna;

2. Mengubah, menghapus, atau mencuri data yang sifatnya sensitif, rahasia, atau penting, seperti data pribadi, keuangan, kesehatan, atau nasional;

3. Membuat profil, diskriminasi, atau manipulasi berdasarkan data yang diketahui oleh KA, seperti preferensi, kebiasaan, opini, atau emosi; dan

4. Menyebarkan informasi palsu (HOAKS), menyesatkan, atau merusak yang dapat memengaruhi opini, sikap, atau perilaku.

Merupakan gabungan dari kata deep learning dan fake (palsu).

Deepfake adalah teknik memanipulasi gambar, suara, atau video dengan KA sehingga tercipta konten baru yang terlihat asli dan meyakinkan.

Teknologi ini dapat digunakan untuk berbagai tujuan, mulai dari hiburan dan seni hingga penipuan dan disinformasi

Deepfake bekerja menggunakan dua algoritma, yaitu generator dan diskriminator.

​Teknologi Deepfake

Generator membuat kumpulan data pelatihan berdasarkan output yang diinginkan dan membuat konten digital palsu awal.

Sementara diskriminator menganalisis seberapa realistis atau palsu versi awal konten tersebut.

Proses ini diulang, sehingga generator dapat meningkatkan kemampuan dalam membuat konten yang realistis, dan diskriminator menjadi lebih terampil dalam menemukan kekurangan untuk diperbaiki oleh generator.

​Teknologi Deepfake

Teknik Face Swapping : Teknik ini melibatkan pertukaran wajah antara dua individu dalam sebuah gambar atau video.

Teknik Lip Syncing : Teknik ini melibatkan sinkronisasi gerakan bibir, mulut, wajah, atau bahkan tubuh subjek dalam foto atau video seseorang dengan suara orang lain atau dengan trek audio tertentu.

Puppet Master : Teknik ini melibatkan penggunaan wajah seseorang untuk mengontrol ekspresi dan gerakan wajah orang lain dalam video. Dalam teknik ini, gerakan wajah seseorang diambil dan diterapkan pada wajah orang lain.

Voice Cloning : Selain manipulasi video, teknologi deepfake juga dapat digunakan untuk meniru suara seseorang. Dengan menggunakan data suara dari individu, model deep learning dapat menghasilkan rekaman audio yang terdengar sangat mirip dengan suara asli individu tersebut.

Teknik dalam Pembuatan Deepfake

Multiple Choice

Apakah foto ini buatan AI?

• Ya, itu buatan AI

• Bukan, itu bukan buatan AI

Multiple Choice

Apakah foto ini buatan AI?

• Ya, itu buatan AI

• Bukan, itu bukan buatan AI

Multiple Choice

Apakah foto ini buatan AI?

• Ya, itu buatan AI

• Bukan, itu bukan buatan AI

Perhatikan Wajah : Amati perubahan yang mencolok pada wajah orang dalam konten tersebut.

Analisis Bagian Pipi dan Dahi : Apakah kulit terlihat terlalu halus atau terlalu keriput? Perhatikan apakah usia kulit sesuai dengan usia rambut dan mata.

Observasi Kacamata : Apakah ada silau yang tidak konsisten atau terlalu banyak silau? Amati apakah sudut silau berubah saat orang tersebut bergerak.

Analisis Rambut di Wajah : Perhatikan apakah rambut wajah terlihat nyata.

Amati Tahi Lalat di Wajah : Keaslian tahi lalat pada wajah juga perlu diperhatikan sebagai tanda deepfake.

Perhatikan Kedipan : Apakah frekuensi kedipan terlihat normal?

Analisis Ukuran dan Warna Bibir : Apakah ukuran dan warna bibir sesuai dengan bagian lain wajah?

Analisis jari tangan : Perhatikan bentuk, jumlah jari, Apakah terlihat tidak wajar?

Cara mendeteksi deepfake secara manual

​MENGERJAKAN LK. 3.3

Instruksi:

Bentuk kelompok per kelompok 5-6 peserta beserta tugasnya

Unduh file LK Mengaplikasi di LMS dan asset gambar (Gbr.3) bisa diunduh melalui tautan https://s.id/bimtekkkasmp2025

Kerjakanlah LK Mengaplikasi bagian 3.3 secara berkelompok

Tugas : menganalisis Konten Deepfake

Hasil presentasi disimpan dalam bentuk pdf dan diunggah di LMS.

TAHAP MEMAHAMI
LK 3.1 === Membuat resume bermakna / peta konsep
LK 3.2 === Diskusi mengenai Ai kemudian minta umpan balik dari 2 rekan sejawat

KUIS PEMAHAMAN KA

TAHAP MENG-APLIKASI
LK 3.3 === analisis konten deepfake. tulis dalam bentuk laporan dan PRESENTASIKAN

TAHAP MEREFLEKSI
LK 3.4 === menjawab pertanyaan dengan 4F