KURIKULUM · LAB VISUAL

Lab Visual xKyro

Koleksi visualisasi bergaya xKyro — algoritma, fisika, dan robotika. Setiap video menjelaskan cara kerjanya, contoh penerapan, dan rumus atau kode referensinya.

Filter KurikulumSemua

JenjangSD SMP SMA

FaseFase C Fase D Fase E Fase F

ElemenE1 · Berpikir Komputasional E2 · Literasi Digital E3 · Literasi & Etika AI E4 · Pemanfaatan & Pengembangan AI E5 · Algoritma Pemrograman E6 · Analisis Data

Literasi & Etika AI4 pelajaran · Pemula–Menengah

AI untuk Kebaikan

Literasi & Etika AIPemula

Fase C–FE3E1

Prinsip dasar KA: dibangun untuk menyejahterakan manusia, bukan merugikan. Perancang yang beretika menjaga manfaatnya jauh lebih besar dari bahayanya.

Contoh kasus

AI bantu tunanetra 'melihat' jalan (baik) vs AI yang menipu atau mengucilkan orang (buruk).

Silabus

AI dibuat untuk membantu manusia. Timbang manfaat vs bahaya; rancang agar tak merugikan.

Tujuan Belajar

·Memahami prinsip AI untuk kesejahteraan manusia
·Menimbang manfaat dan bahaya sebuah penggunaan AI
·Sikap empati & tidak merugikan orang lain

Cara Kerja

·Tiap AI punya sisi manfaat dan sisi bahaya
·Rancangan beretika memperbesar manfaat, memperkecil bahaya
·Yang merugikan/menipu melanggar prinsip
·Manusia (dan perancang) bertanggung jawab menjaganya

Contoh Nyata

·AI bantu disabilitas & kesehatan
·AI deteksi bencana dini
·vs penipuan/manipulasi berbasis AI

Pesan kunci AI harus membantu, bukan merugikan. Timbang manfaat vs bahaya.

Bagaimana AI Belajar

Literasi & Etika AIPemula

Fase C–FE3E4

AI mengenali pola dari banyak contoh — bukan sihir. Ia bisa terdengar sangat percaya diri, tapi tetap bisa keliru. Yakin bukan berarti benar.

Contoh kasus

AI yakin 98% sebuah foto adalah anjing, padahal jelas-jelas kucing.

Silabus

AI menebak dari contoh yang pernah dilihat. Angka keyakinan tinggi tidak menjamin jawaban benar.

Tujuan Belajar

·Memahami AI sebagai pencocok pola dari data, bukan sihir
·Menyadari AI bisa 'halusinasi' / pede tapi salah
·Terbiasa mengecek ulang jawaban AI

Cara Kerja

·AI belajar memisahkan contoh berlabel
·Contoh baru ditebak seperti contoh terdekat
·Untuk kasus ambigu, tebakan bisa salah walau keyakinannya tinggi

Prasyarat

·Mesin Cerdas vs Mesin Biasa

Contoh Nyata

·Teachable Machine di kelas
·Google Lens / pengenalan gambar
·Jawaban chatbot AI

Pesan kunci AI = pola dari contoh. Pede ≠ benar; selalu cek ulang.

Mesin Cerdas vs Mesin Biasa

Literasi & Etika AIPemula

Fase C–FE3E1

Mesin biasa hanya mengikuti aturan tetap. Mesin cerdas (AI) mengenali pola dari contoh, dan 'mengindra' dunia lewat kamera & mikrofon — cara yang berbeda dari indra manusia.

Contoh kasus

Kalkulator selalu ikut aturan yang sama; asisten AI mengenali suara & wajah yang belum pernah persis ia lihat.

Silabus

Mesin biasa mengikuti aturan tetap; mesin cerdas mengenali pola dari contoh.

Tujuan Belajar

·Membedakan mesin cerdas dan mesin non-cerdas
·Memahami cara komputer 'mengindra' (kamera, mikrofon) vs indra manusia
·Mengenali AI di sekitar sehari-hari

Cara Kerja

·Manusia mengindra lewat mata & telinga; komputer lewat kamera (piksel) & mikrofon (gelombang)
·Mesin biasa: input sama → output sama, selalu
·Mesin cerdas: mengenali pola sehingga bisa menghadapi contoh baru

Contoh Nyata

·Buka kunci HP dengan wajah
·Asisten suara
·Kalkulator vs asisten AI

Pesan kunci Mesin biasa = aturan tetap. Mesin cerdas = pola dari contoh.

Jejak Digital

Literasi & Etika AIMenengah

Fase C–FE3E2

Tiap tap, like, dan lokasi jadi satu titik data. Dikumpulkan, semuanya merakit profil dirimu — yang bisa dijual ke pengiklan tanpa kamu sadari.

Contoh kasus

Aplikasi/game gratis minta izin kontak & lokasi; iklan tiba-tiba 'membaca pikiran' setelah kamu membicarakannya.

Silabus

Data kecil yang kamu tinggalkan dikumpulkan jadi profil bernilai. Jaga jejakmu.

Tujuan Belajar

·Memahami bahwa perilaku online meninggalkan data
·Menyadari data dirakit jadi profil & bisa diperjualbelikan
·Lebih hati-hati memberi izin & membagikan data

Cara Kerja

·Tiap aksi (tap, like, lokasi) = satu titik data
·Titik-titik dikumpulkan lintas aplikasi
·Pola dirakit jadi profil (usia, minat, domisili, daya beli)
·Profil dipakai/dijual untuk menargetkan iklan

Contoh Nyata

·Izin aplikasi gratis (kontak, lokasi, mikrofon)
·Iklan yang terasa 'menguping'
·Kuis/filter yang minta data pribadi

Pesan kunci Data kecilmu dirakit jadi profil yang dijual. Beri izin dengan sadar.