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 AI9 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.

Bias AI

Literasi & Etika AIMenengah

Fase D–FE3E4

AI belajar dari data. Kalau datanya berat sebelah, keputusannya jadi tidak adil bagi kelompok yang jarang muncul di data — bias bisa merugikan orang sungguhan.

Contoh kasus

Filter wajah yang sulit mengenali kulit gelap karena dilatih dari wajah yang kurang beragam.

Silabus

Data timpang di dalam, keputusan tak adil di luar. Kualitas data = kualitas keadilan.

Tujuan Belajar

·Memahami hubungan kualitas data dengan bias AI
·Mengenali bias sebagai persoalan etika, bukan cuma teknis
·Tahu bahwa memperbaiki data memperbaiki keadilan

Cara Kerja

·AI menarik garis keputusan dari data latih
·Data berat sebelah menarik garis ke kelompok mayoritas
·Kelompok minoritas jadi lebih sering salah dinilai
·Menyeimbangkan data meluruskan garisnya

Prasyarat

·Bagaimana AI Belajar

Contoh Nyata

·Face-unlock & filter wajah
·Seleksi lamaran kerja otomatis
·Skoring pinjol

Pesan kunci AI seadil datanya. Data timpang menghasilkan keputusan bias.

Deepfake: Asli vs AI

Literasi & Etika AIMenengah

Fase D–FE3E2

Media palsu buatan AI makin mirip aslinya. Tapi sering ada kejanggalan kecil yang membongkarnya — kalau kita berhenti sejenak dan memeriksa sebelum percaya.

Contoh kasus

Video atau voice-note palsu artis/guru; face-swap teman sekelas; iklan 'endorse' AI yang menipu.

Silabus

Deepfake makin meyakinkan; jeda, cari kejanggalan, dan telusuri sumber aslinya sebelum percaya.

Tujuan Belajar

·Memahami bahwa media (foto/suara/video) bisa dibuat AI
·Mengenali tanda-tanda kejanggalan deepfake
·Terbiasa memverifikasi sebelum percaya & membagikan

Cara Kerja

·AI menyusun wajah/suara palsu dari banyak contoh
·Detailnya sering tak konsisten: jari, tepi, kedip, bayangan
·Menyapu dan mencocokkan detail membongkar yang palsu
·Ragu? Cari sumber aslinya

Prasyarat

·Bagaimana AI Belajar

Contoh Nyata

·Video palsu tokoh publik
·Penipuan suara 'orang tua minta transfer'
·Face-swap tanpa izin

Pesan kunci Yang mirip belum tentu asli. Jeda, periksa kejanggalan, cek sumber.

FYP yang Menyempit

Literasi & Etika AIMenengah

Fase D–FE3E2

Algoritma rekomendasi belajar dari apa yang kamu tonton, lalu menampilkan lebih banyak hal serupa — perlahan mempersempit ragam konten yang kamu lihat. Inilah filter bubble atau echo chamber.

Contoh kasus

Tonton beberapa video game yang sama, dan dalam sehari seluruh FYP-mu jadi game itu saja — kamu berhenti melihat hal lain.

Silabus

Feed-mu bukan cermin dunia; ia cermin kebiasaanmu — dan makin lama makin sempit.

Tujuan Belajar

·Memahami cara algoritma rekomendasi belajar dari perilakumu
·Menyadari efek filter bubble pada cara pandang
·Terbiasa sengaja mencari sudut pandang berbeda

Cara Kerja

·Tiap tontonan menaikkan bobot topik itu
·Konten serupa muncul lebih sering, yang lain memudar
·Lama-lama ragam konten menyempit ke satu tema

Prasyarat

·Terbiasa memakai media sosial / aplikasi video

Contoh Nyata

·FYP TikTok/Reels
·Rekomendasi YouTube & toko online
·Timeline berita

Pesan kunci Rekomendasi mempersempit; sengaja jelajahi hal baru untuk melawannya.

Hoaks Menyebar

Literasi & Etika AIMenengah

Fase D–FE3E2

Kabar bohong menyebar seperti virus lewat jaringan pertemanan — makin banyak yang membagikan, makin cepat menular. Satu orang yang mengecek fakta bisa memutus rantainya.

Contoh kasus

Hoaks 'besok libur sekolah' diteruskan di grup WA kelas, sampai satu orang mengeceknya dan berhenti membagikan.

Silabus

Hoaks menular lewat 'bagikan'. Berhenti sejenak untuk cek = memutus rantai penularan.

Tujuan Belajar

·Memahami penyebaran misinformasi sebagai penularan di jaringan
·Menyadari peran tiap orang dalam meneruskan/menghentikan
·Terbiasa jeda dan verifikasi sebelum membagikan

Cara Kerja

·Satu sumber hoaks membagikan ke tetangganya
·Tiap penerima yang ikut membagikan menulari lagi (eksponensial)
·Orang yang cek-fakta tidak meneruskan → tetangganya aman
·Beberapa pengecek memutus rantai lebih awal

Prasyarat

·Terbiasa memakai grup pesan / media sosial

Contoh Nyata

·Broadcast WhatsApp keluarga & kelas
·Giveaway & undian palsu
·Kabar bencana yang belum tentu benar

Pesan kunci Misinformasi menular lewat share. Jeda + cek fakta memutus rantai.

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.

Manusia Pegang Kendali

Literasi & Etika AIMenengah

Fase E–FE3

AI boleh mengusulkan, tapi keputusan penting tak boleh sepenuhnya diserahkan padanya. Manusia yang memikul tanggung jawab etika dan hukum.

Contoh kasus

Diagnosis medis, kemudi mobil, atau nilai rapor yang harus tetap disetujui manusia — bukan diputus AI sendiri.

Silabus

Untuk keputusan berisiko, AI mengusulkan tetapi manusia yang memutuskan & bertanggung jawab.

Tujuan Belajar

·Memahami batas mendelegasikan keputusan ke AI
·Mengenali tanggung jawab etika & hukum ada pada manusia
·Merancang alur 'AI usul → manusia setujui' untuk aksi penting

Cara Kerja

·AI memberi usulan/prediksi
·Untuk aksi berisiko/tak bisa dibatalkan, gerbang persetujuan manusia menahannya
·Manusia memeriksa, lalu setujui atau tolak
·Tanggung jawab tetap di manusia

Prasyarat

·Bias AI
·Bagaimana AI Belajar

Contoh Nyata

·Rekomendasi diagnosis dokter
·Mobil swakemudi
·Penilaian/seleksi otomatis

Pesan kunci AI usul, manusia putuskan. Keputusan penting butuh persetujuan manusia.