Koleksi visualisasi bergaya xKyro — algoritma, fisika, dan robotika. Setiap video menjelaskan cara kerjanya, contoh penerapan, dan rumus atau kode referensinya.
Metode Monte Carlo menebar titik acak di persegi yang memuat lingkaran. Rasio titik yang jatuh di dalam lingkaran mendekati rasio luas (pi/4), jadi pi ~= 4 x dalam/total. Makin banyak titik, makin akurat. Pengantar probabilitas dan simulasi.
Contoh kasus
Estimasi nilai atau luas rumit lewat simulasi acak ketika rumus eksaknya sulit dihitung.
Silabus
Menebar titik acak di persegi berisi lingkaran; rasio titik di dalam lingkaran menaksir nilai pi.
Tujuan Belajar
·Memahami cara menaksir nilai lewat percobaan acak
·Menjelaskan hubungan rasio titik dengan rasio luas (pi/4)
·Menerapkan simulasi Monte Carlo untuk estimasi pi
Cara Kerja
·Gambar lingkaran di dalam sebuah persegi
·Tebar banyak titik acak di dalam persegi
·Hitung berapa titik yang jatuh di dalam lingkaran
·Bagi jumlah titik dalam lingkaran dengan total titik
·Kalikan rasio itu dengan 4 untuk memperkirakan pi
Prasyarat
·Luas lingkaran dan persegi
·Konsep probabilitas dasar
Contoh Nyata
·Menaksir peluang menang di game lewat ribuan percobaan acak
·Memperkirakan hasil rumit yang susah dihitung dengan rumus pasti
k-NN mengklasifikasikan titik baru dari k tetangga terdekatnya. Hitung jarak ke semua titik latih, ambil k yang paling dekat, lalu voting mayoritas kelas mereka menentukan label titik baru. Tidak ada tahap latih terpisah — semua kerja terjadi saat prediksi.
Contoh kasus
Rekomendasi sederhana: menandai sebuah film sebagai disukai atau tidak berdasarkan mayoritas dari beberapa film paling mirip yang sudah dinilai pengguna.
Silabus
Tentukan kelas sebuah data baru dengan voting mayoritas dari k tetangga terdekatnya.
Tujuan Belajar
·Memahami cara memberi label lewat kemiripan dengan data terdekat
·Menjelaskan peran jumlah tetangga k dalam pengambilan keputusan
·Menerapkan voting mayoritas untuk mengklasifikasi data baru
Cara Kerja
·Hitung jarak data baru ke semua data yang sudah punya label.
·Ambil k data yang jaraknya paling dekat.
·Lihat kelas mayoritas di antara k tetangga itu.
·Kelas terbanyak jadi label untuk data baru; tidak ada tahap latih terpisah.
Prasyarat
·Koordinat dan jarak antar titik
Contoh Nyata
·Rekomendasi film Netflix berdasarkan judul mirip yang sudah kamu suka.
·AI menandai satu lagu cocok atau tidak dari lagu-lagu termirip di riwayatmu.
·Filter foto yang menebak jenis objek dari gambar yang paling serupa.
Collaborative Filtering adalah mesin rekomendasi yang menebak kesukaanmu dari orang lain yang seleranya mirip. Algoritma mencari pengguna dengan pola suka yang paling dekat denganmu, lalu menyarankan hal yang mereka sukai tetapi belum kamu lihat. Visualisasi menampilkan tabel pengguna dan barang, pencocokan selera antar pengguna, hingga munculnya daftar rekomendasi.
Contoh kasus
Cara FYP TikTok dan baris kamu mungkin suka di Shopee memilih video atau barang berikutnya untukmu.
Silabus
Rekomendasikan sesuatu dengan mencari pengguna lain yang seleranya paling mirip denganmu.
Tujuan Belajar
·Memahami cara AI merekomendasikan konten dari selera pengguna mirip
·Menjelaskan cara mengukur kemiripan antar pengguna dari pola suka
·Menerapkan penyaringan barang untuk menghasilkan rekomendasi baru
Cara Kerja
·Catat barang atau video yang disukai tiap pengguna dalam sebuah tabel.
·Untukmu, cari pengguna lain yang pola sukanya paling mirip.
·Lihat hal yang mereka sukai tetapi belum pernah kamu buka.
·Sarankan hal itu kepadamu sebagai rekomendasi.
·Makin banyak yang kamu suka, makin akurat tebakan berikutnya.
Prasyarat
·Tabel atau matriks sederhana
·Konsep kemiripan atau kedekatan
Contoh Nyata
·FYP TikTok yang menyajikan video mirip selera penonton serupa.
·Baris kamu mungkin suka di Shopee dan Tokopedia.
·Rekomendasi lagu Spotify dari pendengar yang seleranya mirip.
Convolution adalah operasi inti computer vision yang menyapukan jendela kecil 3x3 (kernel) ke seluruh piksel gambar. Di tiap posisi, nilai piksel dikalikan dengan angka pada kernel lalu dijumlahkan sehingga perubahan warna yang tajam menonjol sebagai tepi objek. Visualisasi menampilkan jendela yang bergeser sel demi sel dan peta tepi yang perlahan terbentuk dari gambar asli.
Contoh kasus
Cara filter kamera TikTok dan fitur face-unlock HP menemukan garis wajah sebelum mengenali siapa pemiliknya.
Silabus
Sapukan jendela kecil ke seluruh piksel untuk menonjolkan tepi dan pola pada gambar.
Tujuan Belajar
·Memahami cara AI melihat gambar melalui jendela piksel kecil
·Menjelaskan proses kalikan-lalu-jumlahkan antara kernel dan piksel
·Menerapkan deteksi tepi sebagai langkah awal pengenalan objek
Cara Kerja
·Tempatkan jendela 3x3 (kernel) di atas sekelompok piksel.
·Kalikan tiap piksel dengan angka pada kernel, lalu jumlahkan semuanya.
·Hasil penjumlahan menjadi nilai piksel baru di peta keluaran.
·Geser jendela satu piksel dan ulangi sampai seluruh gambar tersapu.
·Tepi objek muncul terang karena di sanalah warna berubah paling tajam.
Prasyarat
·Grid dua dimensi
·Perkalian dan penjumlahan dasar
Contoh Nyata
·Filter dan efek wajah di TikTok atau Instagram yang perlu menemukan wajah dulu.
·Face-unlock HP yang mengenali garis wajah sebelum membuka kunci.
·Fitur pertajam dan kaburkan foto pada aplikasi editor gambar.
Decision Tree adalah model machine learning yang mengklasifikasi data dengan menyusun serangkaian pertanyaan ya/tidak menjadi sebuah pohon. Di tiap simpul, algoritma memilih pertanyaan yang paling memisahkan data ke kelompok yang lebih murni, lalu bercabang sampai mencapai daun yang berisi jawaban akhir. Visualisasi menampilkan pohon pertanyaan yang tumbuh dan jalur keputusan yang diikuti hingga sebuah data diberi label.
Contoh kasus
Aplikasi AI yang menebak jenis hewan peliharaan dari beberapa pertanyaan seperti berbulu atau tidak dan bisa terbang atau tidak.
Silabus
Klasifikasikan data dengan menyusun pertanyaan ya/tidak menjadi pohon yang bercabang ke jawaban.
Tujuan Belajar
·Memahami cara AI mengambil keputusan lewat rangkaian pertanyaan sederhana
·Menjelaskan cara pohon memilih pertanyaan yang paling memisahkan data
·Menerapkan penelusuran cabang untuk memberi label pada data baru
Cara Kerja
·Mulai dari satu pertanyaan di akar yang paling memisahkan data.
·Setiap jawaban ya atau tidak membawa data ke cabang yang berbeda.
·Di tiap cabang, ajukan pertanyaan lanjutan yang mempersempit kemungkinan.
·Berhenti di daun ketika data sudah cukup seragam, lalu berikan label jawaban.
Prasyarat
·Percabangan (if-else)
·Konsep pohon (tree) sederhana
Contoh Nyata
·AI galeri HP yang menebak isi foto dari beberapa ciri sederhana.
·Sistem penyaring pengajuan yang memutuskan lolos atau tidak lewat cek bertahap.
·Kuis online yang menebak karakter favoritmu dari jawaban ya atau tidak.
Gradient Descent mencari titik minimum sebuah fungsi dengan bergerak melawan arah kemiringan (turunan). Tiap langkah: hitung kemiringan di posisi sekarang, lalu geser x sebesar laju-belajar dikali kemiringan. Makin dekat dasar, kemiringan mengecil sehingga langkah makin kecil sampai berhenti.
Contoh kasus
Inti pelatihan model AI: menyetel bobot jaringan saraf agar galat prediksi (loss) sekecil mungkin, satu langkah turun sedikit demi sedikit.
Silabus
Cari titik terendah sebuah fungsi dengan terus melangkah turun melawan arah kemiringan.
Tujuan Belajar
·Memahami cara AI menyetel dirinya agar prediksi makin akurat
·Menjelaskan hubungan kemiringan (turunan) dengan arah langkah
·Menerapkan langkah kecil berulang untuk menurunkan galat (loss)
Cara Kerja
·Bayangkan bola di lereng bukit yang ingin turun ke dasar lembah.
·Di posisi sekarang, hitung ke arah mana lereng menurun.
·Geser sedikit ke arah turun sebesar laju-belajar dikali kemiringan.
·Makin dekat dasar, kemiringan makin landai sehingga langkah mengecil.
·Berhenti saat sudah sampai titik paling rendah.
Prasyarat
·Fungsi dan grafik
·Konsep kemiringan atau turunan
Contoh Nyata
·Inti latihan model AI seperti ChatGPT: menyetel bobot agar makin pintar.
·Cara FYP TikTok belajar dari kesalahan tebakan supaya rekomendasi makin pas.
·Sistem filter foto yang pelan-pelan mengecilkan error sampai hasilnya rapi.
Jaringan saraf tiruan meniru cara neuron di otak bekerja. Angka masukan mengalir lewat lapisan-lapisan node; tiap node menjumlahkan sinyal berbobot yang masuk, melewatkannya lewat fungsi aktivasi, lalu meneruskannya ke lapisan berikutnya. Di ujung, node dengan nilai tertinggi menyala sebagai jawaban. Visualisasi mengalirkan sinyal dari input sampai output yang menyala.
Contoh kasus
Otak tiruan di balik ChatGPT serta fitur yang mengenali wajah atau tulisan tangan bekerja dengan aliran sinyal berbobot seperti ini.
Silabus
Sinyal masukan mengalir lewat lapisan node berbobot; node ujung dengan nilai tertinggi menjadi jawaban.
Tujuan Belajar
·Memahami struktur lapisan input, hidden, dan output
·Menjelaskan cara sebuah node menjumlahkan sinyal berbobot
·Mengaitkan forward pass dengan cara AI modern menebak jawaban
Cara Kerja
·Kalikan tiap masukan dengan bobotnya lalu jumlahkan pada tiap node.
·Lewatkan hasilnya lewat fungsi aktivasi (misalnya ReLU) menjadi sinyal untuk lapisan berikut.
·Ulangi lapis demi lapis sampai lapisan output.
·Node output dengan nilai tertinggi dipilih sebagai jawaban.
K-Means mengelompokkan data ke dalam K klaster tanpa label. Tiap iterasi berjalan dua fase: ASSIGN — setiap titik ikut centroid terdekat (jarak Euclidean); MOVE — tiap centroid pindah ke rata-rata anggotanya. Kedua fase diulang sampai penempatan tak berubah lagi (konvergen).
Contoh kasus
Segmentasi pelanggan toko online: mengelompokkan pembeli berdasarkan frekuensi dan nilai belanja menjadi beberapa segmen untuk penargetan promo per segmen.
Silabus
Kelompokkan data tanpa label ke dalam K klaster berdasarkan kedekatannya ke pusat kelompok.
Tujuan Belajar
·Memahami cara AI mengelompokkan data mirip tanpa contoh jawaban
·Menjelaskan dua fase berulang: ASSIGN (ikut pusat terdekat) dan MOVE (geser pusat)
·Menerapkan konsep jarak untuk membentuk segmen atau kelompok
Cara Kerja
·Tentukan K titik pusat (centroid) secara acak sebagai awal.
·ASSIGN: tiap data ikut centroid yang paling dekat dengannya.
·MOVE: tiap centroid pindah ke posisi rata-rata anggotanya.
·Ulangi ASSIGN dan MOVE sampai pengelompokan tidak berubah lagi (konvergen).
Prasyarat
·Koordinat dan jarak antar titik
Contoh Nyata
·Shopee mengelompokkan pembeli jadi segmen untuk kirim promo yang pas.
·Spotify atau TikTok mengelompokkan lagu bergaya mirip jadi satu playlist.
·AI galeri HP yang otomatis mengumpulkan foto orang yang sama.
Logistic Regression memprediksi peluang, bukan sekadar jawaban ya atau tidak. Ia menghitung skor linear dari fitur lalu menekannya ke rentang 0 sampai 1 lewat fungsi sigmoid berbentuk S. Hasilnya adalah peluang sebuah data masuk ke satu kelas; sebuah ambang (biasanya 0,5) yang memutuskan labelnya. Visualisasi menggambar kurva S dan menempatkan sebuah data pada peluangnya.
Contoh kasus
Menaksir peluang sebuah email adalah spam, atau peluang seorang siswa lulus berdasarkan nilai-nilai latihannya.
Silabus
Ubah skor linear menjadi peluang 0 sampai 1 lewat kurva sigmoid berbentuk S.
Tujuan Belajar
·Membedakan prediksi peluang dari klasifikasi yang kaku
·Memahami peran fungsi sigmoid
·Menjelaskan cara ambang keputusan bekerja
Cara Kerja
·Hitung skor linear z = w kali x tambah b dari fitur.
·Lewatkan z lewat sigmoid menjadi peluang p antara 0 dan 1.
·Bandingkan p dengan ambang (misalnya 0,5).
·Beri label kelas 1 bila p di atas ambang, kelas 0 bila di bawahnya.
Naive Bayes adalah model machine learning yang mengklasifikasi teks dengan menjumlahkan bukti dari tiap kata secara terpisah. Kata pemicu seperti gratis atau menang menambah skor ke arah SPAM, sedangkan kata biasa menariknya ke arah AMAN, lalu kelas dengan skor tertinggi dipilih. Visualisasi menampilkan sebuah pesan yang dipindai kata demi kata beserta skor yang naik hingga diberi label SPAM atau AMAN.
Contoh kasus
Cara email Gmail dan filter chat otomatis memisahkan pesan promo atau penipuan dari pesan penting temanmu.
Silabus
Klasifikasikan pesan dengan menjumlahkan skor tiap kata menuju kelas SPAM atau AMAN.
Tujuan Belajar
·Memahami cara AI menyaring spam dari kata-kata pemicunya
·Menjelaskan cara tiap kata menambah atau mengurangi skor sebuah kelas
·Menerapkan pemilihan kelas berdasarkan skor bukti tertinggi
Cara Kerja
·Pelajari kata mana yang sering muncul di pesan spam dan mana di pesan aman.
·Untuk pesan baru, mulai dari skor awal untuk tiap kelas.
·Tiap kata pemicu menambah skor ke kelas yang cocok dengannya.
·Anggap tiap kata berdiri sendiri agar penjumlahan skor jadi sederhana.
·Pilih kelas dengan skor akhir tertinggi sebagai keputusan SPAM atau AMAN.
Prasyarat
·Penjumlahan skor
·Konsep peluang sederhana
Contoh Nyata
·Filter spam di Gmail yang memindahkan email promo ke folder terpisah.
·Deteksi pesan penipuan berhadiah palsu di aplikasi chat.
·Penyaring komentar berisi tautan judi di kolom komentar media sosial.
Perceptron mencari GARIS pemisah dua kelas titik. Untuk tiap titik yang salah klasifikasi, bobot digeser sedikit ke arah yang benar sehingga garis berputar. Bila data terpisah linear, dijamin konvergen. Cikal-bakal neuron pada jaringan saraf.
Contoh kasus
Klasifikasi biner sederhana: memisahkan email spam vs bukan-spam dengan satu garis keputusan yang terus diperbaiki.
Silabus
Cari satu garis pemisah dua kelas dengan menggeser bobot tiap kali ada titik yang salah tebak.
Tujuan Belajar
·Memahami unit dasar penyusun jaringan saraf (neuron buatan)
·Menjelaskan cara garis keputusan diperbaiki dari kesalahan
·Menerapkan klasifikasi biner dengan satu garis pemisah
Cara Kerja
·Mulai dengan sebuah garis pemisah tebakan awal.
·Cek tiap titik: sudah berada di sisi yang benar atau belum.
·Untuk titik yang salah klasifikasi, geser bobot sedikit ke arah yang benar.
·Garis ikut berputar; ulangi sampai semua titik terpisah rapi (konvergen bila data terpisah linear).
Prasyarat
·Koordinat dan garis pada bidang
·Konsep bobot atau penjumlahan berbobot
Contoh Nyata
·Memisahkan email spam vs bukan-spam dengan satu garis keputusan.
·Cikal-bakal neuron di balik AI generatif dan filter wajah masa kini.
·Deteksi komentar toxic vs aman di kolom komentar media sosial.
Regresi linear mencari satu garis lurus yang paling pas melewati sekumpulan titik data, lalu memakainya untuk memprediksi. Paling pas berarti jarak vertikal (error) dari tiap titik ke garis, dijumlahkan dan dikuadratkan, sekecil mungkin — metode kuadrat terkecil. Setelah garis ketemu, kita bisa menaksir nilai untuk masukan baru. Visualisasi memiringkan garis sampai total error terkecil lalu memprediksi sebuah nilai.
Contoh kasus
Menaksir nilai ujian dari jam belajar, atau memperkirakan harga rumah dari luasnya, berdasarkan pola data yang sudah ada.
Silabus
Cari garis lurus dengan total jarak-kuadrat ke semua titik terkecil, lalu pakai untuk memprediksi.
Tujuan Belajar
·Memahami ide garis best-fit
·Menjelaskan error sebagai jarak titik ke garis
·Memakai garis untuk memprediksi nilai baru
Cara Kerja
·Sebar titik data pada bidang (misal jam belajar vs nilai).
·Ukur error = jarak vertikal tiap titik ke garis.
·Miringkan garis sampai total error-kuadrat paling kecil (kuadrat terkecil).
·Pakai garis final untuk memprediksi nilai dari masukan baru.
Genetic Algorithm meniru evolusi alam untuk menemukan solusi bagus tanpa mencoba semua kemungkinan. Sekumpulan kandidat solusi (populasi) dinilai dengan fungsi fitness; yang terbaik digabung menghasilkan solusi baru dengan sedikit mutasi acak, generasi demi generasi. Perlahan populasi bergerak menuju solusi yang makin baik. Visualisasi mengevolusikan rute pengantaran sampai jaraknya jauh lebih pendek.
Contoh kasus
Mencari urutan rute pengantaran Gojek yang mendekati paling pendek, ketika mencoba semua kombinasi butuh waktu terlalu lama.
Silabus
Nilai sekumpulan solusi, gabungkan yang terbaik, mutasi sedikit, ulangi — evolusi menuju solusi bagus.
Tujuan Belajar
·Memahami metode pencarian yang terinspirasi evolusi
·Menjelaskan peran fitness, crossover, dan mutasi
·Mengetahui kapan solusi cukup baik lebih realistis daripada sempurna
Cara Kerja
·Mulai dari populasi solusi acak.
·Nilai tiap solusi dengan fungsi fitness (misalnya 1 dibagi panjang rute).
·Pilih solusi terbaik sebagai induk.
·Gabungkan induk (crossover) dan beri mutasi kecil untuk membentuk generasi baru, lalu ulangi.
Prasyarat
·Konsep fungsi penilaian (fitness)
·Bilangan acak dan array/daftar
Contoh Nyata
·Optimasi rute dan jadwal pengantaran.
·Desain antena dan sirkuit (dipakai NASA).
·Menyetel strategi dan level dalam pengembangan game.
Q-Learning membuat agen belajar NILAI tiap keadaan dari reward: V(s) = diskon x nilai tetangga terbaik. Nilai menyebar keluar dari goal (backup Bellman) sampai stabil, lalu policy = selalu bergerak ke tetangga bernilai tertinggi. Inti reinforcement learning.
Contoh kasus
Robot belajar rute optimal ke tujuan lewat coba-coba, memperbarui nilai tiap sel dari hadiah yang diterima.
Silabus
Agen belajar nilai tiap keadaan dari reward, lalu selalu bergerak ke tetangga bernilai tertinggi.
Tujuan Belajar
·Memahami dasar reinforcement learning: belajar dari hadiah lewat coba-coba
·Menjelaskan cara nilai menyebar keluar dari tujuan (goal)
·Menerapkan aturan pilih tetangga bernilai tertinggi sebagai strategi (policy)
Cara Kerja
·Beri reward besar pada keadaan tujuan (goal).
·Nilai tiap sel = faktor diskon dikali nilai tetangga terbaiknya.
·Nilai merambat keluar dari goal lewat coba-coba sampai stabil.
·Strategi akhir: dari mana pun, selalu melangkah ke tetangga bernilai paling tinggi.
Prasyarat
·Grid dan tetangga sel
·Konsep reward atau nilai
Contoh Nyata
·AI game seperti bot Mobile Legends yang belajar rute dan aksi terbaik.
·Robot yang belajar jalan ke tujuan lewat coba-coba dan hadiah.
·Sistem yang mengatur langkah agar skor akhir semaksimal mungkin.
Model kebakaran hutan menunjukkan bagaimana sesuatu menyebar hanya lewat sentuhan langsung. Api mulai di satu sisi dan tiap ronde menjalar ke pohon tetangga yang bersentuhan; pohon yang terbakar menjadi abu. Bila ada celah kosong, api terputus dan berhenti. Apakah api menembus dari atas ke bawah bergantung pada seberapa rapat pohon terhubung — inilah konsep perkolasi. Visualisasi menjalarkan api ronde demi ronde sampai padam.
Contoh kasus
Pola yang sama menjelaskan penyebaran virus lewat kontak, kebakaran nyata yang berhenti di sekat bakar, dan gosip yang viral lewat pertemanan.
Silabus
Api menjalar hanya ke tetangga bersentuhan; celah kosong memutus rambatan — tembus atau tidak = perkolasi.
Tujuan Belajar
·Memahami simulasi penyebaran berbasis grid
·Menjelaskan peran celah (sekat bakar) dalam memutus rambatan
·Mengenali konsep perkolasi (tembus atau tidak)
Cara Kerja
·Isi hutan dengan pohon dan sebagian celah kosong.
·Api mulai dari satu sisi (baris atas).
·Tiap ronde, api menjalar ke pohon tetangga yang bersentuhan; pohon terbakar jadi abu.
·Celah kosong memutus api sampai rambatan berhenti.
Model SIR adalah simulasi penyebaran penyakit yang membagi populasi menjadi tiga keadaan: Susceptible (rentan), Infected (terinfeksi), dan Recovered (sembuh). Tiap langkah, orang terinfeksi bisa menulari tetangga yang rentan lalu akhirnya sembuh dan kebal, sehingga jumlah kasus naik dulu kemudian turun membentuk kurva. Visualisasi menampilkan grid warna yang berubah seiring wabah menyebar beserta kurva jumlah kasus dari waktu ke waktu.
Contoh kasus
Cara memodelkan naik-turunnya kasus COVID-19 di satu lingkungan untuk memperkirakan kapan puncak wabah terjadi.
Silabus
Modelkan wabah dengan membagi orang jadi rentan, terinfeksi, dan sembuh, lalu lihat kurvanya naik-turun.
Tujuan Belajar
·Memahami cara wabah dimodelkan lewat tiga keadaan penduduk
·Menjelaskan perpindahan dari rentan ke terinfeksi lalu sembuh
·Menerapkan simulasi grid untuk melihat kurva kasus naik lalu turun
Cara Kerja
·Tandai tiap orang di grid sebagai rentan, terinfeksi, atau sembuh.
·Tiap langkah, orang terinfeksi berpeluang menulari tetangga yang rentan.
·Setelah beberapa waktu, orang terinfeksi berpindah menjadi sembuh dan kebal.
·Jumlah kasus naik saat penularan cepat, lalu turun saat banyak yang sembuh.
·Kurva keseluruhan membentuk gundukan naik kemudian melandai.
Prasyarat
·Grid dua dimensi
·Konsep peluang sederhana
Contoh Nyata
·Perkiraan naik-turunnya kasus COVID-19 di sebuah wilayah.
·Alasan menjaga jarak dan vaksin bisa menekan puncak wabah.
·Model penyebaran informasi atau tren viral yang mirip pola wabah.
Model Lotka-Volterra menjelaskan naik-turunnya populasi predator dan mangsa yang saling bergantung. Ketika rusa (mangsa) banyak, serigala (predator) punya banyak makanan sehingga jumlahnya naik; tetapi terlalu banyak serigala membuat rusa berkurang, lalu serigala pun ikut turun karena kelaparan, dan rusa kembali naik. Hasilnya dua gelombang yang berulang, dengan puncak serigala selalu tertinggal di belakang puncak rusa. Visualisasi menggambar kedua siklus populasi yang saling mengejar.
Contoh kasus
Menjelaskan mengapa populasi hewan di alam naik-turun secara berkala, seperti kelinci dan rubah, atau hama pertanian dan pemangsanya.
Silabus
Mangsa banyak -> predator naik -> mangsa turun -> predator turun -> mangsa naik; siklus berulang, puncak predator tertinggal.
Tujuan Belajar
·Memahami sistem dinamis yang saling bergantung
·Menjelaskan jeda fase (predator mengikuti mangsa)
·Melihat keseimbangan siklus di alam
Cara Kerja
·Mulai dari sejumlah rusa dan serigala.
·Banyak rusa membuat serigala berkembang (makanan melimpah).
·Banyak serigala menekan jumlah rusa.
·Rusa sedikit membuat serigala kelaparan dan menurun, lalu rusa naik lagi — siklus berulang.
Prasyarat
·Grafik terhadap waktu
·Konsep laju naik dan turun
·Perkalian sederhana
Contoh Nyata
·Naik-turun populasi hewan di alam (kelinci dan rubah).
Model Schelling menunjukkan bagaimana preferensi individu yang ringan bisa menghasilkan pemisahan kelompok yang tajam. Tiap agen pada grid merasa tak nyaman bila terlalu sedikit tetangganya yang sekelompok, lalu pindah ke sel kosong. Walau tak seorang pun menginginkan segregasi ekstrem, pola akhirnya sangat terpisah. Visualisasi menjalankan ronde perpindahan sampai grid membeku dalam keadaan tersegregasi.
Contoh kasus
Menjelaskan bagaimana geng pertemanan di sekolah atau bubble FYP media sosial terbentuk dari pilihan-pilihan kecil.
Silabus
Preferensi kecil untuk sedikit tetangga sekelompok bisa menghasilkan segregasi besar yang tak diinginkan siapa pun.
Tujuan Belajar
·Memahami simulasi berbasis agen (agent-based)
·Menjelaskan bagaimana pola global muncul dari aturan lokal
·Mengaitkan model dengan fenomena sosial nyata
Cara Kerja
·Isi grid dengan dua kelompok dan sebagian sel dibiarkan kosong.
·Seorang agen merasa tak nyaman bila tetangga sekelompoknya di bawah ambang tertentu.
·Agen yang tak nyaman pindah ke sel kosong secara acak.
·Ulangi tiap ronde sampai tak ada yang pindah — grid membeku dalam keadaan tersegregasi.
Prasyarat
·Grid dua dimensi
·Konsep tetangga dan perulangan
Contoh Nyata
·Pola pemukiman dan segregasi di kota.
·Terbentuknya echo chamber dan bubble di media sosial.
Model Nagel-Schreckenberg adalah simulasi lalu lintas yang menggerakkan banyak mobil di sepanjang jalan menurut aturan sederhana: percepat bila ada ruang, rem bila terlalu dekat mobil depan, dan sesekali melambat secara acak. Satu pengereman kecil di jalan padat bisa menjalar mundur menjadi kemacetan hantu yang muncul tanpa kecelakaan atau halangan apa pun. Visualisasi menampilkan barisan mobil yang bergerak dan gelombang macet yang merambat mundur di jalan yang padat.
Contoh kasus
Alasan macet tiba-tiba muncul di jalan protokol Medan yang padat meski tidak ada kecelakaan, cukup satu mobil mengerem.
Silabus
Kemacetan hantu bisa muncul dari jalan yang padat plus satu pengereman kecil, tanpa halangan apa pun.
Tujuan Belajar
·Memahami cara lalu lintas dimodelkan dengan aturan mobil sederhana
·Menjelaskan bagaimana kepadatan dan satu rem memicu macet hantu
·Menerapkan simulasi untuk melihat gelombang macet merambat mundur
Cara Kerja
·Taruh banyak mobil di sepanjang jalur satu lajur.
·Tiap langkah, mobil mempercepat bila ada ruang kosong di depannya.
·Mobil mengerem bila jaraknya terlalu dekat dengan mobil depan.
·Sesekali mobil melambat sedikit secara acak seperti pengemudi sungguhan.
·Di jalan padat, satu rem menjalar mundur jadi kemacetan hantu.
Prasyarat
·Konsep kecepatan dan jarak
·Peluang atau keacakan sederhana
Contoh Nyata
·Macet tiba-tiba di jalan Medan yang padat tanpa ada kecelakaan.
·Kemacetan beruntun di jalan tol saat kendaraan terlalu rapat.
·Dasar pemodelan lalu lintas untuk merancang jalan dan lampu.
