CURRICULUM · VISUAL LAB

xKyro Visual Lab

A collection of xKyro-styled visualizations — algorithms, physics, and robotics. Each video explains how it works, an example use case, and its key formula or reference code.

Curriculum FilterAll

LevelElementary Junior High Senior High

PhasePhase C Phase D Phase E Phase F

ElementE1 · Computational Thinking E2 · Digital Literacy E3 · AI Literacy & Ethics E4 · AI Use & Development E5 · Programming & Algorithms E6 · Data Analysis

AI Literacy & Ethics9 lessons · Pemula–Menengah

AI Must Help, Not Harm

AI Literacy & EthicsPemula

Fase C–FE3E1

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

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Real-World Uses

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

Key message AI harus membantu, bukan merugikan. Timbang manfaat vs bahaya.

How AI Learns

AI Literacy & EthicsPemula

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

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

Prerequisites

·Mesin Cerdas vs Mesin Biasa

Real-World Uses

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

Key message AI = pola dari contoh. Pede ≠ benar; selalu cek ulang.

Smart Machine vs Ordinary Machine

AI Literacy & EthicsPemula

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Real-World Uses

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

Key message Mesin biasa = aturan tetap. Mesin cerdas = pola dari contoh.

Algorithmic Bias

AI Literacy & EthicsMenengah

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Prerequisites

·Bagaimana AI Belajar

Real-World Uses

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

Key message AI seadil datanya. Data timpang menghasilkan keputusan bias.

Deepfake: Real vs AI

AI Literacy & EthicsMenengah

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Prerequisites

·Bagaimana AI Belajar

Real-World Uses

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

Key message Yang mirip belum tentu asli. Jeda, periksa kejanggalan, cek sumber.

The Feed That Narrows

AI Literacy & EthicsMenengah

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

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

Prerequisites

·Terbiasa memakai media sosial / aplikasi video

Real-World Uses

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

Key message Rekomendasi mempersempit; sengaja jelajahi hal baru untuk melawannya.

How Misinformation Spreads

AI Literacy & EthicsMenengah

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Prerequisites

·Terbiasa memakai grup pesan / media sosial

Real-World Uses

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

Key message Misinformasi menular lewat share. Jeda + cek fakta memutus rantai.

Digital Footprint

AI Literacy & EthicsMenengah

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.

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Real-World Uses

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

Key message Data kecilmu dirakit jadi profil yang dijual. Beri izin dengan sadar.

Human in the Loop

AI Literacy & EthicsMenengah

Fase E–FE3

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

Example use case

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

Syllabus

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

Objectives

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

How It Works

·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

Prerequisites

·Bias AI
·Bagaimana AI Belajar

Real-World Uses

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

Key message AI usul, manusia putuskan. Keputusan penting butuh persetujuan manusia.