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.
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.
Example use case
Rekomendasi sederhana: menandai sebuah film sebagai disukai atau tidak berdasarkan mayoritas dari beberapa film paling mirip yang sudah dinilai pengguna.
Syllabus
Tentukan kelas sebuah data baru dengan voting mayoritas dari k tetangga terdekatnya.
Objectives
·Memahami cara memberi label lewat kemiripan dengan data terdekat
·Menjelaskan peran jumlah tetangga k dalam pengambilan keputusan
·Menerapkan voting mayoritas untuk mengklasifikasi data baru
How It Works
·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.
Prerequisites
·Koordinat dan jarak antar titik
Real-World Uses
·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.
Example use case
Cara FYP TikTok dan baris kamu mungkin suka di Shopee memilih video atau barang berikutnya untukmu.
Syllabus
Rekomendasikan sesuatu dengan mencari pengguna lain yang seleranya paling mirip denganmu.
Objectives
·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
How It Works
·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.
Prerequisites
·Tabel atau matriks sederhana
·Konsep kemiripan atau kedekatan
Real-World Uses
·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.
Example use case
Cara filter kamera TikTok dan fitur face-unlock HP menemukan garis wajah sebelum mengenali siapa pemiliknya.
Syllabus
Sapukan jendela kecil ke seluruh piksel untuk menonjolkan tepi dan pola pada gambar.
Objectives
·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
How It Works
·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.
Prerequisites
·Grid dua dimensi
·Perkalian dan penjumlahan dasar
Real-World Uses
·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.
Example use case
Aplikasi AI yang menebak jenis hewan peliharaan dari beberapa pertanyaan seperti berbulu atau tidak dan bisa terbang atau tidak.
Syllabus
Klasifikasikan data dengan menyusun pertanyaan ya/tidak menjadi pohon yang bercabang ke jawaban.
Objectives
·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
How It Works
·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.
Prerequisites
·Percabangan (if-else)
·Konsep pohon (tree) sederhana
Real-World Uses
·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.
Example use case
Inti pelatihan model AI: menyetel bobot jaringan saraf agar galat prediksi (loss) sekecil mungkin, satu langkah turun sedikit demi sedikit.
Syllabus
Cari titik terendah sebuah fungsi dengan terus melangkah turun melawan arah kemiringan.
Objectives
·Memahami cara AI menyetel dirinya agar prediksi makin akurat
·Menjelaskan hubungan kemiringan (turunan) dengan arah langkah
·Menerapkan langkah kecil berulang untuk menurunkan galat (loss)
How It Works
·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.
Prerequisites
·Fungsi dan grafik
·Konsep kemiringan atau turunan
Real-World Uses
·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.
Example use case
Otak tiruan di balik ChatGPT serta fitur yang mengenali wajah atau tulisan tangan bekerja dengan aliran sinyal berbobot seperti ini.
Syllabus
Sinyal masukan mengalir lewat lapisan node berbobot; node ujung dengan nilai tertinggi menjadi jawaban.
Objectives
·Memahami struktur lapisan input, hidden, dan output
·Menjelaskan cara sebuah node menjumlahkan sinyal berbobot
·Mengaitkan forward pass dengan cara AI modern menebak jawaban
How It Works
·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).
Example use case
Segmentasi pelanggan toko online: mengelompokkan pembeli berdasarkan frekuensi dan nilai belanja menjadi beberapa segmen untuk penargetan promo per segmen.
Syllabus
Kelompokkan data tanpa label ke dalam K klaster berdasarkan kedekatannya ke pusat kelompok.
Objectives
·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
How It Works
·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).
Prerequisites
·Koordinat dan jarak antar titik
Real-World Uses
·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.
Example use case
Menaksir peluang sebuah email adalah spam, atau peluang seorang siswa lulus berdasarkan nilai-nilai latihannya.
Syllabus
Ubah skor linear menjadi peluang 0 sampai 1 lewat kurva sigmoid berbentuk S.
Objectives
·Membedakan prediksi peluang dari klasifikasi yang kaku
·Memahami peran fungsi sigmoid
·Menjelaskan cara ambang keputusan bekerja
How It Works
·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.
Example use case
Cara email Gmail dan filter chat otomatis memisahkan pesan promo atau penipuan dari pesan penting temanmu.
Syllabus
Klasifikasikan pesan dengan menjumlahkan skor tiap kata menuju kelas SPAM atau AMAN.
Objectives
·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
How It Works
·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.
Prerequisites
·Penjumlahan skor
·Konsep peluang sederhana
Real-World Uses
·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.
Example use case
Klasifikasi biner sederhana: memisahkan email spam vs bukan-spam dengan satu garis keputusan yang terus diperbaiki.
Syllabus
Cari satu garis pemisah dua kelas dengan menggeser bobot tiap kali ada titik yang salah tebak.
Objectives
·Memahami unit dasar penyusun jaringan saraf (neuron buatan)
·Menjelaskan cara garis keputusan diperbaiki dari kesalahan
·Menerapkan klasifikasi biner dengan satu garis pemisah
How It Works
·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).
Prerequisites
·Koordinat dan garis pada bidang
·Konsep bobot atau penjumlahan berbobot
Real-World Uses
·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.
Example use case
Menaksir nilai ujian dari jam belajar, atau memperkirakan harga rumah dari luasnya, berdasarkan pola data yang sudah ada.
Syllabus
Cari garis lurus dengan total jarak-kuadrat ke semua titik terkecil, lalu pakai untuk memprediksi.
Objectives
·Memahami ide garis best-fit
·Menjelaskan error sebagai jarak titik ke garis
·Memakai garis untuk memprediksi nilai baru
How It Works
·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.
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 messageAI seadil datanya. Data timpang menghasilkan keputusan bias.
