Explore · Learn · Build · Innovate
Setiap topik disusun dalam lima bagian — gambaran, roadmap belajar, alat, proyek mini, dan sumber resmi — dan selalu berlabel seberapa matang isinya.
Coba cybersecurity, quantum, atau nama sebuah teknologi.
Jujur soal kematangan. Setiap topik selalu membawa label kematangan isinya: halaman yang belum diperiksa manusia tidak pernah tampil tanpa mengatakannya.
Memuat bidang…
Memuat daftar topik…
Jelajahi
0 topik sudah diperiksa manusia
Fondasi: ML klasik, deep learning, LLM, computer vision, NLP, reinforcement learning, multimodal.
3 topik · 0 diperiksa manusia
Lapisan orkestrasi: tool use, MCP, A2A, memori agen, evals, keamanan agen, human-in-the-loop.
7 topik · 0 diperiksa manusia
Ethical hacking, SOC, malware, reverse engineering, keamanan awan, dan keamanan AI.
0 topik · 0 diperiksa manusia
Docker, Kubernetes, tiga hyperscaler, DevOps, dan platform engineering.
0 topik · 0 diperiksa manusia
Lapisan yang menentukan proyek AI hidup atau mati: ingestion, orkestrasi, lakehouse, format tabel terbuka, streaming, kontrak data, pemodelan.
0 topik · 0 diperiksa manusia
Konektivitas, firmware & RTOS, Matter/Thread, gateway tepi, keamanan perangkat, IIoT, telemetri deret waktu, dan satu halaman jembatan TinyML.
0 topik · 0 diperiksa manusia
AI yang berjalan di perangkat: kuantisasi, distilasi, NPU, runtime on-device. Bidang sendiri, BUKAN anak IoT - tinyML Foundation sendiri sudah berganti nama jadi Edge AI Foundation.
0 topik · 0 diperiksa manusia
ROS2, humanoid, drone, kendaraan otonom, dan Robotics AI yang pindah ke sini dari AI & ML.
0 topik · 0 diperiksa manusia
Qubit, Qiskit, algoritma kuantum, kriptografi kuantum. Era qubit logis; keunggulan komersial belum ada.
0 topik · 0 diperiksa manusia
CRISPR, AlphaFold, biologi sintetis, kesehatan digital.
0 topik · 0 diperiksa manusia
Smart contract, Ethereum, Solana, Layer 2, DeFi.
0 topik · 0 diperiksa manusia
Solar PV, angin, panas bumi, hidro, bioenergi & SAF, hidrogen hijau, integrasi jaringan & penyimpanan, ekonomi & kebijakan. Fusi nuklir tidak termasuk.
0 topik · 0 diperiksa manusia
Konektivitas LEO, akses ke orbit, smallsat, segmen darat, observasi Bumi, GNSS/PNT, keselamatan orbit. Irisan terkuatnya: 3GPP NTN.
0 topik · 0 diperiksa manusia
Realitas diperluas. Dipertahankan sebagai pintu pencarian, tapi sengaja tidak diinvestasikan.
0 topik · 0 diperiksa manusia
Arsitektur mikro dan komputasi masa depan: desain semikonduktor, RISC-V, neuromorphic computing, fotonika, dan DNA data storage.
0 topik · 0 diperiksa manusia
Antarmuka langsung manusia-mesin: Brain-Computer Interface (BCI) invasif dan non-invasif, neuroprostetika, EEG signal processing, dan implan saraf.
0 topik · 0 diperiksa manusia
Landasan fisik deep tech: grafena, metamaterial, superkonduktor (suhu kamar belum terbukti), dan rekayasa material skala nano untuk baterai dan antariksa.
0 topik · 0 diperiksa manusia
Topik
AI & Machine Learning
Computer vision mengajari komputer memahami gambar dan video: mengenali benda, menemukan letaknya, dan memisahkan setiap piksel menurut artinya. Bagi komputer, gambar hanyalah tabel angka, dan jaringan konvolusi (CNN) belajar menemukan pola di dalamnya: mula-mula tepi dan sudut, lalu bentuk, lalu benda utuh. Di halaman ini kamu belajar lewat cerita perpustakaan yang memasang kamera di troli pengembalian untuk mengenali stiker di punggung buku. Kamu menulis konvolusi dengan tangan, membangun dan melatih CNN pertamamu, melihat sendiri kenapa model bisa gagal ketika gambar sedikit bergeser, lalu memperbaikinya dengan augmentasi. Sesudah itu kamu mengenal arsitektur penting dari AlexNet sampai Vision Transformer, transfer learning dengan torchvision, deteksi objek dengan IoU dan non-maximum suppression, cara mengirim gambar ke Claude beserta hitungan biayanya, dan batas-batas computer vision seperti contoh adversarial. Semua contoh kode sudah dijalankan di CPU laptop biasa, tanpa GPU dan tanpa biaya.
AI & Machine Learning
Deep learning adalah cara mengajari komputer lewat contoh, bukan lewat aturan yang ditulis tangan. Jaringan saraf tiruan, yaitu tumpukan lapisan berisi neuron-neuron kecil, menyetel bobotnya sedikit demi sedikit setiap kali tebakannya keliru, sampai ia menemukan sendiri pola di dalam data. Inilah fondasi pengenalan gambar, pengenalan suara, dan Large Language Model seperti Claude. Di halaman ini kamu membangunnya dari bawah: satu neuron, kenapa jaringan harus berlapis, loss sebagai ukuran salah, gradient descent dan rambat balik (backpropagation), lalu melatih jaringan pertamamu dengan NumPy sebelum pindah ke PyTorch. Sesudah itu kamu belajar membaca kurva latih dan validasi, melawan overfitting, memahami trik yang membuat jaringan sangat dalam bisa dilatih, memilih arsitektur yang cocok, dan mengikuti resep latihan para praktisi. Setiap contoh kode sudah dijalankan dan bisa kamu jalankan sendiri di laptop biasa, tanpa GPU dan tanpa biaya.
AI & Machine Learning
Large Language Model (LLM) adalah mesin di balik Claude dan asisten AI lainnya. Cara kerjanya mengejutkan sederhana: ia menebak potongan teks berikutnya, satu per satu, berdasarkan semua yang sudah ada sebelumnya. Kemampuan menulis, merangkum, menerjemahkan, dan bernalar muncul dari tebakan berulang itu, setelah model dilatih pada teks dalam jumlah sangat besar dan kemudian diajari bersikap sebagai asisten. Di halaman ini kamu membedah LLM dari dalam: token dan Byte Pair Encoding, embedding, atensi dan Transformer, pretraining dan hukum penskalaan, fine-tuning dan RLHF, cara teks dihasilkan lewat sampling, sampai hal-hal praktis ketika memakai Claude hari ini: effort dan thinking, jendela konteks, biaya per token, dan batas-batas model. Setiap konsep diantar contoh kode kecil yang bisa kamu jalankan sendiri tanpa memanggil API berbayar.
AI Agents
Bayangkan sebuah kantor tempat setiap orang ahli di bidangnya: ada yang mengurus tiket, ada yang mengurus hotel, ada yang paham kurs. Mereka tak perlu tahu isi kepala satu sama lain; cukup tahu siapa mengerjakan apa dan bagaimana menitipkan pekerjaan. Agent2Agent (A2A) adalah protokol terbuka yang memberi agen AI cara bekerja sama seperti itu, walaupun dibangun dengan framework berbeda, oleh tim atau organisasi berbeda, dan berjalan di server berbeda. Setiap agen menerbitkan Agent Card, semacam kartu nama berformat JSON yang menyebut identitas, keahlian (skill), alamat, dan cara autentikasinya. Pekerjaan yang dititipkan menjadi Task: punya ID, melewati siklus hidup (sedang dikerjakan, butuh masukan, selesai, gagal), dan menghasilkan Artifact. Setiap agen tetap menjadi kotak hitam bagi yang lain: memori, rencana, dan alatnya tidak dibuka. Versi 1.0 (Maret 2026) mendefinisikan satu model data dengan tiga binding, yaitu JSON-RPC 2.0, gRPC, dan HTTP+JSON, serta polling, streaming, dan push notification untuk tugas panjang. A2A melengkapi MCP: MCP menyambungkan satu agen ke alat dan datanya, sedangkan A2A menyambungkan agen dengan agen lain. Halaman ini mengajarkan A2A 1.0; banyak tutorial dan video masih memakai 0.3, yang nama metode dan bentuk pesannya berbeda.
AI Agents
Bagaimana kamu tahu agenmu benar-benar bekerja, dan tetap bekerja sesudah prompt, tool, atau modelnya diganti? Mencobanya beberapa kali lalu merasa "sepertinya sudah bagus" tidak cukup. Agen bekerja dalam banyak giliran, mengubah keadaan di dunia nyata, dan hasilnya bisa berbeda setiap kali dijalankan. Evals adalah ujian otomatis untuk agen: sekumpulan tugas dengan kriteria lulus yang jelas, dijalankan berkali-kali di lingkungan yang bersih, lalu dinilai oleh kode, oleh model lain, atau oleh manusia. Observability adalah kotak hitamnya: jejak yang merekam setiap panggilan model dan tool, sehingga kegagalan di produksi bisa dibaca, bukan ditebak. Di halaman ini kamu membangun keduanya untuk agen perpustakaan dari topik Tool use: harness eval kecil, penilai berbasis kode dan LLM-as-judge yang dikalibrasi, metrik pass@k dan pass^k, galat baku, jejak OpenTelemetry yang mengikuti konvensi semantik GenAI, lalu kerangka Inspect. Semua contohnya bisa kamu jalankan tanpa memanggil API berbayar.
AI Agents
Agen yang baik tahu kapan harus berhenti dan bertanya. Human-in-the-loop adalah cara merancang agen supaya manusia ikut memutuskan di titik yang tepat: menyetujui aksi yang berakibat, menjawab pertanyaan ketika agen ragu, dan bisa turun tangan ketika agen melenceng. Kedengarannya sederhana, tetapi data nyata menunjukkan jebakannya: pengguna Claude Code menyetujui 93% permintaan izin, sehingga pertanyaan yang terlalu sering malah membuat orang berhenti membaca. Halaman ini mengajakmu merancang pengawasan yang sungguh bekerja untuk agen perpustakaan dari topik Tool use: memilih tingkat otonomi, menanyakan hanya yang perlu, menulis pertanyaan persetujuan dari fakta, menjeda putaran lalu melanjutkannya berjam-jam kemudian, memeriksa ulang saat aksi dijalankan, dan memakai Agent SDK, LangGraph, serta elicitation MCP. Semua contohnya bisa kamu jalankan tanpa memanggil API berbayar.
AI Agents
Agen yang bisa membaca email, membuka halaman web, dan menjalankan tool adalah asisten yang sangat berguna, sekaligus sasaran baru. Masalah utamanya bernama prompt injection: model bahasa membaca perintah dan data dalam satu aliran yang sama, sehingga kalimat di sebuah ulasan, email, atau hasil tool bisa membelokkan apa yang dilakukan agen. Keamanan agen bukan soal membuat model tak pernah tertipu, karena itu belum bisa dijamin. Ia soal membatasi apa yang bisa terjadi ketika model tertipu: otorisasi ditegakkan di kode, tool dan izinnya dibuat sesempit mungkin, "trifecta mematikan" diputus, jalan keluar data dikendalikan, lingkungan dikurung, dan aksi berakibat menunggu persetujuan. Halaman ini mengajakmu menyerang lalu mengamankan agen perpustakaan dari topik Tool use, memakai panduan Anthropic, OWASP Top 10 2026, panduan keamanan MCP, dan enam pola desain dari riset terbaru. Semua contohnya bisa kamu jalankan tanpa memanggil API berbayar.
AI Agents
Pernahkah kamu bercerita panjang kepada chatbot, lalu keesokan harinya ia tak ingat apa-apa? Itu bukan kebetulan. Model bahasa tidak mengingat apa pun di antara panggilan: API-nya tanpa keadaan, dan yang "diingat" hanyalah isi jendela konteks saat itu. Memori agen adalah cara agen menyimpan, memilih, dan memanggil kembali informasi lintas giliran dan lintas sesi. Di dalam konteks ada memori kerja, seperti prompt, riwayat, dan hasil tool, yang terbatas dan makin kurang tepat bila terlalu penuh. Di luar konteks ada memori jangka panjang, seperti catatan berkas, profil pengguna, indeks vektor, dan log episode, yang ditulis dan diambil lewat tool. Halaman ini memakai kerangka CoALA (memori kerja, episodik, semantik, prosedural), teknik dari Anthropic (context editing, compaction, memory tool, sub-agen), dan rumus pengambilan dari Generative Agents, lengkap dengan contoh kode yang bisa kamu coba tanpa memanggil API.
AI Agents
Bayangkan setiap aplikasi AI harus membuat kabel khusus untuk setiap sistem yang ingin disambungkannya: satu untuk berkas, satu untuk basis data, satu untuk kalender. Model Context Protocol (MCP) menggantikan kabel-kabel itu dengan satu colokan baku, mirip port USB-C. Sebuah sistem cukup menyediakan satu server MCP, dan aplikasi AI apa pun yang berbicara MCP bisa memakainya. Aplikasi itu disebut host (misalnya Claude Code atau Visual Studio Code), dan di dalamnya ada satu client untuk setiap server. Server menawarkan tiga hal: tools (fungsi yang bisa dipanggil model), resources (data untuk konteks), dan prompts (templat interaksi). Pesannya berformat JSON-RPC 2.0 dan berjalan lewat stdio untuk server lokal atau Streamable HTTP untuk server jarak jauh. Sejak revisi spesifikasi 2026-07-28, MCP tak lagi memakai sesi: tak ada jabat tangan initialize, dan setiap permintaan membawa sendiri versi protokol serta kapabilitas kliennya. Halaman ini mengajakmu memahami cara berpikir MCP dan membangun server sendiri. Spesifikasinya masih terus bergerak, jadi cocokkan selalu contoh yang kamu temukan dengan revisi terbaru.
AI Agents
Model bahasa pandai bernalar dan menulis, tetapi ia tak bisa mengecek katalog, membaca kalender, atau mengirim email sendiri. Tool use, yang juga sering disebut function calling, adalah jembatannya. Kamu memperkenalkan beberapa tool (alat) kepada model: namanya, gunanya, dan bentuk masukannya. Ketika model merasa butuh salah satunya, ia tidak menjalankannya sendiri. Ia menulis permintaan yang rapi, semacam "tolong jalankan cari_buku dengan kata kunci ini", lalu aplikasimu yang mengerjakannya dan menyerahkan hasilnya kembali. Model membaca hasil itu dan melanjutkan, berulang sampai tugasnya beres. Putaran sederhana inilah jantung setiap agen AI, sekaligus dasar untuk memahami MCP. Di halaman ini kita belajar lewat Messages API Claude, lalu melihat bahwa OpenAI dan Gemini memakai gagasan yang sama dengan nama yang berbeda.