HOME     PROFIL     MEDIA AJAR     PERANGKAT AJAR     RUANG DISKUSI     AKUN BELAJAR.ID

Memahami

Teknologi KA Generatif 

Teknologi KA yang dimaksud dalam modul ini adalah teknologi yang berusaha meniru kemampuan manusia dalam menghasilkan sebuah keputusan. Kemampuan manusia yang ditiru berupa kemampuan penalaran atas masukan yang diterima melalui panca indra. Salah satu contoh sistem dengan teknologi KA (dapat dilihat pada gambar 1.1) adalah sistem penilaian jawaban siswa berbasis KA dimana masukan sistem adalah jawaban siswa, sedangkan keluaran sistem atau keputusan yang dihasilkan sistem adalah nilai dari jawaban tersebut. 

Contoh teknologi KA adalah pengenalan wajah manusia, pengenalan ucapan (mengenali kata-kata pada sebuah ucapan), peringkasan dokumen, penerjemahan otomatis, pembuat gambar, dll. Tabel 1.1 menunjukkan masukan dan keluaran untuk setiap contoh teknologi KA. 

Pada dasarnya, untuk meniru kemampuan manusia tersebut, terdapat tiga pendekatan dalam teknologi KA yaitu (1) berbasis algoritma pencarian, (2) berbasis pengetahuan eksplisit dan (3) berbasis pembelajaran mesin (machine learning). Teknologi KA generatif merupakan bagian dari teknologi KA yang berbasis pembelajaran mesin, tepatnya sebagai bagian dari pembelajaran mendalam (deep learning). Pembelajaran mesin adalah algoritma yang mempelajari pola atau pengetahuan dari data secara otomatis.

Pola tersebut kemudian digunakan untuk melakukan penalaran dalam memberikan respon dari sebuah masukan pengguna. Terdapat beragam jenis pembelajaran mesin, salah satunya adalah pembelajaran mendalam. Pembelajaran mendalam adalah algoritma pembelajaran mesin yang menggunakan teknik jaringan saraf tiruan (JST) dengan arsitektur jaringan yang lebih kompleks. KA generatif menggunakan algoritma pembelajaran mendalam untuk menghasilkan keluaran baru berupa rangkaian konten seperti teks, gambar, video atau suara.  

Pada teknologi KA Generatif, keluaran yang dihasilkan pada dasarnya berupa serangkaian nilai baru pada berbagai jenis data. Contohnya adalah teks (sebagai rangkaian kata), gambar (rangkaian titik/pixel), suara (rangkaian frame sinyal suara), video (rangkaian frame gambar dan suara). Teknologi KA Generatif biasa digunakan untuk menghasilkan sebuah konten tertentu. Saat ini, tersedia berbagai sistem teknologi KA Generatif yang dapat diakses pengguna melalui web, seperti ChatGPT, copilot Bing, DeepSeek, gemini Google, Grok, Dall-e, midjourney, sora, dll.   

Prinsip Kerja Teknologi KA Generatif 

a. Pembentukan Pembelajaran Mesin (Machine learning)

Teknologi KA yang ada dalam setiap sistem di Tabel 1.1 pada dasarnya berupa file yang berisi pengetahuan atau pola yang dimiliki manusia dalam menghasilkan sebuah keputusan. File ini sering disebut sebagai model KA. Pada teknologi KA yang berbasis  pembelajaran mesin, file model KA dihasilkan oleh algoritma pembelajaran mesin dengan berdasar pada masukan data latih (dapat dilihat pada Gambar 1.3). 

Data latih adalah data yang disiapkan sebagai sumber pembelajaran model KA dimana algoritma pembelajaran mesin akan berusaha mengambil pola atau pengetahuan yang terkandung pada data latih tersebut. Sebagai contoh, untuk menghasilkan model KA yang mengenali gambar binatang, maka diperlukan data latih berupa sejumlah pasangan gambar binatang dan namanya. Algoritma pembelajaran mesin akan berupaya mengambil pola gambar binatang tertentu dan menyimpan pola atau pengetahuan tersebut pada model KA. Dapat dilihat bahwa kualitas data latih sangat menentukan kualitas model KA yang dihasilkan. 

b. Implementasi Pembelajaran Mesin

Model KA yang telah dibangun dari data latih, selanjutnya digunakan untuk menghasilkan keputusan atau keluaran teknologi KA berdasar masukan pengguna. Gambaran proses penggunaan model KA dapat dilihat pada Gambar 1.4. Sebagai contoh, untuk sebuah model KA yang berfungsi mengenali binatang, berdasarkan masukan berupa file gambar binatang tertentu dan pola yang telah dipelajari dari data latih, model KA akan menebak nama binatang tersebut. 

Selain menghasilkan keluaran berupa satu nilai tertentu seperti nama binatang yang dihasilkan oleh model pengenalan binatang pada Gambar 1.4, teknologi KA Generatif juga dapat menghasilkan rangkaian atau sekelompok nilai atau konten. Contoh masukan dan keluaran sebuah model KA Generatif (model pembuat gambar) yang berupa rangkaian konten dapat dilihat pada Gambar 1.5, dimana gambar kucing (sebagai keluaran model KA Generatif) merupakan rangkaian titik gambar. 

Implementasi KA Generatif pada Kehidupan Sehari-hari 

Teknologi KA, telah mengalami perkembangan yang pesat dalam beberapa tahun terakhir. Dampaknya tidak hanya dirasakan di sektor teknologi, tetapi juga semakin meluas ke dunia bisnis dan kehidupan sehari-hari. Oleh karena itu, penting bagi kita untuk memahami berbagai manfaat KA dalam berbagai bidang kehidupan. 

1. Industri Kreatif dan Desain

Kecerdasan artifisial generatif telah membuka banyak peluang dalam industri kreatif, seperti seni dan desain grafis. Alat-alat seperti DALL·E dan Midjourney telah memungkinkan para seniman dan desainer untuk membuat karya seni digital hanya dari deskripsi teks. Dengan teknologi ini, pembuatan seni tidak lagi terbatas pada keterampilan teknis individu, melainkan bisa diperluas dengan bantuan KA. Selain itu, KA juga mampu menghasilkan desain produk atau visualisasi arsitektur. Perusahaan dapat menggunakan KA untuk membuat prototipe desain dengan cepat dan lebih efisien. 

2. Industri Teks dan Jurnalistik

Dalam dunia jurnalistik, KA generatif digunakan untuk menghasilkan konten berita, artikel, dan bahkan buku. Dengan bantuan model seperti GPT, perusahaan media dapat menghasilkan konten otomatis dengan cepat dan efisien. KA ini juga bisa digunakan untuk menganalisis data besar dan menyusunnya menjadi laporan yang mudah dipahami. Selain itu, KA generatif juga dapat digunakan dalam penerjemahan teks,  penulisan konten iklan, atau bahkan membantu penulis dalam menciptakan cerita fiksi yang kompleks. 

3. Industri Musik

Kecerdasan artifisial generatif juga telah memasuki dunia musik. Dengan mempelajari ribuan lagu, KA dapat menciptakan musik baru dengan gaya dan genre yang berbeda. Beberapa komposer bahkan menggunakan KA untuk membantu mereka dalam menciptakan melodi atau ritme baru yang segar. Sebagai contoh, KA bisa digunakan untuk menciptakan musik latar yang sesuai dengan suasana atau mood tertentu. Teknologi ini memungkinkan musisi untuk mempercepat proses kreatif mereka dan mengeksplorasi ide-ide musik yang belum pernah dipikirkan sebelumnya. 

4. Pengembangan Gim

Dalam industri gim,  KA generatif telah digunakan untuk menciptakan elemenelemen dunia virtual secara otomatis, seperti karakter, lanskap, atau alur cerita. Dengan KA generatif, pengembang game bisa menciptakan dunia yang lebih besar dan lebih dinamis dengan lebih sedikit sumber daya manual. Selain itu, KA juga dapat digunakan untuk menciptakan karakter game yang unik dan responsif, memberikan pengalaman bermain yang lebih mendalam bagi pemain.  

5. Pengembangan Produk dan Riset 

Di sektor riset dan pengembangan produk, KA generatif digunakan untuk menciptakan prototipe produk baru atau memprediksi hasil eksperimen. Misalnya, dalam industri farmasi, KA generatif bisa membantu ilmuwan untuk memprediksi struktur molekul obat baru yang potensial, mempercepat proses penemuan obat. 

6. E-commerce dan Periklanan

Di dunia e-commerce, KA generatif dapat digunakan untuk membuat deskripsi produk, ulasan otomatis, dan konten pemasaran yang relevan. Dengan kemampuan menghasilkan teks yang relevan dan personal, KA generatif memungkinkan perusahaan untuk menargetkan pelanggan dengan lebih efisien dan meningkatkan konversi penjualan. Meskipun potensi kecerdasan artifisial generatif sangat besar, sinergi dengan manusia dapat menjadi kunci untuk mencapai hasil yang lebih cepat dan lebih baik. Kolaborasi antara kecerdasan artifisial generatif dan keahlian manusia dapat menghasilkan solusi yang lebih inovatif dan efisien dalam berbagai bidang industri. 

7. Pendidikan

Kecerdasan Artifisial membawa perubahan besar dalam dunia pendidikan dengan memberikan solusi inovatif yang meningkatkan efektivitas pembelajaran, kreativitas siswa, dan efisiensi pengajaran. Berikut adalah beberapa manfaat utama KA dalam pendidikan:

a. Personalisasi Pembelajaran

KA generatif dapat menyesuaikan materi berdasarkan kemampuan dan kebutuhan siswa, memberikan soal  latihan yang sesuai, serta  merekomendasikan bacaan tambahan untuk mendukung pemahaman mereka.

b. Pembuatan Konten Pembelajaran 

KA dapat membantu guru dan siswa dalam membuat soal latihan, ringkasan materi, dan konten multimedia seperti ilustrasi, infografis, dan animasi edukatif secara otomatis. 

c. Asisten Virtual & Tutor AI

Chatbot KA dapat memberikan bimbingan belajar 24/7, membantu menjawab pertanyaan siswa, serta memberikan feedback otomatis pada tugas atau esai mereka.  

d. Meningkatkan Efisiensi Guru

KA generatif dapat mengurangi beban administratif guru dengan membantu menyusun rencana pelajaran, merekap nilai siswa, dan membuat laporan perkembangan akademik. 

e. Pengembangan Keterampilan Kreatif & Kritis

KA mendukung kreativitas siswa dalam menulis cerita, membuat desain grafis, menciptakan musik, serta mengembangkan video edukatif. Selain itu, KA juga membantu melatih keterampilan berpikir kritis dengan menganalisis informasi dan mengidentifikasi deepfake. 

Etika dan Resiko KA Generatif

Kecerdasan Artifisial (KA) telah membawa banyak kemajuan dan peluang dalam berbagai bidang. Namun, perkembangan ini juga menimbulkan sejumlah tantangan etika dan risiko yang perlu dipertimbangkan secara serius. Berikut adalah beberapa aspek etika dan risiko yang terkait dengan KA: 

Etika dalam Penggunaan KA Generatif 

KA Generatif memiliki potensi besar dalam berbagai bidang, mulai dari seni, jurnalisme, bisnis, hingga pendidikan. Namun, penggunaannya harus diiringi dengan kesadaran etika agar tidak menimbulkan dampak negatif bagi individu maupun masyarakat. Salah satu aspek utama dalam etika KA generatif adalah memastikan bahwa teknologi ini  digunakan secara transparan dan adil, serta menghormati hak cipta dan kepemilikan intelektual. 

1. Transparansi dan Keadilan 

Transparansi dalam penggunaan KA berarti bahwa pengguna harus mengetahui cara kerja sistem, bagaimana data digunakan, dan bagaimana hasilnya dihasilkan. Ini penting agar pengguna tidak tertipu oleh informasi yang dibuat oleh KA dan dapat memahami batasan teknologi ini.  Keadilan dalam KA berarti bahwa teknologi ini harus digunakan secara setara, tanpa memihak atau merugikan kelompok tertentu.  

2. Hak Cipta dan Kepemilikan 

KA generatif dapat menciptakan teks, gambar, musik, dan berbagai bentuk karya lainnya. Hal ini menimbulkan tantangan baru dalam hal hak cipta dan kepemilikan intelektual.  Seperti halnya hak cipta atas karya yang diciptakan oleh KA, karya yang dibuat oleh manusia biasanya dilindungi oleh hak cipta, tetapi bagaimana dengan karya yang dihasilkan oleh KA? Hingga saat ini, banyak negara belum memiliki aturan yang jelas mengenai apakah hasil karya KA dapat dilindungi oleh hak cipta dan siapa pemilik sah dari karya tersebut. Di sebagian besar yurisdiksi, hak cipta hanya diberikan kepada manusia, bukan mesin. KA generatif ini dilatih menggunakan data yang diambil dari berbagai sumber. Jika data ini mencakup karya berhak cipta, maka penggunaannya dapat menimbulkan pelanggaran hak cipta. 

Resiko Penggunaan KA Generatif 

Meskipun KA Generatif memiliki banyak manfaat, penggunaannya juga membawa berbagai risiko yang perlu diperhatikan. Berikut adalah beberapa risiko utama yang dapat timbul dari penggunaan teknologi ini: 

1.Potensi Penyalahgunaan dan Hoaks 

KA Generatif memiliki kemampuan luar biasa dalam menciptakan teks, gambar, video, dan audio yang tampak realistis dan meyakinkan. Namun, di balik manfaatnya, teknologi ini juga menghadirkan risiko besar, salah satunya adalah potensi penyalahgunaan dan penyebaran hoaks (informasi palsu atau menyesatkan). Dengan kemampuan KA generatif untuk membuat konten yang sangat mirip dengan aslinya, berbagai pihak dapat memanfaatkannya untuk tujuan yang tidak etis, seperti manipulasi informasi, penipuan, dan propaganda.  

2. Bias dalam Data dan Hasil 

KA yang dibangun dengan dasar data yang tidak lengkap, tidak akurat, tidak relevan, ataupun tidak adil dapat menjadi ancaman bagi manusia. Data yang digunakan oleh KA dapat mengandung bias, yaitu kesalahan, ketimpangan, atau prasangka yang muncul karena faktor-faktor seperti kesalahan pengukuran, kesalahan pengkodean, kesalahan sampling, atau kesalahan interpretasi. Bias dalam data dapat memengaruhi hasil atau perilaku KA itu sendiri, sehingga akan menghasilkan data yang tidak objektif, tidak akurat, tidak efektif, ataupun tidak adil (Masrichah, 2023). Contoh : sebuah perusahaan teknologi mengembangkan sistem pengenalan wajah, tetapi data latihannya sebagian besar terdiri dari wajah orang berkulit putih. Akibatnya, sistem ini lebih akurat dalam mengenali orang kulit putih dibandingkan orang dengan warna kulit lain, yang bisa menyebabkan kesalahan identifikasi.  Bias dalam KA bisa diminimalkan dengan menggunakan data yang lebih representatif, menerapkan algoritma yang adil, melakukan evaluasi berkala, serta memastikan transparansi dan akuntabilitas dalam sistem. 

3. Pelanggaran Privasi dan Keamanan Data 

KA dapat mengumpulkan, menganalisis, dan memanfaatkan data dalam skala masif juga dapat menjadi ancaman bagi privasi serta keamanan data manusia. Data yang dimiliki oleh KA ini berasal dari berbagai sumber, seperti media sosial, gawai, kamera pengawas, sensor, atau bahkan otak manusia itu sendiri. Data-data yang dikumpulkan tersebut dapat digunakan oleh KA untuk tujuan yang baik, seperti memberikan layanan yang lebih personal, relevan, dan efisien. Namun di sisi lain, data tersebut juga dapat  disalahgunakan oleh KA terutama oleh oknum pihak lain yang tidak bertanggung jawab, seperti peretas, penjahat, atau pemerintah (Misnawati, 2023). Beberapa contoh pelanggaran privasi dan keamanan data yang dapat dilakukan oleh KA adalah sebagai berikut:

1) Mengidentifikasi, melacak, atau memantau aktivitas, lokasi, atau perilaku tanpa sepengetahuan atau persetujuan dari mereka para pengguna;

2) Mengubah, menghapus, atau mencuri data yang sifatnya sensitif, rahasia, atau penting, seperti data pribadi, keuangan, kesehatan, atau nasional;

3) Membuat profil, diskriminasi, atau manipulasi berdasarkan data yang diketahui oleh KA, seperti preferensi, kebiasaan, opini, atau emosi; dan

4) Menyebarkan informasi palsu (HOAX), menyesatkan, atau merusak yang dapat memengaruhi opini, sikap, atau perilaku.

Teknologi Deepfake 

Dalam contoh pembelajaran ini, akan membahas salah satu teknologi KA generatif yaitu deepfake yang merupakan gabungan dari kata deep learning dan fake (palsu). Deepfake adalah teknik memanipulasi gambar, suara, atau video dengan KA sehingga tercipta konten baru yang terlihat asli dan meyakinkan. Deepfake bekerja menggunakan dua algoritma, yaitu generator dan diskriminator. Generator membuat kumpulan data pelatihan berdasarkan output yang diinginkan dan membuat konten digital palsu awal.

Sementara diskriminator menganalisis seberapa realistis atau palsu versi awal konten tersebut. Proses ini diulang, sehingga generator dapat meningkatkan kemampuan dalam membuat konten yang realistis, dan diskriminator menjadi lebih terampil dalam menemukan kekurangan untuk diperbaiki oleh generator.  Teknologi ini dapat digunakan untuk berbagai tujuan, mulai dari hiburan dan seni hingga penipuan dan disinformasi. Misalnya, deepfake dapat digunakan untuk membuat film dimana aktor yang sudah meninggal "hidup kembali" atau untuk membuat parodi yang lucu. Namun, deepfake juga memiliki potensi untuk digunakan dalam pembuatan berita palsu yang tampak realistis, pemerasan, atau bahkan sabotase politik. Untuk mendeteksi deepfake bisa menjadi tantangan karena teknologi ini terus berkembang dan menjadi semakin canggih.  

Teknik dalam deepfake merupakan sorotan utama dalam era modern komputasi visual, di mana pengembangan yang cepat dalam kecerdasan buatan memungkinkan manipulasi yang semakin kompleks terhadap konten multimedia, menciptakan tantangan baru terkait keaslian informasi dan privasi individu. Ada beberapa teknik yang digunakan dalam pembuatan deepfake, termasuk:

1. Face Swapping

Teknik ini melibatkan pertukaran wajah antara dua individu dalam sebuah gambar atau video. Teknologi ini sering digunakan dalam aplikasi hiburan seperti aplikasi pengubah wajah. Untuk mencoba teknik tersebut, Anda bisa mengunjungi laman https://remaker.ai/face-swap-free/ dengan cara menyiapkan dua buah gambar yang akan ditukarkan wajahnya yaitu satu gambar asli yang akan diganti wajahnya, dan satunya adalah target face yang akan dimasukkan ke gambar original. Selanjutnya, gambar diunggah ke aplikasi. 

2. Lip Syncing

Teknik ini melibatkan sinkronisasi gerakan bibir, mulut, wajah, atau bahkan tubuh subjek dalam foto atau video seseorang dengan suara orang lain atau dengan trek audio tertentu. Ini sering digunakan untuk membuat seseorang tampak mengatakan sesuatu yang sebenarnya tidak mereka katakan. Untuk mencoba teknik tersebut, Anda bisa mengunjungi laman https://www.vozo.ai/ dengan cara menyiapkan sebuah gambar atau video. Selanjutnya membuat teks kalimat yang akan digunakan sebagai bahan subjek berbicara. 

3. Puppet Master

Teknik ini melibatkan penggunaan wajah seseorang untuk mengontrol ekspresi dan gerakan wajah orang lain dalam video. Dalam teknik ini, gerakan wajah seseorang diambil dan diterapkan pada wajah orang lain. 

4. Voice Cloning

Selain manipulasi video, teknologi deepfake juga dapat digunakan untuk meniru suara seseorang. Dengan menggunakan data suara dari individu, model deep learning dapat menghasilkan rekaman audio yang terdengar sangat mirip dengan suara asli individu tersebut. 

---

Mendeteksi deepfake bisa menjadi tantangan karena teknologi ini terus berkembang dan menjadi semakin canggih. Namun, ada beberapa tips yang disarankan oleh Massachusetts Institute of Technology (MIT) untuk mendeteksi deepfake secara manual :  

a) Perhatikan Wajah : Transformasi wajah merupakan ciri khas deepfake kelas atas. Amati perubahan yang mencolok pada wajah orang dalam konten tersebut. 

b) Analisis Bagian Pipi dan Dahi : Apakah kulit terlihat terlalu halus atau terlalu keriput? Perhatikan apakah usia kulit sesuai dengan usia rambut dan mata. Ketidaksesuaian ini dapat menjadi indikator deepfake. 

c) Observasi Kacamata : Apakah ada silau yang tidak konsisten atau terlalu banyak silau? Amati apakah sudut silau berubah saat orang tersebut bergerak. Deepfake seringkali gagal memproduksi efek pencahayaan secara alami. 

d) Analisis Rambut di Wajah : Perhatikan apakah rambut wajah terlihat nyata. Deepfake mungkin menambah atau menghapus kumis, cambang, atau janggut, tetapi seringkali gagal membuat transformasi rambut wajah terlihat alami. 

e) Amati Tahi Lalat di Wajah : Keaslian tahi lalat pada wajah juga perlu diperhatikan sebagai tanda deepfake. 

f) Perhatikan Kedipan : Apakah frekuensi kedipan terlihat normal? Kedipan yang tidak wajar dapat menjadi petunjuk deepfake. 

g) Analisis Ukuran dan Warna Bibir : Apakah ukuran dan warna bibir sesuai dengan bagian lain wajah? Ketidaksesuaian ini dapat menjadi tanda deepfake. 

Mengaplikasi

Aktivitas Penerapan KA

1. Judul Aktivitas : Memanfaatkan KA untuk Promosi Jajanan Sehat di Sekolah

Aktivitas ini bertujuan untuk mengajarkan siswa bagaimana menggunakan KA generatif untuk membuat kampanye promosi jajanan sehat di sekolah. Melalui proyek ini, siswa akan menggunakan KA untuk membuat konten teks, gambar, musik, dan video guna meningkatkan kesadaran tentang pentingnya makanan sehat. 

2. Tujuan pembelajaran : 

● Peserta didik memahami manfaat jajanan sehat bagi tubuh.

● Siswa menggunakan KA untuk membuat kampanye promosi yang menarik.

● Siswa mengembangkan keterampilan kreatif dan berpikir kritis dalam mengolah informasi. 

3. Alat KA yang bisa digunakan :

● Generator teks: ChatGPT, Deepseek, Grok, Gemini, Copy.ai, dll (membuat slogan dan deskripsi promosi).

● Generator gambar: DALL·E, Canva AI, Midjourney, Bing Image Creator, dll (membuat poster promosi dan desain kemasan)

● Generator musik: AIVA, Soundraw, Suno, Murf, dll (membuat musik latar).

● Generator video: Pictory, Fliki, invideo, Runway ML, Synthesia, App.Steve, dll (membuat video promosi).

Pembuatan Konten Promosi dengan KA Generator Teks.

Contoh alat : Chat GPT

Langkah-langkah : 

1. Siswa menentukan produk jajanan sehat (misalnya smoothie sehat, salad buah, yogurt, atau jajanan tradisional sehat)

2. Gunakan KA untuk membuat teks promosi yang menarik. 

Contoh Prompt: 

“Buatkan teks promosi untuk produk smoothie sehat bernama SuegerTenan. Produk ini terbuat dari pisang, stroberi, dan madu tanpa gula tambahan. Gunakan gaya bahasa yang menarik untuk anak sekolah dan sertakan slogan yang catchy.”

Contoh hasil keluaran KA:

                 SuegerTenan – Smoothie Sehat, Rasanya Nendang!            

Hai, sobat sehat! Lagi cari minuman yang enak dan bikin kamu makin aktif di sekolah? Yuk cobain SuegerTenan – smoothie sehat favorit anak keren! Dibuat dari pisang manis, stroberi segar, dan madu alami, SuegerTenan punya rasa mantap tanpa gula tambahan. Cocok banget buat nemenin waktu belajar, main, atau istirahat di sekolah!

Sehatnya dapet, segarnya dapet, enaknya pol!

Bikin semangat belajar dan tambah fokus!

Bikin badan tetap fit dan aktif seharian!

Slogan: "SuegerTenan – Segarnya Sehat, Enaknya Nggak Ketulungan!"

Sumber : https://chatgpt.com/share/67f3ffc9-0e10-8005-9e01-b91eeaf669e0 

Pembuatan Desain Kemasan dan Poster dengan KA Generator Gambar.

Contoh alat : DALL-E

Langkah-langkah : 

1. Siswa memilih apakah ingin membuat desain kemasan atau poster digital.

2. Masukkan prompt untuk menghasilkan gambar.

3. Sunting hasil desain menggunakan Canva atau Photoshop jika diperlukan.

Pembuatan Video Promosi dengan KA Generator Video.

Contoh alat : https://app.fliki.ai/ 

Langkah-langkah : 

1. Gunakan teks promosi dari langkah 1 sebagai prompt video.

2. Masukkan prompt ke KA generator video untuk menghasilkan video animasi atau footage otomatis.

3. Atur aspek rasio ke 16:9

4. Pilih template -> Product demo.

5. Unduh video

Contoh prompt untuk pembuatan video: 

“Buat video iklan 30 detik untuk smoothie sehat SuegerTenan. Scene pertama: seorang siswa terlihat lelah setelah belajar. Scene kedua: temannya datang membawa SuegerTenan dan menyerahkannya. Scene ketiga: siswa meminum dan tersenyum ceria. Scene keempat: tampilan close-up produk dengan slogan ‘Sehat, Segar, Semangat!’”

Pembuatan Musik Latar dengan KA Generator Musik

Contoh alat : https://suno.com/

Langkah-langkah : 

1. Siswa memilih genre musik yang cocok untuk promosi jajanan sehat (ceria, upbeat, fresh).

2. Gunakan KA teks ke musik untuk membuat lagu otomatis

3. Download musik latar dan tambahkan ke video promosi dari langkah 3

Contoh Prompt untuk musik latar (Teks ke Musik): 

“Buat musik latar yang ceria dan penuh energi, cocok untuk iklan smoothie

sehat. Gunakan instrumen gitar akustik dan drum ringan dengan tempo cepat

dan suasana fresh.”

Contoh hasil keluaran KA: 

Aktivitas Menganalisis konten Deepfake

Deepfake berkualitas tinggi tidak mudah dikenali, tetapi dengan latihan, orang dapat membangun intuisi untuk mengidentifikasi mana yang palsu dan mana yang asli. Anda dapat berlatih mencoba mendeteksi deepfake yang disediakan oleh MIT, berikut adalah langkah-langkahnya :  

1. Buka tautan :  

https://detectfakes.kellogg.northwestern.edu/ dan selanjutnya akan muncul halaman seperti berikut :   

Pengguna diperlihatkan serangkaian gambar dan gambar-gambar ini dapat berupa foto asli atau gambar buatan KA. Tujuannya yaitu untuk memahami seberapa baik orang dapat membedakan antara gambar asli dan gambar buatan KA.  

2. Pengamatan visual awal : 

Setelah diperbesar gambarnya, Anda bisa melihat bahwa ada beberapa kejanggalan seperti yang terlihat pada gambar dibawah.  

3. Untuk memastikan apakah gambar itu hasil rekayasa atau bukan, anda juga bisa menggunakan alat pendeteksi konten deepfake salah satunya adalah Hive Moderation (yang bisa diakses melalui https://hivemoderation.com/ai-generatedcontent-detection. 

Cara penggunaannya mudah, yakni dengan mengunggah gambar, lalu HiveModeration akan menampilkan hasil probabilitas apakah gambar itu asli atau dibuat dengan KA. 

 Gambar 1.19. Mendeteksi gambar deepfake melalui HIVE Moderation  Tangkapan layar HIVE Moderation 

yang bisa dijadikan alternatif untuk mendeteksi gambar buatan KA secara daring (19 Maret 2025) 

4. Situs lainnya yang dapat digunakan untuk mendeteksi gambar rekayasa, yakni Is It AI yang bisa diakses melalui https://isitai.com/ai-image-detector/. Alat ini juga dapat membantu mengetahui kemungkinan suatu gambar dibuat oleh manusia atau algoritma KA. Akan muncul persentase “KA” dan “Manusia” ketika gambar dimasukkan pada kolom pendeteksi gambar. Jika persentase KA lebih besar, kemungkinan gambar tersebut bukan buatan manusia.

Gambar 1.20. Mendeteksi gambar deepfake melalui Is It AI Tangkapan layar Is It AI 

yang bisa dijadikan alternatif untuk mendeteksi gambar buatan KA secara daring (19 Maret 2025) 

Namun, penting dicatat bahwa hasil pendeteksian gambar tidak selamanya akurat, mengingat KA juga semakin pintar. Kendati demikian, keberadaan alat-alat pendeteksi deepfake di atas dapat membantu memberi gambaran dalam bentuk persentase dan probabilitas gambar yang dibuat dengan komputer. Dengan meningkatkan kewaspadaan dan memanfaatkan teknologi yang tersedia, kita dapat terhindar dari penipuan yang menggunakan gambar hasil rekayasa KA.

LEMBAR KERJA 

Topik: Analisis Konten Deepfake (Gambar, Suara, atau Video)

Metode: Kerja Kelompok

Tujuan:

Peserta pelatihan mampu mengidentifikasi, menganalisis, dan mengevaluasi konten deepfake serta memahami dampak, etika, dan solusinya secara kritis dan kolaboratif.

Langkah Kegiatan:

1.  Pembentukan Kelompok

Bentuk kelompok yang terdiri dari 2–3 peserta.

2.  Studi Kasus / Contoh Konten

Kelompok akan diberi satu atau lebih contoh konten deepfake dalam bentuk gambar, suara, atau video yang bisa diunduh melalui tautan berikut :
https://s.id/bimtekkkasmp2025.

3.  Analisis Konten Deepfake

Diskusikan dan lengkapi tabel analisis berikut:

Merefleksi

v  Guru memandu refleksi bersama (Bersahabat/ Komunikasi) (Comunication  dan Colaborative 4K) [Eksplorasi Pemahaman]

• Apa yang sudah dipelajari?

• Apa kendala yang dihadapi dan bagaimana cara mengatasinya?

• Apa manfaat belajar algoritma dan pemrograman visual?

v  Guru memberikan penguatan konsep dan motivasi. 

v  Guru memberikan pertanyaan kepada peserta didik untuk mengetahui sejauh mana peserta didik memahami materi pembelajaran. (Comunication dan Colaboration)

v  Guru dan peserta didik  menyimpulkan tentang materi yang dipelajari. Guru memberikan poin-poin penting mengenai materi yang telah dipelajari. (Comunication dan Colaboration)

v  Guru memberikan motivasi dan memuji hasil karya peserta didik. (SRA)

v  Guru bersama peserta didik mensyukuri nikmat dan karunia yang diberikan Tuhan, dan meminta peserta didik bedoa dan meninggalkan ruangan dengan tertib. (Religius dan Disiplin)