M02.L01 · Pemula · 25-35 menit

Jenis model dan cara memilih model

Kita bongkar jenis model dan cara memilih model: konsep dasarnya, contoh nyatanya, lalu langsung coba.

KALAU LESSON INI BERES3/5

Paham general chatbot vs specialized model
Paham closed model vs open-weight model
Paham text model vs multimodal model

Sebelum mulai

Baca ringkasan modul dan siapkan satu contoh pekerjaan nyata.
Tidak perlu pengalaman teknis.

Target belajar: Setelah lesson ini, kamu bisa menjelaskan jenis model dan cara memilih model, menerapkannya pada contoh Indonesia yang sederhana, dan tahu bagian mana yang harus dicek manusia.

Yang perlu kamu tangkap

01General chatbot vs specialized model

General chatbot vs specialized model perlu dipahami sebagai bagian dari output probabilistik. Tidak ada model terbaik untuk semua tugas. Model bagus untuk coding belum tentu paling enak untuk writing. Model cepat belum tentu paling kuat untuk reasoning panjang. Model murah belum tentu cukup aman untuk data sensitif. Karena itu, peserta harus belajar memilih model berdasarkan job-to-be-done.

Kenapa penting: Ini penting karena lesson M02.L01 bukan cuma mengejar istilah. Kamu perlu tahu kapan general chatbot vs specialized model membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk menulis artikel panjang: model dengan writing dan context kuat. Untuk coding: coding assistant atau model dengan tool execution. Untuk riset aktual: model dengan web/search. Untuk desain: image model. Untuk dokumen internal: RAG atau file search dengan kontrol privasi.

Kesalahan pemula: Kesalahan umum: menganggap general chatbot vs specialized model otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

02Closed model vs open-weight model

Closed model vs open-weight model perlu dipahami sebagai bagian dari mental model transformer. Parameter pemilihan model: kualitas output, kemampuan reasoning, kemampuan bahasa Indonesia, panjang context, dukungan file/gambar/audio, kecepatan, biaya, privasi, API availability, dan integrasi tool. Untuk course pemula, ajarkan matrix sederhana: tugas apa, input apa, output apa, risiko apa, budget berapa.

Kenapa penting: Ini penting karena lesson M02.L01 bukan cuma mengejar istilah. Kamu perlu tahu kapan closed model vs open-weight model membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap closed model vs open-weight model otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

03Text model vs multimodal model

Text model vs multimodal model perlu dipahami sebagai bagian dari temperature dan sampling. Closed model biasanya mudah dipakai dan kualitasnya stabil, tetapi lebih terkunci pada platform. Open-weight model memberi fleksibilitas hosting dan customization, tetapi butuh kemampuan teknis lebih tinggi. Untuk website edukasi, jangan memaksa satu vendor. Ajarkan prinsip dan perbandingan kategori.

Kenapa penting: Ini penting karena lesson M02.L01 bukan cuma mengejar istilah. Kamu perlu tahu kapan text model vs multimodal model membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap text model vs multimodal model otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

04Speed, cost, reasoning, context, privacy

Speed, cost, reasoning, context, privacy perlu dipahami sebagai bagian dari reasoning model vs standard model. Tidak ada model terbaik untuk semua tugas. Model bagus untuk coding belum tentu paling enak untuk writing. Model cepat belum tentu paling kuat untuk reasoning panjang. Model murah belum tentu cukup aman untuk data sensitif. Karena itu, peserta harus belajar memilih model berdasarkan job-to-be-done.

Kenapa penting: Ini penting karena lesson M02.L01 bukan cuma mengejar istilah. Kamu perlu tahu kapan speed, cost, reasoning, context, privacy membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap speed, cost, reasoning, context, privacy otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

05Model selection matrix

Model selection matrix perlu dipahami sebagai bagian dari Model selection matrix. Parameter pemilihan model: kualitas output, kemampuan reasoning, kemampuan bahasa Indonesia, panjang context, dukungan file/gambar/audio, kecepatan, biaya, privasi, API availability, dan integrasi tool. Untuk course pemula, ajarkan matrix sederhana: tugas apa, input apa, output apa, risiko apa, budget berapa.

Kenapa penting: Ini penting karena lesson M02.L01 bukan cuma mengejar istilah. Kamu perlu tahu kapan model selection matrix membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap model selection matrix otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

Oke, sekarang kita bongkar

Tidak ada model terbaik untuk semua tugas. Model bagus untuk coding belum tentu paling enak untuk writing. Model cepat belum tentu paling kuat untuk reasoning panjang. Model murah belum tentu cukup aman untuk data sensitif. Karena itu, peserta harus belajar memilih model berdasarkan job-to-be-done.

Parameter pemilihan model: kualitas output, kemampuan reasoning, kemampuan bahasa Indonesia, panjang context, dukungan file/gambar/audio, kecepatan, biaya, privasi, API availability, dan integrasi tool. Untuk course pemula, ajarkan matrix sederhana: tugas apa, input apa, output apa, risiko apa, budget berapa.

Closed model biasanya mudah dipakai dan kualitasnya stabil, tetapi lebih terkunci pada platform. Open-weight model memberi fleksibilitas hosting dan customization, tetapi butuh kemampuan teknis lebih tinggi. Untuk website edukasi, jangan memaksa satu vendor. Ajarkan prinsip dan perbandingan kategori.

Contoh biar kebayang

Untuk menulis artikel panjang: model dengan writing dan context kuat. Untuk coding: coding assistant atau model dengan tool execution. Untuk riset aktual: model dengan web/search. Untuk desain: image model. Untuk dokumen internal: RAG atau file search dengan kontrol privasi.

Coba praktik

Pilih 5 task: artikel, riset, desain, coding, customer support.
Tentukan kriteria model untuk masing-masing task.
Buat matrix pilihan tools/model.

Prompt yang bisa kamu coba

Bantu pilih model AI untuk task berikut: [task]. Konteks: [jenis input], [jenis output], [budget], [butuh data terbaru?], [data sensitif?]. Buat rekomendasi 3 opsi: paling bagus, paling murah, paling aman. Jelaskan trade-off-nya.

Beneran paham, atau cuma terasa familiar?

Jawab pakai bahasamu sendiri. Kalau masih muter-muter, bagian atasnya perlu dibaca sekali lagi.

1
Apa beda closed model dan open-weight model?
2
Kriteria apa yang penting untuk memilih model?
3
Kenapa model mahal tidak selalu pilihan terbaik?

Bikin sesuatu dari lesson ini

Buat “AI Model Selection Matrix” untuk 10 task yang sering dilakukan target audience website.

Catatan dan batasan

Bisa dijadikan interactive tool finder: user jawab pertanyaan, website rekomendasikan kategori model/tool.
Checklist tambahan: output probabilistik.
Checklist tambahan: mental model transformer.
Checklist tambahan: temperature dan sampling.
Checklist tambahan: reasoning model vs standard model.

Langkah berikutnya

Simpan hasil latihan, cek kembali dengan rubric sederhana, lalu lanjut ke lesson berikutnya saat output sudah bisa dijelaskan ulang.

token context window hallucination prompt

AI sebagai copilot, bukan autopilot