Panduan Belajar AI: Urutan Prompt, Python, dan Machine Learning

Belajar AI dimulai dari memakai tools AI generatif lewat prompt yang tersusun, lalu berlanjut ke Python, aljabar linear, dan statistika dasar sebelum pembelajar melatih model machine learning pertama dengan scikit-learn. Panduan di halaman ini membagi perjalanan itu ke dalam 7 langkah dan 10 pokok bahasan, dari menulis prompt sampai neural network di TensorFlow atau PyTorch.

1 panduan tersedia

Bekal Belajar AI

Lima Kemampuan yang Dibangun Saat Belajar AI

Kelima kemampuan ini tumbuh berurutan, dan masing-masing menjadi pijakan untuk kemampuan sesudahnya.

Memberi instruksi yang presisi

Pembelajar berlatih menulis prompt yang memuat konteks, instruksi, format, dan contoh, lalu menguji jawaban model dan mencatat kapan AI generatif keliru. Dari situ terbentuk intuisi tentang perilaku model sebelum satu baris kode pun ditulis. Latihan dasarnya: satu tugas diberi tiga versi prompt, kemudian ketiga hasilnya dibandingkan berdampingan untuk melihat bagian mana yang membuat jawaban membaik.

Logika Python untuk data

Variabel, list, perulangan, dan fungsi dipelajari sambil mengolah tabel data sederhana. Python dipakai karena library machine learning yang paling banyak dipakai, seperti scikit-learn, TensorFlow, dan PyTorch, menyediakan antarmuka utamanya dalam bahasa ini. Latihan awalnya membaca file CSV dengan pandas, membuang baris kosong, dan menghitung ringkasan per kolom, sampai pembelajar bisa menulis program 20 sampai 50 baris tanpa menyalin contoh.

Matematika secukupnya

Aljabar linear dipakai untuk memahami vektor dan matriks, statistika dasar untuk membaca rata-rata, sebaran, korelasi, dan peluang. Dua bekal ini cukup untuk mengikuti cara sebuah model belajar dari data. Tiap rumus langsung dicoba di notebook dengan NumPy, sehingga angka yang semula abstrak terlihat wujudnya sebagai array dan grafik.

Melatih dan menilai model

Siswa membedakan supervised dan unsupervised learning, melatih model klasifikasi atau regresi dengan scikit-learn, lalu menguji hasilnya pada data yang belum pernah dilihat model. Akurasi, precision, dan recall dibaca bersama confusion matrix, sehingga pembelajar tahu kapan model tampak bagus padahal hanya menghafal data latih.

Merakit aplikasi di atas model

Di tahap lanjut, pembelajar memakai model pre-trained lewat API, menyambungkan LLM ke dokumen sendiri dengan RAG, dan menampilkan hasilnya di aplikasi web sederhana seperti Streamlit. Kemampuan ini menuntut semua bekal sebelumnya: prompt yang rapi, kode Python yang terbaca, dan kebiasaan menguji keluaran model sebelum dipakai orang lain.

Panduan Lengkap AI

Sepuluh Pokok Bahasan Belajar AI: Prompt, Evaluasi Model, dan Deployment

Sepuluh bagian di bawah ini mengupas satu keterampilan AI per bagian, misalnya menyusun prompt atau membaca metrik model: pengertiannya, titik yang biasanya membuat hasil model meleset, latihan yang menguatkannya, dan ciri keterampilan itu sudah melekat.

Anatomi Prompt: Konteks, Instruksi, Format, dan Contoh

Prompt yang efektif bisa diurai menjadi empat bagian. Konteks menjelaskan siapa penggunanya dan untuk apa hasilnya dipakai. Instruksi menyebut tugasnya dengan kata kerja yang jelas, misalnya meringkas, membandingkan, atau menyusun daftar. Format menentukan bentuk keluaran: tabel tiga kolom, lima butir, atau paragraf di bawah 100 kata. Contoh memperlihatkan pola yang diharapkan, dan bagian inilah yang membedakan teknik zero-shot (tanpa contoh) dari few-shot (dengan beberapa contoh, biasanya dua sampai lima).

Pemula biasanya menulis satu kalimat pendek lalu kecewa dengan jawabannya. Sumber masalahnya hampir selalu bagian yang hilang. Model tidak tahu tingkat pembacanya sehingga penjelasannya terlalu teknis, atau ia tidak diberi batas panjang sehingga jawabannya melebar ke mana-mana. Begitu keempat bagian diisi, hasilnya lebih mudah ditebak dan lebih mudah diperbaiki di putaran berikutnya.

Latihannya bisa diulang setiap hari. Ambil satu tugas nyata, misalnya merangkum bab buku pelajaran atau menyusun email ke klien. Tulis tiga versi prompt: versi satu kalimat, versi dengan konteks dan format, lalu versi few-shot dengan dua contoh. Simpan ketiga jawaban berdampingan dalam satu dokumen dan tandai bagian yang berubah. Untuk soal bertahap seperti hitungan atau teka-teki logika, coba juga instruksi chain-of-thought yang meminta model menuliskan langkahnya satu per satu, kemudian periksa apakah tiap langkah memang benar.

Prompt yang lemah hampir selalu kehilangan salah satu dari empat bagian: konteks, instruksi, format, atau contoh.

Halusinasi dan Bias: Kebiasaan Memeriksa Jawaban Model

Large Language Model menyusun kalimat berdasarkan pola dari data latihnya. Karena itu ia bisa menulis kutipan, angka, atau judul buku yang terdengar meyakinkan padahal tidak pernah ada. Gejala ini disebut halusinasi. Bias datang dari arah lain: data latih yang timpang membuat model cenderung memberi gambaran sepihak tentang profesi, daerah, atau kelompok tertentu.

Dua hal ini menyulitkan pemula karena jawaban yang keliru tampil dengan nada sama yakinnya dengan jawaban yang tepat. Pembelajar yang memakai AI untuk tugas sekolah, laporan kantor, atau bahan skripsi perlu kebiasaan memeriksa sejak minggu pertama, sebelum kebiasaan menyalin terbentuk.

Cara melatihnya: setiap kali model menyebut fakta yang bisa dicek (tahun, nama, angka, rujukan), cocokkan ke sumber resmi dan catat di tabel kecil berkolom klaim, sumber, dan status. Setelah dua minggu, polanya terlihat: jenis pertanyaan mana yang sering meleset dan jenis mana yang relatif aman. Untuk bias, ajukan pertanyaan yang sama sambil mengganti satu atribut tokoh dalam soal, misalnya asal daerah atau jenis kelaminnya, lalu amati apakah nada jawabannya ikut bergeser.

Kebiasaan ini dianggap terpasang ketika pembelajar otomatis menandai klaim yang perlu dicek dan selalu membaca ulang jawaban model sebelum memakainya di pekerjaan sendiri.

Setiap angka, nama, dan rujukan dari model diperlakukan sebagai klaim yang dicek ke sumber resmi sebelum dipakai.

Python di Google Colab: List, Perulangan, Fungsi, lalu DataFrame

Google Colab membuat Python bisa dipakai langsung dari browser tanpa instalasi. Bagi pembelajar yang belum pernah koding, ini menghapus hambatan terbesar di hari pertama: urusan memasang Python, mengatur path, dan menginstal library. Satu notebook berisi sel kode dan sel catatan, sehingga penjelasan dan percobaan bisa disimpan berdampingan.

Urutan materi yang landai dimulai dari variabel dan tipe data, lalu list dan dictionary, perulangan for, percabangan if, dan fungsi. Setelah itu baru masuk ke library: NumPy untuk angka, pandas untuk tabel, dan Matplotlib atau Seaborn untuk grafik. Banyak pemula tersendat di pesan error, misalnya IndentationError, KeyError, atau TypeError. Membaca baris terakhir pesan itu sampai paham penyebabnya adalah keterampilan tersendiri yang perlu dilatih sengaja.

Latihan yang efektif memakai data yang dikenal pembelajar sendiri: daftar nilai ulangan, catatan pengeluaran bulanan, atau rekap penjualan toko. Muat file CSV dengan pandas, tampilkan lima baris pertama, buang baris kosong, kelompokkan dengan groupby, lalu buat satu grafik batang. Ulangi alur ini pada dua atau tiga dataset berbeda sampai urutannya terasa wajar.

Tandanya fondasi Python sudah cukup: pembelajar bisa menulis program kecil 20 sampai 50 baris tanpa menyalin contoh, dan bisa memperbaiki error umum dengan membaca pesannya sendiri.

Kerjakan alur muat, bersihkan, kelompokkan, dan gambar pada data yang dikenal sendiri sampai urutannya hafal di tangan.

Vektor dan Matriks di NumPy: Aljabar Linear yang Dipakai Model

Bagi sebuah model, satu baris data adalah vektor: deretan angka seperti tinggi, berat, dan umur. Seluruh dataset adalah matriks, dengan baris sebagai contoh dan kolom sebagai fitur. Operasi yang dilakukan model pada dasarnya perkalian matriks dengan bobot, ditambah bias, lalu diteruskan ke fungsi berikutnya. Pemahaman ini membuat rumus di dokumentasi scikit-learn dan TensorFlow jauh lebih mudah dibaca.

Kesulitan pemula biasanya datang dari notasi. Simbol transpose, indeks bawah, dan tanda jumlah terasa asing kalau hanya dilihat di buku. Hambatan kedua adalah ukuran array: pesan error shape mismatch muncul ketika jumlah kolom matriks pertama berbeda dengan jumlah baris matriks kedua, dan error ini sering membuat pembelajar berhenti tanpa tahu sebabnya.

Cara melatihnya adalah menerjemahkan tiap konsep ke beberapa baris NumPy. Buat dua vektor, hitung dot product dengan np.dot, lalu cocokkan hasilnya dengan hitungan tangan. Buat matriks 3 kali 2 dan 2 kali 4, kalikan, dan periksa .shape hasilnya. Coba transpose, normalisasi vektor, dan hitung jarak Euclidean antara dua titik. Setiap kali error shape muncul, tulis ukuran kedua array di kertas sebelum mengubah kode.

Kemampuan ini sudah terpasang ketika pembelajar bisa menebak ukuran hasil perkalian dua matriks sebelum menjalankan sel kodenya.

Tulis ukuran tiap array sebelum mengalikannya; kebiasaan kecil ini mencegah sebagian besar error shape.

Rata-rata, Sebaran, dan Korelasi: Membaca Data Sebelum Melatih

Statistika dasar adalah alat untuk mengenal data sebelum model menyentuhnya. Rata-rata dan median memberi gambaran nilai tengah, simpangan baku menunjukkan seberapa jauh data menyebar, dan korelasi memperlihatkan dua kolom yang bergerak bersama. Probabilitas dasar menjadi bekal memahami keluaran model klasifikasi, yang sering berupa peluang sebuah contoh masuk ke kelas tertentu.

Pemula sering melompati tahap ini dan langsung melatih model. Akibatnya masalah data baru ketahuan belakangan: kolom berisi nilai ekstrem, kelas yang jumlahnya timpang, atau dua fitur yang isinya hampir sama. Model tetap berjalan dan mengeluarkan angka, sehingga kesalahan seperti ini mudah lolos tanpa disadari.

Latihan yang dianjurkan adalah eksplorasi data singkat setiap kali membuka dataset baru. Jalankan describe() di pandas, buat histogram untuk tiap kolom angka, hitung jumlah contoh per kelas dengan value_counts(), lalu tampilkan peta korelasi dengan Seaborn. Tulis tiga kalimat temuan di sel catatan sebelum menulis satu baris kode model. Bandingkan juga rata-rata dan median pada kolom yang sama; selisih besar menandakan ada nilai ekstrem yang perlu diperiksa.

Tanda kemampuan ini sudah ada: pembelajar bisa menjelaskan isi sebuah dataset dalam beberapa kalimat sebelum memilih algoritma.

Sebelum melatih model, tulis tiga temuan tentang datanya: sebaran, keseimbangan kelas, dan kolom yang saling berkorelasi.

Supervised dan Unsupervised Learning: Memilih Algoritma dari Bentuk Masalah

Supervised learning memakai data berlabel: setiap contoh punya jawaban benar, dan model belajar memetakan fitur ke jawaban itu. Kalau jawabannya kategori, misalnya spam atau email biasa, tugasnya klasifikasi. Kalau jawabannya angka, misalnya harga rumah, tugasnya regresi. Unsupervised learning bekerja tanpa label dan mencari struktur sendiri, seperti kelompok pelanggan dengan K-means atau ringkasan fitur dengan PCA.

Kesulitan pemula ada pada urutan berpikir. Banyak yang memilih algoritma lebih dulu karena namanya sering terdengar, lalu mencari masalah yang cocok. Urutan yang lebih mudah dikendalikan dimulai dari pertanyaan: apa yang ingin diprediksi, apakah datanya punya label, dan apakah jawabannya kategori atau angka. Jawaban tiga pertanyaan itu sudah menyempitkan pilihan ke beberapa algoritma.

Untuk latihan, buat daftar sepuluh masalah sehari-hari, misalnya menebak kelulusan ujian dari jam belajar, mengelompokkan lagu dari tempo dan durasi, atau memperkirakan biaya listrik bulan depan. Tandai masing-masing sebagai klasifikasi, regresi, atau clustering, lalu pasangkan dengan satu algoritma awal: logistic regression, linear regression, decision tree, random forest, atau K-means. Supervised learning dipelajari lebih dulu karena umpan baliknya jelas dan kemajuannya mudah diukur.

Tanyakan dulu apa yang diprediksi dan apakah datanya berlabel; pilihan algoritma mengikuti jawaban itu.

train_test_split, Overfitting, dan Hyperparameter

Model yang diuji pada data yang sama dengan data latihnya akan tampak hebat, sebab ia sudah melihat semua jawabannya. Karena itu data dibagi dua sejak awal dengan train_test_split di scikit-learn, misalnya 80 persen untuk latihan dan 20 persen untuk pengujian (bawaan fungsinya 75 dan 25 persen). Skor pada data uji adalah gambaran yang lebih jujur tentang kemampuan model menghadapi data baru.

Overfitting terjadi ketika model menghafal kebetulan di data latih. Gejalanya mudah dikenali: skor latih tinggi, skor uji jauh di bawahnya. Decision tree tanpa batas kedalaman adalah contoh klasik. Kebalikannya, underfitting, terjadi saat model terlalu sederhana sehingga skor latih dan skor uji sama-sama rendah.

Latihan yang paling membuka mata adalah eksperimen satu parameter. Latih decision tree dengan max_depth 1, 3, 5, 10, dan tanpa batas, lalu catat skor latih dan skor uji di tabel. Gambarkan keduanya dalam satu grafik garis, dan perhatikan titik saat kedua garis mulai menjauh. Sesudah itu coba cross-validation dengan cross_val_score untuk melihat apakah skornya stabil di beberapa potongan data. Langkah ini juga mengenalkan hyperparameter tuning, yaitu mencari pengaturan model yang paling cocok tanpa mengintip data uji.

Pembelajar dianggap paham ketika ia selalu melaporkan skor latih dan skor uji berdampingan, dan bisa menjelaskan arti selisih keduanya.

Laporkan skor latih dan skor uji berdampingan; selisih yang lebar adalah tanda overfitting.

Confusion Matrix: Membaca Akurasi, Precision, dan Recall

Confusion matrix adalah tabel dua kali dua untuk klasifikasi biner yang mencatat empat kemungkinan: positif benar, positif palsu, negatif benar, dan negatif palsu. Dari tabel ini lahir tiga ukuran utama. Akurasi menghitung porsi tebakan yang benar. Precision menghitung, dari semua yang ditebak positif, berapa yang benar-benar positif. Recall menghitung, dari semua yang sebenarnya positif, berapa yang berhasil ditemukan.

Pemula sering puas dengan akurasi saja. Masalahnya muncul pada data timpang: kalau hanya 5 persen email yang spam, model yang selalu menjawab email biasa pun mendapat akurasi 95 persen tanpa pernah menangkap satu spam. Precision dan recall membongkar keadaan ini, dan F1-score merangkum keduanya dalam satu angka.

Latihannya dimulai dengan menghitung keempat sel confusion matrix secara manual dari sepuluh tebakan yang ditulis di kertas, lalu mencocokkannya dengan confusion_matrix dan classification_report di scikit-learn. Lanjutkan dengan mengubah ambang keputusan model dari 0,5 ke 0,3 dan 0,7, lalu amati precision dan recall yang saling tarik. Diskusikan juga konteksnya: pada deteksi penyakit, recall yang rendah berarti banyak kasus terlewat; pada filter spam, precision yang rendah berarti email penting ikut terbuang.

Tanda kemampuan ini terpasang: pembelajar bisa memilih ukuran yang paling relevan untuk sebuah masalah dan menjelaskan alasannya dalam satu kalimat.

Pada data timpang, akurasi bisa menipu; baca selalu precision dan recall bersama confusion matrix.

Neural Network Pertama: Perceptron, Backpropagation, dan Satu Framework

Deep learning dibangun dari satuan sederhana bernama perceptron: menjumlahkan input yang sudah dikalikan bobot, menambahkan bias, lalu melewatkannya ke fungsi aktivasi: fungsi tangga pada perceptron klasik, atau ReLU dan sigmoid pada jaringan modern. Banyak perceptron yang disusun berlapis membentuk neural network. Backpropagation adalah cara jaringan memperbaiki bobotnya: kesalahan di keluaran dihitung, lalu turunannya dialirkan mundur untuk menggeser setiap bobot sedikit demi sedikit lewat gradient descent.

Bagian ini sering membuat pembelajar ragu karena menyentuh kalkulus. Makna turunan dan gradien cukup dipahami lebih dulu sebagai arah dan besar perubahan, sebab perhitungannya dikerjakan otomatis oleh TensorFlow atau PyTorch. Hambatan kedua adalah memilih framework. Keduanya sama-sama dipakai luas; pilih satu dan tekuni sampai lancar, karena konsepnya mudah dipindahkan ke yang lain.

Latihan pertama yang lazim adalah dataset digit tulisan tangan MNIST: jaringan dengan satu lapisan tersembunyi, dilatih beberapa epoch, sambil memantau grafik loss pada data latih dan validasi. Ubah jumlah neuron, learning rate, dan jumlah epoch satu per satu, lalu catat efeknya. Sesudah itu naik ke CNN untuk gambar dan coba transfer learning dengan model pre-trained, yang memungkinkan hasil wajar dari dataset kecil.

Kemampuan ini mulai terpasang ketika pembelajar bisa membaca grafik loss dan menjelaskan kenapa garis validasi berhenti turun.

Pilih satu framework, mulai dari jaringan kecil di MNIST, dan ubah satu pengaturan setiap kali bereksperimen.

Embedding, RAG, dan Proyek Portofolio di GitHub

Di level lanjut, pembelajar bekerja di atas model bahasa yang sudah jadi. Embedding mengubah teks menjadi vektor sehingga kalimat yang maknanya mirip letaknya berdekatan. RAG (Retrieval-Augmented Generation) memanfaatkan sifat ini: dokumen sendiri dipotong, diubah menjadi embedding, disimpan, lalu potongan yang paling relevan diambil dan diberikan ke LLM bersama pertanyaan pengguna. Hasilnya jawaban yang bersandar pada dokumen tersebut.

Tantangan terbesar di tahap ini justru menyelesaikan proyek. Banyak pembelajar mengikuti puluhan tutorial tanpa pernah menuntaskan satu aplikasi yang utuh. Pola yang lebih sehat adalah memilih satu masalah kecil yang nyata, misalnya tanya jawab atas modul kuliah sendiri, peringkas notulen rapat, atau klasifikasi ulasan produk, lalu mengerjakannya dari data sampai tampilan.

Susunan proyek yang rapi berisi notebook eksplorasi data, skrip pelatihan atau pemanggilan API, aplikasi Streamlit sederhana, dan README yang menjelaskan masalah, data, cara menjalankan, serta keterbatasan model. Simpan semuanya di GitHub dengan riwayat commit yang menunjukkan proses. Uji aplikasinya dengan pertanyaan yang sengaja sulit, catat jawaban yang meleset, dan tulis temuan itu di README. Etika ikut masuk di sini: data pribadi tidak diunggah, dan sumber data disebutkan.

Proyek dianggap selesai ketika orang lain bisa menjalankannya hanya dengan membaca README.

Satu proyek yang tuntas dari data sampai tampilan, lengkap dengan README, lebih berguna daripada sepuluh tutorial setengah jalan.

Urutan Baca

Jalur Membaca Panduan AI untuk Pemula

Mulailah dari artikel peta jalan ini, sebab seluruh langkah belajar AI berpangkal di sana.

Cara Belajar AI dari Nol untuk Pemula: Roadmap 7 Langkah
Artikel ini memetakan 7 langkah dari tools AI generatif sampai deep learning, jadi pembelajar tahu posisinya sekarang dan langkah mana yang menyusul.

Untuk Siapa

Siapa Saja yang Cocok Memakai Panduan AI Ini

Siswa SMP dan SMA yang penasaran cara kerja ChatGPT dan ingin mulai dari literasi AI.
Mahasiswa non-IT yang ingin memakai Python dan machine learning untuk tugas akhir atau riset.
Pekerja di bidang marketing, HR, atau keuangan yang ingin merapikan pekerjaan harian dengan AI generatif.
Pembelajar dewasa yang ingin pindah haluan ke pekerjaan data dan perlu urutan belajar AI yang jelas sejak langkah pertama.
Developer web atau aplikasi yang ingin menyambungkan LLM ke produknya lewat API dan RAG.

Cara Belajar AI dari Nol untuk Pemula: Roadmap 7 Langkah

Cara belajar AI dari nol untuk pemula: mulai dari tools AI generatif, fondasi Python, aljabar linear dan statistika dasar, sampai praktik scikit-learn, TensorFlow, dan PyTorch.

Baca Panduan

Tanya Jawab AI

Pertanyaan Seputar Belajar AI

Belajar AI sebaiknya dimulai dari prompt atau langsung koding Python?

Untuk pemula total, jalur prompt terasa paling landai karena cukup bermodal akun tools AI generatif versi gratis. Setelah satu sampai dua minggu terbiasa melihat cara model menjawab dan di mana ia keliru, pembelajar masuk ke Python. Siswa yang sudah akrab dengan logika pemrograman boleh langsung memulai dari jalur koding, sambil tetap melatih kebiasaan memeriksa jawaban model di sela-selanya.

Seberapa banyak matematika yang dipakai di awal belajar machine learning?

Bekal awalnya dua: aljabar linear untuk vektor dan matriks, serta statistika dasar untuk rata-rata, sebaran, korelasi, dan peluang. Kalkulus yang lebih dalam baru terasa perlu saat masuk deep learning, dan bisa dipelajari sambil jalan ketika materinya muncul. Turunan dan gradien cukup dipahami maknanya lebih dulu, sebab perhitungannya dikerjakan library. Matematika paling cepat menempel bila dipelajari paralel dengan koding di NumPy.

Library apa yang dipakai untuk melatih model machine learning pertama?

scikit-learn biasanya dipakai lebih dulu karena API-nya konsisten dan dokumentasinya rapi untuk klasifikasi, regresi, dan clustering. Sesudah alur supervised learning terasa nyaman, pembelajar naik ke TensorFlow atau PyTorch untuk mempelajari neural network. Dataset kecil bawaan seperti iris atau digits sering dipakai untuk percobaan pertama karena ukurannya ringan dan bisa dijalankan di Google Colab tanpa GPU.

Apakah laptop biasa cukup untuk belajar AI dan machine learning?

Cukup untuk sebagian besar materi. Prompt engineering hanya butuh browser, dan Python serta scikit-learn berjalan lancar pada dataset kecil di laptop umum. Untuk deep learning yang memerlukan GPU, Google Colab menyediakan akses GPU lewat browser, sehingga pembelajar bisa melatih jaringan di MNIST atau mencoba transfer learning tanpa membeli perangkat khusus. Yang lebih menentukan adalah koneksi internet yang stabil dan kebiasaan menyimpan notebook dengan rapi.

Apa beda AI, machine learning, dan deep learning?

AI adalah payung besar untuk sistem yang meniru kemampuan berpikir manusia, termasuk sistem berbasis aturan. Machine learning adalah bagian dari AI yang belajar pola dari data, misalnya regresi, decision tree, dan K-means. Deep learning adalah bagian dari machine learning yang memakai neural network berlapis, dan menjadi dasar computer vision, NLP, serta Large Language Model di balik ChatGPT, Claude, dan Gemini.

Bagaimana cara tahu sebuah model machine learning sudah cukup baik?

Uji model pada data uji yang dipisahkan sejak awal dengan train_test_split, lalu bandingkan skornya dengan skor latih. Selisih yang lebar menandakan overfitting. Untuk klasifikasi, baca confusion matrix bersama precision dan recall, terutama bila kelasnya timpang. Bandingkan juga dengan model paling sederhana, misalnya tebakan kelas terbanyak; model yang skornya tidak jauh di atas tebakan itu belum banyak belajar dari data.