• Pengujian Penetrasi: Yang Perlu Anda Ketahui
• Membiasakan Diri dengan Kali Linux
• Keseruan Command Line
• Alat-alat Praktis
• Bash Scripting
• Pengumpulan Informasi Pasif
• Pengumpulan Informasi Aktif
• Pemindaian Kerentanan
• Serangan Aplikasi Web
• Pengantar Buffer Overflow
• Buffer Overflow pada Windows
• Buffer Overflow pada Linux
• Serangan Sisi Klien
• Mencari Exploit Publik
• Memperbaiki Exploit
• Transfer File
• Menghindari Antivirus
• Eskalasi Privilege
• Serangan Kata Sandi
• Port Redirection dan Tunneling
• Serangan Active Directory
• Metasploit Framework
• PowerShell Empire
• Menyusun Seluruh Komponen: Breakdown Pengujian Penetrasi
• Tantangan Lebih Lanjut: Lab Praktik

• Memahami Robotic Process Automation (RPA)
• Faktor Pendorong Bisnis dan Faktor Pendorong Teknologi dalam RPA
• Tujuan dan Manfaat RPA
• Risiko dan Tantangan RPA
• Integrasi Front-end dan Back-end
• Komponen RPA dan Bot Runner
• Lapisan Arsitektur dan Model RPA
• Siklus Hidup RPA
• Integrasi Front-end dengan Bot RPA
• Entri Data Otomatis
• Perutean Otomatis
• Integrasi Back-end dengan Controller dan API RPA
• Pencarian Web Otomatis
• Pencarian dan Pengambilan Data Otomatis
• Digitalisasi Otomatis
• Skenario Penggunaan Pengujian Penerimaan Pengguna (User Acceptance Testing/UAT) Otomatis

• Pengenalan Flutter

• Mengapa membuat aplikasi Android dan iOS menggunakan Flutter?

• dll.

• Membuat Aplikasi Flutter Pertama

• Membuat aplikasi Flutter pertama: Flutter Dart tutorial
• Menyusun kode
• dll.

• Stateful Widget pada Flutter

• Pengenalan
• dll.

• Menggunakan Widget Flutter

• Eksplorasi widget Flutter
• dll.

• Layout

• Container Widget
• dll.

• AppBar & TabBar Widget

• Dasar: membuat AppBar & properti dasar
• dll.

• Custom Widgets

• Custom Method Widget
• Custom Class Widget

• Input & Selection Widgets

• TextField widget
• dll.

• Drawer Widget & Routes

• Drawer widget sederhana
• Routes

• Notification Widgets

• Snackbar
• Alert Dialog
• Simple Dialog

• Overview Aplikasi JSON

• Layout aplikasi JSON
• dll.

• Aplikasi Informasi Pariwisata Indonesia

• Overview
• Pembuatan project baru aplikasi Informasi Pariwisata Indonesia
• Mengambil data dari server dan menampilkannya pada aplikasi

• Upload Aplikasi ke Play Store dan App Store

• Konsep Kunci Manajemen Layanan

• Konsep Manajemen Layanan
• Pengantar ITIL
• Nilai dan Co-Creation Nilai
• Organisasi, Penyedia Layanan, Konsumen Layanan, dan Pemangku Kepentingan Lainnya
• Produk dan Layanan
• Hubungan Layanan
• Nilai: Hasil (Outcomes), Biaya, dan Risiko

• Empat Dimensi Manajemen Layanan

• Organisasi dan Orang
• Informasi dan Teknologi
• Mitra dan Pemasok
• Aliran Nilai (Value Streams) dan Proses
• Faktor Eksternal

• Sistem Nilai Layanan ITSM

• Gambaran Umum Sistem Nilai Layanan
• Peluang, Permintaan, dan Nilai
• Prinsip Panduan ITIL
• Tata Kelola (Governance)
• Rantai Nilai Layanan
• Peningkatan Berkelanjutan (Continual Improvement)
• Praktik (Practices)

• Belajar Menggunakan Excel

• Metode pengumpulan data
• Memahami variabel hingga menjadi dataset
• Mengeksplorasi kemampuan Microsoft Excel
• Mempelajari penggunaan Microsoft Excel
• Mengorganisasikan data
• Format variabel: angka, teks (string), tanggal, dan lainnya
• Rentang (range) dan tabel
• Pengurutan (sorting) dan penyaringan (filtering) data
• Bekerja dengan fungsi (functions)

• Analisis Data: Statistik Deskriptif dan Analisis Subkelompok

• Pengantar statistik deskriptif
• Memahami data menggunakan Microsoft Excel
• Analisis terstratifikasi (stratified analysis)

• Visualisasi Data

• Tinjauan grafik pada Microsoft Excel
• Grafik Pivot (Pivot Charts)
• Membangun dashboard interaktif

Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia. Modul ini memberikan pemahaman mengenai manfaat, tantangan, serta pendorong utama transformasi digital, termasuk pendekatan customer-centric, otomatisasi berbasis data, serta pengambilan keputusan berbasis kecerdasan manusia dan mesin dalam lingkungan digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat Digital Transformation
• Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi Digital Transformation
• Memahami Customer-Centricity
• Hubungan Product-Centric vs Customer-Centric
• Aksi Berbasis Nilai Relasi dan Warmth
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar-Dasar Data Intelligence
• Asal-Usul Data dan Sumber Data
• Metode Pengumpulan Data dan Jenis Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual Berbantuan Komputer dan Keputusan Otomatis Berbasis Kondisi
• Pengambilan Keputusan Manual Cerdas vs Pengambilan Keputusan Otomatis Cerdas
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung dan Berkala
• Pengambilan Keputusan Otomatis Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi nyata Digital Transformation melalui integrasi berbagai teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data. Modul ini menjelaskan bagaimana data masuk ke dalam sistem (data ingress), diproses menjadi data intelligence, serta digunakan untuk mendukung pengambilan keputusan manusia maupun otomatis. Peserta juga akan memahami bagaimana seluruh teknologi tersebut saling terhubung dalam arsitektur solusi Digital Transformation berbasis proses bisnis end-to-end.

Pokok Bahasan:

• Dasar Desain Solusi Terdistribusi
• Dasar Data Ingress, termasuk File Pull, File Push, API Pull, API Push, dan Data Streaming
• Pengenalan Digital Transformation
• Teknologi Otomasi
• Dasar Cloud Computing dan Cloud Computing dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Cloud Computing
• Dasar Blockchain dan Blockchain dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Blockchain
• Dasar Internet of Things (IoT) dan IoT dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum IoT
• Robotic Process Automation (RPA) dan RPA dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum RPA
• Pengenalan Teknologi Data Science dalam Digital Transformation
• Big Data dan Analitik Data serta Big Data dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Big Data
• Dasar Machine Learning dan Machine Learning dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Machine Learning
• Dasar Artificial Intelligence (AI) dan AI dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum AI
• Studi Menyeluruh Sistem Digital Transformation Berbasis Customer-Centric
• Pemetaan Teknologi Digital Transformation terhadap Proses Solusi
• Pelacakan Aliran dan Penggunaan Data Intelligence dalam Solusi Digital Transformation

Modul 4 — Fundamental Blockchain

Membahas konsep dasar blockchain secara menyeluruh mulai dari struktur, prinsip kerja, hingga penerapannya di berbagai industri. Peserta akan mempelajari model desentralisasi, distributed ledger, komponen utama blockchain, mekanisme transaksi, serta konsep konsensus dan kriptografi yang menjadi fondasinya. Modul ini juga mengulas jenis jaringan blockchain, smart contract, serta implikasi bisnis dan teknologi dari penerapan blockchain dalam sistem modern.

Pokok Bahasan:

• Manfaat dan Tantangan Blockchain
• Pendorong Bisnis dan Pendorong Teknologi Blockchain
• Memahami Model Desentralisasi Blockchain
• Proposisi Nilai Blockchain
• Cara Penggunaan Blockchain di Berbagai Industri
• Aplikasi Blockchain, Jaringan, dan Distributed Ledger (Buku Besar Terdistribusi)
• Hubungan Distributed Ledger dengan Database Relasional
• Komponen Fundamental Arsitektur Blockchain
• Transaksi, Catatan, dan Pool
• Blok, Rantai, dan Header Blok
• Pengguna Blockchain, Full Node, dan Partial Node
• Pemahaman Langkah demi Langkah Siklus Hidup Record dan Blok
• Pemahaman Langkah demi Langkah Cara Kerja Merkle Tree
• Pemahaman Langkah demi Langkah Cara Kerja Konsensus
• Algoritma Konsensus (PoW, PoS, PoA, DPoS, LPoS, PoI, PoET, PoC, PoB, Round Robin)
• Blockchain Publik vs Privat / Permissionless vs Permissioned
• Coin, Token, dan Smart Contract
• Dasar Hashing Kriptografi dan Kriptografi
• Aktivitas On-Chain, Off-Chain, dan Cross-Chain
• Memahami Soft Fork dan Hard Fork
• Metrik Umum dalam Blockchain

Modul 7 — Blockchain Architecture

Modul ini membahas arsitektur teknologi blockchain, mekanisme inti blockchain, serta pola desain yang digunakan untuk membangun solusi blockchain yang aman, andal, dan scalable. Peserta akan mempelajari komponen utama blockchain, proses konsensus, mekanisme validasi, serta berbagai pendekatan arsitektur untuk mendukung performa, integritas data, dan kebutuhan implementasi enterprise.

Pokok Bahasan:

• Mekanisme dan Artefak Umum Teknologi Blockchain
• Node Monitor, Automated Node Deployer, dan Node Placement Monitor
• Consensus Processor, Block Maker, dan Identity Federator
• Hashing Engine, Chaining Engine, Identity Verifier, dan Wallet
• Node Repository, Ledger Replicator, dan Live Node Migrator
• Pola Desain Blockchain untuk Integritas dan Validasi
• Block Singleton, Sidechain, dan Consensus Validasi Blok
• Pola Desain Blockchain untuk Skalabilitas dan Keandalan
• Auto-Scaling Node dan Guaranteed Minimum Full Nodes
• Geo Scaling dan Pembaruan Ukuran Blok
• Pola Desain Blockchain untuk Keamanan dan Privasi
• Transaksi On-Chain Paksa dan Federated Chain
• Perlindungan Data Pengguna
• Pola Desain Blockchain untuk Utilitas
• Penandaan Catatan Transaksi
• Lightweight Node dan Abstraksi Tugas Node

Modul 15 — Fundamental Cybersecurity

Membahas konsep dasar cybersecurity sebagai fondasi perlindungan sistem, data, dan infrastruktur digital. Peserta akan mempelajari risiko dan tantangan keamanan, karakteristik proteksi, terminologi ancaman siber, serta kerangka kerja dan standar keamanan yang umum digunakan. Modul ini juga mencakup manajemen risiko digital, metrik keamanan, serta hubungan cybersecurity dengan teknologi seperti machine learning dan artificial intelligence.

Pokok Bahasan:

• Sejarah Perlindungan Aset (Asset Protection)
• Pendorong Bisnis dan Teknologi Cybersecurity
• Tujuan dan Manfaat Cybersecurity
• Risiko dan Tantangan dalam Adopsi Cybersecurity
• Karakteristik dan Fungsi Proteksi Cybersecurity
• Terminologi Umum Ancaman Siber
• Komponen Kerangka Kerja Cybersecurity
• Penilaian dan Manajemen Risiko Digital
• Standar dan Framework Industri Cybersecurity
• Cybersecurity dan Machine Learning
• Cybersecurity dan Artificial Intelligence
• Resiliensi Cybersecurity, Penilaian Risiko, dan Metrik Efektivitas

Modul 16 — Advanced Cybersecurity

Membahas konsep lanjutan dalam arsitektur dan implementasi sistem keamanan siber melalui eksplorasi mekanisme, proses, serta jenis ancaman yang umum terjadi di lingkungan digital modern. Peserta akan mempelajari komponen utama cybersecurity seperti mekanisme proteksi dan monitoring, proses keamanan yang terstruktur, serta teknik mitigasi terhadap berbagai bentuk serangan siber. Modul ini juga mencakup analisis ancaman, deteksi insider threat, serta pendekatan penanganan insiden keamanan secara menyeluruh.

Pokok Bahasan:

• 15 Mekanisme Cybersecurity (termasuk Honeypots, Biometric Scanners, Intrusion Detection, Analisis Kode Berbahaya, dan User Behavior Analytics)
• 9 Mekanisme Monitoring Cybersecurity (termasuk Malware Monitor, Network Intrusion Monitor, dan Data Loss Prevention Monitor)
• 13 Proses Cybersecurity (termasuk Attack Surface Reduction, Continuous Vulnerability Management, serta Network Monitoring and Defense)
• Deteksi Insider Threat dan Manajemen Respons Insiden
• Cyber Threat Intelligence dan Motivasi Serangan Siber
• 13 Jenis Ancaman dan Serangan Siber Umum (termasuk Botnet, Tunneling, Remote Code Execution, dan Berbagai Jenis Malware)
• Insider Threat, Social Engineering, dan Phishing
• Advanced Persistent Threats (APTs)

Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia. Modul ini memberikan pemahaman mengenai manfaat, tantangan, serta pendorong utama transformasi digital, termasuk pendekatan customer-centric, otomatisasi berbasis data, serta pengambilan keputusan berbasis kecerdasan manusia dan mesin dalam lingkungan digital modern.

Pokok Bahasan

• Memahami Digital Transformation
• Manfaat Digital Transformation
• Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi Digital Transformation
• Memahami Customer-Centricity
• Hubungan Product-Centric vs Customer-Centric
• Aksi Berbasis Nilai Relasi dan Warmth
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar-Dasar Data Intelligence
• Asal-Usul Data dan Sumber Data
• Metode Pengumpulan Data dan Jenis Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual Berbantuan Komputer dan Keputusan Otomatis Berbasis Kondisi
• Pengambilan Keputusan Manual Cerdas vs Pengambilan Keputusan Otomatis Cerdas
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung dan Berkala
• Pengambilan Keputusan Otomatis Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi nyata Digital Transformation melalui integrasi berbagai teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data. Modul ini menjelaskan bagaimana data masuk ke dalam sistem (data ingress), diproses menjadi data intelligence, serta digunakan untuk mendukung pengambilan keputusan manusia maupun otomatis. Peserta juga akan memahami bagaimana seluruh teknologi tersebut saling terhubung dalam arsitektur solusi Digital Transformation berbasis proses bisnis end-to-end.

Pokok Bahasan

• Dasar Desain Solusi Terdistribusi
• Dasar Data Ingress, termasuk File Pull, File Push, API Pull, API Push, dan Data Streaming
• Pengenalan Digital Transformation
• Teknologi Otomasi
• Dasar Cloud Computing dan Cloud Computing dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Cloud Computing
• Dasar Blockchain dan Blockchain dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Blockchain
• Dasar Internet of Things (IoT) dan IoT dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum IoT
• Robotic Process Automation (RPA) dan RPA dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum RPA
• Pengenalan Teknologi Data Science dalam Digital Transformation
• Big Data dan Analitik Data serta Big Data dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Big Data
• Dasar Machine Learning dan Machine Learning dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Machine Learning
• Dasar Artificial Intelligence (AI) dan AI dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum AI
• Studi Menyeluruh Sistem Digital Transformation Berbasis Customer-Centric
• Pemetaan Teknologi Digital Transformation terhadap Proses Solusi
• Pelacakan Aliran dan Penggunaan Data Intelligence dalam Solusi Digital Transformation

Modul 10-B — Fundamental Predictive AI

Modul ini membahas konsep dasar Predictive AI, termasuk manfaat, pendekatan pembelajaran, proses pelatihan model, serta penerapan AI dalam berbagai kebutuhan bisnis. Peserta juga akan mempelajari jenis-jenis Predictive AI, neural network, dan fungsi AI seperti computer vision, NLP, dan speech recognition.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Predictive AI
• Manfaat Predictive AI
• Risiko dan Tantangan Penggunaan AI
• Kategori Masalah Bisnis yang Diselesaikan AI
• Jenis-Jenis Predictive AI
• Pendekatan Pembelajaran Predictive AI
• Training Loop dan Pelatihan Model AI
• Supervised, Unsupervised, dan Reinforcement Learning
• Heuristic dan Semi-Supervised Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Model AI dan Neural Networks

Modul 17 — Fundamental Agentic AI

Modul ini membahas dasar Agentic AI dan konsep AI agent yang mampu memahami lingkungan, mengambil keputusan, dan bertindak secara otonom. Peserta akan mempelajari karakteristik AI agent, arsitektur dasar agen, serta konsep reasoning dan planning dalam sistem Agentic AI.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dari Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen

Modul 18 — Fundamental RPA

Modul ini membahas konsep dasar Robotic Process Automation (RPA), termasuk komponen, arsitektur, lifecycle, dan penggunaan bot untuk otomatisasi proses bisnis. Peserta akan mempelajari integrasi front-end dan back-end, serta berbagai skenario implementasi RPA untuk meningkatkan efisiensi operasional.

Pokok Bahasan

• Pengantar Robotic Process Automation (RPA)
• Pendorong Bisnis dan Teknologi RPA
• Tujuan dan Manfaat RPA
• Risiko dan Tantangan Implementasi RPA
• Integrasi Front-End dan Back-End
• Komponen RPA dan Bot Runners
• Arsitektur dan Model RPA
• RPA Lifecycle
• Integrasi Bot dengan Aplikasi dan API
• Automated Data Entry dan Routing
• Automated Web Searching
• Automated Data Search dan Fetch
• Automated Digitization
• Automated User Acceptance Testing (UAT)

Modul 19 — Advanced RPA & Intelligent Automation

Membahas integrasi antara Robotic Process Automation (RPA) dan Artificial Intelligence (AI) dalam membangun sistem Intelligent Automation (IA) yang lebih adaptif dan otonom. Modul ini memberikan pemahaman mengenai bagaimana otomasi berkembang dari berbasis aturan menjadi berbasis kecerdasan, termasuk konsep pengambilan keputusan otomatis serta penerapan AI dalam berbagai proses bisnis.

Pokok Bahasan

• Pengenalan Intelligent Automation dan Hyperautomation
• Pendorong Bisnis dan Teknologi Intelligent Automation
• Tujuan dan Manfaat Intelligent Automation
• Risiko dan Tantangan Intelligent Automation
• Komponen Solusi Intelligent Automation
• Intelligent Automation dan Business Process Management
• Pengenalan Artificial Intelligence (AI)
• Pemahaman Pengambilan Keputusan Otonom
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung
• Pengambilan Keputusan Otomatis Berbasis Periode
• Pengambilan Keputusan Otomatis Real-Time
• Entri Data Otomatis Berbasis Kecerdasan
• Routing Otomatis Berbasis Kecerdasan
• Pencarian Web Otomatis Berbasis Kecerdasan
• Pencarian dan Pengambilan Data Otomatis Berbasis Kecerdasan
• Digitisasi Otomatis Berbasis Kecerdasan
• Skenario Penggunaan Automated User Acceptance Testing Berbasis Kecerdasan

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh AI, termasuk berbagai pendekatan pembelajaran seperti supervised, unsupervised, dan reinforcement learning. Modul ini juga mencakup proses training model, neural networks, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition dalam sistem modern.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Umum Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif yang Umum
• Pembelajaran AI Prediktif dan Pelatihan Model
• Proses Training Loop Langkah demi Langkah
• Supervised Learning, Unsupervised Learning, dan Continuous Learning
• Heuristic Learning, Semi-Supervised Learning, dan Reinforcement Learning
• Desain Fungsional AI Prediktif: Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Pemahaman Model AI dan Neural Network

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam berbagai skenario bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh generative models, termasuk dasar neural networks, model AI, dan algoritma pembelajaran. Modul ini juga mencakup arsitektur utama seperti GANs, VAEs, dan Transformers, proses pelatihan model, serta praktik terbaik dalam membangun sistem Generative AI yang efektif, aman, dan dapat diandalkan.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Umum Penggunaan Generative AI
• Kategori Masalah Bisnis yang Ditangani Generative AI
• Pemahaman Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Pelatihan Model Generative dan Pemahaman Training Loop
• Memahami Generative Adversarial Networks (GANs)
• Memahami Variational Autoencoders (VAE)
• Memahami Transformer
• Langkah-langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 19 — Fundamental AI Governance & Ethics

Modul ini membahas dasar AI Governance dan prinsip etika dalam pengembangan serta penggunaan sistem AI. Peserta akan mempelajari konsep fairness, transparency, accountability, data governance, mitigasi bias, serta pengelolaan risiko dan praktik responsible AI dalam siklus hidup sistem AI.

Pokok Bahasan

• Pengantar Tata Kelola AI (AI Governance) dan Prinsip Dasar AI Etis
• Memahami Fairness, Accountability, Transparency, dan Explainability (FATE)
• Mengatasi Bias dan Diskriminasi dalam Algoritma AI
• Peran Data Governance dalam Kerangka Tata Kelola AI
• Pengelolaan Pengumpulan dan Manajemen Data Pelatihan
• Menjamin Kualitas Data dan Pelacakan Data Lineage
• Teknik untuk Mengatasi dan Mengurangi Bias pada Dataset
• Aspek Etika di Seluruh Siklus Hidup Sistem AI
• Alat dan Teknik untuk Desain AI yang Etis
• Penggunaan Kerangka Penilaian Risiko untuk Mengidentifikasi dan Mengelola Risiko AI

Modul 20 — Advanced AI Governance & Ethics

Modul ini membahas tata kelola AI tingkat lanjut untuk memastikan sistem AI dikembangkan dan digunakan secara etis, transparan, aman, dan sesuai regulasi. Peserta akan mempelajari governance data AI, mitigasi bias, explainability, audit AI, serta penerapan ethical AI dalam lingkungan organisasi dan cloud.

Pokok Bahasan

• Governance Precepts and Processes for Training Data, termasuk Sensitive Data dan Representativeness
• Governance Precepts and Processes for Production Data, termasuk Monitoring for Drift dan Continuous Fairness
• Establishing AI Oversight and Auditing Mechanisms
• Bias Mitigation Strategies dan Achieving Explainability in Complex AI Models
• Operationalizing Ethical Principles dan Aligning AI with Values and Social Responsibility
• Adapting to Evolving Regulations
• Creating an AI Ethics Code of Conduct dan Communicating AI Ethics to the Organization
• Using AI Governance to Foster a Culture of Ethical AI Innovation
• Proactive Risk Management and Incident Response in AI
• Understanding Governance-Related Cloud AI Automation Mechanisms

Modul 21 — AI Governance & Ethics Lab

Modul ini merupakan praktik implementasi AI Governance dan Ethical AI melalui studi kasus dan latihan berbasis skenario. Peserta akan menerapkan konsep governance AI, mitigasi bias, monitoring, audit, dan pengelolaan risiko pada sistem AI. Menyelesaikan lab ini membantu memperkuat pemahaman terhadap topik-topik sebelumnya serta semakin menunjukkan bagaimana berbagai praktik dan teknologi dapat diterapkan secara bersama sebagai bagian dari solusi yang lebih besar.

Pokok Bahasan

• Penerapan AI Governance dalam Studi Kasus Nyata
• Implementasi Prinsip Ethical AI dalam Pengembangan dan Operasional Sistem AI
• Identifikasi dan Mitigasi Bias pada Model dan Dataset
• Monitoring Kinerja, Fairness, dan Kepatuhan Sistem AI
• Audit Sistem AI dan Evaluasi Tata Kelola
• Pengelolaan Risiko dan Respons terhadap Insiden AI
• Penerapan Data Governance dalam Siklus Hidup AI
• Evaluasi Explainability dan Transparency pada Model AI
• Penyusunan Rekomendasi Perbaikan Tata Kelola dan Etika AI
• Integrasi Praktik Governance, Monitoring, Audit, dan Risk Management dalam Solusi AI yang Komprehensif

Modul 16 — Fundamental Agentic AI

Modul ini membahas dasar Agentic AI dan konsep AI agent yang mampu memahami lingkungan, mengambil keputusan, dan bertindak secara otonom. Peserta akan mempelajari karakteristik AI agent, arsitektur dasar agen, serta konsep reasoning dan planning dalam sistem Agentic AI.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dari Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen

Modul 17 — Advanced Agentic AI

Modul ini membahas konsep dan implementasi Agentic AI tingkat lanjut, termasuk kolaborasi antar agen, advanced planning, reinforcement learning, serta pengambilan keputusan dalam lingkungan kompleks. Peserta juga akan mempelajari penerapan Agentic AI pada sistem otonom, robotics, dan large-scale agentic systems beserta tantangan scalability, reliability, dan ethical AI.

Pokok Bahasan

• Multi-Agent Systems (MAS): Konsep dan Manfaat
• Arsitektur MAS (Kontrol Terpusat vs Terdistribusi)
• Agent Communication Languages (ACLs) dan Protokol
• Koordinasi dan Kerja Sama dalam MAS
• Alokasi dan Distribusi Tugas, Strategi Negosiasi, dan Penyelesaian Konflik
• Arsitektur Agen Hierarkis
• Teknik Perencanaan Lanjutan
• Hierarchical Task Network (HTN)
• Perencanaan dan Pengambilan Keputusan dalam Ketidakpastian
• Continuous Planning
• Pengantar Reinforcement Learning (RL) untuk Optimisasi Kebijakan Agen
• Meta-Learning dan Transfer Learning dalam Sistem Agentic
• Explainable AI (XAI) untuk Memahami Penalaran Agen
• Agentic AI di Dunia Nyata (Robotika, Sistem Otonom, Problem Solving Kompleks, Industri Kreatif, dan Lainnya)
• Skalabilitas dan Kompleksitas dalam Sistem Agentic Berskala Besar
• Robustness dan Reliabilitas Sistem Agentic
• Verifikasi dan Validasi Perilaku Agen
• Implikasi Etika AI Agentic Lanjutan (Bias, Fairness, Transparansi)

Modul 18 — Agentic AI Lab

Modul ini merupakan praktik implementasi Agentic AI melalui studi kasus dan latihan berbasis skenario. Peserta akan menerapkan konsep AI agents, multi-agent systems, planning, reasoning, dan decision-making untuk menyelesaikan berbagai permasalahan dan membangun solusi Agentic AI yang terintegrasi.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dengan Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen