Tujuan Pembelajaran

Memahami cara kerja LLM secara sederhana dan parameter kuncinya (temperature, max_tokens, top_p)
Mampu membandingkan model AI utama: GPT-4o, Claude, Gemini, DeepSeek
Mampu memilih model berdasarkan task, budget, dan latency requirements

Analogi

Diagram


      Model = Kendaraan:
Motor (DeepSeek, GPT-4o-mini): Cepat, murah, task ringan
Mobil (Claude Sonnet, GPT-4o): Seimbang, mayoritas task
Truk (Claude Opus, o1): Mahal, powerful, task kompleks

Rule: jangan pakai truk cuma buat belanja susu.

Pilih model AI seperti memilih kendaraan — jangan pakai truk cuma untuk belanja susu. Sesuaikan dengan task.

Penjelasan Konsep

Model AI untuk coding adalah Large Language Model (LLM) — neural network yang dilatih dengan triliunan token teks. Mereka bekerja dengan memprediksi token berikutnya — seperti autocomplete super canggih yang paham konteks ribuan token.

Parameter kunci: Temperature (0-2) kontrol kreativitas — rendah untuk kode (0.1), tinggi untuk brainstorming (0.8). Max Tokens batas panjang output. Context Window adalah “memori” model — GPT-4o 128K token, Claude 200K token.

Perbandingan: Claude Sonnet (kode berkualitas, reasoning kuat, rate limit ketat), GPT-4o (multimodal, cepat, tool use bagus), DeepSeek V3 (murah, open-source friendly), Gemini 2.5 Pro (context window 1M token).

Rule of thumb: mulai dari model murah untuk task sederhana, escalate hanya jika hasil tidak memuaskan. Task CRUD boilerplate tidak perlu Claude Opus.

Inti yang Perlu Dipahami

Bagian ini berfokus pada memahami cara kerja LLM secara sederhana dan parameter kuncinya (temperature, max_tokens, top_p)., mampu membandingkan model AI utama: GPT-4o, Claude, Gemini, DeepSeek., dan mampu memilih model berdasarkan task, budget, dan latency requirements. Jangan terburu-buru menghafal istilahnya. Lebih penting untuk memahami peran setiap konsep dan kapan konsep itu muncul dalam pekerjaan web development.

Saat membaca Model AI, gunakan tujuan belajar sebagai penanda arah. Kalau kamu sudah bisa menjelaskan tujuan itu dengan kata-katamu sendiri, berarti fondasinya mulai terbentuk.

Cara Membayangkannya

Pilih model AI seperti memilih kendaraan — jangan pakai truk cuma untuk belanja susu. Sesuaikan dengan task. Analogi ini dipakai supaya konsep teknis tidak terasa melayang. Hubungkan setiap istilah dengan perannya: siapa yang meminta, siapa yang memproses, data apa yang berpindah, dan hasil apa yang diharapkan.

Kalau analoginya sudah terasa masuk akal, barulah lihat istilah teknisnya. Cara ini membuat materi lebih mudah dipahami daripada langsung menghafal definisi.

Konteks dalam Perjalanan Belajar

Setiap konsep di platform ini dipilih karena dipakai di industri. Fokus pada pemahaman, bukan hafalan.

Kamu sudah di bagian lanjutan. Mulai pikirkan bagaimana konsep ini dipakai di dunia kerja — bukan hanya untuk belajar, tapi untuk membangun produk nyata.

Gunakan pertanyaan reflektif dan prompt AI di akhir chapter sebagai latihan aktif. Membaca saja tidak cukup — kamu perlu menjelaskan ulang dengan kata-katamu sendiri.

Prompt AI

Bandingkan 4 model AI (Claude Sonnet, GPT-4o, DeepSeek V3, Gemini 2.5 Pro) untuk task: generate REST API dengan 10 endpoints, validasi, dan error handling. Minta AI memberikan kelebihan dan kekurangan masing-masing.

Pertanyaan Reflektif

Hitung estimasi biaya API untuk proyekmu. Asumsikan 100 prompt per hari dengan rata-rata 2000 input + 1500 output tokens. Bandingkan biaya antar 3 model berbeda.