[{"data":1,"prerenderedAt":361},["ShallowReactive",2],{"tag-labels":3,"site-header":4,"article-kenapa-ai-masih-gagal-paham-fisika-dasar-mengenal-arsitektur-jepa-id":72},{},{"featuredPost":5,"navigations":29},{"id":6,"title":7,"title_en":8,"slug":9,"excerpt":10,"excerpt_en":11,"has_translation":12,"published_at":13,"reading_time":14,"hidden_from_listing":15,"tags":16,"thumbnail_image":21,"og_image":22,"series":23,"authors":28},110,"Ketika Pilih Framework Cuma Biar Kelihatan Beda","When You Pick a Framework Just to Look Different","ketika-pilih-framework-cuma-biar-kelihatan-beda","Terakhir kali kamu milih framework atau library baru, itu karena masalahmu butuh alat itu, atau karena alatnya kedengaran keren dan belum banyak yang pakai? Pertanyaan ini nggak enak dijawab. Soalnya keputusan teknologi sering diambil dengan alasan yang nggak pernah ditulis di dokumen teknis mana pun.","The last time you chose a new framework or library, was it because your problem needed that tool, or because it sounded cool and few people around you were using it? That question is uncomfortable. Technology decisions are often made for reasons that never appear in any technical document.",true,"2026-10-06T15:25:21.000Z",5,false,[17,18,19,20],"karier","framework","opini","pengalaman",null,"\u002Fog\u002Fketika-pilih-framework-cuma-biar-kelihatan-beda.png",{"id":24,"title":25,"title_en":26,"slug":27},9,"Artikel","Articles","all",[],[30,46,67],{"collection":31,"item":32},"series",{"__typename":31,"title":25,"title_en":26,"slug":27,"children_series":33},[34,38,42],{"title":35,"title_en":36,"slug":37},"Kecerdasan Artifisial","Artificial Intelligence","kecerdasan-artifisial",{"title":39,"title_en":40,"slug":41},"Konsep Dasar Pemrograman","Programming Fundamentals","konsep-dasar-pemrograman",{"title":43,"title_en":44,"slug":45},"Algoritma dan Struktur Data","Algorithms and Data Structures","algoritma-struktur-data",{"collection":31,"item":47},{"__typename":31,"title":48,"title_en":48,"slug":49,"children_series":50},"Tutorial","tutorial",[51,55,59,63],{"title":52,"title_en":53,"slug":54},"Belajar Python","Learning Python","belajar-python",{"title":56,"title_en":57,"slug":58},"Belajar Golang","Learning Go","belajar-golang",{"title":60,"title_en":61,"slug":62},"Belajar Java","Learning Java","belajar-java",{"title":64,"title_en":65,"slug":66},"Belajar Pascal","Learning Pascal","belajar-pascal",{"collection":31,"item":68},{"__typename":31,"title":69,"title_en":69,"slug":70,"children_series":71},"Lab","lab",[],{"article":73,"renderedBody":264,"renderedTakeaway":265,"latestArticles":266,"toc":333},{"id":74,"title":75,"title_en":76,"slug":77,"excerpt":78,"excerpt_en":79,"has_translation":12,"published_at":80,"reading_time":74,"hidden_from_listing":15,"tags":81,"thumbnail_image":21,"og_image":86,"series":87,"authors":257,"body_locale":260,"available_locales":261,"body":263,"takeway":21,"prerequisite":21},4,"Bukan Sekadar Generative AI, JEPA Coba Kejar Pemahaman Konsep ala Manusia","Beyond Generative AI: JEPA Chases Human-Style Conceptual Understanding","kenapa-ai-masih-gagal-paham-fisika-dasar-mengenal-arsitektur-jepa","AI biasanya cuma jago nebak piksel, tapi JEPA coba belajar lewat konsep abstrak di ruang laten. Ternyata, cara ini bisa sampai dipakai buat baca gelombang otak.","AI usually only guesses pixels, while JEPA tries to learn from abstract concepts in latent space. That approach turns out to reach as far as reading brain waves.","2026-06-03T09:34:14.840Z",[82,83,84,85],"jepa","yann-lecun","machine-learning","agi","\u002Fog\u002Fkenapa-ai-masih-gagal-paham-fisika-dasar-mengenal-arsitektur-jepa.png",{"id":88,"title":35,"title_en":36,"slug":37,"description":21,"description_en":89,"articles":90,"children_series":249,"parent_series":250},8,"Notes on AI that go past the demo: how the models work, where they break, and what changes once you put them in production.",[91,104,122,137,142,156,173,190,211,230],{"id":92,"title":93,"title_en":94,"slug":95,"excerpt":96,"excerpt_en":97,"has_translation":12,"published_at":98,"reading_time":74,"hidden_from_listing":15,"tags":99,"thumbnail_image":21,"og_image":101,"series":102,"authors":103},1,"Kenapa AI Suka 'Halu'? Kenalan sama JEPA, Otak AI yang Punya Akal Sehat","Why Does AI Keep Hallucinating? Meet JEPA, the AI Brain With Common Sense","kenapa-ai-suka-halu-kenalan-sama-jepa-otak-ai-yang-punya-akal-sehat","AI generatif sering 'halu' karena cuma jago nebak pola kata. JEPA coba ngerombak itu dengan ngajarin AI cara kerja dunia nyata kayak otak manusia.","Generative AI hallucinates because all it does is guess word patterns. JEPA tries to change that by teaching machines how the real world works, the way a human brain does.","2026-06-02T08:09:05.595Z",[82,100,83,85],"artificial-intelligence","\u002Fog\u002Fkenapa-ai-suka-halu-kenalan-sama-jepa-otak-ai-yang-punya-akal-sehat.png",{"id":88,"title":35,"title_en":36,"slug":37},[],{"id":105,"title":106,"title_en":107,"slug":108,"excerpt":109,"excerpt_en":110,"has_translation":12,"published_at":111,"reading_time":74,"hidden_from_listing":15,"tags":112,"thumbnail_image":21,"og_image":114,"series":115,"authors":116},2,"LLM Bakal Mentok, Terus Gimana Dong?","LLMs Are Going to Hit a Wall. What Then?","llm-bakal-mentok-terus-gimana-dong","LLM kayak ChatGPT itu jago ngerangkai kata, tapi nggak beneran paham realitas. Yann LeCun bilang arsitektur ini bakal mentok dan butuh solusi baru.","LLMs like ChatGPT are great at stringing words together, but they never really grasp reality. Yann LeCun says this architecture will hit a wall and needs a new answer.","2026-06-03T08:55:33.003Z",[100,113,83,82],"llm","\u002Fog\u002Fllm-bakal-mentok-terus-gimana-dong.png",{"id":88,"title":35,"title_en":36,"slug":37},[117],{"authors_id":118},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},"Daffa Izzuddin","izzudd","Writer",{"id":123,"title":124,"title_en":125,"slug":126,"excerpt":127,"excerpt_en":128,"has_translation":12,"published_at":129,"reading_time":74,"hidden_from_listing":15,"tags":130,"thumbnail_image":21,"og_image":132,"series":133,"authors":134},3,"Mengenal JEPA: Saat AI Mulai Belajar Punya \"Akal Sehat\"","Meet JEPA: Where AI Starts Learning Common Sense","kenapa-ai-suka-halu-dan-gimana-jepa-beresin-masalah-ini","AI sering 'halu' karena cuma nebak probabilitas data tanpa paham realita. Arsitektur JEPA mencoba mengubah itu dengan membangun model dunia di kepalanya.","AI hallucinates because it only guesses data probabilities without understanding reality. The JEPA architecture tries to change that by building a world model in its head.","2026-06-03T09:32:50.446Z",[100,82,131,83],"world-models","\u002Fog\u002Fkenapa-ai-suka-halu-dan-gimana-jepa-beresin-masalah-ini.png",{"id":88,"title":35,"title_en":36,"slug":37},[135],{"authors_id":136},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":74,"title":75,"title_en":76,"slug":77,"excerpt":78,"excerpt_en":79,"has_translation":12,"published_at":80,"reading_time":74,"hidden_from_listing":15,"tags":81,"thumbnail_image":21,"og_image":86,"series":138,"authors":139},{"id":88,"title":35,"title_en":36,"slug":37},[140],{"authors_id":141},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":14,"title":143,"title_en":144,"slug":145,"excerpt":146,"excerpt_en":147,"has_translation":12,"published_at":148,"reading_time":74,"hidden_from_listing":15,"tags":149,"thumbnail_image":21,"og_image":151,"series":152,"authors":153},"Di Balik Dapur JEPA: Rahasia EMA, VICReg, dan Efisiensi Komputasi","Inside JEPA's Kitchen: The Secrets of EMA, VICReg, and Compute Efficiency","di-balik-dapur-jepa-rahasia-ema-vicreg-dan-efisiensi-komputasi","Bosen sama AI yang cuma jago nebak kata atau ngafalin pixel? Kenalan sama JEPA, arsitektur revolusioner yang ngajarin mesin punya \"akal sehat\" secara super efisien. Yuk intip jeroan teknisnya!","Bored of AI that only guesses words or memorizes pixels? Meet JEPA, an architecture that teaches machines common sense very cheaply. Here is a look at its technical insides.","2026-06-07T16:14:13.723Z",[82,150],"artificial-intelligent","\u002Fog\u002Fdi-balik-dapur-jepa-rahasia-ema-vicreg-dan-efisiensi-komputasi.png",{"id":88,"title":35,"title_en":36,"slug":37},[154],{"authors_id":155},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":157,"title":158,"title_en":159,"slug":160,"excerpt":161,"excerpt_en":162,"has_translation":12,"published_at":163,"reading_time":88,"hidden_from_listing":15,"tags":164,"thumbnail_image":21,"og_image":170,"series":171,"authors":172},125,"MCP dibongkar ulang: kabar baik buat kamu yang capek nulis konektor","MCP, Rebuilt: Good News If You're Tired of Writing Connectors","mcp-dibongkar-ulang-kabar-baik-buat-kamu","Kamu punya beberapa API internal dan satu agent AI, tapi kodenya harus ditulis ulang tiap kali modelnya diganti. MCP datang buat mengakhiri itu, dan tahun ini protokolnya dibongkar ulang supaya server-nya bisa jalan seperti web server biasa. Yuk lihat apa yang berubah. 🔧","You have a few internal APIs and one AI agent, but the code has to be rewritten every time the model changes. MCP ends that, and this year the protocol was rebuilt so servers can run like ordinary web servers. Here's what changed. 🔧","2026-10-16T05:00:00.000Z",[165,166,167,113,168,169],"mcp","model-context-protocol","ai-agent","backend","python","\u002Fog\u002Fmcp-dibongkar-ulang-kabar-baik-buat-kamu.png",{"id":88,"title":35,"title_en":36,"slug":37},[],{"id":174,"title":175,"title_en":176,"slug":177,"excerpt":178,"excerpt_en":179,"has_translation":12,"published_at":180,"reading_time":181,"hidden_from_listing":15,"tags":182,"thumbnail_image":21,"og_image":185,"series":186,"authors":187},126,"Memori AI Agent: dari Vector Store ke Temporal Graph","AI Agent Memory: From Vector Store to Temporal Graph","memori-ai-agent-vector-store-ke-temporal-graph","Dua fakta yang saling bertentangan bikin agent menjawab ngawur. Ini bedanya vector store dan temporal knowledge graph dalam menjaga state jangka panjang.","Two contradictory facts make an agent answer nonsense. Here is how a vector store and a temporal knowledge graph differ at keeping long-term state.","2026-10-18T13:13:29.458Z",7,[183,113,168,184],"ai","system-design","\u002Fog\u002Fmemori-ai-agent-vector-store-ke-temporal-graph.png",{"id":88,"title":35,"title_en":36,"slug":37},[188],{"authors_id":189},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":191,"title":192,"title_en":193,"slug":194,"excerpt":195,"excerpt_en":196,"has_translation":12,"published_at":197,"reading_time":198,"hidden_from_listing":15,"tags":199,"thumbnail_image":21,"og_image":206,"series":207,"authors":208},127,"Kenapa RAG yang cuma andalkan cosine similarity sering nyasar","Why RAG That Leans on Cosine Similarity Alone Keeps Missing","kenapa-rag-cuma-cosine-similarity-sering-nyasar","RAG yang cuma andalkan embedding balikin chunk yang mirip maknanya, bukan yang kamu butuh. Ini penyebabnya, dan dua lapis penambalnya.","RAG that leans only on embeddings returns chunks that look close in meaning, not the ones you need. Here is why, and the two layers that patch it.","2026-10-19T02:04:06.718Z",6,[200,201,202,203,204,205],"rag","vector-search","bm25","hybrid-search","retrieval","embedding","\u002Fog\u002Fkenapa-rag-cuma-cosine-similarity-sering-nyasar.png",{"id":88,"title":35,"title_en":36,"slug":37},[209],{"authors_id":210},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":212,"title":213,"title_en":214,"slug":215,"excerpt":216,"excerpt_en":217,"has_translation":12,"published_at":218,"reading_time":198,"hidden_from_listing":15,"tags":219,"thumbnail_image":21,"og_image":225,"series":226,"authors":227},128,"Linear atau graf: cara mengatur banyak agent tanpa loop abadi","Linear or Graph: How to Run Many Agents Without an Eternal Loop","multi-agen-linear-atau-grafik","Satu agent dengan dua puluh tool gampang kacau. Begitu beberapa agent saling revisi, kamu butuh graf yang mendukung cycle dan angka yang membuatnya berhenti.","One agent with twenty tools gets messy fast. Once several agents revise each other, you need a graph that allows cycles and a number that makes it stop.","2026-10-21T16:05:00.000Z",[220,221,222,223,224,113],"multi-agent","langgraph","autogen","orkestrasi","checkpoint","\u002Fog\u002Fmulti-agen-linear-atau-grafik.png",{"id":88,"title":35,"title_en":36,"slug":37},[228],{"authors_id":229},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":231,"title":232,"title_en":233,"slug":234,"excerpt":235,"excerpt_en":236,"has_translation":12,"published_at":237,"reading_time":14,"hidden_from_listing":15,"tags":238,"thumbnail_image":21,"og_image":244,"series":245,"authors":246},129,"Biar RAG nggak kena 504: pisahin jalur query dan ingestion","So Your RAG Stops Hitting 504: Split the Query Path From Ingestion","rag-pisah-jalur-query-dan-ingestion","Satu service RAG yang merangkap parsing dan menjawab kueri bakal tumbang pas ada yang upload PDF 200 halaman. Obatnya dua jalur dan satu queue.","One RAG service that both parses uploads and answers queries will fall over the moment someone uploads a 200-page PDF. The cure is two paths and one queue.","2026-10-22T01:30:00.000Z",[200,239,240,241,242,243],"cloud-run","cloud-tasks","gcp","serverless","arsitektur","\u002Fog\u002Frag-pisah-jalur-query-dan-ingestion.png",{"id":88,"title":35,"title_en":36,"slug":37},[247],{"authors_id":248},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},[],{"id":24,"title":25,"title_en":26,"slug":27,"parent_series":21,"children_series":251},[252,253,255],{"id":88,"title":35,"title_en":36,"slug":37,"cover_image":21},{"id":254,"title":39,"title_en":40,"slug":41,"cover_image":21},12,{"id":256,"title":43,"title_en":44,"slug":45,"cover_image":21},15,[258],{"authors_id":259},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},"id",[262,260],"en","Kebayang nggak sih, model AI zaman sekarang tuh jago banget bikin esai panjang atau nge-_generate_ gambar super realistis, tapi kadang malah \"nge-blank\" soal hukum fisika dasar? Kayak, mereka nggak selalu paham kalau gelas jatuh dari meja itu pasti pecah.\n\nSebagian besar AI yang kita pakai saat ini—terutama model generatif—terlalu sibuk merekonstruksi detail. Mereka dilatih untuk menebak _pixel_ atau kata berikutnya. Nah, Yann LeCun (Chief AI Scientist di Meta) punya pandangan beda. Menurutnya, AI harusnya belajar layaknya manusia: memahami konsep abstrak, bukan menghafal detail mikroskopis. Dari sinilah lahir arsitektur **JEPA (Joint Embedding Predictive Architecture)**.\n\nJEPA ini bukan sekadar model baru, tapi sebuah pergeseran paradigma yang menarik banget buat diulik. Yuk, kita bedah ekosistem JEPA, mulai dari sifat modularnya yang fleksibel sampai varian-variannya yang saking canggihnya udah mulai merambah ke analisis gelombang otak!\n\n\n## Kenapa JEPA Begitu Spesial? Rahasia di Balik Sifat \"Modular\"\n\nBiar gampang dicerna, bayangin AI konvensional itu ibarat pelukis hiper-realis. Kalau disuruh menggambar hutan, dia maksa mau menggambar setiap helai daun dan ranting sampai ke detail terkecil. Hasilnya? Makan waktu, boros komputasi, dan buang energi buat detail yang kadang nggak krusial.\n\nDi sisi lain, JEPA itu ibarat seniman sketsa atau karikaturis. Ia menangkap \"esensi\" atau konsep dari hutan tersebut. Caranya? JEPA bekerja di dalam _latent space_ (ruang representasi abstrak), bukan di level piksel. Daripada memprediksi piksel mana yang hilang di sebuah gambar, JEPA memprediksi _representasi_ dari bagian yang hilang tersebut.\n\nHebatnya lagi, arsitektur ini sangat **modular**. Anatomi dasar JEPA terdiri dari _Context Encoder_, _Target Encoder_, dan _Predictor_. Sifat modular ini bikin JEPA bagaikan pisau lipat serbaguna di dunia _machine learning_. Modul encoder-nya bisa dibongkar pasang; hari ini dipakai untuk memproses gambar, besoknya diganti untuk memproses video, teks, atau bahkan sinyal medis, tanpa harus merombak fondasi utamanya. Konsep \"memprediksi representasi di ruang laten\" ini ternyata bisa diaplikasikan ke hampir semua modalitas data.\n\n\n## Keluarga Besar JEPA: Dari Gambar Sampai Gelombang Otak\n\nKarena sifat modularnya ini, ekosistem JEPA berkembang super cepat. Kalau kamu cek [rangkuman Kseniase di Hugging Face soal \"12 Types of JEPA\"](https:\u002F\u002Fhuggingface.co\u002Fposts\u002FKseniase\u002F646284586461230 \"null\"), kelihatan banget seberapa luas jangkauan arsitektur ini. Yuk kita lihat beberapa varian JEPA yang paling mencuri panggung:\n\n\n### 1. I-JEPA (Image-JEPA)\n\nIni adalah pembuktian pertama dari visi Yann LeCun. I-JEPA belajar memahami struktur gambar tanpa mengandalkan data berlabel atau trik augmentasi data yang rumit. Model ini hanya menganalisis satu bagian gambar (konteks), lalu mencoba memprediksi representasi abstrak dari bagian gambar lain yang ditutupi (_masked_). Hasilnya, AI jadi lebih cerdas membedakan objek secara konseptual.\n\n\n### 2. V-JEPA (Video-JEPA)\n\nKalau I-JEPA belajar dari gambar diam, V-JEPA diajak menonton video supaya paham cara kerja dunia nyata. Model ini memprediksi apa yang akan terjadi selanjutnya dalam sebuah klip video di ruang laten. Perlahan, V-JEPA mulai memahami interaksi spasial, waktu, dan hukum fisika dasar (seperti gravitasi atau momentum) murni dari observasi, persis seperti bayi yang sedang mengamati lingkungannya.\n\n\n### 3. TC-JEPA (Text-Conditioned JEPA)\n\nGimana kalau kita mau ngasih instruksi spesifik ke modelnya? Di sinilah TC-JEPA masuk. Varian ini menambahkan kondisi teks (_prompt_) untuk mengarahkan prediksi representasi gambar. Perumpamaannya, kita nggak cuma nyuruh AI \"tebak apa yang ada di balik kotak hitam ini\", tapi ngasih petunjuk, \"di balik kotak hitam ini ada benda yang berhubungan dengan kata 'kendaraan'.\" Ini ngebuka jalan buat pemahaman multimodal yang lebih terarah.\n\n\n### 4. M3-JEPA (Multimodal Masked Modeling)\n\nIni adalah evolusi yang menyatukan berbagai modalitas. M3-JEPA nggak cuma fokus di satu jenis data, tapi bisa memproses teks, gambar, dan video secara bersamaan di dalam _joint embedding space_. Kemampuan ini krusial buat pengembangan _Generalist AI_, di mana model dituntut buat bisa mencerna berbagai jenis informasi sensorik secara simultan.\n\n\n### 5. EEG-JEPA (Membaca Pikiran via Gelombang Otak)\n\nIni mungkin yang paling futuristik: riset terbaru nunjukin kalau JEPA bisa diadaptasi untuk memproses sinyal otak via EEG (elektroensefalografi). Bayangin skenarionya begini: seseorang lagi nonton video, terus sinyal otaknya direkam. JEPA bertugas menyelaraskan representasi dari video tersebut dengan representasi dari sinyal EEG. Luar biasanya, model bisa memprediksi konsep visual apa yang sedang dilihat hanya dengan membaca gelombang otaknya. Sifat modular JEPA terbukti mampu menjangkau hingga ke pemrosesan sinyal biologis.\n\n\n## Potensi JEPA di Berbagai Industri Masa Depan\n\nDengan ekosistem yang terus membesar, JEPA ini ibarat tambang emas yang potensinya masih sangat luas untuk digali. Penerapannya di dunia nyata menjanjikan terobosan di berbagai sektor:\n\n- **Medis & Kesehatan:** Seperti contoh EEG-JEPA, di masa depan, kita berpotensi memiliki sistem yang bisa membantu pasien _locked-in syndrome_ berkomunikasi hanya dengan memikirkan gambar atau kata. Selain itu, JEPA bisa dipakai untuk memprediksi anomali pada hasil pindaian MRI atau X-Ray dengan membandingkan representasi jaringan sehat dan sakit di ruang laten, tanpa butuh _dataset_ berlabel yang masif.\n\n- **Robotika & Kendaraan Otonom:** V-JEPA sangat relevan untuk robotika. Robot yang dibekali _world model_ dari V-JEPA bakal punya pemahaman ruang dan waktu yang jauh lebih intuitif. Mereka bisa bernavigasi dan memprediksi pergerakan rintangan tanpa harus dipusingkan oleh kalkulasi setiap perubahan piksel di kameranya.\n\n- **Manufaktur & Quality Control:** Di lini produksi, sistem berbasis JEPA bisa mendeteksi cacat pada barang dengan tingkat akurasi tinggi. Karena JEPA memahami \"konsep\" barang yang normal (bukan sekadar mencocokkan _template_ gambar), sistem ini bisa di-training dengan jauh lebih sedikit sampel data (_few-shot learning_).\n\n\n## Lompatan Menuju AI yang Lebih Napak Tanah\n\nPendekatan JEPA mengingatkan kembali bahwa untuk membangun AI yang cerdas, fokusnya tidak melulu harus pada kekuatan generatif yang merekonstruksi segala sesuatu hingga ke detail terkecil. Terkadang, kunci kecerdasan itu justru terletak pada kemampuan memahami esensi dan konteks abstrak dari dunia.\n\nDari mengenali struktur gambar, mempelajari hukum fisika lewat video, sampai meraba pikiran manusia melalui sinyal EEG, ekosistem ini menunjukkan bahwa arsitektur modular yang beroperasi di ruang laten adalah salah satu jalur paling menjanjikan menuju _Artificial General Intelligence_ (AGI).\n\nMelihat perkembangannya yang begitu fleksibel, kira-kira modalitas data apalagi yang akan segera ditaklukkan oleh JEPA di masa depan? Mari kita lihat saja :D\n","\u003Cp>Kebayang nggak sih, model AI zaman sekarang tuh jago banget bikin esai panjang atau nge-\u003Cem>generate\u003C\u002Fem> gambar super realistis, tapi kadang malah "nge-blank" soal hukum fisika dasar? Kayak, mereka nggak selalu paham kalau gelas jatuh dari meja itu pasti pecah.\u003C\u002Fp>\n\u003Cp>Sebagian besar AI yang kita pakai saat ini—terutama model generatif—terlalu sibuk merekonstruksi detail. Mereka dilatih untuk menebak \u003Cem>pixel\u003C\u002Fem> atau kata berikutnya. Nah, Yann LeCun (Chief AI Scientist di Meta) punya pandangan beda. Menurutnya, AI harusnya belajar layaknya manusia: memahami konsep abstrak, bukan menghafal detail mikroskopis. Dari sinilah lahir arsitektur \u003Cstrong>JEPA (Joint Embedding Predictive Architecture)\u003C\u002Fstrong>.\u003C\u002Fp>\n\u003Cp>JEPA ini bukan sekadar model baru, tapi sebuah pergeseran paradigma yang menarik banget buat diulik. Yuk, kita bedah ekosistem JEPA, mulai dari sifat modularnya yang fleksibel sampai varian-variannya yang saking canggihnya udah mulai merambah ke analisis gelombang otak!\u003C\u002Fp>\n\u003Ch2 id=\"kenapa-jepa-begitu-spesial-rahasia-di-balik-sifat-modular\">Kenapa JEPA Begitu Spesial? Rahasia di Balik Sifat "Modular"\u003C\u002Fh2>\n\u003Cp>Biar gampang dicerna, bayangin AI konvensional itu ibarat pelukis hiper-realis. Kalau disuruh menggambar hutan, dia maksa mau menggambar setiap helai daun dan ranting sampai ke detail terkecil. Hasilnya? Makan waktu, boros komputasi, dan buang energi buat detail yang kadang nggak krusial.\u003C\u002Fp>\n\u003Cp>Di sisi lain, JEPA itu ibarat seniman sketsa atau karikaturis. Ia menangkap "esensi" atau konsep dari hutan tersebut. Caranya? JEPA bekerja di dalam \u003Cem>latent space\u003C\u002Fem> (ruang representasi abstrak), bukan di level piksel. Daripada memprediksi piksel mana yang hilang di sebuah gambar, JEPA memprediksi \u003Cem>representasi\u003C\u002Fem> dari bagian yang hilang tersebut.\u003C\u002Fp>\n\u003Cp>Hebatnya lagi, arsitektur ini sangat \u003Cstrong>modular\u003C\u002Fstrong>. Anatomi dasar JEPA terdiri dari \u003Cem>Context Encoder\u003C\u002Fem>, \u003Cem>Target Encoder\u003C\u002Fem>, dan \u003Cem>Predictor\u003C\u002Fem>. Sifat modular ini bikin JEPA bagaikan pisau lipat serbaguna di dunia \u003Cem>machine learning\u003C\u002Fem>. Modul encoder-nya bisa dibongkar pasang; hari ini dipakai untuk memproses gambar, besoknya diganti untuk memproses video, teks, atau bahkan sinyal medis, tanpa harus merombak fondasi utamanya. Konsep "memprediksi representasi di ruang laten" ini ternyata bisa diaplikasikan ke hampir semua modalitas data.\u003C\u002Fp>\n\u003Ch2 id=\"keluarga-besar-jepa-dari-gambar-sampai-gelombang-otak\">Keluarga Besar JEPA: Dari Gambar Sampai Gelombang Otak\u003C\u002Fh2>\n\u003Cp>Karena sifat modularnya ini, ekosistem JEPA berkembang super cepat. Kalau kamu cek \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fposts\u002FKseniase\u002F646284586461230\" title=\"null\">rangkuman Kseniase di Hugging Face soal "12 Types of JEPA"\u003C\u002Fa>, kelihatan banget seberapa luas jangkauan arsitektur ini. Yuk kita lihat beberapa varian JEPA yang paling mencuri panggung:\u003C\u002Fp>\n\u003Ch3 id=\"1-i-jepa-image-jepa\">1. I-JEPA (Image-JEPA)\u003C\u002Fh3>\n\u003Cp>Ini adalah pembuktian pertama dari visi Yann LeCun. I-JEPA belajar memahami struktur gambar tanpa mengandalkan data berlabel atau trik augmentasi data yang rumit. Model ini hanya menganalisis satu bagian gambar (konteks), lalu mencoba memprediksi representasi abstrak dari bagian gambar lain yang ditutupi (\u003Cem>masked\u003C\u002Fem>). Hasilnya, AI jadi lebih cerdas membedakan objek secara konseptual.\u003C\u002Fp>\n\u003Ch3 id=\"2-v-jepa-video-jepa\">2. V-JEPA (Video-JEPA)\u003C\u002Fh3>\n\u003Cp>Kalau I-JEPA belajar dari gambar diam, V-JEPA diajak menonton video supaya paham cara kerja dunia nyata. Model ini memprediksi apa yang akan terjadi selanjutnya dalam sebuah klip video di ruang laten. Perlahan, V-JEPA mulai memahami interaksi spasial, waktu, dan hukum fisika dasar (seperti gravitasi atau momentum) murni dari observasi, persis seperti bayi yang sedang mengamati lingkungannya.\u003C\u002Fp>\n\u003Ch3 id=\"3-tc-jepa-text-conditioned-jepa\">3. TC-JEPA (Text-Conditioned JEPA)\u003C\u002Fh3>\n\u003Cp>Gimana kalau kita mau ngasih instruksi spesifik ke modelnya? Di sinilah TC-JEPA masuk. Varian ini menambahkan kondisi teks (\u003Cem>prompt\u003C\u002Fem>) untuk mengarahkan prediksi representasi gambar. Perumpamaannya, kita nggak cuma nyuruh AI "tebak apa yang ada di balik kotak hitam ini", tapi ngasih petunjuk, "di balik kotak hitam ini ada benda yang berhubungan dengan kata 'kendaraan'." Ini ngebuka jalan buat pemahaman multimodal yang lebih terarah.\u003C\u002Fp>\n\u003Ch3 id=\"4-m3-jepa-multimodal-masked-modeling\">4. M3-JEPA (Multimodal Masked Modeling)\u003C\u002Fh3>\n\u003Cp>Ini adalah evolusi yang menyatukan berbagai modalitas. M3-JEPA nggak cuma fokus di satu jenis data, tapi bisa memproses teks, gambar, dan video secara bersamaan di dalam \u003Cem>joint embedding space\u003C\u002Fem>. Kemampuan ini krusial buat pengembangan \u003Cem>Generalist AI\u003C\u002Fem>, di mana model dituntut buat bisa mencerna berbagai jenis informasi sensorik secara simultan.\u003C\u002Fp>\n\u003Ch3 id=\"5-eeg-jepa-membaca-pikiran-via-gelombang-otak\">5. EEG-JEPA (Membaca Pikiran via Gelombang Otak)\u003C\u002Fh3>\n\u003Cp>Ini mungkin yang paling futuristik: riset terbaru nunjukin kalau JEPA bisa diadaptasi untuk memproses sinyal otak via EEG (elektroensefalografi). Bayangin skenarionya begini: seseorang lagi nonton video, terus sinyal otaknya direkam. JEPA bertugas menyelaraskan representasi dari video tersebut dengan representasi dari sinyal EEG. Luar biasanya, model bisa memprediksi konsep visual apa yang sedang dilihat hanya dengan membaca gelombang otaknya. Sifat modular JEPA terbukti mampu menjangkau hingga ke pemrosesan sinyal biologis.\u003C\u002Fp>\n\u003Ch2 id=\"potensi-jepa-di-berbagai-industri-masa-depan\">Potensi JEPA di Berbagai Industri Masa Depan\u003C\u002Fh2>\n\u003Cp>Dengan ekosistem yang terus membesar, JEPA ini ibarat tambang emas yang potensinya masih sangat luas untuk digali. Penerapannya di dunia nyata menjanjikan terobosan di berbagai sektor:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cp>\u003Cstrong>Medis & Kesehatan:\u003C\u002Fstrong> Seperti contoh EEG-JEPA, di masa depan, kita berpotensi memiliki sistem yang bisa membantu pasien \u003Cem>locked-in syndrome\u003C\u002Fem> berkomunikasi hanya dengan memikirkan gambar atau kata. Selain itu, JEPA bisa dipakai untuk memprediksi anomali pada hasil pindaian MRI atau X-Ray dengan membandingkan representasi jaringan sehat dan sakit di ruang laten, tanpa butuh \u003Cem>dataset\u003C\u002Fem> berlabel yang masif.\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cp>\u003Cstrong>Robotika & Kendaraan Otonom:\u003C\u002Fstrong> V-JEPA sangat relevan untuk robotika. Robot yang dibekali \u003Cem>world model\u003C\u002Fem> dari V-JEPA bakal punya pemahaman ruang dan waktu yang jauh lebih intuitif. Mereka bisa bernavigasi dan memprediksi pergerakan rintangan tanpa harus dipusingkan oleh kalkulasi setiap perubahan piksel di kameranya.\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cp>\u003Cstrong>Manufaktur & Quality Control:\u003C\u002Fstrong> Di lini produksi, sistem berbasis JEPA bisa mendeteksi cacat pada barang dengan tingkat akurasi tinggi. Karena JEPA memahami "konsep" barang yang normal (bukan sekadar mencocokkan \u003Cem>template\u003C\u002Fem> gambar), sistem ini bisa di-training dengan jauh lebih sedikit sampel data (\u003Cem>few-shot learning\u003C\u002Fem>).\u003C\u002Fp>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"lompatan-menuju-ai-yang-lebih-napak-tanah\">Lompatan Menuju AI yang Lebih Napak Tanah\u003C\u002Fh2>\n\u003Cp>Pendekatan JEPA mengingatkan kembali bahwa untuk membangun AI yang cerdas, fokusnya tidak melulu harus pada kekuatan generatif yang merekonstruksi segala sesuatu hingga ke detail terkecil. Terkadang, kunci kecerdasan itu justru terletak pada kemampuan memahami esensi dan konteks abstrak dari dunia.\u003C\u002Fp>\n\u003Cp>Dari mengenali struktur gambar, mempelajari hukum fisika lewat video, sampai meraba pikiran manusia melalui sinyal EEG, ekosistem ini menunjukkan bahwa arsitektur modular yang beroperasi di ruang laten adalah salah satu jalur paling menjanjikan menuju \u003Cem>Artificial General Intelligence\u003C\u002Fem> (AGI).\u003C\u002Fp>\n\u003Cp>Melihat perkembangannya yang begitu fleksibel, kira-kira modalitas data apalagi yang akan segera ditaklukkan oleh JEPA di masa depan? Mari kita lihat saja :D\u003C\u002Fp>\n","",[267,284,297,310,323,328],{"id":268,"title":269,"title_en":21,"slug":270,"excerpt":271,"excerpt_en":21,"has_translation":15,"published_at":272,"reading_time":198,"hidden_from_listing":15,"tags":273,"thumbnail_image":21,"og_image":275,"series":276,"authors":281},133,"Python Strings: the Badge That Only Worked for One Name","python-strings","The badge script printed the right name for the person who wrote it and the wrong name for everybody else. Slicing counts characters, and a name is words.","2026-10-28T13:00:00.000Z",[169,274],"string","\u002Fog\u002Fpython-strings.png",{"id":277,"title":278,"title_en":279,"slug":280},30,"Koleksi dan String","Collections and Strings","python-collections",[282],{"authors_id":283},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":285,"title":286,"title_en":21,"slug":287,"excerpt":288,"excerpt_en":21,"has_translation":15,"published_at":289,"reading_time":198,"hidden_from_listing":15,"tags":290,"thumbnail_image":21,"og_image":292,"series":293,"authors":294},132,"Python Tuples: Why All Three Points Are the Same Point","python-tuples","Three points walk into a loop and come out identical. The list was never copied three times; the name was. A tuple makes that bug impossible.","2026-10-28T12:00:00.000Z",[169,291],"tuple","\u002Fog\u002Fpython-tuples.png",{"id":277,"title":278,"title_en":279,"slug":280},[295],{"authors_id":296},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":298,"title":299,"title_en":21,"slug":300,"excerpt":301,"excerpt_en":21,"has_translation":15,"published_at":302,"reading_time":198,"hidden_from_listing":15,"tags":303,"thumbnail_image":21,"og_image":305,"series":306,"authors":307},131,"Python Sets: the Duplicate That Keeps Coming Back","python-sets","A de-duplication loop that works on clean data leaves four tags where there should be two. The bug is case, and the fix is a `set`.","2026-10-28T11:00:00.000Z",[169,304],"set","\u002Fog\u002Fpython-sets.png",{"id":277,"title":278,"title_en":279,"slug":280},[308],{"authors_id":309},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":311,"title":312,"title_en":21,"slug":313,"excerpt":314,"excerpt_en":21,"has_translation":15,"published_at":315,"reading_time":198,"hidden_from_listing":15,"tags":316,"thumbnail_image":21,"og_image":318,"series":319,"authors":320},130,"Python Dictionaries: the Key That Isn't There","python-dictionary","A word counter dies the first time it meets a word twice. The fix is one line; what takes longer is knowing which of a dict's three lookups to reach for.","2026-10-28T10:00:00.000Z",[169,317],"dictionary","\u002Fog\u002Fpython-dictionary.png",{"id":277,"title":278,"title_en":279,"slug":280},[321],{"authors_id":322},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":231,"title":232,"title_en":233,"slug":234,"excerpt":235,"excerpt_en":236,"has_translation":12,"published_at":237,"reading_time":14,"hidden_from_listing":15,"tags":238,"thumbnail_image":21,"og_image":244,"series":324,"authors":325},{"id":88,"title":35,"title_en":36,"slug":37},[326],{"authors_id":327},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},{"id":212,"title":213,"title_en":214,"slug":215,"excerpt":216,"excerpt_en":217,"has_translation":12,"published_at":218,"reading_time":198,"hidden_from_listing":15,"tags":219,"thumbnail_image":21,"og_image":225,"series":329,"authors":330},{"id":88,"title":35,"title_en":36,"slug":37},[331],{"authors_id":332},{"id":92,"name":119,"slug":120,"role":121,"profile_picture":21},[334,337,340,343,346,349,352,355,358],{"text":335,"depth":105,"id":336},"Kenapa JEPA Begitu Spesial? Rahasia di Balik Sifat \"Modular\"","kenapa-jepa-begitu-spesial-rahasia-di-balik-sifat-modular",{"text":338,"depth":105,"id":339},"Keluarga Besar JEPA: Dari Gambar Sampai Gelombang Otak","keluarga-besar-jepa-dari-gambar-sampai-gelombang-otak",{"text":341,"depth":123,"id":342},"1. I-JEPA (Image-JEPA)","1-i-jepa-image-jepa",{"text":344,"depth":123,"id":345},"2. V-JEPA (Video-JEPA)","2-v-jepa-video-jepa",{"text":347,"depth":123,"id":348},"3. TC-JEPA (Text-Conditioned JEPA)","3-tc-jepa-text-conditioned-jepa",{"text":350,"depth":123,"id":351},"4. M3-JEPA (Multimodal Masked Modeling)","4-m3-jepa-multimodal-masked-modeling",{"text":353,"depth":123,"id":354},"5. EEG-JEPA (Membaca Pikiran via Gelombang Otak)","5-eeg-jepa-membaca-pikiran-via-gelombang-otak",{"text":356,"depth":105,"id":357},"Potensi JEPA di Berbagai Industri Masa Depan","potensi-jepa-di-berbagai-industri-masa-depan",{"text":359,"depth":105,"id":360},"Lompatan Menuju AI yang Lebih Napak Tanah","lompatan-menuju-ai-yang-lebih-napak-tanah",1793295834270]