Silabus IOAI 2025
Mengacu pada
Silabus IOAI 2025, IOAI bertujuan untuk mendorong peningkatan kemampuan siswa dalam memahami teori
dalam bidang Artificial Intelligence (AI) dan Machine Learning
(ML) dengan pemahaman fondasi teoritis serta kemampuan dan keterampilan implementasi yang kuat.
Oleh karena itu, soal yang diujikan pada IOAI mencakup berbagai topik yang relevan dengan bidang AI/ML mulai
dari topik-topik fondasi/dasar AI/ML seperti Aljabar Linier dan
Optimasi, Teori Peluang dan Kombinatorika,
dasar pemrograman menggunakan Python (yang menjadi bahasa pemrograman de facto dan paling populer
untuk AI/ML), sampai topik-topik
umum dalam Machine Learning, seperti supervised learning dengan klasifikasi dan regresi,
unsupervised learning dengan clustering, sampai dengan topik lanjutan
terkait penggunaan Deep Learning untuk Computer Vision (CV), Natural Language
Processing (NLP) dan berbagai topik lanjutan lainnya. Seorang kontestan pada ajang IOAI idealnya
memiliki tiga hal berikut:
- Pemahaman yang kuat mengenai konsep teoritis AI/ML, dari fondasi matematika, statistika dan pengolahan
data, sampai ke pemodelan lanjutan dengan
deep learning serta mampu memahami dan menjelaskan "bagaimana" dan "mengapa" sebuah model
AI/ML dapat bekerja.
-
Kemampuan praktis untuk mengimplementasikan konsep dan metode AI/ML ke dalam sebuah program berbasis
Python dan pustaka (library)
lainnya seperti Scikit-Learn serta Pytorch untuk mengolah data dan membuat model AI/ML yang dibutuhkan,
dengan ketepatan yang tinggi.
- Kemampuan penyelesaian masalah (problem solving) yang kuat yang dibutuhkan untuk merumuskan
solusi terbaik untuk soal yang diberikan.
Berikut ini adalah daftar lengkap topik dan subtopik dari silabus IOAI 2024.
Kategori: Teori,
Praktik,
Keduanya
Bagian 1: Keterampilan Dasar & Machine Learning Klasik
| Topik |
Subtopik |
Kategori |
| Dasar Pemrograman |
Dasar Python (perulangan, fungsi, dll.) |
Praktik |
| NumPy & Pandas untuk Pengelolaan Data |
Praktik |
| Matplotlib & Seaborn untuk Visualisasi |
Praktik |
| Scikit-learn untuk ML |
Praktik |
| Dasar PyTorch |
Praktik |
| Manipulasi Tensor/Matrik ( array multi-dimensi) |
Praktik |
| Dasar Reprodusibilitas (seed, perangkat, inferensi) |
Praktik |
| Melatih model di CPU & GPU |
Praktik |
| Penanganan Bobot (Weights & Biases) |
Praktik |
| Pembelajaran Terawasi (Supervised Learning) |
Regresi Linier |
Keduanya |
| Regresi Logistik |
Keduanya |
| K-Nearest Neighbors (K-NN) |
Keduanya |
| Pohon Keputusan |
Keduanya |
| Random Forests (Decision Trees) |
Praktik |
| Gradient Boosting (mis. XGBoost) |
Praktik |
| Support Vector Machines (SVM) |
Keduanya |
| Pembelajaran Tak Terawasi (Unsupervised Learning) |
Klasterisasi K-Means |
Keduanya |
| Analisis Komponen Utama (PCA) |
Keduanya |
| t-SNE, MAP, dan metode reduksi dimensi lainnya |
Praktik |
| Klasterisasi DBSCAN |
Praktik |
| Klasterisasi Hierarkis |
Praktik |
| Evaluasi |
Metrik Evaluasi Model (Akurasi, Presisi, Recall, F1, dll.) |
Keduanya |
| Underfitting & Overfitting |
Teori |
| Pengaturan Hiperparameter (Hyperparamter tuning) |
Praktik |
| Validasi Silang (Cross-Validation) |
Praktik |
| Confusion Matrix& Kurva ROC |
Keduanya |
Bagian 2: Jaringan Syaraf Tiruan & Deep Learning
| Topik |
Subtopik |
Kategori |
| Jaringan Syaraf Tiruan |
Dasar Perceptron |
Keduanya |
| Gradient Descent |
Keduanya |
| Backpropagasi |
Keduanya |
| Fungsi Aktivasi (ReLU, Sigmoid, Tanh) |
Keduanya |
| Loss function (MSE, MAE, Cross-Entropy, dll.) |
Keduanya |
| Deep Learning |
Perceptron Multilapis (MLP) |
Keduanya |
| SGD & Mini-Batch Gradient Descent |
Keduanya |
| Metode Momentum (Adam, AdamW) |
Praktik |
| Laju Pembelajaran Adaptif |
Praktik |
| Konvergensi & Laju Pembelajaran |
Keduanya |
| Regularisasi Bobot |
Praktik |
| Penghentian Dini (Early Stopping) |
Praktik |
| Dropout & Gaussian Noise |
Praktik |
| Inisialisasi Bobot |
Praktik |
| Normalisasi Batch |
Praktik |
| Autoencoder & Sparse Encoder |
Praktik |
Bagian 3: Computer Vision
| Topik |
Subtopik |
Kategori |
| Computer Vision |
Dasar Lapisan Konvolusi |
Keduanya |
| Teknik Pooling (Maks & Rata-rata) |
Keduanya |
| Klasifikasi Citra Dasar |
Keduanya |
| Dasar Deteksi Objek (YOLO, SSD) |
Praktik |
| Dasar Segmentasi Citra (U-Net) |
Praktik |
| Transfer Learning untuk Klasifikasi Citra (ResNet, MobileNet) |
Praktik |
| Teknik Augmentasi Gambar |
Praktik |
| Ekstraksi Fitur menggunakan Model Pralatih (Pre-trained) |
Praktik |
| Pengantar GAN (Pembuatan Gambar) |
Praktik |
| Pengantar Pembelajaran Swaterawasi (Self-Supervised)untuk Computer Vision
|
Praktik |
| Dasar Vision Transformers (ViT) |
Praktik |
| CLIP & Pembelajaran Multimodal |
Praktik |
| Model Generatif (Stable Diffusion, DALL·E) |
Praktik |
Bagian 4: Pemrosesan Bahasa Alami (NLP)
| Topik |
Subtopik |
Kategori |
| NLP |
Word Embeddings (Word2Vec, GloVe) |
Praktik |
| Dasar Transformer (mekanisme atensi) |
Keduanya |
| Klasifikasi Teks |
Praktik |
| Pengantar Model NLP Pralatih (mis. BERT, GPT) |
Praktik |
| Question Answering dengan Model Pralatih |
Praktik |
| Pengantar Large Language Model(LLM) (mis. GPT-4) |
Praktik |
| Membangun Chatbot Sederhana dengan NLP |
Praktik |
| Fine-tuning Model: Metode & Batasan (LoRA, Adapter, dll.) |
Praktik |
| Dasar Agen LLM |
Praktik |
Arsip soal pada edisi IOAI sebelumnya dapat dilihat pada Situs IOAI 2024 (IOAI 2024 tasks).
