ASN Talent Academy Corporate Internship 2025

GLOSARIUM SIGAP | Linktree

Mengacu pada simulasi kecerdasan manusia dalam mesin atau sistem komputer. Teknologi ini memungkinkan mesin melakukan tugas-tugas yang biasanya membutuhkan kemampuan kognitif manusia, seperti memahami bahasa, mengenali pola, dan membuat keputusan

Kecerdasan Buatan (AI): Kemampuan mesin meniru cara berpikir manusia.

Subbidang AI yang dapat menciptakan konten atau ide baru, seperti teks, gambar, atau video, dengan memanfaatkan pengetahuan yang telah dipelajari dari data sebelumnya. Sistem AI generatif menggunakan kembali pemahaman yang dimilikinya untuk memecahkan masalah atau menghasilkan karya baru yang menyerupai contoh-contoh yang telah dipelajari

AI Generatif: AI yang bisa menciptakan teks, gambar, dll.

Pembelajaran Mesin (Machine Learning): Cabang dari AI yang memungkinkan komputer belajar dari data tanpa diprogram secara eksplisit. Algoritme pembelajaran mesin mengenali pola dalam sejumlah besar data dan kemudian membuat prediksi atau keputusan berdasarkan pola tersebut, dengan akurasi yang meningkat seiring bertambahnya data pelatihan

Machine Learning: AI yang belajar dari data untuk ambil keputusan.

Pembelajaran Mendalam (Deep Learning): Bagian dari pembelajaran mesin yang menggunakan jaringan saraf tiruan berlapis-lapis untuk meniru cara otak manusia memproses informasi dan menyelesaikan masalah yang kompleks. Teknik deep learning ini mendasari banyak aplikasi AI modern, karena mampu belajar dari data berukuran besar secara mandiri dan meningkatkan kinerja seiring waktu

Deep Learning: Metode AI kompleks pakai jaringan saraf berlapis.

Jaringan Saraf Tiruan (Artificial Neural Network/ANN): Model komputasi yang terinspirasi dari jaringan saraf biologis, terdiri dari sekumpulan unit pemroses sederhana (“neuron”) yang saling terhubung satu sama lain. Jaringan saraf tiruan bersifat adaptif, mampu mengubah bobot dan hubungan antar neuron secara otomatis untuk memecahkan masalah dengan cara mengenali pola dalam data masukan

Neural Network:	Model AI yang meniru cara kerja otak manusia.

Pemrosesan Bahasa Alami (Natural Language Processing/NLP): Cabang ilmu komputer dan AI yang bertujuan membuat komputer mampu memahami, menginterpretasikan, dan menghasilkan bahasa manusia. NLP menggabungkan teknik linguistik dan pembelajaran mesin untuk mengenali struktur dan makna dalam teks atau ucapan, sehingga komputer dapat berinteraksi dengan pengguna menggunakan bahasa sehari-hari secara efektif

NLP: Teknologi untuk memahami dan memproses bahasa manusia.

Model Bahasa Besar (Large Language Model/LLM): Model AI berukuran masif yang menggunakan teknik deep learning untuk memahami, menerjemahkan, dan menghasilkan bahasa manusia secara alami. LLM dilatih pada korpus teks yang sangat besar (dengan parameter model hingga miliaran), sehingga teks yang dihasilkannya terdengar seolah-olah ditulis oleh manusia dan dapat digunakan untuk berbagai tugas bahasa (menjawab pertanyaan, menerjemah, membuat ringkasan, dll.)

LLM: Model bahasa besar yang bisa menghasilkan teks alami.

Jaringan Adversarial Generatif (Generative Adversarial Network/GAN): Arsitektur deep learning yang melibatkan dua jaringan saraf tiruan (generator dan diskriminator) yang dilatih secara berkompetisi satu sama lain untuk menghasilkan data baru yang menyerupai data asli. Melalui pendekatan adversarial ini, sebuah GAN dapat menciptakan konten sintetis yang realistis (misalnya gambar atau audio), di mana generator berusaha menipu diskriminator hingga data hasil generasi tidak dapat dibedakan dari data nyata

GAN: AI yang menghasilkan gambar atau suara seperti nyata.

Keamanan Siber (Cybersecurity): Praktik melindungi sistem, jaringan, dan data dari ancaman atau serangan digital. Keamanan siber mencakup penerapan teknologi, prosedur, dan kontrol untuk mencegah akses tidak sah, pencurian informasi, kerusakan data, maupun gangguan terhadap layanan yang disebabkan oleh aktivitas siber berbahaya


Keamanan Siber: Upaya melindungi data dan sistem dari serangan digital.

Kerangka Kerja MITRE ATT&CK: Basis pengetahuan ancaman siber yang disusun oleh MITRE Corporation, berisi taksonomi Adversarial Tactics, Techniques & Common Knowledge (ATT&CK) atau taktik, teknik, dan pengetahuan umum tentang perilaku penyerang siber. Kerangka kerja MITRE ATT&CK terus diperbarui dan membantu organisasi memodelkan, mendeteksi, dan menghadapi ancaman siber dengan memahami taktik, teknik, dan prosedur (TTP) yang digunakan penyerang pada setiap fase serangan

MITRE ATT&CK: Panduan taktik dan teknik serangan siber global.

Taktik, Teknik, dan Prosedur (TTP): Istilah dalam keamanan siber yang merujuk pada pola perilaku dan metode operasional yang digunakan oleh pelaku ancaman. Taktik adalah tujuan atau langkah strategis yang ingin dicapai penyerang (misalnya “akses awal” ke jaringan korban), teknik adalah cara spesifik yang dipakai untuk mencapai tujuan tersebut (misalnya phishing atau eksploitasi kerentanan), dan prosedur adalah implementasi terperinci dari teknik-teknik itu dalam suatu operasi serangan. Konsep TTP digunakan, salah satunya dalam kerangka MITRE ATT&CK, untuk mengkategorikan dan berbagi informasi mengenai modus operandi penyerang siber

TTP: Pola cara kerja dan strategi yang dipakai hacker.

Ancaman Persisten Tingkat Lanjut (Advanced Persistent Threat/APT): Serangan siber tingkat tinggi yang dilakukan oleh kelompok penyerang terorganisir (seringkali disponsori oleh aktor negara atau organisasi kriminal besar) yang menyusup ke jaringan target secara diam-diam dan bertahan dalam jangka waktu lama. Tujuan APT umumnya adalah mencuri data sensitif, melakukan spionase siber, atau menyabot sistem penting sambil berupaya untuk tidak terdeteksi, berbeda dengan serangan biasa yang cenderung langsung merusak atau meminta tebusan secara terang-terangan

APT: Serangan terorganisir yang diam-diam dan tahan lama.

Malware: Singkatan dari malicious software, yaitu perangkat lunak berbahaya yang dirancang untuk merusak, mengganggu, atau mendapatkan akses tidak sah ke sistem komputer. Contoh malware termasuk virus, worm, trojan horse, dan spyware, yang masing-masing dapat mengakibatkan pencurian data, kerusakan sistem, atau penyalahgunaan sumber daya komputer korban jika berhasil menginfeksi sistem tersebut

Malware: Perangkat lunak berbahaya yang merusak sistem.

Phishing: Teknik penipuan siber yang memanipulasi korban agar memberikan informasi sensitif (seperti kata sandi, nomor kartu kredit, atau data pribadi lainnya) dengan cara menyamar sebagai pihak yang tepercaya. Serangan phishing umumnya dilakukan melalui email, pesan, atau situs web palsu yang dibuat mirip dengan aslinya, sehingga korban terpancing untuk mengungkapkan informasi rahasia atau mengunduh malware secara tidak sadar

Phishing: Penipuan online untuk mencuri data pribadi.

Ransomware: Jenis malware yang mengenkripsi data atau sistem korban dan kemudian menuntut pembayaran tebusan agar kunci dekripsi diberikan untuk memulihkan akses data tersebut. Serangan ransomware dapat melumpuhkan operasional organisasi atau individu – contohnya serangan WannaCry – hingga korban membayar tebusan, dan sering disertai batas waktu pembayaran sebelum data yang dienkripsi dihapus atau dipublikasikan oleh pelaku

Ransomware: Malware yang kunci data dan minta tebusan.

Rekayasa Sosial (Social Engineering): Metode serangan yang memanfaatkan manipulasi psikologis terhadap manusia untuk mendapatkan akses atau informasi rahasia, alih-alih mengeksploitasi kelemahan teknis sistem. Dalam serangan rekayasa sosial, pelaku menipu korban dengan berbagai cara (misalnya menyamar sebagai rekan kerja, petugas resmi, atau pihak berwenang melalui email/telepon) agar korban secara sukarela mengungkapkan informasi sensitif, mengklik tautan berbahaya, atau melakukan tindakan yang merugikan keamanan sistem

Rekayasa Sosial: Menipu orang agar membocorkan informasi penting.

Kerentanan (Vulnerability): Kelemahan atau cacat pada sistem, perangkat lunak, atau infrastruktur keamanan yang dapat dieksploitasi oleh penyerang untuk mendapatkan akses tidak sah atau menimbulkan kerusakan. Kerentanan bisa muncul karena kesalahan konfigurasi, bug perangkat lunak, atau desain sistem yang kurang aman – dan perlu segera ditangani (misalnya melalui patch keamanan) karena penyerang terus mencari celah seperti ini untuk menjalankan aksinya

Kerentanan: Celah di sistem yang bisa dimanfaatkan hacker.

Serangan Zero-Day: Serangan siber yang memanfaatkan kerentanan keamanan yang belum diketahui atau belum ditambal oleh pengembang – sehingga tidak ada pertahanan spesifik yang tersedia pada hari pertama ( “zero day”) eksploitasi. Dalam serangan zero-day, penyerang dapat menyusup ke sistem melalui celah yang baru ditemukan tersebut sebelum pihak vendor atau komunitas keamanan sempat mengeluarkan perbaikan, membuat serangan ini sangat berbahaya karena sulit terdeteksi pada awalnya

Serangan Zero-Day: Serangan lewat celah baru yang belum diperbaiki.

Metodologi Agile: Pendekatan manajemen proyek dan pengembangan perangkat lunak yang iteratif serta fleksibel, berfokus pada kolaborasi tim, perilisan cepat, dan umpan balik pelanggan berkelanjutan. Dalam metodologi Agile, proyek dipecah menjadi siklus pengembangan singkat sehingga tim dapat beradaptasi dengan perubahan kebutuhan secara cepat, melakukan perbaikan terus-menerus, dan memastikan nilai produk tersampaikan ke pelanggan secara bertahap

Agile: Cara kerja proyek yang cepat dan fleksibel.

Scrum: Kerangka kerja (framework) manajemen proyek dalam metode Agile yang memecah pengembangan ke dalam interval waktu singkat yang disebut sprint. Scrum menetapkan peran (misalnya Scrum Master, Product Owner, tim pengembang), serangkaian acara (seperti daily stand-up, sprint review, retrospective), dan artefak (product backlog, sprint backlog, dll.) untuk membantu tim mengatur diri, berkolaborasi secara efektif, dan mengirimkan increment produk yang bernilai secara iteratif dan efisien

Scrum: Metode kerja tim proyek dalam siklus singkat (sprint).

Uji Penerimaan Pengguna (User Acceptance Testing/UAT): Tahap pengujian akhir dalam siklus pengembangan di mana sekelompok pengguna akhir atau klien menguji sistem yang telah dibangun untuk memastikan semua fitur dan fungsionalitas memenuhi kebutuhan bisnis serta kriteria yang telah ditentukan. UAT dilakukan setelah pengujian internal selesai (development testing dan system testing), dan keberhasilan pada tahap ini menandakan bahwa sistem layak diterima untuk digunakan/diproduksi karena sudah sesuai dengan ekspektasi pengguna sebenarnya

UAT:	Tes akhir oleh pengguna untuk cek sistem sesuai.

Tinjauan Pasca-Implementasi (Post-Implementation Review/PIR): Evaluasi menyeluruh yang dilaksanakan setelah proyek atau implementasi sistem selesai, bertujuan untuk menilai efektivitas dan keberhasilan proyek tersebut secara objektif. Dalam PIR, tim manajemen proyek akan memeriksa apakah tujuan awal proyek tercapai, mengumpulkan umpan balik dari pemangku kepentingan, mendokumentasikan pelajaran yang diperoleh selama proyek (lesson learned), serta memberikan rekomendasi perbaikan untuk proyek atau implementasi serupa di masa depan

PIR: Evaluasi hasil proyek setelah diluncurkan.

Level Kematangan (Contoh Interpretasi):
Skor (%)	Level	Penjelasan Singkat

0-20%	Sangat Rendah	Baru mulai, sangat minim, ad hoc
21-40%	Rendah	Dasar, banyak celah, belum terstruktur
41-60%	Cukup	Sudah cukup baik, masih ada kekurangan
61-80%	Baik	Proaktif, kontrol berjalan cukup efektif
81-100%	Sangat Baik	Sudah mature, mengikuti best practice
