Apps Artificial Intelligence CSS DevOps Go JavaScript Laravel Linux MongoDB MySQL PHP Python Rust Vue

Menjalankan LLM di Komputer Lokal Anda

1 min read .
Updated on
Menjalankan LLM di Komputer Lokal Anda

Pernah kepikiran buat ngejalanin large language models (LLM) langsung di komputer sendiri tanpa harus bergantung ke layanan cloud? Sekarang itu mungkin banget. Dengan Ollama, Anda bisa mengelola dan menjalankan berbagai model bahasa canggih secara lokal—langsung dari laptop atau PC Anda.

Artikel ini akan ngebimbing Anda langkah demi langkah, mulai dari instalasi sampai cara menjalankan model di Linux dan macOS.

Instalasi Ollama di Linux

Kalau Anda pengguna Linux, prosesnya simpel:

  1. Buka Terminal
    Siapkan terminal, seperti biasa kalau mau eksekusi perintah.

  2. Masukkan perintah instalasi
    Salin-tempel perintah ini:

   curl -fsSL https://ollama.com/install.sh | sh

Perintah ini bakal otomatis unduh dan jalankan skrip instalasi resmi dari Ollama.

Instalasi Ollama di macOS

Untuk macOS, caranya lebih mudah lagi:

  1. Unduh installer Kunjungi Ollama untuk macOS dan ambil file ZIP.

  2. Ekstrak & pasang Buka file ZIP tersebut, lalu ikuti instruksi instalasi seperti biasa.

Menjalankan Ollama

Setelah terpasang, kita bisa langsung main dengan modelnya:

  1. Jalankan layanan Ollama

    ollama serve

    Ini akan mengaktifkan layanan Ollama di background, siap dipakai.

  2. Cek daftar model yang tersedia

    ollama list

    Atau bisa juga langsung intip pustaka model Ollama.

  3. Coba jalankan sebuah model

    ollama run gemma2:2b

    Ganti gemma2:2b dengan model lain sesuai kebutuhan Anda.

Penutup

Dengan Ollama, Anda bisa merasakan sendiri pengalaman menjalankan LLM di komputer pribadi—lebih privat, fleksibel, dan kadang lebih cepat daripada harus selalu ke server cloud.

Kalau ingin mendalami fitur-fitur lanjutan, mampir saja ke situs resmi Ollama. Siapa tahu nanti Anda jadi lebih nyaman ngobrol sama model AI favorit langsung dari mesin lokal Anda.

AI

Lihat Juga

Deteksi Objek Real-Time dengan YOLOv8 dan OpenCV
Updated on
Deteksi Objek Real-Time dengan YOLOv8 dan OpenCV
YOLO (You Only Look Once) adalah salah satu algoritma paling populer untuk deteksi objek. Versi terbarunya, YOLOv8, hadir dengan performa yang lebih cepat dan akurat. Pada artikel ini, kita akan mencoba menggunakan YOLOv8 bersama OpenCV untuk melakukan deteksi objek secara real-time lewat webcam. Prasyarat Pastikan Anda sudah menyiapkan: Python 3.8+ Library ultralytics (untuk YOLOv8) Library opencv-python (untuk akses webcam) Install dengan pip: Copy pip install ultralytics opencv-python Contoh Kode Berikut contoh kode Python sederhana untuk melakukan deteksi objek dari webcam:
AI
Deteksi Objek dengan YOLOv8: Panduan Menggunakan Model Pre-trained pada Gambar
Updated on
Deteksi Objek dengan YOLOv8: Panduan Menggunakan Model Pre-trained pada Gambar
Di tulisan ini saya akan coba main-main dengan YOLOv8 buat deteksi objek di gambar. YOLO (You Only Look Once) adalah salah satu algoritma deteksi objek paling terkenal. Versi terbarunya, YOLOv8, hadir dengan performa yang lebih cepat dan hasil yang lebih akurat. Untungnya, kita nggak perlu ribet karena ada library ultralytics yang bikin penggunaannya jadi simpel banget. Apa yang Perlu Disiapkan? Sebelum mulai, pastikan kamu sudah punya: Python Library ultralytics Kalau belum, tinggal install lewat pip:
AI
Memanfaatkan YOLOv8 untuk Deteksi Objek dan Menampilkan Label dengan Probabilitas
Updated on
Memanfaatkan YOLOv8 untuk Deteksi Objek dan Menampilkan Label dengan Probabilitas
Di tulisan ini saya akan coba menggunakan YOLOv8 untuk mendeteksi objek dalam gambar, sekaligus menampilkan label objek dan probabilitasnya. YOLO (You Only Look Once) sudah lama jadi andalan di dunia deteksi objek. Versi barunya, YOLOv8, hadir dengan performa lebih cepat dan hasil yang lebih akurat. Langsung saja kita lihat cara pakainya. Prasyarat Pastikan sudah ada Python dan library ultralytics di sistem kamu. Kalau belum, tinggal install lewat pip: Copy pip install ultralytics Contoh Kode Deteksi Objek Berikut contoh sederhana untuk mendeteksi objek lalu menampilkan label dan probabilitasnya:
AI
Panduan Praktis: Deteksi Spam SMS Menggunakan BERT dan PyTorch
Updated on
Panduan Praktis: Deteksi Spam SMS Menggunakan BERT dan PyTorch
Di tulisan ini saya akan coba main-main dengan BERT buat deteksi SMS spam. BERT (Bidirectional Encoder Representations from Transformers) adalah salah satu model NLP paling populer yang bisa dipakai untuk banyak tugas teks, termasuk klasifikasi spam. Dengan bantuan PyTorch, implementasinya jadi fleksibel dan relatif mudah. Apa yang Perlu Disiapkan? Sebelum mulai, pastikan kamu sudah punya: Python PyTorch Transformers (dari Hugging Face) Dataset SMS (misalnya SMS Spam Collection) Kalau belum, install dulu library yang dibutuhkan:
AI
chevron-up