Lembar Evaluasi – Pemrograman Kecerdasan Artifisial

Lembar Evaluasi – Pemrograman Kecerdasan Artifisial
Mata Pelajaran: Koding & Kecerdasan Artifisial
Materi: Pemrograman Kecerdasan Artifisial
Fase E – Kelas X SMA

✨ A. Tujuan Evaluasi

• Mengukur pemahaman konsep dasar KA.
• Menilai kemampuan coding sederhana (supervised & unsupervised learning).
• Menilai refleksi etis dan kreativitas ide terkait adiwiyata

📝 B. Soal Evaluasi

1. Pilihan Ganda

1. Library Python yang paling sering dipakai untuk machine learning adalah …
   a) NumPy
   b) TensorFlow
   c) Matplotlib
   d) Flask
2. Jika sebuah model AI dilatih dengan data berlabel (input-output jelas), metode yang digunakan adalah …
   a) Unsupervised Learning
   b) Supervised Learning
   c) Reinforcement Learning
   d) Deep Fake Learning
3. Fungsi dari train_test_split() dalam Python adalah …
   a) Membagi dataset jadi training & testing
   b) Menentukan jumlah cluster
   c) Membuat visualisasi data
   d) Menghapus duplikasi data

2. Isian Singkat

1. Sebutkan dua contoh aplikasi KA yang biasa digunakan di kehidupan sehari-hari!
2. Apa perbedaan utama antara Supervised Learning dan Unsupervised Learning?

3. Uraian

1. Jelaskan bagaimana KA bisa mendukung program sekolah adiwiyata!
2. Menurutmu, apa risiko etis dari penggunaan KA (contoh: ChatGPT, DeepFake)?

4. Praktik Coding

📌 Jalankan kode berikut di Google Colab:

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

 

iris = load_iris()

X = iris.data

y = iris.target

 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

model = KNeighborsClassifier(n_neighbors=3)

model.fit(X_train, y_train)

 

print("Akurasi model:", model.score(X_test, y_test))

👉 Pertanyaan:

• Berapa akurasi yang kamu dapatkan?
• Coba ubah n_neighbors=5, apakah akurasi meningkat atau menurun?

✅ C. Rubrik Penilaian

Aspek	Skor 4 (Sangat Baik)	Skor 3 (Baik)	Skor 2 (Cukup)	Skor 1 (Kurang)
Pengetahuan (PG + Isian)	Jawaban benar & jelas	Sebagian besar benar	Banyak salah	Tidak dijawab
Pemahaman Konsep (Uraian)	Analisis tajam, contoh relevan	Analisis cukup baik	Jawaban umum	Jawaban tidak nyambung
Coding	Kode jalan, analisis output tepat	Kode jalan, analisis sebagian	Kode jalan tapi analisis salah	Kode error / tidak dikerjakan
Refleksi Adiwiyata	Ide solutif, orisinal, relevan	Ide cukup baik	Ide kurang jelas	Tidak ada ide

🚀 D. Pengayaan

Untuk siswa yang cepat paham:

1. Coba ganti algoritma dari KNN ke DecisionTreeClassifier atau RandomForestClassifier di Python. Bandingkan akurasinya.
2. Cari dataset lain di Kaggle (misalnya dataset sampah, cuaca, atau minat baca). Terapkan metode supervised atau unsupervised.
3. Buat mini proposal: “KA Project untuk Lingkungan Sekolah” (contoh: AI deteksi sampah, AI monitoring suhu udara di kelas).

Formulir Refleksi Pembelajaran

https://forms.gle/FRN8UyvVVSPJt1JK8