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

LKPD – Koding & Kecerdasan Artifisial

LKPD – Koding & Kecerdasan Artifisial
Materi: Pemrograman Kecerdasan Artifisial (AI Programming)
Fase E – Kelas X SMA
Durasi: 2 × 45 menit

✨ A. Tujuan LKPD

• Siswa bisa menjelaskan konsep dasar KA.
• Siswa bisa mencoba supervised dan unsupervised learning sederhana.
• Siswa bisa merefleksi manfaat AI untuk lingkungan (adiwiyata) dan kehidupan sehari-hari.

📘 B. Ulasan Materi Singkat

1. Apa itu KA?

KA = bikin mesin bisa belajar kayak manusia.

• Kalau kamu belajar dari guru → Supervised Learning.
• Kalau kamu belajar sendiri → Unsupervised Learning.
• Kalau belajar dari trial-error (kayak main game) → Reinforcement Learning.

2. Tools buat KA

• Python = bahasa paling populer buat KA.
• Library keren: Scikit-learn, TensorFlow, Keras, Pandas.
• IDE: Google Colab → gampang dipakai langsung dari browser.

3. Data itu penting!

Data = makanan KA.

• Tanpa data → KA kelaparan 😅.
• Dataset bisa berupa angka, teks, gambar, video.

4. LLM (Large Language Model)

• Contoh: ChatGPT, Hugging Face Model.
• Bisa dipakai buat chatbot, bikin teks otomatis, sampai bantu coding.

📝 C. Aktivitas & Soal LKPD

Aktivitas 1 – Diskusi Ringan (Berpasangan)

1. Sebutkan contoh aplikasi KA yang sering kamu pakai sehari-hari!
2. Menurutmu, KA lebih mirip teman belajar atau asisten pribadi? Kenapa?

---

Aktivitas 2 – Coba Coding Supervised Learning

📌 Buka Google Colab lalu coba jalankan kode berikut:

# Import library

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

 

# Load dataset bunga iris

iris = load_iris()

X = iris.data

y = iris.target

 

# Bagi data: 80% training, 20% testing

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

 

# Buat model KNN

model = KNeighborsClassifier(n_neighbors=3)

model.fit(X_train, y_train)

 

# Cek akurasi

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

👉 Pertanyaan:

1. Berapa akurasi model yang kamu dapatkan?
2. Kalau n_neighbors diubah jadi 5, apakah akurasinya berubah?

---

Aktivitas 3 – Coba Unsupervised Learning

📌 Masih di Google Colab, jalankan kode berikut:

from sklearn.cluster import KMeans

import matplotlib.pyplot as plt

 

# Pakai dataset iris lagi

kmeans = KMeans(n_clusters=3, random_state=42)

kmeans.fit(X)

 

# Visualisasi hasil cluster

plt.scatter(X[:,0], X[:,1], c=kmeans.labels_)

plt.xlabel("Fitur 1")

plt.ylabel("Fitur 2")

plt.title("Clustering Iris dengan KMeans")

plt.show()

👉 Pertanyaan:

1. Apakah hasil clustering sesuai dengan label aslinya?
2. Menurutmu, kelebihan dan kekurangan metode clustering ini apa?

---

Aktivitas 4 – Refleksi Adiwiyata 🌱

Diskusikan dalam kelompok kecil:

1. Kalau KA dipakai untuk mendukung program sekolah adiwiyata, kira-kira project apa yang bisa dibuat?
   (contoh: KA klasifikasi sampah, sensor kelembaban tanah untuk tanaman, chatbot peduli lingkungan).
2. Tuliskan ide kalian dalam 5–6 kalimat.

✅ D. Rubrik Penilaian

Aspek	Skor 4 (Sangat Baik)	Skor 3 (Baik)	Skor 2 (Cukup)	Skor 1 (Kurang)
Diskusi	Aktif & ide kreatif	Aktif	Kurang aktif	Pasif
Coding	Kode jalan lancar, paham output	Kode jalan, paham sebagian	Kode jalan tapi kurang paham	Kode error & tidak paham
Refleksi	Ide original, solutif, nyambung ke adiwiyata	Ide cukup baik	Ide kurang jelas	Tidak ada ide

---

Modul Ajar Fase E - Kelas X SMA

Modul Ajar Fase E - Kelas X SMA
Mata Pelajaran : Koding & Kecerdasan Artifisial
Materi : Pemrograman Kecerdasan Artifisial

🧑‍💻 1. Opening: AI Itu Apa, Sih?

Pernah nggak kalian pakai Google Translate, ChatGPT, atau kamera HP yang bisa bedain wajah? Nah, itu semua kerjaannya AI (Artificial Intelligence) alias KA (Kecerdasan Artifisial).
KA itu intinya bikin mesin nggak cuma nurut doang, tapi juga bisa belajar sendiri dari data kayak kita belajar dari pengalaman.

Kalau kita belajar dari guru + catatan → KA belajar dari dataset.
Kalau kita salah → bisa remedial. KA juga gitu, bisa salah → terus diperbaiki.

📌 2. Kenalan Sama “Otak”-nya KA

KA punya banyak “jurus”, tapi yang paling sering dipakai ada:

1. Supervised Learning → kayak belajar sama guru. Data sudah ada labelnya (misalnya: ini gambar apel 🍎, ini pisang 🍌). Jadi KA gampang belajar.
2. Unsupervised Learning → kayak anak indie. KA belajar sendiri dari data yang nggak ada label. Misalnya, ngelompokkin data tanaman tanpa dikasih tahu dulu.
3. Reinforcement Learning → belajar lewat trial-error. Bayangin main game, kalah → coba lagi, menang → lanjut.

⚡ Bonus: Ada juga Deep Learning, level dewa dari KA, pake jaringan saraf tiruan (neural network) yang mirip banget sama cara otak kita kerja.

🐍 3. Bahasa yang Dipakai KA

Mayoritas AI developer pakai Python 🐍, kenapa?

• Simple, gampang dibaca (cocok buat pemula).
• Banyak library gratis (TensorFlow, PyTorch, Scikit-learn, Pandas).
• Komunitasnya rame banget, jadi kalau stuck gampang cari solusinya.

IDE (alat ngodingnya):

• Jupyter Notebook / Google Colab → favorit buat eksperimen.
• PyCharm / VSCode → kalau mau serius bikin aplikasi

📊 4. Data = BBM-nya KA

KA butuh data biar bisa jalan.
Jenis data:

• Terstruktur: kayak tabel Excel (angka, kolom, baris).
• Nggak terstruktur: kayak foto, video, suara.
• Semi-terstruktur: kayak JSON, XML.

Contoh: Kalau kalian bikin KA buat klasifikasi sampah (organik 🍂 vs anorganik 🥤), datasetnya bisa kumpulan foto-foto sampah.

🛠️ 5. Project Time

✨ Kita coba bikin project sederhana biar nggak teori doang:

1. Supervised Learning Project
• Dataset: foto sampah organik vs anorganik.
• Tujuan: KA bisa auto bedain.
• Tools: Python + TensorFlow/Keras.
2. Unsupervised Learning Project
• Dataset: data tanaman di taman sekolah.
• Tujuan: KA ngelompokkin jenis tanaman tanpa diberi label.
• Tools: Python + Scikit-learn (k-means clustering).

🤖 6. LLM (Large Language Model) – Si Jago Ngobrol

LLM itu kayak KA yang udah “pintar ngobrol”, contoh: ChatGPT.

• Bisa bikin teks, jawab pertanyaan, sampai bikin puisi.
• Cara kerjanya: dilatih dengan milyaran kata dari internet.
• Bisa diintegrasi ke aplikasi lewat API (misalnya bikin chatbot sekolah yang jawab soal “peduli lingkungan”).

Tapi inget ya:
⚠️ LLM juga bisa salah ngomong (halusinasi). Jadi kita harus kritisis.

🌱 7. KA, Etika & Adiwiyata

Sekolah kita punya visi adiwiyata → peduli lingkungan 🌍.
Nah, AI bisa dipakai buat hal-hal positif kayak:

• Deteksi jenis sampah biar gampang dipilah.
• Analisis data polusi udara sekitar sekolah.
• Chatbot edukasi “green lifestyle” buat warga sekolah.

⚖️ Tapi, KA juga harus etis:

• Jangan bias → KA harus adil ke semua.
• Jaga privasi data.
• KA bantu manusia, bukan gantiin sepenuhnya.

📝 8. Refleksi

Coba jawab deh:

1. Menurut kamu, KA itu lebih banyak manfaatnya atau bahayanya?
2. Kalau kamu jadi developer KA, project apa yang bakal kamu bikin buat bantu lingkungan sekolah?
3. Sejauh ini, bagian mana dari ngoding KA yang paling bikin kamu “mindblowing”?

🎯 9. Kesimpulan

• KA = bikin mesin bisa belajar kayak manusia.
• Ada supervised, unsupervised, reinforcement, deep learning.
• Python = senjata utama anak KA.
• LLM = KA jago ngobrol (ChatGPT, dkk).
• KA harus dipakai dengan bijak, bisa jadi solusi keren buat mendukung sekolah adiwiyata dan Dimensi Profil Lulusan

Modul Ajar / RPP

Mata Pelajaran : Koding dan Kecerdasan Artifisial

Fase : E (Kelas X SMA)

Materi : Pemrograman Kecerdasan Artifisial

Durasi : 6 × 45 menit (3 pertemuan)

1. Capaian Pembelajaran

Peserta didik mampu:

• Menjelaskan konsep dasar pemrograman KA (AI Programming).
• Menerapkan library KA populer (misalnya TensorFlow, Scikit-learn, Pandas) untuk membuat model sederhana berbasis supervised dan unsupervised learning.
• Menganalisis hasil model KA menggunakan metrik evaluasi dan melakukan penyempurnaan.
• Menjelaskan konsep dasar, arsitektur, dan cara kerja Large Language Model (LLM).
• Mengintegrasikan aplikasi KA dengan LLM melalui API sederhana.
• Merefleksikan implikasi etis, lingkungan (adiwiyata), dan tanggung jawab sosial dari penggunaan KA.

2. Dimensi Profil Lulusan

• Beriman, bertakwa kepada Tuhan YME, dan berakhlak mulia: etika penggunaan AI.
• Berkebinekaan global: memahami bias dalam AI dan pentingnya fairness.
• Gotong royong: kolaborasi proyek kelompok.
• Mandiri: mengerjakan coding AI project.
• Bernalar kritis: analisis output model & evaluasi performa.
• Kreatif: mengembangkan aplikasi AI berbasis data sekolah/lingkungan.

3. Materi Pokok

1. Konsep dasar pemrograman KA dan bahasa pemrograman Python.
2. Supervised, Unsupervised, Semi-Supervised, Reinforcement Learning .
3. Proyek KA sederhana: klasifikasi teks/gambar berbasis dataset (tema lingkungan/adiwiyata, misalnya klasifikasi sampah organik vs anorganik).
4. Large Language Model (LLM): konsep, arsitektur, cara kerja, dan integrasi API .
5. Refleksi etis: bias, transparansi, privasi, tanggung jawab sosial.

4. Kegiatan Pembelajaran

Pertemuan 1 – Konsep & Dasar AI (2 JP)

• Pendahuluan (Ice breaking: “AI di sekitar kita”).
• Diskusi konsep dasar AI & perbedaan pemrograman tradisional vs ML/Deep Learning.
• Demo sederhana: Python + Pandas (data lingkungan sekolah).

Pertemuan 2 – Proyek Supervised & Unsupervised (2 JP)

• Kelompok membuat proyek sederhana:
• Supervised: klasifikasi sampah organik vs anorganik (dataset gambar).
• Unsupervised: clustering data tanaman di sekolah.
• Analisis hasil dengan metrik evaluasi (akurasi, confusion matrix).
• Diskusi kesulitan & solusi.

Pertemuan 3 – Integrasi LLM & Refleksi Etis (2 JP)

• Pengenalan LLM (ChatGPT, Hugging Face).
• Praktik integrasi API sederhana ke aplikasi KA.
• Diskusi etis: bias, disinformasi, privasi, tanggung jawab sosial.
• Refleksi pribadi: “Bagaimana AI bisa membantu sekolah adiwiyata dan tetap etis?”

5. Penilaian

a. Sikap

• Etika berdiskusi, kolaborasi kelompok, kesadaran adiwiyata.

b. Pengetahuan

• Tes formatif: konsep supervised vs unsupervised, arsitektur LLM.

c. Keterampilan

• Proyek kelompok: laporan + presentasi aplikasi KA.
• Rubrik: ketepatan kode, kreativitas, dokumentasi, refleksi etis.

6. Pengayaan & Remedial

• Pengayaan: integrasi LLM untuk chatbot sekolah (misalnya chatbot peduli lingkungan).
• Remedial: latihan ulang Python dasar + diskusi tutor sebaya.

7. Sumber Belajar

• Modul 4 SMK Pemrograman Kecerdasan Artifisial .
• Google Colab, Kaggle Dataset Lingkungan.
• Dokumentasi TensorFlow, Hugging Face API