Bagian I: Informasi Umum

Selamat datang di panduan interaktif Modul Ajar Kecerdasan Artifisial. Bagian ini menyajikan kerangka dasar pembelajaran, mulai dari identitas modul, kompetensi yang dibutuhkan siswa, hingga profil lulusan yang dituju.

Identitas Modul

  • Satuan: SMA
  • Fase/Kelas: F / XI - XII
  • Alokasi Waktu: 54 JP
  • Nama: Tim Prolog ~3

Kompetensi Awal

Siswa diharapkan telah menguasai CP Informatika Fase E, khususnya Analisis Data, Algoritma & Pemrograman, serta TIK.

Target Peserta Didik

Siswa reguler Fase F dengan pendekatan pembelajaran terdiferensiasi sesuai minat dan kemampuan.

Profil Lulusan (5 Dimensi Terelaborasi)

Pembelajaran AI menjadi wahana untuk menumbuhkan karakter dan kompetensi abad 21. Modul ini secara terukur menargetkan pengembangan dimensi-dimensi berikut:

Penalaran Kritis

Menganalisis cara kerja, bias, dan dampak etis dari teknologi AI.

Kreativitas

Merancang dan mengembangkan prototipe solusi AI yang inovatif.

Kolaborasi

Bekerja sama secara efektif dalam tim untuk menyelesaikan proyek akhir.

Kemandirian

Bertanggung jawab atas proses belajar dan kemajuan proyek individu.

Komunikasi

Menjelaskan proses, hasil, dan refleksi etis proyek secara efektif.

Bagian II: Tujuan & Asesmen

Bagian ini adalah inti dari kerangka kurikulum, yang menjabarkan tujuan pembelajaran yang ingin dicapai dan bagaimana kemajuan siswa diukur.

Tujuan Pembelajaran (TP)

  1. 1
    Menjelaskan konsep dasar AI, ML, dan DL serta hubungannya.
  2. 2
    Menganalisis cara kerja Jaringan Saraf Tiruan melalui platform visual.
  3. 3
    Menerapkan siklus pengembangan model ML (data, latih, uji) dengan platform no-code.
  4. 4
    Mengidentifikasi potensi bias, masalah privasi, dan dampak sosial aplikasi AI.
  5. 5
    Bergotong royong merancang, mengimplementasi, dan mengomunikasikan prototipe solusi AI.

Rencana Asesmen Terpadu

Penilaian dilakukan secara holistik dan terintegrasi dalam siklus pembelajaran untuk memandu dan mengukur pemahaman siswa secara berkelanjutan.

Asesmen Diagnostik

Dilakukan di awal untuk memetakan kesiapan, minat, dan pra-konsepsi siswa.

Asesmen Formatif

Dilakukan selama proses belajar (observasi, unjuk kerja, jurnal) untuk umpan balik real-time.

Asesmen Sumatif

Dilakukan di akhir (penilaian proyek) untuk mengukur ketercapaian seluruh tujuan.

Bagian III: Skenario Pembelajaran

Di sini Anda akan menemukan rencana pelaksanaan pembelajaran yang detail untuk 18 pertemuan. Jelajahi linimasa interaktif di bawah untuk melihat alur kegiatan dari pengenalan konsep hingga pameran karya siswa.

Linimasa Pembelajaran (18 Pertemuan)

Fase 1: Penentuan Pertanyaan Mendasar

Pertemuan 1-3

Membangun fondasi konseptual dan kesadaran kritis melalui diskusi, analogi, dan aktivitas *unplugged*.

Fase 2: Eksplorasi Alat

Pertemuan 4-7

Siswa bereksperimen dengan TensorFlow Playground dan melatih model klasifikasi sederhana menggunakan Google Teachable Machine.

Fase 3 & 4: Pengerjaan Proyek

Pertemuan 8-16

Inti pembelajaran. Siswa bekerja dalam tim untuk merencanakan, mengumpulkan data, melatih model, dan menyusun laporan.

Fase 5 & 6: Pameran & Evaluasi

Pertemuan 17-18

Puncak pembelajaran di mana setiap kelompok mempresentasikan prototipe AI mereka dan melakukan refleksi.

Alokasi Waktu (54 JP)

Distribusi jam pelajaran berdasarkan fase pembelajaran.

Bagian IV: Lampiran

Bagian ini berisi semua sumber daya pendukung yang Anda butuhkan. Gunakan menu akordeon di bawah untuk membuka setiap lampiran.

  • LKPD 1: Panduan Aktivitas Unplugged: "The Intelligent Piece of Paper" & "The Turing Test".
  • LKPD 2: Jurnal Eksperimen TensorFlow Playground.
  • LKPD 3: Panduan Langkah-demi-Langkah Proyek "Bananameter".
  • LKPD 4: Templat Jurnal Kemajuan Proyek Kelompok.
  • Ringkasan Materi 1: Pengantar AI, ML, dan Deep Learning untuk Pemula.
  • Studi Kasus 2: Contoh Nyata Penerapan AI di Bidang Kesehatan dan Ekonomi.
  • Panduan Singkat 3: Etika dalam Kecerdasan Artifisial: Memahami Bias, Privasi, dan Tanggung Jawab.

Kecerdasan Artifisial (AI): Bidang ilmu komputer yang bertujuan membuat mesin yang dapat melakukan tugas yang biasanya membutuhkan kecerdasan manusia.

Machine Learning (ML): Cabang dari AI di mana mesin "belajar" dari data untuk menemukan pola dan membuat prediksi tanpa diprogram secara eksplisit.

Deep Learning (DL): Sub-bidang dari ML yang menggunakan Jaringan Saraf Tiruan dengan banyak lapisan untuk mempelajari pola yang sangat kompleks.

Tabel 1: Asesmen Diagnostik Awal

AspekPertanyaan
Minat BelajarSeberapa tertarik kamu belajar tentang cara kerja asisten suara atau rekomendasi film?
Pemahaman AwalBagaimana caramu mengajari teman membedakan kucing dan anjing dari foto?
Logika PrasyaratUrutkan instruksi acak untuk membuat secangkir teh menjadi proses yang benar!

Tabel 2: Rubrik Penilaian Proyek Akhir

Dimensi PenilaianKriteria Mahir (Skor 4)
Relevansi MasalahMasalah yang diangkat sangat spesifik, relevan, orisinal, dan menunjukkan pemahaman mendalam.
Kualitas DatasetDataset sangat beragam, berkualitas tinggi, dan dikumpulkan dengan analisis bias yang tajam.
Implementasi ModelModel berfungsi sangat baik, akurat, dan menunjukkan proses iterasi yang cermat.
Analisis Kritis & EtisAnalisis sangat mendalam, mencakup keterbatasan, dampak sosial, dan implikasi etis.
Kolaborasi TimMenunjukkan kolaborasi luar biasa, saling mendukung, dan manajemen proyek yang sangat baik.
KomunikasiPresentasi sangat profesional, menarik, persuasif, dan mampu bercerita secara inspiratif.