LKPD Koding dan Kecerdasan Artifisial Kelas 11: Menerapkan Penyiapan Dataset dan Fitur Machine Learning untuk Prediksi

INFORMASI UMUM

TUJUAN PEMBELAJARAN

1. Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi

PETUNJUK UMUM

• Bacalah instruksi pada setiap kegiatan dengan cermat dan teliti.
• Bekerjasamalah secara aktif dan kolaboratif dalam kelompok yang telah ditentukan guru.
• Gunakan konsep algoritma Machine Learning yang telah dipelajari untuk memproses data dan menghasilkan nilai prediksi.
• Tanyakan kepada guru apabila terdapat istilah atau alur komputasi yang belum dipahami.

KEGIATAN

Kegiatan 1: Menerapkan Pemilihan Fitur dan Ekstraksi Atribut Prediksi

Estimasi: 35 menit

Alat & Bahan:

• Alat tulis
• Lembar kerja peserta didik

Petunjuk Pengerjaan:

1. Perhatikan studi kasus: Sebuah model Machine Learning akan dirancang untuk melakukan prediksi estimasi waktu pengantaran pesanan makanan (Delivery Time) dalam hitungan menit.
2. Tersedia calon atribut data mentah berikut: (A) Jarak tempuh (km), (B) Kondisi cuaca (Hujan/Cerah), (C) Nama pemesan makanan, (D) Jumlah pesanan, (E) Warna motor kurir, (F) Waktu tempuh aktual pesanan sebelumnya (menit).
3. Pilah atribut mana yang relevan dijadikan fitur masukan (X) dan target/label prediksi (y) untuk algoritma Machine Learning, serta atribut mana yang harus dieliminasi karena tidak memiliki nilai prediktif.
4. Tuliskan hasil analisis ke dalam tabel yang disediakan.

Pertanyaan:

1. Kelompokkan ke-6 atribut di atas ke dalam peran yang tepat: Fitur Masukan (X), Target Prediksi (y), atau Dieliminasi (Tidak Relevan). Berikan alasan komputasi singkat untuk masing-masing atribut!

Tabel 3 kolom: [Nama Atribut] | [Peran dalam ML: Fitur (X) / Target (y) / Dieliminasi] | [Alasan]

Kegiatan 2: Menerapkan Perhitungan Algoritma k-Nearest Neighbors (k-NN) untuk Melakukan Prediksi

Estimasi: 50 menit

Alat & Bahan:

• Kalkulator / alat hitung
• Kertas buram / lembar coret komputasi

Petunjuk Pengerjaan:

1. Cermati dataset pelatihan (training data) sederhana untuk memprediksi Kelulusan Ujian Sertifikasi (1 = Lulus, 0 = Tidak Lulus) berdasarkan dua fitur: Jam Belajar per Minggu (X1) dan Nilai Rata-rata Tugas (X2).
2. Data Training: Murid A (X1=10, X2=80, Kelas=1), Murid B (X1=4, X2=60, Kelas=0), Murid C (X1=8, X2=70, Kelas=1), Murid D (X1=2, X2=50, Kelas=0).
3. Data Baru / Data Uji yang akan diprediksi: Murid E memiliki Jam Belajar (X1) = 7 dan Nilai Tugas (X2) = 65.
4. Terapkan rumus Jarak Euclidean dasar: d = akar_kuadrat((X1_uji - X1_train)^2 + (X2_uji - X2_train)^2) untuk menghitung jarak antara Murid E ke Murid A, B, C, dan D.
5. Gunakan algoritma k-NN dengan nilai k = 3 untuk menentukan prediksi kelas Murid E berdasarkan voting mayoritas.

Pertanyaan:

1. Hitung nilai jarak Euclidean dari data Murid E (7, 65) ke masing-masing data pelatihan A, B, C, dan D (tuliskan langkah perhitungannya)!

2. Urutkan tetangga dari jarak terdekat ke terjauh, ambil 3 tetangga terdekat (k=3), dan simpulkan hasil prediksi algoritma k-NN untuk Murid E!

Lembar komputasi matematis: langkah perhitungan rumus jarak Euclidean per titik data, tabel perankingan jarak tetangga terdekat, dan paragraf kesimpulan voting penentuan kelas prediksi.

Kegiatan 3: Menerapkan Algoritma Regresi Linear Sederhana untuk Melakukan Prediksi Kontinu

Estimasi: 50 menit

Alat & Bahan:

• Lembar kerja
• Kalkulator

Petunjuk Pengerjaan:

1. Diberikan model prediksi harga sewa komputasi cloud server berbasis Regresi Linear yang telah dilatih dengan persamaan: Y_prediksi = 50.000 + 25.000 * X1 + 10.000 * X2, di mana X1 adalah Jumlah vCPU (core) dan X2 adalah Kapasitas RAM (GB), serta Y adalah harga sewa harian (Rupiah).
2. Terapkan model matematis regresi linear tersebut untuk melakukan prediksi harga pada 3 skenario konfigurasi server baru yang diminta oleh pengguna.
3. Setelah menghitung prediksi, lakukan refleksi bersama kelompok mengenai penerapan algoritma prediksi ini.

Pertanyaan:

1. Hitung estimasi nilai prediksi Y untuk ketiga spesifikasi server berikut menggunakan persamaan regresi yang diberikan:

• Server Alpha: 2 vCPU, 4 GB RAM
• Server Beta: 4 vCPU, 16 GB RAM
• Server Gamma: 8 vCPU, 32 GB RAM

2. Berdasarkan cara kerja algoritma regresi linear di atas, jelaskan bagaimana pengaruh penambahan 1 core vCPU dibandingkan penambahan 1 GB RAM terhadap perubahan nilai akhir prediksi!

Isian perhitungan matematis substitusi nilai ke persamaan linear untuk Server Alpha, Beta, dan Gamma, serta uraian analisis bobot koefisien fitur.

REFLEKSI

1. Bagaimana peran pemilihan fitur yang tepat dalam menentukan akurasi hasil prediksi pada algoritma Machine Learning?

2. Apa perbedaan mendasar yang kamu rasakan saat menerapkan algoritma prediksi klasifikasi (k-NN) dibandingkan dengan algoritma regresi linear?

3. Bagaimana pemahaman tentang dasar algoritma prediksi ini membantu kamu menyadari cara kerja sistem cerdas yang kamu gunakan sehari-hari?