LKPD Koding dan Kecerdasan Artifisial Kelas 11: Menerapkan Pelatihan Model Dasar Algoritma Machine Learning untuk Prediksi

INFORMASI UMUM

TUJUAN PEMBELAJARAN

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

PETUNJUK UMUM

• Bacalah setiap instruksi kerja dan skenario data dengan seksama sebelum melakukan penerapan algoritma.
• Bekerjalah secara kolaboratif dalam kelompok untuk menelaah data latih, menentukan pola algoritma, dan menerapkan perhitungan prediksi.
• Tuliskan seluruh langkah penerapan, pengisian tabel, dan hasil prediksi langsung pada lembar kerja yang tersedia.
• Gunakan logika komputasi dan matematika dasar dalam menerapkan proses pembelajaran mesin sederhana tanpa kalkulator canggih.

KEGIATAN

Kegiatan 1: Menerapkan Pola Data Latih Menggunakan Algoritma Linear Regression

Estimasi: 25 menit

Alat & Bahan:

• Alat tulis
• Kertas grafik/lembar kerja

Petunjuk Pengerjaan:

1. Perhatikan data historis pelatihan model Machine Learning antara 'Durasi Belajar Mandiri per Minggu (X dalam jam)' dan 'Skor Proyek Koding (Y skala 0-100)': Titik A (2, 50), Titik B (4, 60), Titik C (6, 70), Titik D (8, 80).
2. Terapkan rumus fungsi prediksi garis lurus: Y = w * X + b. Tentukan nilai bobot (w) berdasarkan laju perubahan (kenaikan Y dibagi kenaikan X) dan nilai bias (b) saat X = 0.
3. Terapkan model garis yang terbentuk untuk memprediksi nilai skor proyek bagi data uji baru dengan durasi belajar X = 10 jam dan X = 5 jam.

Pertanyaan:

1. Berdasarkan pasangan data latih (2, 50), (4, 60), (6, 70), (8, 80), terapkan perhitungan gradien/bobot (w = ΔY / ΔX) serta bias (b). Tuliskan persamaan model prediksi Machine Learning yang dihasilkan!

2. Terapkan model prediksi Y = 5X + 40 yang telah dilatih untuk memprediksi skor proyek jika seorang murid belajar mandiri selama: (a) X = 10 jam, dan (b) X = 5 jam!

Tuliskan langkah penurunan w dan b pada kolom uraian rumus, lalu tuliskan hasil kalkulasi skor prediksi pada 2 baris isian (a) dan (b).

Kegiatan 2: Menerapkan Algoritma K-Nearest Neighbors (KNN) untuk Prediksi Klasifikasi

Estimasi: 35 menit

Alat & Bahan:

• Lembar kerja tabel
• Alat tulis

Petunjuk Pengerjaan:

1. Perhatikan tabel data latih deteksi status 'Lulus Sertifikasi' (Ya/Tidak) berdasarkan dua fitur: Kehadiran (skala 1-10) dan Nilai Praktik (skala 1-10). - Data 1: Kehadiran = 8, Praktik = 8, Status = Ya - Data 2: Kehadiran = 7, Praktik = 9, Status = Ya - Data 3: Kehadiran = 3, Praktik = 4, Status = Tidak - Data 4: Kehadiran = 4, Praktik = 3, Status = Tidak
2. Ada data uji baru (Data Uji X) dengan Kehadiran = 6 dan Praktik = 7.
3. Terapkan algoritma K-Nearest Neighbors dengan jarak Manhattan: Jarak = |Kehadiran_uji - Kehadiran_latih| + |Praktik_uji - Praktik_latih|.
4. Hitung jarak Data Uji X ke keempat data latih, urutkan dari yang terdekat, lalu terapkan voting mayoritas dengan k = 3 untuk menentukan prediksi status kelulusannya.

Pertanyaan:

1. Lengkapilah tabel perhitungan jarak Manhattan dari Data Uji X (6, 7) ke seluruh data latih (Data 1 hingga Data 4), lalu tentukan peringkat jarak dari yang terdekat (peringkat 1 sampai 4)!

2. Terapkan aturan algoritma KNN dengan nilai k = 3. Identifikasi 3 tetangga terdekat beserta label statusnya, lalu simpulkan hasil prediksi status kelulusan untuk Data Uji X!

Isi tabel 5 kolom: [Data Latih, Perhitungan Jarak, Nilai Jarak, Peringkat Jarak, Label Asli], kemudian tuliskan kesimpulan voting mayoritas pada kotak simpulan.

Kegiatan 3: Menerapkan Evaluasi dan Validasi Hasil Prediksi Model

Estimasi: 30 menit

Alat & Bahan:

• Lembar kerja evaluasi
• Buku catatan kelompok

Petunjuk Pengerjaan:

1. Diberikan 5 data uji baru yang telah diuji menggunakan model prediksi klasifikasi Machine Learning. - Uji 1: Label Aktual = Positif, Hasil Prediksi = Positif - Uji 2: Label Aktual = Negatif, Hasil Prediksi = Negatif - Uji 3: Label Aktual = Positif, Hasil Prediksi = Negatif - Uji 4: Label Aktual = Negatif, Hasil Prediksi = Negatif - Uji 5: Label Aktual = Positif, Hasil Prediksi = Positif
2. Terapkan penghitungan metrik Akurasi: Akurasi = (Jumlah Prediksi Benar / Total Data Uji) * 100%.
3. Diskusikan dalam kelompok: Jika data latih yang digunakan sangat sedikit atau mengandung kesalahan input, bagaimana dampaknya terhadap keandalan hasil prediksi model yang diterapkan?

Pertanyaan:

1. Identifikasi data mana saja yang prediksinya tepat (benar) dan yang salah, lalu terapkan perhitungan metrik akurasi model Machine Learning tersebut!

2. Terapkan analisis terhadap hasil prediksi: Jelaskan mengapa kualitas dan jumlah data latih menentukan keberhasilan model Machine Learning dalam memprediksi data baru!

Tuliskan rincian nomor data yang benar/salah beserta persentase akurasi pada baris isian, lalu tuliskan rangkuman hasil diskusi kelompok pada kotak narasi evaluasi.

REFLEKSI

1. Bagian mana dari langkah penerapan algoritma Machine Learning (menentukan bobot, menghitung jarak tetangga, atau mengukur akurasi) yang paling menantang bagimu hari ini?

2. Bagaimana pemahamanmu tentang cara kerja algoritma prediksi Machine Learning mengubah pandanganmu saat menggunakan aplikasi berbasis kecerdasan artifisial sehari-hari?