LKPD Koding dan Kecerdasan Artifisial Kelas 11: Menerapkan Dasar-Dasar Algoritma Machine Learning untuk Prediksi Data Baru serta Pengambilan Bukti Rotasi Sesi 1 (14 Murid)

INFORMASI UMUM

TUJUAN PEMBELAJARAN

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

PETUNJUK UMUM

• Berdoalah sebelum memulai aktivitas pembelajaran.
• Bekerjalah secara berpasangan atau mandiri sesuai arahan guru untuk sesi rotasi pembuktian kinerja prediksi.
• Cermati setiap dataset pelatihan (training data) dan parameter algoritma Machine Learning yang disediakan sebelum melakukan langkah prediksi.
• Terapkan aturan algoritma Machine Learning (K-Nearest Neighbors atau Pohon Keputusan/Decision Tree) secara runut untuk memprediksi data baru yang diuji.
• Tuliskan seluruh langkah perhitungan, penelusuran aturan, dan label hasil prediksi pada ruang jawaban yang tersedia.

KEGIATAN

Kegiatan 1: Penerapan Algoritma K-Nearest Neighbors (K-NN) Sederhana untuk Prediksi Kelayakan Kredit

Estimasi: 30 menit

Alat & Bahan:

• Lembar kerja
• Alat tulis
• Kalkulator sederhana

Petunjuk Pengerjaan:

1. Perhatikan data historis (training set) 4 nasabah dengan dua fitur numerik: Pendapatan Bulanan (juta rupiah) dan Skor Riwayat Kredit (skala 1-100), serta label kelas 'Disetujui' atau 'Ditolak'.
2. Data Training: Data A (Pendapatan: 5, Skor: 80, Kelas: Disetujui); Data B (Pendapatan: 3, Skor: 40, Kelas: Ditolak); Data C (Pendapatan: 8, Skor: 85, Kelas: Disetujui); Data D (Pendapatan: 2, Skor: 50, Kelas: Ditolak).
3. Data Baru (Data Uji X) yang harus diprediksi: Pendapatan = 4 juta, Skor = 75.
4. Hitung jarak Manhattan dari Data X ke masing-masing Data A, B, C, dan D dengan rumus: Jarak = |Pendapatan_X - Pendapatan_Data| + |Skor_X - Skor_Data|.
5. Tentukan 3 tetangga terdekat (K=3) dan terapkan algoritma K-NN dengan prinsip voting mayoritas untuk menentukan prediksi kelas Data X.

Pertanyaan:

1. Hitunglah jarak Manhattan dari Data Baru X (4, 75) ke setiap data pelatihan (A, B, C, D) dan urutkan jaraknya dari yang terkecil ke terbesar!

2. Berdasarkan nilai K=3, tentukan 3 tetangga terdekat yang terpilih beserta label kelasnya, lalu tentukan hasil prediksi akhir kelas untuk Data Baru X!

Tabel 4 baris untuk perhitungan jarak (Kolom: Data Pelatihan, Perhitungan Jarak Manhattan, Nilai Jarak, Peringkat Kedekatan) diikuti baris isian kesimpulan penentuan voting 3 tetangga dan kelas prediksi akhir.

Kegiatan 2: Penerapan Pohon Keputusan (Decision Tree) untuk Memprediksi Pembelian Produk Komputer

Estimasi: 25 menit

Alat & Bahan:

• Diagram/Deskripsi Pohon Keputusan
• Alat tulis

Petunjuk Pengerjaan:

1. Pelajari struktur Pohon Keputusan (Decision Tree) yang telah dilatih dari data transaksi toko komputer berikut:
2. Node Akar memeriksa fitur 'Usia': - Jika Usia = 'Muda' (<= 30 tahun), periksa Node Cabang 'Status Pelajar': Bila Pelajar = 'Ya' -> Prediksi: 'Beli'; Bila Pelajar = 'Tidak' -> Prediksi: 'Tidak Beli'. - Jika Usia = 'Paruh Baya' (31-40 tahun) -> Prediksi langsung: 'Beli'. - Jika Usia = 'Tua' (> 40 tahun), periksa Node Cabang 'Rating Kredit': Bila Rating Kredit = 'Baik' -> Prediksi: 'Beli'; Bila Rating Kredit = 'Cukup' -> Prediksi: 'Tidak Beli'.
3. Terapkan alur pohon keputusan tersebut untuk memprediksi label keputusan (Beli / Tidak Beli) terhadap 3 data pelanggan baru berikut: - Pelanggan 1: Usia = 24 tahun ('Muda'), Status Pelajar = 'Ya', Rating Kredit = 'Cukup'. - Pelanggan 2: Usia = 35 tahun ('Paruh Baya'), Status Pelajar = 'Tidak', Rating Kredit = 'Baik'. - Pelanggan 3: Usia = 48 tahun ('Tua'), Status Pelajar = 'Tidak', Rating Kredit = 'Cukup'.

Pertanyaan:

1. Terapkan aturan branching pada Decision Tree untuk menelusuri jalur keputusan dan tentukan hasil prediksi pembelian untuk masing-masing Pelanggan 1, Pelanggan 2, dan Pelanggan 3!

Tabel 3 baris (Kolom: Nama Pelanggan, Jalur Percabangan Fitur yang Dilalui, Label Prediksi Akhir: Beli/Tidak Beli).

Kegiatan 3: Simulasi Prediksi Kode/Fungsi Python dan Rotasi Pengambilan Bukti Prediksi Mandiri

Estimasi: 35 menit

Alat & Bahan:

• Lembar kerja
• Alat tulis
• Rubrik rotasi asesmen guru

Petunjuk Pengerjaan:

1. Perhatikan cuplikan logika fungsi prediksi berbasis Machine Learning dalam Python berikut: def prediksi_kelulusan_training(jam_belajar, kehadiran): # Model regresi linier sederhana: Nilai = (5 * jam_belajar) + (0.5 * kehadiran) skor_prediksi = (5 * jam_belajar) + (0.5 * kehadiran) if skor_prediksi >= 75: return 'Lulus', skor_prediksi else: return 'Remedial', skor_prediksi
2. Terapkan fungsi model tersebut untuk memprediksi data 2 murid baru berikut: - Murid X: jam_belajar = 8, kehadiran = 80 - Murid Y: jam_belajar = 4, kehadiran = 70
3. Selesaikan soal secara tertulis untuk pencatatan portofolio bukti unjuk kerja sesi rotasi 1.

Pertanyaan:

1. Terapkan perhitungan matematis fungsi model Machine Learning tersebut untuk menentukan nilai skor prediksi dan status kelulusan bagi Murid X dan Murid Y!

2. Bila terdapat data baru Murid Z dengan jam_belajar = 10, berapa nilai minimal persentase kehadiran yang dibutuhkan agar model memprediksi status 'Lulus'?

Kotak uraian langkah komputasi numerik fungsi dan kesimpulan prediksi Murid X, Y, dan Z.

REFLEKSI

1. Bagaimana ketelitian dalam menghitung jarak atau menelusuri cabang keputusan memengaruhi keakuratan hasil prediksi data baru yang kamu lakukan?

2. Menurutmu, langkah apa dalam penerapan algoritma Machine Learning hari ini yang paling menuntut penalaran logis?

3. Bagaimana pengalamanmu saat menerapkan algoritma prediksi secara mandiri selama sesi unjuk kerja rotasi hari ini?