LKPD Koding dan Kecerdasan Artifisial Kelas 11: Mengembangkan Model KA Sederhana: Pelatihan Algoritma Machine Learning Klasifikasi Menggunakan Skrip Kode

INFORMASI UMUM

TUJUAN PEMBELAJARAN

1. Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari

PETUNJUK UMUM

• Bacalah setiap instruksi kerja dan skenario masalah klasifikasi sederhana dengan teliti.
• Gunakan perangkat komputer atau laptop yang telah terpasang Python environment (Google Colab atau Jupyter Notebook) dengan pustaka scikit-learn.
• Bekerjalah secara kolaboratif bersama rekan kelompokmu dan ikuti tahapan pengembangan model KA secara runtut.
• Tuliskan kode program, hasil keluaran eksekusi, serta analisis pengembangan model pada ruang jawaban yang disediakan.

KEGIATAN

Kegiatan 1: Menyiapkan Data dan Merancang Arsitektur Model Klasifikasi Sederhana

Estimasi: 35 menit

Alat & Bahan:

• Komputer/Laptop dengan koneksi internet
• Akses Google Colab atau Jupyter Notebook
• Pustaka Python: scikit-learn

Petunjuk Pengerjaan:

1. Cermati studi kasus klasifikasi bunga atau tanaman berdasarkan fitur fisik (seperti dataset Iris pada buku siswa).
2. Tentukan fitur input (panjang dan lebar sepal/petal) serta label target yang akan diklasifikasikan.
3. Tuliskan skrip kode Python untuk memuat dataset menggunakan pustaka scikit-learn serta membagi data menjadi data latih (training) dan data uji (testing) dengan rasio 80:20.
4. Lengkapi tabel pemetaan variabel dan baris kode pemisahan data.

Pertanyaan:

1. Tuliskan potongan skrip kode Python untuk memuat dataset iris dari scikit-learn dan membaginya menjadi X_train, X_test, y_train, dan y_test dengan test_size=0.2!

2. Isilah tabel persiapan data berikut: tentukan dimensi fitur input (X), target klasifikasi (y), serta fungsi pembagian data latih-uji yang kamu gunakan dalam pengembangan model KA sederhana!

Tuliskan kode program pada area teks kode dan lengkapi tabel 3 kolom: [Fitur Input (X) | Target Klasifikasi (y) | Fungsi Pembagian Data].

Kegiatan 2: Melatih dan Mengeksekusi Model Algoritma Klasifikasi dengan Skrip Kode

Estimasi: 45 menit

Alat & Bahan:

• Google Colab / IDE Python
• Script template klasifikasi

Petunjuk Pengerjaan:

1. Pilihlah salah satu algoritma Machine Learning klasifikasi yang dipelajari (misalnya Decision Tree Classifier atau K-Nearest Neighbors).
2. Tuliskan skrip kode untuk menginisialisasi model klasifikasi dan melatihnya menggunakan fungsi .fit() terhadap data latih (X_train, y_train).
3. Jalankan pengujian inferensi sederhana menggunakan data baru untuk membuktikan bahwa model mampu mengklasifikasikan kelas sasaran.

Pertanyaan:

1. Tuliskan skrip kode untuk menginisialisasi algoritma DecisionTreeClassifier, melakukan pelatihan (training) pada data latih, dan melakukan prediksi pada X_test!

2. Bagaimana langkah skrip kode yang kamu kembangkan untuk menguji model dengan satu sampel data baru berukuran [5.1, 3.5, 1.4, 0.2] agar menghasilkan label kelas prediksi?

Tuliskan blok skrip kode inisialisasi, pelatihan (.fit), prediksi (.predict), dan cantumkan baris luaran (output) terminal prediksi kelas data baru.

Kegiatan 3: Evaluasi dan Penerapan Model Klasifikasi dalam Masalah Sehari-hari

Estimasi: 55 menit

Alat & Bahan:

• Google Colab / IDE Python
• Pustaka sklearn.metrics

Petunjuk Pengerjaan:

1. Evaluasi model yang telah dikembangkan dengan menghitung nilai akurasi (accuracy_score) membandingkan y_test dan y_pred.
2. Diskusikan bagaimana skrip model klasifikasi sederhana yang telah dikembangkan dapat dimodifikasi untuk menyelesaikan permasalahan klasifikasi sehari-hari lainnya (misalnya memilah sampah organik/anorganik berdasarkan sensor berat dan kelembapan, atau klasifikasi kualitas bibit tanaman).
3. Catat hasil evaluasi akurasi dan rumuskan modifikasi skrip model tersebut.
4. Selesaikan kegiatan dengan melakukan refleksi pembelajaran bersama guru.

Pertanyaan:

1. Tuliskan skrip kode untuk menghitung dan mencetak nilai akurasi model menggunakan fungsi accuracy_score dari scikit-learn, serta cantumkan nilai skor yang diperoleh modelmu!

2. Diskusikan dalam kelompok: Jika model klasifikasi yang kamu kembangkan ini diterapkan untuk memilah jenis sampah (Organik vs Anorganik), sebutkan minimal 2 fitur data input baru yang harus diukur dan bagaimana model mengembangkannya menjadi keputusan!

Tuliskan skrip kode evaluasi beserta nilai persentase akurasi, dilanjutkan ringkasan hasil diskusi 2 fitur input dan skema fungsi prediksi untuk masalah sehari-hari.

REFLEKSI

1. Bagian mana dari tahapan pengembangan skrip model KA (menyiapkan data, melatih model, atau mengevaluasi akurasi) yang paling menantang bagimu dan bagaimana kamu mengatasinya?

2. Bagaimana pemahamanmu tentang pembuatan skrip model Machine Learning ini membuka pandanganmu mengenai cara kerja aplikasi cerdas yang ada di sekitarmu?