LKPD Koding dan Kecerdasan Artifisial Kelas 11: Mengembangkan Model KA Sederhana: Evaluasi Metrik Akurasi dan Pencatatan Log Performa Model

INFORMASI UMUM

TUJUAN PEMBELAJARAN

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

PETUNJUK UMUM

• Bacalah setiap skenario permasalahan sehari-hari dan instruksi kerja dengan cermat.
• Kerjakan tugas secara kolaboratif bersama kelompokmu menggunakan lingkungan pemrograman Python (Google Colab/Jupyter Notebook).
• Fokuslah pada proses rekayasa: mengembangkan model, mengukur akurasi prediksi, dan mencatat performa ke dalam log terstruktur.
• Tuliskan kode, hasil eksekusi, serta analisis evaluasi langsung pada format ruang jawaban yang disediakan.

KEGIATAN

Kegiatan 1: Konstruksi Model KA Sederhana untuk Klasifikasi Masalah Sehari-hari

Estimasi: 40 menit

Alat & Bahan:

• Komputer/Laptop dengan akses internet
• Python (Google Colab/Jupyter Notebook)
• Library scikit-learn dan pandas

Petunjuk Pengerjaan:

1. Cermati studi kasus klasifikasi kelayakan konsumsi/penjualan stok makanan kantin sekolah berdasarkan fitur: [Suhu_Penyimpanan, Lama_Hari, Tekstur_Skor].
2. Tuliskan kode program Python menggunakan scikit-learn untuk membagi data (train/test split) dan melatih model KA sederhana (Decision Tree Classifier).
3. Lakukan fitting model pada data latih agar model siap digunakan untuk memprediksi data uji.

Pertanyaan:

1. Lengkapilah sintaks pembagian dataset dan inisialisasi pelatihan model Decision Tree Classifier sederhana berikut agar model dapat dilatih pada data latih (X_train, y_train)!

2. Berdasarkan proses pelatihan di atas, jelaskan bagaimana model KA yang kamu kembangkan mengubah fitur input data kantin menjadi keputusan prediksi kelas!

Kotak isian kode skrip Python (blok impor pustaka, pemisahan dataset, inisialisasi, dan fitting) serta 3-4 baris uraian penjelasan mekanisme keputusan model.

Kegiatan 2: Evaluasi Metrik Akurasi dan Pencatatan Log Performa Model

Estimasi: 45 menit

Alat & Bahan:

• Dataset uji stok kantin
• Lingkungan eksekusi Python

Petunjuk Pengerjaan:

1. Gunakan model yang telah dilatih pada Kegiatan 1 untuk melakukan prediksi terhadap data uji (X_test).
2. Hitung metrik akurasi menggunakan fungsi accuracy_score dari library sklearn.metrics.
3. Catat hasil pengujian ke dalam format Log Performa Model sederhana yang mencakup: ID Percobaan, Algoritma, Parameter/Kondisi, Jumlah Data Uji, dan Nilai Akurasi.

Pertanyaan:

1. Tuliskan kode untuk memprediksi data uji (y_pred) dan menghitung nilai akurasinya menggunakan modul sklearn.metrics!

2. Isilah tabel Log Performa Model berikut berdasarkan hasil eksekusi pengujian 20 sampel data uji kantin!

Blok kode Python evaluasi serta tabel 7 kolom log performa: [ID Percobaan, Algoritma, Hyperparameter, Jumlah Data Uji, Prediksi Benar, Prediksi Salah, Akurasi (%)].

Kegiatan 3: Penyempurnaan Model KA Sederhana Berbasis Catatan Log

Estimasi: 50 menit

Alat & Bahan:

• Perangkat komputer/laptop
• Lembar kerja eksperimen log KA

Petunjuk Pengerjaan:

1. Lakukan eksperimen pengembangan lanjutan dengan memodifikasi parameter model (misal mengubah nilai max_depth atau kriteria pemisahan) untuk meningkatkan performa klasifikasi.
2. Jalankan kembali pelatihan dan pengujian pada data yang sama.
3. Perbarui tabel Log Performa Model dan diskusikan perbedaan performa sebelum dan sesudah modifikasi.

Pertanyaan:

1. Modifikasi parameter model (misal mengubah max_depth menjadi 5 atau mengubah rasio data latih), lalu tuliskan kembali tabel pembanding log performa antara Versi Awal (EXP-01) dan Versi Revisi (EXP-02)!

2. Berdasarkan log performa yang kamu catat, diskusikan bersama kelompokmu mengapa perubahan parameter tersebut dapat meningkatkan atau menurunkan nilai akurasi dalam menyelesaikan masalah prediksi kantin!

Tabel perbandingan log performa (2 baris eksperimen) dan lembar deskripsi hasil diskusi penalaran teknis pengembangan model (5-6 baris kalimat).

REFLEKSI

1. Bagian mana dari proses pengembangan model dan pencatatan log performa hari ini yang paling membantumu memahami cara kerja KA dalam memecahkan masalah sehari-hari?

2. Apa tantangan terbesar yang kamu temui saat menganalisis penyebab naik atau turunnya nilai akurasi pada log performa modelmu?