Modul Ajar Koding dan Kecerdasan Artifisial Kelas 11 Bab 5: Dasar-Dasar Machine Learning dan Natural Language Processing

INFORMASI UMUM

TUJUAN PEMBELAJARAN

1. TP 11.5.1 Menjelaskan konsep dasar-dasar algoritma Machine Learning beserta alur kerjanya
2. TP 11.5.2 Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi
3. TP 11.5.3 Menjelaskan dasar-dasar Natural Language Processing beserta komponen-komponennya
4. TP 11.5.4 Menerapkan dasar-dasar Natural Language Processing melalui tahapan prapemrosesan teks

PROFIL LULUSAN

PERTANYAAN PEMANTIK

1. Bagaimana aplikasi pemutar musik atau marketplace di ponselmu bisa mengetahui lagu atau produk yang kamu sukai padahal kamu tidak pernah mengetikkan aturan eksplisit untuk itu?
2. Apa perbedaan mendasar antara cara kerja program komputer konvensional (berbasis aturan manual) dengan program Machine Learning yang belajar langsung dari data?
3. Bagaimana sebuah sistem komputer dapat membedakan foto kucing dan anjing jika sejak awal kita tidak pernah memberikan rumus matematika khusus untuk bentuk telinga atau hidungnya?
4. Apakah semua jenis Machine Learning membutuhkan data yang sudah diberi label atau jawaban yang benar saat proses belajar berlangsung?
5. Bagaimana sebuah komputer bisa belajar mengenali perbedaan foto kucing dan anjing padahal kita tidak menuliskan aturan bentuk telinga atau kumisnya secara manual satu per satu?
6. Apa yang terjadi jika model Machine Learning langsung digunakan untuk memprediksi tanpa diuji terlebih dahulu menggunakan data uji (testing data)?
7. Bagaimana sebuah program komputer dapat memprediksi harga rumah atau kelulusan siswa jika data mentahnya masih memuat nilai kosong dan format teks yang acak?
8. Mengapa kita harus memisahkan antara fitur (input) dan label/target (output) sebelum melatih model Machine Learning?
9. Bagaimana komputer belajar mengenali pola dari data latih agar bisa menebak data baru?
10. Apa yang membedakan proses inisialisasi model algoritma dengan proses pelatihan (fitting) model pada Machine Learning?
11. Bagaimana model Machine Learning yang telah dilatih mengeksekusi data baru yang belum pernah dilihat sebelumnya?
12. Apa fungsi metode model.predict() dalam library Scikit-Learn dan bagaimana bentuk output yang dihasilkannya?
13. Bagaimana aplikasi seperti penerjemah otomatis atau asisten virtual dapat memahami pesan yang kita tuliskan?
14. Mengapa komputer yang berbasis angka biner (0 dan 1) mengalami kesulitan ketika langsung membaca kalimat atau teks manusia?
15. Bagaimana komputer memecah kalimat manusia menjadi bagian-bagian terkecil yang dapat diproses secara matematis?
16. Mengapa komputer perlu mengenali jenis kata atau entitas nama orang dan tempat sebelum memahami maksud utuh suatu teks?
17. Mengapa komputer menganggap kata 'Buku', 'buku', dan 'BUKU' sebagai tiga kata yang berbeda jika tidak diseragamkan terlebih dahulu?
18. Bagaimana tanda baca, simbol aneh, dan spasi ganda dapat mengganggu algoritma pemrosesan bahasa alami jika dibiarkan kotor?
19. Mengapa komputer perlu memecah kalimat utuh menjadi potongan kata-kata terpisah sebelum menganalisis maknanya?
20. Apa yang terjadi pada efisiensi model pemrosesan teks jika kata-kata umum seperti 'di', 'dan', atau 'yang' tetap dipertahankan dalam data?
21. Mengapa teks mentah dari media sosial tidak bisa langsung diolah oleh model Natural Language Processing tanpa dibersihkan terlebih dahulu?
22. Bagaimana urutan prapemrosesan teks memengaruhi hasil akhir token kata yang siap dianalisis komputer?
23. Bagaimana keterkaitan utuh antara alur kerja Machine Learning dan tahapan prapemrosesan teks dalam membangun solusi kecerdasan artifisial?
24. Mengapa validitas data teks dan ketepatan eksekusi model prediksi menjadi penentu keberhasilan sistem kecerdasan artifisial?

KEGIATAN PEMBELAJARAN

Pertemuan 1 — Menjelaskan Konsep Dasar-Dasar Machine Learning dan Paradigma Pembelajaran Mesin — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.5.1 Menjelaskan konsep dasar-dasar algoritma Machine Learning beserta alur kerjanya

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran murid, dan menciptakan suasana belajar yang kondusif (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini: menjelaskan konsep dasar Machine Learning dan paradigma pembelajaran mesin (komparasi pemrograman tradisional vs Machine Learning) (5 menit).
• Guru memberikan asesmen awal diagnostik singkat melalui 3 butir pernyataan benar/salah pada lembar cek pemahaman awal: (1) 'Program tradisional menghasilkan output dengan mengeksekusi aturan/logika buatan manusia atas data masukan' [Kunci: Benar]; (2) 'Machine Learning memerlukan manusia untuk menuliskan secara manual setiap aturan keputusan satu per satu ke dalam kode program' [Kunci: Salah]; (3) 'Dalam paradigma Machine Learning, algoritma menganalisis data masukan beserta contoh output/label untuk mempelajari pola atau model aturan secara otomatis' [Kunci: Benar] (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Berkesadaran):

• Murid menyimak pemaparan guru dan infografis perbandingan paradigma: Pemrograman Tradisional (Data + Aturan Manual -> Output) versus Machine Learning (Data + Output/Jawaban -> Model/Pola Pembelajaran) (15 menit).
• Murid dalam kelompok 3-4 orang mengkaji studi kasus perbedaan alur logika klasifikasi email spam: cara tradisional menulis kata kunci spam satu per satu di baris kode (if-else), sedangkan cara Machine Learning melatih algoritma dengan ribuan contoh email spam dan non-spam agar algoritma mengenali pola kata spam sendiri (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid memainkan permainan kartu tantangan paradigma 'Tradisional vs Machine Learning' secara berpasangan, dengan mengidentifikasi 4 kartu skenario ke dalam kategori paradigma yang tepat: Skenario 1 'Menentukan kelulusan murid menggunakan rumus baku if nilai >= 75 then Lulus' (Kunci: Tradisional); Skenario 2 'Mendeteksi transaksi perbankan mencurigakan dengan mempelajari pola kebiasaan belanja nasabah dari jutaan riwayat transaksi historis' (Kunci: Machine Learning); Skenario 3 'Menghitung diskon belanja 20% dengan mengalikan total belanja x 0.20' (Kunci: Tradisional); Skenario 4 'Memprediksi harga sewa rumah berdasarkan data ukuran, lokasi, dan riwayat transaksi masa lalu' (Kunci: Machine Learning) (20 menit).
• Murid mengerjakan Lembar Analisis Aktivitas 5.1 dengan mengklasifikasikan dan menjelaskan fungsi 5 sistem digital: (1) Shopee [Kunci: Rekomendasi]; (2) Tokopedia [Kunci: Rekomendasi]; (3) Bukalapak [Kunci: Rekomendasi]; (4) Google Maps Direction [Kunci: Prediksi]; (5) Fitur Cuaca Smartphone [Kunci: Prediksi], beserta penjelasan alasan mengapa sistem tersebut tergolong prediksi (memperkirakan nilai/kondisi di masa depan) atau rekomendasi (menyarankan item yang relevan berdasarkan riwayat pengguna) (25 menit).

Merefleksi (Berkesadaran):

• Murid mendiskusikan di kelas mengapa Machine Learning menjadi solusi yang lebih efektif dibandingkan pemrograman tradisional ketika menghadapi volume data yang besar dan pola masalah yang sangat kompleks (15 menit).
• Murid menuliskan refleksi pemahaman konsep pada catatan mandiri mengenai makna Machine Learning sebagai sistem komputasi yang mengekstraksi pengetahuan dan mengenali pola secara mandiri dari data (15 menit).

Penutup:

• Guru bersama murid menyimpulkan konsep utama paradigma Machine Learning dan perbedaannya dengan pemrograman berbasis aturan konvensional (5 menit).
• Guru memberikan asesmen akhir berupa cek pemahaman 2 butir konseptual mengenai definisi Machine Learning dan pergeseran input-output paradigma pemrograman (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan kartu peraga diagram alur pembanding input-proses-output tradisional vs ML; murid dengan penguasaan cepat diberikan bahan komparasi kasus industri yang memiliki data berdimensi tinggi.
• Proses: Murid berpasangan saling memeriksa hasil klasifikasi pada 4 skenario permainan kartu; murid cepat menjelaskan penalaran di balik pengkategorian sistem prediksi dan rekomendasi kepada rekan kelompoknya.
• Produk: Penjelasan pada lembar kerja murid dapat berupa diagram alur logika komparatif atau uraian teks terstruktur sesuai kenyamanan murid.

Asesmen Pertemuan:

Awal:

• Diagnostik pemahaman awal melalui 3 butir pernyataan benar/salah (acuan: butir 1 Benar bahwa pemrograman tradisional berakar pada aturan manual manusia; butir 2 Salah karena ML tidak menulis aturan manual satu per satu; butir 3 Benar bahwa ML membangun model dari data dan contoh output)

Proses:

• Formatif proses melalui ketepatan mengkategorikan 4 kartu skenario komputasi (acuan: Skenario 1 = Tradisional, Skenario 2 = Machine Learning, Skenario 3 = Tradisional, Skenario 4 = Machine Learning)
• Formatif kinerja kelompok pada Aktivitas 5.1: ketepatan mengklasifikasikan 5 sistem digital (acuan: Shopee = Rekomendasi, Tokopedia = Rekomendasi, Bukalapak = Rekomendasi, Google Maps Direction = Prediksi, Fitur Cuaca = Prediksi) serta ketepatan penjelasan logis pembeda kedua fungsi tersebut

Akhir Pertemuan:

• Cek pemahaman 2 butir pada penutup: (1) Jelaskan pengertian Machine Learning berdasarkan cara kerjanya terhadap data! (acuan kriteria: menyebutkan bahwa ML adalah pendekatan komputasi di mana algoritma belajar mengenali pola/model secara mandiri dari data tanpa diprogram secara eksplisit); (2) Jelaskan perbedaan posisi 'aturan' (rules) pada pemrograman tradisional dibanding Machine Learning! (acuan kriteria: pada tradisional, aturan dibuat manusia sebagai input bersama data; pada ML, aturan/model dihasilkan sebagai output dari proses pembelajaran terhadap data)

Formatif:

• Pemeriksaan lembar diagnostik awal (3 butir pernyataan benar/salah mengenai konsep pemrograman tradisional dan Machine Learning)
• Observasi unjuk pemahaman pengerjaan 4 kartu skenario paradigma komputasi saat kerja berpasangan
• Pemeriksaan ketepatan pengisian Lembar Analisis Aktivitas 5.1 (5 sistem digital: Shopee, Tokopedia, Bukalapak, Google Maps, Fitur Cuaca) beserta penjelasan fungsi prediksi/rekomendasi

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah murid dapat menangkap esensi perbedaan paradigma antara pemrograman tradisional berbasis aturan buatan manusia dengan paradigma Machine Learning berbasis pembelajaran data?
• Apakah aktivitas permainan kartu skenario berhasil menciptakan suasana belajar yang menggembirakan sekaligus memperjelas batasan konsep dasar Machine Learning?

Murid:

• Apa perbedaan paling mendasar yang kamu pahami antara program komputer biasa yang selama ini kamu pelajari dengan Machine Learning?
• Dapatkah kamu menyebutkan satu contoh sistem di sekitarmu yang menurutmu memanfaatkan Machine Learning untuk memprediksi atau merekomendasikan sesuatu?

Pertemuan 2 — Menjelaskan Jenis-Jenis Machine Learning Berdasarkan Alur Kerjanya — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.5.1 Menjelaskan konsep dasar-dasar algoritma Machine Learning beserta alur kerjanya

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran murid, dan mengondisikan kesiapan fisik serta mental murid untuk belajar (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini, yaitu menjelaskan jenis-jenis Machine Learning (supervised learning, unsupervised learning, semi-supervised learning, dan reinforcement learning) beserta karakteristik alur kerjanya (5 menit).
• Guru melaksanakan asesmen awal diagnostik melalui kuis lisan cepat tentang pemahaman data berlabel dan tidak berlabel untuk memetakan kesiapan awal murid (10 menit).

Kegiatan Inti:

Memahami (Bermakna):

• Murid menyimak tayangan infografis dan penjelasan guru mengenai 4 jenis pembelajaran mesin: Supervised Learning (alur: input data berlabel -> pelatihan model mencari pola pasangan input-label -> prediksi data baru), Unsupervised Learning (alur: input data tanpa label -> pencarian struktur/pola tersembunyi/pengelompokan mandiri), Semi-supervised Learning (alur: kombinasi sedikit data berlabel + banyak data tanpa label -> peningkatan akurasi klaster/klasifikasi), dan Reinforcement Learning (alur: interaksi agen di lingkungan -> aksi -> evaluasi reward/punishment -> pembaruan kebijakan aksi optimal) (25 menit).
• Murid dalam kelompok kecil (3-4 orang) berdiskusi menganalisis studi kasus 4 skenario sistem AI yang disajikan guru pada lembar eksplorasi konsep untuk membedakan alur kerja masing-masing jenis ML (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Setiap kelompok memainkan permainan kartu alur kerja berpasangan 'ML Sorting Challenge' secara interaktif: kelompok menerima 4 kartu kasus dan 4 set alur kerja, lalu memasangkan dan menjelaskan jenis ML yang tepat untuk setiap kasus (kasus 1: deteksi spam email dengan data berlabel spam/bukan spam; kasus 2: segmentasi pelanggan belanja online tanpa data target awal; kasus 3: klasifikasi citra medis dengan sedikit data berlabel dokter dan ribuan citra mentah; kasus 4: pelatihan bot catur cerdas melalui sistem reward kemenangan) (30 menit).
• Perwakilan kelompok bergantian menjelaskan alasan pengelompokan jenis Machine Learning dan alur kerja masing-masing skenario di hadapan kelas menggunakan panduan pertanyaan terstruktur dari guru (25 menit).

Merefleksi (Berkesadaran):

• Murid secara individu mengisi lembar cek pemahaman mandiri dengan menjelaskan ringkas alur kerja jenis ML pada 4 skenario baru yang disajikan guru sebagai bukti penguasaan konsep (10 menit).

Penutup:

• Guru bersama murid menyimpulkan kembali karakteristik utama dan perbedaan alur kerja dari keempat jenis Machine Learning (5 menit).
• Guru memberikan umpan balik menyeluruh terhadap hasil penjelasan kelompok serta menginformasikan agenda pertemuan berikutnya (alur kerja algoritma dari data hingga evaluasi) tanpa menutup bab (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan diagram alur visual berlabel warna yang menunjukkan perbedaan aliran data berlabel vs tanpa label. Murid yang mahir diberikan skenario industri yang lebih kompleks (misalnya autonomous driving yang memadukan reinforcement dan supervised learning).
• Proses: Pada aktivitas kelompok, guru memberikan scaffolding bertahap dengan pertanyaan penuntun bagi kelompok yang ragu, sementara kelompok cepat didorong menganalisis langsung mekanisme fungsi reward dan klasterisasi secara mandiri.
• Produk: Penjelasan hasil pemadanan dapat disampaikan secara lisan dengan bantuan bagan alur grafis sederhana atau penjelasan teks terstruktur pada lembar kerja.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik lisan: 'Jika kamu memiliki dataset harga rumah yang berisi luas tanah dan harga jual aslinya, apakah itu data berlabel atau tanpa label? Dan jika kamu hanya memiliki data riwayat klik pengunjung toko online tanpa kategori pelanggan, jenis data apa itu?' (Acuan jawaban: dataset harga rumah adalah data berlabel/supervised karena ada target output harga jual asli; riwayat klik tanpa kategori adalah data tanpa label/unsupervised karena belum memiliki label kelompok target).

Proses:

• Penilaian pemadanan kartu 'ML Sorting Challenge' pada tahap Mengaplikasi dengan 4 butir skenario: (1) Skenario A: Sistem filter email otomatis mengenali spam berdasarkan ribuan email contoh yang telah ditandai 'spam' dan 'bukan spam' -> Kunci: Supervised Learning; (2) Skenario B: Sistem belanja online mengelompokkan pelanggan ke dalam beberapa segmen minat belanja tanpa ada kategori awal -> Kunci: Unsupervised Learning; (3) Skenario C: Diagnosis penyakit dari citra rontgen di mana hanya 50 foto diberi label dokter spesialis dan 5.000 foto lainnya belum berlabel -> Kunci: Semi-supervised Learning; (4) Skenario D: Agen kecerdasan buatan belajar navigasi drone melewati rintangan dengan menerima nilai penalti saat menabrak dan poin hadiah saat mencapai titik tujuan -> Kunci: Reinforcement Learning. Kriteria: Menilai ketepatan pasangan skenario dan kelengkapan penjelasan alur masuknya data hingga pengambilan keputusan.

Akhir Pertemuan:

• Lembar cek pemahaman mandiri (4 butir singkat): Murid menjelaskan jenis ML beserta alur kerjanya pada skenario berikut: (1) Prediksi kelulusan siswa berdasarkan data riwayat nilai berlabel lulus/tidak -> Acuan: Supervised Learning, alur: data berlabel melatih model memetakan fitur nilai ke label kelulusan; (2) Pengelompokan berita otomatis berdasarkan kesamaan topik kata -> Acuan: Unsupervised Learning, alur: data teks tanpa label dipindai kesamaan polanya untuk membentuk klaster; (3) Pengenalan suara bahasa daerah dengan rekaman berlabel sedikit dan rekaman mentah melimpah -> Acuan: Semi-supervised Learning, alur: data berlabel sedikit memandu pembentukan pola pada kumpulan besar data mentah tanpa label; (4) Robot pembersih lantai belajar rute paling efisien melalui percobaan berulang dan poin reward waktu tercepat -> Acuan: Reinforcement Learning, alur: agen berinteraksi di ruangan, menerima reward/punishment, memperbarui kebijakan rute.

Formatif:

• Tanya jawab diagnostik awal kesiapan konsep data berlabel dan tanpa label
• Observasi unjuk kerja dan lembar pemadanan skenario jenis Machine Learning pada aktivitas 'ML Sorting Challenge'
• Lembar cek pemahaman mandiri penjelasan alur kerja 4 jenis ML

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah penggunaan simulasi permainan kartu 'ML Sorting Challenge' berhasil membantu murid membedakan alur kerja Supervised, Unsupervised, Semi-supervised, dan Reinforcement Learning secara konkret?
• Bagian alur kerja jenis ML mana yang paling banyak membutuhkan bimbingan ulang (misal pembedaan Semi-supervised dan Unsupervised)?
• Apakah alokasi waktu 135 menit terlaksana secara efektif dan melibatkan murid secara aktif?

Murid:

• Setelah pembelajaran hari ini, bagaimana cara kamu membedakan sistem yang menggunakan Supervised Learning dengan Unsupervised Learning?
• Dari keempat jenis Machine Learning yang dipelajari, alur kerja jenis mana yang menurutmu paling unik dan mengapa?

Pertemuan 3 — Menjelaskan Alur Kerja Algoritma Machine Learning dari Data Hingga Evaluasi — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.5.1 Menjelaskan konsep dasar-dasar algoritma Machine Learning beserta alur kerjanya

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran, dan membangun suasana siap belajar (3 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini, yaitu menjelaskan tahapan alur kerja algoritma Machine Learning mulai dari pengumpulan data hingga evaluasi model (4 menit).
• Guru melaksanakan asesmen awal diagnostik singkat secara lisan/tulis dengan meminta murid mengurutkan 5 tahapan acak alur kerja ML: (A) Melatih model, (B) Menyiapkan data, (C) Evaluasi model, (D) Memilih algoritma, (E) Mengumpulkan data [Acuan urutan tepat: E - B - D - A - C] (8 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Murid menyimak paparan guru dan mencermati diagram Gambar 5.1 Skema Kerja Machine Learning mengenai 5 tahapan utama alur kerja ML: (1) Pengumpulan data (data collection), (2) Penyiapan dan pembersihan data termasuk pembagian training data dan testing data (data preparation), (3) Pemilihan algoritma yang tepat (algorithm selection), (4) Pelatihan model (model training), dan (5) Pengujian/evaluasi model untuk memeriksa akurasi keluaran (model testing and evaluation) (15 menit).
• Murid secara berpasangan melakukan bedah konsep dengan membaca bahan ajar tentang fungsi masing-masing tahapan alur kerja dan mencatat mengapa data testing tidak boleh dicampur ke dalam proses training (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Guru membagi kelas ke dalam kelompok kecil (3-4 murid) untuk memainkan tantangan menggembirakan 'Pipeline ML Run', di mana tiap kelompok menerima 5 kartu tahapan dan 5 kartu deskripsi fungsi konkret lalu menyusunnya secara runtut di meja kerja (15 menit).
• Kelompok menyusun dan menjodohkan kartu tersebut. Rincian 5 kartu tahapan dan fungsi acuannya: Kartu 1 'Pengumpulan Data' berpasangan dengan 'Mencari dan menghimpun data mentah dari berbagai sumber'; Kartu 2 'Penyiapan Data' berpasangan dengan 'Membersihkan data hilang/inkonsisten dan membagi menjadi data latih dan data uji'; Kartu 3 'Pemilihan Algoritma' berpasangan dengan 'Menentukan metode matematis/komputasi yang sesuai fungsi klasifikasi atau regresi'; Kartu 4 'Pelatihan Model' berpasangan dengan 'Memproses data latih dengan algoritma agar mesin mengenali pola'; Kartu 5 'Evaluasi Model' berpasangan dengan 'Menguji kinerja model menggunakan data uji untuk mengukur kecocokan dan akurasi prediksi' (15 menit).
• Tiap kelompok secara bergantian menjelaskan alur kerja Machine Learning yang telah mereka susun berdasarkan skenario nyata (misalnya: sistem deteksi spam email atau sistem rekomendasi video) dengan memaparkan peran data training, algoritma, pembentukan model, dan peran data testing dalam evaluasi model (20 menit).

Merefleksi (Berkesadaran):

• Murid bersama guru memverifikasi ketepatan urutan alur kerja Machine Learning dan mendiskusikan konsekuensi jika salah satu tahapan dilewati (misalnya: model langsung dipakai tanpa evaluasi menghasilkan prediksi keliru) (15 menit).
• Murid secara mandiri menuliskan refleksi pemahaman alur kerja ML pada lembar kerja dan mengidentifikasi bagian mana dari alur kerja yang sudah dipahami dengan jelas dan mana yang memerlukan penguatan (10 menit).

Penutup:

• Guru memandu murid menyimpulkan 5 tahapan alur kerja algoritma Machine Learning dari data hingga evaluasi (5 menit).
• Guru memberikan asesmen akhir berupa cek pemahaman tertulis singkat (5 menit).
• Guru memberikan apresiasi atas partisipasi aktif seluruh murid, mengingatkan materi pertemuan berikutnya (penyiapan dataset dan fitur), serta menutup pembelajaran dengan doa dan salam (5 menit).

Diferensiasi:

• Konten: Menyediakan diagram alur visual bergambar alur kerja ML untuk murid yang membutuhkan visualisasi bertahap, dan lembar studi kasus teknis alur ML komprehensif bagi murid yang cepat memahami.
• Proses: Memberikan bimbingan terarah (scaffolding) bagi kelompok yang masih bingung membedakan peran data training dan data testing, serta memberikan tantangan menjelaskan skenario kesalahan (data leakage) bagi murid yang belajar lebih cepat.
• Produk: Format penjelasan alur kerja dapat berupa bagan skema tertulis beranotasi lengkap atau paparan lisan terstruktur sesuai kesiapan kelompok pada kompetensi menjelaskan alur kerja ML yang sama.

Asesmen Pertemuan:

Awal:

• Murid diminta mengurutkan 5 tahapan alur kerja Machine Learning yang disajikan secara acak: (A) Melatih model dengan data, (B) Menyiapkan dan membersihkan data, (C) Menguji dan mengevaluasi model, (D) Memilih algoritma yang sesuai, (E) Mengumpulkan data mentah. [Acuan kunci urutan benar: E -> B -> D -> A -> C].

Proses:

• Penilaian unjuk kerja kelompok saat menjodohkan dan menjelaskan 5 kartu alur kerja Machine Learning beserta fungsinya. Daftar kartu dan kunci acuan pasangan: (1) Pengumpulan Data -> 'Mencari dan menghimpun data mentah dari berbagai sumber'; (2) Penyiapan Data -> 'Membersihkan data hilang/inkonsisten dan membagi menjadi data latih dan data uji'; (3) Pemilihan Algoritma -> 'Menentukan metode matematis/komputasi yang sesuai fungsi klasifikasi atau regresi'; (4) Pelatihan Model -> 'Memproses data latih dengan algoritma agar mesin mengenali pola'; (5) Evaluasi Model -> 'Menguji kinerja model menggunakan data uji untuk mengukur kecocokan dan akurasi prediksi'.

Akhir Pertemuan:

• Cek pemahaman tertulis berupa 4 pertanyaan isian singkat: (1) Sebutkan tahapan alur kerja ML yang bertugas membersihkan nilai hilang dan membagi data latih-uji! [Acuan jawaban: Penyiapan/Pembersihan data (data preparation)]; (2) Apa nama tahapan di mana data training diproses dengan algoritma hingga menghasilkan model? [Acuan jawaban: Pelatihan model (model training)]; (3) Apa fungsi dari tahapan evaluasi model? [Acuan jawaban: Menguji kinerja/akurasi model menggunakan data testing]; (4) Mengapa data testing tidak boleh digunakan saat pelatihan model? [Acuan jawaban: Agar evaluasi objektif dan model tidak hanya menghafal data latihan].

Formatif:

• Asesmen awal: tes diagnostik mengurutkan 5 tahapan acak alur kerja ML pada lembar awal
• Asesmen proses: observasi keterlibatan kelompok dalam menyusun dan menjelaskan 5 pasangan kartu tahapan alur kerja Machine Learning pada permainan 'Pipeline ML Run'
• Asesmen akhir: tes cek pemahaman tertulis 4 butir mengenai tahapan alur kerja Machine Learning

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah aktivitas permainan kartu 'Pipeline ML Run' efektif membantu murid mengonstruksi pemahaman tahapan alur kerja Machine Learning?
• Apakah seluruh kelompok berhasil membedakan dengan tegas peran data training pada tahap pelatihan dan data testing pada tahap evaluasi?

Murid:

• Tahapan mana dalam alur kerja Machine Learning yang menurutmu paling krusial untuk menentukan keberhasilan sebuah model kecerdasan artifisial?
• Bagian alur kerja mana yang masih terasa membingungkan bagimu, dan bagaimana rencanamu untuk memperdalamnya?

Pertemuan 4 — Menerapkan Penyiapan Dataset dan Fitur Machine Learning untuk Prediksi — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.5.2 Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi

Pendahuluan:

• Guru membuka pembelajaran dengan salam, memeriksa kehadiran murid, dan menyampaikan tujuan pembelajaran pertemuan ini, yaitu menerapkan penyiapan dataset dan rekayasa fitur untuk prediksi Machine Learning (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat: murid diminta menjawab secara lisan 2 pertanyaan acuan: (1) 'Apa sebutan variabel data masukan dan target keluaran dalam supervised learning?' (acuan: masukan = fitur/variabel independen; keluaran = label/target/variabel dependen) dan (2) 'Apa yang harus dilakukan jika ada baris data numerik yang bernilai kosong (missing value)?' (acuan: dihapus barisnya/drop atau diisi nilai pengganti/imputasi seperti mean/median) (10 menit).
• Guru memberikan apersepsi kontekstual mengenai pentingnya dataset yang bersih dalam pipeline Machine Learning sebelum model prediksi dilatih (5 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid menyimak pemaparan guru tentang struktur dataset tabular Machine Learning untuk tugas prediksi: membedakan kolom fitur (X) dan kolom target/label (y), menangani missing value, serta melakukan encoding data kategorikal menjadi numerik (15 menit).
• Prinsip Menggembirakan diwujudkan melalui 'Tantangan Detektif Data Mentah': secara berpasangan, murid menelaah cuplikan 4 baris data mentah 'Prediksi Kelolosan Beasiswa' yang sengaja memiliki kecacatan data (baris 1 nilai kosong IPK, baris 2 format teks 'Tinggi' pada kolom numerik, baris 3 label target tidak konsisten, baris 4 data valid), lalu murid berlomba menandai baris rusak tercepat (15 menit).

Mengaplikasi (Bermakna, Berkesadaran):

• Murid bekerja dalam kelompok (3-4 orang) membuka lembar kerja berbasis Python/Google Colab untuk melakukan penyiapan dataset 'Prediksi Harga Rumah Bekas' yang terdiri atas 6 kolom: Luas_Tanah (numerik), Jml_Kamar (numerik), Jarak_Pusat_Kota (numerik), Ada_Garasi (kategorikal: 'Ya'/'Tidak'), Lokasi (kategorikal: 'Pusat'/'Pinggiran'), dan Harga_Jual (target prediksi) (20 menit).
• Murid menerapkan tahapan data cleaning: mendeteksi dan mengisi missing value pada kolom Luas_Tanah menggunakan nilai rata-rata (mean imputasi), serta menghapus baris duplikat (15 menit).
• Murid menerapkan tahapan feature engineering dan pemisahan fitur-target: mengubah nilai kategorikal Ada_Garasi menjadi biner (Ya=1, Tidak=0), memisahkan DataFrame menjadi matriks fitur X (Luas_Tanah, Jml_Kamar, Jarak_Pusat_Kota, Ada_Garasi, Lokasi) dan vektor target y (Harga_Jual) (10 menit).
• Murid membagi dataset menjadi data latih (training set) dan data uji (testing set) dengan proporsi 80:20 menggunakan fungsi train_test_split untuk persiapan pelatihan model prediksi (15 menit).

Merefleksi (Berkesadaran):

• Murid mengevaluasi kesiapan dataset hasil penyiapan kelompoknya dengan memeriksa dimensi bentuk data (X_train.shape, X_test.shape, y_train.shape, y_test.shape) dan memastikan tidak ada lagi nilai null maupun data non-numerik sebelum masuk ke tahap pelatihan model (10 menit).

Penutup:

• Guru memberikan umpan balik terhadap hasil pengerjaan penyiapan dataset seluruh kelompok dan menegaskan hubungan kualitas dataset dengan akurasi prediksi model Machine Learning (10 menit).
• Guru dan murid menyimpulkan pembelajaran hari ini serta menyampaikan pengantar bahwa dataset yang telah disiapkan akan digunakan untuk melatih model regresi/klasifikasi pada Pertemuan 5 (5 menit).

Diferensiasi:

• Konten: Menyediakan dataset terstruktur dengan 1 variabel kosong untuk kelompok yang membutuhkan bimbingan, dan dataset dengan multiple missing values serta beberapa kolom kategorikal kompleks untuk kelompok yang mahir.
• Proses: Guru mendampingi secara intensif kelompok yang kesulitan dalam sintaks pandas (fillna, dropna, get_dummies/mapping), sedangkan kelompok yang cepat diarahkan mencoba normalisasi fitur numerik menggunakan StandardScaler.
• Produk: Format luaran berupa notebook Python terstruktur yang menampilkan DataFrame sebelum dan sesudah penyiapan data beserta matriks X_train, X_test, y_train, y_test.

Asesmen Pertemuan:

Awal:

• Tanya jawab diagnostik di awal pembelajaran tentang konsep komponen dataset (fitur vs label) dan penanganan nilai kosong. Butir 1: 'Apa perbedaan fitur dan target/label dalam dataset Machine Learning?' (Acuan: Fitur adalah variabel atribut masukan yang dipakai memprediksi; target/label adalah variabel luaran yang diprediksi). Butir 2: 'Sebutkan 2 cara menangani data hilang (missing values)!' (Acuan: Menghapus baris/kolom terkait [dropna] atau mengisi nilai pengganti mean/median/modus [imputasi]).

Proses:

• Formatif praktik langsung penyiapan dataset pada Lembar Kerja: Murid dinilai ketepatannya dalam: (1) Mengatasi 3 missing values pada kolom numerik (acuan: kolom Luas_Tanah terisi nilai mean); (2) Melakukan encoding pada kolom Ada_Garasi (acuan: nilai 'Ya'->1, 'Tidak'->0); (3) Memisahkan X dan y (acuan: X memuat 5 kolom prediktor, y memuat 1 kolom Harga_Jual); (4) Melakukan split dataset rasio 80:20 (acuan: train_test_split test_size=0.2 menghasilkan dimensi data latih 80% dan data uji 20%).

Akhir Pertemuan:

• Cek pemahaman di akhir sesi: Murid menuliskan output shape dari dataset yang telah dibagi pada formulir ringkas. Kriteria penerimaan operasional: Murid menuliskan dengan benar dimensi matriks X_train (80 baris x 5 kolom), X_test (20 baris x 5 kolom), y_train (80 baris), dan y_test (20 baris) dari total 100 baris dataset awal tanpa ada missing value tersisa.

Formatif:

• Observasi unjuk kerja saat kelompok menerapkan tahapan penyiapan dataset (pembersihan, pemisahan fitur-target, train-test split)
• Pemeriksaan lembar kerja script Python penyiapan dataset prediksi

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah murid dapat memahami alur transformasi data mentah menjadi data yang siap dilatih untuk algoritma Machine Learning?
• Bagian mana dari proses coding penyiapan dataset (imputasi, encoding, pemisahan X-y) yang paling banyak membutuhkan pendampingan?

Murid:

• Apa tantangan terbesar yang kamu hadapi saat memeriksa dan membersihkan data yang rusak/kosong?
• Mengapa pemisahan antara data fitur (X) dan label (y) sangat menentukan keberhasilan prediksi Machine Learning?

Pertemuan 5 — Menerapkan Pelatihan Model Dasar Algoritma Machine Learning untuk Prediksi — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.2 Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan belajar, dan menyampaikan tujuan pertemuan ke-5, yaitu menerapkan pelatihan model dasar algoritma Machine Learning (Linear Regression dan Decision Tree/k-NN sederhana menggunakan Scikit-Learn) untuk prediksi (5 menit).
• Guru melakukan asesmen diagnostik cepat melalui 2 butir pertanyaan di layar: (1) Sebutkan fungsi pemisahan data menjadi data latih (X_train, y_train) dan data uji (X_test, y_test); (2) Perintah pustaka Scikit-Learn apa yang umum digunakan untuk melatih model terhadap data latih? (Acuan: (1) Data latih untuk membentuk pola/bobot model, data uji untuk menguji akurasi model pada data baru; (2) method .fit(X_train, y_train)) (10 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Menggembirakan):

• Murid menyimak demonstrasi guru tentang sintaks inisialisasi model dan perintah .fit() pada Scikit-Learn menggunakan dataset numerik sederhana (fitur luas rumah terhadap harga rumah) secara fokus dan terstruktur (15 menit).
• Murid secara berpasangan mengikuti kuis tebak alur kode pelatihan model 'Tebak Sintaks ML' dengan mencocokkan potongan fungsi pemanggilan model `model = LinearRegression()` dan pelatihan `model.fit(X_train, y_train)` untuk memastikan logika sintaksis dipahami secara riang dan interaktif (10 menit).

Mengaplikasi (Bermakna):

• Murid membuka Google Colab/Jupyter Notebook dan memuat dataset latihan yang telah disiapkan (fitur jam belajar dan nilai ujian; 4 baris data latih: X_train = [[1], [2], [3], [4]], y_train = [50, 60, 70, 80]) (15 menit).
• Murid menuliskan dan mengeksekusi kode program Python untuk menerapkan pelatihan model dasar: (1) inisialisasi objek model algoritma Machine Learning (`LinearRegression()`); (2) proses fitting/pelatihan model menggunakan `model.fit(X_train, y_train)`; serta (3) menjalankan fungsi prediksi dasar `model.predict([[5]])` untuk memperoleh nilai prediksi target (acuan nilai tepat: 90) (20 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa apakah eksekusi kode berjalan tanpa error, membandingkan hasil keluaran prediksi model dengan perhitungan logika tren data, dan mencatat evaluasi proses fitting yang dilakukan (5 menit).

Penutup:

• Murid dan guru menyimpulkan alur sintaks pelatihan model dasar Machine Learning (impor modul -> inisialisasi model -> fitting model dengan data latih -> eksekusi prediksi dasar) (5 menit).
• Guru memberikan penguatan terhadap pencapaian belajar dan mengingatkan murid bahwa hasil model yang dilatih ini akan digunakan pada pertemuan 6 untuk prediksi data uji baru serta pengambilan bukti unjuk kerja rotasi sesi 1 (5 menit).

Diferensiasi:

• Konten: Menyediakan template skrip Python lengkap dengan komentar penjelas bagi murid yang memerlukan bimbingan sintaks, serta dataset tambahan bervariasi 2 fitur bagi murid yang telah mahir.
• Proses: Murid yang membutuhkan bimbingan diberikan panduan sintaks per baris (scaffolding), sedangkan murid mahir dapat langsung melakukan inisialisasi dan fitting model algoritma lain (misal: KNeighborsRegressor atau DecisionTreeRegressor).
• Produk: Seluruh murid menghasilkan keluaran kode hasil pelatihan model dasar yang dapat mengeksekusi fungsi .fit() dan menghasilkan output nilai prediksi numerik.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik: (1) Sebutkan tujuan pemisahan data training dan testing! (Acuan: data training untuk melatih/membentuk model, data testing untuk mengevaluasi kinerja model); (2) Perintah fungsi apa dalam pustaka Scikit-Learn Python yang digunakan untuk proses pelatihan model terhadap data latih? (Acuan: method .fit(X_train, y_train)).

Proses:

• Pengamatan langsung saat murid menerapkan penulisan sintaks pelatihan model pada notebook: (1) Ketepatan mengimpor dan menginisialisasi model algoritma; (2) Ketepatan memanggil fungsi fitting `.fit(X_train, y_train)` tanpa pesan galat/error; (3) Ketepatan menjalankan fungsi `.predict()` untuk menghasilkan nilai prediksi keluaran (Acuan: baris X_train=[[1],[2],[3],[4]], y_train=[50,60,70,80], input prediksi [[5]] menghasilkan nilai 90).

Akhir Pertemuan:

• Pengecekan hasil keluaran kode (output execution cell) pada Google Colab/Jupyter Notebook murid: eksekusi fungsi .fit(X_train, y_train) berhasil dijalankan tanpa galat sintaks dan nilai prediksi untuk masukan jam belajar 5 bernilai tepat 90 (Acuan: model berhasil terlatih dan mengeluarkan prediksi numerik 90).

Formatif:

• Tes diagnostik singkat sintaks fitting ML di awal pertemuan
• Lembar observasi unjuk kerja penulisan kode pelatihan model (inisialisasi, fitting .fit(), dan pemanggilan .predict())

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh murid berhasil memahami hubungan antara data latih (X_train, y_train) dengan fungsi fitting model .fit()?
• Bagian sintaks pemodelan mana yang paling sering menimbulkan galat pada pengerjaan murid dan bagaimana perbaikannya untuk sesi berikutnya?

Murid:

• Langkah apa yang menurutmu paling krusial saat melatih model Machine Learning menggunakan fungsi .fit()?
• Apakah kamu dapat melihat bagaimana data latih yang diberikan memengaruhi hasil tebakan/prediksi model pada data baru?

Pertemuan 6 — Menerapkan Dasar-Dasar Algoritma Machine Learning untuk Prediksi Data Baru serta Pengambilan Bukti Rotasi Sesi 1 (14 Murid) — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.2 Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran murid, dan menyampaikan tujuan pembelajaran yaitu menerapkan model Machine Learning yang telah dilatih pada pertemuan sebelumnya untuk memprediksi data baru (input baru) serta pelaksanaan rotasi asesmen performa sesi 1 untuk 14 murid (5 menit).
• Guru melaksanakan asesmen diagnostik singkat dengan menampilkan 2 baris kode pemanggilan fungsi prediksi: (1) 'model.fit(X_train, y_train)' dan (2) 'model.predict(X_baru)', lalu meminta murid mengangkat tangan untuk memilih kode mana yang berfungsi melakukan inferensi/prediksi data baru (acuan: baris 2 adalah fungsi prediksi, sedangkan baris 1 adalah pelatihan model) (5 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Menggembirakan):

• Murid menyimak demonstrasi guru tentang struktur data masukan baru berupa larik 2 dimensi (2D array/DataFrame) dengan jumlah dan urutan fitur yang identik dengan data latih (misalnya fitur: [Luas_Bangunan, Jumlah_Kamar] dengan nilai baru [[60, 2]]), serta sintaks pengeksekusian prediksi menggunakan 'prediksi = model.predict([[60, 2]])' (10 menit).
• Murid mengikuti tantangan tebak sintaks cepat di layar proyektor untuk mengidentifikasi kesalahan sintaks pada 2 contoh input: Contoh A 'model.predict([60, 2])' dan Contoh B 'model.predict([[60, 2]])', di mana murid secara antusias menganalisis bahwa Contoh A keliru karena berupa larik 1D dan Contoh B benar berupa larik 2D sesuai standar library Scikit-Learn (prinsip Menggembirakan) (10 menit).

Mengaplikasi (Bermakna):

• Guru membagi kelas menjadi dua alur kerja: 14 murid pada Sesi 1 maju secara bergantian ke stasiun uji guru untuk demonstrasi langsung eksekusi prediksi data baru (Rotasi Sesi 1), sementara 14 murid lainnya bekerja mandiri di perangkat masing-masing menyelesaikan lembar kerja penerapan prediksi data baru (35 menit).
• Dalam pengerjaan mandiri dan demonstrasi rotasi, setiap murid memasukkan 3 instans data baru ke dalam script Python model Machine Learning yang telah dilatih pada Pertemuan 5: Data Baru 1 [[36, 2]], Data Baru 2 [[72, 3]], dan Data Baru 3 [[120, 4]] untuk menghasilkan nilai prediksi target harga rumah (acuan tepat: output target berupa nilai numerik terprediksi yang dihasilkan fungsi model.predict() tanpa pesan galat/error dimensi data) (prinsip Bermakna) (10 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa keselarasan antara output prediksi yang keluar pada terminal/notebook dengan input data baru yang diberikan, mencatat apakah tren prediksi masuk akal berdasarkan data latih (misalnya semakin besar luas dan jumlah kamar, prediksi target semakin meningkat) (prinsip Berkesadaran) (5 menit).

Penutup:

• Murid dan guru menyimpulkan alur teknis penerapan model Machine Learning untuk prediksi data baru: penyiapan data baru berdimensi 2D, pemanggilan model.predict(), dan pembacaan label/nilai hasil prediksi (5 menit).
• Guru memberikan umpan balik atas performa pengambilan bukti rotasi Sesi 1 (14 murid), mengingatkan 14 murid sisanya untuk mempersiapkan demonstrasi rotasi pada Pertemuan 12, dan menutup sesi pembelajaran dengan doa serta salam (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan kartu panduan format larik 2D Scikit-Learn '[[fitur1, fitur2]]'; murid yang telah mahir diberikan dataset uji dengan 4 fitur prediktor numerik.
• Proses: Pada saat rotasi sesi 1, guru memberikan scaffolding bertahap bagi murid yang mengalami galat bentuk dimensi data (shape mismatch) saat memanggil method predict.
• Produk: Seluruh murid menghasilkan bukti eksekusi kode script prediksi data baru yang menampilkan input data uji dan hasil keluaran nilai prediksi pada layar.

Asesmen Pertemuan:

Awal:

• Identifikasi fungsi kode: Guru menampilkan 2 opsi sintaks Scikit-Learn: (1) 'model.fit(X, y)' dan (2) 'model.predict(X_baru)'. Murid diminta menentukan sintaks untuk melakukan prediksi terhadap data baru. (Acuan jawaban: Opsi (2) 'model.predict(X_baru)' adalah pemanggilan fungsi inferensi/prediksi data baru, sedangkan opsi (1) adalah fungsi melatih model).

Proses:

• Pengamatan unjuk kerja dan verifikasi script Python prediksi data baru pada 3 instans data: Data Baru 1 [[36, 2]], Data Baru 2 [[72, 3]], dan Data Baru 3 [[120, 4]]. Kriteria ketepatan: script berhasil dieksekusi tanpa error shape/dimensi, menggunakan sintaks model.predict(), dan mencetak hasil prediksi target untuk ketiga instans data tersebut secara lengkap.

Akhir Pertemuan:

• Cek pemahaman 1 pertanyaan di akhir sesi: 'Jika kita ingin memprediksi harga rumah dengan luas 90 m2 dan 3 kamar tidur menggunakan model Machine Learning yang sudah dilatih, tuliskan satu baris kode Scikit-Learn yang tepat!' (Acuan jawaban: 'model.predict([[90, 3]])' atau variabel input 2D yang ekuivalen).

Formatif:

• Tes diagnostik 2 baris kode prediksi vs latih
• Unjuk kerja penerapan model Machine Learning untuk memprediksi 3 data baru (Rotasi Sesi 1 untuk 14 murid dan lembar kerja mandiri)

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu rotasi sesi 1 cukup efektif untuk menilai unjuk kerja prediksi Machine Learning 14 murid secara individual?
• Bagian mana dari penyiapan input data baru (larik 2 dimensi) yang paling sering menimbulkan kendala teknis bagi murid?

Murid:

• Apakah saya sudah memahami perbedaan mendasar antara tahap melatih model (fit) dan tahap melakukan prediksi (predict) pada Machine Learning?
• Kendala apa yang saya alami saat memformat nilai fitur baru ke dalam bentuk input prediksi Python?

Pertemuan 7 — Menjelaskan Konsep Dasar Natural Language Processing dan Karakteristik Data Teks — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.3 Menjelaskan dasar-dasar Natural Language Processing beserta komponen-komponennya

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran murid, dan menciptakan suasana belajar yang kondusif (3 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini, yaitu menjelaskan konsep dasar Natural Language Processing (NLP) dan karakteristik data teks dalam kecerdasan artifisial (2 menit).
• Guru melaksanakan asesmen awal diagnostik melalui 2 pertanyaan lisan terarah di papan tulis: (1) Apa kepanjangan dari NLP dan fungsinya secara umum? (acuan: Natural Language Processing; bidang kecerdasan artifisial yang memungkinkan komputer memahami, memaknai, dan mengolah bahasa manusia); (2) Apakah komputer dapat langsung memahami teks secara alami seperti manusia? Jelaskan alasannya! (acuan: Tidak dapat, karena komputer hanya memproses angka biner/numerik sehingga data teks bersifat tak terstruktur dan harus diubah menjadi representasi matematis) (5 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Guru menyajikan materi esensial mengenai konsep dasar Natural Language Processing (NLP) sebagai cabang kecerdasan artifisial yang memfasilitasi interaksi bahasa alami antara manusia dan komputer, serta menjelaskan karakteristik data teks sebagai data tidak terstruktur (unstructured data) yang penuh ambiguitas, variasi tata bahasa, dan konteks (15 menit).
• Murid mencatat dan mengidentifikasi perbedaan mendasar antara data terstruktur (berupa tabel angka/fitur numerik pada Machine Learning sebelumnya) dengan data teks tak terstruktur melalui pemodelan contoh sederhana yang disajikan guru di papan tulis (10 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Guru membagikan Lembar Aktivitas Tantangan Karakteristik Teks yang memuat 4 butir studi kasus teks manusia untuk dianalisis tantangannya bagi komputer: Butir 1: Kata polisemi 'Bisa' ('Bisa ular itu beracun' vs 'Saya bisa berenang'); Butir 2: Slang/singkatan 'Gk bs dtg bsk'; Butir 3: Sarkasme 'Bagus sekali nilaimu sampai dapat nilai nol'; Butir 4: Perbedaan tata bahasa terbalik 'Makan nasi' vs 'Rice eat' (10 menit).
• Murid secara berpasangan mengerjakan lembar aktivitas dengan menuliskan penjelasan penjelasan konseptual NLP dan alasan spesifik mengapa masing-masing dari ke-4 teks tersebut menantang untuk dipahami oleh komputer berdasarkan acuan: Butir 1 (ambiguitas makna kata/polisemi), Butir 2 (ketidakteraturan format/tata bahasa informal), Butir 3 (ketidaksesuaian makna harfiah dengan konteks sentimen/emosi), dan Butir 4 (struktur sintaksis bahasa yang berbeda) (15 menit).
• Dalam suasana menggembirakan, guru mengadakan kuis interaktif cepat 'Komputer vs Bahasa Manusia' di mana 3 perwakilan pasangan menebak kategori karakteristik teks dari kartu situasi yang dibacakan guru dengan cepat dan menyenangkan (10 menit).

Merefleksi (Berkesadaran):

• Murid memverifikasi hasil analisis lembar kerjanya bersama bimbingan guru dan merefleksikan pentingnya perlakuan khusus terhadap data teks sebelum dapat dipelajari oleh model kecerdasan artifisial (10 menit).

Penutup:

• Guru bersama murid menyimpulkan kembali konsep dasar Natural Language Processing serta 4 karakteristik utama data teks (ambiguitas, variasi format/slang, konteks makna/sarkasme, dan sintaksis) (7 menit).
• Guru menutup pertemuan dengan memberikan pengantar singkat bahwa pertemuan berikutnya akan mempelajari komponen-komponen pemrosesan NLP, serta berdoa bersama (3 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan kartu panduan glosarium istilah (data terstruktur vs tidak terstruktur, ambiguitas, konteks), sedangkan murid yang cepat diberikan teks kasus kalimat multilingual yang memadukan bahasa daerah dan bahasa Indonesia.
• Proses: Murid yang memerlukan pendampingan dibimbing guru secara terarah saat membedakan makna polisemi kata, sedangkan murid yang lebih mahir bekerja mandiri merumuskan penjelasan rinci.
• Produk: Seluruh murid menyajikan hasil tertulis pada format lembar kerja yang sama mengenai penjelasan konsep NLP dan analisis 4 karakteristik teks.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik tertulis/lisan: (1) Sebutkan kepanjangan dari NLP beserta fungsinya! (Acuan: Natural Language Processing; bidang kecerdasan artifisial yang memungkinkan komputer mengerti, menafsirkan, dan memanipulasi bahasa manusia); (2) Mengapa komputer secara bawaan tidak dapat membaca kalimat seperti manusia? (Acuan: Komputer bekerja dengan logika biner numerik 0 dan 1, sedangkan kalimat manusia adalah data tidak terstruktur yang memiliki arti kontekstual).

Proses:

• Pemeriksaan ketepatan penjelasan pada Lembar Aktivitas Tantangan Karakteristik Teks untuk 4 butir: (1) Kata 'bisa' (Acuan: Ambiguitas makna/polisemi dalam konteks berbeda); (2) Kalimat 'Gk bs dtg bsk' (Acuan: Data teks tak terstruktur, singkatan informal/slang); (3) Kalimat 'Bagus sekali nilaimu sampai dapat nilai nol' (Acuan: Makna kontekstual berlawanan/sarkasme); (4) Frasa 'Makan nasi' vs 'Rice eat' (Acuan: Aturan tata bahasa/sintaksis yang bervariasi).

Akhir Pertemuan:

• Cek pemahaman di akhir sesi: Murid menuliskan secara mandiri rangkuman 1 paragraf yang menjelaskan definisi dasar NLP dan mengapa data teks dikategorikan sebagai data tidak terstruktur (Kriteria penerimaan operasional: Paragraf memuat kata kunci pemrosesan bahasa manusia oleh mesin dan penjelasan bahwa teks tidak memiliki format matriks/tabel angka baku sehingga memerlukan interpretasi khusus).

Formatif:

• Tanya jawab diagnostik di awal pembelajaran tentang konsep NLP dan sifat data biner komputer.
• Penilaian proses lembar kerja analisis karakteristik data teks (4 butir studi kasus) dan partisipasi dalam kuis interaktif.

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah strategi pemodelan studi kasus nyata efektif membantu murid memahami alasan data teks tergolong data tak terstruktur?
• Apakah alokasi waktu 90 menit terlaksana dengan seimbang antara penjelasan konsep dasar dan aktivitas analisis kasus teks?

Murid:

• Bagian mana dari karakteristik bahasa manusia yang menurutmu paling sulit dipahami oleh sistem komputer?
• Bagaimana pemahaman konsep dasar NLP hari ini membantumu memahami cara kerja asisten virtual atau aplikasi penerjemah?

Pertemuan 8 — Menjelaskan Komponen-Komponen Natural Language Processing dalam Pemrosesan Bahasa — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.3 Menjelaskan dasar-dasar Natural Language Processing beserta komponen-komponennya

Pendahuluan:

• Guru membuka kelas dengan salam, menyapa murid, memeriksa kehadiran, dan memandu doa bersama (3 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini, yaitu menjelaskan 4 komponen utama Natural Language Processing (NLP): Tokenisasi, Stopword Removal, Part-of-Speech (POS) Tagging, dan Named Entity Recognition (NER) (2 menit).
• Guru melaksanakan asesmen awal diagnostik melalui 2 pertanyaan lisan terarah: (1) 'Apa istilah pemecahan kalimat menjadi potongan kata?' (acuan: tokenisasi), dan (2) 'Mengapa kata seperti di, ke, dan sering diabaikan dalam analisis teks?' (acuan: stopword removal/kata hubung umum yang tidak bermakna spesifik) untuk memetakan pemahaman awal murid (10 menit).

Kegiatan Inti:

Memahami (Bermakna):

• Guru memaparkan konsep 4 komponen NLP menggunakan media visual grafis: (1) Tokenisasi: pemecahan teks menjadi potongan kata/frasa (token); (2) Stopword Removal: pemilahan dan penyaringan kata-kata umum/penghubung yang tidak memiliki informasi inti; (3) Part-of-Speech (POS) Tagging: pelabelan kelas/fungsi kata (nomina, verba, adjektiva); (4) Named Entity Recognition (NER): pengenalan dan klasifikasi entitas nama khusus (nama tokoh/person, lokasi, organisasi, waktu) (15 menit).
• Murid mencatat penjelasan konsep serta mengamati contoh konkret teks: 'Jokowi meresmikan jembatan di Papua pada hari Senin' yang diuraikan fungsinya ke dalam 4 komponen tersebut (10 menit).

Mengaplikasi (Menggembirakan):

• Guru membagi murid ke dalam pasangan untuk mengikuti tantangan edukatif berpasangan 'Komponen NLP Match-Up' di mana murid mencocokkan 4 skenario pemrosesan teks dengan komponen NLP yang sesuai: Skenario A ('Memecah kalimat "Mobil melaju kencang" menjadi [Mobil], [melaju], [kencang]'), Skenario B ('Menghapus kata "yang", "di", dan "ke" dari korpus'), Skenario C ('Memberi label kata "berlari" sebagai Verba dan "kucing" sebagai Nomina'), Skenario D ('Mendeteksi bahwa "Jakarta" adalah entitas Lokasi dan "Google" adalah entitas Organisasi') (15 menit).
• Setiap murid secara mandiri mengerjakan Lembar Analisis Komponen NLP berisi 4 soal tertulis untuk menjelaskan fungsi dan output dari masing-masing komponen (Tokenisasi, Stopword Removal, POS Tagging, NER) pada kalimat uji: 'Presiden Joko Widodo mengunjungi IKN di Kalimantan Timur' (acuan kunci: Tokenisasi menghasilkan daftar potongan kata; Stopword Removal membuang kata tugas 'di'; POS Tagging melabeli 'Joko Widodo' sebagai nomina/nama diri dan 'mengunjungi' sebagai verba; NER mengelompokkan 'Joko Widodo' sebagai Person dan 'IKN/Kalimantan Timur' sebagai Location) (20 menit).

Merefleksi (Berkesadaran):

• Murid bersama guru membahas hasil lembar analisis dan memverifikasi ketepatan penjelasan masing-masing komponen NLP secara sadar dan runtut (10 menit).

Penutup:

• Murid menyimpulkan peranan penting masing-masing komponen NLP dalam mengubah bahasa alami manusia menjadi bentuk yang terstruktur untuk pemrosesan komputer (3 menit).
• Guru memberikan penguatan terhadap pencapaian materi, menginformasikan bahwa pertemuan berikutnya akan membahas penerapan teknis prapemrosesan teks, serta menutup pertemuan dengan doa dan salam (2 menit).

Diferensiasi:

• Konten: Menyediakan lembar bantu visual alur komponen NLP bagi murid yang membutuhkan penguatan konsep dasar.
• Proses: Murid yang telah memahami dengan cepat diberikan tantangan menganalisis fungsi komponen NLP pada kalimat majemuk yang lebih kompleks, sedangkan murid yang membutuhkan bimbingan didampingi dengan kalimat tunggal sederhana.
• Produk: Uraian penjelasan fungsi komponen NLP dapat berupa narasi teks tertulis berstruktur atau bagan alir penjelasan komponen.

Asesmen Pertemuan:

Awal:

• Tanya jawab diagnostik lisan: Guru menanyakan (1) 'Apa nama proses pemecahan kalimat menjadi kata-kata tunggal?' (acuan kunci: tokenisasi) dan (2) 'Mengapa kata sambung seperti dan, di, dari diabaikan dalam pemrosesan teks?' (acuan kunci: stopword removal / kata tugas yang tidak membawa informasi makna esensial).

Proses:

• Pengecekan ketepatan murid saat mencocokkan skenario pemrosesan teks dalam aktivitas tantangan 'Komponen NLP Match-Up' (acuan kunci: Skenario A = Tokenisasi; Skenario B = Stopword Removal; Skenario C = POS Tagging; Skenario D = Named Entity Recognition/NER).
• Pemeriksaan kemandirian dan ketepatan penjelasan fungsi 4 komponen NLP pada Lembar Analisis Komponen NLP berdasarkan kalimat uji 'Presiden Joko Widodo mengunjungi IKN di Kalimantan Timur' (acuan kunci: Tokenisasi memecah teks menjadi token individual; Stopword Removal menyaring/menghilangkan kata hubung 'di'; POS Tagging menandai kelas gramatikal kata seperti verba pada 'mengunjungi'; NER mengidentifikasi entitas nama 'Joko Widodo' sebagai Person dan 'IKN'/'Kalimantan Timur' sebagai Lokasi).

Akhir Pertemuan:

• Cek pemahaman akhir: Murid menuliskan 1 penjelasan ringkas mengenai perbedaan peran POS Tagging dan NER (acuan kriteria: POS Tagging menjelaskan kelas gramatikal kata seperti nomina/verba, sedangkan NER mengidentifikasi kategori entitas dunia nyata seperti nama orang, tempat, atau organisasi).

Formatif:

• Tanya jawab diagnostik awal pada fase pendahuluan
• Observasi unjuk pemahaman pada tantangan berpasangan 'Komponen NLP Match-Up'
• Penilaian lembar analisis tertulis penjelasan 4 komponen NLP

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah penggunaan contoh kalimat nyata memudahkan murid memahami perbedaan fungsi komponen POS Tagging dan NER?
• Apakah alokasi waktu 90 menit mencukupi bagi semua murid untuk memahami dan menjelaskan keempat komponen NLP?

Murid:

• Komponen NLP mana yang menurutmu paling mudah dipahami dan mana yang paling rumit perannya?
• Mengapa komputer memerlukan bantuan komponen seperti tokenisasi dan penandaan entitas dalam memproses bahasa manusia?

Pertemuan 9 — Menerapkan Tahapan Prapemrosesan Teks Case Folding dan Pembersihan Teks Berbasis Python — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.4 Menerapkan dasar-dasar Natural Language Processing melalui tahapan prapemrosesan teks

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan belajar murid, dan menyampaikan tujuan pembelajaran mengenai penerapan tahapan prapemrosesan teks case folding dan pembersihan teks (text cleaning) menggunakan Python (5 menit).
• Guru melaksanakan asesmen awal singkat untuk mendiagnosis kesiapan murid mengenai pemahaman manipulasi string dasar di Python: (1) Fungsi Python untuk mengubah string menjadi huruf kecil semua adalah? (Acuan: lower()); (2) Modul bawaan Python yang biasa digunakan untuk pembersihan pola teks/regular expression adalah? (Acuan: re). Murid menjawab secara lisan/cepat di buku catatan masing-masing (5 menit).

Kegiatan Inti:

Memahami (Bermakna, Berkesadaran):

• Guru mendemonstrasikan perbandingan luaran string di interpreter Python antara string asli yang memuat huruf kapital tidak beraturan serta karakter non-alfanumerik dengan string yang telah melalui proses lower() dan regex re.sub(r'[^a-zA-Z\s]', '', teks) (10 menit).
• Murid secara individu mengamati perbedaan hasil pemrosesan string pada layar dan mencatat konsep dasar bahwa case folding berfungsi menyamakan representasi kata, sedangkan pembersihan teks membuang derau karakter yang tidak relevan dalam pemrosesan teks Natural Language Processing (10 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid mengikuti tantangan permainan pemrograman berpasangan 'Clean The Messy Text Challenge' di komputer/laptop masing-masing: murid menguji kode skrip Python untuk membersihkan kalimat kotor acak secara interaktif dan serentak guna mencocokkan hasil string bersih tercepat (15 menit).
• Murid mengerjakan Lembar Kerja Praktik menerapkan fungsi case folding (.lower()) dan pembersihan teks (menggunakan modul re atau fungsi string Python) pada 3 sampel data teks mentah berikut: (1) Kalimat: 'Promo DISKON 50%!! Chat: 0812-9999 @kopi_enak.' -> (Acuan hasil: 'promo diskon chat kopi_enak' atau 'promo diskon chat kopienak' bergantung pembersihan regex); (2) Kalimat: 'Wah, tempatnya NyAman & Luas Sekali...:) #rekomendasi' -> (Acuan hasil: 'wah tempatnya nyaman luas sekali rekomendasi'); (3) Kalimat: 'Pengiriman SUPER Cepat!! Bintang 5/5 ⭐ mantap.' -> (Acuan hasil: 'pengiriman super cepat bintang mantap') (25 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa kesesuaian luaran program Python masing-masing dengan acuan pembersihan teks yang benar, lalu mengevaluasi baris kode regular expression atau fungsi pembersihan teks yang paling efektif dan ringkas (10 menit).

Penutup:

• Guru bersama murid menyimpulkan prinsip kerja dan peran penting case folding serta pembersihan teks dalam tahapan awal Natural Language Processing berbasis Python (5 menit).
• Guru memberikan penguatan terhadap hasil kerja murid, memberikan tugas tindak lanjut eksplorasi mandiri pra-tokenisasi untuk pertemuan berikutnya, serta menutup kegiatan belajar dengan salam (5 menit).

Diferensiasi:

• Konten: Menyediakan contoh potongan kode dasar metode.lower() dan re.sub() untuk murid yang memerlukan bimbingan, serta menyediakan sampel teks mentah dengan variasi karakter unicode/simbol kompleks bagi murid yang belajar lebih cepat.
• Proses: Murid yang membutuhkan scaffolding dipandu secara langkah-demi-langkah dalam menyusun regex dasar, sedangkan murid yang sudah mahir diarahkan langsung membuat fungsi modular (def clean_text(teks):) secara mandiri.
• Produk: Luaran skrip Python dapat berupa skrip baris tunggal prosedural bagi pemula atau fungsi berulang modular berantai (chained methods) bagi yang mahir.

Asesmen Pertemuan:

Awal:

• Diagnostik cepat pemahaman dasar fungsi string Python: (1) Apa fungsi Python untuk mengubah seluruh huruf string menjadi kecil? (Acuan jawaban benar: lower() atau .lower()); (2) Modul apa di Python yang dipakai untuk pembersihan pola teks regular expression? (Acuan jawaban benar: re)

Proses:

• Pemeriksaan ketepatan eksekusi kode Python pada 3 sampel data teks lembar kerja praktik: (1) Kalimat 'Promo DISKON 50%!! Chat: 0812-9999 @kopi_enak.' harus menjadi huruf kecil semua dan bebas angka/simbol tidak relevan; (2) Kalimat 'Wah, tempatnya NyAman & Luas Sekali... :) #rekomendasi' harus menjadi huruf kecil dan bebas tanda baca emotikon/hashtag; (3) Kalimat 'Pengiriman SUPER Cepat!! Bintang 5/5 ⭐ mantap.' harus menjadi huruf kecil tanpa tanda seru, garis miring, dan karakter non-alfanumerik

Akhir Pertemuan:

• Cek pemahaman mandiri di akhir pertemuan: Murid menuliskan satu baris kode Python untuk membersihkan string 'KODING & AI Fase-F!' menjadi 'koding ai fasef' (Acuan jawaban benar: menggunakan teks.lower() dan re.sub(r'[^a-zA-Z\s]', '', teks) atau metode replace string)

Formatif:

• Observasi unjuk kerja pemrograman saat menuliskan dan mengeksekusi kode case folding dan pembersihan teks Python di lembar kerja praktik

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu praktik pemrograman Python mencukupi bagi murid dalam memahami dan mempraktikkan fungsi regex dan case folding?
• Kendala teknis apa pada interpreter atau penulisan kode Python yang paling banyak ditemui murid saat membersihkan data teks mentah?

Murid:

• Bagian mana dari penulisan kode pembersihan teks dan case folding di Python yang paling menantang bagimu?
• Mengapa tahap case folding dan pembersihan teks sangat krusial sebelum teks diolah lebih lanjut oleh komputer?

Pertemuan 10 — Menerapkan Tahapan Prapemrosesan Teks Tokenisasi dan Stopword Removal Berbasis Python — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.4 Menerapkan dasar-dasar Natural Language Processing melalui tahapan prapemrosesan teks

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran murid, dan menciptakan suasana belajar yang kondusif di laboratorium komputer (3 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ini, yaitu menerapkan tahapan prapemrosesan teks berupa tokenisasi dan stopword removal menggunakan kode pemrograman Python (3 menit).
• Guru melaksanakan asesmen awal diagnostik singkat menggunakan 2 pertanyaan tertulis di papan tulis untuk memetakan kesiapan murid terkait konsep pemecahan teks dan penyaringan kata (acuan: Pertanyaan 1: 'Apa output pemisahan kata dari string "belajar koding seru"?' -> Kunci: ['belajar', 'koding', 'seru']; Pertanyaan 2: 'Dari daftar kata ["saya", "makan", "nasi", "di", "kantin"], manakah 2 kata fungsi yang termasuk stopword?' -> Kunci: 'saya' dan 'di') (9 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Menggembirakan):

• Murid menyimak demonstrasi guru tentang implementasi sintaks Python dasar untuk pemecahan string menjadi token (menggunakan fungsi .split() atau library NLTK/Sastrawi word_tokenize) serta logika pemfilteran daftar stopword (misal daftar kata sambung/tugas) (10 menit).
• Murid secara berpasangan berpartisipasi dalam 'Tantangan Cepat Detektif Token' (aktivitas menyenangkan): murid menerima 1 kalimat teka-teki 'robot pintar membaca buku di perpustakaan' dan berlomba menuliskan daftar token serta mencoret kata yang tergolong stopword di papan tulis mini (acuan: token = ['robot', 'pintar', 'membaca', 'buku', 'di', 'perpustakaan']; stopword yang dicoret = 'di'; hasil akhir = ['robot', 'pintar', 'membaca', 'buku', 'perpustakaan']) (10 menit).

Mengaplikasi (Bermakna):

• Murid secara mandiri membuka lembar kerja pemrograman Python di komputer masing-masing untuk mempraktikkan penulisan fungsi tokenisasi dan stopword removal (15 menit).
• Murid mengeksekusi kode Python untuk melakukan tokenisasi dan stopword removal pada Dataset Latihan 1: teks = 'layanan aplikasi ini sangat cepat tetapi admin kurang ramah di pesan' (acuan output tokenisasi: ['layanan', 'aplikasi', 'ini', 'sangat', 'cepat', 'tetapi', 'admin', 'kurang', 'ramah', 'di', 'pesan']; acuan kata stopword yang disaring: 'ini', 'sangat', 'tetapi', 'di'; acuan output akhir teks bersih: ['layanan', 'aplikasi', 'cepat', 'admin', 'kurang', 'ramah', 'pesan']) (15 menit).
• Murid melanjutkan pengujian kode Python pada Dataset Latihan 2: teks = 'model kecerdasan artifisial dapat mengenali pola teks dan suara dengan akurat' (acuan output tokenisasi: ['model', 'kecerdasan', 'artifisial', 'dapat', 'mengenali', 'pola', 'teks', 'dan', 'suara', 'dengan', 'akurat']; acuan kata stopword yang disaring: 'dapat', 'dan', 'dengan'; acuan output akhir teks bersih: ['model', 'kecerdasan', 'artifisial', 'mengenali', 'pola', 'teks', 'suara', 'akurat']) sembari guru berkeliling melakukan observasi formatif (15 menit).

Merefleksi (Berkesadaran):

• Murid memverifikasi kesesuaian output list token dan list token non-stopword pada terminal/notebook mereka dengan membandingkannya terhadap kunci parameter yang telah ditentukan di layar kelas (5 menit).

Penutup:

• Guru memberikan umpan balik umum terhadap galat pemrograman yang umum terjadi (seperti kesalahan penulisan sintaks list comprehension atau nama method library) serta mengonfirmasi ketercapaian penerapan tokenisasi dan stopword removal (3 menit).
• Murid merangkum langkah teknis prapemrosesan teks yang telah dipelajari dan guru menutup sesi pembelajaran dengan doa dan salam tanpa mengakhiri keseluruhan bab (2 menit).

Diferensiasi:

• Konten: Menyediakan template skrip Python rumpang bagi murid yang membutuhkan perancah struktur kode sintaksis, serta teks kalimat dengan ragam stopword lebih kompleks bagi murid yang mahir.
• Proses: Memberikan bimbingan langsung dalam penulisan sintaks pengkondisian `if word not in stop_words` bagi murid yang mengalami kendala teknis, sementara murid mahir menerapkan stopword removal dengan custom stopword list secara mandiri.
• Produk: Semua murid menghasilkan output list token dan list teks terfilter stopword pada kode Python, dengan variasi penulisan algoritma (fungsi bawaan string split atau library NLP).

Asesmen Pertemuan:

Awal:

• Soal tertulis singkat di awal pelajaran: (1) Pecahlah string 'belajar koding seru' menjadi daftar kata mandiri! (acuan kunci: ['belajar', 'koding', 'seru']); (2) Tentukan 2 kata stopword dari daftar ['saya', 'makan', 'nasi', 'di', 'kantin']! (acuan kunci: 'saya' dan 'di').

Proses:

• Pemeriksaan ketepatan eksekusi kode Python prapemrosesan teks pada 2 dataset: (1) Dataset Latihan 1 teks 'layanan aplikasi ini sangat cepat tetapi admin kurang ramah di pesan' menghasilkan output tokenisasi ['layanan', 'aplikasi', 'ini', 'sangat', 'cepat', 'tetapi', 'admin', 'kurang', 'ramah', 'di', 'pesan'] dan hasil stopword removal ['layanan', 'aplikasi', 'cepat', 'admin', 'kurang', 'ramah', 'pesan']; (2) Dataset Latihan 2 teks 'model kecerdasan artifisial dapat mengenali pola teks dan suara dengan akurat' menghasilkan output tokenisasi ['model', 'kecerdasan', 'artifisial', 'dapat', 'mengenali', 'pola', 'teks', 'dan', 'suara', 'dengan', 'akurat'] dan hasil stopword removal ['model', 'kecerdasan', 'artifisial', 'mengenali', 'pola', 'teks', 'suara', 'akurat'].

Akhir Pertemuan:

• Cek pemahaman teknis akhir sesi: Murid menuliskan 1 baris kode sintaks Python untuk menghapus stopword dari variabel list `tokens` menggunakan list comprehension (acuan kunci: `[kata for kata in tokens if kata not in stopwords]` atau implementasi loop ekuivalen yang tepat).

Formatif:

• Tes diagnostik awal 2 butir soal di pendahuluan mengenai pemecahan kata dan identifikasi kata tugas/stopword
• Observasi unjuk kerja pemrograman dan verifikasi kode eksekusi tahapan tokenisasi dan stopword removal pada latihan mandiri

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu praktik pemrograman Python cukup memfasilitasi seluruh murid dalam mengonstruksi kode tokenisasi dan stopword removal?
• Kendala sintaks pemrograman apa yang paling banyak dialami murid saat memfilter list kata stopword?

Murid:

• Bagian mana dari penulisan kode tokenisasi dan penghapusan stopword yang paling mudah dan paling menantang bagi saya?
• Bagaimana tahapan tokenisasi dan stopword removal membantu membuat representasi data teks menjadi lebih ringkas dan relevan?

Pertemuan 11 — Menerapkan Rangkaian Tahapan Prapemrosesan Teks Lengkap pada Data Teks — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.4 Menerapkan dasar-dasar Natural Language Processing melalui tahapan prapemrosesan teks

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran, dan memfasilitasi murid melakukan asesmen awal singkat untuk mengecek kesiapan penerapan urutan prapemrosesan teks: murid mengurutkan 4 tahapan prapemrosesan teks acak (Tokenisasi, Stopword Removal, Case Folding, Pembersihan Karakter/Punctuation Removal). Acuan urutan benar: 1. Case Folding, 2. Pembersihan Karakter/Punctuation Removal, 3. Tokenisasi, 4. Stopword Removal (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ke-11 yaitu menerapkan rangkaian lengkap 4 tahapan prapemrosesan teks (case folding, pembersihan karakter/tanda baca, tokenisasi, stopword removal) pada data teks mentah menggunakan Python di lingkungan Google Colab/Jupyter Notebook (5 menit).

Kegiatan Inti:

Memahami (Bermakna):

• Murid menyimak demonstrasi alur pemrosesan pipa (pipeline) data teks pada satu kalimat sampel: 'Wah!! Pelayanannya Sangat RAMAH & Cepat di Toko Ini.' dengan keluaran bertahap: (1) Case folding: 'wah!! pelayanannya sangat ramah & cepat di toko ini.', (2) Pembersihan teks: 'wah pelayanannya sangat ramah cepat di toko ini', (3) Tokenisasi: ['wah', 'pelayanannya', 'sangat', 'ramah', 'cepat', 'di', 'toko', 'ini'], (4) Stopword removal dengan daftar stopword ['wah', 'sangat', 'di', 'ini']: menghasilkan token akhir ['pelayanannya', 'ramah', 'cepat', 'toko'] (15 menit).

Mengaplikasi (Menggembirakan, Berkesadaran):

• Murid memainkan kuis mini interaktif berpasangan 'Tebak Token Bersih' yang menggembirakan: guru menampilkan kalimat mentah 'Keren BGT!! Pengiriman SUPER Cepat & Aman.', lalu murid berlomba menuliskan hasil token bersih setelah melewati 4 tahapan (daftar stopword yang dibuang: ['bgt', 'dan', '&']). Acuan jawaban benar: ['keren', 'pengiriman', 'super', 'cepat', 'aman'] (10 menit).
• Murid secara mandiri menulis dan mengeksekusi skrip Python untuk menerapkan fungsi rangkaian pipa 4 tahapan prapemrosesan teks pada 2 data teks ulasan: Data 1: 'Kamar SANGAT Bersih, tetapi AC-nya Rusak & Panas!!', Data 2: 'Makanan ENAK Sekali, Pelayanan Ramah & Mantap!'. Aturan stopword: buang kata ['sangat', 'tetapi', 'sekali', 'dan', '&']. Target acuan luaran bersih: Data 1 -> ['kamar', 'bersih', 'ac-nya', 'rusak', 'panas'] (atau ['kamar', 'bersih', 'ac', 'nya', 'rusak', 'panas']), Data 2 -> ['makanan', 'enak', 'pelayanan', 'ramah', 'mantap'] (40 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa kesesuaian luaran kode program miliknya terhadap daftar kata acuan bersama guru, lalu mengidentifikasi apakah masih ada simbol atau stopword yang terlewat pada hasil pemrosesan teksnya (5 menit).

Penutup:

• Guru memberikan penguatan terhadap alur terpadu prapemrosesan teks yang berhasil dieksekusi murid dan memberikan umpan balik umum terhadap struktur skrip program (5 menit).
• Guru menyampaikan agenda pertemuan berikutnya yaitu asesmen sumatif bab untuk menguji kompetensi Machine Learning dan pemrosesan teks yang telah dipelajari, serta menutup pembelajaran dengan doa dan salam (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan templat kode rumpang yang memuat fungsi dasar regex dan stopword removal; murid yang mahir diberikan dataset teks ulasan tambahan yang memuat URL web dan karakter angka untuk dibersihkan dalam skrip yang sama.
• Proses: Murid yang mengalami kendala sintaks dibimbing secara terarah pada penulisan urutan pemanggilan fungsi pembersihan; murid yang mandiri langsung menyusun fungsi tunggal pipa (pipeline) terpadu.
• Produk: Semua murid menghasilkan luaran token bersih dari 2 data teks wajib; murid yang mahir menambahkan pelaporan jumlah kata sebelum dan sesudah prapemrosesan.

Asesmen Pertemuan:

Awal:

• Tes diagnostik singkat pengurutan tahapan prapemrosesan teks. Soal: Urutkan 4 tahapan prapemrosesan teks berikut dari tahap awal hingga akhir: [A. Tokenisasi, B. Stopword Removal, C. Case Folding, D. Pembersihan Karakter/Tanda Baca]. Acuan jawaban benar: C (Case Folding) -> D (Pembersihan Karakter) -> A (Tokenisasi) -> B (Stopword Removal).

Proses:

• Observasi unjuk kerja pemrograman Python prapemrosesan teks mandiri dengan mengecek ketepatan luaran pada Data 1: 'Kamar SANGAT Bersih, tetapi AC-nya Rusak & Panas!!' (acuan token bersih: ['kamar', 'bersih', 'ac-nya', 'rusak', 'panas']) dan Data 2: 'Makanan ENAK Sekali, Pelayanan Ramah & Mantap!' (acuan token bersih: ['makanan', 'enak', 'pelayanan', 'ramah', 'mantap']).

Akhir Pertemuan:

• Cek pemahaman akhir: Murid menuliskan hasil luaran tahapan prapemrosesan pada potongan teks 'Buku INI Bagus & Rapi!' jika melewati tahapan case folding, pembersihan tanda baca, tokenisasi, dan pembuangan stopword 'ini'. Acuan jawaban benar: ['buku', 'bagus', 'rapi'].

Formatif:

• Pemeriksaan eksekusi kode Python rangkaian prapemrosesan teks (case folding, pembersihan karakter, tokenisasi, dan stopword removal) pada lembar kerja praktikum

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu 40 menit mencukupi bagi seluruh murid untuk merangkai 4 fungsi prapemrosesan teks dalam satu alur skrip Python?
• Bagian tahapan prapemrosesan mana yang paling sering memicu galat atau kebingungan logika pada penulisan kode murid?

Murid:

• Kendala apa yang saya hadapi saat menggabungkan pembersihan karakter tanda baca dengan pembuangan stopword dalam skrip Python?
• Bagaimana langkah prapemrosesan teks yang saya buat memastikan kata-kata yang tersisa siap digunakan untuk analisis berikutnya?

Pertemuan 12 — Asesmen Sumatif Bab — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.5.1 Menjelaskan konsep dasar-dasar algoritma Machine Learning beserta alur kerjanya
• TP 11.5.2 Menerapkan dasar-dasar algoritma Machine Learning untuk melakukan prediksi
• TP 11.5.3 Menjelaskan dasar-dasar Natural Language Processing beserta komponen-komponennya
• TP 11.5.4 Menerapkan dasar-dasar Natural Language Processing melalui tahapan prapemrosesan teks

Pendahuluan:

• Guru membuka sesi asesmen sumatif dengan salam, doa bersama, dan mengecek kehadiran 28 murid serta memastikan perangkat komputer laboratorium aktif dan siap digunakan (3 menit).
• Guru menjelaskan tata tertib asesmen sumatif terpadu Bab 5, struktur waktu pembagian 3 tugas (tes tertulis serentak 32 menit, unjuk kerja pemrograman prapemrosesan teks serentak 25 menit, serta demonstrasi prediksi giliran 14 murid sisa 25 menit), dan membagikan lembar tes tertulis kepada seluruh murid (2 menit).

Kegiatan Inti:

Memahami (Berkesadaran):

• Seluruh 28 murid membaca petunjuk lembar tes tertulis dan mengerjakan asesmen konseptual secara mandiri mengenai alur kerja Machine Learning dan komponen NLP selama 32 menit. Lembar tes tertulis berisi 2 soal uraian terstruktur: Soal 1: Uraikan 5 tahapan alur kerja dasar algoritma Machine Learning secara runtut (Kunci: 1. Pengumpulan data, 2. Penyiapan/pembersihan data & fitur, 3. Pemilihan algoritma, 4. Pelatihan model/training, 5. Evaluasi dan prediksi). Soal 2: Lengkapi diagram alir pemrosesan teks NLP dengan menjelaskan 4 komponen tahapan prapemrosesan teks secara runtut (Kunci: 1. Case folding/penyeragaman huruf kecil, 2. Pembersihan teks/cleansing dari tanda baca dan karakter khusus, 3. Tokenisasi/pemecahan kalimat menjadi kata, 4. Stopword removal/penghapusan kata umum yang tidak memiliki makna penting) (32 menit).

Mengaplikasi (Bermakna):

• Guru mengumpulkan lembar jawaban tes tertulis, lalu menginstruksikan seluruh 28 murid membuka lingkungan kerja Python (IDE/Notebook) untuk mengerjakan tugas unjuk kerja pemrograman prapemrosesan teks secara serentak dan mandiri selama 25 menit. Murid menulis skrip kode Python untuk memproses string masukan teks mentah terstandar: 'Kecerdasan Artifisial (AI) & Machine Learning sangat Hebat! Membantu memprediksi masa depan.'. Kunci kode acuan: menggunakan lower() untuk case folding, re.sub() atau string replace untuk membersihkan simbol/tanda baca non-alfanumerik, split() untuk tokenisasi menghasilkan daftar kata murni, dan filtering daftar kata terhadap stopword list standar ['sangat', 'dan', 'di', 'yang'] untuk menghasilkan token bersih akhir ['kecerdasan', 'artifisial', 'ai', 'machine', 'learning', 'hebat', 'membantu', 'memprediksi', 'masa', 'depan']. Berkas skrip (.py/.ipynb) langsung disimpan dan diunggah ke repositori penyerahan kelas (25 menit).
• Pelaksanaan demonstrasi unjuk kerja pemrograman prediksi Machine Learning secara individual untuk 14 murid giliran sisa (murid nomor presensi 15 sampai 28; 14 murid sebelumnya telah dinilai pada pertemuan 6). Setiap murid secara bergiliran maju/dihampiri guru di komputernya selama alokasi rata-rata 1,7 menit per anak (total 14 murid x 1,7 menit = 24 menit + 1 menit rekapitulasi) untuk mengeksekusi skrip model regresi/klasifikasi prediksi yang telah dilatih, memasukkan sampel 1 data fitur uji baru numerik [misal: jam_belajar=7, kehadiran=90], dan menunjukkan luaran angka/label prediksi hasil fungsi predict() di layar terminal kepada guru secara mandiri tanpa galat sintaksis. Sementara 14 murid sisa demonstrasi bergantian, 14 murid yang telah dinilai pada sesi sebelumnya merapikan dokumentasi kode secara tertib dan mandiri di meja masing-masing (25 menit).

Merefleksi (Berkesadaran):

• Guru memfasilitasi murid melakukan refleksi singkat berkesadaran terhadap keseluruhan pengalaman pembelajaran dan asesmen Bab 5 tentang Machine Learning dan Natural Language Processing (2 menit).

Penutup:

• Guru memberikan konfirmasi bahwa seluruh artefak tes tertulis, berkas kode prapemrosesan teks 28 murid, dan data observasi demonstrasi prediksi 14 murid telah tercatat lengkap tanpa ada yang terlewat (1 menit).
• Guru menyampaikan apresiasi atas integritas dan kemandirian murid selama menyelesaikan asesmen Bab 5, menyampaikan gambaran bab lanjutan semester 2, lalu menutup pertemuan dengan doa bersama dan salam penutup (0 menit).

Diferensiasi:

• Konten: Akomodasi aksesibilitas bagi murid dengan hambatan visual berupa lembar tes tertulis cetak berhuruf besar (large print) dan penyesuaian ukuran font pada antarmuka teks editor kode pemrograman tanpa mengubah isi soal maupun kriteria ketercapaian.
• Proses: Pemberian perpanjangan toleransi jeda transisi layar saat demonstrasi eksekusi kode bagi murid dengan hambatan motorik halus, dengan tetap mempertahankan standar pengujian masukan fitur dan luaran prediksi yang sama.
• Produk: Format penyerahan artefak skrip prapemrosesan teks dapat berupa file berekstensi .py murni atau interactive notebook (.ipynb) dengan kriteria keluaran struktur data token bersih yang seragam.

Asesmen Pertemuan:

Awal:

• Pengecekan kesiapan asesmen: pemeriksaan mandiri kelengkapan alat tulis dan ketersediaan interpreter Python/editor kode pada 28 unit komputer laboratorium (acuan: IDE terbuka, interpreter Python 3.x aktif, file dataset/modul prediksi sesi pertemuan sebelumnya tersimpan rapi).

Proses:

• Pemantauan kemandirian dan kepatuhan waktu saat pengerjaan tes tertulis, pemantauan status proses penulisan kode serentak di layar lab komputer, serta pencatatan lembar observasi demonstrasi eksekusi prediksi 14 murid.

Sumatif Bab:

• kombinasi tes tertulis konseptual dan unjuk kerja pemrograman bertahap: lembar jawaban tes tertulis konseptual ML dan diagram NLP, berkas skrip kode Python prapemrosesan teks terstruktur, serta luaran eksekusi skrip kode Python mandiri model Machine Learning untuk prediksi
• tes tertulis serentak: 28 murid mengerjakan lembar asesmen tertulis secara mandiri dan serentak selama 35 menit; berisi uraian alur kerja dasar algoritma Machine Learning serta analisis diagram alir komponen Natural Language Processing. Artefak diperiksa guru sesudah sesi menggunakan pedoman penskoran. (35 menit; individual; instrumen: kunci jawaban dan rubrik penskoran tes tertulis)
• unjuk kerja pemrograman serentak prapemrosesan teks: 28 murid secara serentak menyusun skrip kode Python mandiri selama 25 menit untuk mengimplementasikan komponen pembersihan teks dan tokenisasi data teks terstruktur pada komputer masing-masing. Berkas kode (.py / notebook) dikumpulkan dan dinilai sesudah sesi tanpa menghabiskan waktu antrean giliran guru. (25 menit; individual; instrumen: rubrik penilaian artefak kode pemrograman prapemrosesan teks)
• unjuk kerja pemrograman prediksi Machine Learning secara bergiliran: Portofolio amatan langsung demonstrasi eksekusi kode prediksi Machine Learning individual: 14 murid telah dinilai pada sesi latihan pertemuan sebelumnya (14 murid × 2 menit = 28 menit + 2 menit transisi = 30 menit). Sisa 14 murid dikonfirmasi langsung pada slot sumatif ini: 14 murid × 2 menit per murid = 28 menit + 2 menit transisi/pencatatan = 30 menit <= 30 menit. Murid lain yang belum/sudah giliran merapikan dokumentasi kode secara mandiri. (30 menit; individual; instrumen: lembar observasi ketercapaian eksekusi prediksi Machine Learning)

Sumatif:

• kombinasi tes tertulis konseptual dan unjuk kerja pemrograman bertahap: lembar jawaban tes tertulis konseptual ML dan diagram NLP, berkas skrip kode Python prapemrosesan teks terstruktur, serta luaran eksekusi skrip kode Python mandiri model Machine Learning untuk prediksi
• tes tertulis serentak: 28 murid mengerjakan lembar asesmen tertulis secara mandiri dan serentak selama 35 menit; berisi uraian alur kerja dasar algoritma Machine Learning serta analisis diagram alir komponen Natural Language Processing. Artefak diperiksa guru sesudah sesi menggunakan pedoman penskoran. (35 menit; individual; instrumen: kunci jawaban dan rubrik penskoran tes tertulis)
• unjuk kerja pemrograman serentak prapemrosesan teks: 28 murid secara serentak menyusun skrip kode Python mandiri selama 25 menit untuk mengimplementasikan komponen pembersihan teks dan tokenisasi data teks terstruktur pada komputer masing-masing. Berkas kode (.py / notebook) dikumpulkan dan dinilai sesudah sesi tanpa menghabiskan waktu antrean giliran guru. (25 menit; individual; instrumen: rubrik penilaian artefak kode pemrograman prapemrosesan teks)
• unjuk kerja pemrograman prediksi Machine Learning secara bergiliran: Portofolio amatan langsung demonstrasi eksekusi kode prediksi Machine Learning individual: 14 murid telah dinilai pada sesi latihan pertemuan sebelumnya (14 murid × 2 menit = 28 menit + 2 menit transisi = 30 menit). Sisa 14 murid dikonfirmasi langsung pada slot sumatif ini: 14 murid × 2 menit per murid = 28 menit + 2 menit transisi/pencatatan = 30 menit <= 30 menit. Murid lain yang belum/sudah giliran merapikan dokumentasi kode secara mandiri. (30 menit; individual; instrumen: lembar observasi ketercapaian eksekusi prediksi Machine Learning)

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah pengelolaan waktu gabungan antara tes tertulis serentak, pemrograman serentak, dan demonstrasi bergiliran 14 murid berjalan tepat 90 menit tanpa kendala?
• Bagaimana tingkat penguasaan murid pada keterkaitan antara konsep teoritis alur kerja ML/NLP dengan implementasi koding nyatanya?

Murid:

• Tahapan asesmen mana (tes tertulis konseptual, koding prapemrosesan teks, atau demonstrasi eksekusi model prediksi) yang paling menguji pemahaman dan keterampilan mandiri saya?
• Bagaimana pengalaman belajar di Bab 5 ini membantu saya memahami cara kerja kecerdasan artifisial di sekitar saya?

SUMBER BELAJAR

1. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Penulis: Ibnu Indarwati, Marwondo, Muhammad Faisal (2025)
2. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (2025)
3. Lembar Kerja Aktivitas 5.1 (Tabel Eksplorasi Sistem Prediksi dan Rekomendasi)
4. Set Kartu Permainan Skenario Paradigma Komputasi (Tradisional vs Machine Learning)
5. Buku Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Bab 5, Kemendikbudristek)
6. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Halaman 194-198, Kemendikbudristek)
7. Set kartu skenario dan diagram alur Machine Learning (Supervised, Unsupervised, Semi-supervised, Reinforcement Learning)
8. Proyektor/papan tulis dan lembar kerja eksplorasi kelompok
9. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Penerbit Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi 2025), Bab 5 Subbab A Halaman 194-205
10. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Bab 5
11. Set kartu alur kerja Machine Learning 'Pipeline ML Run' (5 kartu tahapan dan 5 kartu deskripsi fungsi)
12. Slide presentasi skema alur kerja Machine Learning (Gambar 5.1 Skema Kerja ML: Data Training, Algoritma, ML Model, Data Testing, Evaluasi/Output)
13. Buku Siswa Koding dan Kecerdasan Artifisial Kelas XI (Kemdikbudristek, 2023, Bab 5)
14. Buku Panduan Guru Koding dan Kecerdasan Artifisial Kelas XI
15. Lingkungan pemrograman Google Colab / Jupyter Notebook (Library Pandas dan Scikit-Learn)
16. Dataset latihan 'Prediksi Harga Rumah Bekas' (format CSV)
17. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikbudristek)
18. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI Bab 5
19. Lingkungan pemrograman Python (Google Colab / Jupyter Notebook) dengan pustaka Scikit-Learn dan NumPy
20. Dataset numerik sintetis sederhana (hubungan jam belajar dan nilai ujian)
21. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI
22. Perangkat Komputer/Laptop dengan Python dan Library Scikit-Learn / Google Colaboratory
23. Dataset latihan harga rumah berbasis fitur luas dan kamar tidur
24. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Kemendikbudristek 2024.
25. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Kemendikbudristek 2024.
26. Lembar Aktivitas Murid: Studi Kasus Karakteristik Data Teks dan NLP.
27. Papan tulis, spidol, dan kartu kuis interaktif bahasa.
28. Buku Siswa Koding dan Kecerdasan Artifisial Kelas XI, Kemendikbudristek RI, Bab 5 Subbab B
29. Buku Panduan Guru Koding dan Kecerdasan Artifisial Kelas XI, Kemendikbudristek RI
30. Slide materi pengenalan komponen NLP (Tokenisasi, Stopword, POS Tagging, NER)
31. Lembar Kerja Analisis Komponen NLP
32. Buku Panduan Guru dan Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI, Kemendikbudristek
33. Lingkungan pemrograman Python (Google Colab, Jupyter Notebook, atau Python IDLE)
34. Dokumentasi resmi modul regular expression Python (docs.python.org/3/library/re.html)
35. Lembar Kerja Praktik Prapemrosesan Teks Case Folding dan Text Cleaning
36. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI Bab 5
37. Lingkungan Komputasi Python (IDLE/Jupyter Notebook/Google Colaboratory)
38. Pustaka Python Pemrosesan Bahasa Alami (NLTK/Sastrawi/fungsi bawaan string Python)
39. Buku Panduan Guru Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Kemendikbudristek, 2024, Bab 5 Subbab NLP)
40. Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Aktivitas 5.6 Implementasi NLP)
41. Perangkat komputer/laptop dengan koneksi internet dan lingkungan Google Colab / Jupyter Notebook
42. Buku Panduan Guru Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Pusat Kurikulum dan Perbukuan Kemendikbudristek)
43. Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI Bab 5 (Kemendikbudristek)
44. Lingkungan Komputasi Python (IDLE / Jupyter Notebook / Google Colab / VS Code)
45. Lembar Soal Asesmen Tertulis ML-NLP dan Lembar Observasi Unjuk Kerja Prediksi Guru