Modul Ajar Koding dan Kecerdasan Artifisial Kelas 11 Bab 6: Penyelesaian Masalah dengan Rekayasa Model

INFORMASI UMUM

TUJUAN PEMBELAJARAN

1. TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat
2. TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan
3. TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari
4. TP 11.6.4 Menyelesaikan permasalahan sederhana dalam kehidupan sehari-hari dengan menggunakan KA

PROFIL LULUSAN

PERTANYAAN PEMANTIK

1. Bagaimana cara menguraikan permasalahan lingkungan yang rumit seperti penumpukan sampah liar menjadi bagian-bagian yang lebih terukur?
2. Mengapa mengenali keterulangan waktu atau lokasi timbulan sampah membantu kita menyusun solusi secara komputasional?
3. Saat menghadapi masalah tumpukan sampah di lingkungan sekolah atau masyarakat, informasi apa yang benar-benar penting untuk diolah dan hal apa saja yang bisa kita abaikan?
4. Bagaimana kita menyusun langkah-langkah solusi yang terurut logis agar permasalahan penumpukan sampah dapat terselesaikan secara tuntas?
5. Bagaimana 4 pilar berpikir komputasional membantu kita memprediksi tren masalah penumpukan sampah atau kemacetan sebelum terjadi?
6. Faktor atau data apa saja yang relevan untuk memperkirakan kenaikan volume sampah harian di lingkungan tempat tinggal kita?
7. Bagaimana cara memecah masalah kemacetan lalu lintas atau penumpukan sampah di lingkungan masyarakat menjadi 3 bagian masalah yang lebih kecil dan terukur?
8. Mengapa dalam dekomposisi masalah kompleks, setiap submasalah harus memiliki target pemecahan yang jelas dan spesifik?
9. Mengapa dalam engineering process kita tidak boleh langsung membuat program sebelum memahami kebutuhan calon pengguna?
10. Bagaimana cara mengubah keluhan atau masalah nyata pengguna menjadi spesifikasi teknis solusi yang terukur?
11. Bagaimana kita menuangkan alur pemecahan masalah dari tahapan spesifikasi ke dalam bentuk visual diagram alir yang logis?
12. Mengapa simbol-simbol standar dalam diagram alir mempermudah seorang engineer dalam memetakan tahapan solusi permasalahan?
13. Bagaimana cara kita menerjemahkan langkah-langkah solusi rekayasa dari diagram alir menjadi instruksi teks yang siap diubah menjadi kode program?
14. Mengapa struktur logika seperti percabangan dan perulangan dalam pseudocode sangat penting untuk memastikan tahapan solusi rekayasa berjalan tanpa galat?
15. Bagaimana memastikan tahapan solusi yang kita rancang dalam diagram alir benar-benar runtut dan bebas dari celah logika sebelum direalisasikan?
16. Mengapa setiap komponen dalam engineering process—mulai dari analisis kebutuhan hingga perancangan algoritma—perlu didokumentasikan secara terstandar dalam portofolio rekayasa?
17. Mengapa komputer tidak bisa langsung mengolah data teks atau data kotor yang memiliki nilai kosong (missing values)?
18. Bagaimana cara kita menyiapkan dan mengubah data mentah sehari-hari menjadi fitur numerik yang siap dipelajari oleh model kecerdasan artifisial?
19. Bagaimana komputer belajar mengenali pola perbedaan data fitur sehingga dapat mengelompokkan kategori secara otomatis?
20. Instruksi kode apa yang digunakan untuk memerintahkan algoritma klasifikasi memulai proses pelatihan dari dataset?
21. Bagaimana kita tahu bahwa model Kecerdasan Artifisial yang telah dilatih benar-benar andal dan bukan sekadar menebak secara acak?
22. Mengapa kita perlu mencatat metrik akurasi ke dalam tabel log performa saat mengembangkan model KA?
23. Bagaimana kita memastikan bahwa skrip kode model KA yang kita latih bebas dari galat (bug) dan siap dijalankan ulang secara utuh?
24. Komponen apa saja yang wajib disertakan dalam berkas final model KA agar model tersebut dapat disimpan dan digunakan untuk memecahkan masalah sehari-hari?
25. Bagaimana model klasifikasi Kecerdasan Artifisial yang sudah dilatih dapat menyelesaikan masalah pemilahan sampah ketika diberi data masukan baru yang belum pernah dilihat sebelumnya?
26. Mengapa format nilai fitur pada data masukan baru harus identik dengan fitur yang digunakan saat model dilatih agar inferensi menghasilkan penyelesaian yang tepat?
27. Setelah model KA menghasilkan label klasifikasi atau angka prediksi, tindakan nyata apa yang harus diambil untuk menyelesaikan masalah yang dihadapi?
28. Bagaimana kita memastikan bahwa rekomendasi tindakan yang dibuat benar-benar menyelesaikan akar masalah berdasarkan hasil prediksi model KA?
29. Bagaimana kita membuktikan bahwa model KA yang kita latih benar-benar mampu menyelesaikan masalah nyata saat menerima data masukan baru?
30. Mengapa proses inferensi model perlu diuji coba secara berpasangan sebelum diterapkan secara penuh?
31. Bagaimana integrasi berpikir komputasional dan engineering process membuktikan ketepatan rancangan solusi teknologi yang telah kamu kembangkan?
32. Bagaimana model Kecerdasan Artifisial yang telah kamu latih mampu memberikan inferensi dan rekomendasi yang valid saat diuji menggunakan sampel data baru?

KEGIATAN PEMBELAJARAN

Pertemuan 1 — Menerapkan Dekomposisi dan Pengenalan Pola Berpikir Komputasional untuk Identifikasi Masalah Kompleks di Kehidupan Masyarakat — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan belajar murid, dan menyampaikan cakupan pertemuan hari ini yaitu dekomposisi dan pengenalan pola berpikir komputasional pada masalah masyarakat (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat secara lisan untuk memetakan pemahaman murid mengenai dekomposisi dan pengenalan pola menggunakan kasus antrean faskes (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid menyimak paparan guru mengenai konsep dekomposisi (memecah masalah besar menjadi submasalah) dan pengenalan pola (menemukan keterulangan kejadian, tren, atau kesamaan ciri) dalam konteks masalah sosial masyarakat (10 menit).
• Murid secara berpasangan memainkan kuis cepat 'Tebak Pilar' dengan 3 kartu skenario studi kasus: Skenario 1: Mengelompokkan jenis sampah menjadi organik, anorganik, dan B3; Skenario 2: Mengamati penumpukan sampah selalu memuncak di hari Minggu sore dekat pasar; Skenario 3: Membagi jalur pengangkutan sampah menjadi sektor utara, tengah, dan selatan (acuan jawaban: Skenario 1 = Dekomposisi; Skenario 2 = Pengenalan Pola; Skenario 3 = Dekomposisi) (10 menit).

Mengaplikasi (Bermakna, Berkesadaran):

• Murid membentuk kelompok kerja (beranggotakan 4 orang) dan menerima Lembar Aktivitas 6.1 yang memuat deskripsi kasus kompleks masyarakat: 'Krisis Pengelolaan Sampah Domestik di Wilayah Pemukiman Padat' (5 menit).
• Setiap kelompok menerapkan dekomposisi dengan menguraikan krisis sampah tersebut ke dalam minimal 3 submasalah terpisah: (1) Sumber timbulan sampah dan perilaku pemilahan warga; (2) Kapasitas dan ketersediaan wadah penampungan sementara; (3) Jadwal serta rute armada pengangkutan sampah (acuan: mencakup aspek hulu/pemilahan, fasilitas penampungan, dan logistik distribusi pengangkutan) (20 menit).
• Setiap kelompok menerapkan pengenalan pola dengan menemukan minimal 2 tren keterulangan data dari kasus: (1) Volume sampah meningkat drastis pada akhir pekan dan hari libur; (2) Tumpukan liar selalu terkonsentrasi di radius 50 meter sekitar pasar kaget warga (acuan: memuat pola temporal/waktu dan pola spasial/lokasi) (15 menit).

Merefleksi (Berkesadaran):

• Murid meninjau kembali hasil dekomposisi dan pola yang dirumuskan, memeriksa apakah setiap subkomponen sudah objektif dan bebas dari asumsi yang tidak berdasar pada data kasus (5 menit).

Penutup:

• Guru memberikan umpan balik atas lembar kerja kelompok yang telah dikumpulkan serta merumuskan simpulan bersama bahwa pemecahan masalah kompleks harus dimulai dari pemilahan fakta dan deteksi pola (5 menit).
• Guru menyampaikan topik pertemuan berikutnya (abstraksi dan perancangan algoritma) dan menutup sesi pembelajaran dengan doa serta salam (5 menit).

Diferensiasi:

• Konten: Kelompok yang membutuhkan pendampingan diberikan teks kasus terstruktur dengan poin-poin data yang telah diberi penanda tebal, sedangkan kelompok mahir diberikan teks studi kasus deskriptif naratif yang lebih panjang tanpa penanda visual.
• Proses: Guru membimbing langsung perumusan submasalah pada kelompok yang belum lancar mengidentifikasi variabel masalah, sementara kelompok mahir bekerja mandiri mengeksplorasi pola temporal dan spasial secara komprehensif.
• Produk: Semua kelompok menghasilkan lembar isian dekomposisi dan pengenalan pola; kelompok mahir melengkapi rincian pola dengan frekuensi kejadian kuantitatif.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik lisan: 'Jika rumah sakit menghadapi antrean pasien yang membeludak, sebutkan 1 contoh pemecahan masalah menggunakan dekomposisi dan 1 contoh menggunakan pengenalan pola!' (Acuan jawaban: Dekomposisi = memecah alur menjadi registrasi, pemeriksaan awal tanda vital, konsultasi dokter, dan penebusan obat; Pengenalan pola = mencatat bahwa lonjakan antrean pasien poli anak selalu terjadi pada hari Senin pagi).

Proses:

• Observasi formatif saat pengerjaan Lembar Aktivitas 6.1: Menilai ketepatan identifikasi 3 submasalah hasil dekomposisi (hulu, fasilitas, logistik) dan 2 keterulangan pola (temporal dan spasial) sesuai rubrik ketercapaian.

Akhir Pertemuan:

• Cek pemahaman singkat di akhir lembar kerja murid: Menentukan pilar berpikir komputasional dari kasus baru berikut: 'Mencatat bahwa volume sampah botol plastik selalu mendominasi 70% di sekitar area kantin sekolah setiap jam istirahat kedua' (Acuan jawaban: Pengenalan pola karena mengidentifikasi keterulangan proporsi dan waktu timbulan).

Formatif:

• Asesmen awal diagnostik lisan mengenai konsep dekomposisi dan pengenalan pola
• Kuis cepat 'Tebak Pilar' dengan 3 kartu skenario studi kasus
• Penilaian unjuk kerja kelompok pada Lembar Aktivitas 6.1 (dekomposisi dan pengenalan pola krisis sampah pemukiman)

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alur kasus krisis sampah yang disajikan cukup relevan dan mudah didekomposisi oleh murid kelas 11?
• Bagaimana keterlibatan setiap anggota kelompok dalam mendiskusikan identifikasi pola keterulangan kejadian?

Murid:

• Bagian mana dari memecah masalah besar (dekomposisi) yang menurutmu paling menantang?
• Mengapa mengenali pola keterulangan kejadian mempermudah kita merumuskan akar masalah di masyarakat?

Pertemuan 2 — Menerapkan Abstraksi dan Perancangan Algoritma Berpikir Komputasional untuk Merumuskan Solusi Masalah Kompleks Masyarakat — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran 28 murid, serta menyampaikan tujuan pembelajaran pertemuan ini yaitu menerapkan pilar abstraksi dan algoritma berpikir komputasional dalam perumusan solusi masalah lingkungan masyarakat (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan menampilkan studi kasus 'Antrean Truk Sampah di TPA': murid secara lisan membedakan informasi relevan (volume sampah harian, kapasitas tampung truk) vs tidak relevan (warna cat truk, merk ban truk) serta menyebutkan urutan logis sederhana penanganannya (acuan diagnostik: informasi esensial adalah volume/jadwal; tidak esensial adalah atribut fisik non-fungsional truk; alur logis: pendataan -> pemilahan -> pengangkutan terjadwal) (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid menyimak pemodelan guru tentang penerapan pilar abstraksi (memilah parameter kunci dan mengabaikan detail non-esensial) serta perancangan algoritma (langkah instruksional sekuensial dan berurutan) menggunakan konteks masalah kompleks pengelolaan sampah pasar tradisional (15 menit).
• Murid berpasangan mengikuti tantangan interaktif 'Pilah Cepat Informasi': guru memberikan 4 kartu data terkait kemacetan jalan dekat pasar: Kartu 1: 'Jumlah lapak pedagang yang memakai bahu jalan (esensial)', Kartu 2: 'Warna tenda lapak pedagang (non-esensial)', Kartu 3: 'Volume kendaraan per jam di persimpangan (esensial)', Kartu 4: 'Merek mobil pembeli di pasar (non-esensial)'; pasangan murid secara bergantian memilah kartu esensial vs non-esensial untuk melatih pemahaman abstraksi secara langsung dan menyenangkan (10 menit).

Mengaplikasi (Berkesadaran):

• Murid secara mandiri mengerjakan Lembar Perumusan Solusi Komputasional untuk studi kasus 'Penumpukan Sampah di Lingkungan Permukiman Warga RW 05', dengan melakukan abstraksi: menuliskan minimal 3 parameter kunci penting (acuan: (1) Volume timbulan sampah per hari, (2) Jenis pemilahan organik/anorganik, (3) Jadwal kedatangan armada pengangkut) dan membuang detail tidak relevan (acuan: warna wadah kantong plastik warga, asal pabrik kantong kresek) (15 menit).
• Murid merancang 4 tahapan algoritma solusi terurut runtut untuk mengatasi penumpukan sampah tersebut pada lembar kerja (acuan urutan logis: Langkah 1: Sosialisasi dan penyediaan tempat pilah sampah basah/kering di tiap blok; Langkah 2: Penjadwalan piket pengumpulan sampah organik setiap pagi pukul 06.00; Langkah 3: Pengangkutan sampah residu anorganik oleh truk DLH 2 hari sekali; Langkah 4: Pemantauan dan pencatatan kepatuhan volume mingguan) (20 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa kembali lembar perumusan solusi mereka untuk memastikan tidak ada informasi sepele yang masih dimasukkan ke dalam algoritma serta memastikan langkah instruksi sudah berurutan logis tanpa tahapan yang melompat (5 menit).

Penutup:

• Murid dan guru menyimpulkan bagaimana pilar abstraksi menyaring fokus masalah dan pilar perancangan algoritma menghasilkan tahapan tindakan yang runtut dan jelas (5 menit).
• Guru memberikan umpan balik formatif terhadap hasil lembar kerja mandiri murid, menyampaikan pengingat bahwa lembar hasil dekomposisi, abstraksi, dan algoritma ini akan dilanjutkan pada penyusunan kerangka prediksi di Pertemuan 3, lalu menutup sesi pembelajaran dengan doa dan salam (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan panduan daftar periksa (checklist) pembeda data primer operasional vs data fisik visual; murid berpencapaian tinggi diberikan konteks variabel tambahan seperti variasi musim hujan terhadap laju pembusukan sampah organik.
• Proses: Murid yang memerlukan pendampingan mendapatkan scaffolding bertahap dari guru pada perumusan langkah algoritma sekuensial; murid yang cepat bekerja mandiri menyusun algoritma dengan penambahan kondisi percabangan sederhana jika armada truk terlambat.
• Produk: Seluruh murid menyusun produk yang sama berupa Lembar Perumusan Solusi (Abstraksi & Algoritma), dengan kedalaman rincian parameter disesuaikan dengan kesiapan belajar tanpa mengubah kompetensi dasar berpikir komputasional.

Asesmen Pertemuan:

Awal:

• Tanya jawab diagnostik di tahap pendahuluan menggunakan studi kasus 'Antrean Truk Sampah di TPA': Murid membedakan data relevan vs tidak relevan. Acuan jawaban benar: Data relevan = volume sampah, kapasitas angkut truk, jadwal kedatangan; Data tidak relevan = warna cat truk, jenis musik radio di kabin truk, merk ban truk.

Proses:

• Pengamatan formatif saat pengerjaan mandiri Lembar Perumusan Solusi: Memeriksa apakah murid mengidentifikasi 3 parameter kunci penting (volume, jenis pilahan, jadwal angkut) dan merumuskan 4 langkah algoritma terurut runtut tanpa langkah yang hilang.

Akhir Pertemuan:

• Cek pemahaman di akhir sesi: Pengumpulan Lembar Perumusan Solusi Komputasional untuk diperiksa guru. Acuan ketercapaian: Terpenuhinya minimal 3 parameter abstraksi yang tepat sasaran dan 4 langkah algoritma penyelesaian masalah sampah permukiman terurut logis (sosialisasi pemilahan -> pengumpulan rutin -> pengangkutan terjadwal -> pemantauan).

Formatif:

• Penilaian Kinerja Lembar Perumusan Solusi Komputasional: Mengukur kemampuan murid dalam mengabstraksi informasi kunci (memilih parameter penting & menyaring yang tidak relevan) serta menyusun 4 langkah algoritma solusi berurutan logis.

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu untuk tahap pemodelan abstraksi dan pengerjaan mandiri algoritma sudah berjalan seimbang sesuai target 90 menit?
• Bagian mana dari perancangan algoritma pemecahan masalah sampah yang paling banyak memicu kebingungan murid dalam menyusun urutan logisnya?

Murid:

• Langkah apa yang paling menantang saat harus membuang informasi yang tampaknya menarik tetapi sebenarnya tidak penting dalam perumusan solusi?
• Apakah tahapan algoritma yang saya rancang sudah cukup jelas sehingga dapat dipahami dan dijalankan oleh orang lain tanpa menimbulkan salah tafsir?

Pertemuan 3 — Menerapkan Berpikir Komputasional Berkelompok dalam Menyusun Kerangka Prediksi Permasalahan Kompleks Lingkungan Masyarakat — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran 28 murid, dan menyampaikan tujuan pembelajaran yaitu menyusun kerangka prediksi permasalahan kompleks masyarakat dengan menerapkan berpikir komputasional secara berkelompok (3 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan menampilkan 2 pertanyaan lisan: (1) Sebutkan 4 pilar berpikir komputasional (acuan: dekomposisi, pengenalan pola, abstraksi, perancangan algoritma); (2) Jika ingin memprediksi banjir, sebutkan 2 variabel data masukan (acuan: curah hujan, volume debit air sungai, ketinggian muka air) (7 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid menyimak ulasan guru tentang bagaimana 4 pilar berpikir komputasional diterapkan pada perumusan kerangka prediksi masalah masyarakat: memecah variabel (dekomposisi), menemukan tren data historis (pola), memilah faktor kunci masukan dan mengabaikan detail non-esensial (abstraksi), serta alur aturan penarikan kesimpulan prediksi (algoritma) (15 menit).
• Murid memainkan kuis cepat 'Tebak Pilar Prediksi' (prinsip menggembirakan): guru membacakan 3 pernyataan studi kasus secara cepat dan murid mengangkat kartu simbol pilar yang sesuai (10 menit).

Mengaplikasi (Berkesadaran, Bermakna):

• Murid dibagi ke dalam kelompok kecil (masing-masing 4-5 orang) dan menerima Lembar Kerja Kerangka Prediksi Permasalahan Kompleks dengan memilih satu topik masalah nyata di masyarakat: (1) Prediksi Lonjakan Sampah Mingguan di TPS Lingkungan Pasar, atau (2) Prediksi Kepadatan Antrean Pelayanan Kesehatan Puskesmas (10 menit).
• Secara berkelompok, murid menerapkan berpikir komputasional dengan mengisi 4 komponen kerangka prediksi pada lembar kerja: dekomposisi sub-masalah, pengenalan pola tren masa lalu, abstraksi faktor data masukan/keluaran, serta rancangan langkah algoritma prediksi sederhana (25 menit).

Merefleksi (Berkesadaran):

• Setiap kelompok saling menukarkan lembar kerangka prediksi dengan kelompok mitra untuk melakukan telaah silang berbasis rubrik keterisian 4 pilar prediksi berpikir komputasional (10 menit).
• Murid mencatat catatan perbaikan pada lembar kerja masing-masing berdasarkan masukan mitra terkait ketepatan faktor prediksi dan alur inferensi logika (5 menit).

Penutup:

• Guru memandu murid menyimpulkan pembelajaran mengenai pentingnya kerangka berpikir komputasional terstruktur sebelum merancang model prediksi teknologi (3 menit).
• Guru memberikan umpan balik menyeluruh terhadap hasil latihan kelompok dan menginformasikan bahwa draf kerangka ini akan menjadi bahan penyusunan lembar portofolio dekomposisi mandiri pada pertemuan berikutnya (2 menit).

Diferensiasi:

• Konten: Menyediakan panduan contoh isian kerangka prediksi masalah lingkungan untuk kelompok yang membutuhkan scaffolding pemilahan variabel data.
• Proses: Kelompok yang berkembang lebih cepat diberikan tantangan memperluas variasi pola data historis (menambahkan minimal 3 kondisi fluktuasi waktu/musim) pada topik yang sama.
• Produk: Format luaran lembar kerangka prediksi dapat berupa bagan matriks tabel atau diagram alir blok dekomposisi-prediksi.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik lisan di pendahuluan: (1) Sebutkan 4 pilar berpikir komputasional! (Acuan: dekomposisi, pengenalan pola, abstraksi, perancangan algoritma); (2) Sebutkan 2 variabel data masukan yang menentukan prediksi banjir! (Acuan: curah hujan harian, ketinggian muka air sungai, debit saluran drainase).

Proses:

• Observasi kerja kelompok dan penilaian Lembar Kerja Kerangka Prediksi Permasalahan Kompleks yang mengukur penerapan 4 pilar: (1) Dekomposisi memecah masalah minimal 3 faktor; (2) Pengenalan pola mencatat minimal 2 kecenderungan data; (3) Abstraksi menentukan minimal 2 masukan utama & 1 target prediksi; (4) Algoritma menyusun minimal 3 tahapan logika IF-THEN prediksi.

Akhir Pertemuan:

• Cek ketercapaian akhir sesi: Kelompok mengumpulkan lembar kerja yang telah diperiksa silang. Kriteria ketuntasan: memuat seluruh 4 komponen pilar berpikir komputasional untuk kerangka prediksi masalah masyarakat secara runtut sesuai acuan lembar kerja.

Formatif:

• Penilaian kinerja kelompok melalui Lembar Kerja Kerangka Prediksi Permasalahan Kompleks (memuat 4 pilar berpikir komputasional)
• Cek pemahaman diagnostik lisan di awal pembelajaran

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu kerja kelompok 25 menit mencukupi bagi setiap kelompok untuk mendiskusikan 4 pilar secara mendalam?
• Apakah bimbingan guru efektif mengarahkan murid memahami beda antara dekomposisi masalah dan abstraksi variabel prediksi?

Murid:

• Bagian pilar berpikir komputasional mana (dekomposisi, pola, abstraksi, atau algoritma) yang paling menantang saat menyusun prediksi masalah sampah/layanan?
• Bagaimana keterlibatan saya dalam kelompok membantu menghasilkan rancangan kerangka prediksi yang lebih logis?

Pertemuan 4 — Menerapkan Berpikir Komputasional Mandiri dalam Finalisasi Lembar Dekomposisi Masalah Kompleks Portofolio untuk 28 Murid — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat

Pendahuluan:

• Guru membuka pembelajaran dengan salam, menyapa 28 murid, memfasilitasi doa bersama, serta memeriksa kehadiran murid secara berkesadaran (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ke-4, yaitu memfinalisasi Lembar Dekomposisi Masalah Kompleks secara mandiri untuk portofolio berpikir komputasional masing-masing murid (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan menampilkan 1 studi kasus masalah kompleks masyarakat: 'Penumpukan sampah liar di pasar tradisional'. Murid diminta secara cepat mengidentifikasi 3 submasalah penyusunnya (acuan jawaban: 1. Perilaku pembuangan sampah tidak pada tempatnya/jadwal; 2. Kurangnya kapasitas tempat penampungan sementara; 3. Keterlambatan jadwal pengangkutan oleh armada truk ke TPA) (5 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Menggembirakan):

• Murid menyimak penjelasan guru dan menelaah rubrik kriteria dekomposisi masalah kompleks yang memuat 3 elemen wajib: (1) rumusan masalah utama di masyarakat, (2) rincian minimal 3 submasalah terpisah yang saling terkait, dan (3) batasan/ruang lingkup pemecahan komputasional yang konkret secara berkesadaran (10 menit).
• Guru menyajikan permainan kuis cepat 'Tebak Dekomposisi Logis' di layar kelas untuk membangkitkan antusiasme: ditampilkan 1 masalah kompleks 'Tingginya angka keterlambatan bus sekolah' beserta 4 opsi pernyataan, lalu murid serentak mengangkat kartu warna untuk menentukan pernyataan mana yang merupakan dekomposisi valid (pernyataan 1: 'Rute perjalanan tidak efisien', pernyataan 2: 'Waktu tunggu penumpang tidak teratur', pernyataan 3: 'Kapasitas armada tidak seimbang dengan jumlah murid'; opsi pengalih: 'Pengemudi bus tidak ramah') (acuan: pernyataan 1, 2, dan 3 adalah dekomposisi operasional valid; pengalih adalah aspek sikap subjektif non-komputasional) (10 menit).

Mengaplikasi (Bermakna):

• Setiap murid dari 28 murid menerima Lembar Portofolio Dekomposisi Masalah Kompleks dan secara mandiri menetapkan 1 topik masalah nyata di masyarakat (misal: antrean loket puskesmas, persebaran genangan air hujan, atau pemborosan konsumsi listrik fasilitas umum) (10 menit).
• Murid secara mandiri bekerja menguraikan masalah kompleks yang dipilihnya ke dalam minimal 3 submasalah konkret, melengkapi dengan data pendukung indikator masalah, serta menyusun usulan arah solusi terurai pada format lembar portofolio secara bermakna (25 menit).

Merefleksi (Berkesadaran):

• Murid melakukan swaperiksa (self-assessment) mandiri terhadap lembar dekomposisi portofolio masing-masing menggunakan daftar periksa ketercapaian: keterkaitan submasalah dengan masalah utama, kejelasan batas submasalah, dan kelayakan pemecahan komputasional (10 menit).

Penutup:

• Murid mengumpulkan hasil finalisasi Lembar Portofolio Dekomposisi Masalah Kompleks ke meja guru secara tertib untuk seluruh 28 murid (5 menit).
• Guru memberikan umpan balik umum terhadap ketelitian proses dekomposisi, merangkum pencapaian belajar mandiri, dan menutup pertemuan dengan doa serta salam (5 menit).

Diferensiasi:

• Konten: Menyediakan panduan pemantik berupa daftar contoh masalah kompleks masyarakat terstruktur (lingkungan, fasilitas publik, layanan kesehatan) bagi murid yang memerlukan inspirasi topik.
• Proses: Memberikan scaffolding bertahap bagi murid yang masih kesulitan memisahkan gejala dan akar submasalah, sedangkan murid yang cepat diarahkan menambah kedalaman dekomposisi hingga sub-submasalah tingkat kedua (2-level decomposition).
• Produk: Format portofolio terstandar bagi seluruh murid dengan keluasan uraian submasalah yang proporsional sesuai tingkat kedalaman analisis mandiri.

Asesmen Pertemuan:

Awal:

• Uji diagnostik tertulis singkat pemecahan masalah: Sebutkan 3 submasalah dari 'Penumpukan sampah liar di pasar tradisional'. Kriteria keterterimaan acuan: mencakup minimal 3 aspek: (1) timbulan/volume sampah tidak tertib jadwal, (2) daya tampung wadah/kontainer sementara tidak mencukupi, (3) logistik/jadwal pengangkutan terlambat.

Proses:

• Pemeriksaan proses kerja mandiri pada Lembar Dekomposisi Portofolio: mengamati kemampuan 28 murid dalam memecah masalah masyarakat menjadi minimal 3 submasalah mandiri tanpa saling menyalin pekerjaan teman, dengan kriteria keselarasan logis antara masalah utama dan submasalah.

Akhir Pertemuan:

• Verifikasi kelengkapan Lembar Portofolio Dekomposisi Masalah Kompleks: lembar kerja memuat 1 rumusan masalah kompleks masyarakat, minimal 3 submasalah yang terdefinisi operasional, serta kaitan logis antar-submasalah (acuan penilaian mengacu pada Rubrik Dekomposisi Masalah Kompleks).

Formatif:

• Asesmen diagnostik awal: menguji ketepatan memecah masalah 'Penumpukan sampah liar di pasar tradisional' menjadi 3 submasalah.
• Observasi unjuk kerja mandiri: pemeriksaan kelengkapan dan ketepatan Lembar Portofolio Dekomposisi Masalah Kompleks selama proses penyusunan mandiri.

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh 28 murid mampu bekerja mandiri dalam menyusun lembar portofolio dekomposisi tanpa ketergantungan pada teman kelompok sebelumnya?
• Apakah alokasi waktu 25 menit pada tahap Mengaplikasi mencukupi bagi murid yang memerlukan scaffolding dalam merumuskan 3 submasalah terpisah?

Murid:

• Bagian mana dari masalah masyarakat yang saya pilih yang paling menantang untuk dipecah menjadi submasalah yang lebih kecil?
• Apakah saya sudah yakin bahwa 3 submasalah yang saya rumuskan dapat dicari solusinya secara terpisah dan terarah?

Pertemuan 5 — Menerapkan Engineering Process pada Tahap Memahami Kebutuhan Pengguna dan Perumusan Spesifikasi Solusi Permasalahan — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan

Pendahuluan:

• Guru membuka pembelajaran dengan salam, memeriksa kehadiran murid, dan menyampaikan tujuan pembelajaran terkait tahap awal engineering process yaitu identifikasi kebutuhan pengguna dan perumusan spesifikasi solusi (3 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan menampilkan 2 studi kasus keluhan warga di layar proyektor: Kasus 1 'Warga sering lupa jadwal pengangkutan sampah organik dan anorganik' dan Kasus 2 'Penjaga perpustakaan sekolah kesulitan memantau buku yang terlambat dikembalikan'. Murid diminta menuliskan secara cepat di selembar kertas: (a) siapa pengguna utamanya, dan (b) apa 1 kebutuhan fungsional paling mendasar dari pengguna tersebut (acuan: Kasus 1 pengguna = warga perumahan, kebutuhan = pengingat jadwal jenis sampah; Kasus 2 pengguna = pustakawan, kebutuhan = pencatat dan pelacak tenggat peminjaman buku) (7 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Guru memberikan penjelasan konsep engineering process subbab 6.2 khususnya tahapan memahami masalah (understand the problem) dan analisis kebutuhan pengguna (user requirements) vs spesifikasi solusi (solution specifications) (10 menit).
• Murid mencermati pemodelan perumusan kebutuhan pengguna menjadi spesifikasi teknis solusi berbasis tabel analisis (kebutuhan pengguna, fungsi sistem, dan batasan/kendala teknis) menggunakan contoh sistem pemilahan sampah cerdas (10 menit).

Mengaplikasi (Bermakna, Menggembirakan):

• Guru membagi murid ke dalam kelompok kecil beranggotakan 3-4 orang untuk memainkan aktivitas gamifikasi 'Engineering Roleplay: Wawancara Pengguna & Perumusan Spesifikasi' di mana tiap kelompok mengambil 1 skenario permasalahan nyata (misal: antrean kantin sekolah, pemantauan tanaman hidroponik, presensi kehadiran ekstrakurikuler) (5 menit).
• Dalam kelompok, murid berbagi peran (sebagian berperan sebagai calon pengguna dan sebagian sebagai rekayasawan sistem) untuk melakukan simulasi penggalian kebutuhan pengguna secara terstruktur (15 menit).
• Kelompok menerapkan engineering process dengan merumuskan hasil wawancara ke dalam Dokumen Spesifikasi Solusi pada LKPD yang memuat 3 elemen utama: (1) Profil Pengguna & Masalah Utama, (2) 3 Kebutuhan Fungsional Pengguna, dan (3) 2 Batasan Teknis/Spesifikasi Solusi Sistem (acuan kriteria LKPD: kebutuhan fungsional harus menyatakan aksi sistem secara spesifik seperti 'sistem menerima masukan data X', dan batasan teknis mencantumkan batasan konkret seperti 'format data berupa teks/gambar' atau 'waktu respons sistem') (20 menit).

Merefleksi (Berkesadaran):

• Dua kelompok bertukar lembar kerja Dokumen Spesifikasi Solusi untuk melakukan peninjauan silang (peer review) guna mengecek apakah spesifikasi solusi yang dirumuskan sudah benar-benar menjawab kebutuhan pengguna dan terukur (10 menit).
• Murid bersama guru menyimpulkan pentingnya tahap memahami pengguna sebelum melangkah ke perancangan diagram alir atau koding pada tahap rekayasa berikutnya (5 menit).

Penutup:

• Guru memberikan umpan balik formatif terhadap hasil perumusan spesifikasi solusi yang telah dikerjakan kelompok dan menyampaikan tindak lanjut untuk Pertemuan 6 (perancangan diagram alir solusi) (3 menit).
• Guru menutup pertemuan dengan doa dan salam penutup (2 menit).

Diferensiasi:

• Konten: Guru menyediakan kartu panduan pertanyaan pemantik wawancara kebutuhan pengguna (scaffolding) untuk kelompok yang memerlukan bimbingan tambahan.
• Proses: Kelompok yang berkembang lebih cepat diberikan tantangan skenario masalah dengan multi-pengguna (misalnya sistem melibatkan peran murid, guru, dan admin tata usaha).
• Produk: Format luaran tetap sama yaitu lembar Dokumen Spesifikasi Solusi pada LKPD dengan kedalaman rincian batasan teknis yang disesuaikan kesiapan murid.

Asesmen Pertemuan:

Awal:

• Tes diagnostik singkat tertulis: Murid mengidentifikasi pengguna dan kebutuhan utama pada 2 studi kasus keluhan pengguna. Acuan jawaban: Kasus 1 (Pengguna: warga pemukiman; Kebutuhan: notifikasi/jadwal pengangkutan sampah organik dan anorganik); Kasus 2 (Pengguna: petugas perpustakaan sekolah; Kebutuhan: sistem pelacak otomatis tenggat waktu pengembalian buku).

Proses:

• Observasi keterlibatan kelompok dan penilaian formatif lembar Dokumen Spesifikasi Solusi per kelompok. Acuan verifikasi LKPD: memuat secara tepat profil pengguna target, minimal 3 rumusan kebutuhan fungsional spesifik sistem, dan minimal 2 batasan teknis sistem yang realistis.

Akhir Pertemuan:

• Cek pemahaman individu di akhir sesi berupa 1 butir pertanyaan reflektif tertulis: 'Tuliskan perbedaan mendasar antara kebutuhan pengguna (user need) dan spesifikasi solusi sistem (solution specification) beserta 1 contoh konkretnya!' (Kriteria penerimaan: Kebutuhan pengguna mendeskripsikan masalah/keinginan pengguna dalam bahasa awam/konteks hidup sehari-hari, sedangkan spesifikasi solusi mendeskripsikan kapabilitas fungsional atau batasan teknis sistem rekayasa untuk memenuhi kebutuhan tersebut; contoh relevan dan konsisten).

Formatif:

• Penilaian proses unjuk kerja kelompok dalam menggali kebutuhan pengguna dan merumuskan Dokumen Spesifikasi Solusi menggunakan lembar observasi dan rubrik ketercapaian.

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu pada simulasi roleplay wawancara kebutuhan pengguna berjalan efektif dan terarah?
• Apakah murid mengalami kesulitan dalam membedakan antara keinginan pengguna yang subjektif dengan kebutuhan fungsional teknis yang terukur?

Murid:

• Bagian mana dari perumusan spesifikasi solusi yang paling menantang bagi saya dan kelompok saya?
• Apa hal baru yang saya sadari mengenai pentingnya memahami sudut pandang pengguna sebelum membuat solusi rekayasa?

Pertemuan 6 — Menerapkan Engineering Process dalam Merancang Diagram Alir dan Desain Alur Tahapan Solusi Permasalahan — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan

Pendahuluan:

• Guru mengondisikan kelas, menyampaikan tujuan pembelajaran mengenai perancangan diagram alir tahapan solusi dalam engineering process, serta memberikan asesmen diagnostik singkat (10 menit).

Kegiatan Inti:

Memahami (Bermakna):

• Murid mengamati contoh perancangan alur tahapan solusi dan mendalami fungsi simbol standar diagram alir (terminator, proses, keputusan/kondisi, input/output) dalam rekayasa solusi (15 menit).

Mengaplikasi (Menggembirakan, Berkesadaran):

• Murid bermain tantangan tebak dan pasang simbol diagram alir cepat 'Flowchart Relay' berpasangan untuk melatih ketepatan identifikasi fungsi simbol solusi rekayasa secara menyenangkan (15 menit).
• Murid merancang diagram alir tahapan solusi permasalahan pengelolaan sampah berdasarkan lembar spesifikasi kebutuhan dengan menyusun minimal 5 tahapan berurutan (terminator mulai, masukan data timbulan sampah, percabangan kapasitas penuh atau tidak, proses penjadwalan angkut, dan terminator selesai) (35 menit).

Merefleksi (Berkesadaran):

• Murid mengevaluasi keterhubungan logika antarsimbol panah alir dan kelengkapan tahapan solusi pada rancangan diagram alir masing-masing serta memperbaiki percabangan yang terputus (10 menit).

Penutup:

• Guru memberikan penguatan terhadap rancangan diagram alir tahapan solusi yang dibuat murid, memfasilitasi tindak lanjut persiapan penulisan pseudocode di sesi berikutnya, dan menutup pembelajaran (5 menit).

Diferensiasi:

• Konten: Menyediakan lembar bantu visual simbol standar flowchart bagi murid yang membutuhkan scaffolding dan template diagram alir kompleks (dua percabangan) bagi yang cepat.
• Proses: Murid yang membutuhkan bimbingan menyusun alur 1 kondisi sederhana, sedangkan murid yang mahir merancang alur dengan kondisi bertingkat (nested decision).
• Produk: Rancangan diagram alir solusi dapat disajikan dalam format gambar digital atau sketsa manual terstruktur dengan ketetapan simbol yang sama.

Asesmen Pertemuan:

Awal:

• Menjawab kuis diagnostik singkat 3 butir simbol diagram alir: (1) Bentuk oval/terminator untuk apa? (acuan: awal/akhir program); (2) Bentuk belah ketupat untuk apa? (acuan: keputusan/percabangan/kondisi); (3) Bentuk persegi panjang untuk apa? (acuan: proses/kegiatan komputasi).

Proses:

• Observasi formatif saat murid menyusun diagram alir tahapan solusi: memeriksa ketepatan penggunaan 4 jenis simbol (terminator, input/output jajar genjang, proses persegi panjang, keputusan belah ketupat) dan keberadaan arah panah alir yang konsisten tidak menggantung.

Akhir Pertemuan:

• Cek pemahaman mandiri akhir sesi: Murid memeriksa rancangan diagram alir tahapan solusi miliknya dengan kriteria penerimaan operasional: diagram alir memuat minimal 5 tahapan berurutan (terminator awal, 1 input data, 1 percabangan keputusan Ya/Tidak, 1 aksi proses, terminator akhir) dengan seluruh garis alir terhubung tuntas.

Formatif:

• Penilaian unjuk kerja perancangan diagram alir tahapan solusi permasalahan menggunakan lembar ceklis ketepatan simbol dan keruntutan alur logika

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh murid memahami fungsi pemetaan tahapan solusi ke dalam simbol diagram alir sebelum melangkah ke pembuatan pseudocode?
• Bagian mana dari perancangan alur percabangan keputusan yang paling sering mengalami kebuntuan logika pada murid?

Murid:

• Apakah diagram alir yang saya buat sudah dapat dibaca dengan jelas dari titik awal hingga titik akhir oleh orang lain?
• Apa tantangan terbesar saat membagi proses solusi rekayasa menjadi langkah percabangan keputusan?

Pertemuan 7 — Menerapkan Engineering Process pada Tahap Perancangan Logika Pseudocode Solusi Permasalahan Berbasis Rekayasa — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan

Pendahuluan:

• Guru membuka kelas, mengecek kehadiran murid, dan menyampaikan fokus pertemuan pada tahapan perancangan logika pseudocode dalam engineering process (5 menit).
• Guru melaksanakan asesmen diagnostik singkat dengan menampilkan potongan logika rumpang di layar papan tulis untuk memetakan kesiapan logika pseudocode murid (10 menit).
• Guru mengaitkan hasil diagram alir dari pertemuan sebelumnya dengan kebutuhan menyusun pseudocode terstruktur sebagai jembatan rancangan solusi sebelum implementasi skrip kode (5 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Murid menyimak telaah konseptual mengenai konvensi pseudocode dalam rekayasa perangkat lunak (inisialisasi variabel, input, percabangan IF-ELSE, perulangan WHILE/FOR, dan output) yang dihubungkan dengan tahapan engineering process (15 menit).
• Murid menganalisis contoh kasus rekayasa model 'Sistem Pemilah Sampah Cerdas': Guru membedah bersama murid bagaimana simbol diagram alir diterjemahkan baris demi baris menjadi blok pseudocode yang valid (15 menit).

Mengaplikasi (Menggembirakan, Bermakna, Berkesadaran):

• Murid mengikuti permainan mini interaktif berpasangan 'Tantangan Susun Blok Pseudocode': setiap pasangan menerima potongan kartu logika pseudocode acak untuk studi kasus 'Sistem Peringatan Dini Banjir Berbasis Sensor' dan berlomba mengurutkannya menjadi susunan pseudocode yang runtut dan benar (15 menit).
• Guru memvalidasi hasil susunan kartu pseudocode bersama kelas, mengonfirmasi susunan logika yang tepat (INPUT ketinggian, IF ketinggian > batas_bahaya THEN STATUS = 'Bahaya' ELSE STATUS = 'Aman', TAMPILKAN STATUS) (10 menit).
• Murid secara mandiri mengerjakan Lembar Kerja Perancangan Pseudocode Rekayasa: menyusun pseudocode lengkap (memuat inisialisasi, input data sensor/masukan, logika percabangan, perulangan pemantauan, dan aksi keluaran) berdasarkan permasalahan rekayasa yang telah mereka pilih pada tahapan engineering process sebelumnya (30 menit).

Merefleksi (Berkesadaran):

• Murid melakukan penelusuran balik (desk checking / dry-run) secara mandiri pada pseudocode buatannya sendiri dengan menguji 2 skenario nilai input untuk memastikan tidak terjadi kebuntuan logika (deadlock) atau kesalahan kondisi cabang (15 menit).
• Murid mengisi kartu refleksi satu menit mengenai kemudahan dan kendala saat memformalkan ide solusi ke dalam sintaksis logika pseudocode (5 menit).

Penutup:

• Guru bersama murid menyimpulkan peran kunci perancangan logika pseudocode dalam engineering process untuk memvalidasi algoritma sebelum tahap pemrograman (5 menit).
• Guru memberikan penguatan arah tindak lanjut untuk sesi berikutnya (penuntasan berkas diagram dan tahapan rekayasa portofolio) serta menutup pembelajaran dengan doa dan salam (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan perancangan terpandu diberikan panduan templat kata kunci sintaksis pseudocode (START, SET, READ, IF-THEN-ELSE, END), sedangkan murid yang lebih cepat diberikan skenario variasi input multi-kondisi (percabangan bersarang/nested-IF).
• Proses: Scaffolding bertahap: murid yang memerlukan bimbingan didampingi guru pada perumusan kondisi batas (boundary condition), sementara murid yang mandiri memvalidasi mandiri rancangan pseudocodenya dengan teknik dry-run dua nilai masukan ekstem.
• Produk: Format luaran tetap sama berupa dokumen rancangan teks pseudocode solusi rekayasa, dengan fleksibilitas kompleksitas logika perulangan atau percabangan disesuaikan dengan skenario masalah rekayasa masing-masing murid.

Asesmen Pertemuan:

Awal:

• Diagnostik pemahaman struktur logika dasar melalui soal rumpang di papan tulis: Diberikan pseudocode rumpang: 'INPUT nilai; IF nilai >= 75 THEN KETERANGAN = [A] ELSE KETERANGAN = [B]; DISPLAY KETERANGAN'. Murid diminta menentukan nilai [A] dan [B] dari opsi: (1) [A]='Lulus', [B]='Remedial'; (2) [A]='Gagal', [B]='Sukses'. Acuan jawaban benar: Opsi (1) karena nilai >= 75 menyatakan kondisi ketercapaian/lulus.

Proses:

• Observasi formatif saat pengerjaan Tantangan Susun Blok Pseudocode 'Sistem Peringatan Dini Banjir Berbasis Sensor': Memeriksa ketepatan murid menyusun 5 baris kartu instruksi secara runtut: (1) BACA sensor_air; (2) JIKA sensor_air >= 150 MAKA; (3) STATUS = 'Siaga 1'; (4) JIKA TIDAK MAKA STATUS = 'Normal'; (5) TAMPILKAN STATUS. Acuan: urutan kartu harus 1-2-3-4-5.
• Pemeriksaan lembar kerja mandiri pseudocode rekayasa murid dengan mengamati kelengkapan elemen: (1) penamaan variabel/inisialisasi, (2) instruksi masukan/input, (3) struktur percabangan/perulangan, dan (4) instruksi keluaran/output.

Akhir Pertemuan:

• Cek pemahaman penutup (Exit Ticket Logika Rekayasa): Murid menganalisis potongan logika pseudocode 'SET suhu = 38; IF suhu > 37.5 THEN ALARM = AKTIF ELSE ALARM = MATI'. Murid menuliskan kondisi akhir ALARM dan satu alasan logisnya. Kriteria penerimaan operasional: Jawaban benar ALARM = AKTIF, dengan alasan operasional nilai 38 memenuhi syarat relasional lebih besar dari 37.5.

Formatif:

• Penilaian proses unjuk kerja penyusunan kartu pseudocode pada kegiatan tantangan berpasangan
• Pemeriksaan lembar kerja mandiri perancangan pseudocode solusi rekayasa menggunakan rubrik ketercapaian

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah strategi permainan kartu susun pseudocode efektif membantu murid memahami transisi dari diagram alir ke sintaksis teks terstruktur?
• Bagian mana dari perancangan pseudocode (kondisi logika, perulangan, atau inisialisasi) yang paling banyak membutuhkan bimbingan guru?

Murid:

• Apakah alur logika pseudocode yang saya rancang sudah cukup jelas dan runtut sehingga orang lain dapat memahaminya tanpa kebingungan?
• Langkah apa yang paling menantang bagi saya saat mengubah rancangan tahapan solusi rekayasa menjadi bentuk pseudocode?

Pertemuan 8 — Menerapkan Engineering Process dalam Finalisasi Dokumen Diagram Tahapan Rekayasa Solusi Permasalahan untuk Portofolio 28 Murid — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan

Pendahuluan:

• Guru membuka pembelajaran dengan salam, memeriksa kesiapan fisik kelas, dan melakukan presensi untuk memastikan seluruh 28 murid hadir mengikuti sesi finalisasi portofolio (3 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ke-8, yaitu menerapkan engineering process dalam menyempurnakan dan memfinalisasi dokumen diagram tahapan solusi permasalahan secara mandiri ke dalam portofolio (3 menit).
• Guru melaksanakan asesmen awal diagnostik melalui kuis verifikasi cepat: murid diminta mengidentifikasi urutan 4 tahapan siklus engineering process pada lembar verifikasi (tahapan acuan: 1. Memahami Kebutuhan Pengguna, 2. Perumusan Spesifikasi Masalah, 3. Perancangan Diagram Alir/Desain Alur, 4. Perancangan Logika Pseudocode) (9 menit).

Kegiatan Inti:

Memahami (Berkesadaran):

• Murid menyimak panduan verifikasi dokumen engineering process yang diproyeksikan guru mengenai 4 komponen standar dokumen portofolio rekayasa: (1) Spesifikasi Kebutuhan Pengguna, (2) Diagram Alur Sistem/Flowchart, (3) Logika Pseudocode Algoritma, dan (4) Penyelarasan Input-Proses-Output Solusi (8 menit).
• Murid secara berkesadaran menelaah draf dokumen kerja masing-masing dari pertemuan 5-7 dan memeriksa kelengkapan keempat komponen tersebut menggunakan lembar cek mandiri berstruktur (7 menit).

Mengaplikasi (Bermakna, Menggembirakan):

• Murid mengikuti tantangan 'Teka-Teki Celah Alur (Flow Bug Hunter)' di mana murid secara mandiri menganalisis 1 skenario diagram alur rekayasa simulasi yang ditampilkan guru untuk menemukan 2 kesalahan logika: loop tanpa terminasi (infinite loop) dan percabangan keputusan tanpa label kondisi (Ya/Tidak) (10 menit).
• Murid menerapkan engineering process secara mandiri untuk memperbaiki dan merapikan dokumen rancangan solusi masing-masing, memastikan diagram alir memiliki simbol standar ANSI, arah panah logis tidak terputus, dan pseudocode selaras dengan alur keputusan (22 menit).
• Sebanyak 28 murid melakukan finalisasi berkas dokumen lembar kerja rancangan rekayasa solusi, membubuhkan identitas lengkap, dan menyatukannya ke dalam map portofolio rekayasa individual sesuai format baku (10 menit).

Merefleksi (Berkesadaran):

• Murid melakukan evaluasi ketercapaian perancangan solusi dengan mengisi matriks validasi rancangan: memverifikasi apakah setiap tahapan diagram alir dan pseudocode yang difinalisasi telah benar-benar menjawab spesifikasi masalah pengguna yang dirumuskan di awal (10 menit).

Penutup:

• Guru memfasilitasi pengumpulan seluruh 28 berkas portofolio dokumen rancangan tahapan rekayasa solusi yang telah lengkap dan tervalidasi (4 menit).
• Guru memberikan umpan balik menyeluruh mengenai ketepatan perancangan alur rekayasa dan menginformasikan bahwa portofolio ini menjadi acuan spesifikasi untuk tahap pengembangan model KA di pertemuan 9 (4 menit).

Diferensiasi:

• Konten: Menyediakan lembar panduan simbol standar diagram alir ANSI dan konvensi penulisan pseudocode bagi murid yang memerlukan dukungan visual tambahan; menyediakan kartu studi kasus logika percabangan kompleks bertingkat bagi murid yang telah selesai lebih awal.
• Proses: Memberikan scaffolding bertahap berupa panduan pengecekan satu per satu simbol alur bagi murid yang masih mengalami kerancuan alur; memberikan kemandirian penuh tanpa intervensi bagi murid yang alur logikanya sudah terverifikasi runtut.
• Produk: Format portofolio diserahkan dalam bentuk dokumen lembar rekayasa fisik terstandar atau format cetak diagram digital, dengan kedalaman cabang logika disesuaikan kompleksitas masalah yang dipilih murid.

Asesmen Pertemuan:

Awal:

• Kuis tertulis singkat mencocokkan urutan 4 tahapan engineering process. Soal: Urutkan tahapan rekayasa berikut secara benar: [A. Perancangan Logika Pseudocode, B. Memahami Kebutuhan Pengguna, C. Perancangan Diagram Alir, D. Perumusan Spesifikasi Masalah]. (Kunci acuan urutan benar: 1. B - Memahami Kebutuhan Pengguna, 2. D - Perumusan Spesifikasi Masalah, 3. C - Perancangan Diagram Alir, 4. A - Perancangan Logika Pseudocode).

Proses:

• Observasi formatif saat tantangan Flow Bug Hunter dan perbaikan dokumen mandiri: Murid memeriksa 2 celah logika alur pada skenario guru (Kunci acuan kesalahan: (1) simpul proses data mengarah kembali ke simpul sebelumnya tanpa kondisi keluar sehingga terjadi infinite loop; (2) simpul belah ketupat keputusan/decision hanya memiliki 1 garis keluar tanpa penanda Ya/Tidak). Murid dinilai tepat bila berhasil menandai kedua celah tersebut.
• Pemeriksaan kemajuan draf portofolio: Guru memeriksa keselarasan antara diagram alir dan pseudocode yang sedang dirapikan oleh 28 murid di meja masing-masing menggunakan ceklis kelengkapan 4 komponen standar dokumen.

Akhir Pertemuan:

• Cek verifikasi portofolio akhir: Pemeriksaan keterpenuhan 4 komponen dokumen rekayasa yang dikumpulkan 28 murid ke dalam portofolio. Kriteria keterpenuhan: dokumen memuat (1) teks spesifikasi kebutuhan pengguna minimal 2 butir, (2) diagram alir lengkap dengan terminator Mulai-Selesai dan simbol arah panah konsisten, (3) pseudocode yang memuat struktur input-proses-output, (4) keselarasan logika antara diagram alir dan pseudocode tanpa cabang buntu.

Formatif:

• Penilaian asesmen awal diagnostik urutan 4 tahap engineering process
• Penilaian unjuk kerja audit mandiri dokumen diagram alir dan pseudocode
• Penilaian rubrik dokumen final tahapan rekayasa solusi dalam portofolio 28 murid

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh 28 murid mampu menyelesaikan finalisasi dokumen rekayasa solusinya secara mandiri dalam alokasi waktu yang disediakan?
• Bagian mana dari diagram alur atau pseudocode murid yang paling banyak memerlukan perbaikan logika selama proses asistensi portofolio?

Murid:

• Apakah tahapan solusi rekayasa yang saya tuangkan ke dalam diagram alir dan pseudocode sudah benar-benar runtut dan siap dijadikan panduan coding model KA?
• Kendala logika apa yang paling menantang saat saya memfinalisasi dokumen rancangan solusi ini, dan bagaimana saya mengatasinya?

Pertemuan 9 — Mengembangkan Model KA Sederhana: Prapemrosesan Dataset Sehari-hari dan Penyiapan Fitur — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan belajar murid, dan menyampaikan tujuan pembelajaran yaitu mengembangkan model KA sederhana melalui tahapan prapemrosesan dataset dan penyiapan fitur (5 menit).
• Guru melaksanakan asesmen diagnostik singkat: murid menjawab 3 pertanyaan tertulis di lembar awal mengenai data tabular: (1) Apa sebutan untuk kolom input pembeda dalam model KA? (acuan: Fitur / Feature); (2) Apa sebutan kolom target yang ingin diprediksi? (acuan: Label / Target); (3) Apa tindakan jika ada sel data numerik kosong? (acuan: Menghapus baris atau mengisi/imputasi dengan nilai rata-rata/median) (10 menit).
• Guru mengaitkan hasil asesmen awal dengan analogi bahan masakan mentah yang harus dibersihkan, dipotong, dan dipilah sebelum dimasak agar menghasilkan masakan yang berkualitas, sama halnya dengan dataset mentah sebelum dilatihkan ke model KA (5 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid menyimak pemaparan guru dan demonstrasi interaktif mengenai pustaka Pandas dan Scikit-Learn untuk membaca dataset `aktivitas_belajar.csv`, mendeteksi missing values (`dropna`/`fillna`), melakukan rekayasa fitur kategorikal dengan One-Hot Encoding/Label Encoding, serta pemisahan fitur (X) dan label (y) (15 menit).
• Murid mengikuti permainan cepat 'Detektif Data' secara berpasangan: guru menampilkan tabel data mentah dengan 4 anomali (data kosong pada kolom jam_tidur, nilai teks 'tinggi' pada kolom jam_belajar numerik, kategori teks pada kolom sarapan, dan kolom nama yang tidak relevan), murid berlomba menuliskan langkah pembersihan yang tepat untuk ke-4 anomali tersebut (acuan: imputasi median jam_tidur, perbaikan tipe data jam_belajar, encoding biner sarapan, dropping kolom nama) (15 menit).

Mengaplikasi (Berkesadaran, Bermakna):

• Murid secara mandiri membuka lingkungan Python (Jupyter Notebook/Google Colab) dan memuat dataset sehari-hari berformat CSV tentang 'Prediksi Kelulusan Ujian Berdasarkan Pola Belajar' yang berisi 5 kolom: `Nama_Siswa`, `Jam_Belajar_Harian`, `Persentase_Kehadiran`, `Ikut_Bimbel` (Ya/Tidak), dan `Status_Lulus` (Lulus/Remedial) (15 menit).
• Murid mengeksekusi skrip prapemrosesan data: menghapus kolom yang tidak relevan (`Nama_Siswa`), menangani nilai kosong pada kolom `Jam_Belajar_Harian` dengan nilai rata-rata (mean imputation), dan mengubah fitur kategorikal biner `Ikut_Bimbel` menjadi representasi numerik 0 dan 1 (acuan: Tidak = 0, Ya = 1) (20 menit).
• Murid memisahkan dataset menjadi variabel fitur independen (X) yang mencakup `Jam_Belajar_Harian`, `Persentase_Kehadiran`, `Ikut_Bimbel` dan variabel target (y) yaitu `Status_Lulus`, kemudian melakukan penyiapan penskalaan fitur numerik menggunakan StandardScaler atau Min-Max Scaler (20 menit).

Merefleksi (Berkesadaran):

• Murid memverifikasi output matriks fitur X dan vektor label y melalui perintah `X.shape`, `X.isnull().sum()`, dan menampilkan 5 baris pertama data bersih untuk memastikan tidak ada lagi data kosong atau string non-numerik (10 menit).
• Murid mencatat kesimpulan pada lembar kerja reflektif mengenai bagaimana kualitas pembersihan data dan pemilihan fitur mempengaruhi kesiapan data sebelum dilatihkan ke algoritma pembelajaran mesin pada pertemuan berikutnya (10 menit).

Penutup:

• Guru memberikan penguatan terhadap hasil prapemrosesan dataset dan mengumpulkan berkas notebook/lembar kerja verifikasi penyiapan fitur murid (5 menit).
• Guru menutup pertemuan dengan memberikan apresiasi atas kemandirian kerja murid dan menginformasikan bahwa data yang telah bersih ini akan digunakan untuk pelatihan model Machine Learning pada Pertemuan 10 (5 menit).

Diferensiasi:

• Konten: Menyediakan template skrip Python berstruktur runtut dengan komentar pemandu bagi murid yang membutuhkan bimbingan teknis, serta dataset dengan variasi tipe data kategorikal bertingkat bagi murid yang cepat.
• Proses: Murid yang membutuhkan bimbingan diberikan panduan sintaks fungsi Pandas langkah demi langkah, sedangkan murid cepat diberikan tantangan mandiri untuk menerapkan teknik normalisasi fitur tambahan (MinMaxScaler vs StandardScaler).
• Produk: Seluruh murid menghasilkan luaran notebook yang menampilkan fitur X dan label y yang bersih tanpa missing value; murid berkemampuan lanjut menyertakan perbandingan visualisasi sebaran data sebelum dan sesudah penskalaan fitur.

Asesmen Pertemuan:

Awal:

• Cek pemahaman data tabular melalui 3 butir pertanyaan tertulis: (1) Sebutkan istilah kolom input dalam model KA! (acuan: Fitur / Feature); (2) Sebutkan istilah kolom target yang diprediksi! (acuan: Label / Target); (3) Sebutkan tindakan saat menemukan sel numerik kosong! (acuan: Menghapus baris/imputasi nilai mean/median). Murid siap jika menjawab benar minimal 2 dari 3 butir.

Proses:

• Pemeriksaan ketepatan skrip prapemrosesan pada notebook: (1) Penanganan missing values pada kolom Jam_Belajar_Harian (acuan: terisi rata-rata/median tanpa baris NaN tersisa); (2) Transformasi kategorikal Ikut_Bimbel (acuan: Ya=1, Tidak=0); (3) Pemisahan matriks X (3 fitur numerik) dan vektor y (label target) yang terverifikasi melalui X.shape.

Akhir Pertemuan:

• Cek hasil verifikasi akhir dataset bersih melalui pemeriksaan output kode: 5 baris pertama X bertipe data numerik murni, tidak ada nilai NaN (`X.isnull().sum() == 0`), dan variabel label y terdefinisi secara terpisah.

Formatif:

• Kuis diagnostik tertulis pemahaman data tabular di pendahuluan
• Observasi unjuk kerja pemrograman saat prapemrosesan dataset dan penyiapan fitur di kegiatan inti

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu 135 menit mencukupi bagi seluruh 28 murid untuk menyelesaikan praktik prapemrosesan dataset di lingkungan pemrograman?
• Kendala teknis apa yang paling banyak dihadapi murid saat melakukan manipulasi dataset dengan pustaka Python?
• Bagaimana efektivitas diferensiasi proses dalam mendampingi murid yang lambat memahami konsep penyiapan fitur?

Murid:

• Langkah prapemrosesan data mana yang menurutmu paling menantang dan bagaimana kamu menyelesaikannya?
• Mengapa model kecerdasan artifisial membutuhkan pemisahan antara variabel fitur (X) dan variabel target (y)?
• Apakah kamu sudah yakin bahwa dataset yang kamu bersihkan hari ini siap digunakan untuk proses pelatihan model pada pertemuan berikutnya?

Pertemuan 10 — Mengembangkan Model KA Sederhana: Pelatihan Algoritma Machine Learning Klasifikasi Menggunakan Skrip Kode — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan perangkat laptop/komputer, dan menyampaikan tujuan pembelajaran mengenai pelatihan model klasifikasi KA menggunakan skrip kode Python (5 menit).
• Guru melaksanakan asesmen awal diagnostik melalui 2 pertanyaan lisan: (1) Sebutkan fungsi pemisahan data latih (training data) dan data uji (testing data); (2) Sebutkan nama fungsi/method pada library Scikit-Learn untuk melatih model (acuan: (1) Data latih untuk melatih model belajar pola, data uji untuk menguji performa; (2) method `.fit()`) (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Berkesadaran):

• Murid menyimak demonstrasi guru tentang struktur skrip kode pelatihan model klasifikasi menggunakan Decision Tree / K-Nearest Neighbors pada Google Colab, berfokus pada inisialisasi algoritma dan pemanggilan fungsi `.fit(X_train, y_train)` (15 menit).
• Murid secara mandiri menelaah potongan 3 baris kode kunci pelatihan: baris 1 pemanggilan library/kelas model (`from sklearn.tree import DecisionTreeClassifier`), baris 2 inisialisasi model (`model = DecisionTreeClassifier()`), dan baris 3 pelatihan (`model.fit(X_train, y_train)`), memastikan pemahaman alur eksekusi komputasi (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid memainkan kuis cepat 'Tebak Baris Kode Pelatihan' berpasangan di mana satu murid menyebutkan fungsi tahapan (impor, inisialisasi, fitting) dan pasangannya menuliskan sintaks kode yang sesuai di papan tulis mini/kertas kerja dengan penuh semangat (15 menit).
• Murid membuka berkas notebook Google Colab berisi dataset klasifikasi bunga iris/kelayakan air yang telah disiapkan pada pertemuan sebelumnya, lalu menuliskan skrip inisialisasi algoritma klasifikasi (Decision Tree atau KNN) (20 menit).
• Murid mengeksekusi skrip kode pelatihan model dengan memanggil fungsi `.fit()` pada data latih (`X_train`, `y_train`) hingga proses pelatihan berhasil dieksekusi tanpa galat/syntax error (20 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa status luaran (output log) objek model yang berhasil dilatih di lingkungan notebook untuk memastikan algoritma telah menyimpan bobot/pola data (10 menit).
• Murid menuliskan refleksi singkat pada lembar catatan mengenai perbedaan peran antara parameter input fitur `X_train` dan label target `y_train` dalam proses pembentukan model KA (10 menit).

Penutup:

• Guru bersama murid menyimpulkan intisari langkah penulisan skrip kode pelatihan algoritma klasifikasi dalam pengembangan model KA sederhana (10 menit).
• Guru memberikan umpan balik terhadap hasil eksekusi kode murid dan menginformasikan bahwa model yang telah dilatih akan dievaluasi metrik akurasinya pada Pertemuan 11 (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan template skrip kode rumpang dengan penanda bagian inisialisasi dan fitting, sedangkan murid yang mahir diberikan dataset dengan fitur tambahan untuk dieksplorasi.
• Proses: Murid yang mengalami kendala sintaks didampingi langsung oleh guru pada baris error, sementara murid yang mahir mencoba membandingkan kode pelatihan algoritma Decision Tree dan K-Nearest Neighbors secara mandiri.
• Produk: Seluruh murid menghasilkan luaran sel kode yang berhasil mengeksekusi fungsi `.fit()` tanpa galat, dengan variasi penentuan hyperparameter dasar bagi murid mahir.

Asesmen Pertemuan:

Awal:

• Tanya jawab diagnostik di awal pembelajaran mengenai pemahaman konsep dasar pelatihan model KA: (1) Apa fungsi data latih?; (2) Apa method Python untuk melatih model klasifikasi? (Acuan jawaban: (1) Data latih digunakan sebagai contoh bagi algoritma untuk mengenali pola hubungan fitur dan label; (2) Method/fungsi `.fit()` atau `fit(X, y)`).

Proses:

• Cek formatif saat murid mempraktikkan pengodean: Memeriksa apakah sel kode pelatihan memuat 3 elemen esensial: (1) Impor library/kelas algoritma klasifikasi (misal: `DecisionTreeClassifier`); (2) Instansiasi/inisialisasi variabel model; (3) Pemanggilan `.fit(X_train, y_train)` tanpa menghasilkan pesan galat (syntax/runtime error).

Akhir Pertemuan:

• Pengecekan hasil keluaran sel notebook: Murid menunjukkan luaran eksekusi kode pelatihan yang memunculkan ringkasan objek model (misal: `DecisionTreeClassifier()`) sebagai bukti keberhasilan proses fitting model KA terhadap data latih (Acuan: sel kode berjalan dengan status centang hijau/sukses dan menghasilkan objek estimator).

Formatif:

• Observasi unjuk kerja penulisan dan pengeksekusian skrip kode pelatihan model klasifikasi pada Google Colab
• Pemeriksaan kebenaran sintaks inisialisasi model dan pemanggilan fungsi `.fit(X_train, y_train)`

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh murid berhasil mengatasi galat sintaks saat memanggil fungsi pelatihan model pada lingkungan koding?
• Bagian mana dari penjelasan tahapan pelatihan algoritma machine learning yang masih memerlukan peragaan ulang?

Murid:

• Apakah saya sudah memahami fungsi dari perintah `.fit()` dalam proses pembuatan model kecerdasan artifisial?
• Kendala teknis apa yang saya hadapi saat menuliskan dan mengeksekusi skrip kode pelatihan model tadi?

Pertemuan 11 — Mengembangkan Model KA Sederhana: Evaluasi Metrik Akurasi dan Pencatatan Log Performa Model — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kesiapan perangkat komputer/lingkungan pemrograman Python, dan menyampaikan tujuan pembelajaran evaluasi model KA (5 menit).
• Guru memberikan asesmen diagnostik awal singkat: murid menjawab 2 pertanyaan tertulis di lembar awal: (1) 'Jika dari 10 data uji, model menebak 8 data dengan tepat, berapa nilai akurasinya?' (acuan: 8/10 = 0.8 atau 80%); (2) 'Fungsi library scikit-learn apa yang digunakan untuk menghitung skor akurasi?' (acuan: accuracy_score dari sklearn.metrics) (10 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Murid menyimak demonstrasi guru tentang konsep evaluasi model KA klasifikasi sederhana dan sintaks pemanggilan metrik akurasi menggunakan fungsi accuracy_score(y_true, y_pred) pada scikit-learn (15 menit).
• Murid menganalisis contoh log performa model yang memuat kolom versi model, algoritma/hyperparameter, nilai akurasi data latih, dan nilai akurasi data uji (10 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid mengikuti tantangan 'Tebak Skor & Buktikan': guru memberikan 4 pasang data luaran prediksi model KA dan label aktual di layar proyektor [Uji 1: Benar 7 dari 10 (70%); Uji 2: Benar 9 dari 10 (90%); Uji 3: Benar 6 dari 10 (60%); Uji 4: Benar 10 dari 10 (100%)], lalu murid secara cepat menghitung mental dan menuliskan skrip kode pengujian akurasi untuk mencocokkan tebakan secara menggembirakan (15 menit).
• Murid membuka berkas skrip kode model klasifikasi yang telah dilatih pada pertemuan sebelumnya, lalu menuliskan fungsi evaluasi akurasi menggunakan modul sklearn.metrics pada data uji mandiri (30 menit).
• Murid mengisi tabel log performa model KA pada lembar kerja proyek yang memuat 3 iterasi percobaan (Iterasi 1 baseline, Iterasi 2 penyesuaian parameter, Iterasi 3 pengujian ulang) dengan mencatat nilai akurasi terukur secara sistematis (25 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa kesesuaian nilai akurasi pada log performa masing-masing terhadap standar ketercapaian model dan mencatat kendala penulisan kode metrik yang dialami (15 menit).

Penutup:

• Guru bersama murid menyimpulkan pentingnya evaluasi akurasi dan pencatatan log performa dalam rekayasa model KA yang terstruktur (5 menit).
• Guru memberikan umpan balik terhadap hasil evaluasi skrip murid dan menginstruksikan penyimpanan berkas log performa untuk persiapan tahap verifikasi kode pertemuan berikutnya (5 menit).

Diferensiasi:

• Konten: Menyediakan template tabel log performa dengan struktur kolom yang sudah terdefinisi bagi murid yang memerlukan panduan, dan format tabel terbuka bagi murid yang siap eksplorasi mandiri.
• Proses: Memberikan bimbingan langsung dalam penulisan sintaks sklearn.metrics bagi murid yang mengalami kendala teknis, serta memberikan dataset uji dengan variasi sebaran lebih kompleks bagi murid yang menyelesaikan lebih cepat.
• Produk: Tabel log performa model KA dengan pencatatan minimal 3 iterasi percobaan nilai akurasi numerik yang valid.

Asesmen Pertemuan:

Awal:

• Soal diagnostik tertulis 2 butir: (1) 'Jika dari 10 data uji, model menebak 8 data dengan tepat, berapa nilai akurasinya?' (Kunci acuan: 8/10 = 0.8 atau 80%); (2) 'Fungsi library scikit-learn apa yang digunakan untuk menghitung skor akurasi?' (Kunci acuan: accuracy_score dari library sklearn.metrics).

Proses:

• Pengamatan langsung dan verifikasi kode pada IDE: memeriksa ketepatan pemanggilan accuracy_score(y_test, y_pred) serta pencatatan nilai akurasi numerik pada tabel log performa untuk 3 iterasi percobaan.

Akhir Pertemuan:

• Cek pemahaman mandiri: murid menyerahkan tabel log performa model yang memuat: (1) Skrip evaluasi akurasi scikit-learn yang bebas galat sintaks; (2) Catatan nilai akurasi 3 iterasi pengujian (Kriteria penerimaan: nilai akurasi terhitung secara matematis tepat berada pada rentang 0.0 sampai 1.0 atau 0% sampai 100% berdasarkan perbandingan data uji y_test dan y_pred).

Formatif:

• Penilaian unjuk kerja pengkodean fungsi evaluasi akurasi pada skrip Python
• Pemeriksaan lembar log performa model KA (akurasi iterasi 1, 2, dan 3)

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah seluruh murid berhasil mengeksekusi fungsi evaluasi akurasi menggunakan skrip Python tanpa galat mendasar?
• Bagian mana dari konsep perhitungan dan pencatatan log akurasi yang paling banyak memerlukan bimbingan ulang?

Murid:

• Apakah saya sudah memahami cara menghitung dan menampilkan skor akurasi model KA menggunakan kode program?
• Apakah tabel log performa yang saya buat sudah menggambarkan perubahan akurasi model dari setiap iterasi percobaan?

Pertemuan 12 — Mengembangkan Model KA Sederhana: Verifikasi Kode Mandiri dan Finalisasi Berkas Model KA Portofolio untuk 28 Murid — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari

Pendahuluan:

• Guru membuka pembelajaran dengan salam, memeriksa kehadiran 28 murid, dan menyampaikan fokus pertemuan yaitu verifikasi kode mandiri serta finalisasi berkas model KA untuk portofolio (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan meminta murid memeriksa potongan kode impor berkas model: `joblib.dump(model, 'model_ka.pkl')` dan menjawab pertanyaan fungsi kode tersebut (acuan benar: menyimpan/mengekspor objek model yang telah dilatih ke dalam berkas biner serialisasi) secara tertulis di lembar kendali (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Menggembirakan):

• Murid mencermati panduan verifikasi kode mandiri yang memuat 4 aspek kelayakan model KA: (1) pemisahan fitur dan target dataset, (2) pelatihan algoritma model klasifikasi, (3) perhitungan metrik evaluasi akurasi, dan (4) penyimpanan model menjadi berkas biner serial (.pkl/.joblib) (10 menit).
• Murid mengikuti tantangan 'Tebak Galat Kode' yang ditampilkan di layar proyeksi, di mana murid secara mandiri mencocokkan 3 contoh galat kode (contoh: variabel dataset belum didefinisikan, parameter fungsi model tertukar, berkas model belum disimpan) dengan baris kode perbaikannya (10 menit).

Mengaplikasi (Berkesadaran):

• Setiap murid (dari 28 murid) membuka komputer kerja masing-masing secara mandiri dan menjalankan eksekusi ulang run-all pada berkas skrip kode model KA (berisi alur: pemuatan data, pelatihan model, evaluasi, hingga serialisasi ekspor berkas) tanpa menimbulkan galat eksekusi (25 menit).
• Setiap murid melakukan finalisasi penamaan berkas portofolio model KA masing-masing ke dalam folder portofolio yang memuat 2 berkas utama: (1) skrip kode pelatihan model yang tervalidasi bebas galat dan (2) berkas serialisasi bobot model (.pkl/.joblib) (15 menit).

Merefleksi (Berkesadaran):

• Murid melakukan verifikasi mandiri menggunakan lembar ceklis berkas portofolio untuk memastikan kedua berkas model KA telah lengkap tersimpan di direktori lokal masing-masing murid (10 menit).

Penutup:

• Guru dan murid menyimpulkan pentingnya verifikasi kode mandiri dalam pengembangan model KA sebelum tahap pengujian inferensi data baru (3 menit).
• Guru memberikan umpan balik menyeluruh terhadap hasil verifikasi mandiri dan memastikan 28 berkas portofolio model KA murid telah siap untuk pertemuan berikutnya (2 menit).

Diferensiasi:

• Konten: Menyediakan lembar panduan verifikasi sintaksis dengan contoh kode lengkap bagi murid yang membutuhkan penguatan struktur skrip KA.
• Proses: Murid yang mengalami galat eksekusi kode diberikan panduan pelacakan galat (traceback error) berurutan, sedangkan murid yang sudah berhasil tanpa galat diarahkan untuk memverifikasi kesesuaian parameter model secara mandiri.
• Produk: Format penamaan berkas portofolio seragam, dengan keluaran utama berupa berkas skrip kode tervalidasi dan berkas biner serialisasi model KA.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik: 'Apa fungsi baris kode `joblib.dump(model, 'model_ka.pkl')` dalam pengembangan model KA?' (Kunci acuan jawaban: Berfungsi untuk mengekspor atau menyimpan objek model KA yang telah dilatih ke dalam berkas biner serial agar dapat dimuat kembali saat inferensi tanpa perlu melatih ulang).

Proses:

• Pemeriksaan eksekusi skrip kode model KA mandiri bebas galat (indikator: skrip berhasil dijalankan run-all dari impor pustaka hingga ekspor berkas model tanpa menimbulkan traceback error).
• Pengecekan kelengkapan berkas portofolio mandiri murid (kriteria: terdapat 2 berkas lengkap dalam folder, yaitu skrip kode model (.py/.ipynb) dan berkas model tersimpan (.pkl/.joblib)).

Akhir Pertemuan:

• Ceklis verifikasi mandiri akhir sesi: Murid mencentang pemenuhan 2 kriteria berkas final: (1) Skrip kode pelatihan model KA berjalan lancar dari awal hingga akhir tanpa galat, (2) Berkas model KA hasil serialisasi berukuran valid (> 0 KB) telah tersimpan di folder portofolio lokal masing-masing (kriteria penerimaan: kedua butir tercentang dan terbukti ada di direktori kerja murid).

Formatif:

• Pemeriksaan lembar diagnostik pemahaman kode serialisasi model
• Observasi unjuk kerja verifikasi eksekusi skrip kode model KA secara mandiri
• Pemeriksaan kelengkapan 2 berkas final model KA pada folder portofolio 28 murid

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu 90 menit mencukupi bagi 28 murid untuk melakukan verifikasi kode dan memastikan berkas model tersimpan?
• Bagian galat kode apa yang paling sering dihadapi murid saat eksekusi run-all dan bagaimana strategi penanganannya?

Murid:

• Apakah skrip kode model KA yang saya buat sudah dapat berjalan utuh tanpa ada pesan galat sama sekali?
• Apakah berkas model KA saya sudah tersimpan dengan benar di folder portofolio dan siap digunakan pada tahap berikutnya?

Pertemuan 13 — Menyelesaikan Permasalahan Sederhana Sehari-hari dengan Menggunakan KA Melalui Pengujian Masukan Data Baru — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.4 Menyelesaikan permasalahan sederhana dalam kehidupan sehari-hari dengan menggunakan KA

Pendahuluan:

• Guru membuka pelajaran, menyapa murid, memimpin doa bersama, dan mengecek kehadiran (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ke-13, yaitu menyelesaikan permasalahan klasifikasi sampah plastik harian dengan menguji masukan data baru ke model KA yang telah dilatih (5 menit).
• Guru melaksanakan asesmen awal diagnostik singkat dengan menampilkan 2 butir pertanyaan di layar proyektor mengenai struktur masukan fitur model KA (acuan butir 1: fitur numerik harus memiliki dimensi dan urutan yang sama dengan data latih; acuan butir 2: fungsi `.predict()` menghasilkan label kelas luaran solusi) (10 menit).

Kegiatan Inti:

Memahami (Berkesadaran, Bermakna):

• Murid menyimak demonstrasi guru mengenai alur inferensi model KA: menyiapkan vektor fitur baru 2 dimensi `[massa_gram, kekeruhan_persen]`, memasukkan data ke fungsi prediksi `model.predict(data_baru)`, dan memperoleh kelas kategori sampah (Organik, Daur Ulang, atau Residu) untuk memecahkan masalah pemilahan (15 menit).
• Murid mencermati panduan format masukan data baru pada lembar kerja dan mengidentifikasi kecocokan tipe data masukan agar model tidak menghasilkan galat dimensi saat inferensi dijalankan (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid secara berpasangan mengikuti tantangan interaktif 'Tebak & Uji Cepat' (Joyful Challenge): murid memilih satu dari 3 skenario sampah di kartu tantangan, menebak hasilnya, lalu menginput nilai fitur ke skrip inferensi untuk membuktikan ketepatan label keputusan model (15 menit).
• Murid secara mandiri menyelesaikan permasalahan klasifikasi pemilahan sampah dengan memasukkan 4 data uji baru pada lembar kerja praktik: (Data 1) `[150, 10]` -> target acuan: 'Daur Ulang'; (Data 2) `[450, 85]` -> target acuan: 'Organik'; (Data 3) `[20, 95]` -> target acuan: 'Residu'; (Data 4) `[80, 15]` -> target acuan: 'Daur Ulang' (25 menit).
• Murid memeriksa luaran prediksi dari keempat data uji baru tersebut, mencatat hasil prediksi model KA pada tabel hasil inferensi, dan memverifikasi kesesuaian tindakan pemilahan berdasarkan kategori yang dihasilkan (15 menit).

Merefleksi (Berkesadaran):

• Murid menelaah kesesuaian antara label luaran prediksi model KA dengan kondisi riil objek permasalahan sampah yang diuji untuk memastikan solusi logis (10 menit).
• Murid menuliskan catatan evaluasi pribadi tentang kendala pemformatan data masukan baru dan bagaimana model KA mempermudah penyelesaian tugas rutin harian (10 menit).

Penutup:

• Guru memfasilitasi murid menyimpulkan kembali pentingnya ketepatan format data baru saat melakukan inferensi penyelesaian masalah dengan model KA (5 menit).
• Guru memberikan umpan balik menyeluruh atas hasil tabel inferensi murid dan menginformasikan bahwa pertemuan berikutnya akan membahas analisis mendalam terhadap performa prediksi serta rekomendasi keputusan (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan kartu panduan struktur sintaks inferensi berpasangan fitur `[massa, kekeruhan]`; murid yang lebih cepat diberikan 2 data masukan uji tambahan dengan nilai batas ekstrem `[5, 5]` dan `[900, 98]`.
• Proses: Bimbingan langkah-demi-langkah bagi murid yang mengalami galat eksekusi kode inferensi, sementara murid mahir langsung mengeksekusi pengujian 4 data baru secara mandiri.
• Produk: Seluruh murid melengkapi tabel hasil inferensi penyelesaian masalah sampah; murid cepat melengkapi kolom analisis selisih nilai batas data masukan baru.

Asesmen Pertemuan:

Awal:

• Pertanyaan lisan diagnostik: (1) 'Apa syarat bentuk data masukan baru agar dapat diterima oleh fungsi prediksi model KA?' (Acuan jawaban: bentuk larik 2 dimensi atau DataFrame dengan jumlah dan urutan fitur yang persis sama dengan data latih); (2) 'Fungsi kode apa yang digunakan untuk menghasilkan keputusan solusi klasifikasi pada pustaka scikit-learn?' (Acuan jawaban: fungsi `.predict()` atau `.predict_proba()` pada objek model).

Proses:

• Pemeriksaan lembar kerja pengujian 4 data masukan baru pada model KA pemilahan sampah harian: (Data 1) massa 150 gram, kekeruhan 10% -> acuan luaran: 'Daur Ulang'; (Data 2) massa 450 gram, kekeruhan 85% -> acuan luaran: 'Organik'; (Data 3) massa 20 gram, kekeruhan 95% -> acuan luaran: 'Residu'; (Data 4) massa 80 gram, kekeruhan 15% -> acuan luaran: 'Daur Ulang'. Kriteria: ketepatan sintaks masukan data dan ketepatan pencatatan label luaran.

Akhir Pertemuan:

• Cek pemahaman penutup: Murid menjawab 1 pertanyaan reflektif penutup pada secarik kertas/aplikasi: 'Jika data masukan baru bernilai massa 300 gram dan kekeruhan 90%, tindakan penanganan sampah apa yang direkomendasikan model KA?' (Acuan jawaban: sampah dikelompokkan ke wadah 'Organik' karena karakteristik massa dan kekeruhannya dominan mengarah pada sisa makanan/organik).

Formatif:

• Tes diagnostik awal mengenai konsep vektor masukan fitur dan fungsi inferensi
• Lembar observasi unjuk kerja pengujian 4 data baru menggunakan skrip model KA

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu 135 menit cukup efektif untuk memfasilitasi seluruh murid menjalankan skrip pengujian data masukan baru secara mandiri?
• Bagian mana dari langkah penyiapan format masukan fitur yang paling sering menimbulkan galat pada murid saat eksekusi model KA?

Murid:

• Apakah saya sudah memahami bagaimana model KA menggunakan data angka masukan baru untuk menentukan solusi penyelesaian masalah pemilahan sampah?
• Apa langkah perbaikan yang saya lakukan jika skrip prediksi menampilkan pesan galat mengenai dimensi data masukan?

Pertemuan 14 — Menyelesaikan Permasalahan Sederhana Sehari-hari dengan Menggunakan KA Melalui Analisis Hasil Prediksi dan Rekomendasi Solusi — 3 JP (3 x 45 menit = 135 menit)

Tujuan Pertemuan:

• TP 11.6.4 Menyelesaikan permasalahan sederhana dalam kehidupan sehari-hari dengan menggunakan KA

Pendahuluan:

• Guru membuka pembelajaran dengan salam, menyapa murid, memeriksa kehadiran, dan memfasilitasi doa bersama (5 menit).
• Guru menyampaikan tujuan pembelajaran pertemuan ke-14, yaitu menyelesaikan permasalahan sederhana sehari-hari dengan menggunakan KA melalui analisis hasil prediksi dan perumusan rekomendasi solusi (5 menit).
• Guru melaksanakan asesmen awal diagnostik melalui kuis lisan cepat tentang mengaitkan luaran prediksi model dengan tindakan nyata pemecahan masalah (10 menit).

Kegiatan Inti:

Memahami (Bermakna, Berkesadaran):

• Murid menyimak telaah studi kasus permasalahan pengelolaan sampah kantin sekolah: model klasifikasi citra KA menghasilkan label prediksi 'Sampah Organik', 'Sampah Anorganik/Plastik', atau 'Sampah Residu' (15 menit).
• Murid bersama guru membedah tabel aturan pemecahan masalah: bagaimana hasil prediksi diterjemahkan menjadi rekomendasi aksi konkret (misal: label 'Sampah Organik' -> rekomendasi 'Diarahkan ke komposter atau pakan maggot'; label 'Sampah Anorganik/Plastik' -> rekomendasi 'Dibersihkan dan disalurkan ke bank sampah daur ulang'; label 'Sampah Residu' -> rekomendasi 'Diteruskan ke tempat pembuangan akhir') (15 menit).

Mengaplikasi (Menggembirakan, Bermakna):

• Murid mengikuti tantangan 'Detektif Solusi KA' yang menggembirakan secara berpasangan: murid menerima 4 data kasus nyata hasil inferensi model KA pada Lembar Analisis Solusi (15 menit).
• Murid secara mandiri menganalisis 4 data hasil prediksi model KA berikut untuk menyelesaikan masalah: Kasus 1: Permasalahan efisiensi energi ruang kelas, data masukan suhu 24°C dan jumlah orang 0, hasil prediksi model KA 'Ruang Kosong'; Kasus 2: Permasalahan tanaman hidroponik layu, data masukan pH air 4.2 dan kelembapan 35%, hasil prediksi model KA 'Nutrisi Kurang/Asam'; Kasus 3: Permasalahan antrean buku perpustakaan, data masukan keterlambatan 14 hari dan stok sisa 0, hasil prediksi model KA 'Buku Kritis'; Kasus 4: Permasalahan pemilahan sampah kantin, data masukan botol PET kotor, hasil prediksi model KA 'Anorganik Daur Ulang' (25 menit).
• Murid menuliskan rekomendasi solusi operasional untuk menyelesaikan ke-4 kasus tersebut pada lembar kerja sesuai acuan: Kasus 1 -> Solusi: Matikan pendingin ruangan (AC) dan lampu kelas; Kasus 2 -> Solusi: Tambahkan larutan nutrisi basa/penyeimbang pH dan naikkan debit air; Kasus 3 -> Solusi: Kirim notifikasi pengingat otomatis ke peminjam dan batasi perpanjangan; Kasus 4 -> Solusi: Masukkan ke wadah pencucian sebelum dipilah ke karung daur ulang (25 menit).

Merefleksi (Berkesadaran):

• Murid memeriksa kembali secara mandiri keselarasan antara label prediksi model KA dengan rekomendasi tindakan penyelesaian masalah yang telah dirumuskan (10 menit).

Penutup:

• Murid mengumpulkan Lembar Analisis Solusi dan menerima umpan balik terarah dari guru terkait ketepatan analisis prediksi dan rekomendasi penyelesaian masalah (5 menit).
• Guru menyampaikan agenda pertemuan berikutnya (simulasi demonstrasi inferensi berpasangan) dan menutup pembelajaran dengan doa serta salam (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan kartu bantuan berupa tabel pemetaan prediktor ke tindakan, sedangkan murid yang cepat diberikan skenario kasus tambahan dengan ambang probabilitas batas (confidence score rendah).
• Proses: Murid yang memerlukan scaffolding didampingi guru dalam mencocokkan logika sebab-akibat data prediksi, sedangkan murid mahir bekerja mandiri menganalisis dampak rekomendasi alternatif.
• Produk: Format luaran utama adalah tabel analisis hasil prediksi dan rekomendasi solusi; murid mahir dapat menambahkan kondisi prasyarat sebelum rekomendasi dieksekusi.

Asesmen Pertemuan:

Awal:

• Pertanyaan diagnostik lisan: 'Jika sistem KA memprediksi bahwa tanah pot tanaman berlabel Kering Ekstrem, tindakan apa yang harus dilakukan sistem atau manusia untuk menyelesaikan masalah tersebut?' (Acuan jawaban benar: Segera lakukan penyiraman air dan cek sistem irigasi tetes).

Proses:

• Observasi formatif saat pengerjaan 4 kasus pada Lembar Analisis Solusi: mengecek kemampuan murid menafsirkan label prediksi KA (Ruang Kosong, Nutrisi Kurang/Asam, Buku Kritis, Anorganik Daur Ulang) menjadi tindakan solusi nyata.

Akhir Pertemuan:

• Pengecekan hasil akhir lembar kerja analisis solusi: verifikasi kesesuaian rekomendasi solusi untuk ke-4 kasus. Target ketuntasan minimal 3 dari 4 kasus memiliki rekomendasi tindakan yang logis dan menyelesaikan masalah sesuai acuan kunci: (1) Matikan AC/lampu, (2) Berikan nutrisi/penyeimbang pH, (3) Notifikasi pengembalian/pembatasan pinjam, (4) Pencucian dan pemilahan daur ulang.

Formatif:

• Penilaian kinerja analisis lembar kerja: ketepatan menganalisis 4 hasil prediksi model KA dan merumuskan rekomendasi solusi operasional penyelesaian masalah sehari-hari.

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah murid mampu mengaitkan output komputasi model KA dengan tindakan nyata penyelesaian masalah di kehidupan sehari-hari?
• Apakah alokasi waktu 135 menit cukup memfasilitasi latihan mandiri penalaran kritis dalam menganalisis prediksi model?

Murid:

• Bagian mana dari perumusan rekomendasi solusi berbasis hasil KA yang paling mudah atau paling menantang bagimu?
• Bagaimana model KA membantumu mengambil keputusan penyelesaian masalah yang lebih objektif dibandingkan perkiraan manual?

Pertemuan 15 — Menyelesaikan Permasalahan Sederhana Sehari-hari dengan Menggunakan KA: Simulasi Demonstrasi Inferensi Berpasangan — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.4 Menyelesaikan permasalahan sederhana dalam kehidupan sehari-hari dengan menggunakan KA

Pendahuluan:

• Guru membuka kelas dengan salam, memeriksa kehadiran 28 murid, dan menyampaikan fokus pertemuan yaitu simulasi demonstrasi inferensi berpasangan untuk menguji penyelesaian masalah menggunakan model KA (5 menit).
• Guru melaksanakan asesmen diagnostik singkat dengan menampilkan 2 kasus masukan data inferensi di layar: (Kasus 1) Teks ulasan kantin: 'Makanannya basi dan pelayanannya sangat mengecewakan' (acuan inferensi: sentimen Negatif); (Kasus 2) Fitur konsumsi listrik: Daya 900VA, pemakaian 350 kWh/bulan (acuan inferensi: kategori Boros/Tinggi). Murid menuliskan prediksi output inferensi pada secarik kertas (10 menit).

Kegiatan Inti:

Memahami (Berkesadaran):

• Murid menyimak panduan alur simulasi inferensi model KA: peran Penguji Data (memberikan variasi input data baru) dan Operator Model (menjalankan fungsi inferensi model machine learning dan mencatat hasil prediksi) (10 menit).
• Murid mengamati peragaan satu siklus inferensi terpandu di depan kelas menggunakan skrip Python inferensi sederhana (model.predict) untuk memahami alur input-proses-output inferensi (10 menit).

Mengaplikasi (Bermakna, Menggembirakan):

• Murid berpasangan (14 pasang) menjalankan 'Tantangan Inferensi Model Berpasangan' (Joyful Challenge): Murid A bertindak sebagai Penguji Data yang memasukkan 3 data uji baru pada model KA milik Murid B, kemudian Murid B menjalankan inferensi kode dan mencatat label prediksi yang dihasilkan (10 menit).
• Murid bertukar peran secara bergantian: Murid B memberikan 3 data uji baru pada model KA milik Murid A, lalu Murid A menjalankan inferensi dan mencatat kesesuaian output prediksi dengan solusi permasalahan nyata (15 menit).
• Setiap pasangan memverifikasi hasil inferensi pada lembar simulasi inferensi untuk memastikan seluruh 3 data uji menghasilkan penyelesaian masalah yang logis dan konsisten (10 menit).

Merefleksi (Berkesadaran):

• Murid bersama pasangannya mengidentifikasi apakah terdapat kegagalan inferensi atau prediksi bias pada data uji baru yang diujikan (10 menit).

Penutup:

• Guru bersama murid menyimpulkan keberhasilan simulasi demonstrasi inferensi berpasangan dalam menguji ketangguhan model KA untuk menyelesaikan masalah sehari-hari (5 menit).
• Guru memberikan umpan balik pelaksanaan inferensi dan mengingatkan persiapan berkas portofolio akhir untuk pertemuan sumatif berikutnya tanpa menutup materi bab (5 menit).

Diferensiasi:

• Konten: Murid yang membutuhkan bimbingan diberikan panduan sintaks pemanggilan inferensi (fungsi predict) yang telah disiapkan; murid yang mahir diberikan variasi data uji baru dengan fitur ekstrem/outlier.
• Proses: Pada simulasi berpasangan, murid mandiri langsung menguji inferensi tanpa scaffold, sementara murid yang masih ragu didampingi guru saat mengeksekusi skrip inferensi data baru.
• Produk: Lembar kerja simulasi memuat catatan hasil eksekusi inferensi minimal 3 data uji baru untuk setiap model.

Asesmen Pertemuan:

Awal:

• Diagnostik pemahaman inferensi melalui 2 kasus masukan data: (1) Teks: 'Makanannya basi dan pelayanannya sangat mengecewakan' (acuan kunci: label inferensi 'Negatif'); (2) Data numerik konsumsi listrik: Daya 900VA, pemakaian 350 kWh (acuan kunci: label inferensi 'Boros' / 'Tinggi'). Kriteria penerimaan: murid dapat memprediksi output yang diharapkan dari kedua data masukan secara logis.

Proses:

• Cek proses saat simulasi berpasangan: memastikan setiap murid mampu memasukkan 3 data uji baru ke dalam skrip inferensi model KA pasangannya dan memperoleh hasil output prediksi yang valid.

Akhir Pertemuan:

• Cek pemahaman inferensi di akhir pertemuan: murid menuliskan 1 bukti inferensi dari modelnya (data masukan: nilai fitur konkret, hasil inferensi: label prediksi yang keluar) beserta simpulan apakah masalah nyata terselesaikan dengan tepat sesuai acuan solusi masalah.

Formatif:

• Pengamatan unjuk kerja simulasi inferensi berpasangan (keberhasilan input data baru, penjalanan fungsi inferensi, dan pencatatan output penyelesaian masalah)
• Pemeriksaan lembar verifikasi inferensi model berpasangan

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu simulasi demonstrasi inferensi berpasangan mencukupi untuk ke-14 pasang murid?
• Apakah ada murid yang mengalami kendala teknis saat memanggil model yang disimpan untuk inferensi data baru?

Murid:

• Bagian mana dari langkah inferensi model berpasangan yang paling menantang bagi saya?
• Bagaimana perasaan saya ketika melihat model KA berhasil memprediksi data masukan baru yang diberikan teman?

Pertemuan 16 — Asesmen Sumatif Bab — 2 JP (2 x 45 menit = 90 menit)

Tujuan Pertemuan:

• TP 11.6.1 Menerapkan berpikir komputasional untuk memecahkan permasalahan kompleks di kehidupan masyarakat
• TP 11.6.2 Menerapkan engineering process dalam merancang tahapan solusi permasalahan
• TP 11.6.3 Mengembangkan model KA sederhana untuk menyelesaikan permasalahan sehari-hari
• TP 11.6.4 Menyelesaikan permasalahan sederhana dalam kehidupan sehari-hari dengan menggunakan KA

Pendahuluan:

• Guru membuka sesi sumatif dengan salam, memeriksa kesiapan teknis perangkat komputer 28 murid di laboratorium, dan menyampaikan tata tertib pelaksanaan asesmen sumatif bab secara tertib (5 menit).
• Guru menyampaikan tujuan asesmen sumatif serta alur sesi: finalisasi dan pengunggahan portofolio artefak teknis (TP 11.6.1 & TP 11.6.2), verifikasi integritas kode dan metrik evaluasi model (TP 11.6.3), serta unjuk kerja demonstrasi inferensi model bergiliran (TP 11.6.4) (5 menit).

Kegiatan Inti:

Memahami (Berkesadaran):

• Murid secara mandiri menyimak penjelasan instruksi teknis pengumpulan berkas portofolio digital dan lembar observasi demonstrasi inferensi model yang akan diujikan langsung di meja masing-masing (5 menit).

Mengaplikasi (Bermakna):

• Tugas 1: 28 murid secara serentak melakukan finalisasi dan mengunggah berkas artefak individual berupa lembar analisis dekomposisi masalah kompleks masyarakat serta dokumen diagram alur rekayasa model (engineering process) ke folder penugasan digital sekolah (10 menit).
• Tugas 2: 28 murid secara serentak mengunggah berkas kode program pelatihan model KA sederhana (skrip klasifikasi) beserta catatan log metrik evaluasi performa (akurasi/confusion matrix) yang telah disiapkan mandiri (10 menit).
• Tugas 3: Pelaksanaan unjuk kerja demonstrasi inferensi model secara bergiliran untuk 28 murid dengan rincian 2 menit unjuk kerja per murid (28 x 2 menit = 56 menit) ditambah 4 menit jeda transisi antarmeja dan pencatatan nilai oleh guru; murid memasukkan 1 sampel data uji baru yang disediakan guru ke dalam skrip/antarmuka model, lalu memperlihatkan luaran label prediksi serta rekomendasi solusinya secara fungsional sementara murid lain mendokumentasikan log inferensi di komputer masing-masing (45 menit).

Merefleksi (Berkesadaran):

• Murid secara mandiri mengisi 2 butir kuesioner refleksi proses penyelesaian proyek rekayasa model pada lembar digital yang disediakan (5 menit).

Penutup:

• Guru mengonfirmasi kelengkapan unggahan berkas portofolio dari 28 murid dan merangkum pencapaian pembelajaran Bab 6 mengenai penyelesaian masalah dengan rekayasa model KA (3 menit).
• Guru memberikan apresiasi atas kedisiplinan dan integritas seluruh murid selama asesmen, lalu menutup pertemuan dengan doa bersama dan salam (2 menit).

Diferensiasi:

• Konten: Tidak ada diferensiasi muatan kompetensi; semua murid mengerjakan instrumen dan format portofolio sumatif yang sama.
• Proses: Akomodasi akses teknis berupa penyediaan bantuan pembacaan kontras layar monitor bagi murid dengan hambatan visual tanpa mengubah alokasi waktu dan substansi tugas.
• Produk: Format berkas keluaran portofolio seragam berupa dokumen PDF perancangan dan berkas skrip kode Python/notebook (.py/.ipynb).

Asesmen Pertemuan:

Awal:

• Pengecekan kesiapan perangkat laboratorium dan kelengkapan repositori lokal berkas proyek sebelum asesmen dimulai (acuan: perangkat menyala, environment Python aktif, berkas kode dan artefak diagram tersedia di direktori lokal).

Proses:

• Pemantauan kemandirian dan integritas pengerjaan pengunggahan berkas serta ketertiban giliran demonstrasi inferensi model pada 28 komputer murid.

Sumatif Bab:

• Portofolio berkas rekayasa komputasional individual dan unjuk kerja demonstrasi inferensi model: Portofolio artefak dokumen analisis berpikir komputasional bersama diagram engineering process, berkas kode skrip model KA yang telah dilatih mandiri pada sesi sebelumnya, serta unjuk kerja demonstrasi inferensi model terhadap data uji langsung.
• penilaian portofolio artefak desain teknis: 28 murid menyerahkan berkas artefak individual berupa lembar analisis dekomposisi masalah kompleks di masyarakat dan dokumen diagram alur rekayasa model (engineering process) yang disusun pada sesi terintegrasi sebelumnya. Murid diberi waktu 15 menit pada awal sesi sumatif untuk finalisasi dan pengunggahan berkas mandiri secara serentak, lalu guru memeriksa artefak sesudah sesi menggunakan rubrik analitis. (15 menit; individual; instrumen: rubrik analitis analisis berpikir komputasional dan dokumen perancangan engineering process)
• penilaian kinerja berkas kode dan evaluasi model: 28 murid mengunggah berkas kode pelatihan model KA sederhana beserta log metrik evaluasi performa yang telah diselesaikan pada sesi latihan komputer terbimbing sebelumnya. Murid melakukan verifikasi integritas berkas selama 15 menit secara serentak; guru mengevaluasi kelengkapan algoritma dan catatan metrik sesudah kegiatan pembelajaran berakhir. (15 menit; individual; instrumen: rubrik evaluasi kode program model kecerdasan artifisial dan pelaporan metrik performa)
• unjuk kerja demonstrasi inferensi model bergiliran: Unjuk kerja satu kompetensi secara bergiliran menguji keberfungsian model KA dalam mengolah sampel data masukan baru dan menghasilkan rekomendasi solusi masalah sehari-hari. Kapasitas guru: 28 murid × 2 menit per murid = 56 menit, ditambah 4 menit perpindahan antarmeja/pencatatan = 60 menit. Durasi 60 menit pas dan realistis untuk 28 murid dengan satu guru penilai langsung saat murid lain melakukan dokumentasi mandiri di komputernya masing-masing. (60 menit; individual; instrumen: lembar observasi keterujian fungsional inferensi model kecerdasan artifisial)

Sumatif:

• Portofolio berkas rekayasa komputasional individual dan unjuk kerja demonstrasi inferensi model: Portofolio artefak dokumen analisis berpikir komputasional bersama diagram engineering process, berkas kode skrip model KA yang telah dilatih mandiri pada sesi sebelumnya, serta unjuk kerja demonstrasi inferensi model terhadap data uji langsung.
• penilaian portofolio artefak desain teknis: 28 murid menyerahkan berkas artefak individual berupa lembar analisis dekomposisi masalah kompleks di masyarakat dan dokumen diagram alur rekayasa model (engineering process) yang disusun pada sesi terintegrasi sebelumnya. Murid diberi waktu 15 menit pada awal sesi sumatif untuk finalisasi dan pengunggahan berkas mandiri secara serentak, lalu guru memeriksa artefak sesudah sesi menggunakan rubrik analitis. (15 menit; individual; instrumen: rubrik analitis analisis berpikir komputasional dan dokumen perancangan engineering process)
• penilaian kinerja berkas kode dan evaluasi model: 28 murid mengunggah berkas kode pelatihan model KA sederhana beserta log metrik evaluasi performa yang telah diselesaikan pada sesi latihan komputer terbimbing sebelumnya. Murid melakukan verifikasi integritas berkas selama 15 menit secara serentak; guru mengevaluasi kelengkapan algoritma dan catatan metrik sesudah kegiatan pembelajaran berakhir. (15 menit; individual; instrumen: rubrik evaluasi kode program model kecerdasan artifisial dan pelaporan metrik performa)
• unjuk kerja demonstrasi inferensi model bergiliran: Unjuk kerja satu kompetensi secara bergiliran menguji keberfungsian model KA dalam mengolah sampel data masukan baru dan menghasilkan rekomendasi solusi masalah sehari-hari. Kapasitas guru: 28 murid × 2 menit per murid = 56 menit, ditambah 4 menit perpindahan antarmeja/pencatatan = 60 menit. Durasi 60 menit pas dan realistis untuk 28 murid dengan satu guru penilai langsung saat murid lain melakukan dokumentasi mandiri di komputernya masing-masing. (60 menit; individual; instrumen: lembar observasi keterujian fungsional inferensi model kecerdasan artifisial)

Rubrik Pertemuan:

Refleksi Pertemuan:

Guru:

• Apakah alokasi waktu 60 menit (2 menit per murid + jeda transisi) efektif dan memadai untuk menilai keterujian demonstrasi inferensi 28 murid secara objektif?
• Bagaimana ketercapaian penguasaan murid pada keseluruhan 4 TP dalam rekayasa model KA berdasarkan data penilaian portofolio dan unjuk kerja hari ini?

Murid:

• Bagian mana dari tahapan rekayasa model KA (perancangan, pengodean, atau demonstrasi inferensi) yang paling memberikan pemahaman bermakna bagi saya?
• Apakah hasil prediksi model KA yang saya demonstrasikan sudah cukup akurat dan relevan dalam menjawab permasalahan nyata yang saya angkat?

SUMBER BELAJAR

1. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Bab 6, Kementerian Pendidikan Dasar dan Menengah RI, 2025
2. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Bab 6, Kementerian Pendidikan Dasar dan Menengah RI, 2025
3. Lembar Aktivitas Siswa 6.1: Studi Kasus Pengelolaan Sampah Pemukiman
4. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen 2025, Bab 6: Subbab Berpikir Komputasional, Gambar 6.3 Pilar Berpikir Komputasional dan Aktivitas 6.2)
5. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Bab 6: Penyelesaian Masalah dengan Rekayasa Model)
6. Lembar Kerja Murid: Perumusan Solusi Abstraksi & Algoritma (Konteks Pengelolaan Sampah Lingkungan Masyarakat)
7. Kartu Studi Kasus Data Antrean dan Kemacetan Pasar (Media Aktivitas Cepat Berpasangan)
8. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen 2025, Bab 6)
9. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen 2025, Bab 6)
10. Lembar Kerja Siswa: Matriks Kerangka Prediksi Berpikir Komputasional
11. Lembar Kerja Mandiri / Portofolio Dekomposisi Masalah Kompleks Berpikir Komputasional
12. Slide presentasi/papan tulis kuis dekomposisi
13. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Bab 6: Aktivitas 6.4 Memahami Kebutuhan Pengguna)
14. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Subbab 6.2 Proses Rekayasa)
15. Lembar Kerja Murid (LKPD): Dokumen Spesifikasi Solusi Rekayasa Model
16. Kartu Studi Kasus Kebutuhan Pengguna
17. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Bab 6: Penyelesaian Masalah dengan Rekayasa Model)
18. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI
19. Lembar Kerja Diagram Alir Rekayasa Solusi
20. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Pusat Perbukuan Kemendikdasmen 2025), Bab 6
21. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Bab 6: Penyelesaian Masalah dengan Rekayasa Model
22. Set Kartu Logika Pseudocode untuk simulasi rekayasa sistem otomatis/cerdas
23. Lembar Kerja Siswa: Perancangan Logika Pseudocode Engineering Process
24. Buku Panduan Guru Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Kementerian Pendidikan Dasar dan Menengah RI, 2025, Bab 6)
25. Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Kementerian Pendidikan Dasar dan Menengah RI, 2025, Bab 6 Subbab 6.2)
26. Lembar Ceklis Standar Dokumentasi Engineering Process & Simbol Flowchart ANSI
27. Map Portofolio Pembelajaran Murid
28. Buku Panduan Guru Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Pusat Perbukuan Kemendikbudristek)
29. Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI Bab 6
30. Komputer/Laptop dengan akses Python (Jupyter Notebook / Google Colab)
31. File dataset tabular: `aktivitas_belajar.csv`
32. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI
33. Lingkungan Google Colaboratory / Jupyter Notebook
34. Dokumentasi resmi Library Scikit-Learn Python
35. Buku Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Bab 6: Evaluasi Model KA)
36. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Aktivitas Evaluasi Model dan Metrik Akurasi)
37. Perangkat komputer/laptop dengan lingkungan Python terpasang library scikit-learn dan pandas
38. Lembar Kerja Siswa: Format Tabel Log Performa Model KA
39. Buku Panduan Guru Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Kemendikdasmen, 2025)
40. Buku Siswa Koding dan Kecerdasan Artifisial SMA/MA Kelas XI (Kemendikdasmen, 2025)
41. Perangkat komputer/laptop laboratorium dengan Python environment (Scikit-Learn, Joblib/Pickle)
42. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Bab 6
43. Komputer/Laptop dengan lingkungan eksekusi Python/Google Colab dan pustaka Scikit-Learn terpasang
44. Berkas model KA klasifikasi sampah (.pkl / notebook) hasil pelatihan pertemuan sebelumnya
45. Lembar Kerja Siswa: Pengujian Masukan Data Baru dan Tabel Inferensi Solusi Masalah
46. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen 2025)
47. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen 2025)
48. Lembar Analisis Solusi Berbasis Prediksi KA (4 skenario kasus permasalahan sehari-hari)
49. Komputer/Laptop atau papan tulis untuk telaah tabel aturan solusi
50. Buku Panduan Guru Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI (Kemendikdasmen, 2025)
51. Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI Bab 6 (Kemendikdasmen, 2025)
52. Perangkat komputer/laptop dengan Python IDE (Google Colab / VS Code) dan modul machine learning
53. Lembar Kerja Simulasi Inferensi Berpasangan
54. Buku Guru dan Buku Siswa Koding dan Kecerdasan Artifisial untuk SMA/MA Kelas XI, Kementerian Pendidikan Dasar dan Menengah RI, 2025.
55. Komputer laboratorium dengan Python environment (Scikit-Learn/Jupyter Notebook).
56. Dataset uji mandiri dan lembar observasi unjuk kerja demonstrasi inferensi KA.