Koding dan Kecerdasanifisial merged.pptx

sgsgs

1. Memahami Koding dan Kecerdasan Artifisial Pada Jenjang Pendidikan Dasar dan Menengah Materi 1

2. Memahami Koding dan Kecerdasan Artifisial Pada Jenjang Pendidikan Dasar dan Menengah Materi 1

3. Urgensi Pendidikan Peningkatan Kualitas Sumber Daya Manusia Pendidikan yang baik menghasilkan individu yang terampil dan kompeten. Pertumbuhan Ekonomi Investasi dalam pendidikan berkontribusi pada pertumbuhan ekonomi jangka panjang Pengentasan Kemiskinan Pendidikan memberikan akses kepada individu mendapatkan pekerjaan yang lebih baik Inovasi dan Penelitian Mendorong teknologi baru dan Meningkatkan kemampuan memecahkan masalah kompleks Keberlanjutan Lingkungan Membantu memahami isu keberlanjutan, Mendorong perilaku bertanggung jawab terhadap lingkungan Adaptif terhadap Perubahan Membantu beradaptasi pada perubahan teknologi & pasar kerja Pendidikan bukan hanya penting untuk individu, tetapi juga untuk masyarakat dan negara secara keseluruhan, dengan meningkatkan kualitas pendidikan, dapat menciptakan masa depan lebih baik dan berkelanjutan

4. Coding Learning Progression Mapel Informatika Dasar-dasar Coding dan AI, untuk fase D dan E telah diajarkan secara terstruktur dan sistematis pada mata pelajaran Informatika Berpikir Komputasional yang banyak mengajarkan logika, abstraksi, dekomposisi, representasi data, reasoning, dan algoritmik thinking yang menjadi dasar AI dan coding Coding telah diajarkan baik dengan mode plugged maupun unplugged . Dibelajarkan menggunakan bahasa block programming Scratch dan Blockly pada fase D, dan bahasa pemrograman tekstual (Python, C, Pascal) pada fase E dan F.

5. Coding Learning Progression Mapel Informatika Fase D , Memperkenalkan Konsep Coding (tipe data, variabel, percabangan, perulangan, fungsi dan prosedur. Block Programming: Blockly dan Scratch Fase E , Migrasi dari block programming ke textual programming dengan mengenalkan pseudocode sebelum coding riil. Menggunakan bahasa Algo menggunakan konsep dasar pemrograman (tipe data, variabel, percabangan, perulangan, fungsi dan prosedur). Pemrograman tekstual: C, Pascal dan Python, dll. Kenapa pseudocode ? Agar dapat lebih mudah untuk dipahami oleh peserta didik, dibandingkan dengan langsung menggunakan bahasa pemrograman yang umum dipakai.

6. Elemen Pembelajaran Koding dan Kecerdasan Artifisial berpikir komputasional;  literasi digital;  algoritma pemrograman;  analisis data;  literasi dan etika kecerdasan artifisial; dan  pemanfaatan dan pengembangan kecerdasan artifisial. 

7. Pembelajaran Informatika - Koding dan Kecerdasan Artifisial

8. AI curriculum for K-12, which one is better: AI as another course or as part of CS curriculum? Teaching AI in K-12 education can be approached in different ways, with arguments for both separate courses and integration into the Computer Science curriculum . Separate AI courses can provide focused learning, while integration can enhance understanding of AI within broader computing concepts, promoting interdisciplinary skills.

9. AI curriculum for K-12, which one is better: AI as another course or as part of CS curriculum? Separate AI Course Focused Learning: A dedicated AI course allows for in-depth exploration of AI concepts, techniques, and applications. Specialization: Students can develop specific skills and knowledge related to AI, preparing them for future studies or careers in this field. Curriculum Flexibility: A standalone course can be tailored to include the latest advancements in AI, ensuring that students are learning current and relevant material.

10. AI curriculum for K-12, which one is better: AI as another course or as part of CS curriculum? Integration into Computer Science Curriculum Contextual Understanding: Integrating AI into the CS curriculum helps students see AI as part of a larger technological landscape, enhancing their overall understanding of computing. Interdisciplinary Skills: This approach encourages students to apply AI concepts across various subjects, fostering critical thinking and problem-solving skills. Resource Efficiency: Utilizing existing CS classes to teach AI can be more efficient in terms of resources, as it leverages current teaching staff and materials.

11. Koding

12. Terminologi Koding Koding dapat dipahami sebagai praktik pemrograman perangkat komputasi dengan melibatkan kemampuan berpikir komputasional dan algoritma secara internet-based, plugged, dan unplugged Naskah Akademik Pembelajaran Koding dan Kecerdasan Artifisial Pada Pendidikan Dasar dan Menengah , 2025 Computer programming, or coding, is a crucial skill every child should be learning. We use computers to solve problems, play games, help us work more effectively, perform repetitive tasks, store and recall information, create something new, and connect with our friends and the world. Everyone can learn to code; it’s just like solving a puzzle or a riddle. You apply logic, try a solution, experiment a little more, and then solve the problem. Bryson Payne, TeAch Your Kids To code, 2015 Coding is fun Technology is becoming a part of everyday life. Every company, charitable organization, and cause can benefit from technology. There are apps to help you buy, give, join, play, volunteer, connect, share—just about anything you can imagine. Coding is a valuable job skill Coding is the skill of the 21st century. Jobs today require more problem-solving ability than ever before, and more and more careers involve technology as an integral requirement.

13. Terminologi Koding Istilah coding berkaitan dengan instruksi-instruksi yang dipahami dan dijalankan oleh komputer. Pengertian coding secara sederhana adalah cara manusia berkomunikasi dengan komputer dengan cara menciptakan perangkat lunak atau aplikasi yang berguna dalam penyelesaian masalah. Muh. Hasbi, dkk, Penerapan Pembelajaran Coding Di Satuan PAUD, Kementerian Pendidikan dan Kebudayaan, 2020 Pembelajaran coding berarti kegiatan yang dapat memberikan stimulasi sejak usia dini terhadap cara anak berpikir, anak berpikir kreatif, sikap bekerjasama dan berkomunikasi anak. Kegiatannya tidak hanya dimaknai sebagai penerapan komputer plugged coding , tetapi juga meliputi keseluruhan kegiatan pembelajaran coding tanpa menggunakan perangkat komputer yang dikenal dengan istilah unplugged coding.

14. Terminologi Koding A computer is merely a machine that can process a set of simple instructions very quickly. The set of instructions it processes is known as a “program” , and the instructions are known as “code” . People who write computer programs are known as “programmers” or “coders” . Their programs have enabled computers to become useful in almost every area of modern life: Mike McGrath, Coding for Beginners in easy steps, 2nd edition, 2022 Modern high-level programs are automatically translated into the machine code that the computer can understand by a “compiler” or by an “interpreter” . In order to become a coder you must typically learn at least one of these high-level programming languages: C – A powerful compiled language that is closely mapped to machine code and used to develop operating systems. C++ – An enhanced compiled language developing on C to provide classes for Object Oriented Programming (OOP). C# – A modern compiled language designed by Microsoft for the .NET framework and Common Language Infrastructure. Java – A portable compiled language that is designed to run on any platform regardless of the hardware architecture. Python – A dynamic interpreted language that allows both functional and Object Oriented Programming (OOP)

15. Terminologi Koding What are the challenges and opportunities facing computer science education ? CS disiplin ilmu yang menyentuh semua lapisan dan populasi masyarakat Disposisi professional/soft skills (kegigihan, kemandirian, adaptif, kerjasama, dst) Pengembangan konten kurikulum Sebagai Ilmu CS berkembang pesat ( berkah ) sekaligus tantangan yang menyertainya ( challenges ) Emerging technologies and area pengetahuan (quantum computing, machine learning, Generative AI , Fondasi Matematika, issues of society and ethics profession, computational thinking (disamping reading, writing and arithmetic) It will impact course content, pedagogy , and assessment techniques CT🡪 Pratik Lintas Bidang opportunity for computer science programs to offer courses for non majors, both as a service and a recruiting tool Fondasi Koding & KA ? CS Curricula 2023 ACM-IEEE

16. Terminologi Koding The term software construction refers to the detailed creation of working software through combination of coding , verification, unit testing, integration testing, and debugging. Since software construction requires knowledge of algorithms and of coding practices , it is closely related to the Computing Foundations KA, which is concerned with the computer science foundations that support the design and construction of software products. Body of Knowledge Software Engineering

17. Terminologi Koding The following considerations apply to the software construction coding activity Techniques for creating understandable source code, including naming conventions and source code layout; Use of classes, enumerated types, variables, named constants, and other similar entities; Use of control structures; Handling of error conditions—both anticipated and exceptional (input of bad data, for example); Prevention of code-level security breaches (buffer overflows or array index bounds, for example); Resource usage via use of exclusion mechanisms and discipline in accessing serially reusable resources (including threads and database locks); Source code organization (into statements, routines, classes, packages, or other structures); Code documentation; Body of Knowledge Software Engineering

18. Konsep Dasar Logika

19. Konsep Dasar Logika Bridging the gap from here to there Mengapa matahari terbit pagi hari? Mengapa malam ada Bulan? Mengapa harus sekolah? Mengapa mobil menyala saat memutar kunci? Mengapa orang melanggar hukum, padahal tahu bakal dipenjara? Sejak usia dini meskipun mereka tidak memahami sesuatu, tapi mereka akan menduga jawabannya pasti ada di suatu tempat, yang ada dalam benak mereka kurang lebih: "Jika saya di sini dan jawabannya ada di sana, apa yang harus saya lakukan untuk sampai di sana?" Beralih dari sini ke sana — dari ketidaktahuan menuju pemahaman — adalah salah satu alasan utama logika muncul . Logika tumbuh dari kebutuhan bawaan manusia untuk memahami dunia dan, sejauh mungkin, memperoleh kendali atas dunia yang dimaksud. Understanding cause and effect Salah satu cara untuk memahami adalah dengan memperhatikan hubungan antara sebab dan akibat. Bagaimana satu peristiwa menyebabkan peristiwa lainnya, ini dapat ditempatkan dalam if-statement Jika saya mengerjakan PR sekarang , maka saya akan punya waktu untuk bermain Jika ingin tubuh tetap sehat maka harus memperhatikan apa yang dimakan Jika saya ingin lulus ujian maka saya harus rajin belajar. Understanding how if-statements work is an important aspect of logic

20. Pembelajaran Koding

21. Pembelajaran Koding Bagaimana membelajarkan koding pada dikdasmen? Tahapan Kemampuan yang Dikuasai Peserta Didik

22. Pembelajaran Koding Bagaimana membelajarkan koding pada dikdasmen? Memaksimakan Potensi Anak dengan Koding Melatih BK dengan Bermain di situs https://blockly.games/ Pada fase C dan Awal D , koding yang dimaksud sejatinya bukan pada text programming , tapi melatih kemampuan bepikir logis dan sistematis dalam balutan Computational Thingking umumnya, jikapun menggunakan lingkungan pemorgraman akan masuk pada kelompok blok programming (Blocky, Scrath) , seperti yang dicontohkan pada https://blockly.games/ Pada fase E dan F , Pseudocode to text programming

23. Kecerdasan Artifisial

24. Terminologi Kecerdasan Artifisial CS Curricula 2023 ACM-IEEE Body of Knowledge “Intelligent Systems” to “Artificial Intelligence Penekanan pada aplikasi praktis AI pada berbagai bidang (medicine, sustainability, social media) Model generatif (ChatGPT, DALL-E, Midjourney) mencakup cara kerjany, kegunaannya, dan kekurangan Dampak dan implikasi sosial yang lebih luas dari metode dan aplikasi AI, termasuk isu-isu dalam etika AI Terdapat 12 Knowledge Unit: Konsep Dasar, Machine Learning, NLP, Robotics, Computer Vission, Application n Social Impact, dst ● Artificial Intelligence (AI) ● Algorithmic Foundations (AL) ● Architecture and Organization (AR) ● Data Management (DM) ● Foundations of Programming Languages (FPL) ● Networking and Communication (NC) ● Operating Systems (OS) ● Parallel and Distributed Computing (PDC) ● Software Development Fundamentals (SDF) ● Software Engineering (SE) ● Graphics and Interactive Techniques (GIT) ● Security (SEC) ● Society, Ethics, and the Profession (SEP) ● Human-Computer Interaction (HCI) ● Mathematical and Statistical Foundations (MSF) ● Systems Fundamentals (SF) ● Specialized Platform Development (SPD) 17 Knowledge Area

25. Terminologi Kecerdasan Artifisial Terminologi "AI" dalam konteks mata pelajaran Koding dan AI di pendidikan dasar dan menengah merujuk pada pengenalan dan pemahaman dasar tentang kecerdasan buatan. Ini mencakup beberapa konsep yang berbeda dibandingkan dengan istilah AI yang lebih kompleks yang dipelajari di perguruan tinggi, serta perkembangan terbaru dalam ruang Generative AI (Gen AI) AI dalam Konteks Pendidikan Dasar dan Menengah Pengenalan Konsep : Di tingkat ini, AI umumnya diperkenalkan sebagai teknologi yang memungkinkan komputer untuk melakukan tugas yang biasanya memerlukan kecerdasan manusia. Ini termasuk pengenalan pola, pemecahan masalah, dan pengambilan keputusan. Aplikasi Sederhana Siswa dapat belajar tentang aplikasi AI yang sudah ada dalam kehidupan sehari-hari, seperti asisten virtual (misalnya, Siri atau Google Assistant), rekomendasi produk, dan teknologi pengenalan wajah, tanpa harus masuk ke detail teknis yang kompleks. AI di Perguruan Tinggi Pendalaman Teoretis dan Praktis Di perguruan tinggi, studi AI mencakup teori yang lebih mendalam, teknik machine learning, deep learning, dan algoritma kompleks yang digunakan dalam pengembangan aplikasi AI. Mahasiswa belajar tentang model matematika, statistik, dan pemrograman yang mendasari teknologi AI. Penelitian dan Inovasi Fokus juga beralih ke penelitian dan inovasi dalam AI, termasuk pengembangan algoritma baru, etika dalam AI, serta dampak sosial dan ekonomi dari penerapan teknologi AI.

26. Terminologi Kecerdasan Artifisial Terminologi "AI" dalam konteks mata pelajaran Koding dan AI di pendidikan dasar dan menengah merujuk pada pengenalan dan pemahaman dasar tentang kecerdasan buatan. Ini mencakup beberapa konsep yang berbeda dibandingkan dengan istilah AI yang lebih kompleks yang dipelajari di perguruan tinggi, serta perkembangan terbaru dalam ruang Generative AI (Gen AI) Generative AI (Gen AI) Definisi: Generative AI merujuk pada subbidang AI yang menciptakan konten baru, seperti teks, gambar, musik, atau video, berdasarkan pola yang telah dipelajari dari data. Contoh terkenal termasuk model seperti GPT (untuk membuat teks) dan DALL-E (untuk menghasilkan gambar). Aplikasi di Pendidikan: Sementara Generative AI potensi revolusioner dari AI, di tingkat pendidikan dasar dan menengah, fokus masih lebih pada pemahaman dasar dan aplikasi praktis yang mudah dicerna oleh siswa. Mungkin akan ada pengenalan pada konsep Generative AI, tetapi dengan cara yang lebih sederhana dan aplikatif Secara umum, istilah AI pada mata pelajaran Koding dan Kecerdasan Artifisial di pendidikan dasar dan menengah mencakup pengenalan dan aplikasi dasar yang berbeda dari AI yang dipelajari di perguruan tinggi atau ruang Gen AI yang lebih spesifik dan kompleks. Tujuannya adalah untuk memberikan fondasi awal kepada siswa agar mereka dapat memahami dan tertarik pada teknologi ini, sebelum melanjutkan ke studi yang lebih dalam di tingkat yang lebih tinggi atau pekerjaan yang membutuhkan

27. Peta Kompetensi Sumber: (Hyunkyung Chee, et.all, A Competency Framework for AI Literacy, 2024; Unesco AI Framework, etc.)

28. Materi Koding dan KA

29. Fase C Jenjang SD Kelas 5 dan 6 Materi Kompetensi Rasional Konsep Dasar Kecerdasan Artifisial Mampu memahami istilah, definisi, konsep, sejarah, jenis, penerapan, prinsip, dasar etika dan limitasi Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan keterampilan berpikir kritis, analitis, serta mempersiapkan peserta didik untuk tantangan dan peluang di masa depan pada bidang Kecerdasan Artifisial Berpikir Komputasional sebagai Dasar Koding Mampu memahami konsep berpikir komputasional ( definisi, orientasi, prinsip dan urgensi ), memahami Berpikir Komputasional sebagai Dasar Koding dan contoh penerapan Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan keterampilan berpikir sistematis dan logis yang diperlukan pada pemecahan masalah berbantuan pemrograman. Konsep Dasar Algoritma dan Logika Mampu memahami konsep dasar algoritma dan logika sederhana (definisi dasar, jenis, logika dasar dan representasi algoritma dasar) Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan keterampilan berpikir sistematis dan logis yang diperlukan pada pemecahan masalah berbantuan pemrograman. Pemanfaatan Kecerdasan Artifisial Sederhana / Tingkat Dasar Mampu memahami pemanfaatan Kecerdasan Artifisial Bidang umum dan pemebelajaran Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan penggunaan Kecerdasan Artifisial pada berbagaikebutuhan sehari-hari Konsep dasar teknologi digital mampu memahami konsep dasar, manfaat, dan dampak teknologi digital Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan penggunaan teknologi digital pada lingkungan keseharian Sumber: (Hyunkyung Chee, et.all, A Competency Framework for AI Literacy, 2024; Unesco AI Framework, etc.)

30. Fase D Jenjang SMP Kelas 7, 8, dan 9 Materi Kompetensi Rasional Literasi Digital Peserta didik mampu memproduksi dan mendiseminasi konten digital berupa audio, video, slide, dan infografis. Berpikir Komputasional Peserta didik mampu menerapkan pengelolaan data, pemecahan masalah sederhana dalam kehidupan masyarakat secara sistematis, dan menuliskan instruksi. Literasi dan Etika Kecerdasan Artifisial Peserta didik mampu memahami perbedaan cara manusia dan KA menggabungkan informasi dari beberapa perangkat penginderaan atau sensor, memahami bagaimana komputer memaknai informasi dari perangkat penginderaan atau sensor, memahami kualitas data, serta manfaat dan dampak KA pada kehidupan masyarakat. Peserta didik mampu memahami etika penggunaan KA dalam kehidupan sehari-hari seperti menjaga data pribadi dalam menggunakan KA, KA adalah sebagai alat bantu sehingga manusia tidak boleh tergantung dan percaya sepenuhnya pada KA karena KA masih sangat mungkin menghasilkan output yang salah, bias, atau melakukan halusinasi, serta menganalisis konten deep fake dalam bentuk gambar, audio, atau video. Pemanfaatan dan Pengembangan Kecerdasan Artifisial Peserta didik mampu menggunakan perangkat KA sederhana dengan kritis dan mampu menuliskan input bermakna ke dalam sistem KA. Sumber: (Hyunkyung Chee, et.all, A Competency Framework for AI Literacy, 2024; Unesco AI Framework, etc.)

31. Fase E Jenjang SMA/K Kelas 10 Materi Kompetensi Rasional Pemecahan masalah menggunakan perangkat/tools Kecerdasan Artifisial Mampu mengumpulkan, memproses data melalui perangkat/tools Kecerdasan Artifisial dan mampu merancang solusi berbantuan perangkat/tools Kecerdasan Artifisial, termasuk teknik prompting dan menginterpretasikan hasilnya Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengaplikasi keterampilan penyelesaian masalah yang diperlukan pada dasar pemecahan masalah berbantuan Kecerdasan Artifisial Kreasi konten lebih kompleks mengunakan perangkat/tools Kecerdasan Artifisial Mampu mengaplikasikan berpikir kreatif dan merancang proyek kreatif menggunakan menggunakan perangkat/tools Kecerdasan Artifisial sederhana (misalnya, gambar, teks, permainan atau animasi interaktif) Merupakan materi dasar yang dibutuhkan peserta didik agar mampu menghasilkan berbagai konten kreatif berbantuan teknologi Kecerdasan Artifisial. Kolaborasi melalui perangkat/tools Kecerdasan Artifisial Mampu menentukan perangkat/tools Kecerdasan Artifisial yang sesuai untuk berkolaborasi (human- to- tool (AI) collaboration). Materi Dasar: Desain Kreatif, Penelitian dan Analisis Data, Penyuntingan Tulisan (grammarly), Pemrograman (github), Diagnosa Medis dst. Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan pemanfaatan berbagai perangkat/tools Kecerdasan Artifisial untuk berkolaborasi, sehingga dapat mendukung aktifitas kedepan Mengenali unsur pembentuk Prompt untuk KA generatif Pemahaman yang tentang konsep dasar bagaimana KA generatif bekerja dan bagaimana prompt digunakan untuk menghasilkan output yang diinginkan, menganalisis dan mengevaluasi hasil yang dihasilkan oleh KA generatif berdasarkan prompt yang diberikan Menyusun Prompt merupakan salah satu dasar dalam pemanfaatan dan pengembangan KA. Prompt yang jelas, spesifik, dan terarah dapat dicapai dengan memahami bagaimana memberikan instruksi yang tepat kepada KA generatif untuk mendapatkan hasil yang diinginkan. Pemecahan masalah menggunakan perangkat/tools Kecerdasan Artifisial Mampu mengumpulkan, memproses data melalui perangkat/tools Kecerdasan Artifisial dan mampu merancang solusi berbantuan perangkat/tools Kecerdasan Artifisial, termasuk teknik prompting dan menginterpretasikan hasilnya Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengaplikasi keterampilan penyelesaian masalah yang diperlukan pada dasar pemecahan masalah berbantuan Kecerdasan Artifisial Sumber: (Hyunkyung Chee, et.all, A Competency Framework for AI Literacy, 2024; Unesco AI Framework, etc.)

32. Fase F Jenjang SMA/K Kelas 11 dan 12 Materi Kompetensi Rasional Pengoperasian dan pengaplikasian perangkat AI Kecerdasan Artifisial Pada bidang tertentu/khusus Mampu memahami dan mengaplikasikan perangkat/tools Kecerdasan Artifisial pada area pemanfaatan secara umum dan pada area pemenfaatan Khusus (misalnya pada bidang Pariwisata, Medis, Pertanian, Pemasaran dst) Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengaplikasi keterampilan penyelesaian masalah yang diperlukan untuk menyelesaikan masalah atau kreasi konten pada bidang umum dan pada area pemenfaatan Khusus (disesuaikan dengan kebutuhan atau pada jenjang SMK disesuiakan dengan konteks jurusan/peminatan) dengan bantuan Kecerdasan Artifisial. Pemograman Dasar Kecerdasan Artifisial Mampu mengembangkan konten Kecerdasan Artifisial yang relevan dan bermanfaat menggunakan perangkat/tools pemrograman (misalnya Snap!, Python, termasuk pemanfaatan library populer lainnya) Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan keterampilan penyelesaian masalah dengan bantuan pemograman Kecerdasan Artifisial (face recog, speech synthesis). Verifikasi hasil dan akurasi perangkat/tools Kecerdasan Artifisial Mampu mengindentifikasi potensi kesalahan hasil dari pemanfaatan perangkat/tools Kecerdasan Artifisial, memverifikasi keakuratan hasil, dan Mampu merancang keputusan yang rasional berdasarkan data yang tervalidasi Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengembangkan keterampilan penyelesaian masalah yang akurat dan mendukung pengambilan keputusan berdasarkan data dan sumber data yang valid Pengenalan model bahasa besar (LLM) pada KA Generatif Memahami konsep dasar kecerdasan buatan, khususnya model bahasa besar LLM, termasuk arsitektur, cara kerja, dan aplikasi praktisnya Merupakan teknologi yang sedang berkembang pesat dan memiliki potensi untuk mengubah banyak aspek kehidupan. Peserta didik perlu memahami teknologi ini agar siap menghadapi masa depan yang semakin didominasi oleh Kecerdasan Artifisial (KA) Pengoperasian dan pengaplikasian perangkat AI Kecerdasan Artifisial Pada bidang tertentu/khusus Mampu memahami dan mengaplikasikan perangkat/tools Kecerdasan Artifisial pada area pemanfaatan secara umum dan pada area pemenfaatan Khusus (misalnya pada bidang Pariwisata, Medis, Pertanian, Pemasaran dst) Merupakan materi dasar yang dibutuhkan peserta didik agar mampu mengaplikasi keterampilan penyelesaian masalah yang diperlukan untuk menyelesaikan masalah atau kreasi konten pada bidang umum dan pada area pemenfaatan Khusus (disesuaikan dengan kebutuhan atau pada jenjang SMK disesuiakan dengan konteks jurusan/peminatan) dengan bantuan Kecerdasan Artifisial. Sumber: (Hyunkyung Chee, et.all, A Competency Framework for AI Literacy, 2024; Unesco AI Framework, etc.)

33. Pembelajaran Kecerdasan Artifisial Bagaimana membelajarkan AI/KA pada dikdasmen? Tahapan Kemampuan yang Dikuasai Peserta Didik

34. Framework Pembelajaran KA Beberapa framework: AI4K12 Initiative : Inisiatif ini menawarkan kerangka kerja yang dikenal sebagai "Five Big Ideas in AI," yang dirancang untuk membantu pendidik memahami dan mengajarkan konsep AI kepada siswa K-12. Mereka juga menyediakan sumber daya seperti buku, materi kurikulum, dan perangkat lunak untuk mendukung pengajaran AI. UNESCO's Mapping of K-12 AI Curricula : UNESCO telah merilis laporan yang memetakan kurikulum AI yang disetujui pemerintah di berbagai negara. Laporan ini memberikan wawasan tentang bagaimana berbagai negara mengintegrasikan AI ke dalam pendidikan K-12 dan dapat menjadi referensi bagi pendidik yang ingin mengembangkan kurikulum AI. AI for the Future Project (AI4Future) : Proyek ini, yang diprakarsai oleh The Chinese University of Hong Kong, telah mengembangkan dan mengevaluasi kurikulum AI untuk pendidikan pra-universitas. Mereka berfokus pada pembuatan kurikulum yang dapat digunakan di sekolah menengah dan telah menerima umpan balik positif. Salah satu referensi yang disponsori oleh CSTA (AI4K12), memberikan fokus AI pada K12

35. Pembelajaran Kecerdasan Artifisial Simulasi cara kerja KA dengan bermain di situs https://studio.code.org/s/oceans Contoh Materi Kreasi konten mengunakan perangkat/tools Kecerdasan Artifisial (Manfaat Kreasi Konten dengan KA, Tahapan Kreasi Konten dengan KA, Teknik Prompt Untuk Produksi Konten Kreatif) Kolaborasi melalui perangkat/tools Kecerdasan Artifisial --Human to AI Collaboration– (Desain Kreatif, Penelitian dan Analisis Data, Penyuntingan Tulisan, Kolaborasi dalam Pemograman dan dalam bidang khusus lainnya) Mengenali unsur pembentuk Prompt untuk KA generatif (Fondasi, Teknik, Implementasi , Karir dan Etika) Pengoperasian dan pengaplikasian perangkat AI Kecerdasan Artifisial Pada bidang Umum dan pada bidang tertentu/khusus. Pemograman Dasar Kecerdasan Artifisial (Python, Snap!, serta pemanfaatan library Kecerdasan Artifisial populer lainnya) IDE untuk Mengembangkan Aplikasi Kecerdasan Artifisial (Google Colaborator, Visual Studio Code, Spyder, dll) Pengenalan model bahasa besar /LLM pada KA Generatif (Konsep Dasar, Peran LLM dalam Kecerdasan Artifisial Generatif, Teknik Integrasi Pemrograman KA dengan Model LLM mialkan melalui API

36. Pembelajaran Kecerdasan Artifisial Maze Implementasi konsep speech Synthesis yang dimanfaatkan untuk mengatur pergerakan karakter/sprite dalam permainan labirin dengan menggunakan platform Snap! Berkeley. Prosesnya meliputi input suara, memproses suara, mengatur agar karakter dapat bergerak sesuai dengan perintah suara dari awal sampai menuju rumah melalui labirin. Berganti Wajah Implementasi konsep speech recognition yang dimanfaatkan untuk menampilkan image. Prosesnya meliputi input suara, memproses suara, mengatur agar image siswa tiga orang dapat berganti sesuai dengan perintah suara baik individuak maupun kelompok. Klasifikasi sayuran sebuah model machine learning yang bisa membedakan tipe-tipe sayuran seperti singkong, kol, kangkung, dan bayam menggunakan platform Google Teachable Machine. Prosesnya meliputi pengumpulan data, kemudian masuk ke dalam proses pembersihan data, validasi data, proses training model , hingga mengevaluasi model machine learning. Akhir output dari project ini adalah model bisa membedakan macam-macam jenis sayuran

37. Strategi Pembelajaran Problem/Project Based Learning dan Case Method , melibatkan peserta didik dalam aplikasi persoalan nyata pada bidang umum dan pada area pemenfaatan Khusus (disesuaikan dengan kebutuhan atau pada jenjang SMK disesuiakan dengan konteks jurusan/peminatan) untuk diselesaikan dengan bantuan teknologi Kecerdasan Artifisial. Contoh: Menggunakan berbagai perangkat/tools Kecerdasan Artifisial yang sesuai dengan persoalan yang diberikan, Studi Kasus melibatkan peserta didik dalam persoalan nyata. Variasi Metode Pembelajaran Menggunakan berbagai metode agar peserta didik tidak bosan termasuk menerapkan model gamifikasi, termasuk unplugged yang meduplikasi/meniru blok program. Contoh: Kombinasi ceramah, dan simulasi dalam mengajarkan perangkat/tools Kecerdasan Artifisial, Menciptakan Model Eksperimen Virtual. Memahami Mengaplikasikan Merefleksikan Pengalaman Belajar 1 2 3

38. Kompetensi Afektif

39. Kompetensi Afektif 1. Kepercayaan diri dan self-efficacy pemanfaatan Kecerdasan Artifisial. Peserta didik memiliki kepercayaan diri dan self- efficacy untuk meningkatkan minat dan motivasi dalam pemanfataan teknologi Kecerdasan Artifisial. Kepercayaan diri merupakan keyakinan umum peserta didik setelah melalui proses pembelajaran bahwa sebagai kemampuan belajar, beradaptasi, dan keberhasilan menggunakan alat dan sistem berbasis Kecerdasan Artifisial. Sementara self- efficacy merupakan keyakinan yang lebih spesifik bahwa peserta didik mampu memanfaatkan teknologi Kecerdasan Artifisial untuk menyelesaikan tugas tertentu, seperti menulis dan atau menghasilkan konten, menganalisis data, atau membuat model dukungan data pada bidang tertentu sesuai minat dan konsentrasi pendidikannya, misalnya dalam bidang pariwisata, pertanian, medis dan seterusnya. 2. Pola pikir reflektif pemanfaatan Kecerdasan Artifisial Sesuai dengan model pembelajaran mendalam atau bermakna, dimana pengalaman belajar diarahkan pada kemampuan reflektif. Peserta didik memiliki pola pikir reflektif dan mampu menilai pemahaman seseorang tentang Kecerdasan Artifisial, mampu menentukan/menilai tingkat literasi Kecerdasan Artifisial seseorang, dan mengenali bidang/area yang memerlukan pembelajaran Kecerdasan Artifisial lebih lanjut, khususnya pada jenjang SMK yang membutuhkan pemahaman dan aplikasi secara kontekstual berdasakan konsentrasi minat dan konsentrasi pendidikannya.

40. Kurikulum hanyalah sebuah resep. Seenak apapun, jika kokinya tidak mampu memasak, maka masakan tidak akan enak, bahkan melenceng. Koki yang handal dan kreatif akan mampu mengadaptasi bahan lokal untuk menghasilkan masakan yang enak dan tidak melenceng Peran Guru Pengampu Mapel Sangat Penting THREE MAIN COMPONENTS IN LEARNING PROCESS

41. Pendidikan Dasar dan Menengah Pengoperasian, Pengaplikasian, dan Kolaborasi Perangkat Kecerdasan Artifisial Materi 2

42. Pokok Materi

43. Definisi Kecerdasan Artifisial (KA) Menurut Para Pakar

44. Definisi Kecerdasan Artifisial (KA) Seiring berjalannya waktu, pengertian tentang Kecerdasan Artifisial (KA) terus mengalami perkembangan, kerap bersentuhan dengan pertanyaan filosofis mengenai makna sejati dari "kecerdasan" dan sejauh mana mesin dapat dikatakan benar-benar cerdas. Namun dalam praktiknya, KA mengacu pada sistem yang memungkinkan komputer belajar dari data, mengenal pola, serta membuat prediksi atau keputusan secara mandiri.

45. Karakterisitik Kecerdasan Artifisial (KA) KA belajar dari data (Machine Learning) KA bisa belajar dari data yang diberikan kepadanya (Russell & Norvig, 2021). Semakin banyak data yang ia pelajari, semakin baik kemampuannya. KA mampu beradaptasi dan meningkatkan performanya Jika KA awalnya sering melakukan kesalahan, ia bisa memperbaiki dirinya sendiri dengan belajar dari kesalahan tersebut (Goodfellow et al., 2016).

46. Karakterisitik Kecerdasan Artifisial (KA) KA bekerja berdasarkan algoritma dan model prediktif KA bekerja dengan aturan dan langkah-langkah matematis yang disebut algoritma. Dengan algoritma ini, KA bisa memprediksi sesuatu sebelum terjadi berdasarkan pola data yang telah dipelajari (Domingos, 2015). KA mampu mengenali pola dan membuat keputusan secara otomatis KA tidak hanya melihat data, tetapi juga bisa menemukan pola yang tidak terlihat oleh manusia. Dari pola-pola ini, KA bisa membantu mengambil keputusan secara otomatis (Mitchell, 1997).

47. Kecerdasan Artifisial Versus Manusia Manakah yang lebih baik ?

48. Kecerdasan Artifisial Versus Manusia

49. Komponen Utama Kecerdasan Artifisial

50. Prinsip Kerja Kecerdasan Artifisial Cara Kerja KA (diadaptasi dari Abdaladze, n.d.)

51. Evolusi dan Faktor Pendorong Perkembangan KA

52. Tiga Subkategori Kecerdasan Artifisial

53. Kategori Perangkat KA dan Contoh Aplikasinya

54. Kecerdasan Artifisial Berdasarkan Fungsinya

55. Pengoperasian Perangkat KA 1. Input Data Pengoperasian KA dimulai dengan mengumpulkan data berupa teks, gambar, suara, video, atau data sensor lainnya. Data ini menjadi "bahan bakar" bagi KA untuk belajar dan bekerja. 2. Pemrosesan Data (Processing) Data yang telah dikumpulkan kemudian diproses menggunakan algoritma KA , seperti machine learning, deep learning, atau natural language processing. Proses ini dilakukan oleh komputer, server, atau perangkat khusus seperti chip KA (misalnya NVIDIA Jetson, Google Coral, dsb.) . 3. Pelatihan Model (Model Training) Pada tahap ini, KA dilatih menggunakan data untuk mengenali pola atau melakukan klasifikasi. Misalnya, mengenali wajah, menerjemahkan bahasa, atau menganalisis perilaku. 4. Inferensi (Inference) Setelah dilatih, KA dapat mengambil keputusan atau memberikan prediksi berdasarkan data baru. Contoh: sistem KA dapat mengenali apakah seseorang memakai masker atau tidak melalui kamera.

56. Pengoperasian Perangkat KA 5. Output atau Tindakan Hasil dari pemrosesan ditampilkan dalam bentuk jawaban, rekomendasi, peringatan, atau tindakan otomatis . Contohnya: Asisten suara memberikan jawaban. Mobil pintar melakukan pengereman otomatis. Aplikasi menampilkan rekomendasi konten. 6. Umpan Balik dan Pembelajaran Berkelanjutan Beberapa sistem AI dapat belajar dari kesalahan atau masukan pengguna (feedback loop) untuk meningkatkan akurasi dan kinerja di masa depan. Contoh Perangkat yang Menggunakan KA Smartphone (face unlock, kamera pintar), Smart speaker (Google Home, Alexa), Robot edukasi Kamera pengawas pintar, Aplikasi rekomendasi (YouTube, Netflix) Sistem pendeteksi penyakit berbasis citra medis

57. Aplikasi KA dalam Berbagai Bidang

58. Aplikasi KA dalam Berbagai Bidang

59. Profesi Utama di Bidang KA

60. Profesi Utama di Bidang KA

61. Peta Profesi Masa Depan: Siapa Bertahan, Siapa Tergeser oleh AI? Transformasi digital dan KA mengubah dunia kerja secara besar-besaran. Banyak profesi baru bermunculan, terutama di bidang teknologi dan data. Profesi tradisional yang bersifat rutin mulai tergeser otomatisasi. Laporan Future of Jobs 2025 menyoroti tren ini secara global

62. Peta Profesi Masa Depan: Siapa Bertahan, Siapa Tergeser oleh AI? Pemahaman tentang profesi berbasis KA penting untuk kesiapan karier. Pendidikan perlu menyesuaikan: fokus pada literasi teknologi dan keterampilan adaptif. Pembelajaran KA harus dirancang untuk membekali siswa menghadapi perubahan kerja.

63. Kolaborasi Manusia dan KA : Transformasi Berbagai Bidang

64. Kolaborasi Manusia dan KA : Transformasi Berbagai Bidang

65. Kuadran Kolaborasi Manusia-KA Kai-Fu Lee (2018) memetakan empat bentuk kolaborasi manusia-KA dalam sebuah kuadran. Pemetaan ini berfungsi sebagai panduan bagi manusia untuk mengoptimalkan kapabilitasnya di era KA. https://www.futuremindslab.com

66. Mengatasi Tantangan Implementasi KA

67. " Guru tidak tergantikan oleh AI—mereka ditingkatkan olehnya ” Mas’ad Fachir Tim Fasilitator Majelis Dikdasmen & PNF PP Muhammadiyah

68. Materi 3. REKAYASA PROMPT UNTUK KREASI KONTEN

69. Mengenali Unsur Pembentuk Prompt untuk Kecerdasan Artifisial Generatif

70. Definisi KA Generatif Kecerdasan Artifisial (KA) Generatif merupakan cabang dari kecerdasan artifisial yang berfokus pada pembuatan konten baru (baik berupa teks, gambar, musik, maupun video) dengan menggunakan model pembelajaran mendalam ( deep learning ). Jenis KA Generatif yang digunakan secara luas, meliputi: Konsep Dasar Kecerdasan Artifisial Generatif Jenis KA Generatif ChatGPT & LLM Lainnya DALL-E & Pembuat Gambar MusicLM & Pembuat Musik Pembuat Video & Animasi Model KA untuk menghasilkan teks Model KA untuk mengubah prompt menjadi gambar Model KA untuk menciptakan musik Model KA untuk membuat video dan animasi

71. Definisi Prompt Prompt merupakan perintah atau instruksi yang diberikan kepada model KA untuk menghasilkan keluaran yang diinginkan. Dalam konteks KA generatif, prompt memiliki peran krusial sebagai pengarah proses pembuatan konten. Fungsi Utama Penggunaan Prompt Peran dan Fungsi Prompt Mengatur Konteks P rompt menyediakan konteks yang diperlukan bagi model KA untuk memahami topik, gaya, dan tujuan output yang diharapkan. Memberi Instruksi Spesifik Instruksi yang jelas dan spesifik akan membantu model KA untuk memfokuskan output pada area tertentu. Menentukan Format Output Sebuah prompt dapat mencakup instruksi mengenai pemformatan (misalnya: daftar poin, esai naratif, atau dialog) Memfasilitasi Kreativitas Memberikan elemen kreatif dalam prompt , seperti metafora, analogi, atau skenario, model KA dapat menghasilkan output yang juga memiliki nilai estetika.

72. 1 Informasi latar belakang untuk memandu KA memahami situasi atau audiens Konteks (Background) 2 3 4 5 Informasi khusus yang perlu diproses KA, seperti teks, angka, atau data mentah Data/Input Spesifik Demonstrasi output yang diharapkan untuk memandu format, gaya, atau konten Contoh ( Examples ) Pengaturan yang mengontrol output, seperti panjang, tingkat kreativitas, dan pilihan model Parameter Teknis Inti dari prompt yang menjelaskan tugas yang harus dilakukan KA Instruksi ( Task ) 6 Penyesuaian bahasa sesuai kebutuhan: formal, kasual, teknis, atau humoris Nada dan Gaya (Tone/Style) 7 8 9 10 Larangan atau pembatasan konten Batasan ( Constraints ) Meminta KA berperan sebagai ahli atau karakter tertentu Peran ( Role Specification ) Proses memperbaiki prompt berdasar respons sebelumnya Penyempurnaan Iteratif Spesifikasi struktur respon, seperti daftar, tabel, JSON, atau paragraf Format Output Unsur-unsur Pembentuk Prompt

73. Kejelasan ( Clarity ) Memastikan prompt mudah dipahami dan tidak ambigu. Spesifisitas ( Specificity ) Menyediakan detail yang tepat untuk memandu output model. Konteks Memberikan latar belakang yang diperlukan untuk pemahaman. Kreativitas dan Kebebasan Berekspresi Memungkinkan eksplorasi ide-ide baru dan inovasi. Contoh Output : Unsur Penting Prompt yang Efektif

74. Strategi Penyusunan Prompt

75. Output KA yang Disempurnakan Input Prompt KA Iterasi Prompt Evaluasi Kreativitas Penilaian Relevansi Identifikasi Bias Analisis Akurasi Strategi iterasi prompt yang diadaptasi dari Google Cloud: https://cloud.google.com/vertex-ai/generative-ai/docs/learn/prompts/prompt-iteration?hl=id Analisis Dan Evaluasi Output KA Generatif

76. Berdasarkan laporan dari World Economic Forum (2023), 34% pengguna KA cenderung mengalami penurunan kemampuan analitis dan terlalu bergantung pada solusi instan . Fokus utama pengguna KA, seharusnya, tidak hanya berhenti di cara menggunakan KA secara efektif, tetapi juga memetakan ulang pola pikir dalam berinteraksi dengan teknologi sedemikian sehingga KA digunakan untuk meningkatkan kapasitas dir i. KA dalam Konteks Pembelajaran Modern

77. Definisi Teknik Menggunakan KA untuk memperluas, bukan menggantikan kemampuan manusia. Teori Beban Kognitif KA dapat: Mengurangi extraneous load (bantu tugas administratif) Meningkatkan germane load (fokus ke analisis & refleksi) Growth Mindset “Buatkan peta konsep yang menunjukkan hubungan antara IoT, sensor, dan data dalam konteks sistem monitoring suhu ruangan" Mempertahankan Kendali ( Agency ) Contoh Prompt Augmentasi Skill “Kategorikan respons survei, lalu ajukan 3 pertanyaan analisis” Prinsip Pengguna tetap menjadi pengendali proses berpikir Fokus pada proses belajar, bukan hasil instan. Jadikan KA sebagai mitra pengembangan diri Teknik Pertanyaan 3 Lapisan Lapis 1 – Fakta: Apa? Lapis 2 – Analisis: Bagaimana perbedaannya? Lapis 3 – Refleksi: Mengapa ini penting bagi saya? Prompt Reflektif Prompt yang berorientasi proses bukan lagi prompt pasif. Fakta: "Apa definisi machine learning?" Analisis: "Bagaimana machine learning berbeda dari pemrograman tradisional?" Reflektif: "Mengapa konsep ini relevan dengan karir saya? Prinsip Dasar Prompting yang Sehat

78. Teknik Dekonstruksi Argumen Membongkar argumen kompleks menjadi komponen-komponen yang lebih kecil untuk analisis. Metode Socratic Prompting Menggunakan pertanyaan untuk mengungkap asumsi dan mendorong penalaran yang lebih dalam. Analisis Bias dan Perspektif Membandingkan sudut pandang untuk meningkatkan kesadaran kritis. Tindak lanjut: Gunakan tools seperti CRAAP Test untuk mengevaluasi sumber yang direkomendasi KA Elemen CRAAP Periksa apakah informasi atau data yang disajikan berasal dari sumber yang terbaru dan relevan dengan perkembangan teknologi pendidikan terkini. Strategi C urrency (Keterkinian) R elevance (Keterkaitan) Pastikan sumber tersebut secara langsung membahas topik penggunaan teknologi digital dalam pembelajaran, dan relevan dengan kedua teori (kognitivisme dan konstruktivisme). A uthority (Kewenangan) Evaluasi kredibilitas penulis atau lembaga yang mengeluarkan sumber tersebut. A ccuracy (Akurasi) Verifikasi apakah data dan argumen yang disampaikan didukung oleh bukti yang dapat dipercaya, seperti hasil riset atau studi kasus yang valid. P urpose (Tujuan) Analisis tujuan dari sumber tersebut. Apakah informasi disajikan secara objektif bertujuan untuk mendidik atau ada agenda tertentu yang dapat mempengaruhi isi dan sudut pandangnya? Melatih Berpikir Kritis dengan KA

79. KA menyesuaikan rencana belajar berdasarkan kinerja siswa KA menyusun jadwal belajar yang disesuaikan dengan materi dan latihan. Siswa melakukan tes diagnostik untuk mengidentifikasi kekuatan dan kelemahan. Rencana Belajar Penyesuaian Rencana Profil Belajar KA mengevaluasi pekerjaan siswa dan memberikan umpan balik yang konstruktif. Penetapan Target Evaluasi dan Umpan Balik Siswa dan KA menetapkan target yang dapat dicapai untuk perbaikan. Contoh Proses Pembelajaran yang Dipersonalisasi dengan KA: KA berfungsi seperti personal traine r yang memberikan panduan, memantau kemajuan, dan menyesuaikan latihan berdasarkan kebutuhan individu KA sebagai Personal Trainer

80. Keterbatasan Koneksi dan Empati Manusia KA tidak dapat memberikan motivasi, dorongan, dan penghayatan emosional sebagaimana yang dapat ditawarkan pelatih manusia. Unsur manusia ini penting untuk membangun kepercayaan dan kedekatan, yang menjadi fondasi keberhasilan pelatihan jangka panjang. 2. Kemampuan Terbatas dalam Menyesuaikan Diri dengan Kebutuhan dan Kondisi Individu KA mungkin tidak mampu menyesuaikan rencana latihan berdasarkan performa waktu nyata, tingkat kelelahan, maupun perubahan mendadak dalam jadwal pelatihan. Pelatih manusia dapat melakukan penyesuaian spontan sesuai perkembangan dan kebutuhan khusus peserta. 3. Potensi Ketergantungan Berlebih dan Kurangnya Akuntabilitas Meskipun KA dapat memberikan pengingat dan dorongan, efektivitasnya dalam menumbuhkan rasa tanggung jawab dan memotivasi agar konsisten sering kali lebih rendah dibandingkan pelatih manusia. Ketergantungan berlebihan pada KA dapat mengurangi kesadaran diri dan kemampuan manusia untuk mengambil keputusan mandiri terkait latihan. 4. Kekhawatiran terhadap Privasi dan Keamanan Data Sistem KA kerap memproses informasi pribadi yang sensitif, sehingga menimbulkan kekhawatiran mengenai privasi dan keamanan data. Penggunaan KA dalam berbagai bidang harus dilakukan secara aman dan bertanggung jawab, terutama untuk pengguna yang rentan Keterbatasan KA sebagai Personal Trainer

81. Pertanyaan Refleksi Diri Teknik "20-40-40” Evaluasi penggunaan KA secara berkala. “Apakah saya menggunakan KA untuk menghindari kesulitan atau untuk mengatasinya?” 20% KA : Gunakan KA untuk tugas repetitif 40% Kolaborasi: Diskusikan output KA dengan rekan 40% Mandiri: Analisis, sintesis, dan eksekusi tugas tanpa KA Pembatasan Waktu Penggunaan KA Checklist Kritis Sebelum Melakukan Prompting Modifikasi Teknik Pomodoro: 25 menit kerja mandiri 5 menit klarifikasi dengan KA Ulangi siklus, dengan jeda 15 menit setiap 2 jam. Saya sudah mencoba menjawab sendiri Saya tahu apa yang ingin dicapai dari respon KA Saya siap memverifikasi informasi dari sumber lain Strategi Menghindari Jebakan Ketergantungan

82. Kreasi Konten Menggunakan Perangkat Kecerdasan Artifisial

83. Definisi Kreasi Konten dengan KA Kreasi konten dengan KA adalah proses kolaboratif yang menggabungkan kemampuan analitis dan kreatif yang dimiliki mesin dengan wawasan dan intuisi manusia Manfaat Penggunaan KA dalam Kreasi Konten Tahapan kreasi konten dengan KA Efisiensi Produksi; 2) Inovasi dan Eksperimen; 3) Kustomisasi dan Personalisasi Brainstorming Drafting Editing dan Revisi Dokumentasi Proses Pengguna mengumpulkan ide-ide awal KA menghasilkan konten awal Pengguna menyempurnakan konten KA Iterasi dan revisi didokumentasikan Dasar-dasar Kreasi Konten dengan KA

84. KA dapat memiliki peran dengan membantu pengguna untuk melakukan brainstorming dan mind mapping secara digital. Pengembangan ide melalui pendekatan digital ini memungkinkan penyusunan konsep yang terintegrasi antara analisis data dan intuisi kreatif yang dimiliki manusia, sehingga menghasilkan konten yang tidak hanya informatif tetapi juga menarik dan relevan. — Prompt Engineering Guide, 2019 Pengembangan Ide dan Kreativitas Digital

85. 2 3 1 4 Tentukan apa yang ingin dicapai melalui konten tersebut. Apakah untuk mengedukasi, menginspirasi, menghibur, atau menginformasikan? Definisikan Tujuan Konten Jelaskan latar belakang, target audiens, dan konteks yang relevan. Hal ini membantu KA menghasilkan konten yang lebih terarah. Sertakan Elemen Kontekstual Jika memungkinkan, sertakan contoh-contoh format atau gaya yang diinginkan. Beri Contoh Buat prompt multi-langkah di mana output awal dievaluasi dan prompt direvisi berdasarkan feedback . Terapkan Teknik Iteratif Teknik Perancangan Prompt untuk Produksi Konten Kreatif

86. Penyuntingan dan Kurasi Konten Memastikan kualitas dan akurasi konten Penggabungan dengan Elemen Lain Menggabungkan visual dan interaktivitas Dokumentasi Proses Kerja Mencatat semua langkah pengembangan Uji Coba dan Feedback Mengumpulkan masukan untuk perbaikan Integrasi Konten dalam Proyek Nyata

87. Membuat Presentasi Visual Pendukung Menulis Skenario Merekam Narasi Mengedit Video Menggunakan Gamma untuk membuat presentasi yang menarik secara otomatis. Menghasilkan ilustrasi atau grafik dengan Napkin.ai untuk mendukung pembelajaran. Menggunakan ChatGPT atau lainnya untuk menyusun skrip video yang menarik. Menambahkan narasi profesional menggunakan TTSMaker . Mengedit video menggunakan Canva serta interaktivitas pada Quizizz. 1 2 3 4 5&6 + Membuat Video Pembelajaran dengan KA

88. Isu Etika Utama Kreasi Konten dengan KA Plagiarisme & Hak Cipta Bias & Ketidakberpihakan Akuntabilitas & Tanggung Jawab Isu Lingkungan Transparansi Penggunaan

89. Output yang dihasilkan oleh KA harus diperiksa agar tidak melanggar hak cipta atau meniru karya orang lain secara tidak sah. Pengguna harus memastikan bahwa konten tersebut original atau disertai dengan atribusi yang tepat jika mengacu pada sumber eksternal. Contoh nyata dari permasalahan ini adalah gugatan hukum yang diajukan oleh Getty Images terhadap perusahaan KA bernama Stability AI pada tahun 2023. Stability AI merupakan pengembang dari Stable Diffusion, sebuah model generatif yang dapat membuat gambar baru berdasarkan perintah teks. Getty Images menuduh bahwa Stability AI secara tidak sah telah menggunakan lebih dari 12 juta gambar berlisensi milik mereka untuk melatih model tersebut tanpa izin atau kompensasi. Gugatan tersebut diajukan di pengadilan federal AS dan juga di Inggris, dengan tuduhan pelanggaran hak cipta dalam skala besar (Reuters, 2023). Plagiarisme & Hak Cipta Isu Etika Utama Kreasi Konten dengan KA

90. Model KA sering kali mewarisi bias dari data latihnya. Oleh karena itu, penting untuk mengevaluasi output dan mengoreksi bagian-bagian yang menunjukkan bias gender, etnis, atau budaya. Contoh kasus yang cukup dikenal adalah sistem rekrutmen berbasis KA yang dikembangkan oleh Amazon pada tahun 2018. Sistem tersebut secara otomatis menilai dan menyaring lamaran kerja, namun terbukti menunjukkan bias terhadap pelamar perempuan. Hal ini terjadi karena model dilatih menggunakan data lamaran historis selama 10 tahun, yang didominasi oleh laki-laki di bidang teknologi. Akibatnya, algoritma mulai menurunkan peringkat lamaran yang mengandung kata-kata yang berasosiasi dengan perempuan. Menyadari hal ini, Amazon akhirnya membatalkan proyek tersebut secara internal sebagai bentuk tanggung jawab etis (Reuters, 2018). Bias & Ketidakberpihakan Isu Etika Utama Kreasi Konten dengan KA

91. Penggunaan KA dalam kreasi konten sebaiknya diumumkan secara terbuka kepada audiens, terutama bila konten tersebut mempengaruhi opini publik atau keputusan penting. Salah satu contoh kasus adalah ketika The Guardian pada tahun 2020 menerbitkan artikel opini yang ditulis oleh KA GPT-3. Meskipun disebutkan bahwa artikel tersebut dibuat dengan KA, banyak pembaca tidak mengetahui bahwa isi artikel merupakan hasil kurasi dari beberapa output dan telah disunting oleh editor manusia. Hal ini memicu perdebatan tentang pentingnya menyampaikan secara jujur sejauh mana keterlibatan manusia dalam konten yang diklaim dihasilkan oleh KA (The Guardian, 2020) Transparansi Penggunaan Isu Etika Utama Kreasi Konten dengan KA

92. Pengguna KA harus bertanggung jawab atas output yang dihasilkan. Proses verifikasi dan validasi konten menjadi kunci untuk memastikan bahwa informasi yang dipublikasikan tidak menyesatkan dan dapat dipertanggungjawabkan. Contoh kasusnya adalah pada tahun 2016, Microsoft meluncurkan chatbot KA bernama Tay di platform Twitter (sekarang X), yang dirancang untuk belajar dari percakapan dengan pengguna. Namun, hanya dalam hitungan jam, Tay mulai mengeluarkan cuitan yang rasis, seksis, dan ofensif akibat masukan dari pengguna internet yang mengeksploitasi celah dalam desain pembelajarannya. Menyadari bahaya tersebut, Microsoft segera menonaktifkan Tay, mengeluarkan permintaan maaf resmi, dan mengakui bahwa mereka kurang mengantisipasi potensi penyalahgunaan dari publik. Microsoft kemudian berkomitmen untuk memperkuat kebijakan pengembangan KA mereka, termasuk aspek etika, keamanan, dan akuntabilitas dalam desain sistem berbasis pembelajaran mesin (IEEE Spectrum, 2023). Akuntabilitas & Tanggung Jawab Isu Etika Utama Kreasi Konten dengan KA

93. Selain isu etika dalam penggunaan Kecerdasan Artifisial (KA), penting pula untuk mempertimbangkan dampak ekologisnya, khususnya terkait konsumsi energi dan emisi karbon. Sebuah studi oleh Strubell et al. (2019) menunjukkan bahwa pelatihan model NLP canggih dapat menghasilkan emisi hingga 284 ton CO₂, setara dengan lebih dari 300 penerbangan sekali jalan antara London dan New York (Strubell et al., 2019) pelatihan GPT-3 dapat mengkonsumsi air setara dengan memproduksi 370 botol air (500 ml) untuk setiap 20–50 pertanyaan yang diajukan ke model AI (Li & Hao, 2023). Konsumsi listrik oleh pusat data secara global dapat lebih dari dua kali lipat pada tahun 2030, sebagian besar dipicu oleh meningkatnya adopsi teknologi KA (IEA, 2023) Isu Lingkungan Isu Etika Utama Kreasi Konten dengan KA

94. Peningkatan Kualitas Pembelajaran dan Pemahaman: Penggunaan KA generatif harus ditujukan untuk meningkatkan kualitas pembelajaran, memfasilitasi pemahaman konsep yang lebih mendalam, dan mendorong pemikiran kritis. Pengembangan Keterampilan Abad ke-21: Pemanfaatan KA generatif harus membantu peserta didik dalam mengembangkan keterampilan yang relevan untuk abad ke-21, seperti literasi digital, kemampuan analisis informasi Integritas Akademik: Pengguna KA generatif harus memahami batasan penggunaan KA generatif dan tidak menggunakannya untuk melakukan plagiarisme atau kecurangan akademik lainnya. Transparansi dan Akuntabilitas Penggunaan: Pendidik dan peserta didik perlu memiliki pemahaman yang jelas tentang batasan dan potensi bias dalam hasil yang dihasilkan oleh KA generatif juga perlu disadari. Pengembangan Kemandirian Belajar: Penggunaan KA generatif harus mendorong kemandirian belajar peserta didik, bukan membuat mereka bergantung sepenuhnya pada teknologi. Akses yang Adil dan Merata: Upaya perlu dilakukan untuk memastikan bahwa akses terhadap alat dan sumber daya KA generatif tersedia secara adil dan merata bagi seluruh peserta didik. Privasi dan Keamanan Data: Jika dalam penggunaan KA generatif melibatkan pengumpulan atau pemrosesan data pribadi, prinsip-prinsip privasi dan keamanan data harus dihormati dan dipatuhi. Pengembangan Kebijakan yang Jelas: Pemangku kebijakan dalam bidang pendidikan perlu mengembangkan kebijakan yang jelas mengenai penggunaan KA generatif dalam pembelajaran. Pedoman Etis Penggunaan KA Generatif

95. Menggunakan KA generatif sebagai alat bantu untuk belajar dan mengembangkan pmahaman, bukan untuk melakukan kecurangan akademik. Mencantumkan dengan jelas jika menggunakan output dari KA generatif dalam tugas atau pekerjaan akademik, sesuai dengan kebijakan institusi. Mengembangkan kemampuan untuk mengevaluasi secara kritis informasi yang dihasilkan oleh KA generatif dan memverifikasinya dari sumber lain . Bertanggung jawab atas hasil pekerjaan akademik yang mereka kumpulkan, meskipun sebagian dibantu oleh KA generatif. Bagi PESERTA DIDIK: Memberikan panduan yang jelas kepada peserta didik mengenai batasan dan cara penggunaan KA generatif yang diperbolehkan dalam tugas dan kegiatan pembelajaran. Mendorong penggunaan KA generatif sebagai alat bantu untuk brainstorming, mencari ide, atau memahami konsep , bukan sebagai pengganti pemikiran dan analisis mandiri. Merancang tugas yang mendorong pemikiran kritis, analisis, dan sintesis informasi yang tidak dapat sepenuhnya digantikan oleh KA generatif. Mengevaluasi hasil pekerjaan peserta didik tidak hanya berdasarkan output yang dihasilkan, tetapi juga pada proses pemahaman dan keterlibatan . Bagi PENDIDIK: Implikasi Praktis Penggunaan KA Generatif Dalam Pembelajaran

96. KODING DAN KECERDASAN ARTIFISIAL Pendidikan Dasar dan Menengah Modul 4

97. Dasar Pemrograman Kecerdasan Artifisial

98. KA dan Machine Learning KA bukan hanya Machine Learning Meskipun banyak yang mengasosiasikan KA secara eksklusif dengan machine learning (ML) karena kemampuannya untuk belajar dari data, KA sebenarnya mencakup spektrum yang jauh lebih luas

99. Ragam Bahasa Pemrograman Kecerdasan Artifisial

100. Dasar Pemrograman Python Variabel & Tipe Data Sumber: https://automatetheboringstuff.com/2e/chapter2/ Variabel di Python adalah “kotak” penyimpanan berlabel yang dibuat untuk menyimpan dan mengambil data—seperti angka, teks, atau daftar—selama program berjalan.

101. Dasar Pemrograman Python (lanjutan) Operator Sumber: https://miro.medium.com/ Operator di Python adalah simbol atau kata kunci (mis . + - * / ** % // and or not ) yang memerintahkan komputer melakukan perhitungan atau logika pada nilai tipe data—seperti int , float , str , bool , list , tuple , set , dan dict — menentukan bentuk serta sifat nilai itu agar operator tahu cara memprosesnya.

102. Dasar Pemrograman Python Sumber: https://automatetheboringstuff.com/2e/chapter2/ Struktur kontrol di Python adalah perintah memungkinkan program untuk mengambil jalur eksekusi yang berbeda berdasarkan suatu kondisi tertentu. Percabangan (Decision), seperti if, elif, dan else. Perulangan (Looping / Iterasi), seperti for dan while.

103. Dasar Pemrograman Python Sumber: https://automatetheboringstuff.com/2e/chapter2/ Struktur kontrol di Python adalah perintah seperti if , for , dan while yang mengatur alur eksekusi program sehingga komputer dapat memilih, mengulang, atau melewati blok kode sesuai kondisi yang terjadi.

104. Dasar Pemrograman Python Function Sumber: https://unstop.com/blog/python-functions Fungsi di Python adalah blok kode bernama yang secara opsional menerima parameter dan mengembalikan nilai (jika diperlukan) , sehingga Anda bisa menjalankan suatu blok kode program berulang-ulang dengan satu panggilan dan menjaga kode tetap rapi.

105. List (mutable) vs Tuple (immutable) Struktur data merupakan cara untuk menyimpan dan mengelola data. Aplikasi KA melibatkan data dengan jumlah yang besar, sehingga membutuhkan struktur data Struktur Data

106. Dictionary: pasangan kunci (key) dan nilai (value) Sumber https://jeevangupta.com/python-dictionary-tutorial/ Struktur Data

107. Numpy Array https://nustat.github.io/DataScience_Intro_python/NumPy.html struktur data N‑dimensional yang menyimpan elemen dengan tipe data sama secara terstruktur dan mendukung operasi vektor Struktur Data

108. Pandas Series & DataFrame https://www.linkedin.com/posts/devonsuardi31_dataanalysis-pandas-python-activity-7033804160558895105-IkD1/ Pandas Series :daftar satu baris atau satu kolom angka (atau teks) yang tiap elemen punya label (index), mirip daftar nilai ujian dengan nama siswa di sampingnya. Pandas DataFrame: tabel dua dimensi yang punya banyak baris dan kolom—bayangkan lembar kerja Excel—di mana setiap kolom bisa berisi tipe data yang berbeda (misal angka, teks, tanggal) Struktur Data

109. Pembelajaran Mesin Machine Learning

110. Pembelajaran mesin adalah cabang kecerdasan artifisial di mana komputer “belajar” dari contoh-contoh data untuk mengenali pola dan kemudian membuat prediksi atau keputusan tanpa instruksi detail untuk setiap situasi baru. Pembelajaran Mesin (Machine Learning)

111. Penggunaan dataset berlabel ( input dan output yang diketahui) untuk melatih algoritma dalam mengklasifikasikan data atau memprediksi hasil dengan akurat Untuk mengenali gambar apel, maka sistem diberi data gambar yang diberi label sebagai apel. Contohnya adalah pengelompokan ( classification ), pohon keputusan (decision tree), naive bayes, dan regresi ( regression ). Sumber: Dicoding Supervised Learning / Pembelajaran Terawasi

112. menggunakan data tidak berlabel belajar dari kumpulan data yang tidak diinputkan secara manual oleh manusia (tidak terawasi) dan mengkategorikannya ke dalam berbagai kelompok berdasarkan atributnya jika algoritma diberi input data berupa gambar apel dan pisang, maka algoritma tersebut akan bekerja dengan sendirinya untuk mengkategorikan gambar mana yang merupakan apel dan pisang digunakan dalam pemodelan deskriptif dan pencocokan pola, seperti fuzzy means dan k-means clustering, Sumber: Dicoding Unsupervised Learning / Pembelajaran Tidak Terawasi

113. menggabungkan keunggulan dari pembelajaran terawasi dan tak terawasi algoritma dilatih menggunakan sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel, dengan tujuan meningkatkan akurasi model tanpa harus memberikan label pada seluruh dataset efektif ketika data tak berlabel mudah didapat, tetapi pelabelannya mahal atau sulit dilakukan banyak digunakan dalam klasifikasi teks, gambar, dan analisis suara berskala besar seperti klasifikasi konten internet, analisis genom, atau pelabelan rekaman suara Sumber: https://www.geeksforgeeks.org/ml-semi-supervised-learning/ Semi Supervised Learning / Pembelajaran Semi Terawasi

114. belajar melalui praktik : serangkaian uji coba oleh “agen” yang melakukan perbaikan terus menerus berdasarkan feedback loop yang diterima, hingga kinerjanya sesuai dengan harapan Model reinforcement learning banyak digunakan dalam permainan, seperti catur dan maze. Sumber: https://databasecamp.de/en/ml/reinforcement-learnings Reinforcement Learning

115. Data training atau data latih adalah sekumpulan data yang digunakan untuk melatih model machine learning. Data testing atau data uji adalah kumpulan data yang belum pernah digunakan selama proses pelatihan : digunakan untuk mengukur seberapa baik model dapat menggeneralisasi pengetahuan yang telah didapat ke data baru yang belum dikenal sebelumnya Pemisahan data training dan testing penting untuk dilakukan dengan perhitungan yang seksama, yang bertujuan untuk: Menghindari Bias: Jika data testing ikut digunakan selama training, model pembelajaran mesin bisa saja menghafal data tersebut, yang mengakibatkan kinerja model tampak sangat baik pada data yang sama namun sangat kurang baik saat menghadapi data nyata. Evaluasi Kinerja: Dengan menggunakan data testing yang terpisah, kita dapat mendapatkan gambaran yang lebih jujur tentang kemampuan model dalam memprediksi data yang tidak dikenal. Training & Testing

116. Contoh Pemisahan Data Training & Testing

117. Data adalah fakta yang dapat berbentuk teks, angka, gambar, suara, dan lainnya Dataset adalah kumpulan data yang telah disusun , biasanya dalam bentuk matriks, tabel, himpunan (array), ataupun struktur spesifik lainnya Cara mencari dataset: Menggunakan Mesin Pencari: kata kunci spesifik seperti "dataset [topik]" atau "open dataset [topik]“ Platform Dataset Terbuka (UCI, Kaggle, data.gov, dll) Dataset

118. Jenis/Tipe Dataset

119. Contoh Cara Load Dataset (Python)

120. Contoh: Bekerja dengan Dataset Iris Kementerian Pendidikan Dasar dan Menengah https://colab.research.google.com/drive/1vwoldLmLrr5FeSARUVYCBP8MTOm_rABN?usp=sharing : Memuat dan mengonversi dataset ke DataFrame. Eksplorasi data: menampilkan baris pertama, informasi umum, statistik deskriptif, dan pemeriksaan nilai yang hilang.

121. Data Preparation adalah serangkaian kegiatan yang bertujuan untuk mengumpulkan dan menyiapkan data yang akan digunakan dalam proses pembelajaran mesin . Di dalamnya, termasuk tahap data pre-processing ( serangkaian langkah untuk mengubah data mentah menjadi format yang bersih, terstruktur, dan optimal sebelum dianalisis atau digunakan) Data Preparation & Pre-Processing

122. Data Preparation & Pre-Processing

123. Contoh penerapan data preparation & pre-processing menggunakan dataset Indonesia Reading Interest dalam bahasa python: https://colab.research.google.com/drive/1d5yPdFKFB8s6hdP8iWsHB69TPOA6oaHb?usp=sharing

124. teknik menyajikan data dan hasil analisis model dalam bentuk grafik, diagram, atau peta untuk memudahkan identifikasi pola dan hubungan antar variabel . Teknik Visualisasi Data Deskripsi Kapan Digunakan Histogram Menampilkan distribusi frekuensi dari data numerik. Digunakan untuk memeriksa sebaran dan frekuensi data, seperti mendeteksi normalitas, skewness, atau distribusi nilai. Boxplot Menunjukkan ringkasan statistik data, termasuk median, kuartil, dan outlier. Cocok untuk memahami sebaran data dan mendeteksi nilai ekstrim (outlier) dalam data numerik. Scatter Plot Menggambarkan hubungan antara dua variabel numerik. Digunakan untuk mengevaluasi korelasi atau pola hubungan antara dua variabel, seperti hubungan antara pendapatan dan pengeluaran. Heatmap Menampilkan matriks korelasi antar variabel dalam bentuk visual. Ideal untuk melihat hubungan antar banyak variabel sekaligus, misalnya memeriksa korelasi antar variabel dalam dataset numerik. Bar Plot Menampilkan perbandingan nilai atau frekuensi untuk data kategorik. Digunakan untuk membandingkan nilai agregat (misalnya rata-rata, jumlah) atau frekuensi antar kategori, seperti perbandingan penjualan per produk. Data Visualization

125. Contoh Visualisasi Data

126. Proses awal dalam analisis data yang bertujuan untuk memahami karakteristik dataset secara menyeluruh Memahami Struktur Data: Mengetahui jumlah variabel, tipe data (numerik, kategorik, tanggal), dan ukuran dataset. Mengidentifikasi Missing Values dan Outlier: Mendeteksi data yang hilang atau tidak konsisten serta outlier yang dapat mempengaruhi hasil analisis. Mengeksplorasi Distribusi Data: Melihat sebaran data, tren sentral, dan penyebaran dengan bantuan histogram, boxplot, dan density plot. Menguji Asumsi Awal: Memeriksa hubungan antar variabel, seperti korelasi atau asosiasi, yang nantinya dapat digunakan untuk pemodelan. Mendapatkan Wawasan Awal: Memberikan gambaran umum yang mendalam mengenai dataset sehingga dapat menentukan strategi pembersihan data, transformasi, atau pemilihan fitur untuk pemodelan. Exploratory Data Analysis

127. Exploratory Data Analysis Contoh: https://colab.research.google.com/drive/1BBnmCH8oSt7lcCzMBUD7Fbb4kOQmeCsJ?usp=sharing

128. Exploratory Data Analysis Berdasarkan grafik di samping: Jumlah Penumpang Pria Lebih Banyak dari Wanita Dari grafik, terlihat bahwa jumlah penumpang laki-laki (male) jauh lebih banyak dibandingkan penumpang perempuan (female). Ini menunjukkan bahwa mayoritas penumpang Titanic adalah pria. Kemungkinan Pengaruh terhadap Tingkat Keselamatan Berdasarkan aturan "Women and children first", wanita memiliki kemungkinan lebih tinggi untuk diselamatkan dibandingkan pria. Perbedaan jumlah ini bisa berpengaruh pada analisis tingkat keselamatan (survival rate).

129. Exploratory Data Analysis Berdasarkan grafik di samping: Mayoritas Penumpang Berusia 20-40 Tahun Puncak distribusi terlihat di rentang 20-30 tahun, dengan frekuensi tertinggi sekitar 70 penumpang pada kelompok usia sekitar 25 tahun. Rentang usia 30-40 tahun juga cukup banyak, meskipun jumlahnya sedikit lebih rendah. Keberagaman Umur Penumpang: Ada penumpang dari berbagai kelompok umur, mulai dari bayi hingga lansia sekitar 80 tahun. Frekuensi anak-anak (di bawah 10 tahun) cukup rendah tetapi masih terlihat signifikan. Lansia (di atas 60 tahun) memiliki jumlah yang jauh lebih sedikit dibandingkan kelompok usia lainnya. Grafik menunjukkan pola distribusi miring ke kanan (right-skewed), di mana lebih banyak penumpang berusia muda dibandingkan penumpang yang lebih tua. Hal ini masuk akal karena Titanic kemungkinan besar membawa banyak pekerja muda dan keluarga dibandingkan lansia

130. Training set digunakan untuk melatih model agar dapat mempelajari pola dari data. Testing set digunakan untuk mengevaluasi model dengan data yang belum pernah dilihat oleh model sebelumnya , sehingga kita bisa menilai performa model secara objektif dan mendeteksi masalah seperti overfitting . Memisahkan Data Training & Testing

131. Model yang paling sederhana adalah garis (regresi linier) dengan persamaan garis y = mx + c, yang menggambarkan pengaruh antara variable x terhadap y Melatih model (pada konteks regresi linier), adalah mencari nilai m dan c yang paling optimal, sehingga garis regresi menjadi garis yang paling akurat dalam merepresentasikan hubungan antara variable dependen dan independen https://colab.research.google.com/drive/1V9ZzDDNcsGprbLsGGGua3GnCmK6Pm-r1?usp=sharing Melatih Model Machine Learning

132. Melatih Model Seringkali, model berupa garis lurus tidak cukup mewakili. Salah satu model lain, adalah logistic regression yang berbentuk kurva sigmoid Contoh: https://colab.research.google.com/drive/1pk7vycijnjHCn6M5K-rXGh6Do5v0_MGZ?usp=sharing

133. Melatih Model Dalam kasus lain, mesin perlu mengelompokkan sekumpulan data berdasarkan kemiripannya. K-means clustering adalah algoritma unsupervised learning yang mengelompokkan data ke dalam sejumlah k klaster berdasarkan kesamaan fitur, dengan cara menginisiasi sebanyak k titik pusat (centroid) secara acak, kemudian menetapkan setiap data ke klaster dengan centroid terdekat, dan akhirnya memperbarui posisi centroid berdasarkan rata-rata data dalam klaster tersebut hingga tercapai kondisi konvergen. Contoh: https://colab.research.google.com/drive/1ATmIdTpshocnxqfqZ9wC3QMW6vdREHcH?usp=sharing

134. Library Pemrograman KA (Python)

135. Pemrograman KA dipermudah dengan adanya library yang bisa digunakan, sehingga pemrograman tidak selalu melakukan pemrograman dari 0. Contoh library: TensorFlow Scikit-Learn Library Pemrograman KA

136. Analisis Hasil Pembelajaran Mesin

137. Nilai koefisien regresi yang optimal adalah yang menghasilkan paling sedikit error.  MAE (Mean Absolute Error): Rata‑rata jarak tiap titik data ke garis prediksi, diukur persis seperti kita mengukur panjang dengan penggaris lalu dijumlahkan dan dibagi banyak titik. MSE (Mean Squared Error): Rata‑rata jarak kuadrat : untuk tiap titik, jaraknya dikuadratkan (jarak × jarak) baru dijumlahkan dan dirata‑ratakan. Contoh: https://colab.research.google.com/drive/1mdxRzWGP1p59opvAFwIXlumwLImO4h9p?usp=sharing Analisis Hasil Regresi

138. Confusion Matrix Confusion matrix adalah sebuah tabel yang menggambarkan kinerja model klasifikasi dengan membandingkan hasil prediksi model dengan data aktual. Matriks ini menyediakan informasi mengenai: True Positives (TP): Jumlah data positif yang benar-benar diprediksi sebagai positif. True Negatives (TN): Jumlah data negatif yang benar-benar diprediksi sebagai negatif. False Positives (FP) : Jumlah data negatif yang salah diprediksi sebagai positif. False Negatives (FN) : Jumlah data positif yang salah diprediksi sebagai negatif. Contoh: https://colab.research.google.com/drive/1SM7LTKJ8KPr1ziwyquQzBB3jdUwNpC62?usp=sharing

139. Metode Siku / Elbow Method Metode siku digunakan untuk menentukan banyaknya klaster yang paling optimal dengan menarik tiap titik data ke pusat klaster dan menghitung jaraknya. Semakin kecil jarak, maka semakin rapat sebuah klaster. Jika jarak-jarak tersebut divisualisasikan dalam sebuah grafik garis, maka akan terbentuk sebuah garis yang menurun tajam di awal, hingga suatu nilai di mana penurunannya menjadi lebih landai. Contoh: https://colab.research.google.com/drive/1lr3qYX9ZurElDfhZtu_yIhJbbyhNQQM7?usp= sharing Nilai k pada metode siku menunjukkan banyak klaster yang optimal untuk digunakan dalam klasterisasi

140. Mengenal Model Bahasa Besar Large Language Model (LLM)

141. Large Language Model adalah sebuah sistem berbasis jaringan syaraf tiruan yang dilatih untuk dapat memahami, memproses, dan menghasilkan teks dalam bahasa alami atau bahasa natural (bahasa yang digunakan manusia sehari-hari dalam berbagai gaya) Attention Is All You Need "   adalah sebuah karya tulis penelitian penting tahun dalam  pembelajaran mesin  yang ditulis oleh delapan ilmuwan yang bekerja di  Google . Karya tulis tersebut memperkenalkan arsitektur  pembelajaran mendalam  baru yang dikenal sebagai  transformer  , berdasarkan  mekanisme perhatian  yang diusulkan pada tahun 2014 oleh Bahdanau et al. Karya tulis tersebut dianggap sebagai karya tulis dasar dalam  kecerdasan buatan  modern , dan kontributor utama bagi  ledakan KA , karena pendekatan transformer telah menjadi arsitektur utama dari berbagai macam KA, seperti  model bahasa besar   Pengenalan Large Language Model (LLM)

142. LLM menggunakan mekanisme “attention”, yang merupakan teknik pembelajaran mesin yang mengarahkan model deep learning untuk memprioritaskan (atau memperhatikan/ attention / atensi) kepada bagian paling relevan dari data inputan https://www.analyticsvidhya.com/blog/2019/11/comprehensive-guide-attention-mechanism-deep-learning/ Pengenalan Large Language Model (LLM)

143. Penjelasan Visual tentang LLM https://www.youtube.com/watch?v=LPZh9BOjkQs Sumber: https://learnopencv.com/attention-mechanism-in-transformer-neural-networks/

144. Penjelasan Visual Tentang Arsitektur Transformer https://www.youtube.com/watch?v=wjZofJX0v4M (Arsitektur Sistem di Dalam LLM)

145. Representasi Kata: Setiap kata diubah jadi vektor angka (embedding) agar model bisa “membaca” dan membandingkannya satu sama lain. Menentukan Kata Fokus (Query & Key): Untuk tiap kata yang ingin diprediksi atau diproses, model membentuk “query” dan membandingkannya dengan “key” dari semua kata lain untuk menilai seberapa relevan satu sama lain. Menghitung Skor Perhatian: Query dan key dikalikan (dot product) untuk menghasilkan skor—semakin tinggi skor, semakin penting kata itu untuk konteks query. Normalisasi ke Bobot (Softmax): Semua skor diubah lewat fungsi softmax sehingga menjadi bobot antara 0–1 yang jika dijumlahkan totalnya 1; ini membuat model “terfokus” pada kata-kata paling relevan. Membangun Konteks (Value & Weighted Sum): Bobot tadi dipakai untuk mengalikan vektor “value” dari tiap kata, lalu dijumlahkan. Hasilnya adalah vektor konteks yang kaya informasi, digunakan model untuk memprediksi atau menghasilkan kata berikutnya . Cara Kerja Singkat Mekanisme Attention

146. Visualisasi Cara Kerja Mekanisme Attention https://www.youtube.com/watch?v=eMlx5fFNoYc

147. Persiapan Data & Tokenisasi : Kumpulkan teks dalam jumlah sangat besar (buku, artikel, web). Setiap kata/frasa diubah menjadi potongan–potongan kecil (token) agar model dapat memprosesnya. Pretraining (Pembelajaran Awal): Model belajar dengan “membaca” token secara berurutan dan mencoba memprediksi token selanjutnya. Parameter (bobot) model diubah sedikit demi sedikit menggunakan algoritma optimisasi (gradient descent) hingga prediksi makin akurat. (Opsional) Fine‑Tuning : Jika ingin model mahir pada tugas khusus (misalnya tanya‑jawab atau terjemahan), model dilatih ulang dengan dataset yang sudah berlabel agar kemampuan sesuai kebutuhan. Tokenisasi & Input Saat Inference: Ketika kita beri teks baru, teks itu kembali diubah jadi token dan dimasukkan ke model yang sudah “terlatih”. Prediksi & Dekode Output: Model menghitung skor untuk setiap token berikutnya menggunakan mekanisme attention dan bobot yang telah dipelajari, lalu memilih token tertinggi (atau sampling). Token–token hasil itu digabung kembali jadi kalimat atau paragraf sebagai jawaban. Referensi video Cara Kerja LLM: https://www.youtube.com/watch?v=5sLYAQS9sWQ Cara Kerja LLM

148. LLM merupakan inti dari KA Generatif , contohnya pada model GPT (Generative Pre-Trained Transformer) yang banyak digunakan di perangkat KA seperti ChatGPT, ScholarGPT, dan lain-lain LLM banyak berperan dalam chatbot virtual (layanan pelanggan), penulisan dan pembuatan konten, penerjemahan bahasa, dan riset Isu etika yang muncul: bias, diskriminasi, keamanan, penyalahgunaan, dan transparansi model LLM dalam KA Generatif

149. Integrasi melalui API (Application Programming Interface): OpenAI, Hugging Face, dll Integrasi melalui Pipeline Machine Learning: menggunakan modul seperti PyTorch dan TensorFlow Integrasi melalui pemrograman (Python, JavaScript, dll) Integrasi LLM dengan Aplikasi KA

150. Suplemen Modul 4 Fase E/F Orange Data Mining & Contoh Pengerjaan LK 4.2

151. Machine Learning dengan Orange Data Mining Suplemen ini bertujuan untuk memudahkan pemahaman dan pengaplikasian machine learning dengan antarmuka pemrograman visual, sebelum memasuki pemrograman machine learning berbasis teks (dengan bahasa pemrograman seperti Python). Tautan suplemen dapat diakses melalui: https://docs.google.com/document/d/1L8-t3enQN-_fzoI_bbORMGKiplth3B1Q/edit?usp=sharing&ouid=117901884224837387765&rtpof=true&sd=true   Orange Data Mining

152. PEDAGOGIK UNTUK KODING DAN KA Pendidikan Dasar dan Menengah Modul 5.

153. Alur Pembelajaran Materi Tahapan dalam PM Indikator Mode Aktivitas Evaluasi Prinsip Pedagogik dalam Pembelajaran Pembelajaran HOTS dan TPCAK Rancangan Pembelajaran berbasis Pembelajaran Mendalam Memahami Peserta mampu menjelaskan prinsip-prinsip pedagogik dalam pembelajaran Peserta mampu menjelaskan pembelajaran berbasis HOTs dan Kerangka pembelajaran TPACK Peserta mampu  menjelaskan konsep rancangan pembelajaran berbasis pembelajaran mendalam (PM) (IN-Synchronous) (IN- Asynchronous) Fasilitator menjelaskan pemaparan singkat mengenai prinsip-prinsip pedagogik, HOTs, dan TPACK serta Pembelajaran Mendalam   Peserta membaca modul sesuai arahan fasilitator dan mendalami materi dengan membuat mind map materi LK 5.1 Peserta membuat mind map terkait materi : prinsip-prinsip pedagogi, pembelajaran berbasis HOTs dan TPACK serta Pembelajaran Mendalam Rancangan Pembelajaran berbasis Pembelajaran Mendalam Mengaplikasikan  Peserta mampu merancang perangkat pembelajaran dengan pendekatan pembelajaran mendalam untuk materi Koding KA (IN-Synchronous) (IN-Asynchronous) (ON-Asynchronous) Fasilitator memberikan pengarahan mengenai perancangan perangkat pembelajaran Koding KA dengan konsep PM    Peserta merancang perangkat pembelajaran berbasis PM dengan untuk salah satu materi KA   Peserta beserta fasilitator mendiskusikan hasil perancangan perangkat pembelajaran yang telah dibuat   Peserta mempraktekan hasil perancangan dalam bentuk mictroteaching atau peer teaching LK. 5.2 Peserta mendesain perangkat pembelajaran dengan pendekatan PM  Merefleksikan Peserta mampu merancang perangkat pembelajaran dengan pendekatan pembelajaran mendalam untuk materi Koding KA (IN -2) Peserta melakukan evaluasi dan refleksi terhadap pelaksanaan microteaching LK. Refleksi dan Evaluasi Microteaching

154. Prinsip-prinsip Pedagogik

155. Bagaimana menerapkan prinsip-prinsip pegadogik Memahami Karakteristik Peserta Didik Mengetahui dan memahami teori belajar dan prinsip pembelajaran mendidik Menguasai konten dan kurikulum Memahami potensi peserta didik Mengetahui dan menguasai keterampilan berkomunikasi Memahami proses penilaian dan evaluasi belajar

156. Identifikasi karakteristik peserta didik Etnik Kultural Status Sosial Minat atau motivasi Perkembangan Kognitif Kemampuan Awal Gaya Belajar Perkembangan Emosi Perkembangan Moral dan Spiritual Perkembangan Motorik Konteks geografis

157. Apa saja Komponen Kurikulum? Komponen Kurikulum Komponen Tujuan Komponen Isi/Materi Komponen Media Komponen Strategi Pembelajaran Komponen Proses Belajar Mengajar Komponen Evaluasi

158. High Order Thinking Skills

159. High Order Thinking Skills Fungsi dari kemampuan high order thinking skills Mampu mentransformasikan pengetahuan peserta didik mampu menggunakan pengetahuan dan keterampilan yang diperoleh selama proses pembelajaran di kehidupan mereka sehari-hari Pembelajaran lebih bermakna atau memaknai setiap pengetahuan yang diperoleh Mampu menciptakan solusi dari sebuah permasalahan siswa dapat mengidentifikasi dan menyelesaikan permasalahan yang dihadapi di kehidupan akademik maupun kehidupan nyata, mampu untuk menciptakan solusi baru untuk menyelesaikan masalah yang mereka definisikan sendiri atau yang ditemui dalam kehidupan sehari-hari. Mampu berpikir kritis dan kreatif Critical thinking adalah kemampuan melakukan penalaran dan berpikir reflektif untuk fokus dalam memutuskan apa yang diyakini atau yang akan dilakukan mengajarkan siswa untuk melakukan penalaran, merenung dan membuat keputusan yang tepat.  siswa diminta untuk mengevaluasi dan mengestimasi akibat dari berbagai peristiwa

160. HOTs dalam Taksonomi Pembelajaran Blooms vs Solo Taksonomi Blooms Anderson Taksonomi Solo Pengalaman belajar Deskripsi Tingkat Pembelajaran Taksonomi - Belum berkembang Prastruktural - Belum memahami C1 - Mengingat Dasar Unistruktural Memahami Mengingat C2 - Memahami Berkembang Multisktuktual Mengumpulkan ide C3 – Menerapkan C4- Menganalisis Cakap Rasional Mengaplikasi Menghubungkan ide C5-Mengevaluasi C6- Mencipta Unggul Berpikir Abstrak Merefleksi Menerapkan ide menjadi solusi

161. TPACK (Technological Pedagogical Content and Knowledge)

162. MARI BERDISKUSI Pernahkah Anda mendengar Kerangka TPACK dalam pembelajaran? Apa yang Anda ketahui mengenai Kerangka TPACK dalam pembelajaran ?

163. ( Reproduced by permission of the publisher, © 2012 by tpack.org) Setelah mencermati gambar di samping, apakah definisi Anda berubah mengenai TPACK ? Apakah komponen paling penting dalam TPACK ? Bagaimana definisi TPACK jika dijelaskan oleh gambar di samping? Apakah semua komponen dalam TPACK harus dikuasai oleh guru?

164. Bagaimana menuangkan air dari botol ke dalam gelas? Untuk lebih mendalami konsep TPACK Perhatikan Ilustrasi berikut…

165. Guru Siswa evaluasi capaian belajar siswa Penguasaan materi guru materi yang perlu dikuasai oleh siswa Content Pedagogical metode yang digunakan dalam mentransfer pengetahuan ( students center learning ) media pembelajaran Technological Sumber : Harsa, W. 2024 Bentuk botol dan gelas bermacam-macam, sehingga sering kali perlu metode yang berbeda dan teknologi yang sesuai untuk mendukung pembelajaran Dalam ilustrasi ini, guru perlu menguasai Konten, Pedagogi, dan Teknologi untuk menyajikan pembelajaran yang efektif

166. Content knowledge (CK) adalah pengetahuan guru tentang bidang ilmu yang akan diajarkan kepada siswa . Pengetahuan berkenaan dengan konten ini juga berkaitan dengan kedalaman dan keluasan dari materi yang akan diajarkan. Guru perlu mampu memilah mana konten yang menjadi keutamaan untuk dikuasai oleh siswa dan mana yang tidak. Technological Knowledge Pedagogical Knowledge Content Knowledge Sumber : Harsa, W. 2024

167. Pedagogical Knowledge (PK) adalah pengetahuan yang dimiliki oleh guru mengenai model, metode pengajaran, dan pendekatan pembelajaran . Hal tersebut mencangkup cara dan seni dalam mengajar , yang bertujuan untuk memberikan pengalaman pengetahuan dan keterampilan kepada peserta didik. Termasuk ke dalam pedagogical knowledge ini adalah pengetahuan yang berkenaan dengan karakter peserta didik, pengelolahan kelas, dan penilaian proses-hasil belajar Technological Pedagogical Content Sumber : Harsa, W. 2024

168. Technology Knowledge (TK) merupakan pengetahuan tentang suatu teknologi dan cara teknologi tersebut digunakan . TK juga mengacu pada kemampuan untuk mempertimbangkan kegunaan dari suatu teknologi (misalkan jenis aktivitas yang didukung oleh teknologi) dan mengapa teknologi tersebut cocok dalam konteks situasi tertentu Technological Pedagogical Content Sumber : Harsa, W. 2024

169. What is .. Technological Pedagogical Content TPACK Technological Pedagogical Content Knowledge (TPACK) mengacu pada pengetahuan guru berkenaan dengan teknik pedagogis yang menggunakan teknologi dengan cara konstruktif untuk mengajarkan konten ; pengetahuan tentang apa yang membuat konsep sulit atau mudah dipelajari dan bagaimana teknologi dapat membantu memperbaiki masalah ini ; dan pengetahuan tentang bagaimana teknologi dapat digunakan untuk mengembangkan pengetahuan baru atau memperkuat pengetahuan sebelumnya Sumber : Harsa, W. 2024

170. Mari tebak Missing ‘T’ Teknologi apa yang diperlukan? Jika, Metode pembelajaran : Drill & Practice Materi yang disampaikan : Memahami Machine Learning ??? Drill & Practice Machine Learning Technological Content Pedagogical

171. Online Simulation Discussion/ Debate ??? Technological Content Pedagogical Mari tebak Missing ‘C’ Content apa yang dapat disampaikan? Jika, Metode pembelajaran : Discussion/Debate Teknologi yang digunakan : Online Simulation

172. Video Recording ??? Etika dan Risiko Teknologi Kecerdasan Artifisial Technological Content Pedagogical Mari tebak Missing ‘P’ Metode Pembelajaran apa yang diperlukan? Jika, Teknologi yang digunakan : Video Recording Materi yang disampaikan : Etika dan Risiko KA

173. Rancangan Pembelajaran untuk Koding dan KA

174. Bagaimana merencanakan Pembelajaran Mendalam pada Koding dan KA Tahap pertama ialah tahap memahami dan mengkonstruksi pengetahuan merekonstruksi pengetahuan esensial, aplikatif, serta nilai dan karakter pengetahuan memahami arti, karakteristik, prinsip kerja, macam dan jenis   koding dan KA. Tahapan kedua adalah tahap mengaplikasi yang bertujuan membentuk pendalaman pengetahuan pada peserta didik. Tahap ini menuntut untuk mengaplikasikan apa yang peserta didik sudah pelajari untuk memecahkan kehidupan keseharian Terakhir, tahap merefleksi, peserta didik mengevaluasi dan memaknai proses serta hasil dari tindakan atau praktik nyata yang telah mereka lakukan. Tahap ini melibatkan kemampuan peserta didik untuk meregulasi diri atau mengelola proses belajarnya sendiri.  Model Pembelajaran yang dapat digunakan: Problem based learning Project Based learning Inquiry based learning