Modul 2 : Algoritma dan Pemrograman Lanjut (Revisi)

Koding & Kecerdasan Artifisial 7 Pertemuan

SMAS Kristen Barana' • Deep Learning (Permendikdasmen No. 13/2025)

Beranda & Peta Modul Pertemuan 1: Modularitas Fungsi Pertemuan 2: Data Scope & List of Dict Pertemuan 3: Searching [Ada Lab Biner] Pertemuan 4: Sorting [Ada Lab Bubble] Pertemuan 5: Insertion Sort & Benchmark Pertemuan 6: Logika AI [Ada Lab AI] Pertemuan 7: Integrasi Proyek Mini-AI LKPD & Refleksi 3M

Progres: 15%

Beranda & Peta Materi Pertemuan 1: Modularitas Fungsi Pertemuan 2: Data Scope & List of Dict Pertemuan 3: Binary Search [Ada Lab] Pertemuan 4: Bubble Sort [Ada Lab] Pertemuan 5: Insertion Sort & Benchmark Pertemuan 6: Logika AI & Similarity [Ada Lab AI] Pertemuan 7: Integrasi Proyek Karya AI LKPD Digital & Refleksi 3M

Modul Pembelajaran Mendalam (Deep Learning)

Algoritma & Pemrograman Lanjut serta Pondasi Kecerdasan Artifisial

Media Pembelajaran Web Berbasis Pengalaman Nyata di SMAS Kristen Barana'. Mengintegrasikan fungsi modular, algoritma searching & sorting kontekstual, hingga mesin rekomendasi cerdas (Similarity Matching) Kopi Toraja.

Lab Virtual Terhubung Langsung ke Materi Pertemuan

Siswa tidak perlu lagi mencari menu lab terpisah. Saat membuka materi pertemuan, lab visualizer siap dicoba pada tahap Langkah 2: Mengaplikasi:

Pertemuan 3 • Lab Searching

Simulator Binary Search: Mengamati pemotongan array dan pointer low, mid, high pada skor cupping kopi.

Pertemuan 4 • Lab Sorting

Simulator Bubble Sort: Melihat pergeseran gelembung nilai dan optimasi bendera swapped = False.

Pertemuan 6 & 7 • Lab AI

Simulator Smart Coffee Advisor AI: Menguji perhitungan selisih jarak fitur preferensi rasa kopi secara langsung.

Peta Sintaks 3M (7 Pertemuan • 14 JP)

Pertemuan 1 (2 JP) Minggu 1

Modularitas & Abstraksi Fungsi

Prinsip DRY, parameter formal/aktual, perbedaan vital antara print() dan return.

Pertemuan 2 (2 JP) Minggu 2

Struktur Data & Variable Scope

List of Dictionaries, ruang lingkup variabel (Local vs Global Scope), dan manipulasi koleksi data asrama Barana'.

Pertemuan 3 (2 JP) ADA LAB BINER

Searching: Linear vs Binary

Eksperimen pembuktian efisiensi O(log N) dan Simulator Binary Search pada data Kopi Toraja.

Pertemuan 4 (2 JP) ADA LAB BUBBLE

Bubble Sort & Optimasi Flag

Mekanisme pertukaran elemen gelembung dan optimasi early exit dengan Simulator Bubble Sort.

Pertemuan 5 (2 JP) Minggu 5

Insertion Sort & Benchmarking

Logika penyisipan kartu nilai, pengukuran waktu eksekusi nyata (import time), dan Green Computing.

Pertemuan 6 (2 JP) ADA LAB AI

Pondasi AI & Similarity Engine

Kalkulasi kedekatan jarak fitur Manhattan/Euclidean dan Simulator Smart Coffee Advisor.

Pertemuan 7 (2 JP)

Gelar Karya & Integrasi Proyek Akhir

Pengujian silang (Peer-Testing), penanganan edge cases, validasi antarmuka CLI, dan refleksi filosofis etika AI.

Pertemuan 1 • 2 JP (80 Menit) Tahap: Dekomposisi & Modularitas

Dekomposisi Masalah & Modularitas Fungsi Python

1 Langkah 1: Memahami (Mindful & Meaningful)

20 Menit

Pertanyaan Pemantik: "Jika kita menulis 150 baris kode linier tanpa fungsi, lalu ada satu kesalahan rumus di baris 12 yang dipakai di 8 tempat lain, berapa banyak baris yang harus kita ubah manual?"

Konsep Black Box dalam fungsi memisahkan antara Input (Parameter), Proses Internal (def), dan Output (return). Perhatikan perbedaan vital:

• print() hanya mencetak teks visual di layar terminal (tidak mengembalikan nilai ke memori).
• return mengembalikan data murni ke variabel penampung untuk diolah modul lain atau logika AI.

2 Langkah 2: Mengaplikasi (Pair Programming)

45 Menit

Bekerjalah berpasangan: Driver (mengetik kode) dan Navigator (memeriksa alur logika). Uji coba kode kalkulator pertanian modular berikut di Thonny / VS Code:

# Modul Pertanian Barana'
def hitung_luas(panjang, lebar):
    return panjang * lebar

def estimasi_panen(luas, produktivitas_per_m2=1.5):
    return luas * produktivitas_per_m2

# Uji Coba Modular:
lahan_a = hitung_luas(20, 15)
hasil_kg = estimasi_panen(lahan_a)
print(f"Perkiraan panen kopi: {hasil_kg} kg")

3 Langkah 3: Cek Pemahaman Mandiri P1

Apa yang terjadi jika suatu fungsi Python tidak menyertakan perintah return?

A. Program otomatis berhenti karena SyntaxError B. Fungsi secara implisit mengembalikan nilai None C. Nilai hasil otomatis tercetak ke layar terminal

Pertemuan 2 • 2 JP (80 Menit)

Data Scope & List of Dictionaries

1 Memahami: Local Scope vs Global Scope

Variabel yang dibuat di dalam sebuah fungsi (Local Scope) bersifat fana dan akan dihapus dari memori saat fungsi selesai dieksekusi. Hal ini mencegah tabrakan variabel dengan kode utama.

2 Mengaplikasi: Koleksi Data Asrama Barana'

data_siswa = [
    {"nis": "1001", "nama": "Tandi", "kamar": "Betlehem", "skor": 88},
    {"nis": "1002", "nama": "Marta", "kamar": "Nazaret", "skor": 95}
]

def hitung_rata_skor(daftar):
    total = sum(s["skor"] for s in daftar)
    return total / len(daftar)

print("Rata-rata:", hitung_rata_skor(data_siswa))

3 Cek Pemahaman Mandiri P2

Mengapa kita sebaiknya tidak sembarangan menggunakan kata kunci global di dalam fungsi?

Dapat menyebabkan efek samping tak terduga (side-effects) dan merusak modularitas. Python versi 3.10 ke atas sudah melarang keyword global secara permanen.

Pertemuan 3 • 2 JP (80 Menit) TERHUBUNG KE LAB SEARCHING

Searching: Linear Search vs Binary Search

1 Langkah 1: Memahami Prinsip Pembagian Area

Pada Linear Search, pencarian dilakukan satu per satu dari indeks awal (O(N)). Sementara Binary Search memotong rentang pencarian menjadi separuh (O(log N)) pada setiap langkah. Syarat mutlak: Data harus sudah dalam kondisi terurut!

2 Langkah 2: Eksperimen Lab Virtual Binary Search

Dataset Kopi Toraja

Gunakan simulator di bawah ini untuk melihat pergerakan penunjuk indeks (Low, Mid, High) secara visual:

Target Skor Cupping Dicari: 90 (Indeks 5 - Ada) 80 (Indeks 0 - Ujung Kiri) 85 (Indeks 3 - Tengah) 95 (Indeks 7 - Ujung Kanan) 87 (Tidak Ada dalam Data!)

// Status: Pilih target lalu klik tombol 'Jalankan Tracing Biner' di atas.

def binary_search(data, target):
    low = 0
    high = len(data) - 1
    langkah = 0
    while low <= high:
        langkah += 1
        mid = (low + high) // 2
        if data[mid] == target:
            return mid, langkah
        elif data[mid] < target:
            low = mid + 1
        else:
            high = mid - 1
    return -1, langkah

3 Langkah 3: Cek Pemahaman Binary Search

Jika kita mencari angka 90 pada 8 data di atas, berapa perbandingan yang dilakukan oleh Linear Search vs Binary Search?

Linear Search butuh 6 langkah, Binary Search hanya butuh 3 langkah. Keduanya sama-sama membutuhkan 8 perbandingan penuh.

Pertemuan 4 • 2 JP (80 Menit) TERHUBUNG KE LAB SORTING

Bubble Sort & Optimasi Bendera (Early Exit)

1 Memahami: Mekanisme Gelembung & Pertukaran

Bubble Sort membandingkan pasangan elemen bertetangga. Nilai yang lebih besar "mengapung" ke kanan. Melalui penyematan bendera swapped = False, perulangan berhenti seketika saat data sudah terurut rapi!

2 Langkah 2: Eksperimen Lab Virtual Bubble Sort

Simulasi Visual Bar

Status: Menunggu instruksi...

def bubble_sort(daftar):
    n = len(daftar)
    for i in range(n):
        swapped = False
        for j in range(0, n - i - 1):
            if daftar[j] > daftar[j + 1]:
                daftar[j], daftar[j + 1] = daftar[j + 1], daftar[j]
                swapped = True
        if not swapped:  # Early Exit Optimization
            break
    return daftar

3 Langkah 3: Cek Pemahaman Bubble Sort

Apa fungsi utama penanda swapped = False pada algoritma Bubble Sort?

Menghentikan perulangan lebih awal jika data sudah terurut sempurna. Membalik urutan otomatis dari ascending menjadi descending.

Pertemuan 5 • 2 JP (80 Menit)

Insertion Sort & Benchmarking Kinerja Waktu

1 Memahami: Analogi Menyisipkan Kartu Remi

Insertion sort bekerja seperti kita menyusun kartu di tangan. Setiap elemen disisipkan ke posisi yang tepat pada bagian kiri yang telah terurut sebelumnya.

2 Mengaplikasi: Benchmarking Waktu Komputasi Nyata

import time, random

data_uji = [random.randint(1, 1000) for _ in range(3000)]

start = time.time()
# Jalankan bubble_sort(data_uji.copy())
durasi = time.time() - start
print(f"Durasi eksekusi: {durasi:.5f} detik")

3 Cek Pemahaman P5: Green Computing

Mengapa efisiensi algoritma berkaitan erat dengan isu Green Computing?

Algoritma yang cepat mengurangi beban kerja prosesor dan menghemat konsumsi energi listrik pusat data. Agar komputer tidak menghasilkan radiasi gelombang mikro.

Pertemuan 6 • 2 JP (80 Menit) TERHUBUNG KE LAB AI SIMILARITY

Pondasi Logika AI Sederhana: Similarity Engine

1 Memahami: AI Bukan Sihir, Melainkan Jarak Fitur

Mesin rekomendasi cerdas bekerja dengan menghitung kedekatan fitur antara data aset dengan preferensi pengguna menggunakan rumus jarak mutlak:

Penalti Jarak = |Acidity_kopi - Acidity_target| + |Body_kopi - Body_target|

Semakin kecil total penalti jarak, semakin cocok kopi tersebut dengan selera wisatawan!

2 Langkah 2: Eksperimen Lab AI "Smart Coffee Advisor of Toraja"

Interactive AI Engine

Pilihlah preferensi profil rasa wisatawan, lalu biarkan mesin AI melakukan penilaian dan perankingan:

Preferensi Keasaman (Acidity): 4 / 5

Preferensi Ketebalan (Body): 3 / 5

Hasil Analisis Agen Cerdas AI (Terurut Otomatis):

def hitung_penalti(kopi, target_acidity, target_body):
    return abs(kopi["acidity"] - target_acidity) + abs(kopi["body"] - target_body)

# Sorting kandidat berdasarkan penalti terkecil (Ascending)
def rekomendasikan_kopi(katalog, t_acid, t_body):
    for k in katalog:
        k["penalti"] = hitung_penalti(k, t_acid, t_body)
    return sorted(katalog, key=lambda x: x["penalti"])

3 Langkah 3: Cek Pemahaman AI Sederhana

Mengapa hasil evaluasi agen cerdas di atas harus diurutkan secara Ascending berdasarkan skor penalti jarak?

Karena penalti terkecil (mendekati 0) mencerminkan tingkat kemiripan paling sempurna. Karena penalti besar menunjukkan kopi tersebut berharga lebih mahal.

Pertemuan 7 • 2 JP (80 Menit)

Gelar Karya, Peer-Testing, & Validasi AI

1 Memahami: Pengujian Batas (Edge Cases Testing)

Program perangkat lunak yang tangguh harus mampu menangani input tak terduga (misal angka negatif, huruf saat diminta angka, atau data kosong) tanpa mengalami crash.

2 Mengaplikasi: Tantangan Uji Silang Antar-Kelompok

Tukarkan program buatan tim Anda dengan kelompok lain. Ujilah program tersebut dengan kriteria berikut:

Tes 1: Input Ekstrem Masukkan nilai Acidity = 99 atau huruf "Kopi". Apakah program menangani galat secara santun?

Tes 2: Modularitas Apakah struktur kode terbagi rapi ke dalam fungsi input, proses, sorting, dan display?

Tes 3: Logika Rekomendasi Apakah saran kopi yang dihasilkan benar-benar mendekati selera pengguna?

Selamat! Anda Telah Menuntaskan 7 Pertemuan!

Lengkapi LKPD terpadu dan lembar refleksi 3M di bawah ini untuk mencatat hasil karya kelompok Anda.

Asesmen & Portofolio Siswa SMAS Kristen Barana'

Lembar Kerja & Refleksi Mandiri (3M)

Nama Driver (Pengetik Kode):

Nama Navigator (Analis Alur):

Kelas & Kelompok:

Judul Proyek AI:

Instrumen Refleksi 3M (Deep Learning)

1. MINDFUL (Kesadaranku):

Saat koding mengalami bug atau syntax error, bagaimana cara Anda menenangkan pikiran untuk menelusurinya secara runtut?

2. MEANINGFUL (Kebermaknaanku):

Bagaimana konsep algoritma searching, sorting, dan similarity matching ini dapat membantu masyarakat Toraja?

3. JOYFUL (Kegembiraanku):

Momen apa yang paling membangkitkan rasa takjub atau kepuasan batin (*aha-moment*) selama proses belajar?

Rislyon Ripi - SMA Kristen Barana - 2026/2027

Media Pembelajaran Web Interaktif • Kurikulum Deep Learning (Permendikdasmen No. 13 Tahun 2025)