Lembar Kerja Peserta Pelatihan

Merefleksi Modul 4 Komunikasi melalui tools Kecerdasan Artifisial

A. Identitas

Nama : NURHADIA DALIMUNTHE SMP 3 PADANG BOLAK JULU

Tanggal : 11 JULI 2025
Kelas : FASE D

B. Lembar Kerja 4.4Merefleksi

Model input dalam kecerdasan artifisial (KA) sangat berpengaruh terhadap kualitas output
yang dihasilkan. Bagaimana cara menyusun input yang baik agar sistem KA, seperti
chatbot, dapat memberikan respons yang relevan? Apa tantangan dalam supervised
learning, mengapa klasifikasi data memerlukan input yang berlabel, dan bagaimana
penerapannya dapat meningkatkan efektivitas pembelajaran?
Jawaban :
1. Bagaimana cara menyusun input yang baik agar sistem KA, seperti chatbot, dapat
memberikan respons yang relevan?

Fact (Fakta) Cara Menyusun Input yang Baik untuk Chatbot :

1. Kejelasan dan Spesifisitas: Input harus jelas dan tidak
ambigu. Hindari kalimat yang terlalu umum atau multi-
interpretasi. Contoh: Daripada bertanya "Apa kabar?",
lebih baik "Bantu saya menemukan restoran terdekat
yang buka sekarang."

2. Pemberian Konteks: Sertakan informasi yang relevan

agar model memahami alur percakapan. Misalnya,
dalam sebuah dialog, input "Ya, itu yang saya maksud"
memerlukan konteks dari kalimat sebelumnya.

3. Tujuan dan Niat Pengguna (User Intent): Input

sebaiknya mencerminkan tujuan spesifik pengguna.
Sistem dapat dilatih untuk mengidentifikasi niat seperti
"memesan," "membatalkan," atau "mencari informasi,"
yang mempermudah respons yang tepat.

4. Validasi Input: Gunakan validasi untuk memastikan

format input sesuai dengan yang diharapkan, misalnya
angka, tanggal, atau jenis data tertentu.

Tantangan dalam Supervised Learning:

1. Ketergantungan pada Data Berlabel: Supervised
learning membutuhkan dataset yang besar dan
berkualitas tinggi, di mana setiap inputnya telah diberi
label atau "jawaban" yang benar secara manual. Proses
ini mahal, memakan waktu, dan membutuhkan tenaga
ahli.
2. Kualitas Label: Label yang salah atau tidak konsisten
dapat secara signifikan merusak kinerja model.
"Garbage in, garbage out" berlaku di sini.
 3. Masalah Bias Data: Dataset sering kali mencerminkan
bias dari data dunia nyata atau bias dari orang yang
memberi label. Ini dapat menyebabkan model
menghasilkan output yang tidak adil atau diskriminatif.
4. Generalisasi: Model yang dilatih dengan baik pada
data berlabel belum tentu mampu berkinerja baik pada
data baru yang belum pernah dilihat sebelumnya
(masalah overfitting).

Pentingnya Input Berlabel untuk Klasifikasi Data:

Klasifikasi data adalah tugas di mana model belajar untuk
memetakan data input ke salah satu dari beberapa kategori
yang telah ditentukan. Input yang berlabel sangat penting
karena:
1. Memberikan "Jawaban Benar": Label berfungsi
sebagai jawaban atau target yang benar. Model belajar
dengan membandingkan prediksinya dengan label yang
diberikan, dan kemudian menyesuaikan parameternya
untuk meminimalkan kesalahan.
2. Mendefinisikan Kategori: Label secara eksplisit
mendefinisikan kelas atau kategori yang perlu
dibedakan oleh model (misalnya, "spam" vs. "bukan
spam" atau "positif" vs. "negatif"). Tanpa label, model
tidak tahu apa yang harus dipelajari.

Peningkatan Efektivitas Pembelajaran dengan Input

Berlabel: Input berlabel memungkinkan pembelajaran
yang terarah dan terukur. Hal ini meningkatkan efektivitas
dengan cara:
1. Tujuan Pembelajaran yang Jelas: Model memiliki
tujuan yang jelas: untuk memprediksi label dengan
akurasi setinggi mungkin.
2. Evaluasi Kinerja yang Terukur: Adanya label
memungkinkan kita untuk menghitung metrik kinerja
secara kuantitatif seperti akurasi, presisi, dan recall. Ini
memungkinkan pengembang untuk memahami
seberapa baik model bekerja dan di mana ia perlu
ditingkatkan.
3. Pembelajaran Terstruktur: Model dapat belajar pola
dan hubungan yang kompleks antara fitur input dan
label output yang spesifik, sesuatu yang sulit dicapai
tanpa bimbingan.

Feeling (Perasan)
Menyusun input yang buruk bagi sebuah model KA dapat
menimbulkan rasa frustrasi dan kebingungan. Rasanya
seperti berbicara dengan seseorang yang tidak mengerti
konteks atau niat kita, di mana setiap respons terasa acak
atau tidak relevan. Proses supervised learning sendiri bisa
terasa melelahkan, seakan-akan ada gunungan data yang
harus diberi label secara manual sebelum model dapat
"berpikir." Di sisi lain, ketika input terstruktur dengan baik
dan model memberikan respons yang akurat, ada perasaan
"ajaib" dan puas, seolah-olah sistem tersebut benar-benar
cerdas dan intuitif. Keberhasilan ini menumbuhkan
 kepercayaan pada teknologi KA.

Finding (Penemuan)
Dari fakta dan perasaan di atas, temuan utamanya adalah
kualitas input jauh lebih penting daripada kuantitas
input atau bahkan arsitektur model yang kompleks.
Supervised learning, meskipun sangat efektif, memiliki
keterbatasan dan tantangan utama yang berpusat pada
ketersediaan dan kualitas data berlabel. Temuan ini
menegaskan bahwa kerja keras di tahap awal (pre-
processing data, validasi, dan pemberian label) adalah
investasi paling berharga untuk keberhasilan sebuah
proyek KA. Dengan kata lain, efektivitas sebuah model
sangat bergantung pada seberapa baik "guru" (data
berlabel) mendidiknya.

Future (Masa Depan) Di masa depan, pendekatan terhadap input model dan
supervised learning akan bergeser. Tren yang muncul
adalah:
 Prompt Engineering: Pengguna dan pengembang akan
semakin fokus pada teknik "prompt engineering" untuk
menyusun input yang sangat spesifik dan detail,
terutama pada model bahasa besar (LLM).
 Semi-Supervised dan Self-Supervised Learning:
Untuk mengatasi tantangan data berlabel, penelitian
akan berfokus pada model yang dapat belajar dari
kombinasi data berlabel dan tidak berlabel. Model
bahkan akan dapat belajar dari data tanpa label sama
sekali (self-supervised learning).
 Otomasi Pemberian Label: Akan ada lebih banyak
alat yang menggunakan KA itu sendiri untuk membantu
atau mengotomatisasi proses pemberian label pada data,
mengurangi beban kerja manual dan biaya.
 Sistem Interaktif: Model akan semakin mampu untuk
meminta klarifikasi dari pengguna ketika input tidak
jelas, menciptakan siklus umpan balik yang
memperbaiki kualitas input dan output secara
berkelanjutan.
C. Rubrik Penilaian

Insight Jawaban LK 4.4

Fact (Fakta)
Model input dalam kecerdasan artifisial, khususnya pada sistem seperti
chatbot, sangat menentukan kualitas respons yang dihasilkan.
Penyusunan input atau prompt yang tepat akan membantu model
memahami konteks dan menghasilkan jawaban yang relevan. Dalam
supervised learning, sistem dilatih menggunakan data yang sudah
diberi label (labeled data), yang memungkinkan model untuk belajar
mengenali pola dan melakukan klasifikasi secara akurat.
Feeling Saya merasa tertarik dan semakin paham bahwa menyusun input tidak
(Perasan) bisa dilakukan sembarangan. Ternyata, kualitas hasil yang kita
dapatkan dari sistem KA sangat bergantung pada cara kita
mengajukan pertanyaan atau memberikan data. Saya juga merasa
kagum karena teknologi ini bisa digunakan dalam pendidikan untuk
mendukung proses belajar yang lebih interaktif dan efektif.
Finding Saya menyadari bahwa:
(Penemuan)  Input yang baik harus jelas, spesifik, dan sesuai konteks.
 Dalam supervised learning, data yang berlabel penting agar sistem
bisa belajar membedakan kategori atau kelas data dengan benar.
 Tantangan utamanya adalah menyediakan data yang cukup,
representatif, dan benar-benar akurat untuk proses pelabelan.
Jika model dilatih dengan data berkualitas, maka sistem bisa
memberikan hasil klasifikasi yang akurat, seperti membedakan jenis
hewan, benda, atau emosi dalam teks.
Future Saya ingin mulai mencoba menyusun prompt yang lebih terstruktur
(Masa saat berinteraksi dengan chatbot, dan bereksperimen menggunakan
Depan) alat seperti Teachable Machine untuk memahami lebih jauh bagaimana
sistem mengenali pola dari data yang saya latih. Saya juga ingin
belajar cara melabeli data dengan benar agar bisa digunakan untuk
melatih model KA sederhana dalam pembelajaran.

Indikator Completed Not Completed

Fact (Fakta) Menyampaikan fakta yang Fakta tidak lengkap, kabur,
akurat terkait input atau tidak sesuai konteks
KAsupervised learning, dan pertanyaan.
pentingnya data berlabel.
Feeling (Perasan) Mengungkapkan perasaan Tidak mencantumkan
pribadi yang relevan terhadap perasaan atau bersifat terlalu
pengalaman atau pemahaman umum/tidak nyambung
tentang KA.
Finding Menyimpulkan pembelajaran Tidak ada insight yang
(Penemuan) utama dari pengalaman atau mendalam, atau hanya
pengetahuan baru, termasuk mengulang fakta tanpa
tantangan dan solusinya pemahaman baru.
Future (Masa Menyampaikan rencana Tidak ada rencana, atau
Depan) konkret untuk meningkatkan rencana terlalu umum dan
pemahaman atau praktik di tidak terkait langsung.
masa depan.

Jika terdapat 3 indikator telah memenuhi completed maka nilai akhir adalah Completed