1.

Identifikasi
1. Identifikasi Kesiapan Peserta Didik
Identifikasi kesiapan peserta didik dilakukan melalui serangkaian aktivitas awal untuk menilai
pengetahuan dasar, keterampilan, dan sikap mereka terkait pemrograman Python dan aplikasi
kecerdasan artifisial. Metode yang digunakan meliputi:
 Kuesioner awal: Peserta didik mengisi kuesioner sederhana untuk mengidentifikasi
pemahaman awal mereka tentang konsep dasar pemrograman, seperti variabel dan tipe data,
serta pengalaman menggunakan alat digital seperti Google Colab. Kuesioner ini bertujuan
untuk mengukur tingkat kesiapan individu dan mengidentifikasi kebutuhan dukungan
tambahan.
 Diskusi kelompok: Peserta didik berpartisipasi dalam diskusi kelompok kecil untuk
membagikan pengalaman pribadi terkait penggunaan teknologi dalam kehidupan sehari-hari,
termasuk aplikasi AI. Hal ini membantu mengidentifikasi kemampuan kolaborasi dan
pemikiran kritis mereka.
 Tes diagnosis: Peserta didik mengerjakan tes singkat berupa pertanyaan pilihan ganda dan
esai untuk mengevaluasi pengetahuan dasar tentang operator, struktur kontrol, dan fungsi
dalam pemrograman. Hasil tes digunakan untuk menyesuaikan tingkat kesulitan materi dan
membentuk kelompok belajar yang heterogen.
2. Karakteristik Materi Pelajaran
Materi pelajaran dirancang dengan karakteristik yang mendukung pencapaian CP dan TP, yaitu:
 Abstrak namun Konkret: Materi menyajikan konsep abstrak seperti variabel dan struktur
kontrol melalui contoh konkret, seperti simulasi pengambilan keputusan dalam kehidupan
sehari-hari menggunakan if-else statement, sehingga peserta didik dapat memvisualisasikan
dan memahami aplikasi praktisnya.
 Relevan dengan Kehidupan Siswa: Materi dihubungkan dengan konteks kehidupan
peserta didik, seperti menggunakan Python untuk menganalisis data sederhana dari media
sosial atau permainan sehari-hari, yang relevan dengan minat mereka dalam teknologi dan
AI.
 Berbasis Proyek: Peserta didik terlibat dalam proyek kecil, seperti membangun program
sederhana untuk memprediksi hasil berdasarkan input data, yang mendorong penerapan
konsep secara langsung dan integrasi dengan LLM secara etis.
 Fleksibel dan Adaptif: Materi disesuaikan berdasarkan hasil identifikasi kesiapan, dengan
opsi modul tambahan untuk peserta didik yang membutuhkan penguatan, serta penyesuaian
kecepatan pembelajaran sesuai kemajuan kelompok.
3. Dimensi Profil Lulusan Pembelajaran Mendalam
Pembelajaran ini mengintegrasikan dimensi profil lulusan Pancasila yang mendalam, yaitu:
 Beriman, Bertakwa kepada Tuhan YME, dan Berakhlak Mulia: Peserta didik
merefleksikan penggunaan AI secara etis, termasuk tanggung jawab dalam menghindari
penyalahgunaan data, sehingga membentuk sikap bertanggung jawab dan bermoral.
 Mandiri: Peserta didik belajar menulis dan menjalankan kode secara independen di Google
Colab, mendorong kemandirian dalam pemecahan masalah pemrograman.
 Bergotong Royong: Melalui diskusi kelompok dan proyek kolaboratif, peserta didik bekerja
sama dalam menganalisis hasil model AI, memperkuat semangat gotong royong.
 Berkebinekaan Global: Peserta didik mengeksplorasi aplikasi Python di berbagai konteks
global, seperti integrasi dengan LLM untuk solusi lintas budaya, sehingga menghargai
keberagaman perspektif.
 Bernalar Kritis: Peserta didik menganalisis hasil eksekusi kode dan merefleksikan
manfaatnya dalam AI, melatih kemampuan berpikir kritis dan analitis.
 Kreatif: Peserta didik menciptakan fungsi sederhana dan mengintegrasikannya dengan
library AI, mendorong kreativitas dalam pengembangan solusi inovatif.
4. Topik Pembelajaran Kontekstual
Topik pembelajaran dirancang secara kontekstual untuk mendukung penerapan, analisis, dan
refleksi, yaitu:
 Mengaplikasikan: Peserta didik mengaplikasikan konsep variabel, tipe data, operator,
struktur kontrol, dan fungsi dalam menulis kode Python sederhana untuk memecahkan
masalah nyata, seperti program penghitung skor permainan berbasis AI.
 Menganalisis: Peserta didik menganalisis hasil eksekusi kode di Google Colab, termasuk
debugging error dan evaluasi efisiensi, serta mengintegrasikan dengan LLM untuk
menganalisis output model sederhana secara etis.
 Merefleksi: Peserta didik merefleksikan manfaat Python dalam pengembangan aplikasi
kecerdasan artifisial, termasuk dampak etis dan tanggung jawab sosial, melalui jurnal
refleksi atau presentasi kelompok.
5. Lintas Disiplin Ilmu yang Relevan
Pembelajaran ini melibatkan lintas disiplin ilmu untuk memperkaya pemahaman, yaitu:
 Matematika: Integrasi dengan konsep aljabar dan logika untuk memahami operator dan
struktur kontrol dalam pemrograman.
 Informatika: Fokus pada dasar pemrograman dan penggunaan library AI, serta integrasi
dengan LLM untuk pengembangan model.
 Etika dan Filsafat: Pembahasan tanggung jawab etis dalam penggunaan AI, termasuk
privasi data dan bias algoritma.
  Sains Data: Analisis hasil model sederhana menggunakan konsep statistik dasar untuk
evaluasi performa.
 Bahasa Indonesia/Inggris: Penggunaan dokumentasi dan refleksi tertulis untuk
menjelaskan konsep pemrograman secara jelas.
6. Kerangka Pembelajaran
Kerangka pembelajaran dirancang untuk mendukung proses belajar mengajar yang efektif, meliputi:
 Praktik Pedagogis: Menggunakan pendekatan inquiry-based learning di mana peserta didik
mengeksplorasi konsep melalui eksperimen kode, diikuti dengan scaffolding untuk
membangun model AI sederhana, dan asesmen formatif untuk memantau kemajuan.
 Mitra Pembelajaran: Melibatkan kolaborasi dengan guru TI dari sekolah lain atau pakar AI
melalui webinar, serta orang tua untuk mendukung praktik di rumah menggunakan Google
Colab.
 Lingkungan Belajar: Menciptakan lingkungan kelas hybrid yang aman dan inklusif,
dengan akses ke perangkat digital dan ruang diskusi virtual untuk mendorong interaksi antar
peserta didik.
 Pemanfaatan Digital: Memanfaatkan Google Colab sebagai platform utama untuk
menjalankan kode, integrasi dengan library seperti NumPy atau TensorFlow untuk model
AI, serta tools seperti Google Forms untuk kuesioner dan Zoom untuk diskusi kelompok.