MODUL PEMBELAJARAN DEEP LEARNING

INFORMASI IDENTITAS

Komponen Keterangan

Penyusun Yuni Nursetianti, [Link], [Link]

Institusi -

Tahun Pelajaran 2022/2023

Jenjang SMA/SMK/Universitas

Kelas X-XII / Semester Atas

Alokasi Waktu 21 JP (Jam Pelajaran)

Fase Lanjutan

Domain CP Kecerdasan Buatan dan Deep Learning

TUJUAN PEMBELAJARAN

Kode Tujuan Pembelajaran

10.6.1 Peserta didik mampu menjelaskan konsep dasar neural network dan arsitektur deep learning

10.6.2 Peserta didik mampu menguraikan jenis-jenis arsitektur deep learning dan aplikasinya

10.6.3 Peserta didik mampu menjelaskan proses training dan optimasi model deep learning

KATA KUNCI

No Kata Kunci

1 Neural Network

2 Deep Learning

3 Convolutional Neural Network (CNN)

No Kata Kunci

4 Recurrent Neural Network (RNN)

5 Backpropagation

6 Activation Function

7 Training Model

8 Overfitting & Underfitting

PERTANYAAN INTI

No Pertanyaan

1 Apa perbedaan antara Machine Learning tradisional dengan Deep Learning?

2 Bagaimana neural network dapat "belajar" dari data?

3 Apa yang dimaksud dengan arsitektur deep learning?

4 Bagaimana cara mencegah overfitting dalam training model?

PENGETAHUAN DAN KETERAMPILAN

Tujuan Pembelajaran Kemampuan yang Harus Dikuasai

10.6.1 Menjelaskan konsep dasar neural • Menjelaskan struktur neuron buatan dan perceptron
network • Mengidentifikasi komponen neural network (layer, node, weight,
bias)
• Memahami fungsi aktivasi dan peranannya

10.6.2 Menguraikan jenis arsitektur deep • Menjelaskan karakteristik CNN untuk pengolahan citra
learning • Menjelaskan karakteristik RNN dan LSTM untuk data sekuensial
• Mengidentifikasi aplikasi berbagai arsitektur deep learning
• Memilih arsitektur yang tepat untuk masalah tertentu

10.6.3 Menjelaskan proses training dan optimasi • Menjelaskan forward propagation dan backpropagation
• Mengidentifikasi fungsi loss dan optimizer
• Memahami learning rate, epoch, dan batch size
• Mendeteksi dan mengatasi overfitting/underfitting
PROFIL PELAJAR PANCASILA

Dimensi Implementasi dalam Pembelajaran

Beriman dan Bertakwa Menggunakan teknologi untuk kebaikan

Mandiri Memiliki inisiatif dalam eksperimen dan debugging, percaya diri, disiplin dalam coding

Bernalar Kritis Mampu menganalisis hasil model, mengevaluasi performa, debugging error

Kreatif Menghasilkan solusi inovatif, eksperimen dengan hyperparameter

Bergotong-royong Berkolaborasi dalam project, komunikasi dalam tim pengembangan

SARANA DAN PRASARANA

Kategori Spesifikasi

Hardware • Komputer/Laptop (RAM min 8GB)

• GPU (opsional, untuk training lebih cepat)
• Jaringan internet

Software • Python 3.x dan libraries (TensorFlow/PyTorch, NumPy, Pandas, Matplotlib)

• Jupyter Notebook / Google Colab
• IDE (VS Code, PyCharm, atau sejenisnya)

Dataset Dataset untuk praktik (MNIST, CIFAR-10, atau custom)

MATERI AJAR, ALAT DAN BAHAN

Komponen Detail

Materi Ajar • Teori Neural Network dan Deep Learning

• Dokumentasi TensorFlow/PyTorch
• Tutorial online dan video pembelajaran
• Paper penelitian terkait deep learning

Alat • Laptop/komputer untuk coding dan training model

• Software: Python 3.x, Anaconda, Jupyter Notebook
 Komponen Detail

• Google Colab (alternatif cloud-based)

Bahan • Libraries: TensorFlow 2.x / PyTorch, Keras, scikit-learn

• Dataset: MNIST, CIFAR-10, atau dataset custom

ASESMEN

Jenis Asesmen Bentuk Penilaian

Asesmen Individu • Coding assignment

• Quiz
• Implementasi model sederhana

Asesmen Kelompok • Project deep learning

• Presentasi hasil model
• Paper review

RENCANA PEMBELAJARAN

PERTEMUAN 1: Pengenalan Neural Network

Tahap Aktivitas Durasi

Pendahuluan • Pembukaan dengan salam dan doa 10 menit

• Cek kesiapan psikis, fisik, dan perangkat
• Motivasi: aplikasi deep learning (face recognition, voice assistant, autonomous vehicles)
• Menyampaikan tujuan pembelajaran
• Menyampaikan lingkup penilaian

Inti • Stimulus: video analogi otak manusia dengan ANN 45 menit

• Pertanyaan pemantik tentang face recognition
• Pembentukan kelompok (3-4 orang)
• Diskusi: komponen neural network, weight, bias, activation function
• Praktik: implementasi perceptron sederhana
• Presentasi hasil kelompok
• Observasi dan penilaian

Penutup • Kesimpulan: struktur neural network 5 menit

• Penguatan konsep
 Tahap Aktivitas Durasi

• Penugasan: membaca fungsi aktivasi

• Doa penutup

Refleksi Pembelajaran:

No Pertanyaan Refleksi

1 Jelaskan perbedaan antara perceptron sederhana dengan multi-layer perceptron! Mengapa multilayer lebih
powerful?

2 Fungsi aktivasi seperti sigmoid, ReLU, dan tanh memiliki karakteristik berbeda. Jelaskan kelebihan ReLU
dibanding sigmoid dalam konteks vanishing gradient problem!

PERTEMUAN 2: Arsitektur Deep Learning - CNN

Tahap Aktivitas Durasi

Pendahuluan • Pembukaan dengan salam dan doa 10

• Review materi neural network dasar menit
• Motivasi: aplikasi computer vision
• Menyampaikan tujuan pembelajaran CNN
• Menyampaikan teknik penilaian

Inti • Visualisasi: proses CNN memproses gambar 60

• Pertanyaan: keunggulan CNN untuk citra menit
• Pembahasan: convolutional layer, pooling, fully connected, arsitektur populer
• Praktik kelompok: implementasi CNN untuk MNIST, eksplorasi parameter, visualisasi
feature maps
• Presentasi dan diskusi
• Observasi dan penilaian

Penutup • Kesimpulan: keunggulan CNN 5 menit

• Penguatan parameter penting
• Penugasan: explore arsitektur ResNet
• Doa penutup

Refleksi Pembelajaran:
 No Pertanyaan Refleksi

1 Jelaskan mengapa CNN lebih efisien dibanding fully connected neural network untuk image classification! Berikan
analisis dari sisi jumlah parameter!

2 Praktikkan implementasi CNN untuk klasifikasi dataset CIFAR-10. Bandingkan performa dengan berbagai
konfigurasi: jumlah layer, ukuran filter, dan pooling strategy. Dokumentasikan hasilnya!

3 Transfer learning adalah teknik memanfaatkan pre-trained model. Jelaskan mengapa VGG16 atau ResNet50 yang
sudah dilatih di ImageNet dapat digunakan untuk dataset yang berbeda!

PERTEMUAN 3: Arsitektur Deep Learning - RNN & LSTM

Tahap Aktivitas Durasi

Pendahuluan • Pembukaan dengan salam dan doa 10

• Review CNN dan tantangan data sekuensial menit
• Motivasi: machine translation, speech recognition, sentiment analysis
• Menyampaikan tujuan pembelajaran RNN & LSTM

Inti • Visualisasi: RNN memproses data berurutan 60

• Pembahasan: recurrent connection, vanishing gradient, LSTM gates, GRU, Bidirectional menit
RNN
• Praktik kelompok: RNN untuk time series, LSTM untuk sentiment analysis, perbandingan
performa
• Presentasi hasil eksperimen
• Penilaian berdasarkan rubrik

Penutup • Kesimpulan: kapan menggunakan RNN/LSTM 5 menit

• Penguatan aplikasi sequence modeling
• Penugasan: membaca Transformer architecture
• Doa penutup

Refleksi Pembelajaran:
 No Pertanyaan Refleksi

1 Jelaskan secara detail bagaimana forget gate, input gate, dan output gate bekerja dalam LSTM! Mengapa
mekanisme ini efektif mengatasi vanishing gradient?

2 Implementasikan model LSTM untuk prediksi harga saham atau sentiment analysis pada review produk.
Bandingkan dengan simple RNN dan analisis perbedaan performanya!

3 Attention mechanism adalah pengembangan dari RNN/LSTM. Jelaskan konsep attention dan mengapa Transformer
yang berbasis attention bisa menggantikan LSTM dalam banyak aplikasi NLP!

PERTEMUAN 4: Training, Optimization & Best Practices

Tahap Aktivitas Durasi

Pendahuluan • Pembukaan dengan salam dan doa 10

• Review berbagai arsitektur yang dipelajari menit
• Motivasi: pentingnya training process untuk model robust
• Menyampaikan tujuan pembelajaran

Inti • Pembahasan proses training: forward/backpropagation, loss function, optimizer, learning 75

rate, batch size, epoch menit
• Best practices: preprocessing, augmentation, split data, regularization, batch normalization,
early stopping
• Project kelompok: pilih domain, design arsitektur, implementasi, evaluasi, tuning,
dokumentasi
• Presentasi project
• Penilaian komprehensif

Penutup • Kesimpulan: best practices training 5 menit

• Feedback untuk setiap kelompok
• Dorongan eksplorasi dan membaca paper
• Doa penutup

Refleksi Pembelajaran:
 No Pertanyaan Refleksi

1 Overfitting adalah masalah umum dalam deep learning. Jelaskan 5 teknik berbeda untuk mencegah overfitting dan
kapan masing-masing teknik sebaiknya digunakan!

2 Pilih sebuah dataset real-world (kaggle, UCI repository, atau dataset custom), buat complete pipeline: data
preprocessing, model architecture, training dengan proper validation, hyperparameter tuning, dan evaluasi.
Dokumentasikan seluruh proses dan insight yang didapat!

3 Ethical AI adalah concern penting. Diskusikan bagaimana bias dalam training data dapat mempengaruhi model, dan
apa tanggung jawab praktisi AI dalam memastikan fairness dan transparency model yang dikembangkan!

RUBRIK PENILAIAN

Penilaian Individu

Aspek Penilaian Bobot Indikator

Pemahaman Konsep 30% Quiz dan diskusi kelas

Coding Skills 40% Kualitas implementasi, clean code, dokumentasi

Problem Solving 30% Kemampuan debugging dan optimization

Penilaian Kelompok

Aspek Penilaian Bobot Indikator

Kolaborasi 20% Teamwork dan pembagian tugas

Implementasi Project 40% Kompleksitas, functionality, best practices

Presentasi 20% Clarity, technical depth, Q&A handling

Dokumentasi 20% Code documentation, technical report

REFERENSI & SUMBER BELAJAR

No Sumber Belajar

1 Deep Learning Book - Ian Goodfellow, Yoshua Bengio, Aaron Courville

2 TensorFlow & PyTorch Official Documentation

3 Stanford CS230: Deep Learning

4 [Link] Practical Deep Learning Course

5 Papers with Code ([Link])

6 [Link] untuk paper penelitian terbaru

7 Kaggle untuk datasets dan competitions

Catatan: Modul ini dapat disesuaikan dengan level peserta didik dan ketersediaan resources. Untuk
implementasi yang optimal, pastikan semua peserta memiliki akses ke computational resources yang memadai.