Modul Ajar Informatika: Deteksi Konten Negatif di Media Digital dengan Deep

Learning

 Mata Pelajaran: Informatika

 Kelas: X (SMA/SMK)
 Alokasi Waktu: 1 Pertemuan (4 x 35 menit = 140 menit)

Tujuan Pembelajaran:

1. Peserta didik mampu menjelaskan konsep dasar deep learning dengan contoh sehari-hari.
2. Peserta didik mampu mengidentifikasi masalah di media digital (hoaks, cyberbullying)
yang dapat diselesaikan dengan deep learning.
3. Peserta didik mampu merancang model deep learning sederhana untuk deteksi konten
negatif.
4. Peserta didik mampu mempraktikkan pra-pemrosesan data teks sederhana menggunakan
Python.

Kegiatan Pembelajaran (140 Menit)

Pendahuluan (15 Menit):

 Pembukaan: Guru menyapa peserta didik dan melakukan "check-in" emosi singkat.
 Apersepsi: Guru memancing diskusi dengan pertanyaan: "Apakah kalian pernah melihat
komentar yang tidak pantas di media sosial? Atau berita yang ternyata palsu? Bagaimana
perasaan kalian saat itu? Bagaimana cara kita bisa mengidentifikasi konten-konten
tersebut secara otomatis?"
 Pengenalan Topik: Guru memperkenalkan materi deep learning sebagai salah satu
cabang AI yang bisa membantu menyelesaikan masalah tersebut. Gunakan analogi
sederhana, seperti otak manusia yang belajar mengenali pola.

Kegiatan Inti (110 Menit):

Sesi 1 (35 menit): Pengenalan Deep Learning dan Masalah Digital

 Penjelasan Konsep (20 menit): Guru menjelaskan konsep deep learning dengan analogi
sehari-hari, misalnya cara Google Photos mengidentifikasi wajah atau Netflix
merekomendasikan film. Guru juga menjelaskan perbedaan antara deep learning
dengan machine learning konvensional secara sederhana.
 Diskusi Kasus (15 menit): Peserta didik dibagi menjadi kelompok kecil. Setiap
kelompok diberi studi kasus sederhana, seperti:
 o Kasus 1: Seorang pengguna mendapat banyak komentar negatif di postingan
fotonya.
o Kasus 2: Sebuah berita viral tentang bencana, tapi setelah ditelusuri, berita
tersebut hoaks.
 Tugas Kelompok: Setiap kelompok mengidentifikasi masalah yang ada dan
mendiskusikan mengapa masalah tersebut sulit diselesaikan secara manual.

Sesi 2 (35 menit): Pra-pemrosesan Data Teks (Praktikum)

 Teori Singkat (10 menit): Guru menjelaskan pentingnya pra-pemrosesan data sebelum
dimasukkan ke model AI. Guru memberikan contoh proses seperti mengubah semua
huruf menjadi kecil (lowercase), menghapus tanda baca, dan menghapus kata-kata tidak
penting (stopwords).
 Praktikum (25 menit): Peserta didik menggunakan Google Colab yang sudah disiapkan
guru. Mereka mempraktikkan pra-pemrosesan data dengan contoh kalimat sederhana.
Guru membimbing peserta didik untuk menjalankan kode-kode dasar Python.

Sesi 3 (25 menit): Perancangan Model Sederhana

 Penjelasan Model (10 menit): Guru memperkenalkan konsep jaringan saraf tiruan dan
bagaimana ia memproses data teks yang sudah "dibersihkan." Guru menunjukkan contoh
arsitektur sederhana untuk mengklasifikasikan komentar sebagai "positif" atau "negatif."
 Perancangan (15 menit): Peserta didik, dengan bimbingan guru, mencoba merancang
arsitektur model sederhana di Google Colab. Mereka akan mendefinisikan lapisan-lapisan
dasar dan menghubungkannya untuk menciptakan model yang bisa dilatih.

Sesi 4 (15 menit): Diskusi Etika dan Solusi

 Diskusi Etika (10 menit): Guru memfasilitasi diskusi tentang tantangan dan etika
dalam penggunaan AI. Contoh pertanyaan: "Bagaimana jika AI salah mendeteksi konten,
dan komentar yang sebenarnya tidak negatif malah dihapus?"
 Ide Solusi (5 menit): Peserta didik diberi kesempatan untuk memaparkan ide-ide
sederhana mereka tentang bagaimana deep learning dapat digunakan untuk membuat
media sosial menjadi tempat yang lebih aman.

Penutup (15 Menit):

 Presentasi Singkat (5 menit): Beberapa perwakilan kelompok memaparkan hasil diskusi

mereka.
 Refleksi: Guru meminta peserta didik untuk merangkum pelajaran hari ini. "Apa hal baru
yang kalian pelajari hari ini? Bagaimana deep learning bisa diterapkan di kehidupan
kita?"
  Kesimpulan: Guru menyimpulkan bahwa AI adalah alat yang kuat. Pemahaman kita
tentang cara kerjanya akan membantu kita menggunakannya secara bijak dan
bertanggung jawab.

Lembar Kerja Peserta Didik (LKPD)

LKPD: Analisis Teks untuk AI

Nama: _______________ Kelas:_____________

1. Analisis Kasus: Bacalah kasus ini: "Seorang pengguna media sosial memposting
'Ternyata produk ini tidak sesuai janji, mengecewakan.'."
o Menurut Anda, apakah komentar tersebut positif atau negatif?
o Sebutkan 3 kata kunci dari kalimat tersebut yang bisa menjadi petunjuk bagi AI.
2. Pra-pemrosesan Teks: Lakukan pra-pemrosesan pada kalimat berikut menggunakan
Python:
o Kalimat Asli: "Wah, berita itu keren banget! Aku jadi terinspirasi."
o Setelah Lowercase: __________________________________
o Setelah Hapus Tanda Baca: ________________
o _________________
o Setelah Hapus Stopwords: __________________________________

Rubrik Penilaian

1. Penilaian Keterampilan Diskusi dan Praktikum (Observasi Guru)

Aspek
Skor 4 (Sangat Baik) Skor 3 (Baik) Skor 2 (Cukup) Skor 1 (Kurang)
Penilaian
Aktif berpendapat dan Hanya
Keterlibatan Berpartisipasi dalam Pasif, tidak
menghargai menanggapi saat
Diskusi diskusi. berpartisipasi.
pandangan teman. ditanya.
Mampu melakukan Kesulitan
Mampu melakukan Tidak mampu
Penerapan sebagian besar mengikuti
pra-pemrosesan melakukan
Konsep langkah dengan instruksi
dengan benar. praktikum.
benar. praktikum.
Mampu menjelaskan
Mampu menjelaskan Kesulitan
Pemahaman konsep deep learning Tidak memahami
konsep secara menjelaskan
Dasar dengan contoh yang konsep.
umum. konsep.
relevan.
Export to Sheets
2. Penilaian Produk: LKPD

Aspek Skor 1
Skor 4 (Sangat Baik) Skor 3 (Baik) Skor 2 (Cukup)
Penilaian (Kurang)
Menjawab dengan
Menjawab dengan Jawaban kurang Jawaban
Analisis Kasus analisis yang tajam dan
baik. relevan. salah.
logis.
Semua langkah pra- Ada 1 kesalahan Ada 2 kesalahan
Hasil Pra- Semua
pemrosesan dilakukan dalam pra- dalam pra-
pemrosesan salah.
dengan benar. pemrosesan. pemrosesan.
 MATERI
Machine learning (ML) dan deep learning (DL) adalah dua cabang dari kecerdasan buatan (AI),
di mana ML adalah konsep yang lebih luas, dan DL merupakan bagian dari ML yang
menggunakan jaringan saraf tiruan untuk belajar dari data.

Machine Learning (ML):

 ML memungkinkan sistem komputer untuk belajar dari data tanpa diprogram secara eksplisit.
 Algoritma ML digunakan untuk menganalisis data, mengidentifikasi pola, dan membuat prediksi
atau keputusan.
 ML dapat digunakan untuk berbagai tugas, seperti klasifikasi, regresi, dan clustering.
 Contoh aplikasi ML meliputi: deteksi spam, rekomendasi produk, dan analisis sentimen.

Deep Learning (DL):

 DL adalah subset dari ML yang menggunakan jaringan saraf tiruan dengan banyak lapisan (deep
neural networks).
 Jaringan saraf tiruan dalam DL dirancang untuk meniru cara kerja otak manusia dalam
memproses informasi.
 DL sangat efektif dalam menangani data kompleks dan tidak terstruktur, seperti gambar, suara,
dan bahasa alami.
 Contoh aplikasi DL meliputi: pengenalan wajah, pemrosesan bahasa alami, dan mobil otonom.

Perbedaan Utama:
 Kompleksitas:
DL menggunakan jaringan saraf yang lebih kompleks dibandingkan ML, sehingga mampu
menangani tugas yang lebih kompleks.

 Data:
DL membutuhkan data dalam jumlah besar dan terstruktur untuk dilatih secara efektif,
sementara ML bisa bekerja dengan data yang lebih kecil dan terstruktur.

 Interpretasi:
Hasil dari model DL seringkali lebih sulit diinterpretasikan dibandingkan ML, karena
kompleksitas jaringan sarafnya.

 Kebutuhan Sumber Daya:

DL membutuhkan daya komputasi yang lebih besar dan seringkali membutuhkan kartu grafis
(GPU) untuk pelatihan.
 Contoh Penerapan:
 ML:
Jika Anda ingin mengklasifikasikan email sebagai spam atau bukan spam, ML bisa menjadi
pilihan yang baik karena tugasnya relatif sederhana dan data yang dibutuhkan tidak terlalu
besar.
 DL:
Jika Anda ingin mengembangkan sistem pengenalan wajah yang akurat, DL mungkin menjadi
pilihan yang lebih baik karena tugas ini membutuhkan kemampuan untuk mengenali pola
wajah yang kompleks dan bervariasi.
Kesimpulan:
Baik ML maupun DL adalah teknologi yang kuat untuk membangun sistem cerdas. Memilih
antara ML dan DL tergantung pada kompleksitas tugas, ketersediaan data, dan kebutuhan
interpretasi hasil.