Jumat, 09 Mei 2025

RPP DEEP LEARNING (contoh)


 PENGERTIAN RPP DEEP LEARNING

RRP dalam konteks Deep Learning biasanya merupakan singkatan dari Recurrent Residual Prediction (Prediksi Residual Rekuren). Ini adalah metode atau arsitektur jaringan neural yang digunakan terutama dalam tugas-tugas prediksi urutan (sequence prediction) atau pemrosesan data sekuensial, seperti:

  • Prediksi video frame berikutnya

  • Deteksi anomali dalam deret waktu (time series)

  • Pengenalan ucapan atau suara

  • Pemodelan bahasa (language modeling)

Komponen Utama RRP:

  1. Recurrent Network (RNN, LSTM, atau GRU): Digunakan untuk menangkap informasi jangka panjang dari data sekuensial.

  2. Residual Learning: Jaringan tidak langsung memprediksi nilai output berikutnya, tetapi memprediksi selisih (residual) antara input dan output target.

  3. Prediction Module: Modul yang menghasilkan prediksi akhir dari residual yang telah dipelajari


Berikut adalah Rencana Pelaksanaan Pembelajaran (RPP) lengkap untuk topik Deep Learning. Format ini disesuaikan untuk pembelajaran tingkat SMA/SMK kelas XII atau mahasiswa tahun pertama yang mengambil jurusan terkait teknologi informasi atau kecerdasan buatan. Jika Anda memerlukan format RPP dalam Kurikulum Merdeka atau versi yang disesuaikan dengan format instansi Anda, beri tahu saya.

RENCANA PELAKSANAAN PEMBELAJARAN (RPP)

Satuan Pendidikan : SMA [Nama Sekolah]

Mata Pelajaran  : Kecerdasan Buatan / Informatika

Kelas / Semester  : XII / Genap

Topik  : Pengenalan Deep Learning

Alokasi Waktu  : 2 x 45 menit (1 pertemuan)

A. Kompetensi Inti (KI)

  1. Menghayati dan mengamalkan ajaran agama yang dianutnya.

  2. Mengembangkan perilaku (jujur, disiplin, tanggung jawab, peduli, santun, percaya diri).

  3. Memahami, menerapkan, dan menganalisis pengetahuan faktual, konseptual, dan prosedural.

  4. Mengolah, menalar, dan menyaji dalam ranah konkret dan ranah abstrak.

B. Kompetensi Dasar (KD) dan Indikator Pencapaian Kompetensi

Kompetensi Dasar (KD) Indikator Pencapaian Kompetensi
3.11 Menganalisis konsep dasar Deep Learning 3.11.1 Menjelaskan pengertian Deep Learning
3.11.2 Menjelaskan perbedaan Deep Learning dan Machine Learning
3.11.3 Menyebutkan contoh penerapan Deep Learning
4.11 Menerapkan algoritma sederhana Deep Learning 4.11.1 Membuat model neural network sederhana
4.11.2 Menggunakan dataset untuk training dan evaluasi model

C. Tujuan Pembelajaran

Setelah mengikuti pembelajaran ini, peserta didik diharapkan dapat:

  • Menjelaskan pengertian Deep Learning dan komponennya.

  • Mengidentifikasi perbedaan Deep Learning dan Machine Learning.

  • Memberikan contoh penggunaan Deep Learning dalam kehidupan sehari-hari.

  • Membangun model neural network sederhana menggunakan framework (misalnya TensorFlow atau PyTorch).

D. Materi Pembelajaran

Materi Inti:

  1. Pengertian Deep Learning

  2. Perbedaan Deep Learning vs Machine Learning

  3. Neural Network: konsep neuron, input, bobot, aktivasi

  4. Contoh penerapan (computer vision, NLP, rekomendasi, dll)

  5. Praktik membuat model deep learning sederhana (misalnya klasifikasi digit MNIST)

Sumber Belajar:

E. Metode Pembelajaran

  • Pendekatan: Saintifik

  • Model: Discovery Learning + Project-Based Learning

  • Metode: Ceramah interaktif, diskusi, praktik langsung

F. Langkah-langkah Pembelajaran

Kegiatan Pendahuluan (15 menit)

  1. Guru menyapa dan memotivasi peserta didik.

  2. Apersepsi: Tanya jawab singkat tentang kecerdasan buatan.

  3. Menyampaikan tujuan dan manfaat belajar Deep Learning.

Kegiatan Inti (60 menit)

Langkah Aktivitas
Observasi Menonton video singkat atau demonstrasi AI (misalnya pengenalan wajah).
Menanya Siswa diajak berdiskusi: “Bagaimana mesin bisa mengenali gambar?”
Mengumpulkan Informasi Guru menjelaskan teori Deep Learning, jaringan saraf, layer, dll.
Mengasosiasi Siswa diberikan studi kasus dan diajak menganalisis bagaimana DL diterapkan.
Mengomunikasikan Siswa menyampaikan hasil pemahaman dalam diskusi kelas.

Kegiatan Praktik (30 menit)

  • Siswa menggunakan Google Colab untuk membuat model jaringan saraf sederhana (menggunakan TensorFlow/Keras).

  • Melatih model untuk mengenali angka 0-9 menggunakan dataset MNIST.

G. Penilaian

1. Penilaian Sikap

  • Observasi keterlibatan, rasa ingin tahu, dan tanggung jawab dalam berdiskusi.

2. Penilaian Pengetahuan

  • Tes tertulis / kuis online (pengertian, konsep DL, perbedaan ML dan DL)

3. Penilaian Keterampilan

  • Rubrik penilaian praktik membuat model DL (struktur kode, penggunaan dataset, hasil prediksi).

H. Penilaian Rubrik Keterampilan (Contoh)

Aspek Skor 1 Skor 2 Skor 3 Skor 4
Struktur Kode Tidak sesuai Cukup baik Baik Sangat baik
Hasil Training Tidak berjalan Error sebagian Berjalan dengan baik Akurat & efisien
Penjelasan Tidak bisa menjelaskan Menjelaskan sebagian Menjelaskan dengan baik Menjelaskan dengan sangat baik
di
Label:

Tidak ada komentar:

Posting Komentar

Langganan: Posting Komentar (Atom)

Kesadaran Masyarakat dalam Membuang Sampah

  Kesadaran Publik dalam membuang sampah sembarangan  dan Pengelolaan Sampah menjadi salah satu kendala dalam penyelasaian masalah sampa h  ...

  • RPP DEEP LEARNING (contoh)
     PENGERTIAN RPP DEEP LEARNING RRP dalam konteks Deep Learning biasanya merupakan singkatan dari Recurrent Residual Prediction (Prediksi Re...