Assalamu'alaikum ! welcome to Media Pendidikan.| Contact | Register | Sign In


Perangkat pembelajaran untuk menunjang Proses Belajar Mengajar(PBM) ini sesuai dengan kurikulum Merdeka. Informasi tentang CP dengan meng-KLIK gambar di atas. Perangkat pembelajaran Desain Pemodelan dan Informasi Bangunan Bangunan pada Mata Pelajaran Mekanika Teknik


INSTAGRAM :@sarastiana1
        RECENT POST

MPLS Datang dan Pergi, Maknanya Seringkali Cuma Numpang Lewat


Setiap tahun ajaran baru tiba, suasana sekolah diwarnai dengan kegiatan Masa Pengenalan Lingkungan Sekolah (MPLS). Bagi banyak siswa, terutama yang baru memasuki jenjang pendidikan baru, MPLS seringkali identik dengan serangkaian kegiatan yang terkadang membingungkan, penuh ketegangan, dan kerap terasa minim makna. Ironisnya, di sisi lain, para guru dan panitia pun disibukkan dengan pencarian rundown dan persiapan teknis, sehingga esensi utama MPLS seringkali menguap begitu saja.
Fenomena ini menjadi pertanyaan besar: mengapa MPLS, yang seharusnya menjadi gerbang awal yang ramah dan bermakna bagi siswa baru, justru sering kehilangan rohnya?
Ketika Rundown Mengalahkan Makna
Salah satu akar masalahnya terletak pada fokus yang terlalu berlebihan pada aspek administratif dan teknis. Panitia MPLS, termasuk para guru, kerap terjebak dalam lingkaran persiapan yang berkutat pada:
Pencarian dan penyesuaian rundown: 
Jadwal kegiatan yang padat, bahkan terkadang terlalu padat, seringkali menjadi prioritas utama. Detail menit per menit disusun, namun terkadang lupa untuk menanyakan apakah setiap sesi benar-benar memberikan nilai tambah bagi siswa.
Pengumpulan data dan kelengkapan: Fokus pada pengumpulan formulir, data siswa, dan atribut MPLS lainnya tak jarang menyita waktu dan energi yang seharusnya bisa dialokasikan untuk interaksi yang lebih mendalam.
Kekhawatiran akan penilaian: Adanya standar atau penilaian terhadap pelaksanaan MPLS bisa membuat panitia cenderung mengikuti "aturan main" yang ada daripada berinovasi dan mencari cara agar MPLS benar-benar efektif.
Akibatnya, interaksi yang seharusnya menjadi jembatan perkenalan antara siswa, guru, dan lingkungan sekolah berubah menjadi formalitas yang kaku. Siswa merasa seperti objek yang harus mengikuti aturan, bukan subjek yang aktif dalam proses perkenalan. Ketegangan Siswa dan Makna yang Menguap
Di sisi siswa, pengalaman MPLS seringkali diwarnai dengan: Ketegangan dan kecemasan: Bagi siswa baru, memasuki lingkungan yang asing dengan banyak orang baru sudah cukup menegangkan. Ditambah lagi dengan aturan yang ketat, tugas yang membingungkan, atau bahkan perlakuan yang kurang ramah dari senior atau panitia, bisa memperburuk kecemasan mereka.

Ketidakpahaman tujuan: 
Banyak siswa yang tidak benar-benar memahami mengapa mereka harus mengikuti serangkaian kegiatan MPLS. Mereka hanya menjalaninya sebagai kewajiban, tanpa menangkap esensi perkenalan dengan budaya sekolah, nilai-nilai, atau bahkan teman-teman baru.
Minimnya ruang interaksi bermakna: Waktu yang dihabiskan untuk mendengarkan ceramah atau mengikuti arahan satu arah seringkali lebih banyak daripada kesempatan untuk berinteraksi, berdiskusi, atau berkolaborasi dengan teman sebaya.
Pada akhirnya, tujuan mulia dari MPLS, yaitu membantu siswa beradaptasi, mengenal lingkungan, dan membangun ikatan sosial, seringkali menguap begitu saja. Yang tertinggal mungkin hanya kenangan tentang atribut aneh, barisan panjang, atau beberapa momen lucu yang tidak benar-benar mewakili proses perkenalan yang utuh.
Mengembalikan Roh MPLS: Lebih dari Sekadar Formalitas
Untuk mengembalikan roh MPLS, dibutuhkan perubahan paradigma dari semua pihak yang terlibat. MPLS harus menjadi pengalaman yang: Berpusat pada siswa: Rancanglah kegiatan yang menarik, interaktif, dan relevan dengan kebutuhan siswa. Beri ruang bagi siswa untuk bertanya, berpendapat, dan berinteraksi secara aktif.

Mengedepankan empati dan keramahan: 
Ciptakan suasana yang hangat, aman, dan inklusif. Guru dan senior harus menjadi contoh teladan dalam menyambut siswa baru dengan senyum dan bimbingan yang tulus, bukan dengan intimidasi.
Fokus pada pengenalan nilai dan budaya sekolah: Daripada hanya menyampaikan peraturan, kenalkanlah nilai-nilai luhur yang dijunjung sekolah, seperti integritas, disiplin, kerja sama, dan rasa hormat. Libatkan siswa dalam kegiatan yang merefleksikan nilai-nilai tersebut.
Memberi ruang bagi interaksi sosial yang otentik: Fasilitasi kegiatan yang memungkinkan siswa baru untuk mengenal satu sama lain secara alami, membangun pertemanan, dan merasakan kebersamaan.

Meminimalkan formalitas yang tidak perlu: 
Evaluasi kembali setiap item dalam rundown. Apakah setiap kegiatan benar-benar memberikan kontribusi positif terhadap tujuan MPLS? Jika tidak, pertimbangkan untuk menghapusnya atau menggantinya dengan yang lebih bermakna.
MPLS seharusnya menjadi momen yang dinanti, bukan ditakuti. Ini adalah kesempatan emas untuk menciptakan kesan pertama yang positif, menanamkan rasa memiliki pada siswa, dan membangun fondasi yang kuat bagi perjalanan pendidikan mereka. Mari kita pastikan bahwa setiap tahun, makna MPLS tidak lagi cuma "numpang lewat", tetapi benar-benar melekat dan berbekas dalam hati setiap siswa baru.



Read More »
09 July | 0komentar

Otak di Balik Layanan Favorit Anda, Sang Artificial Narrow Intelligence (ANI)

Di tengah hiruk pikuk pembahasan tentang Kecerdasan Artifisial (KA), penting untuk memahami bahwa tidak semua bentuk KA memiliki kemampuan yang sama. Saat ini, bentuk KA yang paling dominan dan banyak kita gunakan adalah Artificial Narrow Intelligence (ANI), atau sering disebut juga KA lemah (weak AI). ANI berbeda dengan konsep KA yang lebih futuristik seperti Artificial General Intelligence (AGI) atau Artificial Superintelligence (ASI), karena ANI beroperasi dalam batasan yang sangat spesifik.
Apa Itu Artificial Narrow Intelligence (ANI)?
ANI didefinisikan sebagai sistem KA yang dirancang dan dilatih untuk melakukan tugas tunggal atau serangkaian tugas yang sangat spesifik dalam domain yang terbatas. Meskipun disebut "lemah", jangan salah sangka. Kemampuan Artificial Narrow Intelligence (ANI) dalam domain spesifiknya bisa mencapai tingkat superhuman (superhuman capabilities), jauh melampaui apa yang bisa dilakukan manusia. Namun, kecerdasan ini tidak dapat dialihkan ke domain atau tugas lain.
Bayangkan seorang juara catur dunia. Dia mungkin memiliki kemampuan luar biasa dalam catur, tetapi keahlian itu tidak serta merta membuatnya menjadi ahli dalam bedah otak atau membangun gedung pencakar langit. Demikian pula dengan Artificial Narrow Intelligence (ANI). Ia sangat mahir dalam satu hal, tetapi tidak memiliki pemahaman atau kemampuan di luar area programnya.

Contoh dan Karakteristik Artificial Narrow Intelligence (ANI)
Banyak sekali produk dan layanan yang kita gunakan sehari-hari mengintegrasikan Artificial Narrow Intelligence (ANI). Salah satu contoh klasik adalah perangkat KA yang diprogram untuk menerjemahkan suatu bahasa ke dalam bahasa lain. Untuk mengembangkan sistem penerjemahan seperti ini, dibutuhkan jumlah data berlabel yang sangat banyak sebagai data latih. Data ini memungkinkan algoritma untuk belajar pola-pola bahasa, tata bahasa, dan konteks kata. Meskipun sistem ini bisa menerjemahkan dengan sangat akurat dan cepat, ia tidak bisa melakukan tugas lain di luar kemampuannya, misalnya menulis puisi orisinal atau merencanakan strategi bisnis.

Karakteristik kunci dari ANI meliputi:
Fokus Spesifik: Hanya mahir dalam satu atau beberapa tugas yang saling terkait. Ketergantungan pada Data: Membutuhkan data latih dalam jumlah besar dan berkualitas tinggi untuk belajar dan meningkatkan kinerjanya. Tidak Ada Kesadaran Diri: Tidak memiliki kesadaran, perasaan, atau pemahaman kontekstual seperti manusia. Bukan Kecerdasan Umum: Tidak dapat menggeneralisasi pengetahuan dari satu tugas ke tugas lain. Masa Depan dan Relevansi Artificial Narrow Intelligence (ANI).
Meskipun terbatas pada domain spesifik, Artificial Narrow Intelligence (ANI) adalah fondasi dari sebagian besar inovasi KA yang kita lihat saat ini. Dari asisten suara (seperti Siri atau Google Assistant), sistem rekomendasi di platform streaming (Netflix, YouTube), filter spam email, hingga sistem deteksi penipuan di perbankan—semuanya adalah contoh canggih dari Artificial Narrow Intelligence (ANI).
Pengembangan Artificial Narrow Intelligence (ANI) terus berlanjut, dengan peningkatan dalam efisiensi algoritma dan kemampuan untuk menangani data yang semakin kompleks. Artificial Narrow Intelligence (ANI) akan terus menjadi tulang punggung revolusi teknologi, menyediakan solusi yang sangat efektif untuk masalah-masalah spesifik, bahkan ketika kita terus menatap kemungkinan-kemungkinan yang ditawarkan oleh bentuk Kecerdasan Artifisial (KA) yang lebih luas di masa depan.

Read More »
09 July | 0komentar

Kecerdasan Artifisial: Meniru Pikiran Manusia dan Evolusinya

Kecerdasan Artifisial (KA) bukan lagi sekadar fiksi ilmiah, melainkan cabang ilmu komputer yang berkembang pesat dengan tujuan utama mengembangkan sistem yang mampu meniru perilaku dan proses berpikir manusia. Kemampuannya yang terus meluas telah mengubah berbagai aspek kehidupan kita, dari cara kita bekerja hingga berinteraksi.
Menurut artikel "What is Artificial Intelligence?" dari IBM Cloud Learn (2021), KA mencakup beberapa kemampuan krusial, yaitu pengambilan keputusan, pemahaman bahasa natural, dan pengenalan pola. Semua kemampuan ini didukung oleh algoritma pembelajaran yang terus-menerus disempurnakan.

Perjalanan Evolusi Kecerdasan Artifisial
Sejarah perkembangan Kecerdasan Artifisial (KA) adalah cerminan dari kemajuan teknologi komputasi dan pemahaman kita tentang bagaimana mesin dapat "belajar". IBM menguraikan perjalanan KA melalui beberapa fase penting: Era Simbolik: Pada era awal komputasi, Kecerdasan Artifisial (KA) didominasi oleh sistem berbasis aturan (rule-based systems). Logika simbolik menjadi fondasi pengambilan keputusan. Sistem ini bekerja dengan serangkaian aturan "jika-maka" yang telah diprogram secara eksplisit oleh manusia. Contohnya adalah sistem pakar yang digunakan untuk diagnosis medis atau konfigurasi perangkat keras. Meskipun terbatas, era ini meletakkan dasar bagi pengembangan Kecerdasan Artifisial (KA).
Pembelajaran Mesin (Machine Learning): Seiring berjalannya waktu, fokus Kecerdasan Artifisial (KA) beralih ke algoritma yang dapat belajar dari data tanpa pemrograman eksplisit. Ini adalah terobosan besar. Daripada diberitahu setiap aturan, mesin "diajarkan" untuk mengidentifikasi pola dan membuat prediksi berdasarkan data yang mereka lihat. Algoritma seperti regresi, klasifikasi, dan clustering menjadi populer, memungkinkan KA untuk menangani masalah yang lebih kompleks dan dinamis.
Deep Learning: Saat ini, kita berada di puncak evolusi Kecerdasan Artifisial (KA) dengan era Deep Learning. Ini adalah sub-bidang dari machine learning yang menggunakan jaringan saraf tiruan (neural networks) yang mendalam, atau berlapis-lapis. Lonjakan kemampuan deep learning didorong oleh tiga faktor utama: peningkatan drastis daya komputasi, ketersediaan big data dalam skala besar, dan pengembangan algoritma yang lebih efisien. Deep learning telah merevolusi bidang-bidang seperti pengenalan gambar, pemrosesan bahasa alami, dan bahkan menciptakan konten.
Dampak dan Masa Depan Kecerdasan Artifisial (KA).
Evolusi Kecerdasan Artifisial (KA) dari sistem berbasis aturan sederhana hingga model deep learning yang canggih telah membuka pintu bagi inovasi yang tak terhitung jumlahnya. Dari asisten virtual di ponsel kita hingga sistem otonom di kendaraan, Kecerdasan Artifisial (KA) telah terintegrasi dalam kehidupan sehari-hari. Kemampuannya untuk memproses dan menganalisis data dalam skala besar telah mengubah industri, meningkatkan efisiensi, dan menciptakan peluang baru.
Ke depannya, perkembangan Kecerdasan Artifisial (KA) diperkirakan akan terus berakselerasi. Dengan penelitian yang berkelanjutan dalam etika Kecerdasan Artifisial (KA), interpretasi model, dan interaksi manusia-AI yang lebih alami, potensi Kecerdasan Artifisial (KA) untuk terus meniru dan bahkan melampaui kemampuan kognitif manusia akan menjadi salah satu pendorong utama kemajuan teknologi.

Read More »
08 July | 0komentar

Membangun Kemitraan Efektif dengan Kecerdasan Artifisial

Di era digital yang terus berkembang pesat, kecerdasan artifisial (AI) bukan lagi sekadar fiksi ilmiah, melainkan alat yang mampu mengubah cara kita bekerja, belajar, dan berinovasi. Memahami dan memanfaatkan AI secara efektif adalah keterampilan krusial yang harus dimiliki setiap individu, terutama bagi para profesional yang ingin tetap relevan. Artikel ini akan membahas poin-poin penting yang harus dikuasai peserta pelatihan dalam rangka membangun kolaborasi yang efektif dengan perangkat AI.

Mengenali dan Menerapkan Perangkat AI untuk Pemanfaatan Umum dan Khusus
Langkah pertama dalam mengintegrasikan AI ke dalam pekerjaan atau pembelajaran adalah dengan mengenali berbagai jenis perangkat AI dan memahami potensi penerapannya. AI kini hadir dalam berbagai bentuk, mulai dari asisten virtual, sistem rekomendasi, alat analisis data, hingga generator konten. Secara umum, AI dapat dimanfaatkan untuk otomatisasi tugas repetitif, pencarian informasi yang lebih efisien, atau personalisasi pengalaman pengguna. Contohnya, Anda bisa menggunakan AI untuk menyaring email yang tidak penting, mencari jawaban instan di internet, atau menerima rekomendasi produk yang sesuai dengan preferensi Anda. Namun, pemanfaatan AI juga bisa sangat spesifik tergantung pada bidang atau kebutuhan Anda. Dalam dunia pendidikan, AI bisa membantu menganalisis pola belajar siswa, menciptakan materi ajar yang adaptif, atau bahkan memberikan umpan balik otomatis pada tugas. Di bidang kesehatan, AI dapat membantu dalam diagnosis penyakit atau pengembangan obat. Peserta pelatihan harus mampu mengidentifikasi area-area di mana AI dapat memberikan nilai tambah signifikan dalam konteks pekerjaan atau minat mereka.

Memilih Perangkat AI yang Tepat untuk Berkolaborasi
Setelah mengenali ragam perangkat AI, tantangan selanjutnya adalah memilih AI yang paling sesuai untuk berkolaborasi. Kolaborasi dengan AI berarti menggunakan AI sebagai mitra untuk mencapai tujuan tertentu, bukan hanya sebagai alat bantu pasif. Pemilihan perangkat AI harus mempertimbangkan beberapa faktor: Tujuan Kolaborasi: Apa yang ingin Anda capai dengan AI? Apakah Anda membutuhkan AI untuk analisis data kompleks, pembuatan konten kreatif, atau otomatisasi proses tertentu? Jenis Data yang Diperlukan: Apakah AI membutuhkan data teks, gambar, suara, atau kombinasi dari semuanya? Pastikan AI yang dipilih kompatibel dengan jenis data yang Anda miliki. Kompleksitas Tugas: Untuk tugas sederhana, mungkin cukup menggunakan AI dengan antarmuka yang intuitif. Namun, untuk tugas yang lebih kompleks, Anda mungkin memerlukan AI dengan kemampuan kustomisasi atau integrasi yang lebih mendalam. Kemudahan Penggunaan dan Integrasi: Seberapa mudah perangkat AI tersebut untuk dipelajari dan diintegrasikan dengan workflow atau sistem yang sudah ada? Etika dan Keamanan Data: Pastikan perangkat AI yang dipilih mematuhi standar etika dan keamanan data yang berlaku, terutama jika Anda akan menggunakannya dengan informasi sensitif. Misalnya, untuk menulis artikel atau membuat draf presentasi, AI generatif teks seperti ChatGPT mungkin sangat membantu. Namun, untuk menganalisis data keuangan yang besar, perangkat AI yang dirancang khusus untuk analisis data mungkin lebih tepat.

Menerapkan Kolaborasi dengan Perangkat AI untuk Menyelesaikan Tugas Spesifik
Inti dari pelatihan ini adalah kemampuan untuk menerapkan kolaborasi dengan AI dalam menyelesaikan tugas-tugas spesifik. Ini bukan hanya tentang mengetahui bagaimana menggunakan tool, tetapi bagaimana mengintegrasikannya secara cerdas ke dalam proses kerja Anda. Beberapa contoh penerapan kolaborasi dengan AI meliputi: Pembuatan Konten: Menggunakan AI untuk menghasilkan draf awal, ide-ide brainstorming, atau meringkas dokumen panjang, kemudian Anda menyempurnakannya dengan sentuhan manusiawi. Riset dan Analisis: Memanfaatkan AI untuk menyaring informasi dari dataset besar, mengidentifikasi tren, atau melakukan analisis statistik yang cepat, memungkinkan Anda fokus pada interpretasi dan pengambilan keputusan. Pengembangan Produk/Layanan: Menggunakan AI untuk simulasi, optimasi desain, atau memprediksi preferensi pengguna, mempercepat siklus pengembangan. Penyelesaian Masalah: Memanfaatkan AI untuk mengidentifikasi akar masalah, menghasilkan berbagai solusi potensial, dan memprediksi dampak dari setiap solusi. Dalam setiap skenario, peran manusia tetap krusial. AI adalah alat yang kuat, tetapi interpretasi, validasi, dan keputusan akhir tetap berada di tangan Anda. Kolaborasi yang efektif berarti Anda mengarahkan AI, memvalidasi hasilnya, dan menambahkan nilai unik yang hanya bisa diberikan oleh kecerdasan manusia.

Menganalisis Model, Metode, dan Pendekatan Pembelajaran yang Tepat untuk Mengintegrasikan AI dalam Proses Pembelajaran
Bagi para pendidik atau mereka yang tertarik pada pengembangan kapasitas, penting untuk dapat menganalisis bagaimana AI dapat diintegrasikan secara efektif ke dalam proses pembelajaran. Ini melibatkan pemahaman mendalam tentang berbagai model, metode, dan pendekatan pembelajaran yang relevan dengan AI. 
Pembelajaran Berbasis Proyek (Project-Based Learning - PBL): AI dapat menjadi alat yang sangat baik dalam PBL. Peserta didik dapat menggunakan AI untuk riset, analisis data, atau prototipe dalam proyek-proyek mereka, mendorong pemecahan masalah dan kreativitas. 
Pembelajaran Personal (Personalized Learning): AI dapat digunakan untuk menciptakan jalur belajar yang disesuaikan dengan kebutuhan dan kecepatan masing-masing peserta didik, memberikan rekomendasi materi, atau menyediakan umpan balik adaptif. 
Pembelajaran Kolaboratif: AI dapat memfasilitasi kolaborasi antarpeserta didik atau antara peserta didik dengan AI itu sendiri, seperti dalam simulasi atau game edukasi yang didukung AI. Pendekatan 
Pembelajaran Berpusat pada Peserta Didik: AI dapat membebaskan guru dari tugas-tugas administratif rutin, memungkinkan mereka untuk lebih fokus pada interaksi personal dengan peserta didik dan memfasilitasi pembelajaran yang lebih mendalam. 

Analisis Pembelajaran (Learning Analytics): AI dapat menganalisis data pembelajaran untuk mengidentifikasi pola, memprediksi kinerja, dan memberikan wawasan bagi pendidik untuk meningkatkan strategi pengajaran. Penting untuk diingat bahwa integrasi AI dalam pembelajaran harus bertujuan meningkatkan kualitas dan efektivitas pembelajaran, bukan hanya sekadar mengikuti tren teknologi. Pemilihan model, metode, dan pendekatan harus didasarkan pada tujuan pembelajaran yang jelas dan karakteristik peserta didik. Dengan menguasai keempat area ini, peserta pelatihan tidak hanya akan mampu menggunakan AI sebagai alat bantu, tetapi juga menjadi individu yang cerdas dalam berkolaborasi dengan AI, membuka peluang baru untuk inovasi, efisiensi, dan pengembangan diri di berbagai bidang. Apakah Anda siap untuk menjelajahi potensi tak terbatas dari kolaborasi manusia-AI?

Read More »
07 July | 0komentar

Alur Pembelajaran Modul Kecerdasan Artifisial dengan Taksonomi SOLO

Alur Pembelajaran Modul Kecerdasan Artifisial dengan Taksonomi SOLO
Penguasaan kecerdasan artifisial (KA) kini menjadi kebutuhan esensial. Namun, bagaimana kita bisa memastikan pembelajaran tentang KA tidak hanya bersifat superfisial, melainkan benar-benar mendalam? Salah satu kerangka yang sangat efektif untuk merancang alur pembelajaran yang progresif adalah Taksonomi SOLO (Structure of Observed Learning Outcome). Taksonomi ini membantu kita mengidentifikasi tingkat pemahaman peserta didik, dari yang paling dasar hingga yang paling kompleks.
Mari kita bedah alur pembelajaran modul "Pengoperasian, Pengaplikasian, dan Kolaborasi Perangkat Kecerdasan Artifisial" menggunakan pendekatan SOLO Taxonomy:

1. Tahap Pra-Struktural (Pre-Structural): Pengenalan Awal Pada tahap ini, peserta mungkin belum memiliki pemahaman atau hanya memiliki pemahaman yang sangat terbatas tentang materi. Tujuan utamanya adalah membangun fondasi awal. 
  • Materi: Konsep dasar Kecerdasan Artifisial, sejarah singkat, dan contoh-contoh sederhana dalam kehidupan sehari-hari (misalnya, rekomendasi Netflix, asisten suara). 
  • Pengalaman Belajar dalam Pembelajaran Mendalam: Mengenali keberadaan KA. Mendengarkan dan mengidentifikasi contoh-contoh KA. 
  • Aktivitas: Diskusi kelas tentang "Apa yang Anda ketahui tentang AI?" Menonton video pengantar tentang AI. Kuis singkat identifikasi (benar/salah) tentang pernyataan dasar KA. 
  • Tagihan: Daftar contoh KA yang mereka temui sehari-hari. 
  • Moda: Synchronous (tatap muka/virtual) – Ceramah singkat, diskusi.

2. Tahap Uni-Struktural (Uni-Structural): Fokus pada Satu Aspek Peserta mulai memahami satu aspek dari materi, namun belum mampu menghubungkannya dengan konsep lain. 
  • Materi: Pengenalan komponen dasar perangkat keras/lunak yang mendukung KA (misalnya, sensor, kamera, data sederhana). Pengenalan perintah dasar pengoperasian perangkat KA sederhana. 
  • Pengalaman Belajar dalam Pembelajaran Mendalam: Mengidentifikasi satu fungsi spesifik perangkat KA. Mampu mengikuti satu instruksi untuk mengoperasikan. 
  • Aktivitas: Simulasi pengoperasian perangkat KA sederhana (misalnya, mengendalikan robot mini dengan perintah dasar). Mengidentifikasi input dan output dari satu contoh KA. Latihan interaktif: Menarik dan melepas blok kode untuk perintah dasar. 
  • Tagihan: Laporan singkat tentang satu fungsi perangkat KA yang dipelajari. 
  • Moda: Blended – Demonstrasi langsung, tutorial interaktif.

3. Tahap Multi-Struktural (Multi-Structural): Mengidentifikasi Beberapa Aspek Peserta dapat mengidentifikasi beberapa aspek terpisah dari materi, namun belum memahami bagaimana aspek-aspek tersebut saling berkaitan. 
  • Materi: Pengoperasian berbagai fitur perangkat KA yang berbeda. Pemahaman dasar tentang cara mengumpulkan dan menyiapkan data untuk aplikasi sederhana. Konsep aplikasi dasar KA (misalnya, pengenalan gambar sederhana, pengolahan suara dasar). 
  • Pengalaman Belajar dalam Pembelajaran Mendalam: Menjelaskan beberapa fungsi perangkat KA secara terpisah. Menerapkan beberapa perintah yang berbeda secara sekuensial. Menjelaskan beberapa jenis data yang digunakan KA. 
  • Aktivitas: Eksperimen dengan berbagai fitur perangkat KA (misalnya, robot yang dapat mendeteksi warna DAN suara). Studi kasus singkat tentang aplikasi KA yang berbeda. Latihan pengumpulan data sederhana dan visualisasinya. 
  • Tagihan: Diagram yang menunjukkan beberapa fungsi terpisah dari perangkat KA, atau daftar jenis aplikasi KA yang berbeda. 
  • Moda: Hybrid – Praktikum mandiri, studi kasus kelompok kecil.

4. Tahap Relasional (Relational): Menghubungkan Berbagai Aspek Pada tahap ini, peserta mulai melihat hubungan antara berbagai aspek materi dan bagaimana mereka membentuk sebuah keseluruhan yang kohesif. 
  • Materi: Alur kerja lengkap pengaplikasian KA, dari pengumpulan data, pelatihan model, hingga implementasi dan pengujian. Prinsip dasar kolaborasi dalam proyek KA (misalnya, pembagian peran, penggunaan version control). 
  • Pengalaman Belajar dalam Pembelajaran Mendalam: Menjelaskan proses end-to-end pengembangan aplikasi KA. Menganalisis bagaimana perubahan pada satu komponen KA memengaruhi komponen lainnya. Merancang strategi kolaborasi untuk proyek KA. 
  • Aktivitas: Proyek kelompok kecil: Mengembangkan aplikasi KA sederhana (misalnya, chatbot dasar, sistem klasifikasi gambar kecil). Diskusi kasus: Mengidentifikasi masalah dalam proyek KA dan solusi kolaboratif. Presentasi tentang arsitektur aplikasi KA. 
  • Tagihan: Prototipe aplikasi KA sederhana yang fungsional, atau rencana proyek kolaborasi KA. 
  • Moda: Synchronous & Asynchronous – Proyek berbasis tim, mentoring, peer review.

5. Tahap Extended Abstract (Extended Abstract): Generalisasi dan Penerapan dalam Konteks Baru Ini adalah tingkat pemahaman tertinggi, di mana peserta mampu menggeneralisasi konsep yang dipelajari dan menerapkannya dalam situasi atau konteks baru yang belum pernah diajarkan sebelumnya. 
  • Materi: Etika KA, bias dalam algoritma, implikasi sosial KA, tren masa depan KA, dan inovasi dalam kolaborasi lintas disiplin. 
  • Pengalaman Belajar dalam Pembelajaran Mendalam: Mengevaluasi dampak etis dan sosial dari aplikasi KA. Merancang solusi KA untuk masalah dunia nyata yang kompleks, mempertimbangkan berbagai faktor. Mengusulkan ide-ide inovatif untuk pemanfaatan KA di luar domain yang diajarkan. Menginisiasi dan memimpin kolaborasi multi-pihak dalam konteks KA. 
  • Aktivitas: Studi kasus mendalam tentang dilema etika KA. Proyek inovasi: Mengidentifikasi masalah kompleks dan merancang solusi KA yang mempertimbangkan etika dan keberlanjutan. Debat terstruktur tentang masa depan KA. Menyajikan proposal proyek KA yang ambisius kepada audiens eksternal. 
  • Tagihan: Proposal proyek inovasi KA yang komprehensif, atau esai kritis tentang dampak etika KA. 
  • Moda: Asynchronous & Synchronous – Penelitian mandiri, lokakarya khusus, presentasi publik.

Dengan mengikuti alur pembelajaran yang terstruktur menggunakan Taksonomi SOLO ini, modul pengoperasian, pengaplikasian, dan kolaborasi perangkat kecerdasan artifisial dapat memastikan bahwa peserta didik tidak hanya menguasai keterampilan teknis, tetapi juga mengembangkan pemahaman yang mendalam, kritis, dan mampu berinovasi di bidang kecerdasan artifisial. Pendekatan ini memungkinkan pendidik untuk secara sistematis memandu peserta dari sekadar pengenalan hingga menjadi pemikir dan inovator KA yang ulung.

Read More »
06 July | 0komentar

Modul 2 Koding



Capaian Modul 2 Koding :

Pada akhir pelatihan, peserta pelatihan mampu mengenali dan menerapkan perangkat kecerdasan artifisial area pemanfaatan umum dan khusus (misal: bidang kejuruan SMK). Peserta pelatihan juga mampu memilih perangkat atau tools kecerdasan artifisial yang sesuai untuk melakukan kolaborasi (human to AI collaboration). Peserta pelatihan juga mampu menghasilkan konten hasil kolaborasi dengan perangkat kecerdasan artifisial sesuai dengan bidang kejuruannya masing-masing. Selain itu, peserta pelatihan juga mampu menganalisis model, metode, dan pendekatan pembelajaran yang tepat untuk mengintegrasikan kecerdasan artifisial dalam proses pembelajaran kepada peserta didik.

Download Modul 2
Download Modul 1

Read More »
05 July | 0komentar