Modul Ajar Deep Learning SMK Kurikulum Merdeka + Contoh Lengkap

Pentingnya Modul Ajar Deep Learning di Era AI

Kecerdasan Buatan (Artificial Intelligence/AI) telah berkembang sangat pesat, terutama di bidang pembelajaran mendalam (Deep Learning). Pembelajaran ini tidak lagi hanya menjadi konsumsi tingkat perguruan tinggi, namun kini mulai diperkenalkan secara praktis di tingkat Sekolah Menengah Kejuruan (SMK) bidang Teknologi Informasi, seperti Rekayasa Perangkat Lunak (RPL) dan Teknik Komputer Jaringan (TKJ) dalam Kurikulum Merdeka.

Menyusun modul ajar deep learning yang tepat untuk tingkat SMK membutuhkan pendekatan yang berbeda. Siswa tidak hanya diajak menghafal teori matematika di balik algoritma neural network, melainkan fokus pada pemahaman konsep dasar, visualisasi model, dan praktik langsung menggunakan perangkat no-code/low-code.

---

Perbedaan Machine Learning vs Deep Learning secara Sederhana

Sebelum masuk ke modul ajar, guru perlu menjelaskan perbedaan mendasar kedua konsep ini kepada siswa dengan analogi sederhana:

Aspek	Machine Learning (ML)	Deep Learning (DL)
Cara Kerja	Membutuhkan ekstraksi fitur manual oleh manusia.	Mengekstraksi fitur secara otomatis dari data mentah.
Arsitektur	Algoritma klasifikasi dasar (seperti Decision Tree, SVM).	Jaringan Saraf Tiruan Bertingkat (Deep Neural Networks).
Kebutuhan Data	Bekerja baik dengan data berukuran kecil hingga sedang.	Membutuhkan data dalam jumlah sangat besar untuk akurasi maksimal.
Hardware	Bisa berjalan lancar di komputer standar biasa.	Sangat disarankan memakai GPU (Graphics Processing Unit).

**Analogi:** Jika ingin mengenali gambar kucing, pada ML tradisional kita harus memberi tahu komputer ciri-cirinya (kuping segitiga, kumis). Pada DL, kita cukup memasukkan ribuan foto kucing dan komputer akan mencari tahu sendiri cirinya.

---

Struktur Modul Ajar Deep Learning SMK (Fase F)

Berikut adalah modul ajar lengkap siap pakai untuk Konsentrasi Keahlian RPL/TKJ Kelas 11 atau 12 (Fase F) semester genap.

1. Informasi Umum

• Penyusun: Tim Guru Informatika SMK
• Sekolah: SMK Negeri Informatika
• Tahun Penyusunan: 2026
• Jenjang/Kelas: SMK / Kelas XI atau XII (Fase F)
• Alokasi Waktu: 4 JP x 45 Menit (1 Pertemuan)
• Kompetensi Awal: Peserta didik telah memahami konsep dasar Pemrograman Dasar dan Logika Algoritma.
• Profil Pelajar Pancasila:

- Mandiri: Peserta didik secara kritis melatih model AI secara individu. - Bernalar Kritis: Peserta didik menganalisis kegagalan deteksi pada model dan mencari solusi perbaikan dataset. - Kreatif: Peserta didik merancang skenario penggunaan model AI dalam kehidupan sehari-hari.

• Sarana & Prasarana: Lab Komputer, Koneksi Internet, Proyektor, Webcam aktif.
• Target Peserta Didik: Peserta didik reguler/tipikal (tidak ada kesulitan dalam mencerna materi ajar).
• Model Pembelajaran: Project-Based Learning (PjBL) secara Luring.

---

2. Komponen Inti

A. Tujuan Pembelajaran

1. Peserta didik mampu menjelaskan konsep dasar Deep Learning dan Jaringan Saraf Tiruan (Artificial Neural Networks) dengan bahasa sendiri secara tepat.
2. Peserta didik mampu merancang, melatih, dan menguji model klasifikasi gambar sederhana menggunakan Google Teachable Machine secara mandiri.

B. Pemahaman Bermakna

Teknologi Deep Learning meniru cara kerja jaringan saraf otak manusia untuk memecahkan masalah pengenalan pola yang rumit (seperti deteksi objek pada kamera pengawas atau asisten suara).

C. Pertanyaan Pemantik

• "Bagaimana kamera HP pintar Anda bisa mendeteksi wajah Anda dalam hitungan milidetik untuk membuka kunci (FaceID)?"
• "Apakah komputer bisa membedakan mana masker yang dipakai dengan benar dan mana yang salah hanya dengan melihat lewat kamera?"

D. Kegiatan Pembelajaran (Langkah-Langkah)

Kegiatan Pendahuluan (15 Menit)

1. Guru menyapa siswa, berdoa bersama, dan melakukan absensi.
2. Guru memberikan pertanyaan pemantik tentang bagaimana AI mengenali objek.
3. Guru menyampaikan tujuan pembelajaran yang ingin dicapai pada hari ini.

Kegiatan Inti (150 Menit)

1. Eksplorasi Konsep (30 Menit): Guru memaparkan materi singkat tentang sejarah Jaringan Saraf Tiruan dan konsep dasar Deep Learning secara visual (menggunakan visualisasi neuron, input layer, hidden layer, dan output layer).
2. Demonstrasi Guru (20 Menit): Guru mendemonstrasikan cara menggunakan Google Teachable Machine untuk melatih model klasifikasi gambar (misalnya membedakan bolpoin dan buku).
3. Praktik Mandiri / PjBL (70 Menit): Siswa mengerjakan Lembar Kerja Peserta Didik (LKPD) secara individu untuk melatih model klasifikasi gambar deteksi pemakaian masker menggunakan webcam masing-masing.
4. Presentasi dan Evaluasi (30 Menit): Perwakilan siswa mendemonstrasikan model AI yang telah mereka buat di depan kelas dan mendiskusikan tingkat akurasinya.

Kegiatan Penutup (15 Menit)

1. Siswa bersama guru menyimpulkan pembelajaran hari ini.
2. Guru melakukan refleksi terhadap proses pembelajaran.
3. Guru menutup pertemuan dengan doa dan salam.

---

3. Asesmen (Penilaian)

Untuk mengukur ketercapaian tujuan pembelajaran, guru menggunakan rubrik penilaian unjuk kerja praktikum berikut ini:

Kriteria Penilaian	Baik Sekali (Skor 4)	Baik (Skor 3)	Cukup (Skor 2)	Perlu Bimbingan (Skor 1)
Kualitas Dataset	Mengambil >100 sampel gambar per kelas dengan variasi sudut & pencahayaan yang sangat baik.	Mengambil 50-100 sampel gambar per kelas dengan variasi sudut cukup.	Mengambil <50 sampel gambar dengan sudut pengambilan yang monoton.	Sampel gambar sangat sedikit (<20) dan buram.
Akurasi Model	Model mampu mendeteksi objek dengan akurasi 90%-100% pada berbagai kondisi pengujian.	Model mendeteksi objek dengan akurasi 70%-89%, terkadang salah deteksi.	Model hanya memiliki akurasi 50%-69%, sering terjadi salah klasifikasi.	Model gagal melakukan klasifikasi objek secara konsisten.
Analisis Hasil	Mampu menjelaskan penyebab ketidakakuratan model secara logis dan terperinci.	Mampu menjelaskan penyebab ketidakakuratan dengan bantuan petunjuk guru.	Hanya menyebutkan akurasi tanpa mampu menganalisis penyebabnya.	Tidak melakukan analisis atau pengujian model sama sekali.

---

Lembar Kerja Peserta Didik (LKPD): Deteksi Masker Real-Time

Judul Kegiatan: Klasifikasi Masker vs Tanpa Masker Menggunakan Google Teachable Machine Waktu Pengerjaan: 60 Menit Tujuan: Melatih model Deep Learning berbasis web untuk mengklasifikasikan kondisi wajah pengguna (menggunakan masker atau tidak) secara real-time.

Alat dan Bahan

1. Laptop / Komputer dengan browser Google Chrome/Edge.
2. Kamera / Webcam eksternal maupun internal yang berfungsi baik.
3. Koneksi internet stabil.
4. Masker medis atau kain.

Langkah-Langkah Praktikum

1. Buka browser Anda dan kunjungi halaman resmi Google Teachable Machine.
2. Klik tombol Get Started, lalu pilih jenis proyek Image Project -> Standard Image Model.
3. Ubah nama Class 1 menjadi Memakai Masker dan Class 2 menjadi Tanpa Masker.
4. Klik tombol Webcam pada masing-masing kelas untuk mulai mengambil gambar:

- Pada kelas Memakai Masker: Rekam setidaknya 100 gambar wajah Anda dengan masker terpasang dari berbagai sudut (miring kiri, miring kanan, mendongak, menunduk). - Pada kelas Tanpa Masker: Rekam setidaknya 100 gambar wajah Anda tanpa menggunakan masker dari variasi sudut yang sama.

1. Klik tombol Train Model untuk melatih model Deep Learning Anda. Catatan: Jangan menutup tab browser selama proses pelatihan berlangsung.
2. Setelah proses pelatihan selesai, perhatikan panel Preview di sebelah kanan. Uji model Anda di depan kamera:

- Gunakan masker Anda dan lihat apakah persentase pada kelas Memakai Masker mendekati 100%. - Lepas masker Anda dan pastikan kelas Tanpa Masker naik menjadi mendekati 100%.

1. Ambil tangkapan layar (screenshot) hasil preview model Anda dalam kedua kondisi tersebut untuk dimasukkan ke laporan praktikum.

---

Cara Cepat Membuat Modul Ajar dengan SahabatAjar

Membuat perangkat pembelajaran secara manual, terutama untuk materi kekinian seperti AI dan Deep Learning, memerlukan waktu riset yang tidak sebentar. Guru harus mencari referensi kurikulum terbaru, merancang skenario kelas, hingga menyusun instrumen penilaian.

Dengan SahabatAjar, Anda dapat menghemat waktu hingga 90%! Cukup masukkan topik materi seperti "Deep Learning", pilih jenjang SMK Kelas 11, dan asisten AI SahabatAjar akan menyusun modul ajar lengkap, Alur Tujuan Pembelajaran (ATP), hingga rubrik asesmen dalam hitungan menit sesuai regulasi Kurikulum Merdeka terbaru.

Coba SahabatAjar Sekarang →