Rencana Pelaksanaan Pembelajaran (RPP) yang lengkap untuk topik Deep Learning di tingkat SMK

Rencana Pelaksanaan Pembelajaran (RPP)

Sekolah: SMK XYZ
Mata Pelajaran: Teknologi Informasi dan Komunikasi (TIK)
Kelas/Semester: XI / Ganjil
Topik Pembelajaran: Pengenalan Deep Learning
Alokasi Waktu: 2 x 45 menit (1 pertemuan)
Tahun Ajaran: 2025/2026

I. Standar Kompetensi

1. Memahami konsep dasar kecerdasan buatan (AI) dan deep learning.

2. Menerapkan teknik dasar dalam membangun model deep learning menggunakan framework TensorFlow atau Keras.

II. Kompetensi Dasar

1.1 Menjelaskan pengertian dan konsep dasar deep learning.
1.2 Menyebutkan contoh penerapan deep learning dalam kehidupan sehari-hari.
2.1 Menggunakan bahasa pemrograman Python untuk implementasi model deep learning sederhana.
2.2 Menggunakan framework TensorFlow atau Keras untuk membangun model deep learning dasar.

III. Indikator Pencapaian Kompetensi

1. Siswa dapat menjelaskan pengertian deep learning dan perbedaannya dengan machine learning.

2. Siswa dapat memberikan contoh aplikasi deep learning dalam kehidupan sehari-hari.

3. Siswa dapat menulis kode sederhana menggunakan Python untuk membangun model deep learning menggunakan framework Keras.

4. Siswa dapat melatih dan menguji model deep learning dasar untuk mengklasifikasikan data.

IV. Tujuan Pembelajaran

1. Siswa dapat memahami dan menjelaskan konsep dasar deep learning dan penerapannya.

2. Siswa dapat membuat model deep learning sederhana untuk klasifikasi gambar atau data menggunakan Python dan framework Keras.

3. Siswa dapat mengembangkan keterampilan dasar dalam pemrograman Python yang dibutuhkan untuk mengimplementasikan deep learning.

V. Materi Pembelajaran

1. Pengertian Deep Learning:

   • Definisi deep learning dan hubungan dengan machine learning.

   • Perbedaan antara machine learning, deep learning, dan AI.

2. Komponen Deep Learning:

   • Jaringan saraf tiruan (Artificial Neural Networks).

   • Struktur lapisan dalam neural networks (Input Layer, Hidden Layer, Output Layer).

3. Framework yang Digunakan:

   • Pengenalan Keras dan TensorFlow untuk membangun model deep learning.

4. Penerapan Deep Learning:

   • Pengenalan gambar (image recognition) menggunakan dataset sederhana (misalnya dataset MNIST).

5. Proyek Implementasi:

   • Langkah-langkah membuat model klasifikasi menggunakan framework Keras.

VI. Metode Pembelajaran

1. Ceramah: Menjelaskan pengertian, konsep, dan komponen deep learning.

2. Diskusi Kelompok: Mendiskusikan contoh penerapan deep learning di kehidupan sehari-hari.

3. Demonstrasi: Menunjukkan bagaimana cara menggunakan Python dan Keras untuk membangun model deep learning sederhana.

4. Praktik Langsung: Siswa membangun model deep learning sederhana dalam kelompok.

VII. Langkah-Langkah Pembelajaran

A. Pendahuluan (15 Menit)

1. Kegiatan Awal:

   • Mengucapkan salam dan memeriksa kehadiran siswa.

   • Mengaitkan materi pembelajaran dengan topik teknologi yang relevan dengan kehidupan sehari-hari.

   • Menyampaikan tujuan pembelajaran: memahami konsep dasar deep learning dan aplikasi praktisnya.

2. Motivasi:

   • Menanyakan kepada siswa apakah mereka sudah pernah mendengar tentang teknologi pengenalan wajah pada ponsel atau aplikasi seperti Google Assistant dan Siri.

   • Mengaitkan materi dengan topik sehari-hari yang menggunakan deep learning, seperti sistem rekomendasi di Netflix atau Spotify.

B. Inti (60 Menit)

1. Penjelasan Konsep Deep Learning (30 Menit)

   • Menyampaikan materi tentang apa itu deep learning dan perbedaannya dengan machine learning melalui presentasi atau video.

   • Menjelaskan bagaimana deep learning digunakan dalam kehidupan sehari-hari (misalnya, di bidang kesehatan, otomotif, dan teknologi konsumen).

   • Diskusi kelas tentang contoh penerapan deep learning dalam kehidupan sehari-hari.

   • Demonstrasi pembuatan model deep learning menggunakan Keras dan TensorFlow (misalnya, untuk klasifikasi gambar sederhana dengan dataset MNIST).

2. Praktik Langsung (30 Menit)

   • Siswa dibagi menjadi kelompok-kelompok kecil dan diberikan tugas untuk membuat model deep learning sederhana menggunakan Python dan Keras.

   • Setiap kelompok mengikuti langkah-langkah berikut:

     • Install dan setup Python serta framework Keras dan TensorFlow.

     • Memuat dataset MNIST (digit tulisan tangan).

     • Membuat model jaringan saraf dengan beberapa lapisan (layers).

     • Melatih model dengan data pelatihan dan menguji akurasi model dengan data uji.

   • Guru memberikan bimbingan jika ada kesulitan selama latihan.

C. Penutupan (15 Menit)

1. Review Pembelajaran:

   • Siswa diminta untuk menjelaskan kembali apa yang telah dipelajari selama pelajaran ini, baik secara individu maupun kelompok.

   • Mengulang kembali poin-poin penting mengenai konsep deep learning dan penerapannya.

2. Tanya Jawab:

   • Guru membuka sesi tanya jawab untuk memastikan siswa memahami materi dengan baik.

   • Guru memberikan klarifikasi dan jawaban terhadap pertanyaan siswa.

3. Tugas Mandiri:

   • Siswa diminta untuk mengerjakan tugas mandiri berupa penelitian tentang penerapan deep learning dalam berbagai bidang industri.

   • Tugas diserahkan pada pertemuan berikutnya.

4. Penutupan:

   • Guru menutup pelajaran dengan memberikan motivasi untuk terus belajar dan mengasah keterampilan di bidang deep learning.

VIII. Sumber Belajar

1. Buku Deep Learning with Python oleh François Chollet

2. Website resmi TensorFlow (https://www.tensorflow.org)

3. Website resmi Keras (https://keras.io)

4. Video tutorial di YouTube (misalnya, "Deep Learning for Beginners" atau "Keras Tutorial")

5. Platform kursus online seperti Coursera dan Udemy

IX. Penilaian

Penilaian Kognitif (Pengetahuan):

• Ulangan harian atau kuis yang mencakup pertanyaan tentang konsep dasar deep learning, penerapannya, dan komponen-komponennya.

Penilaian Psikomotor (Keterampilan):

• Menilai keterampilan siswa dalam menggunakan Python dan Keras untuk membangun model deep learning sederhana.

• Melihat kemampuan siswa dalam mengikuti langkah-langkah pembuatan model dan mengimplementasikan kode dengan benar.

Penilaian Afektif (Sikap):

• Mengamati partisipasi aktif siswa dalam diskusi kelompok dan praktik langsung.

• Menilai kerjasama kelompok dalam menyelesaikan proyek.

X. Refleksi

• Kelebihan: Pembelajaran berjalan sesuai dengan rencana, siswa tampak antusias dalam mengikuti diskusi dan praktik langsung.

• Kekurangan: Beberapa siswa masih mengalami kesulitan dalam memahami konsep dasar deep learning, sehingga perlu lebih banyak waktu untuk memberikan penjelasan lebih lanjut.