CODEA | Koding dan Kecerdasan Artificial

Timeline Pembelajaran Semester 2

XI TJKTFase F16 Pertemuan64 JP

Fase 1 — Refresh & Foundation

Pertemuan 1 · Recalling CODEA Semester 1

Recalling CODEA Semester 1

Review ML Supervised vs Unsupervised — card sorting · Python sprint: load CSV, EDA, visualisasi di Colab · TF-IDF review: teks → vektor → cosine similarity · Streamlit review: rebuild app sederhana

Kegiatan Siswa

Card sorting 10 contoh aplikasi ML ke Supervised/Unsupervised · Coding sprint: load CSV, head/info/describe, visualisasi distribusi · Praktik TF-IDF: ubah 3 kalimat jadi vektor, hitung cosine similarity · Build ulang Streamlit app dalam 45 menit

Fase 2 — Custom ML Pipeline

Pertemuan 2-4 · Machine Learning dengan Python (scikit-learn)

Pertemuan 2

Training Model dengan scikit-learn

Isi Pokok

Review dataset, train-test split, preprocessing · MLPClassifier: jaringan saraf sederhana dengan sklearn · Training, predict, evaluasi dengan accuracy score · Dataset konteks TJKT: trafik jaringan, kualitas sinyal

Kegiatan Siswa

Praktik from sklearn.neural_network import MLPClassifier · Training model dari dataset CSV · Prediksi data test dan hitung akurasi · Refleksi: apa bedanya training dengan TM vs dengan Python?

Pertemuan 3

Hyperparameter Tuning & Evaluasi Model

Isi Pokok

Overfitting vs underfitting — visualisasi · Hyperparameter: epoch, learning rate, hidden layer size · Grid search 6-9 kombinasi hyperparameter · Confusion matrix: TP, TN, FP, FN, Accuracy, Precision, Recall, F1

Kegiatan Siswa

Eksperimen hyperparameter: ganti parameter, lihat perubahan loss · Grid search: cari kombinasi terbaik · Praktik confusion_matrix() dan classification_report() · Analisis: kapan FP berbahaya? kapan FN berbahaya?

Pertemuan 4

Save/Load Model & Prediksi Data Baru

Isi Pokok

joblib.dump() — simpan model ke file .pkl · joblib.load() — muat model dari file · Prediksi data baru tanpa training ulang · Modular Python: train.py, predict.py, model.pkl

Kegiatan Siswa

Simpan model hasil training ke .pkl · Muat model dan prediksi data baru · Bikin fungsi predict() untuk reusable pipeline · Rapikan kode jadi modul Python: model.py, predict.py

Fase 3 — AI × IoT × Web

Pertemuan 5-7 · Integrasi ML, data sensor IoT, dashboard, dan deployment

Pertemuan 5

ML dengan Data Sensor IoT

Isi Pokok

Review sensor IoT: DHT11, LDR, PIR · Load CSV data sensor dan eksplorasi · Klasifikasi kondisi ruangan: normal/waspada/darurat · Regresi prediksi suhu + anomaly detection

Kegiatan Siswa

Load CSV hasil logging sensor IoT · Train classifier untuk klasifikasi kondisi ruangan · Train regressor untuk prediksi suhu · Deteksi anomali dengan Isolation Forest

Pertemuan 6

Real-time Prediction & Dashboard

Isi Pokok

Streamlit refresh: metric, status, line_chart · Simulasi streaming data sensor real-time · Integrasi model .pkl → predict → tampilkan di dashboard · Dashboard AI: grafik, status, alert, UI/UX dari DWP

Kegiatan Siswa

Praktik komponen Streamlit: metric, status, line_chart · Load model .pkl → predict dari input → tampilkan hasil · Build dashboard monitoring real-time · Terapkan UI/UX dari DWP

Pertemuan 7

Web Integrasi & Deployment

Isi Pokok

Flask REST API: endpoint POST /predict · PHP + Python integration · MySQL untuk history prediksi · Deploy ke cloud + environment variables

Kegiatan Siswa

Bikin Flask endpoint → return JSON hasil prediksi · Integrasi PHP + MySQL untuk log prediksi · Deploy aplikasi ke cloud · Setup environment variables untuk keamanan

Fase 4 — Final Project: AI × IoT × Web

Pertemuan 8-15 · Proyek akhir integrasi untuk masalah lingkungan sekitar

Pertemuan 8

Final Project: Problem Discovery & Proposal

Isi Pokok

Brainstorming masalah lingkungan sekitar · Validasi: bisa diselesaikan AI×IoT×Web? · Contoh proyek: Kebakaran Dini, Smart Aquarium, dll · Proposal 1 halaman + presentasi ide 3 menit

Kegiatan Siswa

Diskusi kelompok: identifikasi 5 masalah di sekitar · Validasi tiap masalah: butuh sensor? butuh ML? butuh web? · Tulis proposal proyek 1 halaman · Presentasi ide 3 menit per kelompok

Pertemuan 9

Final Project: Dataset Collection & IoT Integration

Isi Pokok

IoT data collection / Kaggle / web scraping · Data dictionary: nama kolom, tipe, range, makna · EDA: head, info, describe, visualisasi distribusi

Kegiatan Siswa

Set up sensor IoT dan mulai logging data · Dokumentasi data dictionary · EDA dengan Pandas · Visualisasi distribusi data

Pertemuan 10

Final Project: Preprocessing & Feature Engineering

Isi Pokok

Data cleaning: missing values, outlier, duplicate · Feature engineering: pilih dan buat feature baru · Encoding: LabelEncoder, OneHotEncoder · Scaling: MinMaxScaler + train-test split stratify

Kegiatan Siswa

Identifikasi dan tangani missing values · Cari outlier dengan boxplot dan IQR · Encoding feature kategorikal · Scaling feature numerik · Split data train dan test 80:20

Pertemuan 11

Final Project: Model Development

Isi Pokok

Coba 3 algoritma: MLPClassifier, Random Forest, Logistic Regression · Hyperparameter tuning + GridSearchCV · Evaluasi: confusion matrix, classification report · Pilih model terbaik + save .pkl

Kegiatan Siswa

Training dengan 3 algoritma berbeda · Bandingkan akurasi dan F1-score · Tuning hyperparameter model terbaik · Save model final dengan joblib

Pertemuan 12

Final Project: Web App Development

Isi Pokok

Pilih platform: Streamlit / PHP / hybrid · Fitur input data, prediksi, visualisasi · MySQL integration untuk history prediksi · UI/UX dari DWP + integrasi model+DB+frontend

Kegiatan Siswa

Implementasi fitur inti aplikasi · Integrasi database untuk log prediksi · Desain UI yang responsif dan menarik · Hubungkan model + database + frontend

Pertemuan 13

Final Project: Integration & System Testing

Isi Pokok

Full integration: IoT→ML→Web→Database · Testing skenario: normal, edge case, error · Bug fixing dan debugging · User testing dengan teman/guru

Kegiatan Siswa

Uji alur data dari input sampai output · Testing dengan berbagai skenario · Debug error dan perbaiki bug · Minta feedback dari pengguna

Pertemuan 14

Final Project: Dokumentasi Profesional

Isi Pokok

README.md profesional untuk GitHub · Laporan teknis PDF · Video demo 3-5 menit · Slide presentasi: problem→solusi→demo→kesimpulan

Kegiatan Siswa

Tulis README.md dengan template profesional · Susun laporan teknis format PDF · Rekam video demo aplikasi · Buat slide presentasi

Pertemuan 15

Final Project: Final Refinement & Dry Run

Isi Pokok

Final polish UI dan perbaikan minor · Deploy final ke hosting publik · Dry run presentasi 5 menit · Peer feedback dan perbaikan

Kegiatan Siswa

Perbaiki UI berdasarkan feedback sebelumnya · Deploy final ke cloud · Simulasi presentasi di depan kelompok lain · Beri dan terima saran perbaikan

Fase Final Project

Pertemuan 16 · Presentasi dan Pameran

Minggu 16

Presentasi Proyek & Pameran

Isi Pokok

Presentasi 7 menit + tanya jawab 3 menit · Demo langsung aplikasi (IoT→ML→Web) · Booth pameran dan portofolio digital · Penilaian: IoT 20%, ML 30%, Web 20%, Dok 15%, Pres 15%

Kegiatan Siswa

Presentasi kelompok dengan slide · Demo aplikasi secara langsung · Kunjungi booth kelompok lain · Kumpulkan link GitHub + demo + video

Minggu NaN

Timeline Pembelajaran — Semester 2

17 Modul16 Pertemuan64 JP