CODEA | Koding dan Kecerdasan ArtificialSemester 2Pertemuan 3 · 1 Pertemuan × 4 JP (180 menit)
Hyperparameter Tuning & Evaluasi Model
Mengoptimasi dan mengevaluasi model Machine Learning — memahami overfitting, hyperparameter tuning, confusion matrix, dan metrik evaluasi.
#hyperparameter#confusion matrix#model evaluation#overfitting#grid search
MODUL AJAR
Hyperparameter Tuning & Evaluasi Model — Optimasi dan Analisis Kinerja
Penyusun: Guru CODEA
Jenjang: SMK
Sekolah: SMK Bina Rahayu
Kelas / Semester: XI TJKT / 2 (Genap)
Tahun Pelajaran: 2026/2027
Fase: F
Alokasi Waktu: 1 Pertemuan × 4 JP (180 menit)
| Komponen | Deskripsi |
|---|---|
| 1. Identitas Modul | |
| Nama Penyusun | Guru CODEA |
| Institusi | SMK Bina Rahayu |
| Mata Pelajaran | CODEA — Koding dan Kecerdasan Artificial |
| Kelas / Semester | XI TJKT / 2 (Genap) |
| Fase | F |
| Elemen / Topik | Machine Learning dengan Python — mengoptimasi dan mengevaluasi model ML |
| Alokasi Waktu | 1 Pertemuan × 4 JP (180 menit) |
| Tahun Pelajaran | 2026/2027 |
| 2. Kompetensi Awal | |
| a. Peserta didik sudah pernah training model dengan scikit-learn (MLPClassifier). | |
| b. Peserta didik memahami konsep train-test split dan preprocessing. | |
| c. Peserta didik bisa mengevaluasi model dengan accuracy score. | |
| d. Peserta didik memahami konsep fitur dan label. | |
| 3. Profil Pelajar Pancasila | |
| a. Mandiri — Melakukan eksperimen tuning parameter secara mandiri. | |
| b. Bernalar Kritis — Menganalisis hasil evaluasi, membedakan overfitting vs underfitting. | |
| c. Bergotong Royong — Berdiskusi dalam kelompok membandingkan hasil tuning. | |
| d. Kreatif — Menemukan kombinasi hyperparameter terbaik melalui grid search. | |
| 4. Sarana dan Prasarana | |
| a. Laboratorium komputer dengan koneksi internet. | |
| b. Akun Google Colab. | |
| c. Proyektor/LCD. | |
| d. Dataset contoh (Iris atau dataset TJKT dari pertemuan 2). | |
| e. Notebook Colab template — Hyperparameter Tuning & Evaluasi. | |
| 5. Model dan Metode | |
| a. Pendekatan: Saintifik, berpusat pada peserta didik. | |
| b. Model: Discovery Learning, Eksperimen. | |
| c. Metode: Praktik coding, eksperimen parameter, visualisasi, diskusi. | |
| 6. Target Peserta Didik | |
| a. Peserta didik reguler — seluruh siswa kelas XI TJKT. | |
| b. Peserta didik dengan pencapaian tinggi — diberikan tantangan RandomizedSearchCV dan parameter lebih banyak. | |
| c. Peserta didik dengan kesulitan belajar — diberikan panduan parameter yang sudah ditentukan. | |
| 7. Keterkaitan dengan Mata Pelajaran Lain | |
| a. IoT — False Positive = alarm palsu pada sistem deteksi, False Negative =漏 deteksi pada sensor. Konsep ini krusial untuk sistem monitoring IoT. | |
| b. DWP — Evaluasi model mirip dengan debugging dan testing pada web development: perlu metrik yang tepat untuk mengukur keberhasilan. |
Daftar Isi