CODEA | Koding dan Kecerdasan ArtificialSemester 2Pertemuan 5 · 1 Pertemuan × 4 JP (180 menit)
ML dengan Data Sensor IoT
Mengaplikasikan Machine Learning pada data sensor IoT (DHT11, LDR, PIR) untuk klasifikasi kondisi ruangan, regresi prediksi suhu, dan deteksi anomali.
#IoT#sensor#DHT11#klasifikasi#regresi#anomaly detection
MODUL AJAR
ML dengan Data Sensor IoT — Klasifikasi, Regresi & Anomaly Detection
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 | Integrasi Sistem — menghubungkan pipeline ML dengan data IoT |
| Alokasi Waktu | 1 Pertemuan × 4 JP (180 menit) |
| Tahun Pelajaran | 2026/2027 |
| 2. Kompetensi Awal | |
| a. Peserta didik sudah memahami sensor IoT (DHT11, LDR, PIR) dari semester 1. | |
| b. Peserta didik sudah bisa menyimpan dan memuat model dengan joblib (pertemuan 4). | |
| c. Peserta didik memahami format CSV dan cara membaca data dengan pandas. | |
| d. Peserta didik memahami konsep fitur dan label dalam ML. | |
| 3. Profil Pelajar Pancasila | |
| a. Bernalar Kritis — Menganalisis pola data sensor dan memilih algoritma ML yang tepat. | |
| b. Mandiri — Melakukan eksperimen klasifikasi, regresi, dan anomaly detection secara mandiri. | |
| c. Bergotong Royong — Berbagi data sensor hasil koleksi dengan teman sekelas. | |
| d. Kreatif — Menggabungkan data dari berbagai sensor untuk solusi cerdas. | |
| 4. Sarana dan Prasarana | |
| a. Laboratorium komputer dengan koneksi internet. | |
| b. Akun Google Colab. | |
| c. Dataset sensor IoT dalam format CSV (data simulasi dari semester 1). | |
| d. Proyektor/LCD. | |
| e. Notebook Colab template — ML dengan Data Sensor IoT. | |
| 5. Model dan Metode | |
| a. Pendekatan: Saintifik, berbasis eksperimen data nyata. | |
| b. Model: Project Based Learning, Discovery Learning. | |
| c. Metode: Praktik coding, demonstrasi, eksperimen data, diskusi. | |
| 6. Target Peserta Didik | |
| a. Peserta didik reguler — seluruh siswa kelas XI TJKT. | |
| b. Peserta didik dengan pencapaian tinggi — diminta membuat pipeline yang bisa menerima data sensor real-time. | |
| c. Peserta didik dengan kesulitan belajar — didampingi dengan template kode yang sudah terstruktur. | |
| 7. Keterkaitan dengan Mata Pelajaran Lain | |
| a. IoT — Data dari sensor DHT11 (suhu + kelembaban), LDR (cahaya), dan PIR (gerakan) langsung dipakai sebagai dataset ML. | |
| b. DWP — Konsep preprocessing data di Python analog dengan validasi form di PHP; scaling fitur mirip dengan normalisasi data di JavaScript. |
Daftar Isi