Bertani asik: Koding dan Kecerdasan Artifisial (KKA) Fase E SMK. Muhamad Nasikhun Amin. SMK N1 Gedung Aji

LEMBAR PENGESAHAN MODUL AJAR

Mata Pelajaran : Koding dan Kecerdasan Artifisial (KKA)

Fase / Kelas : E / X

Program Keahlian : Agribisnis Tanaman Perkebunan (ATP)

Tahun Ajaran : 2026 / 2027

Narasi Pengesahan

"Bahwa Modul Ajar Mata Pelajaran Koding dan Kecerdasan Artifisial (KKA) Fase E (Kelas X) Program Keahlian Agribisnis Tanaman Perkebunan di SMK Negeri 1 Gedung Aji untuk Tahun Ajaran 2026/2027 ini, telah ditelaah secara saksama, dinyatakan memenuhi kelayakan akademis, serta sesuai dengan karakteristik peserta didik dan potensi daerah perkebunan Gedung Aji.

Dokumen ini disahkan untuk dipergunakan sebagai panduan operasional proses pembelajaran mendalam (deep learning) dan asesmen berbasis Dimensi Profil Lulusan (DPL) di lingkungan SMK Negeri 1 Gedung Aji."

Gedung Aji, Juli 2026

Menyetujui,	Disusun Oleh,
Kepala SMK Negeri 1 Gedung Aji	Guru Mata Pelajaran KKA


	Muhamad Nasikhun Amin

Pengawas Pembina

DAFTAR ISI

LEMBAR PENGESAHAN MODUL AJAR …………………………………………… ii

KRITERIA KETERCAPAIAN TUJUAN PEMBELAJARAN (KKTP)..................... iv

IDENTITAS MODUL................................................................................................ 6

RENCANA PEMBELAJARAN MENDALAM (RPM).............................................. 10

MODUL AJAR 1: BERPIKIR KOMPUTASIONAL DALAM PERMASALAHAN

AGRIBISNIS............................................................................................................. 17

MODUL AJAR 2: DEKOMPOSISI MASALAH DALAM AGRIBISNIS.................. 24

MODUL AJAR 3: PENGENALAN POLA (PATTERN RECOGNITION)

DALAM AGRIBISNIS.............................................................................................. 34

MODUL AJAR 4: ABSTRAKSI (ABSTRACTION) DALAM AGRIBISNIS............. 47

MODUL AJAR 5: ALGORITMA DAN FLOWCHART DALAM AGRIBISNIS....... 61

MODUL AJAR 6: PSEUDOCODE MENJEMBATANI ALGORITMA MENUJU

PYTHON................................................................................................................... 74

SOAL ASESMEN FORMATIF (FASE E).................................................................. 87

DAFTAR PUSTAKA ................................................................................................. 90

KRITERIA KETERCAPAIAN TUJUAN PEMBELAJARAN (KKTP)

Mata Pelajaran          : Koding dan Kecerdasan Artifisial (KKA)
Kelas / Fase                : X / E
Program Keahlian     : Agribisnis Tanaman Perkebunan (ATP)

A. Tabel Interval Kriteria Ketercapaian

No	Tujuan Pembelajaran (TP)	Indikator Asesmen (Kuantitatif)	0 - 64% (Belum Mencapai)	65 - 74% (Belum Mencapai)	75 - 84% (Sudah Mencapai)	85 - 100% (Sudah Mencapai)
1	TP 1: Berpikir Komputasional Merumuskan langkah pemecahan masalah penyakit/hama perkebunan.	Mampu mengurai masalah perkebunan sawit/karet menjadi 4 pilar: dekomposisi, pola, abstraksi, dan flowchart algoritma.	Hanya mampu mengidentifikasi masalah tanpa urutan logis.	Mampu mengurai masalah tetapi alur flowchart masih acak.	Mampu mengurai masalah dan menyusun flowchart logis.	Mampu menyusun flowchart kompleks dan memberi solusi alternatif.
2	TP 2: Algoritma & Koding Membuat program kalkulator kebutuhan pupuk otomatis.	Mampu menulis, memodifikasi, dan menjalankan struktur kode sequence dan if-else (Python/Blockly).	Kode program error total dan tidak paham logika dasarnya.	Kode program berjalan tetapi logika hitungan pupuk salah.	Kode program berjalan lancar dan hitungan dosis pupuk tepat.	Kode program berjalan lancar, hitungan tepat, ditambah fungsi estimasi biaya.
3	TP 3: Literasi Etika AI Menganalisis privasi data pertanian digital.	Mampu mengidentifikasi batasan etis penggunaan AI serta pentingnya menjaga data koordinat lahan.	Belum memahami risiko penyalahgunaan data pertanian digital.	Memahami risiko teknologi tetapi belum tahu cara melindungi data.	Memahami risiko dan mampu merinci aturan proteksi data digital.	Mampu mengevaluasi studi kasus pelanggaran data pertanian secara kritis.
4	TP 4: Pemanfaatan AI Menerapkan prompt engineering untuk proyek budidaya.	Mampu menyusun perintah AI terstruktur (Role + Context + Task + Constraint) untuk membuat SOP berkebun.	Prompt sangat pendek/asal (contoh: "cara menanam sawit") hasil tidak spesifik.	Prompt memakai konteks tetapi tidak menyertakan batasan (constraint).	Prompt lengkap dan terstruktur, hasil AI menghasilkan SOP yang realistis.	Prompt sangat detail, mampu mengoreksi jawaban AI yang bias/salah.

B. Penjelasan Interval & Tindak Lanjut Pemelajaran

0 - 64% : Belum Remedial Seluruh Bagian. Siswa diberikan bimbingan perorangan (one-on-one) atau pendampingan intensif dari guru untuk memahami konsep paling dasar.
65 - 74% : Remedial Bagian yang Diperlukan. Siswa hanya mengulang tugas atau asesmen pada indikator yang nilainya belum tuntas melalui metode tutor sebaya.
75 - 84% : Sudah Mencapai Ketuntasan. Siswa diperbolehkan melanjutkan ke materi pembelajaran berikutnya.
85 - 100% : Sudah Mencapai Ketuntasan (Pengayaan). Siswa diberikan tantangan baru, seperti menjadi tutor bagi teman sekelas atau menambahkan fitur tingkat lanjut pada proyek koding perkebunan mereka.

MODUL AJAR

KODING DAN KECERDASAN ARTIFISIAL (KKA)

IDENTITAS MODUL

Komponen	Keterangan
Mata Pelajaran	Koding dan Kecerdasan Artifisial (KKA)
Fase	E
Kelas	X
Semester	Ganjil dan Genap
Program Keahlian	Agribisnis Tanaman Perkebunan
Penyusun	Muhamad Nasikhun Amin, S.ST.
Sekolah	SMK Negeri 1 Gedung Aji
Tahun Pelajaran	2026/2027
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Alokasi Waktu	JP (15 Pertemuan × 2 JP)
Mitra Pembelajaran	BBPPMPV Pertanian Cianjur, SMK Mitra, Dunia Usaha dan Dunia Industri Perkebunan

KARAKTERISTIK PESERTA DIDIK

Peserta didik pada Fase E SMK Negeri 1 Gedung Aji merupakan lulusan SMP/MTs/sederajat dengan latar belakang sosial ekonomi yang beragam, namun sebagian besar berasal dari keluarga yang bekerja di sektor perkebunan, khususnya komoditas kakao, kelapa sawit, karet, dan kopi. Kondisi ini menjadi modal awal yang sangat baik untuk mengembangkan pembelajaran yang kontekstual.

Karakteristik peserta didik antara lain:

Berusia antara 15–17 tahun.
Memiliki pengalaman melihat atau membantu aktivitas budidaya tanaman perkebunan.
Memiliki kemampuan dasar penggunaan telepon pintar dan media sosial.
Mulai mengenal penggunaan komputer dan internet untuk belajar.
Memiliki motivasi tinggi untuk mempelajari teknologi yang dapat diterapkan dalam bidang pertanian.
Menyukai pembelajaran yang bersifat praktik, visual, kolaboratif, dan berbasis proyek.
Membutuhkan pendampingan dalam berpikir logis, analitis, dan sistematis.

Dengan karakteristik tersebut, pembelajaran dirancang agar mampu menghubungkan konsep koding dan kecerdasan artifisial dengan permasalahan nyata di lingkungan perkebunan sehingga peserta didik memperoleh pengalaman belajar yang bermakna.

IDENTIFIKASI MATERI PEMBELAJARAN

Materi pembelajaran pada mata pelajaran Koding dan Kecerdasan Artifisial (KKA) difokuskan pada pengembangan kemampuan berpikir komputasional, algoritma dasar, pemrograman sederhana, literasi digital, etika kecerdasan artifisial, serta pemanfaatan AI generatif dalam mendukung penyelesaian masalah di bidang agribisnis tanaman perkebunan.

Pokok materi meliputi:

Berpikir Komputasional (Computational Thinking)
Dekomposisi Masalah
Pengenalan Pola (Pattern Recognition)
Abstraksi
Algoritma
Flowchart
Pseudocode
Dasar Pemrograman Python
Variabel dan Tipe Data
Input dan Output
Percabangan
Perulangan
Fungsi Sederhana
Perhitungan Otomatis Budidaya Tanaman
Literasi Digital
Literasi AI
Etika Penggunaan AI
Privasi dan Keamanan Data
Prompt Engineering
Pemanfaatan ChatGPT, Gemini, dan Microsoft Copilot
AI untuk Analisis Budidaya Tanaman Perkebunan
Penyusunan Proyek Smart Agriculture berbasis AI

CAPAIAN PEMBELAJARAN

Pada akhir Fase E, peserta didik mampu menerapkan berpikir komputasional, algoritma dasar, literasi etika AI, serta memanfaatkan AI generatif secara bertanggung jawab untuk menyelesaikan berbagai permasalahan sederhana di bidang agribisnis tanaman perkebunan.

Peserta didik mampu:

Mengidentifikasi dan menganalisis permasalahan melalui pendekatan berpikir komputasional.
Menyusun algoritma penyelesaian masalah secara logis dan sistematis.
Mengembangkan program sederhana menggunakan bahasa pemrograman Python.
Menggunakan AI generatif sebagai alat bantu dalam penyusunan laporan, analisis data, dan perencanaan budidaya tanaman.
Menunjukkan sikap bertanggung jawab, etis, kreatif, kolaboratif, dan komunikatif dalam pemanfaatan teknologi digital.

DIMENSI PROFIL LULUSAN

Pembelajaran mengembangkan dimensi Profil Lulusan sebagai berikut:

Dimensi	Implementasi
Keimanan dan Ketakwaan kepada Tuhan Yang Maha Esa	Berdoa sebelum dan sesudah pembelajaran, menjaga etika digital, menggunakan AI secara bertanggung jawab, mensyukuri ilmu pengetahuan sebagai anugerah Tuhan.
Kolaborasi	Bekerja sama dalam kelompok proyek, berbagi tugas, menghargai pendapat orang lain, dan menyelesaikan proyek secara gotong royong.
Kreativitas	Mengembangkan ide inovatif dalam pemanfaatan AI untuk meningkatkan produktivitas perkebunan.
Penalaran Kritis	Menganalisis data, mengevaluasi solusi, serta mengambil keputusan berdasarkan bukti dan logika.
Komunikasi	Menyampaikan hasil analisis dan proyek melalui presentasi, laporan tertulis, poster digital, dan media lainnya secara efektif.

TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik diharapkan mampu:

A. Berpikir Komputasional

Menjelaskan konsep berpikir komputasional.
Melakukan dekomposisi terhadap masalah budidaya tanaman perkebunan.
Mengidentifikasi pola dari berbagai permasalahan di lapangan.
Menyusun abstraksi dari data yang diperoleh.
Menyusun algoritma sebagai solusi penyelesaian masalah.

B. Algoritma dan Pemrograman Dasar

Memahami konsep dasar algoritma.
Membuat flowchart dan pseudocode.
Menulis program sederhana menggunakan Python.
Mengotomatisasi perhitungan kebutuhan budidaya tanaman seperti dosis pupuk, populasi tanaman, dan estimasi hasil panen.

C. Literasi Etika AI

Menjelaskan prinsip-prinsip etika dalam penggunaan AI.
Memahami pentingnya perlindungan data pribadi dan data pertanian.
Menggunakan AI secara bertanggung jawab dan menghindari penyalahgunaan teknologi.

D. Pemanfaatan AI Generatif

Menyusun prompt yang efektif untuk memperoleh informasi yang relevan.
Menggunakan ChatGPT, Gemini, dan Microsoft Copilot untuk membantu analisis budidaya tanaman.
Menghasilkan proposal proyek, laporan, dan presentasi berbasis AI.
Mengevaluasi hasil keluaran AI secara kritis sebelum digunakan.

RENCANA PEMBELAJARAN MENDALAM (RPM)

A. Identitas Pembelajaran

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial (KKA)
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Tahun Pelajaran	2026/2027
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Diskusi, Demonstrasi, Praktik, Presentasi, Refleksi
Alokasi Waktu	JP (18 Pertemuan × 4 JP)

B. Rasional Pembelajaran

Transformasi digital telah mengubah cara pengelolaan sektor pertanian dan perkebunan. Teknologi seperti sensor, drone, Internet of Things (IoT), sistem informasi geografis (GIS), hingga kecerdasan artifisial (Artificial Intelligence/AI) mulai banyak dimanfaatkan untuk meningkatkan efisiensi, produktivitas, dan keberlanjutan usaha perkebunan.

Peserta didik SMK Negeri 1 Gedung Aji yang sebagian besar berasal dari keluarga pekebun kakao, kelapa sawit, karet, dan kopi perlu dibekali kemampuan berpikir komputasional, pemrograman dasar, literasi digital, serta pemanfaatan AI agar mampu menghadapi tantangan dunia kerja dan dunia usaha modern.

Melalui pendekatan Project Based Learning, peserta didik tidak hanya mempelajari konsep, tetapi juga menghasilkan solusi nyata terhadap masalah di lingkungan perkebunan dengan memanfaatkan teknologi digital dan AI.

C. Praktik Pedagogis

Pembelajaran menerapkan prinsip-prinsip berikut.

1. Student Centered Learning

Peserta didik menjadi subjek utama pembelajaran melalui eksplorasi, diskusi, eksperimen, dan penyelesaian proyek.

2. Contextual Learning

Materi dikaitkan dengan kondisi nyata di perkebunan kakao, kelapa sawit, karet, dan kopi di Kabupaten Tulang Bawang.

3. Deep Learning

Pembelajaran dirancang untuk mendorong peserta didik memahami konsep secara mendalam, menghubungkan pengetahuan dengan pengalaman, dan menghasilkan solusi yang dapat diterapkan.

4. Project Based Learning

Setiap kelompok mengembangkan proyek "Smart Agriculture berbasis AI" sebagai produk akhir pembelajaran.

D. Mitra Pembelajaran

Pembelajaran melibatkan kolaborasi dengan berbagai pihak, antara lain:

BBPPMPV Pertanian Cianjur (daring)
Guru produktif Agribisnis Tanaman Perkebunan
Dunia Usaha dan Dunia Industri (DU/DI) Perkebunan
Alumni SMK Negeri 1 Gedung Aji
Komunitas Petani Digital
SMK jejaring se-Indonesia

E. Lingkungan Pembelajaran

Pembelajaran dilaksanakan melalui pemanfaatan berbagai lingkungan belajar, yaitu:

Ruang kelas
Laboratorium komputer
Kebun praktik sekolah
Kebun masyarakat
Perpustakaan
Platform pembelajaran daring
Lingkungan rumah peserta didik

F. Sarana dan Prasarana

No	Sarana	Keterangan
1	Laptop/PC	Praktik pemrograman
2	LCD Proyektor	Presentasi
3	Internet	Akses AI generatif
4	Smartphone	Dokumentasi dan praktik AI
5	Kebun Praktik	Observasi lapangan
6	Whiteboard	Diskusi
7	Printer	Laporan proyek

G. Pemanfaatan Teknologi Digital

Teknologi yang digunakan selama pembelajaran meliputi:

ChatGPT
Google Gemini
Microsoft Copilot
Google Drive
Google Docs
Google Sheets
Canva
Visual Studio Code
Python
GitHub (pengenalan)
QR Code Generator

H. Integrasi Mata Pelajaran

Mata Pelajaran	Bentuk Integrasi
Dasar-Dasar Agribisnis	Studi kasus budidaya tanaman
Informatika	Pemrograman dasar
Bahasa Indonesia	Penyusunan laporan proyek
Bahasa Inggris	Membaca dokumentasi teknologi
Matematika	Perhitungan algoritmik
Pendidikan Agama	Etika penggunaan AI
PJOK	Ergonomi penggunaan perangkat digital

I. Projek Utama Semester

SMART AGRICULTURE AI

Judul Proyek

”Pemanfaatan Kecerdasan Artifisial untuk Membantu Pengambilan Keputusan dalam Budidaya Tanaman Perkebunan”

Latar Belakang

Petani sering menghadapi berbagai masalah seperti kesalahan pemupukan, serangan hama dan penyakit, produktivitas rendah, serta pencatatan hasil panen yang belum sistematis. Dengan memanfaatkan AI dan pemrograman sederhana, peserta didik dapat merancang solusi digital yang mendukung pengambilan keputusan secara lebih cepat dan akurat.

Produk Proyek

Setiap kelompok menghasilkan:

Proposal proyek
Identifikasi masalah
Flowchart penyelesaian
Pseudocode
Program Python sederhana
Prompt AI
Analisis menggunakan AI generatif
Dashboard sederhana (opsional)
Poster digital
Video presentasi
Laporan akhir

J. Jadwal Pembelajaran Semester

Pertemuan	Topik	Produk
1	Orientasi dan Berpikir Komputasional	Peta konsep
2	Dekomposisi Masalah	Analisis masalah
3	Pattern Recognition	Tabel pola
4	Abstraksi	Diagram konsep
5	Algoritma	Algoritma tertulis
6	Flowchart	Diagram alir
7	Pseudocode	Pseudocode
8	Python Dasar	Program pertama
9	Variabel dan Input	Program sederhana
10	Percabangan	Program keputusan
11	Perulangan	Program pengulangan
12	Studi Kasus Pertanian	Program perhitungan
13	Literasi AI	Ringkasan etika AI
14	Prompt Engineering	Kumpulan prompt
15	ChatGPT, Gemini, Copilot	Hasil analisis AI
16	Pengembangan Proyek	Produk proyek
17	Penyempurnaan Proyek	Laporan akhir
18	Presentasi dan Refleksi	Presentasi kelompok

K. Sintaks Project Based Learning (PjBL)

Tahap	Aktivitas Guru	Aktivitas Peserta Didik	Alokasi
1. Menentukan Pertanyaan Mendasar	Menyajikan permasalahan nyata di kebun kakao, kelapa sawit, karet, atau kopi.	Mengidentifikasi dan merumuskan masalah yang akan diselesaikan.	1 JP
2. Mendesain Perencanaan Proyek	Membimbing penyusunan tujuan, pembagian tugas, dan kebutuhan proyek.	Menyusun rencana kerja, menentukan peran anggota, dan memilih alat digital yang akan digunakan. (smartpon siswa, laptop guru + MPI)	1 JP
3. Menyusun Jadwal	Memfasilitasi penyusunan timeline proyek.	Menyusun jadwal kegiatan dan target penyelesaian setiap tahap.	0,5 JP
4. Memonitor Kemajuan Proyek	Memberikan bimbingan, umpan balik, dan melakukan observasi proses.	Melaksanakan proyek, mengumpulkan data, membuat algoritma, menulis kode Python, dan memanfaatkan AI generatif.	Berkelanjutan
5. Menguji Hasil	Memfasilitasi uji coba produk, diskusi, dan evaluasi.	Menguji program, memverifikasi hasil AI, memperbaiki kesalahan, dan menyempurnakan produk.	1 JP
6. Mengevaluasi Pengalaman	Memimpin refleksi dan memberikan penguatan.	Menyajikan hasil proyek, melakukan refleksi individu dan kelompok, serta menyusun rencana pengembangan lebih lanjut.	0,5 JP

L. Target Kompetensi Akhir Semester

Pada akhir pembelajaran, peserta didik diharapkan mampu:

Menganalisis masalah perkebunan menggunakan pendekatan berpikir komputasional.
Menyusun algoritma dan flowchart yang logis.
Menulis program Python sederhana untuk kebutuhan agribisnis.
Menggunakan AI generatif secara etis dan bertanggung jawab.
Mengembangkan proyek digital yang relevan dengan budidaya tanaman perkebunan.
Menyajikan hasil proyek secara profesional melalui laporan, presentasi, dan media digital.

MODUL AJAR 1

“Berpikir Komputasional dalam Menyelesaikan Permasalahan Agribisnis Tanaman Perkebunan”

A. INFORMASI UMUM

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Alokasi Waktu	4 JP (1 Pertemuan)
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Diskusi, Observasi, Demonstrasi, Presentasi

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik merupakan lulusan SMP/sederajat yang sebagian besar berasal dari keluarga petani dan pekebun kakao, kelapa sawit, kopi, dan karet. Mereka telah mengenal aktivitas budidaya di lingkungan keluarga, tetapi belum terbiasa menggunakan pendekatan berpikir komputasional untuk memecahkan masalah. Oleh karena itu, pembelajaran dirancang dengan mengaitkan konsep-konsep informatika pada situasi nyata di dunia perkebunan.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu menerapkan berpikir komputasional untuk menyelesaikan berbagai permasalahan sederhana pada bidang agribisnis tanaman perkebunan secara logis, sistematis, kreatif, dan bertanggung jawab.

D. TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik mampu:

Menjelaskan pengertian berpikir komputasional.
Mengidentifikasi masalah pada budidaya tanaman perkebunan.
Melakukan dekomposisi masalah.
Menemukan pola penyebab masalah.
Menyusun abstraksi.
Menyusun algoritma penyelesaian.
Menyampaikan hasil analisis secara lisan maupun tertulis.
Menunjukkan sikap kolaboratif, kreatif, komunikatif, dan bertanggung jawab.

E. DIMENSI PROFIL LULUSAN

Dimensi	Implementasi
Keimanan dan Ketakwaan kepada Tuhan YME	Berdoa sebelum pembelajaran, mensyukuri ilmu pengetahuan, menjaga etika digital.
Kolaborasi	Diskusi kelompok, berbagi tugas, saling menghargai pendapat.
Kreativitas	Menyusun solusi inovatif terhadap masalah perkebunan.
Penalaran Kritis	Menganalisis penyebab masalah secara logis.
Komunikasi	Presentasi hasil analisis kelompok.

F. PEMAHAMAN BERMAKNA

Masalah yang dihadapi petani tidak selalu dapat diselesaikan dengan pengalaman semata. Diperlukan kemampuan berpikir sistematis agar keputusan yang diambil lebih tepat. Berpikir komputasional membantu seseorang menyusun langkah-langkah penyelesaian masalah secara efektif, yang kemudian dapat diterapkan melalui teknologi digital maupun kecerdasan artifisial.

G. PERTANYAAN PEMANTIK

Guru memulai pembelajaran dengan beberapa pertanyaan berikut:

Mengapa produksi kakao setiap petani berbeda?
Mengapa tanaman sawit ada yang tumbuh subur dan ada yang tidak?
Bagaimana komputer dapat membantu petani menentukan dosis pupuk?
Mengapa AI dapat memberikan rekomendasi budidaya tanaman?
Bagaimana cara komputer berpikir ketika menyelesaikan suatu masalah?

H. SARANA DAN PRASARANA

Laptop/Komputer
LCD Proyektor
Smartphone
Internet
Whiteboard
Modul Ajar
LKPD
Video Pembelajaran
ChatGPT
Google Gemini
Microsoft Copilot

I. MEDIA PEMBELAJARAN

Presentasi PowerPoint	Video Smart Farming
Infografis Berpikir Komputasional	Diagram AI
Flowchart	Python
Canva	Gemini

J. MATERI PEMBELAJARAN

Apa itu Berpikir Komputasional?

Berpikir komputasional (Computational Thinking) merupakan cara berpikir logis dan sistematis dalam menyelesaikan masalah melalui tahapan yang dapat dipahami oleh manusia maupun komputer.

Kemampuan ini tidak hanya digunakan oleh programmer, tetapi juga oleh petani, teknisi, peneliti, dan wirausahawan dalam mengambil keputusan berdasarkan data.

Empat komponen utama berpikir komputasional adalah:

Dekomposisi (Decomposition) – Memecah masalah besar menjadi bagian-bagian kecil agar lebih mudah dianalisis.
Pengenalan Pola (Pattern Recognition) – Menemukan kesamaan atau kecenderungan dari berbagai data atau kejadian.
Abstraksi (Abstraction) – Memilih informasi yang penting dan mengabaikan informasi yang tidak relevan.
Algoritma (Algorithm) – Menyusun langkah-langkah penyelesaian secara sistematis dan logis.

Contoh Kasus di Kebun Kakao

Pak Budi memiliki kebun kakao seluas 2 hektar. Enam bulan terakhir, produksi kakao menurun hingga 35%. Sebagian tanaman memiliki daun menguning, buah sedikit, dan banyak gulma tumbuh di sekitar tanaman.

Melalui berpikir komputasional, masalah tersebut dapat diuraikan sebagai berikut:

1. Dekomposisi

Masalah dipecah menjadi beberapa bagian:

Kondisi tanah
Pemupukan
Serangan hama dan penyakit
Gulma
Curah hujan
Umur tanaman

2. Pengenalan Pola

Dari hasil pengamatan ditemukan bahwa:

Tanaman yang tidak dipupuk secara rutin memiliki pertumbuhan lebih lambat.
Gulma tumbuh lebih lebat pada area yang produksinya rendah.
Tanaman dengan sanitasi yang baik menghasilkan buah lebih banyak.

3. Abstraksi

Faktor yang paling berpengaruh terhadap penurunan produksi adalah:

Pemupukan tidak sesuai dosis.
Pengendalian gulma kurang optimal.

4. Algoritma

Langkah penyelesaian:

Identifikasi tanaman yang bermasalah.
Ukur luas area yang terserang gulma.
Hitung kebutuhan pupuk sesuai rekomendasi.
Lakukan penyiangan gulma.
Lakukan pemupukan susulan.
Evaluasi pertumbuhan setelah empat minggu.

K. SINTAK PROJECT BASED LEARNING (4 JP)

Tahap PjBL	Aktivitas Guru	Aktivitas Peserta Didik	Waktu
Menentukan Pertanyaan Mendasar	Menampilkan video kondisi kebun kakao yang mengalami penurunan produksi.	Mengamati video dan mengidentifikasi masalah yang muncul.	30 menit
Mendesain Perencanaan Proyek	Membimbing pembentukan kelompok dan penyusunan rencana analisis.	Menentukan pembagian tugas dan menyusun rencana kerja kelompok.	30 menit
Menyusun Jadwal	Menjelaskan tahapan proyek dan target penyelesaian.	Menyusun jadwal kegiatan kelompok.	20 menit
Memonitor Proyek	Membimbing proses diskusi dan analisis menggunakan konsep berpikir komputasional.	Mengumpulkan informasi, melakukan dekomposisi, mengenali pola, dan menyusun algoritma.	90 menit
Menguji Hasil	Memberikan umpan balik terhadap hasil analisis kelompok.	Menyajikan hasil analisis dan menerima masukan.	40 menit
Refleksi	Memfasilitasi refleksi pembelajaran.	Menuliskan pengalaman belajar dan rencana perbaikan.	30 menit

L. ASESMEN

1. Asesmen Diagnostik

Pernahkah kalian menggunakan aplikasi AI?
Apa yang dimaksud dengan algoritma?
Bagaimana biasanya keluarga kalian menyelesaikan masalah di kebun?

2. Asesmen Formatif

Observasi diskusi kelompok.
Keaktifan bertanya.
Hasil analisis kasus.
Presentasi kelompok.

3. Asesmen Sumatif

Produk yang dinilai:

Laporan analisis masalah.
Diagram berpikir komputasional.
Presentasi hasil proyek.

M. RUBRIK PENILAIAN

Aspek	Skor 4	Skor 3	Skor 2	Skor 1
Penalaran Kritis	Analisis sangat lengkap dan logis	Analisis cukup lengkap	Analisis kurang mendalam	Analisis tidak sesuai
Kreativitas	Solusi inovatif dan realistis	Solusi cukup inovatif	Solusi kurang tepat	Tidak ada solusi
Kolaborasi	Semua anggota aktif	Sebagian besar aktif	Hanya beberapa anggota aktif	Tidak bekerja sama
Komunikasi	Presentasi jelas, sistematis, dan percaya diri	Presentasi cukup baik	Presentasi kurang runtut	Tidak mampu menjelaskan
Sikap	Disiplin, jujur, bertanggung jawab	Baik	Cukup	Perlu bimbingan

N. REFLEKSI

Refleksi Guru

Apakah peserta didik memahami konsep berpikir komputasional?
Bagian mana yang masih memerlukan penguatan?
Bagaimana efektivitas model PjBL dalam pembelajaran?

Refleksi Peserta Didik

Hal baru apa yang saya pelajari hari ini?
Bagaimana konsep berpikir komputasional dapat membantu pekerjaan di kebun?
Kesulitan apa yang saya alami?
Apa yang akan saya lakukan untuk meningkatkan pemahaman saya?

MODUL AJAR 2

“DEKOMPOSISI MASALAH DALAM AGRIBISNIS TANAMAN PERKEBUNAN”

Mata Pelajaran: Koding dan Kecerdasan Artifisial (KKA)

Fase E (Kelas X)

Program Keahlian: Agribisnis Tanaman Perkebunan

SMK Negeri 1 Gedung Aji

Tahun Pelajaran 2026/2027

Disusun Oleh
Muhamad Nasikhun Amin, S.ST.

A. INFORMASI UMUM

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Materi	Dekomposisi Masalah
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Diskusi, Studi Kasus, Observasi, Presentasi
Alokasi Waktu	4 JP (1 Pertemuan)

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik berasal dari lingkungan masyarakat agraris yang sebagian besar keluarganya mengelola kebun kakao, kelapa sawit, karet, dan kopi. Mereka telah mengenal berbagai permasalahan di kebun, seperti gulma, serangan hama, pemupukan, dan hasil panen. Pembelajaran memanfaatkan pengalaman tersebut sebagai konteks untuk mengembangkan kemampuan berpikir komputasional, khususnya dekomposisi masalah, sehingga peserta didik mampu mengidentifikasi bagian-bagian penyusun suatu persoalan sebelum menentukan solusi.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu menerapkan salah satu komponen berpikir komputasional, yaitu dekomposisi, untuk memecah masalah kompleks di bidang agribisnis tanaman perkebunan menjadi beberapa bagian yang lebih sederhana sehingga mudah dianalisis dan diselesaikan.

D. TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik mampu:

Menjelaskan pengertian dekomposisi masalah.
Mengidentifikasi masalah utama pada budidaya tanaman perkebunan.
Menguraikan masalah kompleks menjadi submasalah yang lebih sederhana.
Menyusun hubungan antar submasalah dalam bentuk diagram.
Menentukan prioritas penyelesaian masalah berdasarkan hasil dekomposisi.
Menyampaikan hasil analisis secara sistematis.
Menunjukkan sikap kolaboratif, komunikatif, kreatif, dan bertanggung jawab selama bekerja dalam kelompok.

E. DIMENSI PROFIL LULUSAN

Dimensi Profil Lulusan	Implementasi dalam Pembelajaran
Keimanan dan Ketakwaan kepada Tuhan YME	Berdoa sebelum dan sesudah pembelajaran, bersyukur atas ilmu pengetahuan, menjaga kejujuran dalam mengolah data.
Kolaborasi	Bekerja sama dalam kelompok untuk mengidentifikasi dan menguraikan masalah.
Kreativitas	Menyusun diagram dekomposisi yang jelas dan inovatif.
Penalaran Kritis	Menganalisis penyebab utama dan hubungan antar submasalah.
Komunikasi	Menyajikan hasil analisis melalui presentasi dan diskusi.

F. PEMAHAMAN BERMAKNA

Dalam kehidupan sehari-hari, permasalahan di perkebunan jarang berdiri sendiri. Penurunan produksi, misalnya, dapat dipengaruhi oleh banyak faktor yang saling berkaitan. Dengan melakukan dekomposisi, peserta didik belajar bahwa masalah besar dapat dipecah menjadi bagian-bagian kecil sehingga lebih mudah dipahami, dianalisis, dan diselesaikan. Kemampuan ini merupakan dasar penting sebelum menggunakan algoritma, pemrograman, maupun kecerdasan artifisial.

G. PERTANYAAN PEMANTIK

Guru memulai pembelajaran dengan pertanyaan berikut:

Mengapa hasil panen kakao di setiap kebun berbeda?
Apakah penurunan produksi hanya disebabkan oleh pupuk?
Jika tanaman karet tumbuh tidak seragam, faktor apa saja yang perlu diperiksa?
Bagaimana komputer dapat membantu memecahkan masalah yang kompleks?
Mengapa masalah perlu dipecah menjadi bagian-bagian kecil sebelum diselesaikan?

H. SARANA DAN PRASARANA

Laptop/Komputer
LCD Proyektor
Smartphone
Koneksi Internet
Whiteboard
LKPD
Modul Ajar
Kertas plano/A3
Sticky Notes
Spidol warna
Aplikasi ChatGPT, Gemini, atau Copilot (untuk eksplorasi ide)

I. MEDIA PEMBELAJARAN

Presentasi PowerPoint
Video pendek tentang pengelolaan kebun
Foto kondisi kebun kakao, kelapa sawit, karet, dan kopi
Diagram dekomposisi
Papan tulis digital (jika tersedia)
Canva atau aplikasi mind mapping

J. MATERI PEMBELAJARAN

1. Pengertian Dekomposisi

Dekomposisi (decomposition) adalah proses memecah suatu masalah yang besar dan kompleks menjadi beberapa bagian yang lebih kecil sehingga setiap bagian dapat dipahami dan diselesaikan dengan lebih mudah.

Dalam ilmu komputer, dekomposisi merupakan salah satu pilar utama berpikir komputasional. Pada bidang agribisnis tanaman perkebunan, teknik ini sangat berguna untuk menganalisis masalah budidaya yang melibatkan banyak faktor.

2. Mengapa Dekomposisi Penting?

Tanpa dekomposisi, seseorang cenderung melihat masalah secara umum sehingga solusi yang diambil kurang tepat. Dengan dekomposisi, kita dapat:

Menentukan penyebab utama masalah.
Mengidentifikasi hubungan antar faktor.
Menentukan prioritas tindakan.
Menyusun solusi secara bertahap.
Menyiapkan data yang dibutuhkan untuk algoritma dan AI.

3. Langkah-Langkah Dekomposisi

Identifikasi masalah utama.
Tuliskan semua kemungkinan penyebab.
Kelompokkan penyebab berdasarkan kategori.
Tentukan hubungan antar penyebab.
Pilih masalah yang paling prioritas untuk diselesaikan.

4. Contoh Studi Kasus

Kasus: Produksi Kakao Menurun

Pak Ahmad memiliki kebun kakao seluas 3 hektar. Dalam dua musim terakhir, produksi menurun hingga 30%. Daun sebagian tanaman menguning, buah banyak yang busuk, dan pertumbuhan tanaman tidak seragam.

Masalah Utama

Produksi kakao menurun.

Dekomposisi Masalah

Produksi Kakao Menurun

5. Contoh pada Kelapa Sawit

Masalah: Produksi TBS rendah.

Submasalah:

Pemupukan
Umur tanaman
Kerapatan populasi
Hama Oryctes
Gulma
Drainase
Panen tidak tepat waktu

6. Contoh pada Karet

Masalah: Produksi lateks rendah.

Submasalah:

Teknik penyadapan
Frekuensi sadap
Kesehatan tanaman
Cuaca
Pemupukan
Klon tanaman

7. Contoh pada Kopi

Masalah: Kualitas biji kopi rendah.

Submasalah:

Panen buah belum merah sempurna
Fermentasi tidak sesuai
Pengeringan kurang optimal
Penyimpanan tidak tepat

K. AKTIVITAS PEMBELAJARAN (SINTAK PjBL)

Tahap PjBL	Aktivitas Guru	Aktivitas Peserta Didik	Waktu
1. Pertanyaan Mendasar	Menampilkan foto kebun kakao dengan berbagai masalah dan mengajukan pertanyaan pemantik.	Mengamati, mengidentifikasi masalah utama, dan menyampaikan pendapat awal.	30 menit
2. Mendesain Perencanaan Proyek	Membagi peserta didik ke dalam kelompok dan membagikan studi kasus.	Menentukan fokus masalah, pembagian tugas, serta memilih media untuk membuat diagram dekomposisi.	30 menit
3. Menyusun Jadwal	Membimbing penyusunan jadwal kerja kelompok.	Menetapkan target penyelesaian setiap tahap analisis.	20 menit
4. Memonitor Kemajuan Proyek	Memfasilitasi diskusi, memberikan umpan balik, dan mengarahkan penggunaan AI untuk mengeksplorasi kemungkinan penyebab.	Melakukan dekomposisi masalah, menyusun diagram, berdiskusi, dan mendokumentasikan hasil.	90 menit
5. Menguji Hasil	Meminta setiap kelompok mempresentasikan diagram dekomposisi.	Menjelaskan hasil analisis, menerima masukan, dan memperbaiki diagram.	40 menit
6. Evaluasi Pengalaman	Mengajak peserta didik melakukan refleksi terhadap proses dan hasil pembelajaran.	Menuliskan refleksi individu dan kelompok.	30 menit

L. INTEGRASI AI GENERATIF

Peserta didik diperkenalkan pada penggunaan AI sebagai alat bantu berpikir, bukan sebagai pengganti proses analisis.

Contoh Prompt ChatGPT

"Saya adalah siswa SMK Agribisnis Tanaman Perkebunan. Produksi kakao di kebun sekolah menurun. Bantu saya mengidentifikasi kemungkinan penyebabnya dan kelompokkan menjadi faktor pemupukan, hama, penyakit, lingkungan, serta manajemen kebun."

Contoh Prompt Gemini

"Buatkan diagram sederhana yang menjelaskan dekomposisi masalah pada budidaya kelapa sawit dengan produksi tandan buah segar rendah."

Contoh Prompt Copilot

"Susun tabel penyebab dan solusi awal untuk masalah kualitas biji kopi yang rendah."

Catatan Guru: Tekankan bahwa hasil AI harus diverifikasi dengan referensi budidaya yang benar dan pengalaman lapangan.

M. ASESMEN

1. Diagnostik

Apa yang dimaksud dengan dekomposisi?
Pernahkah kalian memecah masalah menjadi beberapa bagian saat membantu orang tua di kebun?

2. Formatif

Keaktifan diskusi.
Kemampuan mengidentifikasi submasalah.
Kualitas diagram dekomposisi.

3. Sumatif

Produk yang dinilai:

Diagram dekomposisi.
Laporan analisis kelompok.
Presentasi hasil.

N. RUBRIK PENILAIAN

Aspek	Indikator	Skor 1	Skor 2	Skor 3	Skor 4
Penalaran Kritis	Mengidentifikasi masalah dan submasalah	Sangat kurang	Cukup	Baik	Sangat baik
Kreativitas	Menyusun diagram dekomposisi	Tidak runtut	Kurang jelas	Jelas	Sangat jelas dan inovatif
Kolaborasi	Pembagian tugas dan kerja sama	Kurang	Cukup	Baik	Sangat baik
Komunikasi	Presentasi hasil	Kurang jelas	Cukup	Baik	Sangat baik
Sikap	Disiplin dan tanggung jawab	Perlu bimbingan	Cukup	Baik	Sangat baik

O. PENGAYAAN

Peserta didik diminta mencari satu kasus nyata di lingkungan sekitar (kebun kakao, kelapa sawit, karet, atau kopi), kemudian menyusun diagram dekomposisi masalah dan mendiskusikan kemungkinan solusi awal bersama kelompok.

P. REMEDIAL

Peserta didik yang belum mencapai tujuan pembelajaran diberikan bimbingan melalui contoh kasus yang lebih sederhana, misalnya masalah pemupukan pada satu tanaman kakao, kemudian berlatih kembali menyusun dekomposisi hingga mampu mengidentifikasi submasalah dengan benar.

Q. REFLEKSI

Refleksi Guru

Apakah peserta didik mampu membedakan masalah utama dan submasalah?
Bagaimana efektivitas studi kasus perkebunan dalam membantu pemahaman konsep dekomposisi?
Apa tindak lanjut yang diperlukan untuk pertemuan berikutnya?

Refleksi Peserta Didik

Apa manfaat dekomposisi dalam menyelesaikan masalah di kebun?
Bagian mana yang paling mudah dan paling sulit saat melakukan dekomposisi?
Bagaimana AI membantu proses analisis, dan apa yang perlu diperiksa kembali dari hasil AI?

MODUL AJAR 3

“PENGENALAN POLA (PATTERN RECOGNITION) DALAM AGRIBISNIS TANAMAN PERKEBUNAN”

Mata Pelajaran : Koding dan Kecerdasan Artifisial (KKA)

Fase E (Kelas X)

Program Keahlian : Agribisnis Tanaman Perkebunan

SMK Negeri 1 Gedung Aji

Tahun Pelajaran 2026/2027

Disusun Oleh

Muhamad Nasikhun Amin, S.ST.

A. INFORMASI UMUM

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial (KKA)
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Materi	Pattern Recognition (Pengenalan Pola)
Alokasi Waktu	4 JP
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Observasi, Diskusi, Analisis Data, Presentasi

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik telah memahami konsep berpikir komputasional dan mampu melakukan dekomposisi masalah pada materi sebelumnya. Pada modul ini peserta didik mulai belajar mencari keteraturan (pattern) dari data hasil pengamatan di kebun.

Sebagian besar peserta didik telah terbiasa melihat aktivitas budidaya kakao, kelapa sawit, karet, dan kopi, sehingga contoh-contoh pembelajaran diambil dari kondisi nyata yang mereka temui setiap hari.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu mengenali pola dari data budidaya tanaman perkebunan untuk mendukung pengambilan keputusan secara logis, sistematis, dan berbasis data.

D. TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik mampu:

Menjelaskan konsep Pattern Recognition.
Mengidentifikasi pola dari data hasil pengamatan kebun.
Mengelompokkan data berdasarkan karakteristik tertentu.
Menentukan hubungan antar data.
Menarik kesimpulan berdasarkan pola yang ditemukan.
Menggunakan AI Generatif untuk membantu mengidentifikasi pola.
Menyajikan hasil analisis dalam bentuk tabel, grafik sederhana, dan presentasi.

E. DIMENSI PROFIL LULUSAN

Dimensi	Implementasi
Keimanan dan Ketakwaan kepada Tuhan YME	Bersyukur atas ilmu pengetahuan dan menjaga kejujuran dalam mengolah data.
Kolaborasi	Analisis data dilakukan secara berkelompok.
Kreativitas	Menyusun berbagai kemungkinan pola dari data yang tersedia.
Penalaran Kritis	Menarik kesimpulan berdasarkan bukti, bukan dugaan.
Komunikasi	Menjelaskan hasil analisis menggunakan bahasa yang baik dan data yang akurat.

F. PEMAHAMAN BERMAKNA

Seorang petani yang berhasil biasanya tidak mengambil keputusan berdasarkan perkiraan semata, tetapi berdasarkan pola yang muncul dari pengalaman dan data.

Begitu pula komputer dan kecerdasan artifisial (AI). AI tidak "menebak", melainkan mempelajari pola dari sejumlah data untuk menghasilkan rekomendasi.

Dengan memahami Pattern Recognition, peserta didik akan mampu berpikir seperti seorang analis data pertanian yang mengambil keputusan berdasarkan fakta.

G. PERTANYAAN PEMANTIK

Guru mengajukan pertanyaan berikut.

Mengapa tanaman yang dipupuk secara teratur menghasilkan buah lebih banyak?
Mengapa serangan hama lebih banyak terjadi pada musim hujan?
Mengapa tanaman di lahan yang teduh memiliki pertumbuhan berbeda?
Bagaimana AI dapat mengenali penyakit tanaman hanya dari foto daun?
Apa yang dimaksud dengan pola?

H. SARANA DAN PRASARANA

Laptop
Smartphone
LCD
Internet
Microsoft Excel / Google Sheets
Modul
LKPD
Foto tanaman
Data hasil panen
AI Generatif (ChatGPT, Gemini, Copilot)

I. MEDIA PEMBELAJARAN

PowerPoint
Infografis
Data Produksi Kakao
Data Curah Hujan
Foto Penyakit Tanaman
Grafik Produksi
Video Smart Farming

J. MATERI PEMBELAJARAN

Apa itu Pattern Recognition?

Pattern Recognition merupakan kemampuan mengenali kesamaan, hubungan, maupun kecenderungan dari sekumpulan data sehingga dapat digunakan untuk memahami suatu kondisi dan memprediksi kejadian berikutnya.

Pada berpikir komputasional, Pattern Recognition dilakukan setelah masalah berhasil diuraikan (dekomposisi).

Mengapa Pattern Recognition Penting?

Pattern Recognition membantu kita untuk:

✔ Menentukan penyebab utama suatu masalah.

✔ Menghemat waktu analisis.

✔ Membuat prediksi.

✔ Menentukan solusi terbaik.

✔ Menjadi dasar kerja Artificial Intelligence.

Contoh Sederhana

Misalnya guru mencatat hasil panen kakao.

Minggu	Curah Hujan	Produksi
1	Tinggi	580 kg
2	Tinggi	560 kg
3	Sedang	690 kg
4	Rendah	730 kg

Apa pola yang muncul?

Peserta didik akan menemukan bahwa:

Semakin tinggi curah hujan,

maka produksi cenderung menurun.

Studi Kasus 1

Kebun Kakao

Data Produksi

Blok	Gulma	Produksi
A	Sedikit	730 kg
B	Banyak	520 kg
C	Sedikit	710 kg
D	Banyak	510 kg

Pola

Gulma banyak

↓

Produksi rendah

Studi Kasus 2

Kelapa Sawit

Blok	Pemupukan	Produksi
A	Tepat	Tinggi
B	Terlambat	Rendah
C	Tepat	Tinggi
D	Terlambat	Rendah

Pola

Pemupukan tepat

↓

Produksi meningkat

Studi Kasus 3

Tanaman Karet

Umur	Produksi Lateks
6 tahun	18 kg
7 tahun	21 kg
8 tahun	24 kg
9 tahun	25 kg

Pola

Semakin optimal umur tanaman produktif,

produksi meningkat hingga titik tertentu.

Studi Kasus 4

Kopi

Ketinggian	Mutu Kopi
200 mdpl	Sedang
400 mdpl	Baik
700 mdpl	Sangat Baik

Pola

Semakin sesuai ketinggian tempat untuk varietas tertentu,

mutu kopi meningkat.

Pattern Recognition pada AI

Misalnya AI diberi ribuan gambar daun kakao.

AI akan belajar bahwa

Daun menguning

↓

Kemungkinan kekurangan Nitrogen Atau Daun berlubang

↓

Kemungkinan serangan ulat Semakin banyak data, semakin baik AI mengenali pola.

Contoh Kehidupan Sehari-hari

Petani berkata

"Kalau hujan terus biasanya PBK mulai banyak."

Kalimat tersebut sebenarnya adalah hasil Pattern Recognition berdasarkan pengalaman.

K. KEGIATAN PEMBELAJARAN

Sintaks Project Based Learning (4 JP)

Tahap 1

Menentukan Pertanyaan Mendasar

Guru membawa data hasil produksi kebun sekolah.

Guru bertanya

"Mengapa hasil panen setiap blok berbeda?"

Peserta didik mengidentifikasi kemungkinan pola.

Tahap 2

Mendesain Proyek

Setiap kelompok memperoleh data berbeda.

Kelompok 1

Produksi Kakao

Kelompok 2

Produksi Sawit

Kelompok 3

Produksi Karet

Kelompok 4

Produksi Kopi

Setiap kelompok mencari pola.

Tahap 3

Menyusun Jadwal

30 menit

Analisis data

30 menit

Diskusi

30 menit

Presentasi

Tahap 4

Monitoring

Guru membimbing peserta didik.

Jika mengalami kesulitan,

guru memperlihatkan bagaimana AI menemukan pola.

Tahap 5

Menguji Hasil

Kelompok mempresentasikan.

Pola apa yang ditemukan?

Apakah pola tersebut benar?

Bagaimana buktinya?

Tahap 6

Refleksi

Peserta didik menuliskan

Apa pola yang paling menarik?

Bagaimana AI bekerja mengenali pola?

L. PRAKTIK AI

Menggunakan ChatGPT

Prompt

Saya memiliki data produksi kakao berikut.

Blok A 750 kg

Blok B 510 kg

Blok C 740 kg

Blok D 500 kg

Faktor yang berbeda adalah gulma.

Tolong analisis pola yang muncul dan jelaskan kemungkinan penyebabnya. Menggunakan Gemini

Prompt

Analisis hubungan antara curah hujan dan produksi kopi berdasarkan data berikut....

Menggunakan Copilot

Prompt

Buatkan tabel pola hubungan pemupukan dengan produksi tanaman karet.

M. ASESMEN

Diagnostik

Apa yang dimaksud pola?
Pernahkah melihat pola di kebun?

Formatif

Guru mengamati

✔ Diskusi

✔ Analisis

✔ Kolaborasi

✔ Presentasi

Sumatif

Produk

Diagram Pola

Presentasi

Laporan

N. RUBRIK PENILAIAN

Aspek	1	2	3	4
Menemukan Pola	Sangat kurang	Cukup	Baik	Sangat Baik
Penalaran	Kurang	Cukup	Baik	Sangat Baik
Komunikasi	Kurang	Cukup	Baik	Sangat Baik
Kolaborasi	Kurang	Cukup	Baik	Sangat Baik
Kreativitas	Kurang	Cukup	Baik	Sangat Baik

O. PENGAYAAN

Peserta didik mencari data sederhana dari kebun milik keluarga (misalnya produksi, pemupukan, curah hujan, atau serangan hama selama beberapa minggu), kemudian menyusun tabel dan mengidentifikasi pola yang muncul. Hasil analisis dibandingkan dengan rekomendasi yang diberikan AI generatif, lalu didiskusikan apakah hasil AI sesuai dengan kondisi lapangan.

P. REMEDIAL

Peserta didik yang belum mencapai tujuan pembelajaran diberikan data yang lebih sederhana (5–10 baris data) dan dibimbing untuk:

Mengelompokkan data berdasarkan kesamaan.
Menandai hubungan yang terlihat.
Menuliskan pola dalam kalimat sederhana.
Menjelaskan alasan mengapa pola tersebut muncul.

Q. REFLEKSI

Refleksi Guru

Apakah peserta didik mampu membedakan data dengan pola?
Apakah peserta didik menggunakan bukti saat menarik kesimpulan?
Sejauh mana AI membantu peserta didik memahami hubungan antar data?
Apakah studi kasus dari komoditas kakao, kelapa sawit, karet, dan kopi membuat pembelajaran lebih kontekstual?

Refleksi Peserta Didik

Pola apa yang berhasil saya temukan dari data yang dianalisis?
Bagaimana pola tersebut dapat membantu petani mengambil keputusan?
Apa perbedaan antara menebak dan menyimpulkan berdasarkan pola?
Bagaimana saya memastikan hasil analisis AI dapat dipercaya?
Apa manfaat kemampuan mengenali pola untuk pekerjaan di bidang agribisnis tanaman perkebunan?

Koneksi dengan Proyek Semester (Smart Agriculture AI)

Pada akhir Modul 3, setiap kelompok mulai membangun basis data proyek yang akan digunakan sepanjang semester. Peserta didik mengumpulkan data nyata dari kebun sekolah atau kebun keluarga, seperti:

Data pertumbuhan tanaman.
Data pemupukan.
Data curah hujan.
Data produksi.
Data serangan hama dan penyakit.

Data tersebut akan menjadi dasar untuk Modul Ajar 4: Abstraksi (Abstraction), di mana peserta didik akan belajar memilih informasi yang paling penting, menghilangkan data yang tidak relevan, dan menyusun model sederhana sebagai dasar pembuatan algoritma serta pemanfaatan AI dalam pengambilan keputusan di bidang agribisnis tanaman perkebunan.

MODUL AJAR 4

“ABSTRAKSI (ABSTRACTION) DALAM AGRIBISNIS TANAMAN PERKEBUNAN”

Mata Pelajaran : Koding dan Kecerdasan Artifisial (KKA)

Fase E (Kelas X)

Program Keahlian : Agribisnis Tanaman Perkebunan

SMK Negeri 1 Gedung Aji

Tahun Pelajaran 2026/2027

Disusun Oleh

Muhamad Nasikhun Amin, S.ST.

A. INFORMASI UMUM

*Komponen*	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial (KKA)
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Materi	Abstraksi (Abstraction)
Alokasi Waktu	4 JP (180 Menit)
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Observasi, Diskusi, Studi Kasus, Praktik, Presentasi

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik telah memahami konsep dekomposisi dan pattern recognition. Mereka telah mampu mengidentifikasi masalah serta menemukan pola dari data perkebunan.

Pada pembelajaran ini peserta didik belajar menyederhanakan masalah dengan memilih informasi yang benar-benar penting sehingga siap digunakan untuk membuat algoritma maupun dimanfaatkan oleh Artificial Intelligence.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu menerapkan konsep abstraksi untuk menyederhanakan berbagai permasalahan pada bidang agribisnis tanaman perkebunan dengan memilih informasi yang relevan sebagai dasar penyusunan algoritma dan pemanfaatan AI secara bertanggung jawab.

D. TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik mampu:

Menjelaskan pengertian abstraksi.
Menentukan informasi yang penting dan tidak penting.
Menyederhanakan data hasil pengamatan.
Menyusun model sederhana dari suatu permasalahan.
Menjelaskan hubungan abstraksi dengan AI.
Menyusun data yang siap digunakan untuk membuat algoritma.
Menyajikan hasil abstraksi dalam bentuk tabel dan diagram.

E. DIMENSI PROFIL LULUSAN

Dimensi	Implementasi
Keimanan dan Ketakwaan kepada Tuhan YME	Bersikap jujur dalam memilih dan menyajikan data.
Kolaborasi	Menyusun model sederhana secara berkelompok.
Kreativitas	Membuat model data yang efektif dan mudah dipahami.
Penalaran Kritis	Memilih informasi yang benar-benar relevan.
Komunikasi	Menjelaskan alasan pemilihan data kepada kelompok lain.

F. PEMAHAMAN BERMAKNA

Dalam kehidupan sehari-hari kita sering memperoleh informasi yang sangat banyak.

Tidak semua informasi tersebut diperlukan untuk mengambil keputusan.

Seorang petani yang baik akan fokus pada faktor-faktor yang benar-benar mempengaruhi hasil panen.

Begitu juga komputer dan Artificial Intelligence. AI bekerja lebih baik apabila memperoleh data yang benar-benar penting. Kemampuan memilih informasi inilah yang disebut Abstraksi.

G. PERTANYAAN PEMANTIK

Guru mengajukan beberapa pertanyaan berikut.

"Apakah semua data harus digunakan ketika akan menentukan dosis pupuk?"

"Jika ingin mengetahui penyebab produksi kakao menurun, apakah warna baju petani perlu dicatat?"

"Mengapa AI tidak menggunakan seluruh informasi yang ada?"

"Bagaimana cara memilih data yang benar-benar penting?"

H. SARANA DAN PRASARANA

Laptop
Smartphone
LCD
Internet
Whiteboard
Modul
LKPD
Data Produksi Kakao
Data Sawit
Data Karet
Data Kopi

I. MEDIA PEMBELAJARAN

Canva
Microsoft Excel
Google Sheets
ChatGPT
Gemini
Copilot
PowerPoint
Infografis AI
Video Smart Farming

J. MATERI PEMBELAJARAN

Apa itu Abstraksi?

Abstraksi (Abstraction) adalah proses memilih informasi yang paling penting dan mengabaikan informasi yang tidak berpengaruh terhadap penyelesaian suatu masalah.

Dalam berpikir komputasional, abstraksi dilakukan setelah menemukan pola.

Tujuannya agar penyelesaian masalah menjadi lebih sederhana dan efisien.

Posisi Abstraksi dalam Computational Thinking

Masalah

↓

Dekomposisi

↓

Pattern Recognition

↓

ABSTRAKSI

↓

Algoritma

↓

Program

↓

Artificial Intelligence

Mengapa Abstraksi Penting?

Tanpa abstraksi:

❌ Data terlalu banyak

❌ Analisis menjadi lama

❌ Komputer bekerja lebih berat

❌ AI menjadi kurang akurat

Dengan abstraksi:

✔ Analisis lebih cepat

✔ Algoritma lebih sederhana

✔ AI lebih mudah belajar

✔ Solusi lebih tepat

Contoh Kehidupan Sehari-hari

Guru ingin menentukan siswa teladan.

Data yang dimiliki:

Tinggi badan
Berat badan
Nilai
Kehadiran
Sikap
Warna sepatu
Nomor rumah

Apakah semuanya diperlukan?

Tentu tidak.

Yang penting:

✔ Nilai

✔ Kehadiran

✔ Sikap

Sedangkan:

❌ Warna sepatu

❌ Nomor rumah

Tidak mempengaruhi keputusan.

Inilah yang disebut abstraksi.

Contoh pada Kebun Kakao

Pak Hasan mengalami penurunan produksi.

Data yang tersedia:

Data	Penting?
Umur tanaman	✔
Jenis pupuk	✔
Curah hujan	✔
Hama	✔
Penyakit	✔
Warna pagar	✘
Merk sepeda petani	✘
Nomor telepon pemilik	✘

Abstraksi menghasilkan data penting:

Umur tanaman
Dosis pupuk
Curah hujan
Serangan PBK
Drainase

Studi Kasus 1

Kakao

Masalah:

Produksi turun.

Data tersedia

Umur tanaman
Curah hujan
Jenis pupuk
Warna ember
Jumlah gulma
Hama PBK
Warna topi pekerja

Data penting:

✔ Umur tanaman

✔ Curah hujan

✔ Jenis pupuk

✔ Gulma

✔ PBK

Studi Kasus 2

Kelapa Sawit

Masalah

Produksi TBS rendah.

Data tersedia

Tinggi tanaman
Pemupukan
Gulma
Drainase
Warna sepatu mandor

Abstraksi

Gunakan

✔ Tinggi tanaman

✔ Pemupukan

✔ Gulma

✔ Drainase

Buang

✘ Warna sepatu

Studi Kasus 3

Karet

Masalah

Lateks sedikit.

Data tersedia

Umur tanaman
Teknik sadap
Frekuensi sadap
Warna pisau

Abstraksi

Gunakan

✔ Teknik sadap

✔ Frekuensi sadap

✔ Umur tanaman

Studi Kasus 4

Kopi

Masalah

Mutu rendah.

Data

Ketinggian tempat
Kematangan buah
Lama fermentasi
Warna karung

Abstraksi

✔ Ketinggian

✔ Fermentasi

✔ Kematangan buah

Hubungan Abstraksi dengan AI

Misalnya AI diminta memprediksi produksi kakao.

Data awal

20 variabel.

Setelah abstraksi

Tersisa

Curah hujan
Umur tanaman
Pemupukan
Gulma
PBK
pH tanah

AI akan belajar lebih cepat karena memperoleh data yang relevan.

Contoh Penggunaan ChatGPT

Prompt

Saya memiliki data kebun kakao berikut:

Umur tanaman
Curah hujan
Warna pagar
Dosis pupuk
Serangan PBK
Nomor telepon petani

Tolong tentukan data mana yang penting untuk memprediksi produksi kakao serta jelaskan alasannya.

Contoh Penggunaan Gemini

Prompt

Dari data budidaya kelapa sawit berikut, pilih variabel yang paling berpengaruh terhadap produksi TBS dan jelaskan mengapa variabel lain dapat diabaikan.

Contoh Penggunaan Copilot

Prompt

Buatkan tabel yang mengelompokkan data penting dan tidak penting untuk analisis produktivitas tanaman karet.

K. KEGIATAN PEMBELAJARAN

Sintaks Project Based Learning (4 JP)

Tahap PjBL	Aktivitas Guru	Aktivitas Peserta Didik	Waktu
1. Menentukan Pertanyaan Mendasar	Guru menyajikan kasus "Produksi kakao menurun" beserta berbagai data yang relevan dan tidak relevan.	Mengamati kasus dan mengidentifikasi informasi yang tersedia.	20 menit
2. Mendesain Perencanaan Proyek	Membimbing kelompok menentukan tujuan dan kriteria pemilihan data.	Menyusun rencana kerja serta membagi tugas untuk menganalisis data.	25 menit
3. Menyusun Jadwal	Membantu kelompok menetapkan waktu analisis dan penyusunan model.	Menyusun jadwal kegiatan dan target penyelesaian.	15 menit
4. Memonitor Kemajuan Proyek	Memberikan umpan balik dan memfasilitasi penggunaan AI untuk membandingkan hasil abstraksi.	Menyeleksi data, menyusun tabel data penting/tidak penting, dan membuat model sederhana.	80 menit
5. Menguji Hasil	Memfasilitasi presentasi dan diskusi antarkelompok.	Menjelaskan alasan pemilihan data dan menerima masukan.	25 menit
6. Evaluasi Pengalaman	Mengajak refleksi tentang manfaat abstraksi dalam kehidupan dan AI.	Menuliskan refleksi individu dan kelompok.	15 menit

L. PROYEK SMART AGRICULTURE AI

Judul Proyek

Menyusun Dataset Sederhana Budidaya Tanaman Perkebunan

Langkah Kerja

Setiap kelompok memilih satu komoditas:

Kelompok 1 → Kakao
Kelompok 2 → Kelapa Sawit
Kelompok 3 → Karet
Kelompok 4 → Kopi

Kemudian:

Mengumpulkan minimal 15 variabel yang berkaitan dengan budidaya.
Mengelompokkan variabel menjadi penting dan tidak penting.
Menjelaskan alasan ilmiah pemilihannya.
Menyusun dataset sederhana yang siap digunakan pada pembelajaran algoritma.

M. LKPD 4

Lembar Kerja Peserta Didik

Judul

“Melakukan Abstraksi Data Budidaya Tanaman Perkebunan”

Petunjuk

Amati data berikut, kemudian beri tanda (✓) pada data yang penting dan (✗) pada data yang tidak penting untuk menganalisis penyebab produksi kakao menurun.

No	Data	Penting (✓)	Tidak Penting (✗)	Alasan
1	Umur tanaman
2	Dosis pupuk
3	Curah hujan
4	Warna pagar
5	Serangan PBK
6	Gulma
7	Nomor telepon pemilik
8	pH tanah
9	Drainase
10	Warna sepatu pekerja

Tugas Lanjutan: Susunlah sebuah model sederhana yang hanya memuat variabel-variabel penting. Jelaskan mengapa model tersebut lebih efektif digunakan untuk analisis.

N. ASESMEN

Diagnostik

Apa yang dimaksud dengan abstraksi?
Mengapa tidak semua data perlu digunakan?

Formatif

Keaktifan diskusi.
Ketepatan memilih data.
Kemampuan memberikan alasan.

Sumatif

Produk yang dinilai:

Tabel abstraksi.
Dataset sederhana.
Presentasi kelompok.
Laporan hasil analisis.

O. RUBRIK PENILAIAN

Aspek	Skor 1	Skor 2	Skor 3	Skor 4
Pemilihan Data	Banyak data penting terlewat	Sebagian data tepat	Hampir semua tepat	Semua data dipilih dengan alasan logis
Penalaran Kritis	Alasan kurang sesuai	Alasan cukup	Alasan baik	Alasan sangat logis dan didukung konsep
Kolaborasi	Kerja sama kurang	Cukup	Baik	Sangat baik
Komunikasi	Penjelasan kurang jelas	Cukup	Baik	Sangat sistematis dan meyakinkan
Kreativitas	Model kurang jelas	Model cukup	Model baik	Model sederhana, efektif, dan inovatif

P. PENGAYAAN

Peserta didik diminta membandingkan dua hasil abstraksi: satu hasil analisis kelompok dan satu hasil dari AI generatif. Mereka kemudian mendiskusikan persamaan, perbedaan, serta memilih model yang paling sesuai dengan kondisi kebun di sekitar mereka.

Q. REMEDIAL

Peserta didik yang memerlukan pendampingan diberikan dataset yang lebih sederhana (8–10 variabel), kemudian dibimbing secara bertahap untuk:

Mengidentifikasi tujuan analisis.
Menentukan variabel yang relevan.
Menjelaskan alasan pemilihan variabel.
Menyusun model sederhana.

R. REFLEKSI

Refleksi Guru

Apakah peserta didik mampu membedakan data yang relevan dan tidak relevan?
Apakah mereka dapat memberikan alasan berdasarkan konsep budidaya tanaman?
Bagaimana penggunaan AI membantu atau justru memengaruhi proses berpikir kritis peserta didik?

Refleksi Peserta Didik

Mengapa abstraksi penting sebelum membuat algoritma?
Data apa yang paling berpengaruh terhadap produktivitas komoditas yang saya analisis?
Bagaimana saya memastikan bahwa data yang saya pilih benar-benar relevan?
Apa manfaat abstraksi ketika menggunakan AI untuk membantu pengambilan keputusan di bidang perkebunan?

Koneksi dengan Modul Berikutnya

Setelah mampu menguraikan masalah (dekomposisi), menemukan pola (pattern recognition), dan menyusun abstraksi, peserta didik telah memiliki fondasi berpikir komputasional yang utuh.

Pada Modul Ajar 5: Algoritma dan Flowchart, peserta didik akan mengubah hasil abstraksi tersebut menjadi langkah-langkah penyelesaian yang sistematis (algoritma), kemudian memvisualisasikannya dalam bentuk flowchart sebagai dasar pembuatan program Python dan proyek Smart Agriculture AI pada pertemuan-pertemuan selanjutnya. Modul ini dilengkapi dengan simbol flowchart standar, contoh algoritma budidaya kakao, kelapa sawit, karet, dan kopi, latihan bertingkat, serta studi kasus yang terintegrasi dengan proyek semester.

MODUL AJAR 5

“ALGORITMA DAN FLOWCHART DALAM AGRIBISNIS TANAMAN PERKEBUNAN”

Mata Pelajaran : Koding dan Kecerdasan Artifisial (KKA)

Fase E (Kelas X)

Program Keahlian : Agribisnis Tanaman Perkebunan

SMK Negeri 1 Gedung Aji

Tahun Pelajaran 2026/2027

Disusun Oleh

Muhamad Nasikhun Amin, S.ST.

A. INFORMASI UMUM

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial (KKA)
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Materi	Algoritma dan Flowchart
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Diskusi, Demonstrasi, Praktik, Presentasi
Alokasi Waktu	8 JP (2 Pertemuan × 4 JP)

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik telah menguasai tiga komponen berpikir komputasional, yaitu dekomposisi, pattern recognition, dan abstraksi. Pada modul ini mereka mulai mengembangkan kemampuan menyusun langkah penyelesaian masalah secara sistematis melalui algoritma dan memvisualisasikannya dalam bentuk flowchart.

Pembelajaran menggunakan contoh nyata dari budidaya kakao, kelapa sawit, karet, dan kopi sehingga peserta didik memahami bahwa algoritma tidak hanya digunakan dalam dunia komputer, tetapi juga dalam pengambilan keputusan di sektor perkebunan.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu menyusun algoritma dan flowchart untuk menyelesaikan masalah sederhana pada bidang agribisnis tanaman perkebunan sebagai dasar pembuatan program komputer dan pemanfaatan kecerdasan artifisial.

D. TUJUAN PEMBELAJARAN

Setelah mengikuti pembelajaran, peserta didik mampu:

Menjelaskan pengertian algoritma.
Menjelaskan fungsi flowchart.
Mengenali simbol-simbol flowchart standar.
Menyusun algoritma penyelesaian masalah budidaya tanaman.
Mengubah algoritma menjadi flowchart.
Mengevaluasi algoritma yang telah dibuat.
Menyusun flowchart sebagai dasar pembuatan program Python.
Mengembangkan flowchart proyek Smart Agriculture AI.

E. DIMENSI PROFIL LULUSAN

Dimensi	Implementasi
Keimanan dan Ketakwaan kepada Tuhan YME	Bersikap jujur dalam menyusun algoritma dan menggunakan AI secara bertanggung jawab.
Kolaborasi	Menyusun flowchart secara berkelompok.
Kreativitas	Mendesain algoritma yang efektif dan efisien.
Penalaran Kritis	Menentukan urutan langkah yang logis.
Komunikasi	Menjelaskan flowchart kepada kelompok lain.

F. PEMAHAMAN BERMAKNA

Setiap pekerjaan yang dilakukan manusia sebenarnya mengikuti urutan langkah tertentu. Seorang petani yang melakukan pemupukan, misalnya, selalu memulai dari menyiapkan alat, menghitung dosis, menaburkan pupuk, hingga melakukan evaluasi.

Komputer juga bekerja dengan prinsip yang sama, yaitu menjalankan algoritma. Oleh karena itu, kemampuan menyusun algoritma menjadi dasar dalam pemrograman, kecerdasan artifisial, dan otomasi pertanian modern.

G. PERTANYAAN PEMANTIK

Guru mengawali pembelajaran dengan pertanyaan berikut.

Mengapa urutan kerja sangat penting ketika melakukan pemupukan?
Apa yang akan terjadi jika langkah kerja dilakukan secara acak?
Bagaimana komputer mengetahui apa yang harus dikerjakan terlebih dahulu?
Mengapa sebelum membuat program perlu dibuat flowchart?
Bagaimana AI menjalankan perintah yang diberikan manusia?

H. SARANA DAN PRASARANA

Laptop/Komputer
Smartphone
LCD Projector
Internet
Whiteboard
Kertas A3
Sticky Notes
Spidol Warna
Visual Studio Code (pengenalan)
Draw.io / diagrams.net
Canva
ChatGPT
Google Gemini
Microsoft Copilot

I. MEDIA PEMBELAJARAN

PowerPoint
Video "Cara Komputer Bekerja"
Contoh Flowchart
Poster Simbol Flowchart
Video Smart Farming
LKPD
Modul Digital

J. MATERI PEMBELAJARAN

1. Pengertian Algoritma

Algoritma adalah serangkaian langkah-langkah yang disusun secara logis, sistematis, dan berurutan untuk menyelesaikan suatu masalah atau mencapai tujuan tertentu.

Algoritma dapat diterapkan dalam kehidupan sehari-hari maupun dalam dunia komputer.

Contoh sederhana algoritma dalam kehidupan sehari-hari:

Membuat secangkir kopi

Siapkan gelas.
Masukkan kopi.
Tambahkan gula.
Tuangkan air panas.
Aduk hingga rata.
Sajikan.

Jika urutan tersebut diubah, hasil yang diperoleh tentu tidak sesuai.

2. Algoritma pada Budidaya Kakao

Kasus Melakukan pemupukan susulan tanaman kakao TBM.

Algoritma

Siapkan alat dan bahan.
Hitung jumlah tanaman.
Tentukan dosis pupuk.
Timbang pupuk.
Bersihkan gulma di sekitar tanaman.
Taburkan pupuk sesuai dosis.
Tutup pupuk dengan tanah.
Catat kegiatan pemupukan.
Evaluasi hasil.

3. Algoritma pada Kelapa Sawit

Kasus: Menghitung kebutuhan pupuk.

Langkah:

Masukkan jumlah pohon.
Masukkan dosis pupuk per pohon.
Kalikan jumlah pohon × dosis.
Tampilkan hasil.

4. Algoritma pada Tanaman Karet

Kasus: Menentukan jadwal penyadapan.

Langkah:

Identifikasi umur tanaman.
Periksa kondisi cuaca.
Tentukan blok yang akan disadap.
Laksanakan penyadapan.
Catat hasil lateks.

5. Algoritma pada Kopi

Kasus: Sortasi buah kopi.

Langkah:

Ambil buah kopi.
Pilih buah merah.
Pisahkan buah hijau.
Timbang buah merah.
Kirim ke proses pengolahan.

6. Flowchart

Flowchart adalah diagram yang menggambarkan urutan langkah-langkah suatu algoritma menggunakan simbol-simbol standar sehingga lebih mudah dipahami oleh manusia maupun komputer.

Flowchart berfungsi untuk:

Mempermudah perancangan program.
Memvisualisasikan proses kerja.
Mengurangi kesalahan logika.
Memudahkan komunikasi antaranggota tim.

7. Simbol Flowchart Standar

Simbol	Nama	Fungsi
Oval	Terminator	Menunjukkan awal dan akhir proses.
Persegi Panjang	Process	Menunjukkan kegiatan atau proses.
Jajar Genjang	Input/Output	Menunjukkan proses memasukkan atau menampilkan data.
Belah Ketupat	Decision	Menunjukkan proses pengambilan keputusan (Ya/Tidak).
Panah	Flow Line	Menunjukkan arah alur proses.
Lingkaran Kecil	Connector	Menghubungkan alur pada halaman yang sama.

8. Flowchart Perhitungan Kebutuhan Pupuk Kakao

9. Flowchart Pemupukan Kakao

10. Flowchart Penentuan Penyakit Tanaman

11. Hubungan Algoritma dengan AI

AI bekerja dengan menjalankan algoritma yang telah dirancang oleh manusia.

Sebagai contoh, aplikasi pendeteksi penyakit daun kakao akan:

Menerima gambar daun.
Memproses gambar.
Membandingkan dengan ribuan contoh data.
Menentukan jenis penyakit.
Memberikan rekomendasi penanganan.

Walaupun proses di dalam AI jauh lebih kompleks, prinsip dasarnya tetap mengikuti urutan langkah atau algoritma.

K. KEGIATAN PEMBELAJARAN

Sintaks Project Based Learning (8 JP)

Tahap PjBL	Aktivitas Guru	Aktivitas Peserta Didik	Waktu
1. Menentukan Pertanyaan Mendasar	Menyajikan video proses pemupukan kakao dan bertanya bagaimana urutan kerja tersebut dapat dituliskan.	Mengidentifikasi langkah-langkah kegiatan dan merumuskan masalah.	30 menit
2. Mendesain Perencanaan Proyek	Membagi kelompok berdasarkan komoditas (kakao, sawit, karet, kopi) dan menjelaskan target proyek.	Menentukan kasus yang akan diselesaikan dan membagi tugas penyusunan algoritma.	45 menit
3. Menyusun Jadwal	Membimbing penyusunan timeline pekerjaan.	Menyusun jadwal penyelesaian algoritma, flowchart, dan presentasi.	20 menit
4. Memonitor Kemajuan Proyek	Memberikan umpan balik terhadap algoritma dan flowchart yang dibuat.	Menyusun algoritma, menggambar flowchart menggunakan kertas atau aplikasi digital, serta merevisi berdasarkan masukan.	180 menit
5. Menguji Hasil	Memfasilitasi presentasi dan simulasi alur kerja.	Menjelaskan flowchart, melakukan simulasi, dan memperbaiki jika ditemukan kesalahan logika.	45 menit
6. Evaluasi Pengalaman	Memimpin refleksi dan menghubungkan materi dengan pemrograman Python yang akan dipelajari.	Menuliskan refleksi dan menyusun rencana pengembangan proyek.	40 menit

L. PROYEK SEMESTER

Smart Agriculture AI

Setiap kelompok membuat satu flowchart sesuai komoditas yang dipilih.

Pilihan Proyek

Kelompok 1

Flowchart Perhitungan Kebutuhan Pupuk Kakao

Kelompok 2

Flowchart Penentuan Jadwal Pemupukan Kelapa Sawit

Kelompok 3

Flowchart Penjadwalan Penyadapan Karet

Kelompok 4

Flowchart Sortasi Buah Kopi

Seluruh flowchart akan digunakan sebagai dasar pembuatan program Python pada modul berikutnya.

M. LATIHAN BERTINGKAT

Latihan 1 (Mudah)

Susun algoritma untuk menghitung jumlah bibit kakao yang dibutuhkan pada lahan seluas 1 hektare.

Latihan 2 (Sedang)

Buat flowchart yang menggambarkan proses pemupukan tanaman kelapa sawit mulai dari persiapan hingga pencatatan hasil.

Latihan 3 (Sulit)

Sebuah kebun kopi memiliki data berikut:

Umur tanaman.
Curah hujan.
Tingkat kematangan buah.

Susun algoritma yang dapat membantu menentukan apakah tanaman siap dipanen atau belum, kemudian gambarkan dalam bentuk flowchart.

N. LKPD 5

Judul

Menyusun Algoritma dan Flowchart Budidaya Tanaman Perkebunan

Tugas Kelompok

Pilih satu komoditas (kakao, sawit, karet, atau kopi).
Tentukan satu masalah nyata di lapangan.
Susun algoritma minimal 10 langkah.
Gambar flowchart menggunakan simbol standar.
Presentasikan hasil di depan kelas.
Diskusikan apakah algoritma tersebut sudah efisien dan mudah diprogram.

O. INTEGRASI AI GENERATIF

ChatGPT

Prompt:

Saya adalah siswa SMK Agribisnis Tanaman Perkebunan. Tolong bantu saya menyusun algoritma dan flowchart untuk menghitung kebutuhan pupuk NPK tanaman kakao berdasarkan jumlah tanaman dan dosis pupuk per tanaman.

Google Gemini

Prompt:

Buatkan flowchart sederhana untuk proses panen dan sortasi buah kopi menggunakan simbol flowchart standar.

Microsoft Copilot

Prompt:

Jelaskan langkah-langkah logis untuk menentukan jadwal penyadapan tanaman karet berdasarkan umur tanaman dan kondisi cuaca, lalu sajikan dalam bentuk algoritma.

Catatan Guru: AI dapat membantu menyusun rancangan awal, tetapi peserta didik wajib memeriksa kembali kesesuaian algoritma dengan SOP budidaya dan memperbaiki jika ada langkah yang kurang tepat.

P. ASESMEN

Diagnostik

Apa yang dimaksud dengan algoritma?
Mengapa urutan langkah penting?
Pernahkah kalian melihat diagram alur kerja?

Formatif

Ketepatan menyusun algoritma.
Ketepatan penggunaan simbol flowchart.
Kerja sama kelompok.
Kejelasan presentasi.

Sumatif

Produk yang dinilai:

Algoritma tertulis.
Flowchart.
Presentasi.
Laporan proyek.

Q. RUBRIK PENILAIAN

Aspek	Skor 1	Skor 2	Skor 3	Skor 4
Algoritma	Urutan tidak logis	Sebagian logis	Logis	Sangat logis dan efisien
Flowchart	Simbol banyak salah	Beberapa simbol salah	Hampir seluruh simbol benar	Semua simbol benar dan mudah dipahami
Penalaran Kritis	Langkah belum sesuai masalah	Cukup sesuai	Sesuai	Sangat sesuai dan didukung alasan
Kolaborasi	Kurang bekerja sama	Cukup	Baik	Sangat baik
Komunikasi	Penjelasan kurang jelas	Cukup	Baik	Sangat sistematis dan meyakinkan

R. PENGAYAAN

Peserta didik diminta mengembangkan flowchart menjadi dua versi:

Versi manual yang menggambarkan prosedur kerja petani.
Versi digital yang menunjukkan bagaimana langkah tersebut dapat diotomatisasi dengan program komputer atau AI.

Mereka kemudian membandingkan kelebihan dan kekurangan kedua pendekatan tersebut.

S. REMEDIAL

Peserta didik yang memerlukan bimbingan diberikan contoh algoritma sederhana, seperti menghitung kebutuhan bibit atau pupuk, kemudian diminta:

Menyusun ulang urutan langkah yang benar.
Mengidentifikasi kesalahan logika.
Menggambar flowchart menggunakan simbol standar.
Menjelaskan alur proses secara lisan.

T. REFLEKSI

Refleksi Guru

Apakah peserta didik mampu menyusun algoritma secara sistematis?
Apakah mereka menggunakan simbol flowchart dengan benar?
Bagaimana kualitas diskusi kelompok dan keterlibatan setiap anggota?
Apakah peserta didik mulai memahami hubungan antara algoritma, flowchart, dan pemrograman?

Refleksi Peserta Didik

Apa perbedaan antara algoritma dan flowchart?
Bagian mana yang paling menantang saat menyusun algoritma?
Bagaimana flowchart membantu saya memahami suatu proses?
Bagaimana algoritma yang saya buat dapat dikembangkan menjadi program komputer?
Apa manfaat mempelajari algoritma bagi pekerjaan di bidang agribisnis tanaman perkebunan?

Koneksi dengan Modul Berikutnya

Pada akhir Modul Ajar 5, peserta didik telah memiliki:

Kemampuan berpikir komputasional.
Kemampuan menyusun algoritma.
Kemampuan membuat flowchart.

Selanjutnya, pada Modul Ajar 6: Pseudocode, peserta didik akan mengubah algoritma dan flowchart tersebut menjadi bahasa semu (pseudocode) yang menyerupai struktur program komputer. Pseudocode ini akan menjadi jembatan menuju Modul Ajar 7: Dasar Pemrograman Python, sehingga transisi dari pemecahan masalah ke penulisan kode menjadi lebih mudah dan terstruktur. Modul berikutnya akan memuat contoh pseudocode untuk budidaya kakao, kelapa sawit, karet, dan kopi yang kemudian langsung diimplementasikan dalam program Python pada proyek Smart Agriculture AI.

MODUL AJAR 6

“PSEUDOCODE Menjembatani Algoritma Menuju Pemrograman Python pada SmartAgriculture AI”

Mata Pelajaran : Koding dan Kecerdasan Artifisial (KKA)

Fase E (Kelas X)

Program Keahlian : Agribisnis Tanaman Perkebunan

SMK Negeri 1 Gedung Aji

Tahun Pelajaran 2026/2027

Disusun Oleh

Muhamad Nasikhun Amin, S.ST.

A. INFORMASI UMUM

Komponen	Keterangan
Sekolah	SMK Negeri 1 Gedung Aji
Mata Pelajaran	Koding dan Kecerdasan Artifisial
Program Keahlian	Agribisnis Tanaman Perkebunan
Fase	E
Kelas	X
Semester	Ganjil
Materi	Pseudocode
Model Pembelajaran	Project Based Learning (PjBL)
Pendekatan	Deep Learning
Metode	Diskusi, Praktik, Simulasi, Presentasi
Alokasi Waktu	JP (2 Pertemuan)

B. KARAKTERISTIK PESERTA DIDIK

Peserta didik telah memahami:

Berpikir Komputasional
Dekomposisi
Pattern Recognition
Abstraksi
Algoritma
Flowchart

Namun sebagian besar belum pernah menulis bahasa pemrograman.

Karena itu diperlukan Pseudocode sebagai media transisi agar mereka dapat memahami logika pemrograman sebelum belajar Python.

Materi menggunakan contoh nyata dari aktivitas perkebunan yang sudah akrab bagi peserta didik, seperti:

menghitung kebutuhan pupuk,
menentukan jadwal panen,
menghitung populasi tanaman,
menentukan kebutuhan bibit,
mencatat hasil panen.

C. CAPAIAN PEMBELAJARAN

Peserta didik mampu mengubah algoritma dan flowchart menjadi pseudocode yang sistematis sebagai dasar pembuatan program Python pada penyelesaian masalah bidang agribisnis tanaman perkebunan.

D. TUJUAN PEMBELAJARAN

Peserta didik mampu:

Menjelaskan pengertian pseudocode.
Menjelaskan manfaat pseudocode.
Menulis pseudocode sederhana.
Mengubah flowchart menjadi pseudocode.
Mengubah algoritma menjadi pseudocode.
Menggunakan struktur Input–Process–Output (IPO).
Menulis pseudocode menggunakan struktur IF, ELSE, dan REPEAT.
Menyiapkan pseudocode untuk diterjemahkan ke dalam Python.

E. DIMENSI PROFIL LULUSAN

Dimensi	Implementasi
Keimanan kepada Tuhan YME	Bersikap jujur dalam menyusun solusi.
Kolaborasi	Menulis pseudocode secara berkelompok.
Kreativitas	Menyusun solusi yang efisien.
Penalaran Kritis	Menentukan logika yang benar.
Komunikasi	Menjelaskan pseudocode kepada kelompok lain.

F. PEMAHAMAN BERMAKNA

Sebelum seorang programmer menulis program, ia terlebih dahulu menuliskan logika penyelesaian masalah menggunakan bahasa yang mudah dipahami manusia.

Bahasa tersebut disebut Pseudocode.

Pseudocode membantu programmer menghindari kesalahan logika sebelum menulis kode.

Pada bidang perkebunan, pseudocode dapat digunakan untuk menyusun langkah kerja otomatis seperti:

menghitung pupuk,
menghitung kebutuhan bibit,
menentukan jadwal panen,
memprediksi produksi,
mengolah data hasil panen.

G. PERTANYAAN PEMANTIK

Guru bertanya:

Bagaimana komputer mengetahui urutan pekerjaan yang harus dilakukan?

Apakah komputer memahami Bahasa Indonesia?

Mengapa programmer tidak langsung menulis Python?

Apa keuntungan membuat pseudocode terlebih dahulu?

H. SARANA DAN PRASARANA

Laptop
Smartphone
Internet
Visual Studio Code
Google Colab
Whiteboard
LCD
Modul dan LKPD

I. MEDIA PEMBELAJARAN

Slide PowerPoint
Video Dasar Pemrograman
Flowchart
Contoh Program Python
ChatGPT
Gemini
Copilot

J. MATERI PEMBELAJARAN

Apa itu Pseudocode?

Pseudocode merupakan bahasa semu yang digunakan untuk menuliskan langkah-langkah penyelesaian masalah menggunakan bahasa yang mudah dipahami manusia tetapi memiliki struktur yang menyerupai bahasa pemrograman.

Pseudocode belum dapat dijalankan oleh komputer, namun menjadi pedoman utama dalam penulisan program.

Mengapa Menggunakan Pseudocode?

Pseudocode membantu:

✔ menyusun logika

✔ mengurangi kesalahan

✔ mempermudah diskusi

✔ mempermudah penerjemahan ke Python

✔ mempercepat pembuatan program

Hubungan Algoritma, Flowchart, dan Pseudocode

Struktur Dasar Pseudocode

Contoh 1

Menghitung Kebutuhan Pupuk Kakao

Algoritma

Masukkan jumlah tanaman.
Masukkan dosis pupuk.
Hitung total pupuk.
Tampilkan hasil.

Pseudocode

Contoh 2

Menentukan Tanaman Siap Dipupuk

Python

Contoh 3

Menghitung Produksi Kakao

START

INPUT jumlah_pohon

INPUT produksi_per_pohon

produksi_total =

jumlah_pohon × produksi_per_pohon

OUTPUT produksi_total

END

Contoh 4

Penentuan Panen Kopi

START

INPUT warna_buah

IF warna_buah = merah

OUTPUT Panen

ELSE

OUTPUT Belum Panen

END IF

END

Contoh 5

Menghitung Populasi Kelapa Sawit

START

INPUT luas_lahan

INPUT jarak_tanam

populasi = luas_lahan / jarak_tanam

OUTPUT populasi

END

Contoh 6

Menghitung Produksi Lateks

START

INPUT jumlah_pohon

INPUT produksi_per_pohon

hasil = jumlah_pohon × produksi_per_pohon

OUTPUT hasil

END

Struktur Percabangan

IF kondisi

THEN

...

ELSE

...

END IF

Struktur Perulangan

REPEAT

.....

UNTIL

kondisi selesai

Contoh Perulangan

Menginput data 10 tanaman

START

REPEAT 10 kali

INPUT tinggi

END REPEAT

END

K. KEGIATAN PEMBELAJARAN

Sintaks Project Based Learning (8 JP)

Tahap PjBL	Aktivitas Guru	Aktivitas Peserta Didik	Waktu
1. Menentukan Pertanyaan Mendasar	Menampilkan flowchart perhitungan pupuk dan bertanya bagaimana diagram tersebut dapat ditulis menjadi langkah yang dipahami komputer.	Mengamati flowchart dan mengidentifikasi urutan proses.	30 menit
2. Mendesain Perencanaan Proyek	Membagi kelompok berdasarkan komoditas (kakao, sawit, karet, kopi) dan menjelaskan target proyek.	Menentukan kasus yang akan dibuat pseudocode serta membagi tugas.	40 menit
3. Menyusun Jadwal	Membimbing penyusunan jadwal penyelesaian proyek.	Menyusun timeline penulisan pseudocode, revisi, dan presentasi.	20 menit
4. Memonitor Kemajuan Proyek	Memberikan umpan balik terhadap pseudocode dan menunjukkan hubungan dengan Python.	Menulis pseudocode, membandingkan hasil dengan AI generatif, dan memperbaiki logika jika diperlukan.	180 menit
5. Menguji Hasil	Memfasilitasi presentasi dan simulasi pembacaan pseudocode.	Menjelaskan alur pseudocode serta menghubungkannya dengan flowchart yang telah dibuat.	40 menit
6. Evaluasi Pengalaman	Memimpin refleksi dan memberikan penguatan sebelum memasuki materi Python.	Menuliskan refleksi individu dan menyimpulkan manfaat pseudocode.	30 menit

L. PROYEK SMART AGRICULTURE AI

Setiap kelompok memilih satu topik:

Kelompok 1

Menghitung kebutuhan pupuk Kakao

Kelompok 2

Menghitung populasi Sawit

Kelompok 3

Menghitung produksi Lateks

Kelompok 4

Menentukan waktu panen Kopi

Target proyek:

Flowchart

↓

Pseudocode

↓

Python

↓

M. LKPD 6

Menulis Pseudocode Berdasarkan Flowchart

Tugas

Amati flowchart yang diberikan guru.
Tuliskan algoritma dalam bentuk pseudocode menggunakan struktur START, INPUT, PROCESS, OUTPUT, dan END.
Uji logika pseudocode bersama anggota kelompok.
Bandingkan hasil dengan rekomendasi AI generatif, lalu lakukan revisi jika diperlukan.

No.	Langkah Kegiatan	Hasil Pseudocode
1	Input data
2	Proses
3	Keputusan (IF/ELSE)
4	Output
5	Perbaikan setelah diskusi

N. PEMANFAATAN AI GENERATIF

ChatGPT

Prompt:

Buatkan pseudocode untuk menghitung kebutuhan pupuk tanaman kakao berdasarkan jumlah tanaman dan dosis pupuk per tanaman. Gunakan struktur START, INPUT, PROCESS, OUTPUT, END.

Google Gemini

Prompt:

Ubah flowchart proses sortasi buah kopi menjadi pseudocode yang mudah dipahami siswa SMK.

Microsoft Copilot

Prompt:

Tulis pseudocode untuk menentukan jadwal penyadapan tanaman karet menggunakan percabangan IF–ELSE berdasarkan umur tanaman dan kondisi cuaca.

Etika Penggunaan AI: Hasil AI digunakan sebagai bahan pembanding. Peserta didik tetap bertanggung jawab memeriksa logika, kesesuaian dengan SOP budidaya, dan melakukan perbaikan apabila ditemukan kesalahan.

O. ASESMEN

Diagnostik

Apa fungsi pseudocode?
Mengapa pseudocode tidak dapat langsung dijalankan oleh komputer?

Formatif

Ketepatan struktur pseudocode.
Penggunaan INPUT–PROCESS–OUTPUT.
Penggunaan IF–ELSE dan REPEAT.
Kolaborasi dalam kelompok.

Sumatif

Produk yang dinilai:

Dokumen pseudocode.
Presentasi.
Laporan proyek.
Kesiapan pseudocode untuk diterjemahkan ke Python.

P. RUBRIK PENILAIAN

Aspek	Skor 1	Skor 2	Skor 3	Skor 4
Struktur Pseudocode	Tidak lengkap	Sebagian lengkap	Lengkap	Lengkap, sistematis, dan konsisten
Logika Program	Banyak kesalahan	Ada beberapa kesalahan	Logis	Sangat logis dan efisien
Penalaran Kritis	Kurang mampu menjelaskan	Penjelasan cukup	Penjelasan baik	Penjelasan sangat baik dan didukung alasan
Kolaborasi	Kurang aktif	Cukup	Aktif	Sangat aktif dan membantu anggota lain
Komunikasi	Kurang jelas	Cukup	Baik	Sangat jelas dan runtut

Q. PENGAYAAN

Peserta didik diminta menyusun satu pseudocode tambahan berdasarkan permasalahan nyata di kebun keluarga, misalnya penjadwalan pemupukan atau pencatatan hasil panen. Selanjutnya mereka mengidentifikasi bagian pseudocode yang nantinya akan berubah menjadi sintaks Python.

R. REMEDIAL

Peserta didik yang masih mengalami kesulitan diberikan latihan bertahap:

Menuliskan ulang algoritma dalam kalimat sederhana.
Menambahkan struktur START dan END.
Memasukkan bagian INPUT, PROCESS, dan OUTPUT.
Menguji urutan logika bersama guru sebelum diterjemahkan ke Python.

S. REFLEKSI

Refleksi Guru

Apakah peserta didik mampu mengubah algoritma menjadi pseudocode secara mandiri?
Apakah mereka memahami hubungan antara flowchart, pseudocode, dan Python?
Bagaimana efektivitas penggunaan studi kasus agribisnis dalam membangun logika pemrograman?

Refleksi Peserta Didik

Apa manfaat pseudocode sebelum menulis program?
Bagian mana yang paling mudah dan paling sulit saat menyusun pseudocode?
Bagaimana pseudocode membantu saya memahami cara kerja komputer?
Bagaimana AI dapat membantu menyusun pseudocode tanpa menggantikan proses berpikir saya?

SOAL ASESMEN FORMATIF (FASE E)

Mata Pelajaran: Koding dan Kecerdasan Artifisial (KKA)
Materi: Berpikir Komputasional, Koding Dasar, Etika AI, dan Prompt Engineering

I. Pilihan Ganda (Berbasis Kasus Perkebunan Gedung Aji)

1. Berpikir Komputasional
Lahan kelapa sawit milik orang tua Rudi mengalami penurunan hasil panen yang drastis. Rudi kemudian membagi masalah besar ini menjadi tiga bagian kecil: memeriksa kelembapan tanah, mengecek serangan hama ulat api, dan menghitung ulang jadwal pemupukan. Langkah yang dilakukan Rudi dalam berpikir komputasional disebut...
A. Abstraksi
B. Dekomposisi
C. Pengenalan Pola
D. Algoritma

2. Algoritma & Koding
Perhatikan potongan kode program Python buatan siswa ATP berikut:

Apakah output (hasil) yang akan muncul di layar saat program tersebut dijalankan?
A. Gunakan Pupuk Skala Besar
B. Gunakan Pupuk Skala Kecil
C. Error karena tidak ada rumus matematika
D. Program tidak memunculkan teks apa pun

3. Literasi Etika AI

Sebuah perusahaan teknologi menawarkan aplikasi AI gratis untuk mendeteksi penyakit tanaman karet di desa Gedung Aji. Namun, aplikasi tersebut meminta pengguna mengunggah foto sertifikat tanah dan koordinat GPS lokasi lahan secara detail. Berdasarkan etika privasi data digital pertanian, tindakan yang paling bijak adalah...

A. Langsung mengunggahnya karena aplikasi tersebut sangat membantu dan gratis.
B. Menolak memberikan data sertifikat tanah karena tidak relevan dengan deteksi penyakit tanaman dan rawan penyalahgunaan data.
C. Membagikan data tersebut ke seluruh grup WhatsApp warga agar semua ikut mengunggah.
D. Menghapus aplikasi dan kembali ke metode pertanian tradisional sepenuhnya tanpa teknologi.

4. Pemanfaatan AI / Prompt Engineering
Manakah di bawah ini yang merupakan susunan kalimat perintah (prompt) yang paling efektif dan terstruktur sesuai rumus Prompt Engineering untuk membantu petani sawit?
A. "Bagaimana cara merawat kelapa sawit yang baik dan benar agar berbuah banyak?"
B. "Cari informasi tentang hama tanaman sawit di Lampung."
C. "Bertindaklah sebagai Ahli Agronomi Perkebunan. Buatkan SOP pengendalian hama kutu brizi pada sawit usia 2 tahun di lahan gambut Gedung Aji. Berikan rekomendasi metode organik dan batasi maksimal 5 langkah saja."
D. "Tolong jelaskan tentang pertanian digital secara lengkap, ringkas, dan jelas dari awal sampai akhir."

II. Soal Esai (Penerapan Logika & Praktik)

1. Berpikir Komputasional
Buatlah sebuah urutan langkah-langkah (Algoritma) sederhana dalam bentuk teks terstruktur untuk melakukan penyemprotan gulma (rumput liar) di lahan perkebunan, mulai dari persiapan alat hingga selesai!

2. Algoritma & Koding
Seorang petani ingin menghitung estimasi biaya pembelian pupuk Urea. Harga 1 kg Urea adalah Rp 7.500,-. Lengkapi bagian kosong (A) dan (B) pada kode program Python di bawah ini agar program dapat berfungsi dengan benar menghitung total biaya!

🔑 KUNCI JAWABAN & PEDOMAN SKOR

Kunci Jawaban Pilihan Ganda

B. Dekomposisi (Alasan: Memecah masalah besar menjadi bagian-bagian kecil yang lebih mudah dikelola).
B. Gunakan Pupuk Skala Kecil (Alasan: Nilai variabel jumlah_pohon adalah 10, di mana 10 tidak lebih besar dari 50, sehingga program menjalankan instruksi di dalam else).
B. Menolak memberikan data sertifikat tanah... (Alasan: Menjaga privasi data pertanian yang sensitif dari risiko penyalahgunaan pihak ketiga).
C. "Bertindaklah sebagai Ahli Agronomi..." (Alasan: Memenuhi struktur lengkap: Role, Context, Task, dan Constraint).

Kunci Jawaban Esai & Rubrik Nilai

Nomor 1 (Maksimal Skor 50):

Jawaban Ideal: 1. Siapkan alat semprot dan cairan herbisida, 2. Pakai masker dan sarung tangan pengaman, 3. Campurkan herbisida dengan air sesuai dosis, 4. Lakukan penyemprotan pada gulma di lahan secara merata, 5. Bersihkan alat setelah selesai digunakan.
Skor 45-50: Langkah runtut, logis, dan memperhatikan keselamatan kerja (K3) pertanian.
Skor 35-44: Langkah runtut tetapi kurang detail.
Skor <35: Langkah acak atau tidak logis.

Nomor 2 (Maksimal Skor 50):

Jawaban Ideal: (A) = jumlah_pupuk_kg dan (B) = harga_per_kg (atau sebaliknya).
Skor 50: Kedua variabel diisi dengan tepat sehingga logika perkalian benar.
Skor 25: Hanya mengisi satu bagian dengan benar.
Skor 0: Jawaban salah total atau kosong.

📈 Cara Menghitung Nilai Akhir (Formulir Kuantitatif)

Hasil nilai akhir ini nantinya tinggal dicocokkan dengan Interval Nilai KKTP yang telah dibuat pada tahap sebelumnya untuk menentukan apakah siswa memerlukan remedial atau pengayaan.

DAFTAR PUSTAKA

BBPPMPV Pertanian. (2026). Modul Pembelajaran Peningkatan Kompetensi Guru Kejuruan Berbasis Dunia Kerja: Koding dan Kecerdasan Artifisial. Cianjur: Balai Besar Pengembangan Penjaminan Mutu Pendidikan Vokasi Bidang Pertanian.

Bertani asik

Minggu, 26 Juli 2026

Koding dan Kecerdasan Artifisial (KKA) Fase E SMK. Muhamad Nasikhun Amin. SMK N1 Gedung Aji

Tidak ada komentar:

Posting Komentar

Koding dan Kecerdasan Artifisial (KKA) Fase E SMK. Muhamad Nasikhun Amin. SMK N1 Gedung Aji

Laporkan Penyalahgunaan