PROYEK AKHIR — MEMBUAT APLIKASI AI SEDERHANA

🎯 Tujuan Pembelajaran

Setelah menyelesaikan proyek akhir, siswa diharapkan mampu:

1. Menggabungkan beberapa konsep Python yang telah dipelajari.
2. Membaca dan menyiapkan data sederhana.
3. Menentukan masalah yang dapat diselesaikan dengan analisis data atau Machine Learning.
4. Membuat aplikasi sederhana di Google Colab.
5. Menggunakan model classification atau regression sesuai kebutuhan proyek.
6. Membuat input, proses, dan output yang jelas.
7. Menguji program dengan beberapa contoh data.
8. Membaca hasil model secara kritis, bukan sekadar menerima output.
9. Membuat visualisasi bila diperlukan.
10. Menjelaskan proses, hasil, keterbatasan, dan kesimpulan dengan bahasa sendiri.

🤖 Gambaran Proyek Akhir

Pada pertemuan terakhir, siswa menggabungkan materi yang telah dipelajari menjadi sebuah aplikasi AI sederhana.

Komponen minimal aplikasi

🔄 Alur Pengerjaan Proyek

🧩 Pilihan Proyek

Pilih salah satu dari lima proyek berikut.

☁️ Persiapan di Google Colab

Gunakan Google Colab untuk membuat satu notebook khusus proyek akhir.

Struktur notebook yang disarankan

1. Judul proyek dan nama siswa.
2. Latar belakang masalah.
3. Tujuan proyek.
4. Dataset dan penjelasan kolom.
5. Import library.
6. Eksplorasi data.
7. Persiapan data.
8. Pembuatan model atau analisis.
9. Prediksi/hasil.
10. Evaluasi.
11. Visualisasi.
12. Kesimpulan.
13. Keterbatasan dan pengembangan.

Library yang sering digunakan

import pandas as pd
import matplotlib.pyplot as plt

# Jika menggunakan Machine Learning
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, mean_absolute_error, r2_score

# Pilih sesuai proyek:
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris

📚 Proyek 1 — Prediksi Nilai Siswa

Tujuan proyek adalah membuat model yang memperkirakan nilai siswa berdasarkan beberapa feature.

Input

• jam belajar
• jumlah tugas
• kehadiran

Output

Prediksi nilai siswa.

Contoh dataset

Contoh kode

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# Dataset contoh
data = {
    "jam_belajar": [2,3,4,5,6,2,4,5,7,8,3,6],
    "jumlah_tugas": [5,6,7,8,9,4,6,7,10,10,5,9],
    "kehadiran": [80,85,90,95,98,78,88,93,99,100,82,97],
    "nilai": [68,74,82,89,94,65,79,87,96,98,71,92]
}

df = pd.DataFrame(data)

X = df[["jam_belajar", "jumlah_tugas", "kehadiran"]]
y = df["nilai"]

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)

model = LinearRegression()
model.fit(X_train, y_train)

# Contoh siswa baru
siswa_baru = [[5, 8, 94]]
prediksi = model.predict(siswa_baru)

print("Prediksi nilai:", prediksi[0])

Pengembangan

• Tambahkan jumlah latihan.
• Tambahkan nilai tugas atau ujian sebelumnya.
• Buat input interaktif menggunakan input().
• Tampilkan grafik hubungan feature dengan nilai.
• Hitung MAE dan R² pada data testing.

🌸 Proyek 2 — Klasifikasi Bunga

Proyek ini menggunakan dataset Iris. Model belajar mengelompokkan bunga berdasarkan karakteristiknya.

Feature

• sepal length
• sepal width
• petal length
• petal width

Target

Jenis bunga Iris: setosa, versicolor, atau virginica.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

iris = load_iris()
X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

print("Akurasi:", accuracy_score(y_test, y_pred))

# Contoh prediksi satu bunga
contoh = [[5.1, 3.5, 1.4, 0.2]]
hasil = model.predict(contoh)[0]
print("Prediksi:", iris.target_names[hasil])

🏠 Proyek 3 — Prediksi Harga

Buat aplikasi untuk memperkirakan harga berdasarkan karakteristik properti.

Input

• luas tanah
• luas bangunan
• jumlah kamar

Output

Prediksi harga.

import pandas as pd
from sklearn.linear_model import LinearRegression

# Contoh data latihan
# harga dinyatakan dalam juta rupiah
data = {
    "luas_tanah": [60, 72, 90, 100, 120, 150, 180, 200],
    "luas_bangunan": [45, 50, 70, 80, 90, 110, 130, 150],
    "jumlah_kamar": [2, 2, 3, 3, 3, 4, 4, 5],
    "harga": [350, 390, 500, 560, 650, 800, 950, 1100]
}

df = pd.DataFrame(data)
X = df[["luas_tanah", "luas_bangunan", "jumlah_kamar"]]
y = df["harga"]

model = LinearRegression()
model.fit(X, y)

rumah_baru = [[120, 90, 3]]
prediksi = model.predict(rumah_baru)

print("Prediksi harga:", prediksi[0], "juta rupiah")

📊 Proyek 4 — Analisis Nilai Siswa

Program membaca dataset CSV kemudian mengolah data tanpa harus menggunakan Machine Learning.

Target pekerjaan

• menghitung rata-rata
• mencari nilai tertinggi
• mencari nilai terendah
• membuat grafik
• memberikan kesimpulan

Contoh membaca CSV

import pandas as pd
import matplotlib.pyplot as plt

# Ganti dengan nama file CSV Anda
# df = pd.read_csv("nilai_siswa.csv")

# Contoh data jika belum memiliki file CSV
data = {
    "nama": ["Andi", "Budi", "Citra", "Dina", "Eko"],
    "matematika": [80, 70, 90, 85, 75],
    "bahasa": [75, 80, 95, 82, 78],
    "informatika": [90, 75, 92, 88, 85]
}

df = pd.DataFrame(data)
print(df)

Menghitung statistik

kolom_nilai = ["matematika", "bahasa", "informatika"]

df["rata_rata"] = df[kolom_nilai].mean(axis=1)

print("Rata-rata kelas:")
print(df[kolom_nilai].mean())

print("\nNilai tertinggi:")
print(df[kolom_nilai].max())

print("\nNilai terendah:")
print(df[kolom_nilai].min())

print("\nSiswa dengan rata-rata tertinggi:")
print(df.loc[df["rata_rata"].idxmax(), ["nama", "rata_rata"]])

Membuat grafik

df.plot(
    x="nama",
    y="rata_rata",
    kind="bar",
    legend=False,
    title="Rata-rata Nilai Siswa"
)
plt.ylabel("Nilai")
plt.xlabel("Nama")
plt.tight_layout()
plt.show()

Kesimpulan harus berdasarkan hasil yang benar-benar terlihat pada data dan grafik. Hindari membuat kesimpulan yang tidak didukung data.

🧠 Proyek 5 — AI Klasifikasi Sederhana

Siswa membuat model yang mengklasifikasikan data menjadi dua kategori.

Contoh kategori

Contoh struktur dataset

Contoh dengan Decision Tree

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

data = {
    "feature_1": [80,75,90,85,45,40,50,55,88,92,42,48],
    "feature_2": [90,85,95,88,50,55,48,52,92,96,45,49],
    "target": [1,1,1,1,0,0,0,0,1,1,0,0]
}

df = pd.DataFrame(data)
X = df[["feature_1", "feature_2"]]
y = df["target"]

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42, stratify=y
)

model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print("Akurasi:", accuracy_score(y_test, y_pred))

contoh_baru = [[70, 80]]
hasil = model.predict(contoh_baru)[0]
print("Kategori:", "Layak" if hasil == 1 else "Tidak Layak")

📝 Template Notebook Proyek

Gunakan struktur berikut agar laporan proyek mudah dibaca.

# PROYEK AKHIR — APLIKASI AI SEDERHANA
# Nama:
# Kelas:
# Proyek:

# 1. LATAR BELAKANG
# Jelaskan masalah yang ingin diselesaikan.

# 2. TUJUAN
# Jelaskan tujuan aplikasi.

# 3. DATA
# Jelaskan sumber dan kolom data.

# 4. IMPORT LIBRARY

# 5. EKSPLORASI DATA

# 6. PERSIAPAN DATA

# 7. MODEL / ANALISIS

# 8. PREDIKSI / HASIL

# 9. EVALUASI

# 10. VISUALISASI

# 11. KESIMPULAN

# 12. KETERBATASAN & RENCANA PENGEMBANGAN

🔎 Evaluasi & Pengujian

Setiap proyek harus memiliki cara untuk memeriksa apakah program bekerja dengan benar.

Untuk Regression

• MAE
• R²
• perbandingan nilai aktual dan prediksi
• grafik bila relevan

Untuk Classification

• accuracy
• confusion matrix bila sesuai
• precision/recall bila konteks membutuhkannya
• pemeriksaan kesalahan prediksi

Untuk Analisis Data

• periksa tipe data
• periksa data kosong
• periksa nilai yang tidak wajar
• cek kembali hasil perhitungan
• pastikan kesimpulan sesuai data

🔐 Etika, Keterbatasan, dan Tanggung Jawab

Aplikasi AI sederhana tetap perlu digunakan secara bertanggung jawab.

📝 5 Latihan Soal

🛠️ 5 Tugas Proyek

📋 Checklist & Rubrik Proyek

Checklist pengumpulan

Komponen penilaian yang dapat digunakan guru

Guru dapat menyesuaikan bobot setiap komponen dengan kebutuhan kelas.

🎤 Panduan Presentasi Proyek

Presentasi dapat dibuat singkat, misalnya 5–7 menit per kelompok.

1. Masalah: apa yang ingin diselesaikan?
2. Data: data apa yang digunakan?
3. Metode: mengapa menggunakan regression, classification, atau analisis data?
4. Demo: jalankan aplikasi atau tampilkan notebook.
5. Hasil: apa yang diperoleh?
6. Evaluasi: bagaimana mengetahui hasilnya dapat dipercaya untuk konteks latihan?
7. Keterbatasan: apa yang belum dapat dilakukan model?
8. Pengembangan: apa yang ingin diperbaiki jika memiliki lebih banyak waktu?

💭 Refleksi Siswa

1. Konsep Python apa yang paling banyak saya gunakan dalam proyek?
2. Apa masalah utama yang saya coba selesaikan?
3. Bagian data mana yang paling penting?
4. Mengapa saya memilih metode tersebut?
5. Bagaimana saya menguji program?
6. Apa hasil yang paling menarik?
7. Kesalahan apa yang saya temukan?
8. Apa keterbatasan aplikasi saya?
9. Apa yang akan saya perbaiki jika memiliki data lebih banyak?
10. Bagaimana saya akan menggunakan AI secara bertanggung jawab?

📌 Ringkasan Proyek Akhir

1. Tentukan masalah yang jelas.
2. Siapkan dan pahami data.
3. Tentukan feature dan target jika menggunakan Machine Learning.
4. Pilih metode yang sesuai: regression, classification, atau analisis data.
5. Bangun aplikasi secara bertahap.
6. Uji dengan data yang sesuai.
7. Evaluasi hasil.
8. Gunakan visualisasi untuk membantu memahami data.
9. Jelaskan keterbatasan.
10. Buat kesimpulan berdasarkan bukti dari data.

📚 Google Colab

Gunakan Google Colab untuk membuat dan menjalankan notebook proyek akhir.

Materi Pembelajaran Koding dan Kecerdasan Artifisial • Python • Google Colab • Proyek Akhir