🎯 Tujuan 🧩 Top-Down Design 🤖 Pipeline AI & Game 🎮 Pipeline Builder Studio 📝 Evaluasi Formatif ✨ Rangkuman & Refleksi
Learn / KKA / Berpikir Komputasional / 02. Dekomposisi Masalah
🤖 KKA · Unit 01 · Modul 02

Dekomposisi Masalah Koding & Pipeline AI

Tidak ada programmer hebat yang menulis 10.000 baris kode sekaligus tanpa rencana. Pelajari seni Top-Down Design untuk memecah proyek game rumit, sistem Chatbot NLP, dan arsitektur model AI menjadi modul-modul fungsi kecil yang mudah dieksekusi!

⏱️ Waktu: 45 Menit 🧩 Metode: Top-Down Modular Design 📝 Evaluasi: 20 Soal (4 Bagian)
🎯

Tujuan Pembelajaran

Kompetensi yang akan kamu kuasai setelah menyelesaikan modul ini

01.
Memahami Prinsip Top-Down Design

Memecah masalah besar level makro menjadi sub-masalah independen level mikro yang terstruktur.

02.
Dekomposisi Arsitektur Game

Mengisolasi komponen input pemain, logika kalkulasi fisika (collision), sistem penilaian (score), dan output audio/grafis.

03.
Dekomposisi Pipeline Kecerdasan Artifisial (AI)

Memetakan alur pemrosesan data AI: Input → Preprocessing → Ekstraksi Fitur → Inferensi Model → Output UI.

04.
Menyusun Task Breakdown & User Story

Mampu membuat daftar tugas pengerjaan proyek koding kelompok menggunakan teknik modularitas.

1

Mengapa Dekomposisi Sangat Vital?

Strategi mengurai kompleksitas menjadi bagian-bagian yang mudah dikerjakan dan diuji

🧩

1. Kemudahan Debugging

Saat terjadi bug eror, kita bisa langsung menemukan fungsi mana yang bermasalah tanpa harus memeriksa ribuan baris kode lainnya.

👥

2. Kolaborasi Tim Efektif

Tugas proyek dapat dibagi rata: satu siswa mengerjakan modul antarmuka UI, siswa lain membuat logika database, dan siswa lain melatih model AI.

♻️

3. Kode Dapat Digunakan Ulang (Reusable)

Fungsi perhitungan atau modul autentikasi login yang sudah selesai dibuat dapat dipakai ulang pada proyek aplikasi baru lainnya.

2

Studi Kasus: Dekomposisi Sistem Chatbot AI

Membedah alur percakapan cerdas menjadi 5 modul terpisah

Modul 1: UI Input

Menerima ketikan teks pertanyaan atau rekaman suara mikrofon siswa.

Modul 2: Tokenizing NLP

Memecah kalimat menjadi kata kunci dan membersihkan tanda baca.

Modul 3: Intent Classifier

Model AI memprediksi maksud pertanyaan (misal: tanya jadwal ujian).

Modul 4: Database Search

Mengambil data jawaban yang akurat dari tabel basis data sekolah.

Modul 5: Response Render

Menyusun kalimat jawaban yang ramah dan menampilkannya di layar chat.

🎮

Interactive Pipeline Decomposition Studio

Pilih skenario sistem besar dan amati hasil pemecahan modul subsistemnya secara komputasional!

Arsitektur Studio
⚡ Pilih Skenario Proyek Digital:
DEKOMPOSISI MODULAR: GAME ENGINE ● 4 SUB-MODUL
📝

Evaluasi Formatif: Dekomposisi Masalah

Uji pemahaman memecah arsitektur sistem koding & AI menjadi modul terstruktur (Total Skor: 100)

Target Kelulusan Minimal 70 Poin
Bagian A

Pilihan Ganda (5 Soal · Bobot: 25 Poin)

1. Pendekatan perancangan di mana masalah sistem besar dipecah bertahap dari level umum ke sub-modul yang lebih detail dinamakan...

2. Pada pembuatan game arcade sederhana (seperti Game Tangkap Bola), modul yang bertugas mendeteksi apakah bola bersentuhan dengan keranjang adalah...

3. Dalam pipeline sistem kecerdasan artifisial Computer Vision, tahap pengubahan ukuran gambar menjadi standar (misal 224x224 piksel) dan normalisasi warna disebut...

4. Manfaat utama menulis kode program dalam fungsi-fungsi modular yang terdekomposisi rapi adalah...

5. Format kalimat user story standar dalam merancang fitur koding adalah...

Bagian B

Benar atau Salah (5 Soal · Bobot: 25 Poin)

1. Menulis seluruh kode program game 5000 baris dalam satu fungsi tunggal raksasa adalah praktik rekayasa software yang sangat direkomendasikan.
2. Pada sistem chatbot, pemecahan kalimat menjadi token kata-kata kunci terjadi pada modul Natural Language Processing (NLP).
3. Dekomposisi masalah hanya berlaku saat menulis kode program dan tidak berguna untuk perencanaan proyek.
4. Modul independen yang terisolasi dengan baik memungkinkan beberapa anggota tim koding bekerja secara paralel tanpa saling merusak kode teman.
5. Pipeline AI untuk pengenalan wajah (Face Recognition) memerlukan modul deteksi lokasi wajah sebelum mencocokkan identitas wajah.
Bagian C

Menjodohkan Modul Sistem & Tanggung Jawab Kerjanya (5 Pasangan · Bobot: 25 Poin)

Bagian D

Urutan Pipeline Image Classifier AI (Bobot: 25 Poin)

Urutkan proses pengenalan citra pada model AI dari awal hingga menghasilkan label:

A. Menangkap foto gambar mentah melalui sensor kamera webcam
B. Melakukan pra-pemrosesan (resize dimensi dan normalisasi array piksel)
C. Mengekstraksi fitur visual utama (tepi garis, tekstur, dan bentuk objek)
D. Memasukkan fitur ke model jaringan saraf tiruan untuk menghitung skor probabilitas
E. Menampilkan label prediksi akhir: "Kucing (Keyakinan: 98%)" di antarmuka layar
✨

Rangkuman Materi & Refleksi Belajar

Tuliskan pemahaman dan pengalaman belajarmu pada materi ini

1. Kunci Mengurai Kerumitan: Masalah komputasi yang tampak menakutkan menjadi sangat mudah saat dipecah menjadi modul fungsi sederhana.

2. Standar Industri: Software engineer profesional selalu merancang arsitektur modular sebelum mulai menulis kode program.

3. Sinergi Komponen: Keberhasilan sistem AI dan aplikasi bergantung pada integrasi harmonis antar setiap modul subsistemnya.