MODUL AJAR
Mata Pelajaran: Dasar-Dasar Perhotelan
Topik: Penerapan Teknologi Deep Learning untuk Prediksi Tingkat Hunian Hotel
Tujuan Pembelajaran (TP):
Siswa mampu membuat model prediksi tingkat hunian berdasarkan data reservasi menggunakan algoritma deep learning sederhana.
A. INFORMASI UMUM
- Jenjang: SMK / Kelas X
- Durasi Pembelajaran: 3 x 45 menit
- Kompetensi Dasar (KD):
- Memahami konsep dasar teknologi dalam perhotelan.
- Menerapkan teknologi berbasis data untuk meningkatkan efisiensi operasional hotel.
- Capaian Pembelajaran (CP):
- Siswa mampu menggunakan algoritma deep learning sederhana untuk memprediksi tingkat hunian hotel berdasarkan pola data reservasi.
B. TUJUAN PEMBELAJARAN
Setelah mengikuti pembelajaran ini, siswa diharapkan dapat:
- Mengidentifikasi data yang relevan untuk prediksi tingkat hunian hotel.
- Membuat model prediksi tingkat hunian hotel menggunakan library Python seperti TensorFlow.
- Mengevaluasi hasil prediksi model dan menginterpretasikan pola dari data yang dihasilkan.
C. KEGIATAN PEMBELAJARAN
Tahapan | Deskripsi Kegiatan | Durasi |
---|---|---|
Pendahuluan | 1. Guru memberikan pengantar tentang pentingnya prediksi tingkat hunian hotel untuk meningkatkan efisiensi layanan. 2. Guru menampilkan video singkat atau studi kasus penerapan teknologi deep learning dalam industri perhotelan. 3. Guru menjelaskan tujuan pembelajaran dan langkah-langkah yang akan dilakukan. | 15 menit |
Eksplorasi | 1. Guru menjelaskan konsep dasar deep learning menggunakan presentasi interaktif. 2. Siswa mempelajari struktur dataset reservasi hotel, seperti data tanggal reservasi, durasi menginap, dan jumlah tamu. 3. Guru memberikan template dataset dan menjelaskan elemen-elemen pentingnya. | 45 menit |
Eksperimen | 1. Siswa membuka Google Colab dan menyiapkan environment Python. 2. Guru membimbing siswa untuk mengimpor library seperti TensorFlow atau Keras .3. Siswa melakukan langkah-langkah: a. Membaca dataset (load data). b. Membagi data menjadi training dan testing set. c. Membangun model neural network sederhana. d. Melatih model dengan data (fit). 4. Siswa menjalankan model dan menampilkan hasil prediksi tingkat hunian hotel. | 60 menit |
Refleksi & Evaluasi | 1. Siswa mempresentasikan hasil prediksi tingkat hunian dari model yang dibuat. 2. Guru dan siswa berdiskusi mengenai pola dan akurasi model. 3. Guru memberikan umpan balik untuk perbaikan model. 4. Siswa menyusun laporan singkat tentang hasil eksperimen mereka. | 30 menit |
D. MEDIA DAN SUMBER BELAJAR
- Media Pembelajaran:
- Google Colab (untuk eksperimen coding).
- Video pendek tentang penerapan teknologi dalam perhotelan.
- Sumber Belajar:
- Modul deep learning untuk pemula.
- Dataset sederhana tentang reservasi hotel (dapat dibuat atau diambil dari sumber open data, seperti Kaggle).
- Dokumentasi library Python: TensorFlow dan Keras.
E. PENILAIAN
1. Asesmen Formatif:
- Tanya jawab di kelas untuk memastikan pemahaman dasar deep learning.
- Kuis singkat tentang elemen-elemen dataset reservasi hotel.
2. Asesmen Sumatif:
- Proyek: Membuat model prediksi tingkat hunian hotel menggunakan dataset yang diberikan.
- Kriteria Penilaian:
- Kebenaran logika model (architecture).
- Akurasi prediksi berdasarkan data uji.
- Presentasi hasil prediksi model dalam diskusi kelas.
Rubrik Penilaian Proyek:
Aspek | Deskripsi | Skor |
---|---|---|
Pemahaman Konsep | Memahami elemen dataset dan prinsip dasar deep learning. | 0-20 |
Implementasi Model | Mampu membuat model prediksi tingkat hunian hotel. | 0-40 |
Analisis Hasil | Menginterpretasikan hasil prediksi dengan baik. | 0-20 |
Presentasi | Menyampaikan hasil dengan jelas, baik dalam laporan maupun diskusi. | 0-20 |
Total | 100 |
F. PENUTUP
Melalui modul ini, siswa tidak hanya memahami teori dasar deep learning tetapi juga mendapatkan pengalaman langsung dalam mengaplikasikan teknologi ini untuk kebutuhan operasional di perhotelan. Pembelajaran ini mendorong siswa untuk berpikir kritis dan inovatif dalam menghadapi tantangan dunia kerja.