Modul Ajar & RPP Informatika Kelas IX
Berpikir Komputasional dalam Analisis Data
Sudah jadi 11 lembar, tinggal tulis nama Anda ✍️
🎁 100% GRATIS · unduh Word + PDF tanpa bayar
Gratis 3 modul, tanpa bayar apa pun.
TERBARUTP 2026/2027Rumus 8-3-3-4Pembelajaran Mendalam
- 8Dimensi Profil Lulusan: keimanan & ketakwaan, kewargaan, penalaran kritis, kreativitas, kolaborasi, kemandirian, kesehatan, komunikasi
- 3Prinsip Pembelajaran: berkesadaran, bermakna, menggembirakan
- 3Pengalaman Belajar: memahami, mengaplikasi, merefleksi
- 4Kerangka Pembelajaran: praktik pedagogis, kemitraan, lingkungan, pemanfaatan digital
📜 Dasar: Permendikdasmen 13/2025 · Standar Proses 1/2026 · CP 046/H/KR/2025 jo. 020/2026
“Lebih fleksibel, mempersingkat waktu, dan jelas.”
Isi modul ini
Di bawah ini 11 lembar A4 pertama, persis seperti yang terunduh. Nama & tema yang Anda pilih di atas sudah terpasang.
| Penyusun | nama Anda |
| Satuan Pendidikan | sekolah Anda |
| Mata Pelajaran | Informatika |
| Fase / Kelas | D / IX |
| Materi Pokok | Berpikir Komputasional dalam Analisis Data |
| Alokasi Waktu | 2 pertemuan |
| Tahun Pelajaran | 2026/2027 |
| Pendekatan | Pembelajaran Mendalam |
| Model Pembelajaran | Project-Based Learning (PjBL) dengan praktik analisis data |
| Bentuk Dokumen | Modul Ajar — memuat RPP |
✍️ Dua baris kuning di atas terisi otomatis saat Anda mengunduh — beserta kop, logo, dan nama sekolah di kepala tiap lembar.
Identifikasi Peserta Didik:
| Kesiapan belajar (kompetensi awal) | Peserta didik telah memiliki pemahaman dasar tentang berpikir komputasional dan mampu mengidentifikasi masalah sederhana. |
Dimensi Profil Lulusan yang dikembangkan:
- Penalaran Kritis — mengolah informasi, menganalisis, dan menarik simpulan secara logis
- Kreativitas — menghasilkan gagasan dan karya yang orisinal serta bermanfaat
- Kolaborasi — bekerja sama secara efektif untuk mencapai tujuan bersama
🔒 Elemen tiap dimensi beserta wujudnya pada materi ini tersedia di Paket Lengkap.
Capaian Pembelajaran (CP):
| Acuan | Keputusan Kepala BSKAP Nomor 046/H/KR/2025 |
| Elemen / Domain | Berpikir Komputasional |
| Rumusan CP Fase | Peserta didik mampu menerapkan strategi algoritmik dan dekomposisi untuk menyelesaikan permasalahan kompleks, termasuk dalam menganalisis data, serta mengembangkan solusi yang inovatif dan efisien. |
Identifikasi materi — 4 dimensi pengetahuan:
| Faktual | Data hasil survei, data penjualan produk, atau data cuaca adalah contoh nyata yang dapat dianalisis menggunakan berpikir komputasional. |
| Konseptual | Berpikir komputasional dalam analisis data melibatkan dekomposisi masalah, pengenalan pola, abstraksi, dan pengembangan algoritma untuk mengekstrak informasi berharga dari data. |
| Prosedural | Langkah-langkah yang dipelajari mencakup pengumpulan data, pembersihan data, visualisasi data, identifikasi pola, dan penarikan kesimpulan berdasarkan data. |
| Metakognitif | Peserta didik akan menyadari bagaimana berpikir sistematis dan logis membantu mereka memahami dunia sekitar melalui data, serta pentingnya validasi dan interpretasi hasil analisis. |
Tujuan Pembelajaran:
- Mengidentifikasi masalah yang dapat diselesaikan dengan analisis data menggunakan pendekatan berpikir komputasional.
- Mendekomposisi masalah analisis data menjadi bagian-bagian yang lebih kecil dan mudah dikelola.
- Mengidentifikasi pola dan tren dalam kumpulan data sederhana.
- Menerapkan teknik abstraksi untuk menyederhanakan representasi data.
- Merancang algoritma sederhana untuk mengolah dan menganalisis data.
- Mempresentasikan hasil analisis data dengan visualisasi yang efektif dan menyimpulkan implikasinya.
Pemahaman bermakna: Memahami bahwa berpikir komputasional bukan hanya untuk komputer, tetapi juga alat penting untuk memecahkan masalah di kehidupan nyata, terutama dalam membuat keputusan berdasarkan data yang akurat dan relevan.
Pertanyaan pemantik: "Pernahkah kalian bertanya bagaimana rekomendasi film di aplikasi streaming bisa sangat sesuai dengan selera kalian?"
| Praktik Pedagogis | Project-Based Learning (PjBL) dengan praktik analisis data |
| Lintas Disiplin Ilmu | Matematika: Konsep statistika dasar (rata-rata, median, modus), grafik, dan interpretasi data numerik. Ilmu Pengetahuan Sosial: Analisis data demografi, ekonomi, atau survei sosial untuk memahami fenomena masyarakat. Bahasa Indonesia: Keterampilan komunikasi dan presentasi yang efektif untuk menjelaskan hasil analisis data. |
| Kemitraan Pembelajaran | Orang tua dapat diajak berdiskusi tentang contoh data di rumah (misal: data pengeluaran bulanan) untuk memperkaya pemahaman peserta didik tentang aplikasi analisis data. |
| Lingkungan Pembelajaran | Ruang kelas yang fleksibel untuk diskusi kelompok, akses ke komputer atau tablet untuk simulasi pengolahan data, dan papan tulis/media display untuk visualisasi ide. |
| Pemanfaatan Teknologi Digital | Pemanfaatan aplikasi spreadsheet (misal: Google Sheets, Microsoft Excel) untuk mengelola dan memvisualisasikan data, serta aplikasi presentasi untuk menyajikan hasil analisis. |
| Model Pembelajaran | Discovery Learning |
| Tujuan Pertemuan 1 | Mengidentifikasi masalah yang dapat diselesaikan dengan analisis data menggunakan pendekatan berpikir komputasional. |
| Tahapan | Alokasi | Kegiatan Pembelajaran |
|---|---|---|
| Kegiatan AwalBerkesadaran (Mindful) | 15 menit | Salam, doa, presensi. Apersepsi: Guru mengajak peserta didik berdiskusi tentang contoh-contoh data di kehidupan sehari-hari (misal: data cuaca, data belanja online). Guru menyampaikan tujuan pembelajaran dan pertanyaan pemantik: 'Bagaimana data-data ini bisa membantu kita membuat keputusan yang lebih baik?' |
| Inti — MemahamiBermakna (Meaningful) | 15 menit | Peserta didik diajak mengamati beberapa studi kasus singkat (misal: mengapa suatu produk lebih laku di daerah tertentu) dan berdiskusi kelompok untuk mengidentifikasi masalah yang ada serta potensi data yang bisa digunakan untuk menyelesaikannya. |
| Inti — MengaplikasiBermakna (Meaningful) | 25 menit | Setiap kelompok memilih satu masalah dari kehidupan nyata yang menurut mereka bisa dipecahkan dengan analisis data, lalu menuliskan masalah tersebut dan data apa saja yang mungkin dibutuhkan. |
| Inti — MerefleksiBermakna (Meaningful) | 10 menit | Perwakilan kelompok mempresentasikan masalah yang dipilih. Guru memberikan umpan balik dan penguatan tentang pentingnya mengidentifikasi masalah yang jelas sebelum melakukan analisis data. Peserta didik mencatat poin-poin penting. |
| Kegiatan PenutupMenggembirakan (Joyful) | 15 menit | Guru dan peserta didik menyimpulkan bersama pentingnya identifikasi masalah dalam analisis data. Guru memberikan apresiasi atas partisipasi aktif dan memberikan tantangan untuk pertemuan berikutnya. Doa penutup. |
Tahapan inti mengikuti 3 Pengalaman Belajar Pembelajaran Mendalam: memahami → mengaplikasi → merefleksi; label di kolom kiri menunjukkan prinsip yang diwujudkan tiap tahapan.
| Model Pembelajaran | Problem-Based Learning |
| Tujuan Pertemuan 2 | Mendekomposisi masalah analisis data menjadi bagian-bagian yang lebih kecil dan mudah dikelola. |
| Tahapan | Alokasi | Kegiatan Pembelajaran |
|---|---|---|
| Kegiatan AwalBerkesadaran (Mindful) | 15 menit | Salam, doa, presensi. Mengulas singkat materi sebelumnya. Guru mengingatkan kembali masalah yang telah diidentifikasi dan menyampaikan tujuan pertemuan ini: 'Bagaimana kita bisa memecah masalah besar menjadi bagian-bagian kecil agar lebih mudah dikelola?' |
| Inti — MemahamiBermakna (Meaningful) | 15 menit | Peserta didik diberikan studi kasus masalah analisis data yang lebih kompleks (misal: menganalisis kepuasan pelanggan). Secara individu, mereka mencoba memecah masalah tersebut menjadi sub-masalah yang lebih kecil. |
| Inti — MengaplikasiBermakna (Meaningful) | 25 menit | Dalam kelompok, peserta didik mendiskusikan hasil dekomposisi masing-masing dan menyusun dekomposisi masalah yang disepakati bersama, termasuk langkah-langkah awal untuk setiap sub-masalah. |
| Inti — MerefleksiBermakna (Meaningful) | 10 menit | Setiap kelompok mempresentasikan hasil dekomposisi masalahnya. Guru memfasilitasi diskusi dan memberikan contoh dekomposisi yang efektif, menekankan bahwa dekomposisi yang baik akan mempermudah langkah selanjutnya. |
| Kegiatan PenutupMenggembirakan (Joyful) | 15 menit | Guru menyimpulkan pentingnya dekomposisi dalam berpikir komputasional. Guru memberikan apresiasi dan motivasi untuk terus berlatih berpikir sistematis. Doa penutup. |
Tahapan inti mengikuti 3 Pengalaman Belajar Pembelajaran Mendalam: memahami → mengaplikasi → merefleksi; label di kolom kiri menunjukkan prinsip yang diwujudkan tiap tahapan.
Tujuan: Peserta didik mampu menerapkan dekomposisi dan pengenalan pola pada studi kasus analisis data sederhana.
Alat & bahan: Lembar kerja, alat tulis, komputer/tablet (opsional), contoh data sederhana (misal: data penjualan kantin sekolah)
Langkah kerja:
- Telusuri diagram alir berikut untuk tiga pasang nilai p dan l pilihanmu, lalu tuliskan keluarannya pada tabel.
Gambar 1. Diagram alir - Baca studi kasus analisis data yang diberikan dengan seksama.
- Identifikasi masalah utama yang perlu dipecahkan dari studi kasus tersebut.
- Dekomposisi masalah utama menjadi 3-4 sub-masalah yang lebih kecil.
- Dari data yang tersedia, identifikasi minimal 3 pola atau tren yang menarik.
- Tuliskan kesimpulan awal berdasarkan pola yang ditemukan.
🔒 Tabel kerja dan lembar refleksi murid tidak ditampilkan di pratinjau — keduanya ada di berkas unduhan.
Asesmen awal (diagnostik):
- Menurutmu, apa itu data?
- Berikan satu contoh masalah sehari-hari yang menurutmu bisa diselesaikan dengan melihat data.
- Apa yang kamu ketahui tentang 'pola'?
- Pernahkah kamu membuat grafik atau tabel untuk menyajikan informasi?
Formatif (proses): Observasi aktivitas kelompok saat dekomposisi masalah dan identifikasi pola, serta penilaian presentasi hasil analisis data.
Sumatif (akhir): Penilaian proyek analisis data kelompok (produk dan presentasi) yang mencakup penerapan berpikir komputasional secara menyeluruh.
🔒 Rubrik KKTP dan kunci jawaban tidak ditampilkan di pratinjau — rubrik ada di berkas unduhan, kunci jawaban khusus member Paket Lengkap.
| No | Tujuan Pembelajaran | Materi | Alokasi | Dimensi |
|---|---|---|---|---|
| 1 | Mengidentifikasi masalah analisis data | Identifikasi masalah dan data | 2 JP | Penalaran Kritis |
| 2 | Mendekomposisi dan mengidentifikasi pola data | Dekomposisi dan pengenalan pola | 4 JP | Penalaran Kritis, Kreativitas |
| 3 | Menerapkan abstraksi dan merancang algoritma | Abstraksi dan perancangan algoritma | 4 JP | Kreativitas, Penalaran Kritis |
| 4 | Mempresentasikan hasil analisis data | Visualisasi dan presentasi hasil analisis | 2 JP | Kolaborasi, Komunikasi |
Di era digital ini, kita dikelilingi oleh data. Dari rekomendasi belanja online hingga prakiraan cuaca, data memegang peran penting dalam kehidupan kita. Materi ini akan membimbingmu memahami bagaimana berpikir komputasional, sebuah cara berpikir ala ilmuwan komputer, dapat membantumu menganalisis data untuk menemukan pola, membuat keputusan cerdas, dan bahkan memecahkan masalah di sekitarmu.
1. Pengenalan Berpikir Komputasional dan Data
Berpikir komputasional (Computational Thinking/CT) adalah pendekatan pemecahan masalah yang melibatkan empat pilar utama: dekomposisi, pengenalan pola, abstraksi, dan algoritma. CT bukan hanya untuk ilmuwan komputer, melainkan keterampilan universal yang berguna dalam berbagai bidang. Data adalah kumpulan fakta atau informasi mentah yang belum diolah. Dalam konteks CT, data menjadi bahan baku utama yang akan dianalisis untuk menemukan wawasan atau solusi. Contoh data bisa berupa angka, teks, gambar, atau suara. Memahami jenis data dan sumbernya adalah langkah awal yang krusial sebelum melakukan analisis.
2. Dekomposisi dalam Analisis Data
Dekomposisi adalah proses memecah masalah besar atau sistem kompleks menjadi bagian-bagian yang lebih kecil, lebih sederhana, dan lebih mudah dikelola. Dalam analisis data, ini berarti memecah pertanyaan analisis yang luas menjadi pertanyaan-pertanyaan yang lebih spesifik. Misalnya, jika ingin menganalisis 'mengapa penjualan produk menurun', kita bisa memecahnya menjadi 'produk apa yang penjualannya paling turun?', 'kapan penurunan terjadi?', 'di wilayah mana penurunan paling signifikan?', atau 'apakah ada faktor eksternal yang mempengaruhi?'. Dekomposisi membantu kita fokus pada setiap bagian tanpa kewalahan oleh kompleksitas masalah secara keseluruhan.
3. Pengenalan Pola dalam Data
Pengenalan pola adalah kemampuan untuk menemukan kesamaan, tren, atau keteraturan dalam data. Setelah masalah dipecah, kita akan mencari pola dalam setiap bagian data yang relevan. Pola bisa berupa tren naik/turun, siklus musiman, hubungan sebab-akibat, atau anomali (data yang tidak biasa). Misalnya, dalam data penjualan, kita mungkin menemukan pola bahwa penjualan meningkat setiap akhir bulan atau produk tertentu lebih laku di musim hujan. Mengidentifikasi pola membantu kita memahami perilaku data dan membuat prediksi atau rekomendasi berdasarkan temuan tersebut.
4. Abstraksi untuk Representasi Data
Abstraksi adalah proses menyembunyikan detail yang tidak relevan dan fokus pada informasi yang penting atau esensial untuk tujuan tertentu. Dalam analisis data, ini berarti menyederhanakan data yang kompleks menjadi representasi yang lebih ringkas dan mudah dipahami. Contoh abstraksi adalah membuat ringkasan statistik (rata-rata, median), mengelompokkan data ke dalam kategori, atau membuat visualisasi data seperti grafik dan diagram. Dengan abstraksi, kita dapat melihat 'gambaran besar' tanpa terganggu oleh detail yang tidak perlu, sehingga mempermudah pengambilan keputusan.
5. Desain Algoritma untuk Pengolahan Data
Algoritma adalah serangkaian langkah-langkah yang jelas dan terurut untuk menyelesaikan suatu masalah. Setelah masalah dipecah, pola dikenali, dan data diabstraksi, kita perlu merancang algoritma untuk mengolah data tersebut secara sistematis. Algoritma dalam analisis data bisa berupa langkah-langkah untuk membersihkan data, mengurutkan data, menghitung statistik tertentu, atau membuat visualisasi. Misalnya, algoritma untuk mencari nilai rata-rata adalah: 'jumlahkan semua nilai, lalu bagi dengan banyaknya nilai'. Merancang algoritma memastikan analisis data dilakukan secara logis dan efisien.
6. Visualisasi Data dan Interpretasi Hasil
Visualisasi data adalah representasi grafis dari informasi dan data, seperti grafik batang, diagram lingkaran, atau peta panas. Tujuannya adalah untuk menyajikan hasil analisis data dengan cara yang mudah dipahami dan menarik secara visual, sehingga pola dan tren yang ditemukan dapat dikomunikasikan secara efektif. Setelah data divisualisasikan, langkah selanjutnya adalah menginterpretasikan hasilnya, yaitu menjelaskan apa arti dari pola atau tren yang terlihat dan apa implikasinya terhadap masalah awal. Interpretasi yang baik akan menghasilkan kesimpulan yang relevan dan actionable.
Rangkuman: Berpikir komputasional (dekomposisi, pengenalan pola, abstraksi, algoritma) adalah alat penting untuk menganalisis data. Dengan memecah masalah, menemukan tren, menyederhanakan informasi, dan merancang langkah-langkah sistematis, kita dapat mengekstrak wawasan berharga dari data. Visualisasi data membantu mengkomunikasikan temuan ini secara efektif, memungkinkan kita membuat keputusan yang lebih cerdas dan memecahkan masalah di dunia nyata dengan pendekatan yang logis dan terstruktur.
| Istilah | Arti |
|---|---|
| Dekomposisi | Proses memecah masalah besar menjadi bagian-bagian yang lebih kecil. |
| Pengenalan Pola | Kemampuan mengidentifikasi kesamaan, tren, atau keteraturan dalam data. |
| Abstraksi | Proses menyederhanakan informasi dengan menyembunyikan detail yang tidak relevan. |
| Algoritma | Serangkaian langkah-langkah yang jelas dan terurut untuk menyelesaikan masalah. |
| Data | Kumpulan fakta atau informasi mentah yang belum diolah. |
| Visualisasi Data | Representasi grafis dari data untuk mempermudah pemahaman. |
🔒 Daftar pustaka tidak ditampilkan di pratinjau — ada di berkas unduhan.
Modul ajar "Berpikir Komputasional dalam Analisis Data" mata pelajaran Informatika Kelas IX ini disusun sesuai ketentuan Kurikulum Merdeka · Pembelajaran Mendalam dan dinyatakan dapat digunakan dalam pembelajaran Tahun Pelajaran 2026/2027.
Rujukan: Permendikdasmen No. 13 Tahun 2025 (Pembelajaran Mendalam) · Permendikdasmen No. 1 Tahun 2026 (Standar Proses) · CP: Kepka BSKAP No. 046/H/KR/2025
Bukan Berpikir Komputasional dalam Analisis Data yang Anda cari?Pilih dari peta materi setahun di bawah ini 👇
Materi Anda tidak ada di daftar?Tulis judulnya sendiri — tetap gratis, ±1 menitPeta Materi Informatika Kelas IX Setahun
Urutan mengajarnya, bukan urutan pencarian. Yang sudah ada tinggal diunduh; yang belum, disusun atas nama Anda — sama-sama gratis.
Semester 1 / Ganjil1 dari 2 siap unduh
Semester 2 / Genap2 dari 2 siap unduh
Literasi Digital untuk ProduktivitasModul siap unduh · Word + PDF ber-kopKeamanan DigitalModul siap unduh · Word + PDF ber-kopModul Informatika lain yang sudah tersedia
Menerapkan Berpikir KomputasionalInformatika Kelas IX SMPManajemen Keamanan Data dan Perlindungan PrivasiInformatika Kelas IX SMPMengolah dan Menginterpretasikan DataInformatika Kelas IX SMPPengolah dan Menginterpretasikan DataInformatika Kelas IX SMPLihat semua Modul Ajar Informatika Kelas IX →📝 Butuh soal ujiannya juga?
Materi Berpikir Komputasional dalam Analisis Data masuk ASAS Informatika Kelas IX Semester 1. Lihat contoh soal dan kuncinya, lalu rakit paket soalnya — kisi-kisi, naskah, kunci, kartu soal.
Mesin Soal Informatika Kelas IX →Pertanyaan yang Sering Diajukan
Apakah ini modul ajar Informatika kelas 9 yang saya cari?
Kemungkinan besar ya. Kelas IX dan kelas 9 adalah kelas yang sama — yang satu ditulis angka Romawi seperti di dokumen resmi, yang satu angka biasa. Berkas ini perangkat ajar untuk materi Berpikir Komputasional dalam Analisis Data pada Informatika SMP, Fase D, elemen Berpikir Komputasional.
Modul Berpikir Komputasional dalam Analisis Data ini untuk semester 1 (ganjil) atau semester 2 (genap)?
Semester 1 (ganjil), menurut urutan materi Informatika kelas IX SMP di peta setahun pada halaman ini. Semesternya sudah terisi otomatis saat Anda mengunduh.
Apakah modul ajar Informatika materi Berpikir Komputasional dalam Analisis Data ini gratis?
Ya. Modul Berpikir Komputasional dalam Analisis Data untuk kelas IX SMP dapat diunduh gratis dalam Word + PDF tanpa watermark, lengkap dengan kop sekolah dan nama Anda sebagai penyusun. Tiga modul gratis tersedia bertahap; modul berikutnya terbuka setiap 18 jam.
Bagaimana cara download modul ajar Berpikir Komputasional dalam Analisis Data ini dalam Word (.docx) dan PDF?
Ketuk tombol unduh, isi nama dan sekolah, lalu buka dengan email atau Google dan nomor WhatsApp aktif. Berkas Informatika kelas IX ini turun sebagai Word (.docx) yang bisa diedit dan PDF siap cetak, tanpa iklan dan tanpa tautan Drive.
Berapa lama modul ini tersusun?
Sekitar satu menit. Cukup isi nama, jenjang, sekolah, mapel, dan materi — modul Informatika kelas IX langsung tersusun atas nama Anda.
Bisakah modul Berpikir Komputasional dalam Analisis Data ini diedit?
Bisa. Hasil unduhan berupa dokumen Word yang bisa disunting penuh — tujuan, alokasi waktu, dan langkah kegiatan Berpikir Komputasional dalam Analisis Data dapat Anda sesuaikan dengan murid Informatika kelas IX di sekolah Anda. Sudah ber-kop sekolah dan atas nama Anda, tersedia juga dalam PDF.
Apakah modul ajar Informatika kelas IX ini sesuai kurikulum terbaru?
Ya. Modul Berpikir Komputasional dalam Analisis Data ini mengikuti Keputusan Kepala BSKAP Nomor 046/H/KR/2025, pada Fase D untuk kelas IX SMP. Profil Pelajar Pancasila (P5) kini dilanjutkan sebagai 8 Dimensi Profil Lulusan; dimensi yang dikembangkan materi Berpikir Komputasional dalam Analisis Data tercantum di lembar identitasnya.
Ini modul ajar, RPP, atau RPM deep learning?
Ketiganya berkas yang sama. Sampulnya memang bertanda Deep Learning · Pembelajaran Mendalam, dan sebagian guru menyebutnya RPM (Rencana Pembelajaran Mendalam). Modul ajar memuat RPP — keduanya bukan dua dokumen terpisah. Sejak Permendikdasmen Nomor 1 Tahun 2026 tentang Standar Proses, istilah resmi untuk dokumen rencananya adalah Rencana Pelaksanaan Pembelajaran (RPP), dengan tiga komponen inti: tujuan pembelajaran, langkah pembelajaran, dan asesmen. Modul ajar adalah ketiganya beserta lampirannya — LKPD, ATP, dan bahan ajar. Berkas Berpikir Komputasional dalam Analisis Data untuk Informatika kelas IX di halaman ini memuat semuanya, jadi dapat disetorkan baik ketika sekolah meminta RPP maupun modul ajar.
Apakah ada soal, kisi-kisi, dan rubrik KKTP-nya?
Ada. Modul Berpikir Komputasional dalam Analisis Data ini memuat bank soalnya sendiri — 6 pilihan ganda dan 5 uraian (kunci jawabannya khusus member Paket Lengkap), ditambah rubrik KKTP pada bagian asesmennya. Yang belum termasuk: paket soal satu semester penuh Informatika kelas IX SMP berikut kisi-kisi dan kartu soalnya — Asesmen Sumatif Tengah Semester (ASTS/PTS) dan Akhir Semester (ASAS/PAS). Penjelasannya ada di halaman Kisi-Kisi & ASAS.
Apakah Kaldik, Prota, dan Promes (Program Semester) ikut di unduhan gratis?
Tidak. Unduhan gratis berisi modul ajar Berpikir Komputasional dalam Analisis Data beserta ATP, LKPD, asesmen, dan bank soalnya. Perangkat pembelajaran pelengkap Informatika kelas IX berupa Program Tahunan (Prota) dan Program Semester (Promes/Prosem) ber-kop sekolah tersedia lewat Paket Modul — bersama Kalender Pendidikan (libur nasional & cuti bersama resmi SKB 3 Menteri sudah tercantum) dan Alokasi Waktu yang menghitung minggu efektifnya otomatis.
Modul Informatika ini cocok untuk SMP negeri, swasta, maupun MTs?
Ya. Kop, logo, dan nama SMP Anda dipasang otomatis, negeri maupun swasta; sekolah berciri (Muhammadiyah, NU, Islam Terpadu) mendapat kop dan mapel khasnya sendiri saat mengisi borang. Untuk MTs, pilih jenjang MTs saat mengisi borang: materi Berpikir Komputasional dalam Analisis Data yang sama disusun dalam versi madrasah (Kurikulum Berbasis Cinta, kop Kemenag), dan halaman Informatika MTs ada di daftar jenjang lain di bawah.
tuntas.org — administrasi beres, kinerja tuntas. Semua modul disusun sebagai materi bantu belajar yang independen.