Modul Ajar & RPP Koding dan Kecerdasan Artifisial Kelas VIII
Bias dan Transparansi Algoritma

Tujuan: Mengidentifikasi potensi bias dalam studi kasus algoritma dan merumuskan solusi sederhana.

Alat & bahan: Kertas, pulpen, komputer/tablet dengan akses internet (opsional)

Langkah kerja:

1. Amati gambar di bawah ini yang menunjukkan data input untuk sistem rekomendasi film. Ada 10 pengguna yang menyukai film aksi dan 2 pengguna yang menyukai film drama.
2. Identifikasi potensi bias yang mungkin timbul jika sistem rekomendasi hanya dilatih dengan data tersebut. Jenis bias apa yang paling mungkin terjadi?
3. Diskusikan dalam kelompok, mengapa bias tersebut bisa terjadi dari data yang diberikan.
4. Rumuskan 2-3 ide solusi sederhana untuk mengurangi bias tersebut, misalnya dengan cara memodifikasi data atau aturan rekomendasi.

🔒 Tabel kerja dan lembar refleksi murid tidak ditampilkan di pratinjau — keduanya ada di berkas unduhan.

Asesmen awal (diagnostik):

1. Apa yang kalian ketahui tentang algoritma?
2. Pernahkah kalian mendengar istilah 'bias' dalam konteks teknologi?
3. Menurut kalian, apakah teknologi selalu adil dan objektif?
4. Berikan contoh sederhana bagaimana sebuah sistem dapat memberikan hasil yang tidak sesuai harapan.

Formatif (proses): Observasi partisipasi aktif peserta didik dalam diskusi kelompok, analisis studi kasus, dan kontribusi pada proyek.

Sumatif (akhir): Penilaian proyek akhir 'Sistem Rekomendasi Transparan' dan tes tertulis untuk mengukur pemahaman konsep.

🔒 Rubrik KKTP dan kunci jawaban tidak ditampilkan di pratinjau — keduanya ada di berkas unduhan.

Di era digital ini, algoritma menjadi penentu banyak keputusan, mulai dari rekomendasi belanja hingga berita yang kita lihat. Namun, terkadang algoritma bisa 'berpihak' atau bias, yang dapat menimbulkan ketidakadilan. Modul ini akan mengajak kalian memahami apa itu bias algoritma, mengapa itu terjadi, dan mengapa transparansi sangat penting agar teknologi dapat bermanfaat secara adil bagi semua.

1. Pengertian Bias Algoritma
Bias algoritma adalah hasil sistem komputasi yang secara tidak adil atau diskriminatif memihak pada kelompok tertentu atau menghasilkan hasil yang tidak akurat untuk kelompok tersebut. Ini bukan berarti algoritma itu sendiri memiliki perasaan atau niat jahat, melainkan karena data yang digunakan untuk melatihnya, cara algoritma dirancang, atau cara algoritma digunakan, mengandung pola-pola yang bias dari dunia nyata. Contohnya, jika sebuah algoritma pengenalan wajah dilatih dengan data yang mayoritas kulit putih, ia mungkin kurang akurat dalam mengenali wajah orang berkulit hitam.

2. Jenis-jenis Bias Algoritma
Ada beberapa jenis bias yang sering muncul. Pertama, bias representasi, terjadi ketika data pelatihan tidak mencerminkan populasi dunia nyata secara akurat. Kedua, bias pengukuran, yaitu ketika ada perbedaan dalam kualitas atau cara data dikumpulkan untuk kelompok yang berbeda. Ketiga, bias interaksi, muncul saat pengguna berinteraksi dengan sistem dan secara tidak sengaja memperkuat bias yang sudah ada. Keempat, bias agregasi, terjadi ketika algoritma dirancang untuk mengoptimalkan kinerja rata-rata, tetapi mengabaikan kinerja yang buruk untuk kelompok minoritas. Memahami jenis-jenis ini membantu kita mengidentifikasi masalah lebih awal.

3. Penyebab Bias Algoritma
Penyebab bias algoritma sangat beragam. Salah satu penyebab utama adalah data pelatihan yang tidak representatif atau tidak seimbang. Jika data yang digunakan untuk 'mengajari' algoritma didominasi oleh satu kelompok atau memiliki pola diskriminatif historis, algoritma akan belajar dan mereplikasi bias tersebut. Selain itu, desain algoritma yang cacat, asumsi yang dibuat oleh pengembang, atau bahkan metrik evaluasi yang tidak tepat juga dapat memperkenalkan bias. Misalnya, jika sebuah algoritma dirancang untuk memprediksi risiko kejahatan berdasarkan data historis yang bias, ia akan cenderung menargetkan kelompok yang sudah sering menjadi korban diskriminasi.

4. Pentingnya Transparansi Algoritma
Transparansi algoritma mengacu pada kemampuan untuk memahami bagaimana suatu algoritma membuat keputusan. Ini sangat penting karena memungkinkan kita untuk mengidentifikasi dan mengatasi bias. Ketika algoritma transparan, kita dapat 'mengintip' ke dalam prosesnya, memahami faktor-faktor apa yang paling memengaruhi hasilnya, dan bahkan memprediksi kapan algoritma mungkin membuat kesalahan atau keputusan yang tidak adil. Tanpa transparansi, algoritma menjadi 'kotak hitam' yang keputusannya tidak bisa dipertanyakan, sehingga sulit untuk membangun kepercayaan publik dan memastikan akuntabilitas.

5. Strategi Mengurangi Bias Algoritma
Mengurangi bias algoritma memerlukan pendekatan multi-faceted. Salah satu strategi adalah memastikan pengumpulan data yang lebih beragam dan representatif. Pra-pemrosesan data untuk menyeimbangkan kelas atau menghapus atribut yang bias juga dapat membantu. Selain itu, pengembang dapat merancang algoritma yang secara inheren lebih adil, misalnya dengan menambahkan batasan atau regulasi untuk memastikan keadilan antar kelompok. Pengujian yang ketat dan audit reguler terhadap sistem AI juga krusial untuk mendeteksi dan memperbaiki bias yang muncul setelah implementasi. Partisipasi berbagai pihak dalam pengembangan juga penting.

6. Implementasi Transparansi dalam Koding
Dalam koding, transparansi dapat diimplementasikan dengan beberapa cara. Pertama, menggunakan komentar kode yang jelas untuk menjelaskan setiap bagian algoritma. Kedua, mencetak log atau output perantara pada setiap tahap proses algoritma, sehingga pengguna atau pengembang dapat melihat bagaimana data diubah dan keputusan dibuat. Ketiga, merancang antarmuka pengguna yang memberikan penjelasan tentang mengapa suatu hasil diberikan (misal: 'Anda direkomendasikan film ini karena Anda menyukai genre aksi dan aktor X'). Penggunaan model AI yang lebih sederhana dan mudah diinterpretasikan juga mendukung transparansi.

7. Dampak Bias Algoritma pada Kehidupan Sehari-hari
Dampak bias algoritma sangat luas dan bisa memengaruhi berbagai aspek kehidupan. Dalam rekrutmen pekerjaan, algoritma yang bias dapat menyingkirkan kandidat yang berkualitas hanya karena faktor demografi. Dalam sistem peradilan, bias dapat menyebabkan hukuman yang tidak adil. Di media sosial, bias dapat memperkuat stereotip atau menyebarkan informasi yang salah. Bahkan dalam rekomendasi produk, bias dapat membatasi pilihan kita. Oleh karena itu, memahami dan mengatasi bias algoritma adalah langkah penting menuju masyarakat yang lebih adil dan inklusif di era digital.

Rangkuman: Bias algoritma adalah ketidakadilan yang muncul dari sistem AI, seringkali karena data yang tidak representatif atau desain yang cacat. Jenis bias meliputi representasi, pengukuran, interaksi, dan agregasi. Transparansi algoritma sangat penting untuk mengidentifikasi dan mengatasi bias, serta membangun kepercayaan. Mengurangi bias melibatkan pengumpulan data yang beragam, pra-pemrosesan, dan desain algoritma yang adil. Implementasi koding yang transparan membantu menjelaskan keputusan algoritma, sehingga kita bisa menciptakan AI yang lebih adil dan bertanggung jawab.

🔒 Daftar pustaka tidak ditampilkan di pratinjau — ada di berkas unduhan.

Modul ajar "Bias dan Transparansi Algoritma" mata pelajaran Koding dan Kecerdasan Artifisial Kelas VIII 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