Sekolah menggunakan AI untuk menyeleksi peserta lomba sains. Setelah berjalan sebulan, AI lebih sering memilih siswa dari jurusan MIPA meskipun nilai siswa IPS sebenarnya lebih tinggi. Apa penyebab paling mungkin?

Sebuah aplikasi keamanan sekolah menggunakan kamera untuk mendeteksi orang asing. Ketika cahaya redup, akurasi deteksi menurun drastis meskipun modelnya cukup baik. Solusi terbaik untuk meningkatkan kualitas deteksi adalah...

Tim literasi digital membuat chatbot untuk membantu siswa mencari referensi belajar. Namun chatbot sering memberikan jawaban tidak relevan karena tidak memahami konteks percakapan panjang. Metode apa yang sebaiknya digunakan?

Aplikasi koperasi sekolah menggunakan AI untuk mendeteksi transaksi mencurigakan. Namun banyak transaksi normal ikut ditandai sebagai penipuan (false positive tinggi). Apa langkah terbaik?

Siswa membuat model ML sederhana untuk memprediksi hujan menggunakan data suhu dan kelembapan dari sensor sekolah. Model masih menghasilkan prediksi tidak konsisten. Langkah terbaik untuk meningkatkan akurasi adalah...

Sebuah gedung kelas dilengkapi AI untuk mengontrol lampu otomatis. Sistem belajar dari pola aktivitas siswa. Namun lampu sering menyala meski kelas kosong hanya karena ada gerakan dari hewan kecil. Solusi paling tepat adalah...

Sebuah tim membuat AI untuk mendeteksi penyakit tanaman dari foto daun. Setelah dianalisis, banyak gambar dalam dataset memiliki resolusi rendah, blur, dan pencahayaan tidak merata. Apa langkah terbaik sebelum training?

AI pada platform e-learning sekolah memberikan rekomendasi materi berdasarkan hasil kuis siswa. Namun beberapa siswa mendapat rekomendasi yang sama meskipun kemampuan berbeda. Penyebab paling mungkin?

Sekolah ingin menggunakan AI untuk menilai tugas esai secara otomatis. Namun ada kekhawatiran bahwa AI akan memberikan nilai berbeda berdasarkan gaya bahasa siswa tertentu. Apa yang harus dilakukan sebelum sistem digunakan?

Sebuah model machine learning menunjukkan akurasi 98% pada data training, namun ketika diuji pada data baru performanya turun drastis. Banyak siswa menganggap akurasi tinggi sudah cukup membuktikan kualitas model. Pernyataan: Model dengan akurasi tinggi pada data training pasti memiliki performa baik pada data baru.

Sebuah sekolah membuat sistem seleksi otomatis untuk menentukan calon peserta lomba. Namun setelah digunakan, sistem lebih sering memilih siswa dari kelompok tertentu. Pernyataan: AI dapat bias jika dataset pelatihan tidak seimbang atau tidak mewakili semua kelompok.

Seorang siswa ingin membangun model supervised learning namun tidak ingin melakukan pelabelan data karena dianggap memakan banyak waktu. Pernyataan: Supervised learning dapat berjalan tanpa data yang memiliki label.

Dalam proyek klasifikasi data sensor, siswa menemukan bahwa model sering tidak stabil karena skala angka pada fitur sangat berbeda. Pernyataan: Normalisasi data dapat membantu model lebih stabil karena menyamakan skala fitur.

Ketika hasil prediksi model cuaca buatan siswa tidak konsisten, mereka langsung mengganti model dengan versi yang lebih kompleks tanpa menganalisis masalah data terlebih dahulu. Pernyataan: Solusi terbaik untuk prediksi yang tidak stabil adalah selalu mengganti model dengan arsitektur yang lebih rumit.

Dalam proyek pengenalan tumbuhan berbasis gambar, siswa ingin menggunakan algoritma sederhana, tetapi guru menyarankan menggunakan CNN karena lebih tepat. Pernyataan: Model deep learning seperti CNN cocok untuk memproses gambar karena mampu mengenali pola spasial.

Sistem rekomendasi perpustakaan digital sekolah jarang diperbarui sehingga rekomendasi yang muncul tidak pernah berubah meskipun minat siswa berubah. Pernyataan: Sistem rekomendasi tidak perlu memperbarui model berdasarkan perilaku terbaru pengguna.

Dalam sebuah eksperimen ML, seorang siswa menambahkan banyak fitur tanpa mempertimbangkan relevansinya, berharap akurasi meningkat. Pernyataan: Semakin banyak fitur dalam dataset, performa model pasti meningkat.

Chatbot sekolah kadang memberikan jawaban salah ketika ditanya tentang jadwal acara, dan setelah dicek ternyata data latihannya sudah lama tidak diperbarui. Pernyataan: Chatbot AI bisa memberikan jawaban salah jika data pelatihannya tidak akurat atau sudah kedaluwarsa.

Sebuah sekolah ingin menggunakan AI untuk menilai esai siswa secara otomatis tanpa pemeriksaan manusia karena dianggap lebih cepat. Pernyataan: AI dapat sepenuhnya menggantikan pengawasan manusia dalam pengambilan keputusan penting.

Kamu diminta memilih SBC yang paling efisien untuk proyek IoT di area outdoor. Ketika diuji di Wokwi, beberapa sensor memerlukan tegangan stabil 3.3V. SBC yang kamu pilih ternyata menghasilkan overheat ketika menjalankan loop sensor intensif. Apa analisis terbaik?

Di Wokwi, data sensor suhu dari SBC ESP32 tampil acak dan tidak stabil di Serial Monitor. Setelah ditelusuri, baud rate di program adalah 9600 tetapi di Serial Monitor 115200. Apa prinsip komputasi yang paling relevan untuk memahami masalah ini?

Dalam simulasi Wokwi, tombol ditekan tetapi LED pada SBC tidak menyala. Setelah dicek, tombol tersambung ke pin input, tetapi tidak diberi pull-up atau pull-down. Apa penyebab kegagalan?

Sebuah proyek Wokwi menggunakan ESP32 untuk mengambil data online. Tetapi koneksi WiFi gagal walau SSID dan password benar. Setelah dicek, simulasi menunjukkan "Wokwi-GUEST" tidak dapat diakses karena library WiFi belum diinisialisasi. Analisis yang benar adalah?

Sensor ultrasonik HC-SR04 pada Wokwi selalu mengembalikan jarak 0 cm. Setelah diperiksa, trigger dan echo tertukar. Apa langkah paling tepat yang harus dilakukan?

Program ESP32 pada Wokwi menjalankan 10 sensor sekaligus. Waktu respon menjadi lambat. Kamu diminta mencari solusi paling efisien. Apa pendekatan yang tepat?

LCD I2C di Wokwi tidak menampilkan teks yang diinginkan. Alamat I2C yang digunakan adalah 0x27, tetapi setelah scan I2C, alamat sebenarnya 0x3F. Apa prinsip computational thinking yang digunakan dalam menemukan solusi?

Studi Kasus: Kesalahan Logika Program Dalam program Wokwi, sebuah variabel penghitung menggunakan tipe byte untuk menghitung hingga nilai 300. Namun nilai malah kembali ke 0 setelah 255. Apa penyebabnya?

Studi Kasus: Alarm Otomatis Sebuah proyek alarm menggunakan ESP32 di Wokwi: buzzer berbunyi jika jarak sensor < 20 cm. Tetapi alarm justru aktif terus-menerus walau tidak ada objek. Setelah dicek, jarak yang terbaca berkisar 300–400 cm. Apa solusi terbaik?

Studi Kasus: Kontrol Motor Servo. Motor servo tidak bergerak dalam simulasi Wokwi padahal pin sinyal dan program sudah benar. Setelah dianalisis, servo terhubung ke pin 5V tetapi ESP32 hanya menyediakan arus sangat kecil. Apa kesimpulan yang benar?