.png)
InforEdu Kelas 12
Kurikulum Merdeka - Semester 1
Kuasai Pemikiran Komputasional & Keamanan Siber!
Materi lengkap Informatika Semester 1 berdasarkan Kurikulum Merdeka. Pelajari struktur data kompleks (Graf & Tree), strategi algoritma (Greedy & Dynamic Programming), Kriptografi, serta Penerapan AI.
Bab 1: Berpikir Komputasional
Struktur Data Graf, Tree, & Strategi Algoritma
Struktur Data Graf & Pohon (Tree)
Graf (Graph): Terdiri dari simpul (Vertex/Node) dan sisi (Edge). Digunakan untuk pemodelan peta lokasi, jaringan sosial, dan routing internet.
Pohon (Tree): Graf terhubung tanpa sirkuit (cycle), memiliki satu root (akar) dan hierarki ortogonal (Parent-Child).
Algoritma Greedy vs Dynamic Programming (DP)
-
> Greedy: Memilih opsi terbaik pada setiap langkah lokal tanpa melihat konsekuensi global jangka panjang. Cepat, namun tidak selalu optimal.
> Dynamic Programming (DP): Memecah masalah menjadi sub-masalah overlapping dan menyimpan solusinya (*memoization/tabulation*) untuk menghindari perhitungan berulang.
Bab 2: Jaringan & Cyber Security
Keamanan Informasi & Kriptografi
Prinsip Dasar Kriptografi
PROSES: Plaintext (Pesan Asli) → Enkripsi (Kunci) → Ciphertext (Pesan Tersandi) → Dekripsi → Plaintext.
Simetris vs Asimetris
Kunci Simetris (e.g. AES, Caesar): Menggunakan 1 kunci sama untuk enkripsi & dekripsi.
Kunci Asimetris (e.g. RSA): Menggunakan pasangan Public Key (untuk enkripsi) dan Private Key (untuk dekripsi).
Bab 3: Algoritma Shortest Path
Algoritma Dijkstra, BFS, DFS
Algoritma Dijkstra
Digunakan untuk mencari lintasan terpendek dari satu simpul asal ke semua simpul lain pada graf berbobot non-negatif. Menggunakan pendekatan *Greedy* berulang.
BFS vs DFS
BFS (Breadth-First Search): Memusat melebar tingkat demi tingkat (memakai antrean / Queue).
DFS (Depth-First Search): Menjelajah sedalam mungkin dahulu (memakai tumpukan / Stack).
Bab 4: Pengenalan AI & Data Science
Machine Learning & Etika Teknologi
Kategori Machine Learning
1. Supervised Learning: Data berlabel (Klasifikasi, Regresi).
2. Unsupervised Learning: Data tidak berlabel (Clustering, K-Means).
3. Reinforcement Learning: Belajar via Reward & Punishment.
Etika & Dampak Sosial AI
Transparansi algoritma, privasi data pengguna, pencegahan bias data, dan perlindungan hak cipta konten kecerdasan buatan.