Hendri Karisma

← Web Docs← Dokumentasi

Concept Note — Milestone 1Concept Note — Milestone 1

ResearchPenelitian

Concept Note — Milestone 1

Judul kerja: Measuring the Carbon Footprint of LLM Prompting in Computer Science Education: Toward a Green Prompting Metric

Kolaborasi: Universitas Kristen Maranatha · STMIK / Universitas Tazkia · Jejakin.com Penyusun: Oscar Karnalim (Maranatha) · Hendri Karisma (Tazkia / Jejakin) Versi: Draft 0.1 — Juni 2026

1. Latar Belakang & Celah Riset

Penggunaan Large Language Models (LLM) dalam pembelajaran—khususnya Informatics / Computer Science—berkembang pesat: mahasiswa memakai LLM untuk menulis, men-debug, dan memahami kode. Dua keprihatinan tumbuh paralel:

  1. Efektivitas pedagogis — apakah LLM benar-benar meningkatkan pembelajaran, atau hanya memoles output?
  2. Keberlanjutan — setiap prompt mengonsumsi energi; pada skala kelas/kampus, jejak karbonnya tidak nol.

Karya terdahulu menggarap kedua sisi secara terpisah:

  • Sisi pedagogis: Karnalim dkk., "Bridging LLMs, Education, and Sustainability" (MDPI Sustainability, 2025) — framework prompting meningkatkan kesiapan proyek mahasiswa, tetapi tidak mengukur jejak energi LLM yang dipakai.
  • Sisi efisiensi: Karisma dkk. (Green Software Engineering / Green Coding, Komputa) — mengukur energi & emisi komputasi via metrik SCI = E × I, tetapi pada algoritma, bukan pada prompt LLM dalam konteks belajar.

Celah: belum ada studi yang mengukur bersamaan efektivitas dan jejak karbon dari prompting LLM dalam konteks pendidikan CS, lalu menyatukannya dalam satu metrik.

2. Tujuan

Mengembangkan dan memvalidasi awal metrik Green Prompting / Sustainable Prompt Efficiency (SPE) pada satu kasus spesifik dan terkontrol: tugas pembelajaran Computer Science berbantuan LLM.

SPE = Learning Gain / CO₂(g) — "berapa capaian belajar per gram CO₂eq". CO₂(g) = E_kWh × I; E_kWh = (Wh/prompt × jumlah prompt) / 1000.

3. Research Questions

  • RQ1 (footprint). Berapa estimasi jejak karbon (gCO₂eq) penggunaan prompt LLM untuk menyelesaikan satu tugas pembelajaran CS, per mahasiswa dan per sesi?
  • RQ2 (faktor). Bagaimana gaya prompting (bebas vs. framework terstruktur) dan kelas model (efisien vs. besar/reasoning) memengaruhi jejak karbon tersebut?
  • RQ3 (trade-off / SPE). Bagaimana hubungan antara efektivitas pedagogis (learning gain & kualitas output) dan jejak karbon? Apakah prompt yang lebih efektif selalu kurang efisien — dan kondisi mana yang memaksimalkan SPE?
  • RQ4 (intervensi, opsional). Apakah intervensi singkat green-prompting literacy menurunkan jejak karbon tanpa menurunkan learning gain?

4. Hipotesis (tentatif)

  • H1. Framework prompting terstruktur menurunkan jumlah prompt/retry → menurunkan footprint per tugas dibanding prompting bebas.
  • H2. Model reasoning besar meningkatkan kualitas output secara marjinal namun dengan footprint berkali lipat → SPE lebih rendah untuk tugas pengantar.
  • H3. Terdapat "sweet spot" model menengah + prompting terstruktur yang memaksimalkan SPE.

5. Kontribusi

  1. Metrik baru (SPE) yang menyatukan efektivitas pedagogis dan jejak karbon prompt.
  2. Instrumen pengukuran footprint prompt yang dapat direplikasi (logging token/panggilan + model energi/SCI).
  3. Bukti empiris awal pada domain CS education — perluasan langsung dari paper S2 Maranatha.
  4. Dasar untuk milestone berikut (domain biodiversity, EduIQ).

6. Ruang Lingkup (sengaja sempit)

  • Satu jenis tugas CS (mis. introductory programming: implementasi + debug fungsi).
  • 2–3 kondisi prompting × 2 kelas model.
  • Populasi: mahasiswa Informatics/CS Maranatha (utama) dan Tazkia (replikasi).

7. Luaran & Target Publikasi

  • 1 artikel jurnal (target: Journal of Educational Technology Systems / jurnal Scopus sustainability-education).
  • Dataset & instrumen terbuka (logging prompt + kalkulator footprint pada platform ini).

8. Keterkaitan Roadmap

Milestone 1 dari roadmap kolaborasi. Mendahuluinya: MoU tripartit (lihat mou-points.md). Protokol rinci: lihat experiment-protocol-m1.md.

Concept Note — Milestone 1

Judul kerja: Measuring the Carbon Footprint of LLM Prompting in Computer Science Education: Toward a Green Prompting Metric

Kolaborasi: Universitas Kristen Maranatha · STMIK / Universitas Tazkia · Jejakin.com Penyusun: Oscar Karnalim (Maranatha) · Hendri Karisma (Tazkia / Jejakin) Versi: Draft 0.1 — Juni 2026

1. Latar Belakang & Celah Riset

Penggunaan Large Language Models (LLM) dalam pembelajaran—khususnya Informatics / Computer Science—berkembang pesat: mahasiswa memakai LLM untuk menulis, men-debug, dan memahami kode. Dua keprihatinan tumbuh paralel:

  1. Efektivitas pedagogis — apakah LLM benar-benar meningkatkan pembelajaran, atau hanya memoles output?
  2. Keberlanjutan — setiap prompt mengonsumsi energi; pada skala kelas/kampus, jejak karbonnya tidak nol.

Karya terdahulu menggarap kedua sisi secara terpisah:

  • Sisi pedagogis: Karnalim dkk., "Bridging LLMs, Education, and Sustainability" (MDPI Sustainability, 2025) — framework prompting meningkatkan kesiapan proyek mahasiswa, tetapi tidak mengukur jejak energi LLM yang dipakai.
  • Sisi efisiensi: Karisma dkk. (Green Software Engineering / Green Coding, Komputa) — mengukur energi & emisi komputasi via metrik SCI = E × I, tetapi pada algoritma, bukan pada prompt LLM dalam konteks belajar.

Celah: belum ada studi yang mengukur bersamaan efektivitas dan jejak karbon dari prompting LLM dalam konteks pendidikan CS, lalu menyatukannya dalam satu metrik.

2. Tujuan

Mengembangkan dan memvalidasi awal metrik Green Prompting / Sustainable Prompt Efficiency (SPE) pada satu kasus spesifik dan terkontrol: tugas pembelajaran Computer Science berbantuan LLM.

SPE = Learning Gain / CO₂(g) — "berapa capaian belajar per gram CO₂eq". CO₂(g) = E_kWh × I; E_kWh = (Wh/prompt × jumlah prompt) / 1000.

3. Research Questions

  • RQ1 (footprint). Berapa estimasi jejak karbon (gCO₂eq) penggunaan prompt LLM untuk menyelesaikan satu tugas pembelajaran CS, per mahasiswa dan per sesi?
  • RQ2 (faktor). Bagaimana gaya prompting (bebas vs. framework terstruktur) dan kelas model (efisien vs. besar/reasoning) memengaruhi jejak karbon tersebut?
  • RQ3 (trade-off / SPE). Bagaimana hubungan antara efektivitas pedagogis (learning gain & kualitas output) dan jejak karbon? Apakah prompt yang lebih efektif selalu kurang efisien — dan kondisi mana yang memaksimalkan SPE?
  • RQ4 (intervensi, opsional). Apakah intervensi singkat green-prompting literacy menurunkan jejak karbon tanpa menurunkan learning gain?

4. Hipotesis (tentatif)

  • H1. Framework prompting terstruktur menurunkan jumlah prompt/retry → menurunkan footprint per tugas dibanding prompting bebas.
  • H2. Model reasoning besar meningkatkan kualitas output secara marjinal namun dengan footprint berkali lipat → SPE lebih rendah untuk tugas pengantar.
  • H3. Terdapat "sweet spot" model menengah + prompting terstruktur yang memaksimalkan SPE.

5. Kontribusi

  1. Metrik baru (SPE) yang menyatukan efektivitas pedagogis dan jejak karbon prompt.
  2. Instrumen pengukuran footprint prompt yang dapat direplikasi (logging token/panggilan + model energi/SCI).
  3. Bukti empiris awal pada domain CS education — perluasan langsung dari paper S2 Maranatha.
  4. Dasar untuk milestone berikut (domain biodiversity, EduIQ).

6. Ruang Lingkup (sengaja sempit)

  • Satu jenis tugas CS (mis. introductory programming: implementasi + debug fungsi).
  • 2–3 kondisi prompting × 2 kelas model.
  • Populasi: mahasiswa Informatics/CS Maranatha (utama) dan Tazkia (replikasi).

7. Luaran & Target Publikasi

  • 1 artikel jurnal (target: Journal of Educational Technology Systems / jurnal Scopus sustainability-education).
  • Dataset & instrumen terbuka (logging prompt + kalkulator footprint pada platform ini).

8. Keterkaitan Roadmap

Milestone 1 dari roadmap kolaborasi. Mendahuluinya: MoU tripartit (lihat mou-points.md). Protokol rinci: lihat experiment-protocol-m1.md.