CP15.4 : Bertanggung jawab atas hasil kerja mandiri dan kelompok
B. Untuk mencapai CP di atas diperlukan POKOK BAHASAN sebagai berrikut :
Konsep Jaringan Syaraf Tiruan (JST), Pemrograman MATLAB, Arsitektur JST, Perceptron, Proses Pembelajaran, Multilayer Perceptron, FFNN, RBFNN, SOM, JST untuk Pemodelan Statistik.
C. Mata Kuliah Prasyarat : An. Regresi, Ranc.Perc., An. Multivariate, ADW
D. Deskripsi CP secara umum KKNI Level 6
Kemampuan Deskripsi
Penguasaan pengetahuan 6.1 Menjelaskan penggunaan konsep Jaringan syaraf Tiruan
6.2. Mampu menjelaskan prosedur Jaringan syaraf Tiruan
Kemampuan kerja 6.3. Mampu mengaplikasikan Jaringan syaraf Tiruan untuk pemodelan statistik
6.4 Mampu memanfaatkan IPTEKS untuk pemodelan statistic dengan pendekatan Jaringan syaraf Tiruan 6.5 Mampu beradaptasi terhadap situasi yang dihadapi
Kemampuan manjerial 6.6 Mampu mengambil keputusan yang tepat berdasarkan pemodelan statistic dengan pendekatan Jaringan syaraf Tiruan dan mampu
mengkomunikasikan hasil analisis baik secara lisan maupun tertulis.
1 6.1 6.2 6.9
1 .Memahami konsep JST untuk pemodelan Statistik CP 3.3, CP15.1
1.1 Dapat menjelaskan dan memahami struktur pemodelan JST
1.2 Dapat mengidentifikasi permasalahan yang cocok untuk diselesaikan dengan JST
1.3 Dapat membangun arsitektur JST
Dasar-dasar JST
[1] [2] [3]
Ceramah interaktif Diskusi (CID)
Observasi Aktifitas di kelas (TOA)
2.mampu
menguasai dasar-dasar
pemrograman CP 3.3, CP15.1
2.1 Dapat mengoperasikan/ menjalankan program (MATLAB) untuk pemrograman JST
2.2 Dapat membuat algoritma pemrograman
Dasar-dasar Pemrograman MATLAB
[4] CID, Latihan Soal (L)
Tes Tugas1 (ObservasiA ktifitas di kelas Membangun arsitektur JST Sederhana (Perceptron) CP 3.3, CP15.1
3.1Dapat mengidentifikasi permasalahan dan menyajikannya dalam bentuk arsitektur JST
3.2Dapat menentukan proses pembelajarn dan dari arsitektur yang dibuat dengan berbagai fungsi aktivasialgoritma
Perceptron, Hebb Rule,
&Observasi Aktifitas di kelas(TOA)
6-9 6.2 6.4 6.6 6.7-6.9
4. Mampu Membangun arsitektur JST dengan proses pembelajaran adaptif CP 3.3, CP15.1 CP15.2
4.1. Dapat mengidentifikasi permasalahan dan menyajikannya dalam bentuk arsitektur JST
4.2 Dapat melakukan proses pembelajaran dari jaringan adaptif dan madaline 4.3 Dapat melakukan proses pembelajaran
dan membuat algoritma untuk jaringan Pattern Association
Adaline, Madaline, Pattern Association
[1] [2] [3] [4]
CIDL
Praktikum (P)
TOA 15%/45%
membangun arsitektur Multilayer Perceptron (FFNN)
CP 3.3, CP15.1, Cp15.4,
5.1. Dapat memilih filter adaptive dan metode estimasi bobot
5.2. Dapat menentukan bobot dengan proses Backpropagation Beserta criteria kebaikan model
5.3.Dapat menyusun algoritma untuk jaringan multilayer perceptron (FFNN)
Adaptif dan filter linear
FFNN Tugas-3
15-16
Evaluasi Bersama
17-18
membangun arsitektur Multilayer Perceptron (RBFNN) CP 3.3, CP15.1, Cp15.4,
6.1. Dapat menentukan jumlah node dan bobot input untuk RBFNN Beserta criteria kebaikan model
6.2.Dapat menyusun algoritma untuk jaringan multilayer perceptron (RBFNN)
RBFNN [1] Tugas-3
15%/60%
Membangun JST untuk pemetaan/ klasifikasi CP 3.3, CP15.1,
Cp15.4, CP15.5
7.1.Dapat membuat arsitektur NN untuk pemetaan/ klasifikasi
7.2.Dapat memilih metode untuk
klasifikasi derdasarkan metode JST
7.3.Dapat membuat rancangan
pemetaan terorganisasi
Commette
Machines
7.4.Dapat membuat algoritma
pembelajaran untuk jaringan
pemetaan
Vector Quantifica-merancang model statistik dengan pendekatan JST untuk prediksi . CP 3.3, CP15.1,
Cp15.4, CP15.5
7.1 Dapat merancang JST untuk pemodelan statistic untuk keperluan prediksi 7.2. Dapat memilih arsitektur JST terbaik dari
rancangan yang dibuat untuk pemodelan statistic
Studi kasus FFNN merancang model statistik dengan pendekatan JST untuk Klasifikasi. CP 3.3, CP15.1,
8.1 Dapat merancang JST untuk pemodelan statistic untuk keperluan Klasifikasi 8.2. Dapat memilih arsitektur JST terbaik dari
rancangan yang dibuat untuk pemodelan statistic
Cp15.4, CP15.5
31-32
Evaluasi Akhir Semester
Pustaka :
1. Haykin, S. 1999, Neural Networks, 2nd ., ed., Prentice Hall 2. Fausett, L., 1994, Fundamental of Neural Networks, Prentice Hall 3. Limin Fu, 1994, Neural Network in Computer Intelligence, McGraw Hill
