RENCANA PEMBELAJARAN SEMESTER
(RPS)
CSG3G3
KECERDASAN ARTIFISIAL
Disusun oleh:
Tjokorda Agung B.W.
Untari Novia Wisesty
PROGRAM STUDI S1 TEKNIK INFORMATIKA
FAKULTAS INFORMATIKA
1
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:
Kode Mata Kuliah
:
CSG3G3
Nama Mata Kuliah
:
Kecerdasan Artifisial
Bandung, 7 July 2015
Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika Ketua KK Intelligence, Computing, Multimedia
2
DAFTAR ISI
LEMBAR PENGESAHAN DAFTAR ISI
A. PROFIL MATA KULIAH
B. RENCANA PEMBELAJARAN SEMESTER (RPS) C. RANCANGAN INTERAKSI DOSEN–MAHASISWA D. RANCANGAN TUGAS
E. PENILAIAN DENGAN RUBRIK
3
A.
PROFIL MATA KULIAH
IDENTITAS MATA KULIAH
Nama Mata Kuliah :
Kecerdasan Artifisial
Kode Mata Kuliah : CSG3G3SKS : 3
Jenis : MK Wajib
Jam pelaksanaan : Tatap muka di kelas = 3 jam per minggu Tutorial / responsi = 1 jam per minggu Semester / Tingkat : 6 (enam) / 3 (tiga)
Pre-requisite : Logika Matematika, Probabilitas dan Statistika, Matematika Diskrit
Co-requisite : -
Bidang Kajian : Artificial Intelligence
DESKRIPSI SINGKAT MATA KULIAH
Mata kuliah ini membahas empat teknik dasar untuk membangun kecerdasan mesin, yaitu Searching, Reasoning, Planning, dan Learning. Juga membahas kelebihan dan kekurangan masing-masing metode serta bagaimana memilih teknik dan metode yang paling sesuai untuk beragam masalah dan kasus yang dihadapi. Perkuliahan dilaksanakan secara proporsional antara teori dan praktek (tugas), dimana pembahasan teori dilakukan secara umum, dari motivasi, filosofi, perbedaan antar teknik dan metode yang ada, hingga detail algoritma melalui studi kasus.
DAFTAR PUSTAKA
1. Suyanto. 2007. “Artificial Intelligence: Searching, Reasoning, Planning and Learning”, Andi Publisher, Yogyakarta Indonesia, ISBN: 979-1153-05-1.
2. Russel, Stuart and Norvig, Peter. 1995. “Artificial Intelligence: A Modern Approach”. Prentice Hall International, Inc.
3. Mitchell M. Tom. 1997. ”Machine Learning”. McGraw-Hill International Editions. Printed in Singapore.
4
B.
RENCANA PEMBELAJARAN SEMESTER (RPS)
Pertemuan
ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Bobot Nilai
1 Mahasiswa dapat memberikan
gambaran umum mengenai teknik dan metode kecerdasan mesin.
Pendahuluan:
1.Definisi kecerdasan mesin dan artifisial atau AI 2.Aplikasi-aplikasi AI
Ceramah, diskusi.
Minimal mencapai level dasar.
2 Memberikan pemahaman dan diskusi tentang teknik Searching.
Searching (Pencarian): 1.Ruang Masalah 2.Sistem produksi 3.Studi kasus: mengubah
masalah ke dalam ruang masalah dan operator yang bisa digunakan 4.Metode-metode pencarian Ceramah, diskusi, praktikum. Minimal mencapai level dasar.
3 Memberikan pemahaman dan diskusi tentang teknik Searching.
Blind search / Uninformed Search:
1. Breadth-First Search (BFS) 2. Depth-Limited Search (DLS) 3. Uniform Cost Search (UCS) 4. Iterative-Deepening Search (IDS) 5. Bi-Directional Search (BDS) Ceramah, diskusi, mengerjakan studi kasus Uninformed search, praktikum. Minimal mencapai level dasar. 2.5%
5 4-7 Memberikan pemahaman dan diskusi
tentang teknik Searching.
Informed search: 1. Generate and Test 2. Hill Climbing
3. Simulated Annealing 4. Best First Search 5. Greedy Search 6. A* 7. Berbagai variasi A* 8. Tugas Besar 1 Ceramah, diskusi, mengerjakan studi kasus Informed search, praktikum. Mengerjakan tugas besar pemrograman Minimal mencapai level dasar. Minimal mencapai spesifikasi yang ditentukan. 2.5% 10%
8-9 Memberikan pemahaman dan diskusi tentang teknik Searching.
Algoritma Genetika Ceramah, diskusi, mengerjakan studi kasus Algoritma Genetika, praktikum. Minimal mencapai level dasar 3% 10 Mahasiswa mampu
mengimplementasikan teknik dasar searching untuk penyelesaian masalah dunia nyata. Responsi Implementasi teknik dasar searching, praktikum. Minimal mencapai level dasar
11 Memberikan pemahaman dan diskusi tentang teknik Reasoning.
Reasoning (penalaran): 1. Propositional logic 2. First-Order Logic Ceramah, diskusi, mengerjakan studi kasus, praktikum. Minimal mencapai level dasar 1%
6 12-13 Memberikan pemahaman dan diskusi
tentang teknik Reasoning.
Fuzzy Systems: 1. Fuzzy Systems
2. Fuzziness dan Probabilitas 3. Fuzzy set
4. Fuzzy logic
5. Permasalahan pada fuzzy systems 6. Studi kasus Ceramah, diskusi, mengerjakan studi kasus Fuzzy system, praktikum. Minimal mencapai level dasar 3% 14 Mahasiswa mampu
mengimplementasikan teknik dasar Reasoning untuk penyelesaian masalah dunia nyata. Responsi Implementasi teknik dasar reasoning, praktikum. Minimal mencapai level dasar UTS 25%
15-16 Memberikan pemahaman mengenai teknik Planning (penalaran)
Planning (penalaran): 1. Dunia Balok 2. Goal-Stack-Planning (GSP) 3. Constraint Posting (CP) Ceramah, diskusi, mengerjakan studi kasus Dunia Balok, praktikum. Minimal mencapai level dasar 4% 17 Mahasiswa mampu
mengimplementasikan teknik dasar Planning untuk penyelesaian masalah dunia nyata. Responsi Implementasi teknik dasar Planning, praktikum. Minimal mencapai level dasar
7 18 Memberikan pemahaman mengenai
teknik learning (pembelajaran)
Decision tree learning: 1. Entropy 2. Information gain 3. Algoritma ID3 Ceramah, diskusi, mengerjakan studi kasus Decision tree, praktikum. Minimal mencapai level dasar 3%
19 Memberikan pemahaman mengenai teknik learning (pembelajaran)
Naïve Bayes Ceramah,
diskusi, mengerjakan studi kasus Naïve bayes, praktikum. Minimal mencapai level dasar 3%
20-21 Memberikan pemahaman mengenai teknik learning (pembelajaran)
Jaringan Syaraf Tiruan: 1.Model Sel Syaraf (Neuron) 2.Fungsi Aktivasi
3.Proses Belajar
4.JST dengan metode belajar
supervised learning
5.Multi Layer Perceptron (MLP)
Ceramah, diskusi, mengerjakan studi kasus JST, praktikum. Minimal mencapai level dasar 3% 22 Mahasiswa mampu
mengimplementasikan teknik dasar Learning untuk penyelesaian masalah dunia nyata. Responsi Implementasi teknik dasar learning, praktikum. Minimal mencapai level dasar.
8 23 Mengukur kemampuan mahasiswa
dalam menggunakan teknik kecerdasan mesin untuk menyelesaikan studi kasus yang dihadapi. Kuis Evaluasi dengan mengerjakan studi kasus teknik kecerdasan mesin, praktikum. Minimal mencapai level dasar.
24-28 Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik kecerdasan mesin untuk menyelesaikan studi kasus yang dihadapi.
Tugas besar 2 Mengimplemen
tasikan teknik kecerdasan mesin dan mengevaluasin ya dengan presentasi dan dengan demo program, praktikum. Minimal mencapai level dasar. 15% UAS 25%
9
C.
RANCANGAN TUGAS
Kode mata Kuliah CSG3G3
Nama Mata Kuliah Kecerdasan Artifisial
Kemampuan Akhir yang Diharapkan Mahasiswa dapat mengimpementasikan teknik Searchingdengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
Minggu/Pertemuan ke 7-14
Tugas ke Tugas Besar 1
1. Tujuan tugas:
Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik Searchingdengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
2. Uraian Tugas: Kelompok
1 Tugas Besar ini dikerjakan secara berkelompok, setiap kelompok terdiri dari maksimal 3 orang.
2 Diharapkan masing-masing anggota kelompok dapat benar-benar berkontribusi atas pekerjaan kelompoknya, serta memperkecil kemungkinan ‘anggota pasif’ di dalam kelompok.
3 Pada dasarnya, meskipun tugas ini dilakukan secara berkelompok, penilaian yang dilakukan oleh dosen tetap mengacu pada kinerja setiap anggota kelompok.
Tahap Pengerjaan
1. Tahap Coding/Implementasi
Kelompok Tubes membuat program sesuai algoritma/pseudocode yang tepat (berdasarkan referensi yang relevan).
Program yang dibuat Harus Original atau karya sendiri, bukan merupakan Plagiat dengan cara apapun, dan dibangun dalam bahasa pemrograman JAVA.
Pelanggaran pada originalitas Tugas Besar ini akan mengakibatkan minimal nilai Mata Kuliah KMA mahasiswa/kelompok yang bersangkutan menjadi E.
Program yang dibangun bertujuan memberikan solusi sesuai permasalahan yang diberikan
Tahap ini ditargetkan selesai pada 9-13 Maret 2015. 2. Tahap Penilaian/Presentasi
Dilakukan presentasi hasil pengerjaan Tugas Besar di hadapan Dosen dan/atau Asdos.
Presentasi dilakukan dengan jadwal tentative, sesuai kebijakan Dosen kelas masing-masing. Namun, diharapkan telah selesai dinilai selambat-lambatnya 1 minggu setelah UTS.
Penilaian terdiri dari 2 komponen, yaitu
a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini.
10
b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi program.
Studi Kasus Tugas Besar
1. Diberikan beberapa studi kasus terkait permasalahan TSP (Travelling Salesman Problem): “16Ulysses”, “22Ulysses”, “52Berlin”, “194Qatar”, dan “734Uruguay”. Masing-masing studi kasus TSP tersebut memiliki data dan Best Known Solution. 2. Data dari setiap studi kasus (pada file *.tsp) berupa ID/nomor titik (node) beserta
koordinatnya masing-masing pada 2 sumbu. Cost antar titik berasal dari jarak garis lurus antar titik yang dihitung dari posisi/koordinat masing-masing pasangan titik. Best Known Solution menunjukkan cost terrendah yang dapat dicapai dengan rute TSP tertentu. File data studi kasus yang diberikan boleh diubah (secara manual) menjadi file bertipe lain, misalnya .xls, .csv, .txt, atau yang lainnya.
3. Tugas mahasiswa adalah membangun program Genetic Algoritma untuk menyelesaikan setiap studi kasus TSP, dengan menghasilkan solusi berupa rute TSP untuk setiap studi kasus sehingga mendekati atau bahkan mencapai Best Known Solution yang diberikan.
4. Mahasiswa hanya diminta membuat 1 program GA untuk TSP, yang dapat menerima masukan data dari masing-masing studi kasus. Solusi rute TSP yang dihasilkan kemudian dihitung cost-nya dan dibandingkan dengan Best Known Solution untuk mengukur optimality solusi dari program yang telah dibangun.
3. Kriteria penilaian:
Penilaian terdiri dari 2 komponen, yaitu
a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini.
b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi program.
Kode mata Kuliah CSG3G3
Nama Mata Kuliah Kecerdasan Artifisial
Kemampuan Akhir yang Diharapkan Mahasiswa dapat mengimpementasikan teknik Learning dengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
Minggu/Pertemuan ke 24-28
Tugas ke Tugas Besar 2
1. Tujuan tugas:
11
bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
2. Uraian Tugas:
a. Kelompok mengikuti kelompok pada tugas besar I KMA
b. Bahasa pemrograman ditentukan oleh dosen kelas (UNW : Java)
c. PLAGIARISME terhadap kode sumber dikenakan pinalti E untuk matakuliah KMA. Asisten akan melakukan pemeriksaan terhadap kode sumber ini. Baik yang membagi kode dan yang melakukan plagiarisme akan mendapatkan pinalti yang sama.
d. Fungsionalitas berikut dibangun sendiri (Programming 65 poin)
Load dataset learning dalam format Comma Separated value ke Memory / Database, (nilai 20 %) / ada tidaknya bug
Perhitungan probabilitas Dependent dan Probabilitas Independent dari data yang Pembangunan system learning menggunakan Jaringan Syaraf Tiruan :
Backpropagation (Nilai 25%)
Load dan klasifikasi dataset testing (jml attribute sama, namun jml instance variable) dalam format Comma separated value ke memory (nilai 25%) / Proses testing
Perhitungan akurasi hasil klasifikasi dan analisa perbandingan naïve bayes dan JST (nilai 15%)
Poin c dan d akan di cek pada saat presentasi.
e. Studi kasus yang dihadapi adalah : Car evaluation dataset yang dapat diunduh dari http://sci2s.ugr.es/keel/dataset.php?cod=56
f. Tugas wajib dipresentasikan di hadapan Asisten dengan nilai : Programming 65 poin
Presentasi 15 poin
Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa).
g. Waktu pengerjaan Tugas Besar : 2 Minggu, Presentasi 1 Minggu dari tugas pertama kali diberikan.
3. Kriteria penilaian:
Tugas wajib dipresentasikan di hadapan Asisten dengan nilai : Programming 65 poin
Presentasi 15 poin
Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa)
D.
PENILAIAN DENGAN RUBRIK
Jenjang (Grade)
Angka
(Skor) Deskripsi perilaku (Indikator)
E (Sangat
kurang) ≤ 40 Tidak ada ide yang jelas untuk menyelesaikan masalah D
(Kurang) 40.01-50
Ada ide yang dikemukakan, namun kurang sesuai dengan permasalahan
C (Cukup) 50.01-60 Ide yang dikemukakan jelas dan sesuai, namun kurang inovatif BC (Cukup
Baik) 60.01-65
Ide yang dikemukakan jelas, mampu menyelesaikan masalah, cukup inovatif, cakupan tidak terlalu luas
B (Baik) 65.01-70 Ide yang dikemukakan jelas, mampu menyelesaikan masalah, inovatif, cakupan tidak terlalu luas
12 dari Baik) inovatif, cakupan cukup luas A (Sangat
Baik) 80.01-100
Ide, jelas, inovatif, dan mampu menyelesaikan masalah dengan cakupan luas
E.
PENENTUAN NILAI AKHIR MATA KULIAH
KOMPONEN PENILAIAN
BOBOT KETERANGAN
Tugas Harian + Kuis 25 % Tugas perorangan dan kelompok
Tugas Besar 25 % Mengimplementasikan teknik kecerdasan mesin dengan menggunakan bahasa pemrograman dan mengevaluasinya dengan presentasi dan demo program.
UTS 25 % Ujian perorangan dan on the site.
UAS 25% Ujian perorangan dan on the site.
Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK)
80.01≤ NSM A 70.01≤ NSM ≤ 80 AB 65.01≤ NSM ≤ 70 B 60.01≤ NSM ≤ 65 BC 50.01≤ NSM ≤ 60 C 40.01≤ NSM ≤ 50 D NSM ≤ 40 E