RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
MATA KULIAH
KODE
RUMPUN MK
BOBOT
SEMESTER
TGL REVISI
Algoritma Deep Learning
AK045224
2 SKS
VIII (ATA)
OTORISASI
PENGEMBANG RPS
KOORDINATOR MATA KULIAH
KETUA PROGRAM STUDI
Prof. Dr.-Ing. Adang Suhendra
Capaian Pembelajaran (CP)
Program Studi :pengetahuan, sikap, keterampilan, kompetensi, dan akumulasi pengalaman kerja
1. Memahami dan menjelaskan konsep-konsep Deep Learning, penggunaan model-model deep learning diserta dengan
pemanfataan teknologi untuk melakukan pengolahan deep leanring,
2. Memahami dan menjelaskan mengenai penerapan deep leanring pada kehidupan sehari-hari
3. Memahami dan menjelaskan analisa hasil dan proses pada deep learning berdasarkan akurasi data dari
masing-masing model
4. Melakukan pengembangan program aplikasi dan mengimplementasikannya secara sistematis pada sejumlah kasus
sederhana dengan menggunakan algoritma deep learning , yang dapat digunakan dalam pemodelan dan
perancangan aplikasi di bidang teknologi informasi.
Mata Kuliah :
1. Mengetahui dasar-dasar machine Learning. (1)
2. Mengetahui Aljabar Linear dan Dasar Pemograman Python. (2-3)
3. Mengetahui Dasar Neural Network. (4)
5. Mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep
Learning. (6-7)
6. Memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN). (8-9)
7. Memahami lebih dalam dan mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long Short
Term Memory (LSTM). (10)
8. Memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM). (12-13)
9. Memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE). (14)
10. Accelerated Deep Learning. (15)
Deskripsi Singkat MK
Mata Kuliah ini menitikberatkan pada penerapan pemahaman algoritam deep leanring dengan menggunakan bahasa
pemrograman Python dengan pembahasan teori dan kasus dituangkan dalam program atau aplikasi. Topik utama dalam
mata kuliah ini adalah perbedaan antara machine learning dan deep learning, penggunaan Python dan library untuk deep
learning, pemanfaatan online dan offline dari platform deep learning, model-model deep learning seperti CNN, RNN, LTSM,
RBM dan Autoencoder, serta pemanfataan accelerated hardware pada Deep Learning
Pustaka
UTAMA:
1.
Python Data Science:
https:/courses.cognitiveclass.ai/courses/course-v1:Cognitiveclass+PY0101EN+v2/info
2. Deep Learning Fundamental:https://courses.cognitiveclass.ai/courses/course-v1:DeepLearning.TV+ML0115EN+v2.0/info
3. Machine Learning With Python:
https://courses.cognitiveclass.ai/courses/course-v1:CognitiveClass+ML0101ENv3+2018/info
4. Deep Learning with Tensorflow:
https://courses.cognitiveclass.ai/courses/course-v1:CognitiveClass+ML0120ENv2+2018/info
5.
Aurlien Gron. 2017. Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques
to Build Intelligent Systems (1st ed.). O'Reilly Media, Inc..
6. Nikhil Buduma and Nicholas Locascio. 2017. Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms (1st ed.). O'Reilly Media, Inc..
7. Francois Chollet. 2017. Deep Learning with Python (1st ed.). Manning Publications Co., Greenwich, CT, USA.
Media Pembelajaran
Perangkat Lunak
Perangkat Keras
Python, Visual Studio Code , Conda, Google Colab
Komputer, Laptop, Proyektor
Mata Kuliah Prasyarat
SMA-IPA, Algortima Pemograman, Matematika
Dasar, Matematika Informatika, Statistika,
Kecerdasan Buatan, Data Mining dan Big Data
Analisis
Metode Pembelajaran
1. Ceramah/Kuliah Pakar,
2. Problem Based Learning/FGD
3. Project Based Learning
4. Praktik Laboratorium
5. Self-Learning (V-Class)
6. Diskusi Kelompok
Minggu
Ke-
CP-MK
Materi Pembelajaran
Metode / Strategi
Pembelajaran
Penilaian
Referensi
Indikator
Bentuk
Bobot
1. Mengetahui dasar-dasar machine Learning - Perbedaan antara Artificial Intelegence, Machine Learning, dan Deep learning
- Jenis-Jenis Machine learning (supervised, unsupervised, reinforcement, batch proses, online proses, incremental learning) - Contoh Penerapan Deep
Learning pada
kehidupan sehari-hari - Tahapan-tahapan
pengolahan data pada
1,3,5 - Menjelaskan perbedaan antara Artificial
Intelegence, Machine Learning, dan Deep learning - Menjelaskan perbedaan antara Jenis-Jenis Machine learning (supervised, unsupervised, reinforcement, batch proses, online proses, incremental learning) - Menjelaskan contoh Penerapan Deep Latihan dan Tugas 10 % [1],[3],[5],[6]
Deep learning (Data Preparation, Data Cleansing, Train Model, Evaluasi, Produk)
Learning pada
kehidupan sehari-hari
2-3. Mengetahui Aljabar Linear dan Dasar Pemograman Python
- Dasar Aljabar Linear (Matrix, Transpose Matrix, Inverse Matrix) - Kalkulus Dasar
(Matematika Kalkulus, Gradient dan Univarete differentiation)
- Dasar python untuk deep learning(numpy, pandas, matplotlib) dan IDE
1,3,5 - Menjelaskan dasar aljabar linear (Matrix, Transpose Matrix, Inverse Matrix) - Menjelaskan kalkulus
dasar
- Menjelaskan dasar python untuk deep learning seperti numpy, pandas, matplotlib Latihan dan Tugas 10% [1],[3],[5],[7] 4. Mengetahui Dasar Neural Network
- Konsep Dasar Neural Network
- Terminologi Erro Cost/ Cost Function
- Algoritma Gradient Decent
- Multi-layer perceptron neural network dan algoritma training backpropagation.
1,2,5,6 - Mengetahui konsep dasar neural network dan komponen pendukungnya Perceptron serta terminologi Weight,Bias, Activation Function - Mengimplementasikan perceptron untuk logika AND dan OR
- Memahami algoritma
Latihan dan Tugas
step function dan sigmoid function - Mampu menjelaskan dan menyebutkan perceptron, multiperceptron, gradient decent, - Memahami algoritma training multilayer perceptron 5. Mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network
- Sejarah Tensorflow - Arstitektur Tensorflow - Program atau Aturan
Dasar Tensorflow - Contoh Implementasi
Machine Learning dan Deep learning pada Tensorlofw
2,3,4,6 - Memahami Arsistektur Tensorflow
- Menyebutkan dan
Menjelaskan fungsi dasar dari Tensorlof
- Mengimplementasikan
fungsi-fungsi dasar Tensorflow pada Deep learning Tugas dan Presentasi 10% [2],[3],[4],[5] 6-7. Mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep Learning
- Overview Python - Konsep Dasar Learning - Model-Model
Arsitektur Deep Net (CNN, RNN, RBM, DBN,AE,RNTN) - Library-library Deep
Learning pada Python: Tensorflow, Keras, H2O, Torch, Cafee - Platform Deep
1,2,3,4,5,6 - Memahami dan mengerti pemanfaatan pemograman Python pada Deep Learnig
- Memahami pentingnya
Deep Leanring
- Mampu menjelaskan
dan menyebutkan model-model Deep learning secara umum
- Mampu menjelaskan
dan menyebutkan fungsi dari
masing-Latihan dan Tugas
Learning Terintegrasi (AWS, H2O,
Deeplearning4j, predictionIO)
- Online Platform Deep Learning(Deepcognitio n, Tensorflow Playground) masing library - Mampu menjelaskan dan menyebutkan fungsi dari platform terintegrasi - Mampu menjelaskan dan menyebutkan pemanfaatan dari platform online 8-9. Memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN) - Cara manusia memahami gambar - Operasi konvolusi - Cara kerja arsitektur
Convolutional Neural Network (Convolution Layer, Max Pooling Layer, Fully Connected Layer) - Proses training CNN - Implementasi arsitektur Convolutional Neural Network menggunakan tensorflow 1,2,3,4 - Mengetahui cara manusia memahami gambar - Memahami operasi konvolusi
- Memahami cara kerja
arsitektur
Convolutional Neural Network (Convolution Layer, Max Pooling Layer, Fully Connected Layer) - Memahami proses training CNN - Mengimplementasikan arsitektur Convolutional Neural Network menggunakan tensorflow Presentasi, Latihan dan Tugas 10% [2],[4],[6],[7]
10. Memahami lebih dalam dan
mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM)
- Data Sequential - Dasar Recurent Neural
Network (RNN) - Long Short Term
Memory (LSTM)
1,2,3,4,5 - Memahami
permasalahan data sequential
- Memahami cara kerja
arsitektur Recurrent Neural Network (RNN) dan mengetahui masalah mendasar pada arsitektur ini
- Memahami arsitektur
Long Short Term Memory (LSTM) sebagai pengganti RNN - Mengetahui manfaat LSTM dalam language modelling - Mengimplementasikan RNN dan LSTM menggunakan tensorflow Presentasi, Latihan dan Tugas 10% [2],[4],[6],[7]
11. UJIAN TENGAH SEMESTER
12-13. Memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM) - Arsitektur Restricted Blotzmann Machine (RBM)
- Kasus-kasus yang bisa diselesaikan dengan arsitektur RBM - Cara training RBM 1,2,3,4,5 - Memahami arsitektur Restricted Blotzmann Machine (RBM)
- Memahami kasus yang
bisa diselesaikan dengan arsitektur RBM - Memahami cara Presentasi, Latihan dan Tugas 10% [2],[4],[6],[7]
- Implementasikan RBM menggunakan tensorflow training RBM - Mengimplementasikan RBM menggunakan tensorflow 14. Memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE) - Dasar arsitektur Autoencoder (AE) diciptakan - Permasalahan dimensi dan dimensionality reduction dengan PCA - Arsitektur Autoencoder - Kasus-kasus yang dapat diselesaikan dengan Autoencoder (AE) - Mengimplementasikan AE menggunakan tensorflow 1,2,3,4,5 - Memahami motivasi awal arsitektur Autoencoder (AE) diciptakan - Mengetahui permasalahan dimensi dan dimensionality reduction dengan PCA
- Memahami arsitektur
Autoencoder
- Mengetahui
kasus-kasus yang dapat diselesaikan dengan Autoencoder (AE) - Mengimplementasikan AE menggunakan tensorflow Presentasi, Latihan dan Tugas 10% [2],[4],[6],[7] 15. Accelerated Deep Learning
- Gpu dan CPU
- Perbandingan antara CPU dan GPU
1,2,3,4,5 - Memahami GPU sebagai pemroses alternatif yang lebih cepat dibanding CPU
- Mempraktikkan dan
memperbandingkan secara langsung Deep Learning dengan menggunakan CPU dan
Presentasi, Latihan dan Tugas
GPU
16. UJIAN AKHIR SEMESTER
FORMAT RANCANGAN TUGAS 1
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 2 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
- Memahami implementasi Aljabar Linear dan Kalkulus Dasar pada bahasa Python. - Memahami implementasi library Numpy, Pandas, dan Matplotlib
B. URAIAN TUGAS :
a. Obyek Garapan
- Implementasi Aljabar Linear (Matrix, Operasi Matrix, Transpose Matrix) - Implementasi library Python untuk Numpy, Pandas, dan Matplotlib
b. Metode atau Cara pengerjaan
- Latihan di kelas :
Melakukan percobaan terkait pemanfaatan numpy, pandas dan maplotlib
- Tugas :
Carilah beberapa referensi terkait pemanfaatan aljabar linear dan kalkulus dasar serta implementasi library python untuk numpy, pandas dan matplotlib
Rangkumlah referensi tersebut dapat menjelaskan aljabar linear (matrix, opearasi matrix, transpose matrix) serta contoh pemanfaatan pada Python dengan menggunakan jupyter
Kumpulkan hasil rangkuman tersebut pada pertemuan berikutnya c. Deskripsi Luaran tugas yang dihasilkan :
Makalah yang dicetak dengan format lembar judul, kata pengantar, daftar isi, isi dari tugas, dan daftar pustaka dengan font Times New Roman, ukuran 12
C. KRITERIA PENILAIAN (10 %) - Kelengkapan isi rangkuman - Kebenaran isi rangkuman
GRADING SCHEME COMPETENCE
KRITERIA 1: Kelengkapan isi rangkuman
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan
Di bawah standard SKOR
Kelengkapan konsep Lengkap dan terpadu Lengkap Masih kurang
beberapa aspek yang belum terungkap
Hanya menunjukkan sebagian konsep saja
KRITERIA 2 :Kebenaran isi rangkuman
FORMAT RANCANGAN TUGAS 2
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 4-5 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
Mampu mengerti dasar neural network dan pemanfaatan Tensorflow
B. URAIAN TUGAS :
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan
Di bawah standard SKOR
Kebenaran konsep Diungkapkan dengan tepat, terdapat aspek penting, analisis dan membantu
memahami konsep
Diungkap dengan tepat tetapi deskriptif
Sebagian besar konsep sudah terungkap, namun masih ada yang terlewatkan
Kurang dapat mengungkapkan aspek penting, melebihi halaman, tidak ada proses merangkum hanya mencontoh
Tidak ada konsep yang disajikan
a. Obyek Garapan
Dasar Neural Network dan Pemanfaatan Tensorflow b. Metode atau Cara pengerjaan
- Latihan di kelas :
Menerapkan program sederhana Melakukan instalasi Tensorflow
- Tugas :
Menerapkan fungsi-fungsi tensorflow. c. Deskripsi Luaran tugas yang dihasilkan :
Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 10 %) - Kelengkapan isi Laporan
FORMAT RANCANGAN TUGAS 3
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 8,9 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
- Melakukan pembuatan program CNN untuk kasus image prosessing
B. URAIAN TUGAS :
Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing b. Metode atau Cara pengerjaan
- Latihan di kelas :
Membuat tahapan implementasi program CNN
Melakukan analisa terkait hasil program CNN dengan Keras dan Tensorflow
- Tugas :
Membuat Laporan terkait langkah-langkah penerapan CNN beserta dengan analisanya. c. Deskripsi Luaran tugas yang dihasilkan :
Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi CNN - Kesesuaian dengan tahapan implementasi - Output aplikasi
FORMAT RANCANGAN TUGAS 4
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 10 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
- Melakukan pembuatan program LTSM atau RNN
B. URAIAN TUGAS :
Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing e. Metode atau Cara pengerjaan
- Latihan di kelas :
Membuat tahapan implementasi program LTSM atau RNN
Melakukan analisa terkait hasil program LTSM atau RNN dengan Keras dan Tensorflow
- Tugas :
Membuat Laporan terkait langkah-langkah penerapan LTSM atau RNN beserta dengan analisanya. f. Deskripsi Luaran tugas yang dihasilkan :
Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi LTSM atau RNN
- Kesesuaian dengan tahapan implementasi - Output aplikasi
FORMAT RANCANGAN TUGAS 5
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 12,13 Fakultas : Teknologi Industri
B. TUJUAN TUGAS :
- Melakukan pembuatan program RBM
B. URAIAN TUGAS :
Penerapan RBM dengan menggunakan library keras atau tensorflow untuk kasus image processing h. Metode atau Cara pengerjaan
- Latihan di kelas :
Membuat tahapan implementasi program RBM
Melakukan analisa terkait hasil program RBM dengan Keras dan Tensorflow
- Tugas :
Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya. i. Deskripsi Luaran tugas yang dihasilkan :
Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi RBM
- Kesesuaian dengan tahapan implementasi - Output aplikasi
FORMAT RANCANGAN TUGAS 6
Nama Mata Kuliah : Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 14 Fakultas : Teknologi Industri
C. TUJUAN TUGAS :
- Melakukan pembuatan program Autoencoder
B. URAIAN TUGAS :
Penerapan Autoencoder dengan menggunakan library keras atau tensorflow untuk kasus image processing k. Metode atau Cara pengerjaan
- Latihan di kelas :
Membuat tahapan implementasi program Autoencoder
Melakukan analisa terkait hasil program Autoencoder dengan Keras dan Tensorflow
- Tugas :
Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya. l. Deskripsi Luaran tugas yang dihasilkan :
Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi Autoencoder
- Kesesuaian dengan tahapan implementasi - Output aplikasi