1 RENCANA PEMBELAJARAN SEMESTER (RPS)
PROGRAM STUDI : TEKNIK INFORMATIKA FAKULTAS : TEKNIK
UNIVERSITAS PAHLAWAN TUANKU TAMBUSAI
MATA KULIAH KODE Rumpun MK BOBOT (sks) SEMESTER Tgl Penyusunan
Kecerdasan Buatan IF17211 Teknik 3 7 23-9-2020
Dosen Pengembang RPS
Koordinator Rumpun MK Ka Program Studi
tanda tangan tanda tangan tanda tangan
Capaian Pembelajaran (CP)
Catatan : S : Sikap
P : Pengetahuan KU : Keterampilan Umum
KK : Keterampilan Khusus
CP Program Studi
PP1 Menguasai konsep teoritis di bidang Informatika, khususnya di bidang teori komputasi, jaringan komputer, teknologi web, dan basis data.
PP2 Memiliki pengetahuan yang memadai terkait dengan cara kerja sistem komputer dan mampu merancang dan mengembangkan berbagai algoritma/metode untuk memecahkan masalah.
PP3 Mempunyai pengetahuan dalam mengembangkan algoritma/metode yang diimplementasikan dalam perangkat lunak berbasis komputer.
KK1 Mampu secara kreatif dan inovatif memformulasikan pemecahan masalah dengan memanfaatkan teknik komputasi dan teknologi informasi berbasis konsep-konsep yang relevan dan dengan memanfaatkan tool pemodelan tepat.
KK2 Mampu membangun program komputer untuk mengimplementasikan pemecahan masalah, dan dengan memanfaatkan framework, atau teknologi informasi yang terkini (up to date).
KU1 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya.
KU2 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur
KU5 Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.
KU10 Mempunyai kemampuan dalam mendefinisikan kebutuhan pengguna atau pasar terhadap kinerja (menganalisis, mengevaluasi dan mengembangkan) algoritma/metode berbasis komputer.
2 CP Mata Kuliah
1 Mengerti dan memahami konsep dasar kecerdasan buatan yakni: perbedaan kecerdasan buatan dengan kecerdasan alami, representasi pengetahuan, masalah dan ruang keadaan, teknik pencarian, representasi pengetahuan, sistem pakar, ketidakpastian, logika fuzzy, jaringan syaraf tiruan, dan algoritma genetika.
2 Mahasiswa termotivasi dan mampu mengikuti perkembangan terkini teknologi kecerdasan buatan.
3 Mahasiswa mengerti bidang-bidang penelitian yang berkaitan dengan kecerdasan buatan.
Deskripsi Singkat Mata Kuliah
Mata kuliah ini akan memberikan dasar tentang kecerdasan buatan yang berfokus pada beberapa aplikasi dari kecerdasan buatan dan beberapa teknik penyelesaian masalah dalam kecerdasan buatan yang dikenal dengan soft computing. Selain itu mempelajari beberapa teori dan aplikasi dari system cerdas dan penerapan beberapa aplikasi algortima kecerdasan buatan.
Materi Pembelajaran/
Pokok Bahasan 1. Pendahuluan Kecerdasan Buatan 2. Masalah dan Ruang Keadaan 3. Teknik Pelacakan dan Pencarian.
4. Representasi Pengetahuan 5. Ketidakpastian.
6. Sistem Pakar 7. Logika Fuzzy
8. Jaringan Syaraf Tiruan 9. Algoritma Genetika
Pustaka Utama :
3 1. Russel, Stuart and Norvig, Peter; Artificial Intelligence: A Modern Approach. Prentice Hall International, Inc.,
1995.
2. Suyanto; Artificial Intelligence: Searching, Reasoning, Planning and Learning. Informatika, Bandung, 2007.
ISBN: 979-1153-05-1.
3. Vincent Suhartono, Kecerdasan Buatan, Penerbit Andi, 2011.
4. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, 2003.
5. Suyanto, Soft Computing Membangun Mesin Ber-IQ Tinggi, Penerbit Informatika, 2008.
6. Suyanto, Artificial Intelligence, Penerbit Informatika, 2011 Pendukung :
Media Pembelajaran Perangkat lunak : Perangkat keras : LCD & Projector Team Teaching
Assessment
Matakuliah Syarat
Pelaksanaan Perkuliahan 2 SKS Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%)
(1) (2) (3) (4) (5) (6) (7)
4 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%)
1
Mahasiswa dapat memahami kontrak perkuliahan.
Mahasiswa dapat memahami konsep perkuliahan dan mata kuliah secara umum.
Mahasiswa dapat mengetahui secara umum gambaran mata kuliah kecerdasan Buatan
1. Kontrak kuliah 2. Definisi kecerdasan mesin
3. Beragam aplikasi Artificial Intelligence (AI)
4. AI: dulu, sekarang dan masa depan
Referensi 1,3
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Kemampuan menjelaskan.
Antusiasme dan keaktifan mahasiswa dalam bertanya.
Keaktifan mahasiswa mengungkapkan pendapat
Kemampuan pemahaman
5
2 Mahasiswa mampu menjelaskan definisi kecerdasan buatan dan sejarahnya,
membandingkan kecerdasan buatan dengan kecerdasan alami,
membandingkan komputasi kecerdasan buatan dan komputasi pemrograman
konvensional. Mampu mengklarifikasi
Pengenalan Kecerdasan Buatan
Definisi kecerdasan buatan
Sejarah kecerdasan buatan
Komputasi
kecerdasan buatan
Sub disiplin ilmu dalam kecerdasan buatan
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Kemampuan mahasiswa
menjelaskan definisi kecerdasan buatan dan sejarahnya, perbandingan antara kecerdasan buatan dan kecerdasan alami, perbandingan komputasi
kecerdasan buatan dan komputasi
Kemampuan pemahaman dan penjelasan
5 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) subdisiplin ilmu dalam
kecerdasan buatan, bias menjelaskan aplikasi kecerdasan buatan dalam bidang komersial.
pemrograman konvensial.
Kemampuan mahasiswa menjelaskan dan mengaplikasikan disiplin ilmu dalam kecerdasan buatan, aplikasi buatan dalam bidang komersial.
3 Mampu menjelaskan aplikasi
kecerdasan buatan dalam bidang komersial, bisa menerangkan istilah soft computing, tujuan dan
kegunaannya
Ruang lingkup
kecerdasan buatan pada aplikasi
komersial
Bidang komunikasi
Bidang kedokteran
Bidang Pertahanan
Bidang industri - Soft Computing
Metode soft computing
Tujuan Soft computing
Referensi 1,3,4
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Kemampuan mahasiswa dalam menjelaskan dan penerapan istilah soft computing, tujuan dan kegunaannya.
Kemampuan pemahaman dan penjelasan
5
6 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) 4 Mahasiswa mampu
menjelaskan
konsep masalah dan ruang
masalah serta dapat menyelesaikan masalah tersebut menggunakan metode pencarian
buta dan heuristik
Searching (Pencarian node)
Definisi masalah dalam kecerdasan buatan
Masalah, Ruang keadaan, aturan
Representasi ruang keadaan. Searching sebagai teknik pemecahan masalah - Metode searching
Pencarian buta (blind search)
Pencarian heuristik
Referensi 1,3,4
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan melihat contoh kasus di dunia nyata, misalnya sistem cerdas untuk mendiagnosa
penyakit dsb. Latihan soal dengan contoh kasus pada beberapa sistem cerdas.
Ketepatan merancang tahapan-tahapan ruang keadaan, aturan (rule).
Kemampuan merancang entitas, menentukan Fist finite, tujuan serta kardinalitasnya
5
5 Mahasiswa mampu menjelaskan definisi pengetahuan, definisi representasi
pengetahuan, menerapkan representasi pengetahuan dan penalaran untuk menyelesaikan permasalahan kecerdasan buatan
Pengetahuan (Knowledge) – Representasi pengetahuan
Representasi logika
Jaringan semantic
Frame (Bingkai)
Script
Aturan produksi
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan contoh kasus pada permasalahan kecerdasan buatan
Kemampuan menganalisan representasi pengetahuan
7 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) 6 Mahasiswa mampu
menjelaskan definisi sistem pakar, manfaat, kekurangan, ciri-ciri sistem pakar, aplikasi sistem pakar
Pengertian sistem pakar
Manfaat sistem pakar
Kekurangan sistem pakar
Ciri-ciri sistem pakar
Area permasalahan aplikasi sistem pakar
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal disertai contoh kasus dalam pembuatan sistem pakar
Kemampuan
pemahaman dan kinerja sistem pakar
7 Mahasiswa mampu menjelaskan konsep dasar dan struktur sistem pakar, serta dapat menggunakan konsep faktor kepastian kedalam sistem pakar
Konsep dasar dan struktur sistem pakar
Rule sebagai teknik representasi
pengetahuan
Strategi penyelesaian konflik
Ketidakpastian sistem pakar berbasis rule
Referensi 3,4,5
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan contoh kasus pada permasalahan kecerdasan buatan
Kemampuan pemahaman
membuat konsep dan penerapannya
5
8 UTS
9 Mahasiswa mampu menjelaskan pengertian logika fuzzy, dasardasar logika fuzzy, dapat memetakan sebuah permasalahan
Pengertian logika fuzzy
Mengapa menggunakan logika fuzzy
Dasar-dasar logika fuzzy
Fungsi keanggotaan
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan contoh kasus pada beberapa
permasalahan
menggunakan logika fuzzy
Kemampuan pemahaman
menggunakan logika fuzzy dan dalam berdiskusi
5
8 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) ambigu, dapat
menghitung fungsi keanggotaan fuzzy 10 Mahasiswa mampu
menerapkan operasi himpunan fuzzy, dapat
menggunakan fungsi implikasi dan
menerapkannya dalam sistem
inferensi fuzzy
Operasi himpunan fuzzy
Penalaran monoton
Fungsi implikasi
Cara kerja logika fuzzy dengan metode
Tsukamoto, Mamdani dan Sugeno
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan contoh kasus pada beberapa
permasalahan
menggunakan logika fuzzy
Kemampuan penerapan sistem inferensi logika
11 Mahasiswa mampu menjelaskan
konsep dasar jaringan syaraf tiruan
dan menjelaskan alasan
penggunaan aplikasi jaringan
syaraf tiruan
Pengantar jaringan syaraf tiruan
Mengapa menggunakan
jaringan syaraf tiruan
Aplikasi jaringan syaraf tiruan dalam kehidupan seharihari, dalam dunia kedokteran, dalam bisnis
Arsitektur jaringan
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Belajar mandiri.
Latihan soal dengan contoh kasus pada beberapa
permasalahan menggunakan aplikasi
jaringan syaraf tiruan
Kemampuan pemahaman konsep jaringan syaraf tiruan
12 Mahasiswa mampu menjelaskan
komponen-komponen jaringan
syaraf tiruan,
menggunakan fungsi
Fungsi aktifasi
Paradigma pembelajaran
Algoritma supervise hebb rule, perceptron,
Kuliah dan diskusi, (TM;1x(3x30”)
Pemaparan di kelas dan diskusi.
Latihan soal dengan contoh kasus pada beberapa
permasalahan menggunakan aplikasi
Kemampuan penerapan studi kasus
menggunakan aplikasi jaringan syaraf tiruan
9 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) aktifasi, menjelaskan
proses
pembelajaran supervisi
delta rule dan backpropagation
Belajar mandiri. jaringan syaraf tiruan
13 Mahasiswa mampu menjelaskan algoritma
pembelajaran tanpa supervisi (jaringan kohonen)
Arsitektur jaringan kohonen
Algoritma pembelajaran jaringan kohonen Referensi
3,4
Kuliah dan diskusi, (TM;1x(3x30”)
Tugas ; tentang design produk
Latihan soal dengan contoh kasus pada beberapa
permasalahan menggunakan aplikasi
pembelajaran tanpa supervisi
Kemampuan penerapan studi kasus
menggunakan aplikasi jaringan kohonen
5
14 Mahasiswa mampu menjelaskan
konsep algoritma genetika
Pendahuluan
algoritma genetika
Permasalahan yang
membutuhkan
algoritma genetika
Aplikasi algoritma
genetika
Beberapa pengertian
dasar algoritma
genetika
Siklus algoritma
Genetika
Referensi 1,3,4
Kuliah dan diskusi, (TM;1x(3x30”)
Tugas ; tentang design produk
Latihan soal dengan contoh kasus pada beberapa konsep algoritma genetika
Kemampuan pemahaman konsep algoritma genetika
5
10 Mg
Ke-
Kemampuan akhir yg diharapkan
Bahan Kajian (Materi Ajar) Dan Referensi
Metode Pembelajaran dan Alokasi Waktu
Pengalaman Belajar Mahasiswa
Kreteria (Indikator) Penilaian
Bobot Penilan
(%) 15 Mahasiswa mampu
menerapkan algoritma genetika untuk
menyelesaikan masalah-masalah kecerdasan buatan
Komponen-komponen utama algoritma genetika (teknik
encoding/decoding gen dan individu,
membangkitkan populasi awal, nilai fitnes, elitisme, seleksi, cross over, mutasi dan penggantian populasi)
Teknik cross over
Teknik Mutasi
Kuliah dan diskusi, (TM;1x(3x30”) Tugas ; tentang design produk
Latihan soal dengan contoh kasus pada beberapa
permasalahan menggunakan aplikasi
algoritma genetika
Kemampuan penerapan dan menyelesaikan masalah menggunakan aplikasi algoritma genetika
5
16 UAS 30