• Tidak ada hasil yang ditemukan

RPS intelligent robotics

N/A
N/A
Protected

Academic year: 2017

Membagikan "RPS intelligent robotics"

Copied!
16
0
0

Teks penuh

(1)

RENCANA PEMBELAJARAN SEMESTER

(RPS)

PPKK72116

intelligent robotics

PROGRAM STUDI S1 SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER

(2)

LEMBAR PENGESAHAN

Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:

Kode Mata Kuliah

: PPKK72117

Nama Mata Kuliah

:

Mechine Learning

Mengetahui Menyetujui

Kaprodi S1 SISTEM KOMPUTER Dekan filkom

Retno Devita, S.Kom, M.Kom Dr.Julius Santony,S.Kom,M.Kom

(3)

DAFTAR ISI

LEMBAR PENGESAHAN...ii

DAFTAR ISI...iii

A. PROFIL MATA KULIAH...1

B. RENCANA PEMBELAJARAN SEMESTER (RPS)...1

C. RANCANGAN INTERAKSI DOSEN–MAHASISWA...2

D. RANCANGAN TUGAS...6

E. PENILAIAN DENGAN RUBRIK...11

(4)

1. PROFIL MATA KULIAH IDENTITAS MATA KULIAH

Nama Mata Kuliah :

MACHINE LEARNING/ Pembelajaran Mesin

Kode Mata Kuliah : PPKK72117

SKS : 2

Jenis : MK Piilihan

Jam pelaksanaan : Tatap muka di kelas = 2 x 60 menit per minggu Tutorial / Responsi = 1 x 60 menit per minggu

Semester / Tingkat : Genap / Tingkat 4 Pre-requisite : Pengolahan Citra Digital Co-requisite :

Bidang Kajian : Intelligent Systems

Future Trend and Problem Solving

DESKRIPSI SINGKAT MATA KULIAH

Mata Kuliah Pembelajaran mesin mengajak mahasiswa untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas. Penekanan materi pada teknik dasar pembelajaran secara supervised, unsupervised, dan reinforcement. Mahasiswa akan diperkenalkan dengan area permasalahan dan batasan masalah (curse of dimensionaityl)dalam pembelajaran mesin yang meliputi Klasifikasi dan Klustering. Mengajak mahasiswa memahami dan melakukan pengukuran unjuk kerja sistem, optimasi sistem dan mengatasi masalah over fitting.

Beberapa Algoritma/Teknik/Metode dasar dan umum untuk mengembangkan sistem berbasis pembelajaran mesin disampaikan kepada mahasiwa, seperti: Bayes Clasifier, Naive Bayes, Decision Tree, Jaringan Syaraf Tiruan, Jaringan Kohonen, Self Organization Map, K-Means, K-NN, Q-Learning. Dalam perkuliahan mahasiswa dituntun untuk berinovasi dengan mengembangkan sebuah sistem Pembelajaran Mesin pada kasus tertentu.

REFERENSI

Mitchell M. Tom, 1997, Machine Learning. McGraw Hill, International Editions. Printed in Singapore. Last Edition

Nils. J. Nilson, 1998, Intoduction to Machine Learning, Department of Computer Science, Standford University, Last Edition

(5)

2. RENCANA PEMBELAJARAN SEMESTER (RPS)

Bentuk/ Pertemuan

Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Metode/ Kriteria Penilaian Bobot

ke- Strategi (Indikator) Nilai

Pembelajaran

1. Mampu mendefinisikan

Mampu menentukan pembelajaran mesin

Diskusi,

 Definisi dan Aplikasi permasalahan yang bisa 1 2. Mampu menentukan kapan

Pembelajaran Mesin Ceramah. diselesaikan dengan pembelajaran mesin bisa

pembelajaran mesin digunakakan

Teknik Dimensionality 1. Mampu

Reduction : mengkomunikasikan 1. Mampu menjelaskan konsep dan  Principal Component Analysis konsep dari setiap

perbedaan teknik-teknik untuk  Singular Value Ceramah, teknik dalam 2-4 Dimensionality Reduction Decomposition Diskusi,

 dimensionality 2. Mampu memilih dan menerapkan Independent Component Demonstrasi

reduction teknik yang sesuai untuk suatu Analysis

2. Mampu permasalahan  Factor Analysis

 Linear Discriminant Analysis mengimplementasikan  Pembahasan Tugas 1 salah satu algoritma  Overview Unsupervised, Diskusi, Ketepatan dalam 1. Mampu membedakan jenis-jenis Ceramah mencocokkan contoh 5 permasalahan pada pembelajaran Supervised,

Semi-permasalahan dengan supervised learning

mesin teknik pembelajaran

1. Mampu mengidentifikasi Teknik Pembelajaran : Ceramah, 1. Ketepatan dalam 6-7 permasalahan clustering Unsupervised Diskusi, menjelaskan

(6)

Pembelajaran tanpa supervisi  Expectation Maximization Demonstrasi pembelajaran tanpa 3. Mampu menerapkan salah satu  Pembahasan Tugas 2 supervise

algoritma dalam permasalahan 2. Kemampuan dalam pembelajaran mesin mengimplementasikan

salah satu algoritma yang telah dipelajari Ceramah, 1. Ketepatan dalam Diskusi, mencocokkan

Demonstrasi permasalahan dengan jenis pembelajaran 1. Mampu membedakan regresi atau klasifikasi

permasalahan regresi dan klasifikasi Teknik Pembelajaran: 2. Ketepatan dalam 2. Mampu mengkomunikasikan Supervised menjelaskan 8-11 konsep dari tiap-tiap teknik pada  Regression perbedaan

teknik-pembelajaran dengan supervise  Support Vector Machine teknik pada

3. Mampu menerapkan salah satu  Neural Network pembelajaran tanpa  Pembahasan Tugas 3

algoritma dalam permasalahan supervise

pembelajaran mesin 3. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari 1. Mampu mengidentifikasi Pembelajaran: Ceramah, 1. Ketepatan dalam

permasalahan reinforcement

 Reinforcement Diskusi mengidentifikasi 12-13 learning Definisi ReinforcementLearning permasalahan yang

cocok untuk 2. Mampu mengkomunikasikan Markov Decision Process

(7)

3. Mampu memodelkan Iteration menjelaskan teknik-permasalahan untuk diselesaikan  Q-Learning teknik dalam

dengan reinforcement learning reinforcement learning 3. Ketepatan dalam

memodelkan permasalahan untuk reinforcement learning  Teknik Dimensionality Responsi

14 ReductionTeknik Unsupervised  Teknik Supervised  Teknik Reinforcement

Ceramah, 1. Kejelasan dari Diskusi, permasalahan yang 1. Memahami contoh permasalahan dipilih serta

teknik-pada pembelajaran mesin

Presentasi teknik yang digunakan 2. Menentukan Teknik Pembelajaran Wawasan Studi Kasus oleh 2. Kesesuaian pemilihan

yang sesuai dengan permasalahan Pembelajaran Mesin

mahasiswa dataset yang 15-28 3. Mengimplementasikan beberapa  Progres proyek digunakan serta

algoritma yang dipelajari untuk pembelajaran mesin pengolahannya menyelesaikan permasalahan yang 3. Kesesuaian

diberikan penggunaan source 4. Mampu menginterpretasikan hasil dan library

(8)

2. RANCANGAN INTERAKSI DOSEN–MAHASISWA

1.

Kemampuan Akhir yang Diharapkan  Mampu mendefinisikan pembelajaran mesin

 Mampu menentukan kapan pembelajaran mesin bisa digunakakan

Nama Kajian Definisi dan Aplikasi Pembelajaran Mesin Nama Strategi Diskusi, Ceramah.

Pertemuan Penggunaan Strategi (Metode) 1 Deskripsi Singkat Strategi (Metode)

pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada penjelasan yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

(9)

2.

Kemampuan Akhir yang Diharapkan  Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction

 Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan Nama Kajian Teknik Dimensionality Reduction :

 Principal Component Analysis  Singular Value Decomposition  Independent Component Analysis  Factor Analysis

 Linear Discriminant Analysis  Pembahasan Tugas 1 Nama Strategi Diskusi, Ceramah. Pertemuan Penggunaan Strategi (Metode) 2-4

Deskripsi Singkat Strategi (Metode) pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

(10)

3.

Kemampuan Akhir yang Diharapkan Mampu membedakan jenis-jenis permasalahan pada pembelajaran mesin

Nama Kajian Overview Unsupervised, Supervised, Semi-supervised learning

Nama Strategi Diskusi, Ceramah, Discovery Learning. Pertemuan Penggunaan Strategi (Metode) 5

Deskripsi Singkat Strategi (Metode) pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

(11)

4.

Kemampuan Akhir yang Diharapkan  Mampu mengidentifikasi permasalahan

clustering

 Mampu mengkomunikasikan perbedaan teknik-teknik Pembelajaran tanpa supervisi  Mampu menerapkan salah satu algoritma

dalam permasalahan pembelajaran mesin Nama Kajian Teknik Pembelajaran : Unsupervised

 K-means clustering  Hierarchical clustering  Expectation Maximization  Pembahasan Tugas 2 Nama Strategi Diskusi,

Ceramah,

Discovery Learning. Pertemuan Penggunaan Strategi (Metode) 6-7

Deskripsi Singkat Strategi (Metode) pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

Menyimpulkan materi

Menyimak kesimpulan materi

5.

Kemampuan Akhir yang Diharapkan  Mampu membedakan permasalahan regresi dan klasifikasi

(12)

 Mampu mengkomunikasikan konsep dari tiap-tiap teknik pada pembelajaran dengan supervisi

 Mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin Nama Kajian Teknik Pembelajaran: Supervised

 Regression

 Support Vector Machine  Neural Network

 Pembahasan Tugas 3 Nama Strategi Diskusi,

Ceramah,

Discovery Learning. Pertemuan Penggunaan Strategi (Metode) 8-11

Deskripsi Singkat Strategi (Metode) pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

Menyimpulkan materi

Menyimak kesimpulan materi

6.

Kemampuan Akhir yang Diharapkan  Mampu mengidentifikasi permasalahan reinforcement learning

 Mampu mengkomunikasikan teknik-teknik dalam reinforcement learning

(13)

diselesaikan dengan reinforcement learning Nama Kajian Pembelajaran: Reinforcement

 Definisi Reinforcement Learning  Markov Decision Process  Bellman Equations

 Value Iteration and Policy Iteration  Q-Learning

Nama Strategi Diskusi, Ceramah,

Discovery Learning. Pertemuan Penggunaan Strategi (Metode) 12-13

Deskripsi Singkat Strategi (Metode) pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan Menyimak penjelasan dosen pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran

pembelajaran

Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan materi

Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

(14)

3. RANCANGAN TUGAS

Tugas terkait Dimensionality Reduction

Kode mata Kuliah CIG4A3

Nama Mata Kuliah Pembelajaran Mesin

Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma dimensionality reduction untuk contoh kasus sederhana

Pertemuan ke 4 Tugas ke 1

1. Tujuan Tugas

Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang cara melakukan dimensionality reduction

2. Uraian Tugas

a. Dataset sederhana

b. Menerapkan algoritma PCA pada dataset yang diberikan

c. Dihitung secara manual

d. Hasil perhitungan komponen hasil transformasi dan reduksi

3. Kriteria penilaian

a. Ketepatan langkah-langkah dalam menerapkan algoritma PCA

Tugas terkait Pembelajaran tanpa supervisi

Kode mata Kuliah PPKK72117

Nama Mata Kuliah Pembelajaran Mesin

Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma

pembelajaran tanpa supervisi pada kasus sederhana Pertemuan ke 7

Tugas ke 2

1. Tujuan Tugas

Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran tanpa supervise pada contoh kasus sederhana

2. Uraian Tugas

a. Dataset sederhana

(15)

c. Diimplementasikan ke dalam kode program / menggunakan library

d. Kode program dan laporan

3. Kriteria penilaian

a. Kejelasan kode program b. Kesesuaian laporan

Tugas terkait Pembelajaran dengan Supervisi

Kode mata Kuliah CIG4A3

Nama Mata Kuliah Pembelajaran Mesin

Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma

pembelajaran dengan supervisi pada kasus sederhana Pertemuan ke 10

Tugas ke 3

1. Tujuan Tugas

Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran dengan supervise pada contoh kasus sederhana

2. Uraian Tugas

a. Dataset sederhana

b. Menerapkan algoritma Regression dan SVM c. Diimplementasikan ke dalam kode program /

menggunakan library d. Kode program dan laporan

3. Kriteria penilaian

a. Kejelasan kode program b. Kesesuaian laporan

4. PERSENTASE KOMPONEN PENILAIAN

(16)

5. PENENTUAN NILAI AKHIR MATA KULIAH

Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK)

Referensi

Dokumen terkait

RPS Mata Kuliah Algoritma dan Pemrograman – Program Studi Teknik Informatika Halaman 4 dari 13 B+ Merupakan perolehan mahasiswa yang mengikuti perkuliahan dengan baik,

Kemampuan Akhir yang Diharapkan Mampu menjelaskan, mempresentasikan, dan mengimplementasikan proyek e-commerce Nama Kajian Presentasi tugas besar dari setiap kelompok

Kemampuan Akhir yang Diharapkan Mahasiswa mampu menuangkan konsep materi yang dipelajari untuk diterjemahkan kedalam bentuk program. Nama

Mahasiswa mampu menyelesaikan soal/ studi kasus yang berhubungan dengan materi pra- UTS dan pra-UAS. Nama

Kemampuan Akhir yang Diharapkan Mampu menerapkan semua konsep algoritma yang telah dipelajari untuk menyelesaikan kasus tugas besar secara komprehensif. Minggu/ Pertemuan ke 8 – 14/

Kemampuan Akhir yang Diharapkan Mampu menerapkan semua konsep algoritma yang telah dipelajari untuk menyelesaikan kasus tugas besar secara komprehensif. Minggu/ Pertemuan ke 8 – 14/

Kemampuan Akhir yang Diharapkan Mampu menerapkan semua konsep algoritma yang telah dipelajari untuk menyelesaikan kasus tugas besar secara komprehensif. Minggu/ Pertemuan ke 8 – 14/

Mampu mengnalasis dan menyelesaikan masalah dalam bidang teknik menggunakan logika fuzzy  Mahasiswa mampu menggunakan, menganalisis permasalahan, serta menyelesaikan permasalahan