UNIVERSITAS MEDAN AREA

(1)

UNIVERSITAS MEDAN AREA

FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK INFORMATIKA

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH (MK) KODE BOBOT (sks) SEMESTER Tgl. Penyusunan

Jaringan Syaraf Tiruan TIF16056 3 + 1 SKS V 8 September 2019

Pengembang RPS Koordinator RMK Ketua PRODI

Program Studi Teknik Informatika Juanda Hakim Lubis, ST, M.Kom

Capaian Pembelajaran (CP) CPL-PRODI Diisi dengan CPL prodi yang dibebankan pada mata kuliah, dilengkapi dengan kode sesuai dengan komponen dikti (S, PP, KU, KK)

1.

Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri. (S-9)

2.

Menguasai konsep dan prinsip-prinsip sistem cerdas meliputi teknik representasi dan penalaran, teknik pencarian, agent, penggalian data, dan pembelajaran mesin, serta pengembangan aplikasi cerdas pada berbagai bidang, serta menguasai konsep dan prinsip-prinsip ilmu komputasi meliputi pengelolaan informasi, pengolahan data, dan analisis numerik. (P-1)

3.

Mampu mengimplementasikan prinsip keberlanjutan (sustainability) dalam mengembangkan pengetahuan (KU-11)

4.

Mampu merancang dan membangun aplikasi dengan menerapkan prinsip-prinsip sistem cerdas dan ilmu komputasi untuk menghasilkan produk aplikasi cerdas pada berbagai bidang. (KK-1)

CPMK

CP-MK merupakan uraian spesifik dari CPL-Prodi yang berkaitan dengan mata kuliah Teori Bahasa Formal & Automata

Setelah mengikuti kuliah ini, mahasiswa mampu menerapkan berbagai jenis metode jaringan syarat tiruan untuk menyelesaikan masalah pengenalan pola sederhana.

Diskripsi Singkat MK

Mata kuliah Jaringan Syaraf Tiruan ini membahas tentang: konsep dasar jaringan syaraf tiruan, model dan prinsip dasar pelatihan dalam jaringan syaraf tiruan, algoritma-algoritma jaringan syaraf tiruan dalam penyelesaian masalah sederhana, seperti : algoritma Hebb, perceptron, backpropagation, adaline, madaline, heteroassociative memory (HM), autoassociative memory (AM),hopfield, bidirectional associative memory (BAM), learning vector quantization (LVQ), dan self organizing maps (SOM).

Dosen pengampu Nurul Khairina, S.Kom, M.Kom

(2)

- Mahasiswa mampu memahami arsitektur jaringan Hebb - Mahasiswa mampu melakukan pelatihan pengenalan pola

dengan jaringan Hebb - Mahasiswa mampu memahami arsitektur jaringan

Perceptron

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Perceptron

- Mahasiswa mampu memahami arsitektur jaringan Backpropagation

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Backpropagation

-

UJIAN TENGAH SEMESTER

- Mahasiswa mampu memahami arsitektur jaringan Madaline - Mahasiswa mampu melakukan pelatihan pengenalan pola dengan

jaringan Madaline

-

- Mahasiswa mampu memahami arsitektur jaringan Heteroassociative Memory (HM)

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan

jaringan Heteroassociative Memory (HM)

- Mahasiswa mampu memahami arsitektur jaringan Autoassociative Memory (AM)

Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Autoassociative Memory (AM)

- Mahasiswa mampu memahami arsitektur jaringan Hopfield - Mahasiswa mampu melakukan pelatihan pengenalan pola

dengan jaringan Hopfield

UJIAN AKHIR SEMESTER

CPMK

Setelah mengikuti kuliah ini, mahasiswa mampu menerapkan berbagai jenis metode jaringan syarat tiruan untuk menyelesaikan masalah pengenalan pola sederhana.

- Mahasiswa mampu memahami kontrak kuliah

- Mahasiswa mampu memahami konsep dasar jaringan syaraf tiruan - Mahasiswa mampu memahami model dan prinsip dasar pelatihan

dalam jaringan syaraf tiruan

1 2

3

4 _-_{Mahasiswa mampu memahami arsitektur jaringan Adaline}

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Adaline

5

6 7 8 9

- Mahasiswa mampu memahami arsitektur jaringan Bidirectional Associative Memory (BAM)

- Mahasiswa mampu melakukan pelatihan pengenalan

pola dengan jaringan Bidirectional Associative Memory (BAM)

10

- Mahasiswa mampu memahami arsitektur jaringan Learning Vector Quantization (LVQ)

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Learning Vector Quantization (LVQ)

11,12

- Mahasiswa mampu memahami arsitektur jaringan Self Organizing Maps (SOM)

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Self Organizing Maps (SOM)

13,14

(3)

Mg Ke- _{Kemampuan Akhir yang}

diharapkan (Sub-CPMK) Materi/ Bahan Kajian

Metode

Pembelajaran Waktu

Pengalaman Belajar Mahasiswa

Kriteria dan Indikator Penilaian

Bobot Nilai (%)

(1) (2) (3) (4) (5) (6) (7) (8)

1 - Mahasiswa mampu memahami kontrak kuliah yang akan diberlakukan - Mahasiswa mampu

memahami konsep dasar jaringan syaraf tiruan - Mahasiswa mampu

memahami model dan prinsip dasar pelatihan dalam jaringan syaraf tiruan

- Kontrak kuliah

- Konsep dasar jaringan syaraf tiruan

- Model dan prinsip dasar pelatihan jaringan syaraf tiruan

- Neuron McCulloch-Pitts

Problem Based Learning & Inquiry (PBL) 3 x 50 menit Tugas 1 : Melakukan pelatihan pengenalan fungsi OR dan NOR dengan model jaringan McCulloch-Piits Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan McCulloch-Pitts Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 % 2 - Mahasiswa mampu memahami arsitektur jaringan Hebb - Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Hebb

- Konsep dasar jaringan Hebb

- Pengenalan pola dengan jaringan Hebb

Problem Based Learning & Inquiry (PBL)

3 x 50 menit

Tugas 2 :

Melakukan pelatihan pengenalan pola dengan jaringan Hebb Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Hebb Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 %

(4)

3 - Mahasiswa mampu memahami arsitektur jaringan Perceptron - Mahasiswa mampu

melakukan pelatihan pengenalan pola dengan jaringan Perceptron

- Konsep dasar jaringan Perceptron

- Pengenalan pola dengan jaringan Perceptron

3 x 50 menit

Tugas 3 :

Melakukan pelatihan pengenalan pola dengan jaringan Perceptron Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Perceptron Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 % 4 - Mahasiswa mampu memahami arsitektur jaringan Adaline - Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Adaline

- Konsep dasar jaringan Adaline

- Pengenalan pola dengan jaringan Adaline

3 x 50 menit

Tugas 5 :

Melakukan pelatihan pengenalan pola dengan jaringan Adaline Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Adaline Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 % 5 - Mahasiswa mampu memahami arsitektur jaringan Madaline

- Konsep dasar jaringan Madaline

3 x 50 menit

Tugas 6 :

Melakukan pelatihan pengenalan pola dengan

Kriteria Penilaian :

Ketepatan dan penguasaan materi

(5)

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Madaline

- Pengenalan pola dengan jaringan Madaline

jaringan Madaline

Indikator Penilaian :

Ketepatan memahami tujuan belajar jaringan Madaline Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 6 - Mahasiswa mampu memahami arsitektur jaringan Backpropagation - Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Backpropagation

- Konsep dasar jaringan Backpropagation

- Pengenalan pola dengan jaringan Backpropagation

3 x 50 menit

Tugas 4 :

Melakukan pelatihan pengenalan pola dengan jaringan Backpropagation Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Backpropagation Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 - Mahasiswa mampu memahami arsitektur jaringan Heteroassociative Memory (HM) - Mahasiswa mampu

- Konsep dasar jaringan Heteroassociative Memory (HM)

- Pengenalan pola dengan

3 x 50 menit

Tugas 7 :

Melakukan pelatihan pengenalan pola dengan jaringan Heteroassociative Memory (HM) Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami 8 %

(6)

melakukan pelatihan pengenalan pola dengan jaringan Heteroassociative Memory (HM)

jaringan Heteroassociative Memory (HM)

tujuan belajar jaringan Heteroassociative Memory (HM) Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal

Ujian Tengah Semester

8 - Mahasiswa mampu memahami arsitektur jaringan Autoassociative Memory (AM) - Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Autoassociative Memory (AM)

- Konsep dasar jaringan Autoassociative Memory (AM)

- Pengenalan pola dengan jaringan Heteroassociative Autoassociative Memory (AM)

3 x 50 menit

Tugas 8 :

Melakukan pelatihan pengenalan pola dengan jaringan Autoassociative Memory (AM) Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Autoassociative Memory (AM) Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 % 9 - Mahasiswa mampu memahami arsitektur jaringan Hopfield - Mahasiswa mampu melakukan pelatihan

- Konsep dasar jaringan Hopfield

- Pengenalan pola dengan jaringan Hopfield

3 x 50 menit

Tugas 9 :

Melakukan pelatihan pengenalan pola dengan jaringan Hopfield Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami 7 %

(7)

pengenalan pola dengan jaringan Hopfield

tujuan belajar jaringan Hopfield Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 10 - Mahasiswa mampu memahami arsitektur jaringan Bidirectional Associative Memory (BAM) Mahasiswa mampu

melakukan pelatihan pengenalan pola dengan jaringan Bidirectional Associative Memory (BAM)

Konsep dasar jaringan Bidirectional Associative Memory (BAM)

- Pengenalan pola dengan jaringan Bidirectional Associative Memory (BAM)

3 x 50 menit

Tugas 10 :

Melakukan pelatihan pengenalan pola dengan jaringan Bidirectional Associative Memory (BAM) Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : Ketepatan memahami tujuan belajar jaringan Bidirectional Associative Memory (BAM) Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 % 11,12 - Mahasiswa mampu memahami arsitektur jaringan Learning Vector Quantization (LVQ) - Mahasiswa mampu

melakukan pelatihan

- Konsep dasar jaringan Learning Vector Quantization (LVQ)

- Pengenalan pola dengan jaringan Learning Vector

Problem Based Learning & Inquiry (PBL) 3 x 50 menit Tugas 11,12 : - Melakukan pelatihan pengenalan pola dengan jaringan Learning Vector Quantization (LVQ) Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : - Ketepatan memahami tujuan 7 %

(8)

pengenalan pola dengan jaringan Learning Vector Quantization (LVQ)

Quantization (LVQ) belajar jaringan

Learning Vector Quantization (LVQ) Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 13,14 - Mahasiswa mampu memahami arsitektur jaringan Self Organizing Maps (SOM)

- Mahasiswa mampu melakukan pelatihan pengenalan pola dengan jaringan Self Organizing Maps (SOM)

- Konsep dasar jaringan Self Organizing Maps (SOM)

- Pengenalan pola dengan jaringan Self Organizing Maps (SOM)

Problem Based Learning & Inquiry (PBL) 3 x 50 menit Tugas 13-14 : - Melakukan pelatihan pengenalan pola dengan jaringan Self Organizing Maps (SOM)

Kriteria Penilaian : Ketepatan dan penguasaan materi Indikator Penilaian : - Ketepatan memahami tujuan belajar jaringan Self Organizing Maps (SOM) Bentuk Penilaian : Non-Tes : Keaktifan dalam menyelesaikan soal Test : Ketepatan dalam menyelesaikan soal 7 %

Ujian Akhir Semester Referensi :

(9)

2. Nunes da Silva, Ivan., et al. 2017. Artificial Neural Networks : A Practical Course. Switzerland : Springer.

Catatan :

1. Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap (S), penguasaan pengetahuan (PP), ketrampilan umum (KU) dan ketrampilan khusus (KK) sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.

2. CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.

3. Kemampuan akhir yang diharapkan (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut (diambil dari setiap pertemuan pada bagan analisis instruksional).

Pengertian 1 sks dalam bentuk pembelajaran

Jam

a Kuliah, Responsi, Tutorial

Tatap Muka Penugasan Terstruktur Belajara Mandiri

50 menit/minggu/semester 60 menit/minggu/semester 60 menit/minggu/semester 2,83

b Seminar atau bentuk pembelajaran lain yang sejenis

Tatap muka Belajar mandiri

100 menit/minggu/semester 70 menit/minggu/semester 2,83

c Praktikum, praktik studio, praktik bengkel, praktik lapangan, penelitian, pengabdian kepada masyarakat, dan/atau bentuk pembelajaran lain yang setara

170 menit/minggu/semester 2,83

No Metode Pembelajaran Mahasiswa

Kode

1 Small Group Discussion SGD

2 Role-Play & Simulation RPS

3 Discovery Learning DL

(10)

5 Cooperative Learning CoL

6 Collaborative Learning CbL

7 Contextual Learning CtL

8 Project Based Learning PjBL

9 Problem Based Learning & Inquiry PBL 10 Atau metode pembelajaran lain, yang

dapat secara efektif memfasilitasi pemenuhan capaian pembelajaran lulusan.