(PETA CAPAIAN PEMBELAJARAN, RANCANGAN PEMBELAJARAN SEMESTER, DRAFT BUTIR SOAL OBYEKTIF DAN ESAI BESERTA KUNCI JAWABAN DAN BOBOT NILAI)

MATA KULIAH JARINGAN SYARAF TIRUAN (TIF13320)

OLEH:

YOGIEK INDRA KURNIAWAN, S.T., M.T.

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS JENDERAL SOEDIRMAN

PURWOKERTO

FEBRUARI

2021

2

LEMBAR PENGESAHAN

1.

Mata Kuliah (MK)

: Jaringan Syaraf Tiruan

2.

Kode MK/ Jumlah SKS

: TIF13320 / 3 SKS

3.

Program Studi

: Informatika

4.

Fakultas

: Teknik

5.

Semester

: 6

6.

Koordinator MK

NIP

:

:

Yogiek Indra Kurniawan, S.T., M.T.

19880312 201903 1 010

7.

Tim Pengampu MK

: 1. Yogiek Indra Kurniawan, S.T., M.T.

Menyetujui,

Kepala Jurusan

Teguh Cahyono, S.T., M.Kom.

NIP 19741210 200801 1 007

Purwokerto, 23 Februari 2021

Penyusun

Yogiek Indra Kurniawan, S.T., M.T.

NIP 19880312 201903 1 010

3

PETA CAPAIAN PEMBELAJARAN ... 4

RPS JARINGAN SYARAF TIRUAN ... 5

DRAFT SOAL OBYEKTIF DAN ESAI BESERTA KUNCI JAWABAN ... 25

4

PETA CAPAIAN PEMBELAJARAN

9. Mahasiswa mampu menerapkan Model jaringan Kompetisi Berbobot Tetap pada

kasus-kasus pengenalan pola

1. Mahasiswa mampu menjelaskan sejarah, model, fungsi aktivasi, prinsip dasar pelatihan Jaringan Syaraf Tiruan (JST) dan implementasi JST dalam bentuk aplikasi.

3. Mahasiswa mampu menerapkan Model Neuron.

5. Mahasiswa mampu menerapkan Model Hebb untuk

menyelesaikan masalah pengenalan pola sederhana. 4. Mahasiswa mampu

menerapkan Neural Learning terawasi dan tak terawasi.

6. Mahasiswa mampu menerapkan Model Perceptron

pada kasus-kasus pengenalan pola.

7. Mahasiswa mampu Menerapkan Model Adaline dan

Madaline pada kasus-kasus pengenalan pola

Aljabar Linier

Algoritma dan pemrograman

2. Mahasiswa mampu menghitung vektor dan matrik beserta operasinya 11. Mahasiswa mampu

membangun Aplikasi Jaringan Syaraf Tiruan

10. Mahasiswa mampu menerapkan Model Jaringan

Kohonen pada kasus-kasus

Clustering

8. Mahasiswa mampu menerapkan Model

Backpropagation pada kasus-kasus

5

website:www.unsoed.ac.id

RENCANA PEMBELAJARAN SEMESTER (RPS)

Nama Mata Kuliah Kode Mata Bobot (sks) Semester Tgl Penyusunan

Jaringan Syaraf Tiruan

TIF13320 3 VI 23 Februari 2021

Otorisasi Nama Koordinator

Pengembang RPS

Koordinator Prodi Wakil Dekan Bidang

Akademik

(Yogiek Indra K, S.T., M.T.) (Teguh Cahyono, S.T., M.Kom.) (Acep Taryana, S.Si., M.T.)

Capaian Pembelajaran (CP) CPL-PRODI

SIKAP / ATTITUDE

CP01 Bertakwa kepada Tuhan Yang Maha Esa dan mampu menunjukkan sikap religius; CP02 Kemampuan untuk bertanggungjawab kepada masyarakat dan mematuhi etika profesi

6

CP03 Kemampuan memahami kebutuhan akan pembelajaran sepanjang hayat, termasuk akses terhadap pengetahuan terkait isu-isu kekinian yang relevan dalam bidang informatika; CP04 Kemampuan bekerja dalam tim lintas disiplin dan lintas budaya;

CP05 Kemampuan menginternalisasi nilai, norma, dan etika akademik;

PENGUASAAN PENGETAHUAN UMUM

CP06 Kemampuan menguasai dan menerapkan konsep teoritis di bidang Informatika.

CP07 Kemampuan menguasai prinsip perekayasaan perangkat lunak dan pengelolaan data yang efektif dan efisien untuk memecahkan masalah.;

KETERAMPILAN KHUSUS

CP8 Kemampuan mendesain perangkat lunak untuk memenuhi kebutuhan yang diharapkan dalam memanfaatkan potensi sumber daya dan kearifan lokal dengan wawasan global; CP10 Kemampuan mengidentifikasi, merumuskan, menganalisis dan merancang perangkat lunak

untuk menyelesaikan permasalahan di bidang informatika;

CP11 Kemampuan memahami metode, ketrampilan dan piranti informatika yang terbaru yang diperlukan di bidang informatika;

CP12 Kemampuan bekerja sama dalam tim pembangunan perangkat lunak dengan menerapkan konsep keilmuan di bidang informatika;

KETERAMPILAN UMUM

CP13 Kemampuan berkomunikasi secara efektif baik lisan maupun tulisan; CP14 Kemampuan menyelesaikan dan mengevaluasi tugas secara sistematis; CP15 Kemampuan menganalisis data dan informasi untuk menyelesaikan masalah;

7

MK kinerja otak manusia dengan melakukan generalisasi model matematis pada sebuah kasus. Jaringan Syaraf Tiruan merupakan topik yang hangat dibicarakan dan mengundang banyak kekaguman dalam dasa warsa terakhir. Hal ini disebabkan karena kemampuan jaringan syaraf tiruan untuk meniru sifat sistem yang diinputkan. Jaringan syaraf tiruan merupakan tiruan dari jaringan syaraf biologi, yang aplikasinya berkaitan dengan komputer dan intelegensi buatan (artificial intelligence).

Bahan Kajian / Materi

Pembelajaran

Perkuliahan secara garis besar terbagi ke dalam beberapa materi pembelajaran, yaitu : 1. Sejarah, model, fungsi aktivasi dan prinsip dasar pelatihan JST.

2. Operasi vektor dan matrik. 3. Model Neuron

4. Neural Learning terawasi dan tak terawasi.

5. Model Hebb untuk menyelesaikan masalah pengenalan pola. 6. Model Perceptron pada kasus-kasus pengenalan pola.

7. Model Adaline dan Madaline pada kasus-kasus pengenalan pola. 8. Model Backpropagation pada kasus-kasus peramalan.

9. Model Jaringan Kompetisi Berbobot Tetap pada kasus-kasus pengenalan pola. 10. Model Jaringan Kohonen pada kasus-kasus clustering.

8

Daftar Referensi Utama :

1. Fu, LiMin, 1994, “Neural Networks in Computer Intelligence”, McGraw-Hill, New York 2. Haykin, S., 1994, “Neural Networks : A Comprehensive Foundation”, IEEE Press, New York.

Pendukung

1.

Siang, J.J, 2009, “Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB”, ANDI, Yogyakarta Nama Dosen

Pengampu

Yogiek Indra Kurniawan, S.T., M.T. Mata kuliah

prasyarat

1. Aljabar Linier

9

1 Mahasiswa mampu menjelaskan sejarah, model, fungsi aktivasi, prinsip dasar pelatihan Jaringan Syaraf Tiruan (JST) dan implementasi JST dalam bentuk aplikasi. Kontrak Pembelajaran. Pengenalan Jaringan Syaraf Tiruan : 1. Jaringan Syaraf Biologi dan Tiruan 2. Sejarah Jaringan Syaraf Tiruan 3. Model Jaringan Syaraf Tiruan 4. Fungsi aktivasi 5. Prinsip dasar pelatihan Jaringan Syaraf Tiruan 6. Aplikasi Jaringan Syaraf Tiruan Bentuk : Ceramah, diskusi Metode : Kuliah 50 menit dan Jigsaw 100 menit Media: LCD, laptop, white board, Hand out materi TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas dalam Jigsaw mengenai sejarah, model, fungsi aktivasi, prinsip dasar pelatihan Jaringan Syaraf Tiruan (JST) dan implementasi JST dalam bentuk aplikasi - tugas individu berupa review - tugas kelompok berupa Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Tugas kelompok  Kemampuan mahasiswa dalam diskusi jigsaw dengan baik minimal 75%.  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%.  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa dapat menjelaskan sejarah, model, fungsi aktivasi, 10

10

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) contoh implementasi JST prinsip dasar pelatihan Jaringan Syaraf Tiruan (JST) dan implementasi JST dalam bentuk aplikasi dengan baik dan benar minimal 75%. 2 Mahasiswa mampu menghitung vektor dan matrik beserta operasinya.

1.

Vektor

2.

Operasi Vektor

3.

Matriks.

4.

Operasi Matriks Bentuk : Ceramah, tanya jawab, soal dan jawab. Metode : Kuliah 100 menit dan soal-jawab 50 menit Media: LCD, laptop, white board TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas, - Latihan dirumah, - tugas individu, -mengerjakan soal mengenai vector dan matrik. Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%.  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%. 5

11

 Mahasiswa mampu menghitung operasi pada vector dengan baik dan benar minimal 75%.  Mahasiswa mampu menghitung operasi pada matriks dengan baik dan benar minimal 75%. 3 Mahasiswa mampu mengenal tool untuk membangun Aplikasi 1. Pengenalan Matlab 2. Penggunaan fungsi-fungsi pada Matlab 3. Penerapan toolbox pada Matlab untuk Jaringan Syaraf Tiruan Bentuk : Ceramah, tanya jawab, demonstrasi dan praktek langsung Metode : Kuliah 150 menit TM : 150’ TT : 180’ BM : 180’ - Praktek penggunaan Matlab, - Praktek fungsi-fungsi pada Matlab, praktek toolbox - Latihan dirumah Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa

yang

mengumpulkan

12

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) Jaringan Syaraf Tiruan. Media: LCD, laptop, white board mengenai penggunaan Matlab, - tugas individu yang dikerjakan secara kelompok mengenai penggunaan Matlab.

Tugas individu tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menggunakan Matlab beserta fungsi-fungsi di dalamnya dengan baik dan benar minimal 75%. 4 Mahasiswa mampu menerapkan Model Neuron, Neural Learning terawasi dan tak terawasi. 1. Model Neuron 2. Model Neural Learning terawasi 3. Model Neural Learning tak terawasi. Bentuk : Ceramah, tanya jawab, case based learning Metode : Kuliah 150 menit Media: TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai model neuron, Neural Learning terawasi dan tak terawasi, - Latihan dirumah Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat 5

13

LCD, laptop, white board mengenai model neuron, Neural Learning terawasi dan tak terawasi, - tugas individu mengenai model neuron waktu paling sedikit 95%.  Mahasiswa dapat menjelaskan proses pada model neuron, Neural Learning terawasi dan tak terawasi, dengan benar minimal 75%.  Mahasiswa dapat menggunakan model neuron McCulloch-Pits dengan benar minimal 75%. 5 Mahasiswa mampu menerapkan Model Hebb 1. Masalah pengenalan pola 2. Model Hebb 3. Model Hebb untuk kasus Bentuk : Ceramah, tanya jawab, case TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai pengenalan pola, Kriteria :  Partisipasi aktif di kelas  Kemampuan mahasiswa dalam menyelesaikan soal dengan 5

14

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) untuk menyelesaikan masalah pengenalan pola sederhana. pengenalan

pola based _learning Metode : Kuliah 150 menit Media: LCD, laptop, white board - Kuis 1 dengan materi pertemuan kuliah 1-3 - latihan mengenai konsep Model Hebb - tugas individu mengenai perhitungan Model Hebb  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Kuis  Tugas individu

baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menjelaskan konsep Model Hebb dengan baik dan benar minimal 75%.  Mahasiswa mampu membuat perhitungan Model Hebb dengan baik dan benar minimal 75%.

15

6 Mahasiswa mampu menerapkan Model Perceptron pada kasus-kasus pengenalan pola. 1. Model Perceptron 2. Model Preceptron untuk kasus pengenalan pola Bentuk : Ceramah, tanya jawab, case based learning Metode : Kuliah 150 menit Media: LCD, laptop, white board TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai konsep Model Perceptron dan perhitungann ya, - Latihan dirumah mengenai perhitungan Model Perceptron, - tugas individu mengenai perhitungan Model Perceptron Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menjelaskan Model Perceptron dengan baik dan benar minimal 75%. Mahasiswa mampu melakukan 10

16

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) perhitungan Model Perceptron dengan baik dan benar minimal 75%. 7 Mahasiswa mampu menjelaskan konsep dan praktek metode serta algoritma dalam Jaringan Syaraf Tiruan

Kuis _{Bentuk : Kuis TM : 150’ - Kuis  Bentuk}

tes : kuis  Mahasiswa mampu menjelaskan konsep dan praktek metode serta algoritma dalam Jaringan Syaraf Tiruan minimal 75% 10

UJIAN TENGAH SEMESTER

8 Mahasiswa mampu Menerapkan Model Adaline dan Madaline pada kasus-kasus 1. Model Adaline 2. Model Madaline 3. Model Adaline dan Madaline untuk kasus pengenalan pola Bentuk : Ceramah, tanya jawab, case based learning Metode : TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai konsep Adaline dan Madaline, - diskusi di kelas Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%

17

pengenalan pola. Kuliah 150 menit Media: LCD, laptop, white board mengenai perhitungan Adaline dan Madaline - Latihan dirumah mengenai perhitungan Adaline dan Madaline, - tugas individu mengenai Adaline dan Madaline  Post test Tugas individu  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menjelaskan Model Adaline dan Madaline dengan baik dan benar minimal 75%. Mahasiswa mampu melakukan perhitungan Model Adaline dan Madaline dengan baik dan benar minimal 75%.

18

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) 9 Mahasiswa mampu menerapkan Model Backpropagation pada kasus-kasus peramalan. Model

Backpropagation Bentuk : Ceramah, tanya jawab, case based learning Metode : Kuliah 150 menit Media: LCD, laptop, white board TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai konsep dan perhitungan model Backpropagatio n, - case based learning mengenai kasus peramalan dengan model Backpropagatio n - Latihan dirumah mengenai perhitungan model Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menjelaskan Model Backpropagation dengan baik dan benar minimal 75%. Mahasiswa mampu melakukan 10

19

Backpropagatio n, - tugas individu yang dikerjakan secara kelompok mengenai perhitungan model Backpropagatio n. perhitungan Model Backpropagation

dengan baik dan benar minimal 75%. 10 Mahasiswa mampu menerapkan Model Jaringan Kompetisi Berbobot Tetap pada kasus-kasus 1. Model Jaringan Kompetisi Berbobot Tetap 2. Model Jaringan Kompetisi Berbobot Tetap untuk kasus pengenalan pola Bentuk : Ceramah, tanya jawab, case based learning Metode : Kuliah 150 menit Media: TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai konsep dan perhitungan Model Jaringan Kompetisi Berbobot Tetap, Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat 5

20

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) pengenalan pola. LCD, laptop,

white board - Latihan dirumah mengenai perhitungan Model Jaringan Kompetisi Berbobot Tetap, - tugas individu yang dikerjakan secara kelompok mengenai perhitungan perhitungan Model Jaringan Kompetisi Berbobot Tetap .  Tugas individu waktu paling sedikit 95%.  Mahasiswa mampu menjelaskan Model Jaringan Kompetisi Berbobot Tetap dengan baik dan benar minimal 75%.  Mahasiswa mampu melakukan perhitungan Model Jaringan Kompetisi Berbobot Tetap dengan baik dan benar minimal 75%.

21

11 Mahasiswa mampu menerapkan Model Jaringan Kohonen pada kasus-kasus Clustering. 1. Kasus Clustering 2. Model Jaringan Kohonen 3. Model Jaringan Kohonen untuk kasus Clustering Bentuk : Ceramah, tanya jawab, case based learning Metode : Kuliah 150 menit Media: LCD, laptop, white board TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai kasus clustering - Diskusi di kelas mengenai konsep dan perhitungan Model Jaringan Kohonen, - Latihan dirumah mengenai perhitungan Model Jaringan Kohonen, - tugas individu yang Kriteria :  Partisipasi aktif di kelas  Ketepatan jawaban Bentuk tes :  Pre test  Post test  Tugas individu  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu menyebutkan contoh kasus clustering dengan baik dan benar minimal 75%.  Mahasiswa mampu menjelaskan 5

22

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) dikerjakan secara kelompok mengenai Model Jaringan Kohonen. Model Jaringan Kohonen dengan baik dan benar minimal 75%.  Mahasiswa mampu melakukan perhitungan Model Jaringan Kohonen dengan baik dan benar minimal 75%. 12 Mahasiswa mampu membangun Aplikasi Jaringan Syaraf Tiruan Pembangunan aplikasi Jaringan Syaraf Tiruan untuk kasus nyata dengan menggunakan Matlab Bentuk : Tutorial Metode : Kuliah 150 menit Media: LCD, laptop, white board TM : 150’ TT : 180’ BM : 180’ - Tutorial aplikasi JST dengan Matlab - Tugas aplikasi JST Kriteria :  Partisipasi aktif di kelas  Tugas. Bentuk tes :  Pre test  Post test  Kemampuan mahasiswa dalam menyelesaikan soal dengan baik dan benar minimal 75%  Mahasiswa

yang

mengumpulkan

23

tugas tepat waktu paling sedikit 95%.  Mahasiswa mampu membuat aplikasi JST dengan Matlab secara baik dan benar minimal 75%.. 13 Mahasiswa mampu menjelaskan konsep dan praktek metode serta algoritma dalam Jaringan Syaraf Tiruan Kuis Bentuk : Kuis TM : 150’ - Kuis Bentuk tes : kuis  Mahasiswa mampu menjelaskan konsep dan praktek metode serta algoritma dalam Jaringan Syaraf Tiruan minimal 75% 10 14 Mahasiswa mampu membangun Pembangunan aplikasi Jaringan Syaraf Tiruan untuk kasus nyata Bentuk : Presentasi Metode : TM : 150’ TT : 180’ BM : 180’ - Diskusi di kelas mengenai aplikasi JST, Kriteria :  Partisipasi aktif di kelas  Kemampuan mahasiswa mempresentasik an tugas dengan 20

24

Minggu ke Sub-CPMK) Kemampuan akhir yang direncanakan Bahan kajian (Materi Pembelajaran) Bentuk dan Metode pembelajaran (Media dan Sumber Belajar ) Estimasi Waktu Pengalaman belajar mahasiswa Penilaian Kriteria & Bentuk Indikator Bobot (%) (1) (2) (3) (4) (5) (6) (7) (8) (9) Aplikasi Jaringan Syaraf Tiruan Kuliah 150 menit Media: LCD, laptop, white board - Presentasi kelompok mengenai aplikasi JST yang telah dibangun  Tayangan presentasi  Laporan tugas. Bentuk tes :  Pre test  Post test  Tugas presentasi kelompok baik minimal 75%  Mahasiswa yang mengumpulkan tugas tepat waktu paling sedikit 95%.  Mahasiswa dapat membuat aplikasi JST menggunakan software Matlab dengan baik dan benar minimal 75%.

25

Petunjuk Soal : Pada lembar jawaban yang disediakan, berikan tanda silang (X) pada pilihan yang paling benar!

1. Diketahui vector xt _{= (1, 2, 3)}

yt _{= (2, -3, 1)}

Berapakah nilai 2.x.y A. 2 B. -2 C. 1 D. -1 E. 0 Jawab : B 2.x.y = 2 (1.2 + 2. (-3) + 3.1) = -2

Sub-CPMK : Mahasiswa mampu menerapkan Model Neuron

 Model Pilihan Ganda

Petunjuk Soal : Pada lembar jawaban yang disediakan, berikan tanda silang (X) pada pilihan yang paling benar!

2. Fungsi logika yang dapat diselesaikan dengan menggunakan Model Neuron

McCulloch-Pitts adalah

A. Fungsi Logika XOR B. Fungsi Logika NAND C. Fungsi Logika OR D. Fungsi Logika IF E. Fungsi Logika NOT

26

Jawab : C

Fungsi logika yang yang dapat diselesaikan dengan menggunakan model neuron McCulloch-Pitts antara lain fungsi logika OR dan AND.

Sub-CPMK : Mahasiswa mampu membangun Aplikasi Jaringan Syaraf Tiruan

 Model Pilihan Ganda

Petunjuk Soal : Pada lembar jawaban yang disediakan, berikan tanda silang (X) pada pilihan yang paling benar!

3. Matlab menyediakan fasilitas untuk membuat matriks khusus dengan cepat.. Pada Matlab, Cara cepat yang dapat digunakan untuk untuk membuat matriks

𝐴 = ⌈

2 0 0

0 1 0

0 0 3

⌉ adalah dengan menuliskan kode…

a. >> A = [ 2 0 0 0 1 0 0 0 3] b. >> A = diag (2 0 0 0 1 0 0 0 3) c. >> A = diagonal [2 1 3] d. >> V = [ 2 1 3] >> A = diag (V) e. >> V = [ 2 1 3] >> A = diagonal (V) Jawab : D Matriks 𝐴 = ⌈2 0 00 1 0 0 0 3

⌉ merupakan matriks diagonal.

Cara cepat membuat matriks diagonal pada Matlab adalah dengan o Memasukkan vector tersebut ke dalam fungsi “diag()”

Sehingga, jawaban yang paling benar adalah D >> V = [ 2 1 3]

27

di bawah ini benar dan tulislah “Salah” jika pernyataan di bawah ini salah!

4. Model Jaringan Kompetisi Berbobot Tetap adalah salah satu model pada Jaringan Syaraf Tiruan yang dapat digunakan untuk kasus clustering dan tidak dapat digunakan untuk kasus pengenalan pola.

Jawab : SALAH

Model Jaringan Kompetisi Berbobot Tetap merupakan salah satu model JST yang dapat digunakan untuk kasus pengenalan pola.

Sub-CPMK : Mahasiswa mampu Menerapkan Model Adaline dan Madaline pada kasus-kasus

pengenalan pola.

 Model Benar dan Salah

Petunjuk Soal : Pada lembar jawaban yang disediakan, tulislah “Benar” jika pernyataan di bawah ini benar dan tulislah “Salah” jika pernyataan di bawah ini salah!

5. Adanya unit tersembunyi pada MADALINE akan meningkatkan kapabilitas komputasi dibandingkan ADALINE, meskipun pelatihannya juga lebih kompleks

Jawab : BENAR

Pada MADALINE, terdapat unit tersembunyi yang membuat keluaran Y menjadi fungsi non-linier. Unit tersembunyi tersebut dapat meningkatkan kapabilitas komputasi pada MADALINE. Konsekuensinya, pada MADALINE membutuhkankan pelatihan yang lebih kompleks.

28

BENTUK SOAL ESAI

Sub-CPMK : Mahasiswa mampu menerapkan Model Hebb untuk menyelesaikan masalah

pengenalan pola sederhana.

 Model Jawaban Melengkapi

Petunjuk Soal : Pada lembar jawaban yang disediakan, lengkapilah pernyataan berikut agar menjadi pernyataan yang benar!

1. Dengan menggunakan model HEBB, rumus untuk mendapatkan Wi (baru) adalah Wi (baru) = …….. (Nilai = 10)

Jawab :

Wi (baru) = Wi (lama) + Xi*Y

Sub-CPMK : Mahasiswa mampu menerapkan Model Hebb untuk menyelesaikan masalah

pengenalan pola sederhana.

 Model Jawaban Melengkapi

Petunjuk Soal : Pada lembar jawaban yang disediakan, lengkapilah pernyataan berikut agar menjadi pernyataan yang benar!

2. Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuran yang ada pada lapisan tersembunyinya merupakan penjelasan dari model ….. (Nilai = 10)

Jawab : Model Backpropagation

Sub-CPMK : Mahasiswa mampu menerapkan Model Hebb untuk menyelesaikan masalah

pengenalan pola sederhana.

Sub-CPMK : Mahasiswa mampu menerapkan Model Perceptron pada kasus-kasus pengenalan

pola.

Sub-CPMK : Mahasiswa mampu Menerapkan Model Adaline dan Madaline pada kasus-kasus

pengenalan pola.

Sub-CPMK : Mahasiswa mampu menerapkan Model Jaringan Kompetisi Berbobot Tetap pada

29

5 Model dalam JST yang dapat digunakan untuk kasus pengenalan pola adalah : a. Model Hebb

b. Model Perceptron c. Model Adaline d. Model Madaline

e. Model Jaringan Kompetisi Berbobot Tetap

Sub-CPMK :

Mahasiswa mampu menjelaskan sejarah, model, fungsi aktivasi, prinsip dasar pelatihan Jaringan Syaraf Tiruan (JST) dan implementasi JST dalam bentuk aplikasi.

 Model Uraian Terbatas

Petunjuk Soal : Pada lembar jawaban yang disediakan, jawablah pertanyaan berikut dengan singkat dan jelas!

4. Sebutkan 5 fungsi yang dapat digunakan untuk memproses input pada Jaringan Syaraf Tiruan! (Nilai = 20)

Jawab :

5 Fungsi yang dapat digunakan untuk memproses input pada Jaringan Syaraf Tiruan antara lain :

a. Fungsi Transfer

b. Fungsi Undak Biner (Hard Limit) c. Fungsi Linear

d. Fungsi Sigmoid Biner e. Fungsi Sigmoid Bipolar

30

Sub-CPMK : Mahasiswa mampu menerapkan Model Perceptron pada kasus-kasus pengenalan

pola.

 Model Uraian Bebas

Petunjuk Soal : Pada lembar jawaban yang disediakan, berikan uraian terhadap pertanyaan berikut!

5. Buatlah perceptron untuk mengenali fungsi logika AND dengan masukan dan keluaran bipolar, inisialisasi awal bobot = 0, bias = 1, α = 1 dan threshold = 0!

(Nilai = 30) Jawab :

 Tabel masukan dan target berupa bipolar untuk logika AND

Masukan Target X1 X2 1 T 1 1 1 1 1 -1 1 -1 -1 1 1 -1 -1 -1 1 -1

 Untuk threshold = 0, maka fungsi aktivasinya menjadi Y = f(net)

 Iterasi untuk seluruh pola disebut epoch, adapun tabel epoch I yaitu :

Masukan Target net y Perubahan bobot Bobot baru

(X1 X2 1) t F(net) (Δw1 Δw2 Δb) (w1 w2 b) Inisialisasi ( 0 0 0 ) ( 1 1 1 ) 1 0 0 ( 1 1 1 ) ( 1 1 1 ) ( 1 -1 1 ) -1 1 1 ( -1 1 -1 ) ( 0 2 0 ) ( -1 1 1 ) -1 2 1 ( 1 -1 -1 ) ( 1 1 -1 ) ( -1 -1 1 ) -1 -3 -1 ( 0 0 0 ) ( 1 1 -1 )

31

(X1 X2 1) t F(net) (Δw1 Δw2 Δb) (w1 w2 b)

Bobot dari epoch 1 ( 1 1 -1 ) ( 1 1 1 ) 1 1 1 ( 0 0 0 ) ( 1 1 -1 ) ( 1 -1 1 ) -1 -1 -1 ( 0 0 0 ) ( 1 1 -1 ) ( -1 1 1 ) -1 -1 -1 ( 0 0 0 ) ( 1 1 -1 ) ( -1 -1 1 ) -1 -3 -1 ( 0 0 0 ) ( 1 1 -1 )

Dalam iterasi epoch 2, ternyata semua pola f(net) = target, maka jaringan sudah mengenal semua pola dan iterasi dihentikan.

Evaluasi Pembelajaran

Evaluasi hasil pembelajaran mahasiswa mengacu pada SK Rektor Unsoed 2017 dengan pola penilaian sebagai berikut:

Interval Nilai Konversi Nilai Huruf

≥ 80 4 A ≥ 75 3.5 AB ≥ 70 3 B ≥ 65 2.5 BC ≥ 60 2 C ≥ 56 1.5 CD ≥ 46 1 D < 46 0 E

32

Komponen Penilaian

Komponen penilaian untuk mata kuliah Jaringan Syaraf Tiruan adalah sebagai berikut :

Komponen Persentase

Tugas Case Based Learning 50%

Tugas Terstruktur 10%

Kuis 10%

UTS 15%