rencana pembelajaran semester (rps) nama program studi s-2 matematika nama mk teori modul kode mk...

Rencana Pembelajaran Semester (RPS)

Nama Program Studi S-2 Matematika

Nama MK Teori Modul

Kode MK KM185101

Semester 1

sks 3

Nama Dosen Pengampu

Dr. Subiono

Bahan Kajian

Grup Komutatif Teori Ring

CPL yang dibebankan MK

3.1.1 Mampu menguasai dan mengembangkan konsep-konsep matematika bidang analisis dan aljabar terapan.

4.1.1

Mampu menerapkan pokok-pokok matematika bidang Analisis dan Aljabar terapan untuk mendukung riset bidang matematika dan bidang lain

4.3.1

mampu melakukan pendalaman atau perluasan keilmuan matematika dengan menghasilkan model/metode/ pengembangan teori yang akurat, teruji, dan inovatif.

CP-MK

Mahasiswa secara matang mampu mengembangkan matematika dan menulis bukti matematika secara baku.

Mahasiswa mampu mengembangkan suatu pemahaman konsep dan dapat menarik kesimpulan hipotisis dan teori khususnya ide aljabar linier untuk teori modul dan masalah komputasinya.

Mahasiswa mampu menghargai pentingnya pengertian struktur aljabar hingga konsep tingkat lebih tinggi.

Mahasiswa dapat mewujudkan kesadaran pemikiran simbolik kususnya dalam kerangka kerja teori modul

Mahasiswa mempunyai kemapuan untuk menggunakan pemahamannya dan menganalisa model matematika, sains dan teknologi serta bidang disiplin lain terkait.

Mahasiswa mampu mengembangkan pemahaman kerangka matematematika yang mendukung sain dan teknologi, dan matematika serta mengkomunikasikan hasil pengembangan pemahamannya secara lisan dan tulisan.

Tatap muka

ke-

Kemampuan akhir Sub CP-MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu

Pengalaman Belajar Mhs*

Kriteria danIndikator Penilaian

Bobot Penilai-an (%)

Review Struktur Aljabar1-8 Mahasiswa

mapu menganali

Review struktur aljabar dan

o Kuliah, [TM: 8x(2x5

0’)]

o Kajian Pusta ka

Ketepatan mendefin

Kehadiran dan

sa pengembangan pengertian struktur aljabar : Grup, subgroup, grup siklik. Ring, homomorpis ma ring, subring. Ideal, Ring Faktor, ideal prima dan ideal maksimal. Daerah Integral, Lapangan pecahan , Daerah ideal utama dan Daerah Faktorisasi Tunggal

beberapa sifat terkait : o Grup,

subgroup dan grup siklik

o Ring , homomorpisma ring, subring .

o Ideal, Ring Faktor, ideal prima dan Ideal Maximal

o Daerah Integral, Lapangan Pecahan, Daerah ideal utama, Daerah Faktorisasi Tunggal

o Pengkondisian mhs ,

o Tanya Jawab.

o Diskusi.

o Melaku kan re sume ten tang kajian pusta ka

o Kejelas an dan ketajaman men jawab perta nyaan di kelas

o Keaktif an dalam diskusi di kelas.

o Melaku kan kom putasi meng guna kan sage math

isikan dan menganalisa hal-hal terkait pengertian struktur al jabar..

Kemampuan melakukan komputasi numerik dan simbolik mengguna kan SAGEMATH

keatifan

diskusi

dikelas 5%

Evaluasi I

dalam bentuk tulis berkai

tan denga

n kemampua

n pemha man dan

pengala

man mhs 15%

Total : 20%

Evaluasi I pada tatap muka ke-7 dan dibahasan pada tatap muka ke-8 Teori Modul

9-17 Mahasis wa mampu menyim pulkan, merumus kan dan menggunakan pegertian modul, submodul dan

Modul dan submodule

Modul bebas

Bebas linear dan basis

Elemen torsi dan Annihilator

Kuliah, Pengkondisi

an mhs , Tanya

Jawab. Diskusi.

[TM: 9x(2x5

0’)]

o Kajian Pusta ka

o Melaku kan re sume ten tang kajian pusta ka

o Kejelas an dan

Ketajaman Mendifinisi kan, menyusun ulang dan merumus kan pegertian modul dan submodul.

Kehadiran dan

keatifan

diskusi

dikelas 5%

Evaluasi II (Evaluasi

Tenga

hal terkait serta membuat contoh contohnya dan melaku kan komputasi

Mahasis wa mampu memba has, merumus kan dan menggunakan pengertian himpunan pemben tang, bebas linier, basis, dan annihila tor

ketajaman men jawab perta nyaan di kelas


Ketajaman Mendifinisi kan, menyimpul kan, merumus kan dan mengguna kan pengertian bebas Iinier, basisl,annihi lator

h Semes

ter) dalam bentuk tulis berkai

tan denga

n kemampua

n pemha man dan

pengala

man mhs 25%

Total : 30%

Evaluasi II (Evaluasi Tengan Semester) pada tatap muka ke-16 dan dibahasan pada tatap muka ke-17

Homomorpima Modul,Modul Bebas, Modul Torsi, Modul Noetherian dan Modul atas DIU18-32

Mahasis wa mampu menyim pulkan, merumus kan dan menggunakan pegertian homomor pisma modul dan hal

Homomor pisma Modul

Modul bebas

Modul Torsi

Modul Noetherian

Modul atas DIU.

PembahasaTopik-topik bahan

Kuliah, Diskusi kelompok, Tanya

jawab. Presentasi Mahasiwa sebagai Evaluasi III

[TM: 15x(2x50’)]

o Kajian Pusta ka

o Melaku kan resu me ten tang kajian pusta ka

o Kejelas an dan ketajaman

Ketajaman dalam menyimpulkan, merumus kan dan menggunakan pengertian homomor

Kehadiran dan

keatifan

diskusi

dikelas 10%

Evaluasi III dalam bentu

k presen

terkait serta membuat contoh contohnya dan melakukan komputasi

Mahasis wa mampu menyimpulkan, merumus kan dan menggunakan pegertian modul bebas, modul torsi, modul Noetheri an dan modul atas DIU serta membuat contoh contohnya dan melakukan komputasi

Mahasis wa mampu mempre sentasikan dan mendisku sikan teorema-teorema yang

presentasi mahasiswa : Aplikasi Teori Modul

men jawab perta nyaan di kelas


o Melaku kan presen tasi dan membuat laporan dalam bentuk paper

pisma modul dan kemampuan memberi kan contoh-contohnya

Ketajaman dalam menyim pulkan serta menggunakan pegertian modul torsi, modul Noetheri an dan modul atas DIU

Kemampuan komunika si dalam presentasi dan menjawab pertanya an dalam diskusi serta membuat laporan dalam bentuk paper

tasi mahas

is wa dan

membuat

laporan

dalam forma

t paper : 15%

Evalu

asi tulis

Akhir Semes

ter sebag

ai evaluasi ke-

4 berkai

tan denga

n kemampua

n pema haman dan penga

la man mhs 25%

Total : 50%

didapat dengan topik-topik aplikasi teori modul dan mampu membuat laporan dalam bentuk paper

Evaluasi ke-4 (Evaluasi Akhir Semester) pada tatap muka ke-32

Pustaka Utama :

1. Subiono., ”Catatan Kuliah : Teori Modul ”, Departemen Matematika FMKSD-ITS, 2018.

2. Adnan Tercan and Canan C. Yücel, “Module Theory, Extending Modules and Generalizations”, Birkhäuser, 2016.

3. Ernest Shult and David Surowski, “Algebra, A Teaching and Source Book”, Spriger, (2015).

4. Paul E. Bland, “Ring and Their Modules”, Walter de Gryter GmbH & Co, Berlin/Newyork, (2011).

5. Steven Roman, ”Avanced Linear Algebra, Third Edition", SPRINGER, (2008).

6. W.A. Adkins and S.H. Weintraub, ”Algebra An Approach via Module Theory”, SPRINGER-Verlag, (1999).

7. D.G. Northcott, F.R.S., “Lessons on Rings, Modules and Multiplicities”, Cambridge at The University Press, (1968).

Pendukung : 1. Paul A. Furmann,” A Polynomial Approach to Linear Algebra, Second

Edition ”, SPRINGER, (2012).

Catatan : TM = Tatap Muka (Kuliah)


Nama MK Analisis Fungsional

Kode MK KM185102

Semester 1

sks 3

Nama Dosen Pengampu Dr. Mahmud Yunus

Bahan Kajian

Ruang vektor Ruang Banach Ruang Hibert Operator Linier



4.1.1 Mampu menerapkan pokok-pokok matematika bidang Analisis dan Aljabar terapan untuk mendukung riset bidang matematika dan bidang lain

4.3.1 Mampu melakukan pendalaman atau perluasan keilmuan matematika dengan menghasilkan model/ metode/ pengembangan teori yang akurat, teruji, dan inovatif.

CP-MK

Mahasiswa mampu menjelaskan sifat-sifat ruang vektor, ruang metrik, ruang bernorm, ruang hasil kali dalam

Mahasiswa mampu menjelaskan dan menganalisa konvergensi barisan, sifat keterbukaan himpunan, kontinuitas fungsi dengan pendekatan ruang topologi

Mahasiswa mampu membuktikan teorema-teorema yang berkaitan dalam ruang-ruang tersebut

Mahasiswa mampu mendefinisikan operator dan menganalisa keterbatasan dan kontinuitas serta sifat-sifat lainnya

Tatap muka

ke-

Kemampuan akhir Sub CP-

MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian


1 Mahasiswa mampu menjelaskan manfaat analisis fungsional untuk bidang matematika lainnya

Pendahulu-an

Contoh-contoh Persamaan Diferensial Parsial yang mengguna-kan konsep-konsep analisis fungsional

[Yunus, hal 1]

Ceramah 2 x 50 mnt -. Mahasiswa dapat menjelaskan kaitan analisis fungsional dengan kajian bidang lain

10%

2,3,4,5,6

Mahasiswa mampu

Telaah ulang ruang

Ceramah, Diskusi

8 x 50 mnt Latihan Soal

Maha-siswa

10%

menjelaskan sifat-sifat ruang vektor, ruang metric dan ruang topologi

metric dan ruang topologi

Himpunan Buka

Fungsi kontinu

[Kreyzig, hal 50, Yunus, hal 5]

dapat menje-laskan definisi dan meng-analisa keber-adaan ruang metrik, ruang topolo-gi dan kontinuitas fungsi

7,8,9,10,11

Mahasiswa mampu menjelaskan ruang bernorm, ruang Banach dan menganalisa konvergensi barisan, sifat keterbukaan himpunan, kontinuitas fungsi, kelengkapan suatu ruang vector

Ruang Banach,

Konvergen-si barisan

Kelengkap-an ruang vektor

Jumlah langsung [Yunus, hal 16]

Ceramah, Diskusi

Latihan Soal

Maha-siswa dapat menje-laskan,meng-analisakonvergensi barisan dan jumlah lang-sung ruang vektor

10%

(8) Evaluasi Tengah Semester 20% 14,15,16,17

Mahasiswa mampu menjelaskan sifat-sifat ruang hasil kali dalam, ruang Hilbert

Ruang Hasil Kali Dalam

Ruang Hilbert [Kreyzig, hal 50]

Ceramah, Diskusi

Latihan Soal

Maha-siswa mampu menje-laskan definisi dan sifat ruang hasil kali dalam dan konver-gensi

10%

barisan pada ruang hasil kali dalam, mampu menu-runkan teorema yang berkait-an

18,19,20,21,22

Mahasiswa mampu menjelaskan tentang ortogonalitas dan ortonormal serta mampu menerapkan-nya

Basis Ortonor-mal

Proyeksi Ortogonal [Yunus, hal 35]

Ceramah, Diskusi

Latihan Soal

Maha-siswa mampu menyelidiki sifat ortogo-nalitas dan ortonormal vektor-vektor,mampu menu-runkan teorema-teorema terkait serta mene-rapkan proyek-si orthogonal

10%

23,24,25,26

Mahasiswa mampu mendefinisi-kan operator dan menganalisa keterbatasan, kontinuitas, kekompakan

Operator Terbatas

Operator Kompak [Yunus, hal 43, 49]

Ceramah, Diskusi

Presentasi Maha-siswa mampu mende-finisi-kan opera-tor terbatas dan

25%

serta sifat-sifat lainnya

kompak serta meng-analisa keter-batasan dan kekom-pakan suatu opera-tor

27,28,29,30

Mahasiswa mampu menerapkan analisis fungsional dalam bidang lainnya

Operator spectral dan nilai eigen [Yunus, hal 52]

Ceramah, Diskusi

Latihan Soal dan presentasi

Maha-siswa mampu menu-runkan rumus berkait-an dengan opera-tor spektral Maha-siswa mampu menje-laskan pema-kaian opera-tor pada bidang lain

10%

(16) Evaluasi Akhir Semester PUSTAKA Pustaka Utama :

1. Yunus, M., Buku Ajar Analisis Fungsional, Jurusan Matematika ITS, 2014.

2. Teschl, G., Topic in Real and Functional Analysis, Fakultat fur Mathematik, University of Wien, 2010.

3. Zeidler,E., Applied Fungsional Analysis, Springer Verlag, 1995.

Pendukung : 1. Kreyzig, Introductory Functional Analysis with Applications, 1978.

Catatan : *Presentasi,tugas, diskusi, quiz, praktikum lab


Nama MK Pemodelan Matematika

Kode MK KM185103

Semester

sks 3

Nama Dosen Pengampu Prof. Dr. Basuki Widodo, M.Sc.

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian


PUSTAKA Pustaka Utama :

Pendukung :



Nama MK Komputasi Numerik

Kode MK KM185104

Semester 1

sks 2

Nama Dosen Pengampu

Dr. Dwi Ratna S

Bahan Kajian

Analisis Error Turunan Numerik Integral Numerik Penyelesaian PD Numerik


3.1.3

Mampu menguasai dan mengembangkan konsep-konsep matematika bidang matematika komputasi.

3.2.3

Mampu mengkonstruksi algoritma komputasi untuk menyelesaikan permasalahan yang terkait.

4.1.3

Mampu menerapkan pokok-pokok matematika bidang Komputasi untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi.

4.2.2

mampu melakukan uji/simulasi secara numerik untuk mengetahui kinerja suatu metode komputasi.

CP-MK

Mahasiswa mampu menganalisa galat dan kekovergenannya dari suatu penyelesaian numerik.

Mahasiswa mampu mengkonstruksi algoritma penyelesaian masalah matematika dengan pendekatan numerik

mahasiswa dapat mengimplementasikan pendekatan numerik ke dalam bahasa pemrograman MATLAB untuk menyelesaikan masalah-masalah matematika.

Mahasiswa mampu menerapkan pendekatan numerik untuk berbagai aplikasi multidisiplin sains dan teknologi.

Tatap muka

ke-


Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu




1 Mahasiswa mampu menganalisis error dan konvergensinya dari permasalahan numeric

‐ Kontrak Kuliah

‐ Analisis error

‐ Konvergensi

[1]: Stoer Bab I

Ceramah Diskusi Penugasan

1x(2x50”)]

‐ Tugas ‐ Diskusi ‐ Praktiku

m

Kemampuan yang baik dalam menganalisis error dan konvergensinya

10%

2,3 Mahasiswa mampu

Interpolasi: ‐ Ceramah ‐ Diskusi

2x(2x50’)

‐ Tugas ‐ Diskusi

Kemampuan

10%

menjelaskan, membuat algoritma dan mengimplemtasikan tentang intepolasi numerik

Polinom interpolasi lagrange.

Polinom interpolasi beda terbagi Newton.

Polinom interpolasi Spline Linear.

Polinom interpolasi Spline Kuadratik

‐ Praktek ‐ Penugasan

‐ Praktikum

membuat algoritma dan mengimplementasikan tentang interpolasi numerik

4,5 Mahasiswa mampu menjelaskan, membuat algoritma dan mengimplementasikan diferensiasi numerik

Diferensiasi numerik: ‐ Metode Selisih Maju/Mundur/ Pusat, ‐ Aturan Newton-Cotes, ‐ Ekstrapolasi Richardson, ‐ Turunan Tingkat Tinggi :

[1]: Stoer Bab III [2]: Burden Bab IV [2]: Karris Bab X

‐ Ceramah ‐ Diskusi ‐ Praktek ‐ Penugasan

2x(2x50’)


m

Mampu menyelesaikan dan mengimplementasikan Diferensial numerik

5%

6,7 Mahasiswa mampu menjelaskan, membuat algoritma dan mengimplementasikan integrasi numerik

Metode integrase numerik: Metode

Trapezoidal Metode

Simpson Aturan

rekursif Romberg Adatif

Quadrature [1]: Stoer Bab III

‐ Ceramah ‐ Diskusi ‐ Praktek ‐ Penugasan

2x(2x50’)


m

Mampu menyelesaikan dan mengimplementasikan integrasi numerik

5%

[2]: Burden Bab IV [2]: Karris Bab X

8 UTS 9 Mahasiswa

mampu memahami dan menganalisa dasar-dasar teori masalah nilai awal

Dasar-dasar teori masalah nilai awal [1]: Burden Bab V

Kuliah, Latihan Soal

1x(2x50’)


m

Kemampuan yang baik dalam memahami dan menganalisa masalah nilai awal

10%

10,11, 13

Mahasiswa mampu membuat algoritma dan mengimplementasikan beberapa metode penyelesaian masalah nilai awal

Metode Euler, Taylor, Adam, Milne Metode Heun, Runge-Kutta, Multi-step

[1]: Stoer Bab VII [2]: Burden Bab V [2]: Karris Bab IX

Kuliah, Responsi, Praktikum

3x(2x50’)


m

Kemampuan yang baik memahami dan menganalisa beberapa metode penyelesaian masalah nilai awal

15%

14 Mahasiswa mampu membuat algoritma dan mengimplementasikan beberapa metode penyelesaian PD orde tinggi

‐ Transformasi PD order tinggi menjadi PD order satu

‐ Contoh aplikasi PD order tingggi


1x(2x50’)


m

Kemampuan yang baik memahami dan menganalisa beberapa metode penyelesaian PD orde tinggi

5%

15 Mahasiswa mampu membuat algoritma dan

‐ Metode Shooting

‐ Metode Finite-Difference


1x(2x50’)


m

Kemampuan yang baik memahami dan

10%

mengimplementasikan metode penyelesaian Permasalahan Nilai Batas

menganalisa beberapa metode penyelesaian masalah nilai batas

16 Evaluasi Akhir Semester

Pustaka Utama : 1. Burden, R.L. dan Faires, J.D, Numerical Analysis, 9th edition, Cengage

Learning, 2010 2. Atkinson Kendall, An Introduction to Numerical Analysis, 2nd edition,

Wiley, 200 3. Steven C. Chapra, Applied Numerical Methods with MATLAB® for

Engineers and Scientists, 3th,

Pendukung : 1. Mitchell, A.R & Griffith, D.F. (1980) “The Finite Difference Method in

Partial Diffrential Equations”, A Wiley- Interscience Publication (John Wiley & Sons) , New York.

2. Griffiths, D.V. dan Smith, I.A. (1991) “Numerical Methods for Engineers”.[Blackwell Scientific Publications, London, England].

Catatan: 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu

BM = Belajar Mandiri

T = Teori (aspek ilmu pengetahuan)

TM = Tatap Muka (Kuliah)

PS = Praktikum Simulasi (3 jam/minggu)

P = Praktek (aspek ketrampilan kerja)

BT = Belajar Terstruktur.

PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Teori Aproksimasi

Kode MK KM185111

Semester

sks 3

Nama Dosen Pengampu Dr. Mahmud Yunus, M.Si.

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Aljabar Max-Plus

Kode MK KM185212

Semester 2

sks 3

Nama Dosen Pengampu

Dr. Subiono

Bahan Kajian

Semiring Petri Net Aljabar Super Tropical



3.2.2

Mampu memformulasikan masalah nyata dalam model matematika.

4.1.1


4.1.2

Mampu menerapkan pokok-pokok matematika bidang Pemodelan dan Optimasi Sistem untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi

CP-MK

Mahasiswa secara matang mampu mengembangkan matematika dan menulis bukti matematika secara baku

Mahasiswa mampu menghargai pentingnya pengertian struktur aljabar hingga konsep tingkat lebih tinggi.

Mahasiswa dapat mewujudkan kesadaran pemikiran simbolik kususnya dalam kerangka kerja aljabar supertropical

Mahasiswa mampu mengembangkan suatu pemahaman konsep dan dapat menarik kesimpulan hipotisis dan teori khususnya ide aljabar max plus untuk masalah komputasi system skala besar

Mahasiswa mempunyai kemampuan untuk menggunakan pemahamannya dan menganalisa masalah model matematika , khususnya masalah penjadwalan dan bidang disiplin lain yang terkait.

Mahasiswa mampu mengembangkan pemahaman kerangka matematematika yang mendukung sain dan teknologi, dan matematika serta mengkomunikasikan hasil pengembangan pemahamannya secara lisan dalam bentuk presentasi dan tulisan baku dalam matematika

Tatap muka

ke-


Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu




1-4 Mahasiswa mampu

Contoh sebagai motifasi

Kuliah, Pengkondisi

an mhs ,

[TM: 4x(3x50”

)]

Kajian Pustaka

Ketepatan

Kehadiran dan

menganali sa pengem bangan kon sep Aljabar Max-Plus berkaitan dengan struktur nya dan sifat-sifat nya serta mem buat contoh tcontohnya

Mahasiswa mampu menganali sa bentuk vektor dan matriks dalam aljabar max-plus serta mam pu melaku kan kom putasi ma tematika

Mahasiswa mam pu menganali sa hubung an matriks dengan

Struktur aljabar maxplus

Vektor dan Matriks

Operasi matriks dalam aljabar max-plus

Relasi Urutan dalam Aljabar Max-Plus

Matriks hubung annya dengan graf berarah dalam aljabar max-plus

Beberapa pengertian terkait dengan graf berarah

Strongly Connected dan Irreducible

Nilai karakteris tik dan vektor ka rakteristik

Tanya Jawab.

Diskusi

,

Melaku kan resu me ten tang kaji an pusta ka

Kejelas an dan ketajam an men jawab pertanya an di kelas

Keaktif an dalam diskusi di kelas.

Melaku kan kom putasi menggu nakan aljabar maxplus toolbox degan Scilab

mendefinisi kan dan menganalisa hal-hal terkait pengertian struktur aljabar max-plus.

Kemampuan melakukan komputasi numerik dan simbolik yang berkaitan dg. aljabar max-plus menggu nakan SCILAB

keatifan diskusi dikelas 5% Evaluasi I dalam bentuk tulis berkaitan dengan kemampuan pemha man dan pengala man mhs 15% Total : 20%

graf ber arah, nilai karakteris tik dan vektor karakteris tik,

Evaluasi I dan pembahasan tatap muka ke 4 5-8 Mahasis

wa mampu memamaha mi ide algo ritma power beserta generalisa sinya

Mahasiswa mampu menyusun ulang, me rumuskan dan mem buat model riil masalah penjadwal an serta mampu melakukan melaku kan simula si penjad walan untuk waktu

Berbagai Algorithma power

Analisa system persamaan linier

Sistem Produksi Sederhana

Penjadwal an Sistem jaringan Kereta dan kestabilan system

Pengkajian Model yang diharapkan

Jadwal Keberangkatan

Simulasi Terhadap Keterlambatan

Menentu kan Jalur Tercepat

Kuliah, Pengkondisi

an mhs , Tanya

Jawab. Diskusi.

[TM: 4x(3x50’)

]

Kajian Pustaka




Melaku kan kom putasi menggu nakan aljabar maxplus toolbox degan Scilab

Ketajaman menganalisa berbagai power algorit ma unruk menentukan nilai dan vektor eigen

Kemampuan menurunkan dan merumus kan model dalam aljabar maxplus untuk menyusun jadwal regular serta melakukan simulasi jadwal untuk waktu tunggu yang lebih cepat dan

Kehadiran dan keatifan diskusi dikelas 5% Evaluasi Tengah Semester dalam bentuk tulis berkaitan dengan kemampuan pemha man dan pengala man mhs 25% Total : 30%

tunggu yang lebih cepat dan komputasi numerik nya

Mahasiswa mampu menyimpulkan, meru muskan dari model penjadwal an yang diharapkan serta mam pu melaku kan simu lasi terha dap gang guan yang berupa keterlam batan keberangkatan dan mampu melakukan komputasi numerik dari model yg dibahas

komputasi nya

Kemampuan untuk melakukan simulasi jadwal terhadap terjadinya gangguan berupa keterlambatan.

Evaluasi Tengah Semester tatap muka ke 8 (Evaluasi ke II)

9-16 Mahasiswa mampu memahami ide yang mendasari sistem persamaan linier atas aljabar max plus serta mampu menyelesaikan masalanya untuk beberapa kasus

Mahasiswa mampu menyimpulkan, merumus kan dan mengguna kan penger tian Petri Nets dan hal-hal terkait serta mampu membuat Petri Nets dan Model Aljabar-Maxplus nya dari sistem antrian sederha

Pengenalan Petri Nets

Tanda Petri Nets dan Ruang Kedaan

Dinamika Petri Nets

Representasi Petri Nets Menggunakan Matriks

Analisis Model Sistem Event Diskrit Tak –berwaktu

Model Sistem Antrian

Model Petri net dengan waktu

Model timed event graph dengan waktu

Dinamika timed event graph dengan waktu sebagai sistem max plus

Pengenalan aljabar supertropical

Topik-topik bahan presentasi mahasiswa : Model Rantai Pasok dan berbagai masalahnya, Masalah penjadwalan

Kuliah, Diskusi kelompok, Tanya

jawab. Presentasi Mahasiwa sebagai Evaluasi III

[TM:

7x(3x50’)]

Kajian Pustaka




Melaku kan kom putasi menggu nakan aljabar maxplus toolbox degan Scilab.

Melaku kan simulasi Petri nets menggu nakan Pipe toolbox

Kemampuan mema hami ide yang mendasari sistem persama an linier atas aljabar max plus serta mampu menyele saikan masalanya untuk beberapa kasus

Kemampuan menyimpul kan, merumuskan dan mennguna kan pengerti an Petri Nets dan hal-hal terkait

Kemampuan membuat Petri Nets dan Model Al jabar Max-plusnya dari suatu

Kehadiran dan keatifan diskusi dikelas 10% Evaluasi III Semester dalam bentuk presentasi mahasis wa dan membuat laporan dalam format paper : 15% Evaluasi tulis Akhir Semester sebagai evaluasi ke-4 berkaitan dengan kemampuan pema

na dan yang kompleks serta melakukan simulasi mengguna kan Pipe toolbox

Mahasiswa mampu memahami supertropical algebra sebagai pengemba ngan dari masalah aljabar maxplus. Khususnya dalam penyesiaan system persamaan linier

Mahasiswa mampu mempresentasikan teori-teori yang didapat dan mendiskusikannya serta membuat laporan dalam

sistem produksi, Masalah optimasi penjadwalan dan topik lain terkait

antrian sederhana dan kompleks

Kemampuan menganali sa simulasi dari bebera pa kasus yang terjadi pada model antrian

Kemam puan memahami aljabar supertropical

Kemampuan mempresen tasikan teori-teori yang didapat dan mendiskusi kan nya serta membuat laporan dalam format paper

haman dan pengala man mhs 25% Total : 50%

format paper

Evaluasi Akhir Semester pada tatap muka ke -16

Pustaka Utama : 4. Subiono., ”Catatan Kuliah : Ajabar Max Plus dan Aplikasinya ”,

Departemen Matematika FMKSD-ITS, 2018. 5. Subiono and Kistosil Fahim, On Computing Supply Chain Scheduling

Using Max Plus Algebra, Applied Mathematical Science, Journal for Theory and Applications, vol. 10, no. 10, 477-486, 2016, DOI 10.12988/ams.2016.618.

6. Kistosil Fahim, Subiono and Jacob van der Woude, On a generalization of power algorithms over max-plus algebra, DEDS, Discrete Event Dyn Syst (2017) 27:181-203, DOI 10.1007/s10626-016-0235-4, Springer Science+Business Media New York 2017.

7. Subiono,” On Classes of Min Max Plus Systems and Their Applications “, PhD. Thesis, TU DELFT, The Netherlans, (2000)

8. Olsder G.j., Heidegott B. and J.W. van der woude, Maxplus at Work, Modelling and Analysis of Synchronized System : A Course on Max-Plus Algebra and ITS Applications, Princeton University Press, 2006

9. Subiono, and J.W. van Wounde, “Power Algorithms for (mas,+) – and Bipartite(Min,max,+) - Systems”, Discreate Event Dynamic System : Theory and Applications, Volume 10, pp 369-389, 2002

10. C.G. Cassandras and Stephane Lafortune, Introduction to Discrete Event Systems, Second Edition, Springer, 2008

11. Peter Butkovic, "Max-Linear Systems: Theory and Algorithms", Spriger, 2010

12. Michel Gondran and Michel Minoux, "Graph, Dioids and Semirings, New Model and Algorithms", Springer, 2008

13. Christos G. Cassandras and Stephane Lafortune, "Introduction to Discrete Event Systems, Second Edition", Spriger, 2008

14. James L. Peterson, "Petri Net Theory and the Modeling of Systems", Printice Hall, Inc, 1981

Pendukung : 1. Dieky Adzkiya,” Membangun Model Petri Net Lampu Lalulintas dan

Simulasinya “, Thesis Jurusan Matematika ITS, (2008) 2. Petrus Fendiyanto,” Supervisory Control pada Sistem Pengaturan Lalu

Lintas di Bandara dengan Menggunakan Petri Net”, Thesis Jurusan Matematika ITS, (2016)

Catatan: TM = Tatap Muka (Kuliah)


Nama MK Sistem Dinamik

Kode MK KM185221

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Kalkulus Stokastik

Kode MK KM185222

Semester 2

sks 3

Nama Dosen Pengampu

Endah Rochmati MP, PhD

Bahan Kajian

Probabilitas Integral Stokastik PD Stokastik


3.1.2

Mampu menguasai dan mengembangkan konsep-konsep matematika bidang pemodelan dan optimasi sistem.

3.2.2


4.1.1


4.1.2

Mampu menerapkan pokok-pokok matematika bidang Pemodelan dan Optimasi Sistem untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi

4.2.1

mampu melakukan kajian tentang keakuratan suatu model matematis dari suatu permasalahan inter- atau multi-disiplin.

CP-MK

Mahasiswa mampu memahami konsep dasar peluang Mahasiswa mampu memahami konsep proses stokastik diskrit dan martingale

secara diskrit Mahasiswa mengenal konsep Markov dan aplikasinya Mahasiswa mengenal konsep Brownian motion dan martingale secara kontinu Mahasiswa mengenal konsep kalkulus Ito dan aplikasinya di bidang keuangan

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu


Kriteria dan

Indikator Penilaian

Bobot Penilaian(%)

1 Mahasiswa mampu menjelaskan konsep probabilitas

‐ Kontrak Kuliah

‐ Probabilitas dan variable random

[2]: Zawstaniak Bab 1 [3]: Shreve Bab 1

Kuliah Pengantar Responsi

[TM: 1x(3x50”)]

Tulisan tentang solusi beberapa permasalahan yang diberikan

Kemampuan yang baik dalam menjelaskan konsep probabilitas dan variable random

5%

2,3 Mahasiswa mampu menjelaskan konsep ekspektasi bersyarat

‐ Dasar-dasar ekspektasi bersyarat pada event, variable random diskrit, sigma field

[2]: Zawstaniak Bab 2 [3]: Shreve Bab 2

Kuliah -Responsi

[TM: 2x(3x50”)]


Kemampuan yang baik dalam menjelaskan konsep ekspektasi bersyarat

5%

4,5,6 Mahasiswa mampu menjelaskan konsep dasar field, sigma-field, filtrasi,martingale dalam waktu diskrit

‐ Barisan variable random, filtrasi,

[2]: Zawstaniak Bab 2 [3]: Shreve Bab 2 [1]: Syamsuddin Bab 1,2

Kuliah, Responsi,

[TM: 3x(3x50”)]

‐ Tulisan tentang solusi beberapa permasalahan yang diberikan

Kemampuan yang baik dalam menjelaskan konsep dasar field, sigma-field, filtrasi , martingale dalam waktu diskrit dan terapannya

10%

7,9 Mahasiswa mampu menjelaskan konsep dasar ukuran dan integral Lebesgue

Mahasiswa mampu memahami keguanaan ukuran dan integral Lebesgue pada ruang probabilitas

‐ Ukuran Lebesgue

‐ Integral Lebesgue

[2]: Zawstaniak Bab 4 [3]: Shreve Bab 2 [1]: Syamsuddin Bab 3

Kuliah, Responsi,

[TM: 2x(3x50”)]


Kemampuan yang baik dalam menjelaskan konsep dasar ukuran dan integral Lebesgue

10%

8 ETS10,11 Mahasiswa

mampu menjelaskan konsep dasar ruang probabilitas

Ruang probabilitas


Kuliah, Responsi,

[TM: 2x(3x50”)]

Tulisan tentang solusi beberapa permasalahan yang diberikan.

Kemampuan yang baik dalam menjelaskan konsep dasar ruang probabilitas dan aplikasinya

10%

12 Mahasiswa mampu menjelaskan ekspektasi bersyarat dalam proses stokastik

Ekspektasi bersyarat terhadap variable acak diskret


Kuliah, Responsi,

[TM: 1x(3x50”)]

Tulisan tentang solusi terhadap permasalahan yang diberikan

Kemampuan yang baik dalam menjelaskan implementasi ekspektasi bersyarat dalam proses stokastik

10%

13 Mahasiswa mampu men-jelaskan konsep dasar martingale

Mahasiswa mampu men-jelaskan konsep dasar teorema Radon-Nikodym

Martingale Teorema

Radon-Nikodym

[2]: Zawstaniak Bab 2 [3]: Shreve Bab 2 [1]: Syamsuddin Bab 6,7

Kuliah, Responsi,

[TM: 1x(3x50”)]


Kemampuan yang baik dalam menjelaskan konsep dan implementasi martingale dan Teorema Radon-Nikodym

20%

Catatan : 1 sks = (50’ TM + 60’ BM)/ Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/ minggu) P = Praktik (aspek keterampilan kerja) BT = Belajar Terstruktur PL = Praktikum Laboratorium (3 jam/ minggu)

14,15 Mahasiswa mampu menjelaskan konsep dasar integral Ito dan implementasinya dalam rumus Ito dan Brownian motion

Integral Ito Brownian

motion [2]: Zawstaniak Bab 7 [3]: Shreve Bab 3,4 [1]: Syamsuddin Bab 8,9

‐ Kuliah ‐ Responsi ‐ Tugas

implementasi Brownian motion untuk menggambarkan aliran informasi dan peluang menggunakan MATLAB

[TM: 2x(3x50”)]


‐ Makalah implementasi Brownian motion dengan MATLAB

Kemampuan yang baik dalam menjelaskan konsep dan implementasi integral Ito dan Brownian motion

30%

16 EAS


Nama MK Algoritma Komputasi

Kode MK KM185231

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Matematika Pembelajaran Mesin

Kode MK KM185232

Semester 2

sks 3 SKS

Nama Dosen Pengampu

Prof. Dr. M Isa Irawan, MT

Bahan Kajian

Teori Mat/Stat untuk Pembelajaran Mesin Algoritma Konveksitas Algoritma Pembelajaran


3.1.3


3.2.3


4.1.3


4.2.1


4.2.2


CP-MK

1. Mahasiswa membuatn skema tipe-tipe pembelajaran mesin dan hubungannya dengan bidang-bidang lainnya.

2. Mahasiswa mampu menjelaskan konsep Learning 3. Mahasiswa mampu menerapkan suatu pemetaan dari ruang nilai riil ke lainnya

dalam model yang linier. 4. Mahasiswa mampu menerapkan konsep pemetaan non linier untuk mengatasi

keterbatasan model yang linier. 5. Mahasiswa mampu mengimplementasikan SVM 6. Mahasiswa mampu menjelaskan minimize the sum of the empirical risk dan

fungsi regularization 7. Mahasiswa mampu menjelaskan konsep klasifier menggunakan algoritma

percepron dan hebb 8. Mahasiswa mampu memahami dan mengimplementasikan komputasi dengan

algoritma backpropagation 9. Mahasiswa mampu mengimplentasikan komputasi dengan algoritma berbasis

fungsi aktifasi gausian 10. Mahasiswa mampu menganalisis konsep matriks yang diterapkan dalam ELM 11. Mahasiswa mampu analisis dan implementasi komputasi konsep jaringan

Kohonen, LVQ dan k-means untuk clutering data

Tatap muka

ke-


Keluasan (materi

pembelajaran)

Metode Pembela-

jaran

Estimasi

Waktu

Pengalaman

Kriteria dan

Bobot Peni-

Belajar Mhs*

Indikator Penilaian

laian (%)

(1) Mahasiswa membuatn skema tipe-tipe pembelajaran mesin dan hubungannya dengan bidang-bidang lainnya. .

MODEL PEMBELAJARAN MESIN:

.Apa maksud pembelajaran mesin (PM)?

Tipe-tipe pembelajaran mesin

Hubungan PM dengan bidang-bidang lain.

Masalah sederhana

Kuliah Pengantar, studi kasus sederhana, diskusi Kelompok

[TM: 3x50”]

Membuat ringkasan dari pemahaman mesin pembelajar.

Mampu menerangkan dengan baik definisi PM dan tipe-tipe PM serta keterkaitannya dengan bidang-bidang lain.

5 %

(2) Mahasiswa mampu menjelaskan konsep Learning

TEORI LEARNING 1. Bias/varians 2. Kelas

hipotesis berhingga Ӊ

Kuliah, Diskusi kelompok,

[TM: 3x50”]


Kemampuan yang baik dalam menjelaskan teori learning

5 %

(3, 4) Mahasiswa mampu menerapkan suatu pemetaan dari ruang nilai riil ke lainnya dalam model yang linier.

PEMBELAJARAN TERAWASI

1. Ruang setengah

2. Regresi linier

3. Perceptron 4. Regresi

logistik 5. K-Nearest

Neighbors

- ceramah - Diskusi - Latihan soal

[TM: 2x{3x50”}]

Mampu menyelesiakn soal-soal yang diberikan

Mampu menyelesaikan:

regresi linier input dan output 1 dimensi,

input dan output multi dimensi.

10%

(5,6) Mahasiswa mampu menerapkan konsep pemetaan non linier untuk mengatasi keterbatasan

ALGORITMA PEMBELAJARAN GENERATIF 1. Analisis

diskriminan Gauss

- Ceramah

- Diskusi - Latihan

soal

[TM: 2x ( 3x50”)]

Mampu menyelesiakn menyusun algoritma

Kemampuan yang baik dalam menjelaskan analisis diskrimin

10%

model yang linier.

2. Naive Bayes

an Gauss dan Naive Bayes

(7) Mahasiswa mampu mengimplementasikan SVM

SUPPORT VECTOR MACHINES 1. Margins:

Intuition 2. Notation 3. Functional

and geometric margins

4. The optimal margin classifier

5. Lagrange duality

6. Optimal margin classifiers

7. Kernel

Kuliah, Responsi, Presentasi

[TM: ( 3x50”)]

‐ Mampu menyelesaikan problem sederhana dg SVM

Kemampuan yang baik dalam menjelaskan SVM

10%

(8) EVALUASI TENGAH SEMESTER (ETS) (9) Mahasiswa

mampu menjelaskan minimize the sum of the empirical risk and a regularization function

REGULARIZATION AND MODEL SELECTION

1. Ridge Regresion

2. Lipschitz Loss3. Controlling

the Fitting-Stability Tradeoff_

Projek Diskusi kelompok,

[TM: 3x50”]

‐ Ketepatan menjelaskan pengaturan dan pemilihan secara empiris fungsi resiko dan regulasi

7%

(10) Mahasiswa mampu menjelaskan konsep klasifier menggunakan algoritma percepron dan hebb

THE PERCEPTRON, HEBB AND

LARGE MARGIN

CLASSIERS 1. Pengenalan

pola data 2. Hyperplane

classifier

Kuliah, Diskusi

kelompok

[TM: 3x50”]

‐ Source code hasil praktikum -Tulisan tentang solusi beberapa permasalahan

Ketepatan menjelaskan implementasi jaringan perceptron dan hebb

gambaran tentang penyelesaian masalah

8%

yang diberikan

dengan bantuan jaringan percepron dan hebb

(11) Mahasiswa mampu memahami dan mengimplementasikan komputasi dengan algoritma backpropagation

THE BACKPROPAGATION ALGORITM AND ITS VARIATION 1. Algoritma

backpropagation untuk pengenalan pola

2. Variasi algoritma Backpropagation

Projek Diskusi kelompok,

[TM: ( 3x50”)]

‐ Source code hasil praktikum


Ketepatan menjelaskan implementasi jaringan backpropagatio

Mempunyai gambaran tentang penyelesaian masalah dengan bantuan jaringan backprropagation

8%

(12) Mahasiswa mampu mengimplentasikan komputasi dengan algoritma berbasis fungsi aktifasi gausian.

MIXTURES OF

GAUSSIANS AND THE EM ALGORITHM

1. Radial Basis function


[TM: ( 3x50”)]


Tulisan tentang solusi

beberapa

permasalahan yang

diberikan

Kemampuan yang baik dalam menjelaskan perbedaan konsep algoritma jaringan RBF

gambaran tentang penyelesaian masalah dengan bantuan jaringan percepron dan hebb

7 %

(13) Mahasiswa mampu menganalisis

EXTREM LEARING

MACHINES


[TM: 3x50”]

‐ Tulisan tentang

‐ Kemampuan yang baik dalam

10%

konsep matriks yang diterapkan dalam Extrem Learning Machines

1. ELM untuk pengenalan pola data

solusi beberapa permasalahan yang diberikan

menjelaskan perbedaan konsep algoritma jaringan ELM

‐ gambaran tentang penyelesaian masalah dengan bantuan jaringan percepron dan hebb

(14) Mahasiswa mampu analisis dan implementasi komputasi konsep jaringan Kohonen, LVQ dan k-means utuk clustering data

THE KOHONEN

dan k-MEANS CLUSTERING ALGORITHM 1. Jaringan

Kohonen 2. Jaringan

LVQ 3. K-means


[TM: ( 3x50”)]


‐ Tulisan tentang solusi beberapa permasalahan yang diberikan Quiz

Kemampuan yang baik dalam menjelaskan perbedaan konsep algoritma jaringan Kohonen, LVQ dan k-means

gambaran tentang penyelesaian masalah dengan bantuan jaringan percepron dan hebb

10 %

(15) Mahasiswa mampu menjelaskan konsep pembelajar mesin yang ada dalam

Jurnal-jurnal berreputasi

internasional dan terindex

Presentasi

[TM: ( 3x50”)]

‐ Ringkasan hasil telaah

Tulisan tentang solusi

Ketepatan menjelaskan jenis-jenis algoritma

5%

jurnal yang ditugaskan untuk dibedah.

beberapa

permasalahan yang

diberikan

probabilistic

Mempunyai gambaran tentang penyelesaian masalah dengan bantuan pembelajar mesin

Ketepatan menjelaskan pemahaman kasus dan penyelesaian masalah

(16) EVALUASI AKHIR SEMESTER (EAS) 15%

Pustaka Utama :

1. Shwartz S.S. dan S.B. David, “Understanding Machine Learning: From Theory to Algorithm”, Cambride University Press, 2014

Pendukung : 2. Aaron Hertzmann and David Fleet, “Machine Learning and Data Mining”

, lecture note Univ. Toronto, 2012 Catatan : 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Transformasi Diskrit

Kode MK KM185271

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :


Nama Program Studi Pascasarjana, Departemen Matematika, FMKSD-ITS

Nama MK VERIFIKASI FORMAL

Kode MK KM185272

Semester 2

sks 3

Nama Dosen Pengampu Dr. Dieky Adzkiya, S.Si, M.Si

Bahan Kajian

Sistem Transisi Spesifikasi Algoritma Verifikasi


3.1.3


3.2.2


4.1.2

Mampu menerapkan pokok-pokok matematika bidang Pemodelan dan Optimasi Sistem untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi.

4.1.3


4.2.1


CP-MK

1. Mahasiswa mampu menjelaskan metode verifikasi formal dan model-model sistem dimana metode verifikasi formal dapat diterapkan.

2. Mahasiswa mampu menjelaskan beberapa metode verifikasi sistem dan perkembangan metode verifikasi sistem.

3. Mahasiswa dapat menerapkan model checking pada model sistem transisi, baik secara teori maupun dengan menggunakan perangkat lunak

4. Mahasiswa mampu menjelaskan dan menerapkan berbagai algoritma pada verifikasi sistem.

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu


Kriteria dan

Indikator Penilaian

Bobot Penilaian(%)

(1) • Mahasiswa mampu menjelaskan pengertian verifikasi sistem. • Mahasiswa mampu memberi contoh

‐ Mengapa dibutuhkan verifikasi sistem,

‐ Perbedaan verifikasi sistem dan

‐ Kuliah ‐ Brainstor

ming ,

[TM: 1x(3x50’)]

-Ketepatan penjabaran perkembangan metode verifikasi system -Ketepatan perbandingan

10%

verifikasi sistem • Mahasiswa mampu menganalisa keteramatan sistem, sensitivitas dan preditable

simulasi sistem

‐ Keuntungan menggunakan verifikasi sistem

‐ Hal-hal yang menjadi batasan dalam melakukan verifikasi sistem secara otomatis

‐ Jenis-jenis verifikasi sistem,

(keunggulan dan kelemahan) metode di verifikasi sistem

(2,3) Mahasiswa mampu mengidentifikasi model-model dimana metode model checking dapat diterapkan

• model-model yang digunakan dalam model checking • definisi sistem transisi dan beberapa definisi yang berkaitan dengan sistem transisi • sifat sifat sistem transisi

Kuliah, diskusi kelompok

[TM 2x(3x50”)]

Tugas-1: omenginventaris model yang dapat dan yang tidak dapat diverifikasi dengan model checking omendeskripsikan masalah verifikasi sistem

-ketepatan mengidentifikasi model-model yang dapat diverifikasi dengan model checking -Kejelasan deskripsi masalah verifikasi sistem

15%

(4,5,6,7)

Mahasiswa mampu memahami beberapa spesifikasi yang umum digunakan seperti linear-time property, linear

Sintaks dan semantik dari linear-time property

Algoritma verifikasi untuk linear-

Kuliah, diskusi dan latihan soal

[TM 4x(3x50”)]

oketepatan penjelasan masing-masing spefisikasi o ketepatan penggunaan algoritma untuk

15%

temporal logic dan computation tree logic

Mahasiswa mampu memahami algoritma yang digunakan untuk melakukan verifikasi untuk masing-masing spesifikasi tersebut

time property

Sintaks dan semantik dari linear temporal logic

Algoritma verifikasi untuk linear temporal logic

Sintaks dan semantik dari computation tree logic

Algoritma verifikasi untuk computation tree logic

masing-masing spesifikasi

8 ETS

(9,10,11)

‐ Mahasiswa mampu menggunakan perangkat lunak SPIN untuk melakukan verifikasi sistem yang sederhana

‐ Mahasiswa mampu menggunakan perangkat lunak NuSMV untuk melakuka

‐ Perangkat lunak SPIN (bahasa pemrograman mirip dengan bahasa C)

‐ Perangkat lunak NuSMV (bahasa pemrograman adalah SMV)

Kuliah, diskusi dan latihan soal

[TM 3x(3x50”)]

Kuliah dan praktikum Presentasi Tugas-2 : menyele

saikan permasalahan verifikasi yang sederhana dengan SPIN atau NuSMV

membuat makalah dan slide yang

Kejelasan uraian masing-masing perangkat lunak

Ketepatan penggunaan masing-masing perangkat lunak untuk menyelesaikan permasalahan yang sederhana

10%

Pustaka Utama : 1. Baier, C. dan Katoen, J-.P., 2008, Principles of Model Checking, The MIT

Press 2. Ben-Ari, M., 2008, Principles of the SPIN model checker, Springer

Pendukung : -

n verifikasi sistem yang sederhana

akan digunakan untuk presentasi

(12,13,14)

• Mahasiswa mampu membuat makalah tentang metode verifikasi sistem khususnya model checking berdasarkan jurnal-jurnal terbaru • Mahasiswa mampu mempresentasikan makalah yang telah dibuat

studi kasus penerapan verifikasi sistem

Kuliah, diskusi dan latihan soal Tugas-5 : O Makalah dari jurnal-jurnal terbaru tentang masalah verifikasi sistem

[TM 3x(3x50”)]

oKejelasan deskripsi permasalahan verifikasi sistem dengan metode model checking secara tertulis oKejelasan deskripsi dalam presentasi

15%

(15,16)

Evaluasi Akhir Semester


Nama MK Sistem dan Kontrol

Kode MK KM185273

Semester 3

sks 2 SKS

Nama Dosen Pengampu

Dr. Dra. Mardlijah, MT

Bahan Kajian

Ruang Keadaan Sistem MIMO Desain Kontrol


3.1.2


3.2.2


4.1.2


4.2.1 mampu melakukan kajian tentang keakuratan suatu model matematis dari suatu permasalahan inter- atau multi-disiplin.

CP-MK

Mahasiswa mampu mengikuti perkembangan dan menerapkan sistem linear dan kontrol optimum serta mampu mengkomunikasikannya secara aktif dan benar baik lisan ataupun tulisan .

Mahasiswa mampu menjelaskan prinsip-prinsip dasar dan lanjut dari Teori yang dipahaminya khususnya berkaitan dengan sistem linear dan mampu mendisain sistem kontrol yang sesuai.

Mahasiswa mampu menjelaskan secara cerdas dan kreatif tentang peranan signifikan Sistem Linear dan Kontrol Optimum dalam bidang rumpun pengetahuan terkait atau bidang lainnya.

Mahasiswa mampu menyajikan pemahaman ilmunya dalam bidang Sistem Linear dan Kontrol optimum secara mandiri ataupun dalam kerja tim.

Tatap muka

ke-


MK

Keluasan (materi pembela-

jaran)

Metode Pembelajaran

Estimasi Waktu

Pengalaman

Belajar Mhs*

Kriteria dan

Indikator Penilaian

Bobot Penila

ian (%)

(1) Mahasiswa mampu menjelaskan konsep dasar sistem serta mengidentifikasi fenomena alam

Kontrak Kuliah

Pengantar

[1]:Olsder Bab 1, 2

Kuliah Pengantar, studi kasus sederhana, diskusi Kelompok

[TM: 3x50”]

Tulisan tentang contoh suatu system yang diambil dari permasalahan riil

Kemampuan yang baik dalam menjelaskan konsep dasar sistem

5%

kedalam sistem

[2]: Subiono Bab 1, 2

Mempunyai gambaran tentang bagaimana membawa suatu permasalahan kedalam system

(2,3) Mahasiswa mampu menjelaskan konsep system linier

Sistem diferensial linier, linierisasi, selesaian system persamaan diferensial linier [1]: Olsder Bab 3 [2]: Subiono Bab 3

- Kuliah - Latihan soal

TM: 2x(3x50”)]

Tulisan tentang suatu kasus mekanik/elektrik menjadi suatu system persamaan diferensial

Mampu membentuk system persamaan diferensial dari suatu persamaan diferensial

10%

(4,5) ‐ Mahasiswa mampu menjelaskan sifat-sifat sistem

‐ Mahasiswa mampu menjelaskan kriteria kestabilan, keterkontrolan dan

Sifat-sifat system

kestabilan, jenis-jenis kriteria kestabilan

keterkontrolan system

keteramatan sistem

Kuliah, Responsi, Praktikum Mandiri

[TM: 2x(3x50”)]

‐ Tulisan tentang suatu system dan menentukan sifat-sifatnya

‐ Quiz I

Kemampuan yang baik dalam menjelaskan kestabilan dan menentukan kestabilan suatu sistem

Kemampuan yang baik dalam menentu

10%

keteramatan

‐

[1]: Olsder Bab 4 [2]: Subiono Bab 4 [3]: Christiaan Hiej Bab 4

kan keterkontrolan dan keteramatan suatu system.

[6] ‐ Mahasiswa mampu menjelaskan control umpan balik state dan control umpan balik output

control umpan balik state

control umpan balik output

[1] : olsder bab 5 [2]: Subiono Bab 5


[TM: 2x(3x50”)]

Tulisan tentang disain control umpan balik dari beberapa permasalahan yang diberikan

Kemampuan yang baik dalam menjelaskan umpan balik state dan umpan balik output

Mempunyai gambaran tentang bagaimana disain control umpanbalik

10%

(7.8) ‐ Mahasiswa mampu menjelaskan konsep penyajian input output

Mahasiswa mampu menyajikan system dalam input output dan state space

Penyajian input output

fungsi transfer

realisasi minimal

[1] : olsder Bab 6 [2]: Subiono bab 6

Kuliah, Responsi,

[TM: 2[3x50”)]


Kemampuan yang baik dalam menjelaskan penyajian input output

Ketepatan menjelas-kan fungsi transfer dan matriks transfer

Mempunyai

10%

gambaran tentang realisasi fungsi transfer menjadi state space

(9) Evaluasi Tengah Semester (10,11) ‐ Mahasis

wa mampu menjelaskan konsep dasar optimal kontrol

Mahasiswa mampu mendisain control optimal dari permasalahan sederhana

Konsep optimal control

masalah maksimum minimum dengan euler lagrange

persamaan Hamilton jacobi

[1] : Subiono Bab 7,8 [2]: Lewis Bab 1, 3.1, 3.2

Kuliah, Responsi,

[TM: 2[3x50”)]


Kemampuan yang baik dalam menjelaskan konsep dasar optimal kontrol

Kemampuan menyelesaiakn masalah maksimum minimum dengan euler laggrange

Mempunyai gambaran tentang penyelesaian masalah dengan hamiltonian

15%

(12) Mahasiswa mampu menjelaskan konsep LQR dan menerpkannya pada

kontrol loop buka

kontrol loop tutup

keadaan stedy

Kuliah Responsi

[TM: 1x(3x50”)]

Tulisan tentang solusi terhadap permasalahan yang diberikan

Kemampuan yang baik dalam menjelaskan konsep LQR

10%

permasalahan riil

dan control sub optimal

[1] : Subiono Bab 9 [2]: Lewis Bab 3.3, 3.4

Mampu menerapkannya pada permasalahan riil

(13)

Mahasiswa mampu menjelaskan konsep dasar metode control PID dan mampu mendisain control PID untuk suatu studi kasus

Disain langsung

Penalaan PID

[1]: Ogata Bab 8 [2]: kadour Najm Bab 5


[TM: 1x(3x50”)]


‐ Hasil simulasi matlab

Kemampuan yang baik dalam menjelaskan konsep dan implementasi control PID

Mempunyai gambaran tentang penyelesaian masalah dengan PID dan mensimulasikan dengan matlab

10%

(14) Mahasiswa mampu mnentukan system control yang tepat untuk suatu permasalahan riil dengan memahami kekurangan dan kelebihan

Telaah suatu kasus dan menentukan system control yang paling sesuai [1]: bahan2 dari jurnal

Kuliah, Diskusi kelompok, Praktikum,

[TM: 1x(3x50”)]


Kemampuan yang baik dalam menjelaskan perbedaan konsep dan implementasi kontrol fuzzy dan sistem

10%

pakar fuzzy

Mempunyai gambaran tentang penyelesaian masalah defuzzifikasi

(15) Mahasiswa mampu mnentukan system control yang tepat untuk suatu permasalahan riil dengan memahami kekurangan dan kelebihan

Telaah suatu kasus dan menentukan system control yang paling sesuai [1]: bahan2 dari jurnal

Presentasi, Diskusi kelompok,

[TM: 1x(3x50”)]

‐ Tulisan tentang solusi beberapa permasalahan yang diberikan dan simulasinya

Ketepatan menjelaskan jenis-jenis control yang sudah dipelajari

Mempunyai gambaran tentang bagaimana menentukan system control yang sesuai dengan masalah yang diberikan

10%

(16) Evaluasi Akhir Semester

Pustaka Utama : 1. Subiono., ” Sistem Linear dan Kontrol Optimal”, Jurusan Matematika

FMIPA-ITS, 2014. 2. Frank L. Lewis, Vassilis LS, ”Optimal Control and Estimation”, Wiley

and Son, New Jersey, Canada, Inc., (1995) 3. Olsder, GJ, "Mathematical System Theory", Fourth Edition, VSDD,

Delft The Netherland (2011) Pendukung

1. Christiaan Hiej,”Introduction to Mathematical System Theory, Linear Space, Identification and Control”, Birchauser Verlag ,2007

2. Kaddour Najim,”Control of Continuous Linear Systems”,ISTE Ltd, London UK,2006

3. Katsuhiko Ogata,”Modern Control Engineering”,Prentice Hall,2010 Catatan : 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Komputasi Dinamika Fluida

Kode MK KM185274

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Optimasi Dinamis

Kode MK KM185275

Semester 2

sks 3

Nama Dosen Pengampu Dr. Subchan

Bahan Kajian Kalkulus variasi

Kendali optimal CPL yang dibebankan MK

2.1.2 Mampu menguasai dan mengembangkan konsep-konsep matematika bidang pemodelan dan optimasi system.

2.2.2 Mampu memformulasikan masalah nyata dalam model matematika.

3.1.1 Mampu menerapkan pokok-pokok matematika bidang Analisis dan Aljabar terapan untuk mendukung riset bidang matematika dan bidang lain.

3.1.2 Mampu menerapkan pokok-pokok matematika bidang Pemodelan dan Optimasi Sistem untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi.

3.2.1 mampu melakukan kajian tentang keakuratan suatu model matematis dari suatu permasalahan inter- atau multi-disiplin.

CP-MK

Mahasiswa mampu mengikuti perkembangan dan menerapkan matematika serta mampu berkomunikasi secara aktif dan benar baik lisan ataupun tulisan.

Mahasiswa mampu menjelaskan prinsip-prinsip dasar dan lanjut dari Teori yang dipahaminya khususnya berkaitan dengan optimasi dinamis.

Mahasiswa mampu menjelaskan secara cerdas dan kreatif tentang peranan signifikan optimasi dalam bidang rumpun pengetahuan terkait atau bidang lainnya.

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian


(1) [C5,A3][Conceptual knowledge, Analyze]: Mahasiswa mampu memodelkan mengkategorikan permasalahan optimasi

‐ Kontrak Kuliah

‐ Optimasi statis dan dinamis

[1]: Subchan Bab II

- Kuliah Pengantar - studi kasus sederhana

[TM: 1x(3x50’)]

Tulisan tentang solusi beberapa permasa-lahan yang diberikan.

Kemampuan yang baik dalam menje-laskan perbedaan perma-salahan

10%

statik dan dinamik.

optima-si statik dan dinamis serta mene-rapkan-nya.

(2,3) [C5,A3][Conceptual knowledge, Analyze]: Mahasiswa mampu membedakan permasalahan fungsi dan fungsional sederhana.

‐ Perbedaan fungsi dan fungsional

[1]: Naidu Bab II [2]: Krasnov Bab II

- Kuliah - Latihan

soal

[TM: 2x(6x50’)]


Mam-pu memahami perbedaan fungsi dan fungsional.

15%

(4) [C5,P3,A3][Conceptual knowledge, Analyze]: Mahasiswa mampu menjelaskan konsep fungsi dan fungsional optimal.

- fungsi dan fungsional optimal

[1]: Naidu Bab II.2

- Kuliah - Latihan

soal

[TM: 1x(3x50’)]


Ke-mam-puan yang baik dalam menjelas-kan kon-sep fungsi dan fungsional opti-mal.

5%

(5,6,7) [C5,P3,A3][Conceptual knowledge, Analyze]: Mahasiswa mampu menjelaskan dasar-dasar variasional dan mengklasifi-kasikan permasalahan

- Waktu dan state diketahui

- Penurunan Euler-Lagrange

- Kasus-kasus Euler-Lagrange

[1]: Naidu Bab II.3

- Kuliah - Latihan

soal

[TM: 2x(6x50’)][Praktikum: 3x50’)]

Tulisan tentang solusi beberapa permasa-lahan yang diberikan

Ke-mam-puan yang baik dalam menjelas-kan dasar-dasar varia-sional

20%

riil ke dalam kasus-kasus Euler-Lagrange.

dan penu-runan Euler-Lag-range.

(8) Evaluasi Tengah Semester (9,10) C6,A3][Conc

eptual knowledge, Analyze]: Mahasiswa mampu menjelaskan dan mengevaluasi fungsi dan fungsional optimal dengan kendala.

Fungsi dan fungsional optimal dengan kendala [1]: Naidu Bab II.5-II.6

- Kuliah - Respon-

si - Prakti-

kum


- Source code hasil prakti-kum

- Tulisan tentang solusi beberapa permasa-lahan yang diberi-kan

‐ Ke-mam-puan yang baik mene-rap-kan pendekatan varia-tion-nal untuk kendali opti-mal serta mengevaluasi.

15%

(11,12) [C6,A2][Conceptual knowledge, Analyze]: Mahasiswa mampu menerapkan pendekatan variational untuk kendali optimal serta mengevaluasinya.

Pendekatan variational untuk kendali optimal [1]: Naidu Bab II.7-II.8

- Kuliah - Respon-

si - Prakti-

kum


- Source code hasil prakti-kum

- Tulisan tentang solusi beberapa permasa-lahan yang diberi-kan

‐ Ke-mam-puan yang baik mene-rap-kan pendekatan varia-tion-nal untuk kendali opti-mal serta meng

15%

evaluasi.

(13,14,

15) [Conceptual and Procedural knowledge, Analyze][C6,A3]: Mahasiswa mampu menjelaskan, menerapkan kendali optimal dalam permasalahan riil dan mengevaluasi hasilnya.

Studi Kasus - Kuliah - Tugas

Besar I (Project)

- Presentasi

‐ Ke-mam-puan yang baik dalam men-jelas-kan, mene-rap-kan kendali opti-mal dalam permasalah-an riil dan mengeva-luasi hasil-nya.

25%


4. Naidu, D.S, ”Optimal Control Systems’’, CRC Press, 2002. 5. Subchan, S and Zbikowski, R., “Computational Optimal Control: Tools

and Practice”, Wiley, 2009. 6. Lewis, F. dan Syrmos Vassilis, “Optimal Control”, John Wiley & Sons,

Singapore, 1995. 7. Suzanne Lenhart, John T. Workman, “Optimal Control Applied to

Biological Models”, CRC Press, 2007. 8. Krasnov, M.L., Makarenko, G.I, dan Kiselev, A.I., Problems and

Exercises in the Calculus of Variations , MIR Publisher Moskow, 1975. 9. Bryson and Yu-Chi Ho, Applied Optimal Control: Optimization,

Estimation and Control, Taylor and Francis Group, 1975.

Pendukung : 10. Lewis, F.L. Optimal Control, John Wiley & Sons, Inc., New York, NY,

1986. 11. Kirk, D.E. Optimal Control Theory: An Introduction, Prentice Hall,

Englewood Cliffs, NJ, 1970. Catatan:

1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Matematika Keuangan

Kode MK KM185276

Semester 2

sks 3

Nama Dosen Pengampu

Endah Rochmati MP, PhD

Bahan Kajian

Anuitas Interest Rate Invesment Portfolio


2.1.2




3.1.3 Mampu menerapkan pokok-pokok matematika bidang Komputasi untuk mendukung riset bidang lingkungan, pemukiman, kelautan, energi, atau teknologi informasi.

3.2.2 mampu melakukan uji/simulasi secara numerik untuk mengetahui kinerja suatu metode komputasi.

CP-MK

Mahasiswa mampu memahami dan mengaplikasikan kemampuan matematisnya untuk membangun model anuitas

Mahasiswa mampu memahami dan membangun skema pembayaran pinjaman Mahasiswa mampu memahami dan menentukan nilai bond atau obligasi Mahasiswa mampu memahami dan menyusun analisa rate of return dari suatu

investasi

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu


Kriteria dan Indikator Penilaian

Bobot Penilai

an (%)

(1,2) Mahasiswa mampu menjelaskan struktur interest rate dan berbagai tipenya

‐ Kontrak Kuliah

‐ Interest rate akumulasi dan efektif

‐ Present value

‐ Nominal rate of interest

‐ Kuliah pengantar untuk mengenalkan beberapa jenis interest rate dan pengaruhn

[TM:2x (3x50”)] [BT+BM: 2x(3x60”)]


Kemampuan yang baik dalam menjelaskan perbedaan struktur interest rate dan pengaruhn

10%

‐ Diskon rate ‐ Force of

interest ‐ Inflasi

[1]:Garret Bab 1,2,3 [2]: Broverman Bab 1

ya terhadap inflasi

‐ Diskusi

ya terhadap inflasi

Mempunyai gambaran tentang model matematis interest rate

(3,4,5) Mahasiswa mampu menjelaskan konsep dasar anuitas dan berbagai macam tipenya

Mahasiswa mampu memodelkan anuitas dengan berbagai macam tipenya

‐ Anuitas tanpa dan dengan level pembayaran

‐ Generalisasi anuitas

‐ Anuitas dengan non-konstan payment

[1]:Garret Bab 1,2,3 [2]: Broverman Bab 2

‐ Kuliah pengantar untuk mengenalkan beberapa jenis interest rate dan pengaruhnya terhadap inflasi

‐ Diskusi

[TM:3x (3x50”)]

[BT+BM: 3x(3x60”)]


Kemampuan yang baik dalam menjelaskan anuitas dan beberapa macam tipenya

Kemampuan yang baik dalam menyusun suatu anuitas

20%

(6,7) Mahasiswa mampu menjelaskan mengaplikasikan anuitas dalam investasi

‐ Yield rates dan reinvestasi

‐ Deperesiasi ‐ Capital cost ‐ Book and

market value

‐ Sinking funds

[1]:Garret Bab 1,2,3,6 [2]: Broverman Bab 2

‐ Diskusi ‐ Tugas

mengaplikasikan pembayaran loan

[TM:2x (3x50”)] [BT+BM: 2x(3x60”)]


‐ Makalah tentang aplikasi loan repayment

Kemampuan yang baik dalam memahami, mengimplementasikan, dan menganalisa penerapan loan repayment

10%

(8) Evaluasi Tengah Semester(9,10) Mahasiswa

mampu ‐ Harga

obligasi ‐ Diskusi,

‐ Tulisan

tentang ‐ Kemampu

an yang 10%

men-jelaskan konsep dasar bond atau obligasi

‐ Amortisasi obligasi

[1]:Garret Bab 5 [2]: Broverman Bab 4

[TM: 2x(3x50”)] [BT+BM: 2x(3x60”)]


baik dalam menjelaskan perbedaan konsep obligasi

‐ Mempunyai gambaran tentang model matematika dan penyelesaian masalah obligasi

(11, 12)

Mahasiswa mampu mengembangkan konsep dasar anuitas dan obligasi untuk mengukur rate of return

Rate of return internal

Net present value analysis

Method of valuing returns

‐ Diskusi, ‐ Tugas

mengaplikasikan analisa rate of return

[TM: 2x(3x50”)] [BT+BM: 2x(3x60”)]


‐ Makalah tentang aplikasi analisa rate of return

‐ Kemampuan yang baik untuk melakukan pengembangan konsep dasar analisa rate of return

20%

(13,14,15)

Mahasiswa mampu mengintegrasikan materi yang didapat untuk menyusun suatu persetujuan proyek dan analisa performasinya

project appraisal and performance

[1]:Garret Bab 1-5 [2]: Broverman Bab 4

‐ Penyusunan Tugas Besar beserta asistensinya

[TM: 3x(3x50”)] [BT+BM: 3x(3x60”)]

‐ Paper atau makalah tentang project appraisal

‐ Kemampuan yang baik untuk melakukan integrasi dari materi yang diperoleh untuk menyusun suatu project

30%

appraisal

16 Evaluasi Akhir Semester

Pustaka Utama : 1. Garret, S.J., “An Introduction to The Mathematics of Finance’’,

Second Edition, Elsevier, 2013 2. Broverman, Samuel, “Mathematics of Investment and Credit”,

5th Edition, ACTEX Publication, 2010 Pendukung :

1. Vaaler, J.F.L and Daniel, J.W, “Mathematical Interest Theory”, 2nd

Edition, Pearson Prentice Hall, 2007 2. Brigham, E.F. and Ehrhardt, M.C., “ Financial Management”,

Thomson Southwestern

Catatan : 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Analisis dan Pengolahan Citra Digital

Kode MK KM185277

Semester 2

sks 3

Nama Dosen Pengampu

Dr. Dwi Ratna Sulistyaningrum, MT

Bahan Kajian

• Pengolahan citra dengan Morpfologi • Segmentasi Citra • Analisis Citra


3.1.3


3.2.3


4.1.3


4.2.2


CP-MK

Mampu memahami dan mengembangkan konsep dan tehnik dasar pengolahan citra

Mampu memahami algoritma pengolahan citra dan mengimplementasikannya dengan bahasa pemrograman.

Mampu menerapkan teknik-teknik pengolahan citra untuk aplikasi pengolahan citra yang lebih kompleks secara individu maupun dalam kelompok dalam bentuk presentasi atau makalah.

Tatap muka

ke-


Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu




PEMROGRAMAN BERORIENTASI OBJEK 1 Mahasiswa

mampu menjelaskan tentang ilmu pengolahan citra digital (PCD)

a. Kontrak Kuliah

b. Pengantar pengolahan citra digital Histor

i Dasar

-dasar PCD

Imaging

Kuliah Pengantar & Brainstorming

[TM: 1x(3x5

0”)]

Membuat ringkasan bab 1

Ketepatan menjelaskan pengertian PCD, system akuisisi citra, komponen PCD dan tahapan PCD ‐

5%

modalities

Komponen PCD

Tahapan pada PCD

[1] : Bab 1 [2] : Bab 1 Hal 1-19

2 Mahasiswa mampu menjelaskan konsep dasar pengolahan citra digital (PCD)

Konsep dasar PCD Format

file citra Akuisisi

citra Samling

dan quantization

Hubungan antar piksel

Tool-tool matematika

[1] : Bab 2 [2] : Bab 2 Hal 38-102


[TM:

1x(3x50”)]

Membuat tulisan tool matematika untuk PCD

Ketepatan menjelaskan konsep dasar PCD antara lain adalah akuisisi citra, sampling, quantization dan tool matematika

5%

3 Mahasiswa mampu menjelaskan proses enhancement dalam domain spatial dan menerapkan dalam MATLAB, serta mampu membandingkan kinerja metoda-metoda untuk enhancement.

Operasi enhancenment spatial filtering: Transfor

masi gray level,

Histogram equalization,

Correlation dan convolution

Smoothing filters

Sharpening filters

Kuliah, - Ceramah - Diskusi - Praktek

- Penugasan

[TM: 1x(3x5

0”)]

- Praktikum - Tugas - diskusi

Ketepatan menjelaskan konsep enhancement pada domain spatial

Ketepatan membuat program untuk enhancement pada domain spatial

5%

[1] : Bab 3 Hal 127-182 [2] : Bab 5 Hal 270-274

4,5 Mahasiswa mampu menjelaskan proses enhancement dalam domain frekuensi dan menerapkan dalam MATLAB, serta mampu membandingkan kinerja metoda-metoda untuk enhancement.

Enhancement pada domain frekuensi : Transfor

masi fourier 1D dan 2D

Sifat-sifat transformasi fourier

Konsep pemfilteran pada domain frekuensi

Smoothing filters

Sharpening filters

[1] : Bab 4 Hal 221-331 [2] : Bab 6 Hal 335-350

- Ceramah - Diskusi - Praktek

- Penugasan

[TM: 2x(3x5

0”)]

- Praktikum - Tugas - diskusi QUIZ 1

Ketepatan menjelaskan konsep enhancement pada domain frekuensi

Ketepatan membuat program untuk enhancement pada domain frekuensi

10%

6 Mahasiswa mampu menjelaskan tentang Restorasi citra dan menerapkan dalam MATLAB, serta mampu membandingkan kinerja metoda Restorasi

Teori tentang cara Memper-baiki efek dari degradasi Imaging

difraksi circular

image motion blur

photographic recording model

Noise Model

Inverse Filter

filter wiener


- Penugasan

[TM:

1x(2x50”) ]


Ketepatan menjelaskan konsep restorasi citra

Ketepatan membuat program untuk enhancement pada domain frekuensi

5 %

[1] : Bab 5 Hal 334-374

7 Mahasiswa mampu menjelaskan bagaimana pemrosesan file warna dan menerapkan dalam MATLAB

Teori tentang pemrosesan citra berwarna Model

warna Transfor

masi warna

Smoothing and Sharpening

Segmentasi citra warna

Noise pada citra warna

[1] : Bab 6 Hal 416-473 [2] : Bab 1 Hal 31 -59


- Penugasan

[TM: 1x(3x5

0”)] ,


Ketepatan menjelaskan konsep pemrosesan citra warna

15%

8 Evaluasi Tengah Semester 9 [C4,P3

A2][Conceptual knowledge, Analyze]: Mahasiswa mampu menjelaskan tentang konsep Wavelet serta peranannya pada PCD dan mengimplementasikan dalam MATLAB, serta mampu membanding-kan jenis-jenis filter wavelet

Teori transformasi wavelet Ekspansi

multiresolusi

Wavelet 1D

Wavelet 2D

[1] : Bab 7 Hal 483-523

- Ceramah - Diskusi - Praktek - Penugasan

[TM:

1x(3x50”) ]


Ketepatan menjelaskan konsep transformasi wavelet citra

Ketepatan membuat program untuk penerapan wavelet untuk PCD

5%

10 Mahasiswa mampu menjelaskan tentang Kompresi citra dan mengimplementasikan dalam MATLAB, serta mampu membandingkan kinerja metoda kompresi

Teori tentang kompresi citra: Redudans

i citra Redudans

i koding Model

kompresicitra

Metode-metode dasar komresi

[1] : Bab 8 Hal 547-626

- Ceramah - Diskusi - Praktek - Penugasan

[TM:

1x(3x50”) ]


Ketepatan menjelas-kan konsep kompresi citra

Ketepatan membuat program untuk kompresi citra dgital

10 %

11 Mahasiswa mampu menjelaskan konsep mathematical morphology pada PCD dan mampu mengimplementaskan dalam Matlab, serta mampu memilih teknik yang terbaik

Teori mathematical Morphology untuk mendeskripsikan suatu bentuk: dilati

on dan erosion

Opening dan closing

[1] : Bab 9 Hal 649-692 [2] : Bab 11 Hal 599-626


- Penugasan

[TM:

1x(3x50”) ]


Ketepatan menjelas-kan konsep mathematical morphology

Ketepatan membuat program pengolahan citra dengan wavelet

10%

12,13 Mahasiswa mampu menjelaskan tentang Image Segmentation yaitu membagi gambar yang komponenn

Teori tentang image Segmentation: Deteksi

tepi, garis Teori

tentang thresholding

boundary detection


- Penugasan

[TM:

2x(3x50”) ]


Ketepatan menjelas-kan konsep segmentasi citra

Ketepatan membuat progra

10%

ya menjadi lebih kecil dan mengimplementasikan dalam MATLAB, serta mampu membandingkan kinerja metoda segmentasi

Region Growing

Region splitting and merging

Studi kasus

[1] : Bab 10 Hal 711-800 [2] : Bab 7 Hal 397-436

m untuk segmentasi citra

14 Mahasiswa mampu menjelaskan tentang Representasi dan deskripsi citra digital dan mengimplementasikan dalam MATLAB

Teori Representasi dan deskripsi : chain

code, quadtree, run-length

Boundary Descriptors

Region.al Descriptots

Studi Kasus

[1] : Bab 11 Hal 817-864


- Penugasan

[TM:

1x(3x50”)]


Ketepatan menjelas-kan konsep Representasi dan deskripsi citra digital

10%

15 Mahasiswa mampu menjelaskan tentang pengenalan dan klasifikasi fitur dan mengimplemen-tasikan dalam MATLAB, serta mampu membanding-kan kinerja metoda pengenalan

Teori pengenalan dan klasifikasi fitur: Pengertia

n fitur ekstraksi

dan seleksi ciri, 63

Metode klasifikasi fitur

[2] : Bab 11 Hal 599-626


- Penugasan

[TM:

1x(3x50”) ]


Ketepatan menjelas-kan konsep pengenalan dan klasifikasi fitur

Ketepatan membuat program untuk pengenalan dan klasifikasi fitur

10%

16 Evaluasi Akhir Semester (Evaluasi yg dimaksudkan untuk mengetahui capaian akhir hasil belajar mahasiswa)

Pustaka Utama : 16. R. C. Gonzalez and R. E. Woods, “Digital Image Processing, Third

Edition”, Pearson, 2008 17. John C. Russ, “The Image Processing Handbook, Sixth Edition”, CRC

Press, 2011.

Pendukung : 1. Rinaldi Munir, Pengolahan Citra digital dengan Pendekatan Algoritmik,

Penerbit Informatika Bandung, 2004 2. Gonzalez, Woods, and Eddins, “"Digital Image Processing Using

MATLAB (DIPUM)", Prentice Hall, 1st edition , 2004.


Nama MK Matematika Biologi

Kode MK KM185372

Semester 3

sks 3

Nama Dosen Pengampu

Dr. Dieky Adzkiya

Bahan Kajian

Model Populasi Kontinu Model Populasi Diskrit Model Interaksi Populasi


3.1.2


3.2.2


4.1.2


4.2.1


4.2.2


CP-MK

1. Mampu memahami masalah model populasi kontinu dalam bentuk reaksi –diffusi serta menganalisis perilaku sistem

2. Mampu dan menguasai makna interaksi pupolasi sebagai fungsi transmisi dalam model penyebaran

3. Mampu mengkonstruksi model diskret terhadap phenomena obyek pengamatan.

4. Mampu membuat projek penelitian yang berkaitan dengan model reaksi –diffuse serta mempublikasikan

Tatap muka

ke-


Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu



Bobot Penilaian

(%) (1,2,3,4)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuha

o Pemahaman tentang konsep model pertumbuhan populasi kontinu.yang berubah atas waktu dan ruang

Kuliah Pengantar, contoh studi kasus sederhana,

[TM: 4x(2x5

0”)]

Kemampuan yang baik dalam menjelaskan dan dapat memberikan contoh tentang model pertumbuh

10%

n populasi dalam bentuk model reaksi-diffusi.

o Pemahaman proses reaksi-diffusi,hukum Fick serta diffuse-random walk

Reff. Marco Di Francesco,BabII,Hal 87

an populasi kontinu.yang berubah atas waktu dan ruang Kemampuan yang baik dalam menjelaskan tentang model reaksi -diffusi

(5,6,7,8,9)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuhan populasi dalam bentuk model reaksi-diffusi

Penelahaan pada studi kasus tentang model reaksi-diffusi dari penyebaran epidemic,pandemik Reff. Marco Di Francesco,BabII,Hal 87

Kuliah Pengantar, contoh studi kasus sederhana,

[TM: 5x(2x5

0”)]

Kemampuan yang baik dalam menjelaskan tentang model penyebaran global dan lokal

10%

(10,11,12,13,14,15)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuhan populasi dalam bentuk model

-Well-posednes dari model reaksi-difusi linear dan tak linear Reff. D. W. Hughes,J. H. Merkin,R. Sturman. Bab V ,hal 69

Kuliah Pengantar, contoh studi kasus sederhana

[TM: 6x(2x5

0”)]

Kemampuan yang baik dalam menjelaskan tentang model penyebaran global dan lokal

10%

reaksi-diffusi

16 Evaluasi Tengah Semester (17,18,19,20,21)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuhan populasi dalam bentuk model reaksi-diffusi

-Kondisi Kesetimbangan -Analisis Stabilitas Reff. Marco Di Francesco, BabIX,Hal 100


[TM: 5x(2x5

0”)]

Kemampuan yang

baik dalam menjelaskan tentang

model penyebaran global dan lokal

10%

(22) [C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuhan populasi dalam bentuk model penyebaran diskret

-Model linear 𝑋 𝑋 = 𝑏 𝑑 𝑋

Reff F Brauer C. –Chavez F , Bab 2, hal 51


[TM: 1x(2x5

0”)]

Kemampuan yang


model penyebaran global dan local berbentuk

diskret

10%

(23,24)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang pertumbuhan populasi

Penyelesaian Geometri dari persamaan beda Reff F Brauer C. –Chavez F ,Bab 2, hal 53


[TM: 2x(2x5

0”)]

Kemampuan yang

baik dalam menjelaskan tentang penyelesai

an geometris dari model penyebaran global dan local

10%

dalam bentuk model penyebaran diskret

berbentuk diskret

(25,26)

[C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang kondisi kesetimbangan dan stabil

-Analisis kesetimbangan dan stabilitas Reff F Brauer C. –Chavez F ,Bab 2, hal 56


[TM: 2x(2x5

0”)]

Kemampuan yang

baik dalam menjelaskan tentang perilaku

dari model penyebaran global dan local berbentuk

diskret

10%

(27,28)


-Persamaan beda Logistik 𝑋 𝑋

𝑟𝑋 1 )

Reff F Brauer C. –Chavez F ,Bab 2, hal 58


[TM: 2x(2x5

0”)]

Kemampuan yang

baik dalam menjelaskan tentang Persamaan

beda Logistik

10%

(29) [C3,A2][ Conceptual knowledge]: Mahasiswa mampu menjelaskan dan memberikan contoh tentang kondisi kesetimbangan dan stabil

-Penelahaan studi kasus tentang . Ossilasi dari model populasi dengan struktur usia . Model Epidemik SIS-Diskret


[TM: 1x(2x5

0”)]

Kemampuan yang


studi kasus

10%

(30,31)


-Model interaksi prey=predator -Analisa Model Reff F Brauer C. –Chavez F ,Bab 2, hal 76


[TM: 2x(2x5

0”)]

Kemampuan yang


model interaksi

10%

32

PUSTAKA 1. Marco Di Francesco,2010.” Mathematical models in life science” 2. Eduardo D. Sontag, 2006,” Lecture Notes in Mathematical Biology” Rutgers University 3. D. W. Hughes,J. H. Merkin,R. Sturman,2004.” Lecture Notes in Analytic Solutions of

Partial Differential Equations” School of Mathematics, University of Leeds 4. F Brauer C. –Chavez, 2012.” Mathematical Models in Population Biology and

Epidemiology”, Texts in Applied Mathematics, Springer Science Business Media


Nama MK Asimilasi Data

Kode MK KM185373

Semester 3

sks 3

Nama Dosen Pengampu Prof. Dr. Erna Apriliani

Bahan Kajian

Estimasi Klasik Estimasi Model Stokastik Pengembangan Metode Asimilasi


3.1.2 Mampu menguasai dan mengembangkan konsep-konsep matematika bidang pemodelan dan optimasi sistem.



4.2.1 Mampu melakukan kajian tentang keakuratan suatu model matematis dari suatu permasalahan inter- atau multi-disiplin.

4.2.2 Mampu melakukan uji/simulasi secara numeric untuk mengetahui kinerja suatu metode komputasi.

CP-MK

Mahasiswa mampu menjelaskan metode asimilasi data dan model-model sistem dimana metode asimilasi data dapat digunakan.

Mahasiswa mampu menjelaskan beberapa metode estimasi klasik dan estimasi model stokasti serta perbedaannya

Mahasiswa dapat menerapkan asimilasi data pada model dinamik stokastik Mahasiswa mampu menjelaskan dan menerapkan berbagai perkembangan

algoritma filter Kalman dalam asimilasi data.

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian


1-2 Mahasiswa mampu menjelaskan pengertian dan perkembangan metode asimilasi data .

Mahasiswa mampu memberi contoh pemodelan matematika

Metode peramalan,

Pemodelan matematika [1] Lewis, Bab 1

o Kuliah o Membuat resume pengerti-an dan perkem-bangan metode asimilasi data

o Kete-patan penja-baran per-kem-bang-an meto-de asimi-lasi data

5%

(3,4) Mahasiswa

mampu mengidentifikasi model-model dimana metode asimilasi data dapat diterapkan

model-model yang digunakan dalam asimilasi data [1] Lewis, bab 3

Presenta-si dan diskusi

makalah kete-patan meng-identi-fikasi model-model yang dapat diestimasi de-ngan meto-de asimi-lasi data

Keje-lasan des-kripsi masa-lah asimi-lasi data

10%

(5,6) Mahasiswa mampu menerapkan dan melakukan estimasi klasik/ estimasi statistik

Prinsip estimasi statistik

estimasi least square

estimasi maximum likelihood

[1] Lewis, bab 13-15

Presentasi dan diskusi

Ke-mampuan meng-analisa perbe-daan masing-masing metode estima-si

15%

(7,8) Mahasiswa mampu menerapkan dan melakukan estimasi dinamik

Estimasi variansi minimum linear [1] Lewis, bab 17, 27, 28

Makalah dan presentasi

Ke-mampuan meng-analisa perbedaan masing-

15%

masing metode estima-si

(9,10) Mahasiswa mampu menjelaskan perkembang-an algoritma Kalman filter

Pembentukan dan penggunaan metode filter Kalman


Pemodelan dan program computer penerapan filter Kalman untuk melakukanestimasi

Ke-mampuan untuk mene-rapkan dan meng-analisa filter Kalman untuk model sistem sederhana

20%

(11,12, 13, 14)

Mahasiswa mampu membuat program dan melakukan simulasi dengan mengguna-kan algoritma extended filter Kalman, Ensemble Kalman filter

Extended Kalman Filter

Ensemble Kalman Filter [1] Lewis, bab 29, 30

Pembuat-an program untuk berbagai metode estimasi dan beberapa model sistem dinamik stokastik tak linear

o Presen-tasi dan diskusi

o Keje-lasan uraian ma-sing-ma-sing algoritma

o Kete-patan identi-fikasi kele-bihan, keku-rang-an dan peng-guna-an meto-de per-kemb-angan Kal-

20%

man Filter

STUDI KASUS PENERAPAN KALMAN FILTER

(15) Mahasiswa mampu membuat makalah tentang metode asimilasi data khususnya filter Kalman berdasarkan jurnal-jurnal terbaru

Mahasiswa mampu mempresen-tasikan makalah yang telah dibuat

Studi kasus penerapan asimilasi data

o Memba-ca jurnal dan menganalisa metode asimilasi data yang diguna-kan dalam jurnal tersebut

o Keje-lasan des-kripsi permasalah-an estimasi de-ngan meto-de asimi-lasi data secara tertu-lis

o Keje-lasan des-kripsi dalam presentasi

25%


12. Lewis, J.M., Lakshmivarahan, Dhall, S.K., 2006, “Dynamic Data Assimilation: A Least Squares Approach”, Cambride

13. Kalnay, 2003, “Atmospheric Modeling, Data Assimilation And Predictability”, Cambridge.

Pendukung : o Lewis, L., Estimasi Optimum

Catatan: 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Komputasi Biologi

Kode MK KM185374

Semester 3

sks 3

Nama Dosen Pengampu

Prof. Dr. M Isa Irawan

Bahan Kajian

Sequence Alignment Lipatan Protein Pohon Filogenetika


3.1.3


3.2.3


4.1.2


4.1.3


4.2.2


CP-MK

1. Mahasiswa mampu menjelaskan konsep dasar mutasi dan alignment dan pendekatan pemodelan matematika komputasi untuk penyelesaian masalah didalamnya.

2. Mahasiswa mampu menyelesaikan dan membandingkan pensejajaran dua sequence menggunakan pendekatan algoritma berbasis pemrograman dinamik

3. Mahasiswa mampu mengenali kelemahan algoritma Needleman-Wunsch dan Smith Waterman dan menjelaskan alternatif perbaikan untuk sequence homolog

4. ahasiswa mampu membandingkan beberapa algoritma berbasis pemrograman dinamik dan model stokastik untuk menyelesaikan multiple sequence alignment

5. Mahasiswa mampu menjelaskan pemodelan proses mutasi menggunakan pendekatan model stokastik

6. Mahasiswa mampu menjelaskan konsep modulus structure theory dan menghubungkannya dengan sequence alignment

7. Mahasiswa mampu menjelaskan penggunaan algoritma Sequence Pairwise Alignment untuk pensejajaran dua sequence dan membandingkannya dengan pendekatan Dynamic Programming

8. Mahasiswa mampu merancang struktur pohom phylogenetic untuk menentukan kedekatan antar sequence dari beberapa spesies yang berbeda

9. Mahasiswa mampu mengimplementasikan algoritma yang berkaitan dengan sequence analysis menggunakan perangkat lunak opensource dan Matlab serta mampu membandingkan hasilnya

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar

an

Estimasi Waktu

Pengalaman

Belajar Mhs*

Kriteria dan

Indikator Penilaian

Bobot Peni-laian (%)

(1) Mahasiswa mampu menjelaskan konsep dasar mutasi dan alignment dan pendekatan pemodelan matematika komputasi untuk penyelesaian masalah didalamnya

‐ Kontrak Kuliah

‐ Istilah2 dasar dalam komputasi biologi, mutasi dan alignment

‐ Pengenalan model matematika untuk sequence analysis

‐ Contoh-contoh problem solving berbasis model matematika

[1]: Shen

Bab I.1 dan I.2, hal 5-16

Kuliah Pengantar, studi kasus sederhana

[TM: 2x50”]


Kemampuan yang baik dalam menjelaskan perbedaan desain dan analisis algoritma

Mempunyai gambaran tentang penyelesaian masalah dengan bantuan algoritma dan cara mengevaluasinya.

5 %

(2, 3) Mahasiswa mampu menyelesaikan dan membandingkan pensejajaran dua sequence menggunakan pendekatan algoritma berbasis pemrograman dinamik

‐ Algoritma penjajaran alignment dua sequence berbasis pemrograman dinamik: algoritma Needlemen-Wunsch dan Alg. Smith-Waterman

- Kuliah - Latihan soal

[TM: 2x(2x50”)]


Mampu menganalisis algoritma

Mampu memilih algoritma terbaik diantara beberapa algoritma yang diberikan

15%

‐ Notasi-notasi lain yang terkait

[1]: Shen Bab I.3 dan I.4, hal 17-24

(4) Mahasiswa mampu mengenali kelemahan algoritma Needleman-Wunsch dan Smith Waterman dan menjelaskan alternatif perbaikan untuk sequence homolog

‐ Algoritma K-Band

‐ Algoritma baru yang lain

Paper-paper dari jurnal

- Kuliah - Latihan soal - Tugas

Makalah dan presentasi

[TM: 2x50”]

Makalah tentang solusi perbaikan algoritma Needleman-Wunsch dan Smith-Waterman

Mampu menganalisis kelemahan algoritma dan memilih algoritma perbaikan

10%

(5,6) Mahasiswa mampu membandingkan beberapa algoritma berbasis pemrograman dinamik dan model stokastik untuk menyelesaikan multiple sequence alignment

- Model Stokastik untuk proses mutasi

[1]: Shen Bab III, hal 29-64

Kuliah, Responsi, Tugas Praktikum Mandiri

[TM: 2x(2x50”)]


‐ Penjelasan lisan

Kemampuan yang baik dalam menjelaskan proses pemodelan

10%

(7) Mahasiswa mampu menjelaskan pemodelan proses mutasi menggunakan

‐ Model Markov Chain dan Hidden Markov untuk sequence analysis

Kuliah, Responsi, Tugas Praktikum Mandiri

[TM: 2x50”]

‐ Tulisan tentang solusi permasala-han yang diberikan


10%

pendekatan model stokastik

[2] : Isaev Bab III

‐ Presentasi

(8) Evaluasi Tengah Semester (9) Mahasiswa

mampu menjelaskan konsep modulus structure theory dan menghubungkannya dengan sequence alignment

- Modulus Structure Theory

[1]: Shen

Bab III, hal 67-90

Tugas Kelompok

Presentasi

[TM: 2x50”]

‐ Makalah tentang problem solving and analysis


10%

(10, 11) [Mahasiswa mampu menjelaskan penggunaan algoritma Sequence Pairwise Alignment untuk pensejajaran dua sequence dan membandingkannya dengan pendekatan Dynamic Programming

Sequence Pairwise Alignment

[1]: Shen

Bab IV, hal 109-145


[TM: 2x(2x50”)]

‐ Tulisan tentang solusi permasala-han yang diberikan

Kemampuan yang baik dalam menjelaskan perbedaan algoritma perkalian matriks

Ketepatan menjelas-kan implemetasi

15%

(12,13) Mahasiswa mampu merancang struktur pohom phylogenetic untuk menentukan kedekatan antar sequence dari beberapa spesies

Struktur Network untuk analisis sequence: pohon phylogenetic [1]: Shen Bab IV, hal 183-197 [2]: Isaev Bab V, hal 89-96

Kuliah, Responsi,

[TM: 2x(2x50”)]


Kemampuan yang baik dalam menjelaskan proses konstruksi pohon phylogenetic

10%

yang berbeda

(14, 15) Mahasiswa mampu mengimplementasikan algoritma yang berkaitan dengan sequence analysis menggunakan perangkat lunak opensource dan Matlab serta mampu membandingkan hasilnya

Penggunaan software BLAST , KlutalW untuk analisis sequence

Penggunaan software MATLAB untuk analisis sequence

Tutorial BLAST, MATLAB


[TM: 2x(2x50”)]


Kemampuan yang baik dalam menjelaskan penggunaan software untuk analisis sequence

10%


Pustaka Utama : 1. Isaev, Alexander, “Introduction to Mathematical Methods in

Bioinformatics”, Springer-Verlag, 2004 2. Shen, Shiyi Nankai, “Theory and Mathematical Methods for

Bioinformatics”, Springer-Verlag, 2008 Pendukung :

1. Ian Korf, Mark Yandell, Joseph Bedell, “Basic Local Alignment Search Tools” Oreilly, 2003



Nama MK Matematika Derivatif

Kode MK KM185375

Semester 3

sks 3

Nama Dosen Pengampu

Endah RM Putri, S.Si, MT, PhD

Bahan Kajian Produk Derivatif Keuangan PD Parsial dan Stokastik Penyelesaian Numerik


3.1.2


3.2.2


4.1.2


4.2.1


4.2.2


CP-MK

Mahasiswa mampu memahami tiga aspek dasar pasar keuangan yaitu harga asset keuangan, produk keuangan turunan, dan manajemen resiko

Mahasiswa mampu memahami dan menggunakan prinsip dasar pembentukan model matematis asset keuangan dan produk turunan keuangan, yaitu prinsip arbitrage

Mahasiswa mampu memahami pembentukan model matematis produk keuangan dan kontrak derivative keuangan dan penyelesaiannya secara analitik dan numeric dan menganalisanya

Mahasiswa mampu untuk mengembangkan model matematis kontrak produk keuangan dan keuangan derivative beserta penyelesaiannya secara analitik dan numerik

Tatap muka

ke-

Kemampuan akhir Sub

CP-MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

Estimasi Waktu

PengalamanBelajar Mhs*


Bobot Penilai

an (%)

1 Mahasiswa mampu menjelaskan tiga aspek dasar

‐ Kontrak Kuliah

‐ Struktur perdagangan beberapa macam

‐ Kuliah pengantar untuk mengenalkan beberapa

[TM: 1x(3x5

0”)]

[BT+BM:

Tulisan tentang solusi beberapa permasala

Kemampuan yang baik dalam menjelaskan tiga aspek dasar

10%

pasar keuangan dan struktur perdagangan produk sekuritas turunan

derivative sekuritas

[1]:Jiang Bab 1 [2]: Wilmott Bab 1 [2]: Hull Bab 8-10

produk sekuritas turunan

‐ Kuliah tentang struktur perdagangan beberapa produk sekuritas turunan

‐ Diskusi

1x(3x60”)]

han yang diberikan

pasar keuangan dan perbedaan struktur perdagangan derivative sekuritas

Mempunyai gambaran tentang model matematis pergerakan harga opsi dan derivative sekuritas

2 Mahasiswa mampu menjelaskan konsep dasar arbitrage sebagai strategi manajemen resiko dari perdagangan produk keuangan turunan

‐ Prinsip arbitrage

‐ Arbitrage pada Opsi dan obligasi

[1]:Jiang Bab 2 [2]: Wilmott Bab 2 [2]: Hull Bab 9

‐ Kuliah pengantar untuk mengenalkan teori arbitrage

‐ Kuliah tentang aribaitrage pada opsi dan obligasi (beberapa produk sekuritas turunan)

‐ Diskusi

[TM: 1x(3x5

0”)]

[BT+BM:

1x(3x60”)]


Kemampuan yang baik dalam menjelaskan teori arbitrage dan penerapannya pada beberapa produk derivative sekuritas

10%

3,4 Mahasiswa mampu menjelaskan konsep metode binomial sebagai

‐ Metode binomial satu periode dan multiperiode tanpa dividend

‐ Metode binomial satu periode

‐ Kuliah pengantar

‐ Latihan soal dan diskusi

‐ Tugas membuat pemrograman MATLAB

[TM: 2x(3x5

0”)]

[BT+BM:

2x(3x60”)]


Kemampuan yang baik dalam menjelaskan metode binomial dan penerapa

10%

model diskrit opsi saham, menerapkannya, dan memodifikasinya

dan multiperiode dengan dividend

‐ Penggunaannya untuk Opsi tipe Eropa dan Amerika tanpa dividend

‐ Penggunaannya untuk Opsi tipe Eropa dan Amerika dengan dividend diskrit dan kontinu

[1]:Jiang Bab 3 [2]: Wilmott Bab 10 [2]: Hull Bab 11 [3]: Higham Bab 16 [1]: Seydel Bab 4

untuk penerapan metode binomial pada opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividen

‐ Makalah dan program tentang opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividen

nnya pada opsi saham tipe Eropa dan Amerika baik dengan dividend an tanpa divided

Kemampuan yang baik dalam menerapkan metode binomial pada opsi saham tipe Eropa dan Amerika dengan MATLAB dan memodifikasinya

5,6 Mahasiswa mampu menjelaskan dan menggunakan Brownian motion dan formula Ito untuk pemodelan produk keuang

‐ random walk dan Brownian motion

‐ model kontinyu pergerakan asset

‐ integral ito ‐ formula ito

[1]:Jiang Bab 4 [2]: Wilmott Bab 2 [2]: Hull Bab 12 [3]: Higham Bab 5



‐ Tugas membuat pemrograman MATLAB untuk penerapan metode binomial pada opsi saham tipe Eropa dan Amerika dengan

[TM: 2x(3x5

0”)]

[BT+BM:

2x(3x60”)]


‐ Makalah dan program tentang random walk dan Brownian motion

Kemampuan yang baik dalam menjelaskan metode binomial dan penerapannya pada opsi saham tipe Eropa dan Amerika baik

10%

an dan keuangan turunan

dividend an tanpa dividen

dengan dividend an tanpa divided

Kemampuan yang baik dalam menerapkan metode binomial pada opsi saham tipe Eropa dan Amerika dengan MATLAB dan memodifikasinya

7,9 Mahasiswa mampu memahami pembentukan model matematis produk keuangan dan kontrak derivative keuangan berdasarkan Black-Scholes

Pembentukan persamaan Black-Scholes tanpa dividend an dengan dividen

Pembentukan model Black-Scholes untuk opsi saham Eropa dan Amerika

Pembentukan model Black-Scholes untuk opsi Asia

[1]:Jiang Bab 5,9 [2]: Wilmott Bab 3,4,5,6



‐ Tugas membuat pemrograman MATLAB untuk penyelesaian analitik pada opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividen

[TM: 2x(3x5

0”)]

[BT+BM:

2x(3x60”)]


‐ Makalah dan program tentang opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividend dan opsi Asian

Kemampuan yang baik dalam menjelaskan pembentukan model Black-Scholes dan penerapannya pada opsi saham tipe Eropa, Amerika, dan Asia baik dengan dividend dan tanpa divided

20%

[2]: Hull Bab 13 [3]: Higham Bab 8

8 ETS 10,1

1 Mahasis

wa mampu memahami penyelesaian model matematis produk keuangan dan kontrak derivative keuangan berdasarkan Black-Scholes secara analitik

Penyelesaian persamaan Black-Scholes tanpa dividend an dengan dividen

Penyelesaian model Black-Scholes untuk opsi saham Eropa dan Amerika

Penyelesaian model Black-Scholes untuk opsi Asia

[1]:Jiang Bab 5,9 [2]: Wilmott Bab 3,4,5,6 [2]: Hull Bab 13 [3]: Higham Bab 8



‐ Tugas membuat pemrograman MATLAB untuk penyelesaian numerik pada opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividen

‐

[TM: 2x(3x5

0”)]

[BT+BM:

2x(3x60”)]


‐ Makalah dan program tentang opsi saham tipe Eropa dan Amerika dengan dividend an tanpa dividen dan opsi Asia

Kemampuan yang baik dalam menjelaskan penyelesaian numerik model Black-Scholes dan penerapannya pada opsi saham tipe Eropa, Amerika, dan Asia baik dengan dividend dan tanpa divided

40%

12,13,14,15

Mahasiswa mampu memahami penyelesaian model matematis produk keuangan dan kontrak derivative keuangan berdasarkan Black-Scholes secara numerik

Metode Finite Difference

Penyelesaian persamaan Black-Scholes tanpa dividend an dengan dividen

Penyelesaian model Black-Scholes untuk opsi saham Eropa dan Amerika

Penyelesaian model Black-Scholes untuk opsi Asia

[1]:Jiang Bab 5,9 [2]: Wilmott Bab 3,4,5,6 [2]: Hull Bab 13 [3]: Higham Bab 8



‐

[TM: 4x(3x5

0”)]

[BT+BM:

4x(3x60”)]


Kemampuan yang baik dalam menjelaskan penyelesaian analitik model Black-Scholes dan penerapannya pada opsi saham tipe Eropa, Amerika, dan Asia baik dengan dividend dan tanpa divided

16 EAS

Pustaka Utama : 2. Jiang, Lishang, Mathematical Modelling and Methods of Option Pricing,

World Scientific, 2005 3. Willmot, Paul, et al, The Mathematics of Financial Derivatives,

Cambridge Press, 1995 4. Higham, Desmond J, An Introduction to Financial Option Valuation:

Mathematics, Stochastics and Computation 1st Edition, Cmabridge, 2004.

Pendukung :

1. Hull, JC, Options, “Futures and Other Derivatives”, Prentice Hall 2005 2. Seydel, Rudiger, Tools for Computational Finance, Springer, 2002



Nama MK Analisis Risiko

Kode MK KM185376

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Aljabar Graph

Kode MK KM185377

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Teori Komputasi

Kode MK KM185378

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Wavelet dan Aplikasi

Kode MK KM185379

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Persamaan Diferensial Parsial Lanjut

Kode MK KM185380

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Masalah Invers

Kode MK KM185381

Semester 3

Sks 2

Nama DosenPengampu

Prof. Dr. Erna Apriliani

Bahan Kajian

Masalah Invers Linear Metode Regularisasi Spektral Analisis Konvergensi Metode Regularisasi


3.1.2


3.2.2 Mampu memformulasikan masalah nyata dalam model matematika

4.1.1


4.1.2


4.2.2

Mampu melakukan uji/ simulasi secara numeric untuk mengetahui kinerja suatu metode komputasi.

CP-MK

- Mahasiswa mampu memahami masalah invers, memformulasikan serta menyelesiakan dengan metode-metode yang ada

- Mahasiswa mampu menganalisa konvergensi metode regulasi untuk menyelesaikannya untuk masalah invers

- Mahasiswa mampu menentukan metode yang tepat untuk masalah invers.

Tatapmuka

ke-

Kemampuanakhir Sub CP-MK

Keluasan (materi

pembelajaran)

Metode Pembelajaran

EstimasiWaktu

PengalamanBelajar Mhs*



1 Mampu memahami masalah langsung dan masalah invers

Pendahuluan ceramah 2 x 50 mnt

tugas Mengklasifikasi masalah-masalah invers

10%

2 Mengetahui dan mendefinisikan masalah-

Masalah invers problem linear

Ceramah dan diskusi

2 x 50 mnt

tugas Mampu menyelesaikan masalah invers linear

20%

masalah invers

3,4 Mampu menerapkan beberapa metode untuk menyelesaikan masalah invers

Algoritma-algoritma masalah invers

Ceramah dan diskusi

4 x 50 mnt

Quis Mampu menggunakan algoritma masalah invers dengan tepat

20%

5,6 Mampu memahami dan membuktikan teorema tentang metode-metode regulasi

Metode Regulasi

Ceramah dan diskusi

4 x 50 mnt

Tugas Mampu menurunkan pembuktian dengan benar

7 UTS 8,9 Mampu

menganalisa konvergensi masing-masing metode regulasi

Analisa konvergensi metode regulasi linear

Ceramah dan diskusi

4 x 50 mnt

Tugas Mampu membuktikan konvergensi metode regulasi

10 Mampu memahami dan menganalisa sifat-sifat operator tak linear

Operator tak linear

ceramah dan diskusi

2 x 50 mnt

Tugas Mampu menunjukkan sifat-sifat operator tak linear

11 Mampu memahami dan menurunkan teorema terkait regulasi Tikhonov tak linear

Regulasi Tikhonov tak linear


2 x 50 mnt

Quis Mampu menurunkan teorema dan menerapkan metode regulasi

12.13

Mampu menerapkan metode regulasi iterasi

Iterative regularization methods


4 x 50 mnt

Presentasi Mampu menerapkan metode regulasi iterasi

14,15

Mampu menganalisa masalah-masalah invers dan menyelesaikannya

Studi kasus masalah invers


4 x 50 mnt

Presentasi Mampu menanalisa masalah-masalah invers dan menyelesaikanya

16 UTS

PUSTAKA (max 5) 1. Isakov, V, 2006, Inverse Problems for Partial Differential Equations, Springer Science

Business Media, Inc. 2. Tarantola,A , 2008, Inverse Problem Theory and Methods for Model Parameter Estimation,

Library of Congress Cataloging-in-Publication Data, SIAM 3. Kaipio, J dan Somersalo, E. 2005, Statistical and Computational Inverse Problems, Springer

Science Business Media, Inc. 4. Hohage, T., 2002, lecture notes on Inverse Problems, University of G¨ottingen


Nama MK Sistem Fuzzy

Kode MK KM185382

Semester 3

sks 2 SKS

Nama Dosen Pengampu

Prof. Dr. M. Isa Irawan, MT

Bahan Kajian

Teori Himpunan Fuzzy Logika Fuzzy Fuzzy Keputusan


3.1.3


3.2.3


4.1.2


4.1.3


4.2.2


CP-MK

Mampu mengembangkan konsep-konsep matematika khususnya dalam bentuk fuzzy

Mampu memformulasikan permasalahan umum kedalam bentuk model matematika fuzzy dan mendapatkan penyelesaian

Mampu menerapkan kerangka berpikir matematika dan prinsip komputasi untuk menyelesaikan permasalahan pengembangan sistem cerdas

Mampu mengidentifikasi masalah dan mengembangkan model matematika fuzzy yang relevan serta menganalisis perilakunya

Mampu mengkomunikasikan hasil riset dalam forum ilmiah di tingkat nasional atau internasional.

Mampu mengembangkan kekinian sains dan teknologi dengan cara menguasai dan memahami, pendekatan, metode, kaidah ilmiah disertai ketrampilan penerapannya pada bidang optimasi sistem, atau ilmu komputer

Tatap muka

ke-

Kemampuan akhir

Sub CP-MK

Keluasan (materi

pembelajaran)

Metode Pembelajar

an

Estimasi Waktu

Pengalaman

Belajar Mhs*

Kriteria dan

Indikator Penilaian

Bobot Penilaian

(%)

(1) Mahasiswa

‐ ontrak Kuliah

Kuliah Pengantar,

[TM: 2x50”]

Tulisan tentang

Kemampuan yang

5%

mampu menguasai konsep teori himpunan crisp

‐ Teori Himpunan Crisp dan operasi himpunan crisp

‐ Karakteristik himpunan crisp

[1]:Buckley Bab I

[2]: Klir Bab I

studi kasus sederhana, diskusi Kelompok


baik dalam menjelaskan himpunan crisp Mempunyai gambaran tentang operasi dan karakteristik himpunan crisp.

(2) Mahasiswa mampu menggunakan konsep himpunan fuzzy, dan konsep perluasan himpunan fuzzy

‐ Definisi himpunan fuzzy

‐ Perluasan himpunan fuzzy

- himpunan fuzzy dan keluarga α- cuts

[1]: Buckley Bab 1 [3]: Zimmerman Bab 1

Kuliah - Latihan soal

[TM: 2x50”)]


Mampu menjelaskan himpunan fuzzy dan konsep perluasannya,

5%

(3) ‐ Mahasiswa mampu membandingkan standard operasi himpunan fuzzy dengan himpunan crisp

- Operasi standard himpunan fuzzy (gabungan, irisan, komplemen, dan operasi lain) ‐ -T-norms

dan T-conorms

[1] : Buckley Bab 2

Kuliah, Latihan soal

[ [TM: 2x50”)]

‐ Tulisan tentang solusi beberapa permasalahan yang diberikan Quiz I

o Kemampuan yang baik dalam menjelaskan operasi standard himpunan fuzzy

o Ketepatan menjelas-kan implemetasi

10%

‐ Mahasiswa mampu menunjukkan hubungan antara T-norms dan T-conorms

o Mempunyai gambaran tentang T-norm dan T-conorms

[4, 5] ‐ Mahasiswa mampu menyusun kembali relasi fuzzy

‐ Mahasiswa mampu merangkai komposisi fuzzy

‐ Mahasiswa mampu membuat skema konsep graf fuzzy

- Relasi Crisp - Sifat-2 relasi pada himpunan tunggal - relasi fuzzy - perluasan himpunan fuzzy [1] : Buckley Bab 3 dan 4 [2] : Klir Bab 6

Kuliah, Responsi,

[TM: 2x(2x50”)]


Kemampuan yang baik dalam menjelaskan implementasi relasi fuzzy

Mempunyai gambaran tentang penyelesaian masalah relasi fuzzy melalui graf

10%

(6) ‐ Mahasiswa mampu mengkategorikan

- Konsep bilangan fuzzy - Operasi dari bilangan fuzzy

Kuliah, Responsi,

[TM: 2x50”)]

Tulisan tentang solusi beberapa permasalahan

Kemampuan yang baik dalam menjelaskan macam-

10%

bilangan fuzzy

- Bilangan fuzzy segitiga - Tipe-2 bilangan fuzzy lainnya [1] : Buckley Bab 5

yang diberikan

macam bilangan fuzzy

(7) ‐ Mahas

iswa mampu menghubungkan konsep fungsi fuzzy

- Macam-macam fungsi fuzzy - fungsi extrema fuzzy Fuzzy - Integration dan diferenciation fungsi fuzzy [1] : Buckley Bab 6 [3]: Pedrycs Bab 2

Kuliah, latihan,

[TM: 2x50”)]


Kemampuan yang baik dalam menjelaskan fungsi fuzzy

5%

(8) Evaluasi Tengah Semester (9) Mahasis

wa mampu membedakan distribusi probabilitas fuzzy dan possibilitas fuzzy

- Probabilitas dan Possibilitas - Kejadian fuzzy event - Ketidakpastian - Ukuran kefuzzian [1] Buckley Bab 7 [2] Zimmerman Bab 8

Kuliah

[TM: 2x50”)]

Tulisan tentang solusi terhadap project yang diberikan

Kemampuan yang baik dalam menjelaskan probabilitas dan possibilitas fuzzy

Kempuan untuk menjelaskan ukuran kefuzzian

10%

(10] Mahasiswa mampu merancangkan

- Logika klasik - Logika fuzzy

Kuliah, Diskusi kelompok, Praktikum

[ [TM: 2x50”)]

Tulisan tentang solusi beberapa permasal

Kemampuan yang baik dalam menjelas

10%

sistem berbasis logika fuzzy

- variable linguistik - Penguat kebenaran fuzzy - Representasi rule fuzzy [1] : Buckley Bab 7 [2] Zimmerman Bab 8

ahan yang diberikan

kan konsep logika fuzzy Mempunyai gambaran tentang representasi rule fuzzy

(11)

Mahasiswa mampu merangkaikan konsep inferensi

- Komposisi Rule - Rule2 fuzzy dan Implikasi - mekanisme - metode inference [1]: Buckley Bab 8


[TM: 2x50”)] [Praktikum: 2x50”)]


Kemampuan yang baik dalam menjelaskan konsep inferensi

Mempunyai gambaran tentang rule=2 fuzzy

10%

(12) Mahasiswa mampu mendesain kontrol fuzzy dan sistem pakar fuzzy

- Kontroler Logika fuzzy - Komponen interface fuzzifikasi - Komponen Basis Pengetahuan - Inferensi (Decision Making Logic) - Defuzzifikasi - Sistem Pakar Fuzzy


[ [TM: 2x50”)]


Kemampuan yang baik dalam menjelaskan perbedaan konsep dan implementasi kontrol fuzzy dan sistem pakar fuzzy

Mempunyai gambaran tentang

10%

[1]: Buckley Bab 9

penyelesaian masalah defuzzifikasi

(13) Mahasiswa mampu mengevaluasi konsep pengambilan keputusan multikriteria fuzzy

- Model kontinu pembuatan keputusan multikriteria - Solusi optimal Pareto - Metode-2 Multiobjective Decision-Making (MODM) [3]: Pedrycs Bab 7




‐ Quiz II

Ketepatan menjelaskan jenis-jenis MODM

5 %

(14) Mahasiswa mampu menafsirkan aplikasi fuzzy pengambilan keputusan

‐ Pendekatan Bellman–Zadeh dan aplikasinya ke pengambilan keputusan multikriteria.

‐ Multicriteria Resource Allocation

‐ Adaptive Interactive Decision-Making System for Multicriteria Resource Allocation




Ketepatan menggambarkan aplikasi pengambilan keputusan fuzzy

5%

‐ Application of the Bellman–Zadeh Approach to Multicriteria Problems

[3]: Pedrycs Bab 8

(15) Mahasiswa mampu menafsirkan pengambilan keputusan grup dan skema konsensus dalam pengambilan keputusan grup

- Masalah pengambilan keputusan grup dan karakteristiknya - metode pengambilan keputusan grup fuzzy

[3]: Pedrycs Bab 9

Presentasi [TM: 2x50”)]

‐ Tulisan

tentang solusi beberapa permasalahan yang diberikan

Ketepatan menjelaskan pendekatan penyelesaian masalah pengambilan keputusan dalam grup

5%


Pustaka Utama : 1. Buckley J, and E. Eslami, An Introduction to Fuzzy Logic and Fuzzy

Sets, Physica Heidelberg, 2001 2. Witold Pedrycs, Fuzzy Multi criteria Decision Making, 2011 3. Zimmerman H. J, Fuzzy Set Theory and Its Applications, Kluwer

Academic Publisher, 1996

Pendukung: 1. Klir, GJ and B. Juan, Fuzzy Set and Fuzzy Logic, Prentice Hall, New

Jersey, 2001 2. Zadeh, LA., Fuzzy Sets, Fuzzy Logic, and Fuzzy Systems: Selected

Papers, Kluwer Academic Publisher, 1996 Catatan : 1 sks = (50’ TM + 60’ BT + 60’ BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan) TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu)

P = Praktek (aspek ketrampilan kerja) BT = Belajar Terstruktur. PL = Praktikum Laboratorium (3 jam/minggu)


Nama MK Graph dan Aplikasi

Kode MK KM185383

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Topik Analisis Terapan

Kode MK KM185384

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Topik Komputasi

Kode MK KM185385

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Topik Pemodelan Matematika

Kode MK KM185386

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Topik Aljabar Terapan

Kode MK KM185387

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :



Nama MK Topik Optimasi

Kode MK KM185388

Semester

sks 3

Nama Dosen Pengampu

Bahan Kajian


CP-MK

Tatap muka

ke-


MK

Keluasan (materi

pembelajaran)

Metode Pembelajar-

an

Estimasi Waktu


Kriteria dan

IndikatorPenilaian



Pendukung :


rencana pembelajaran semester (rps) nama program studi s-2 matematika nama mk teori modul kode mk...

Documents