rencana pembelajaran semester (rps)sonia.soc.telkomuniversity.ac.id/cdn/rps/s1 teknik...

25
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION Disusun oleh: Untari Novia Wisesty Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY

Upload: hoangquynh

Post on 04-Jun-2018

234 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

RENCANA PEMBELAJARAN SEMESTER (RPS)

CIG4C3

EVOLUTIONARY COMPUTATION

Disusun oleh:

Untari Novia Wisesty Syahrul Mubarok

PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA

TELKOM UNIVERSITY

Page 2: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

ii

LEMBAR PENGESAHAN

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

Kode Mata Kuliah : CIG4C3

Nama Mata Kuliah : EVOLUTIONARY COMPUTATION

Bandung, 2015 Mengetahui Menyetujui

Ketua Program Studi S1 Teknik Informatika

Ketua KK Intelligent, Computing, and Multimedia (ICM)

M. Arif Bijaksana, Ph.D Ari M. Barmawi, Ph.D

Page 3: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

iii

DAFTAR ISI

LEMBAR PENGESAHAN ........................................................................................................................ii

DAFTAR ISI .......................................................................................................................................... iii

A. PROFIL MATA KULIAH................................................................................................................. 1

B. RENCANA PEMBELAJARAN SEMESTER (RPS) ............................................................................. 2

C. RANCANGAN INTERAKSI DOSEN–MAHASISWA ......................................................................... 6

D. RANCANGAN TUGAS ................................................................................................................ 16

E. PENILAIAN DENGAN RUBRIK .................................................................................................... 21

F. PENENTUAN NILAI AKHIR MATA KULIAH ................................................................................. 22

Page 4: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

1

A. PROFIL MATA KULIAH

IDENTITAS MATA KULIAH

Nama Mata Kuliah : Evolutionary Computation

Kode Mata Kuliah : CIG4C3

SKS : 3 (tiga)

Jenis : Mata kuliah pilihan

Jam pelaksanaan : Tatap muka di kelas = 3 jam per pekan

Tutorial/ responsi = 1 jam per pekan

Semester / Tingkat : 6 (enam)/ 3 (tiga)

Pre-requisite : Kecerdasan Mesin dan Artifisial (CSG3G3)

Co-requisite : Soft Computing (CIG4C3)

Bidang Kajian : Keilmuan Pelengkap (Penciri ProDi S1 Teknik Informatika Telkom

University)

DESKRIPSI SINGKAT MATA KULIAH Mata kuliah ini membahas Evolutionary Computation (EC) secara seimbang antara teori dan praktek.

EC merupakan suatu abstraksi yang mengadopsi “evolusi” dan “genetika” yang disederhanakan. Dari

abstraksi tersebut, lahirlah berbagai algoritma berbasis EC yang dikenal sebagai Evolutionary

Algorithms (EAs). Yang menarik pada EAs adalah “Hanya dengan menggunakan proses-proses yang

sebagian besar dilakukan secara acak, EAs bisa menghasilkan solusi yang “bagus” (mungkin saja

solusi terbaik) dengan kecepatan yang dapat diterima.

DAFTAR PUSTAKA

1. Suyanto, Algoritma Genetika dalam Matlab, Andi Publisher, Yogyakarta, 2005.

2. Suyanto, Artificial Intelligence: Searching-Reasoning-Planning-Learning, Informatika, Bandung,

2005.

3. Suyanto, Evolutionary Computation: Komputasi Berbasis `Evolusi’ dan `Genetika’, Informatika,

Bandung, 2008.

4. Suyanto, Soft-Computing: Membangun Mesin Ber-IQ Tinggi, Informatika, Bandung, 2008.

5. Suyanto, Algoritma Optimasi: Deterministik atau Probabilistik, Graha Ilmu, Yogyakarta, 2010.

6. Mitchell M. Tom, Machine Learning, McGraw-Hill International Editions, 1997.

Page 5: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

2

B. RENCANA PEMBELAJARAN SEMESTER (RPS)

Pertemuan

ke-

Kemampuan Akhir yang

Diharapkan

Bahan Kajian (Materi

Ajar)

Bentuk/ Metode/

Strategi

Pembelajaran

Kriteria Penilaian (Indikator) Bobot

Nilai

1-2 Memahami teknik

optimasi berbasis

“Evolusi” dan “Genetika”.

Teknik optimasi berbasis

“Evolusi” dan “Genetika”:

1. “Evolusi” dan

“Genetika”.

2. EC: dulu, sekarang, dan

masa depan.

Ceramah dan

diskusi

permasalahan.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

3-5 Memahami berbagai

algoritma EAs.

Memahami kelebihan

dan kekurangan

berbagai algoritma EAs

Mampu memilih

algoritma yang paling

sesuai untuk beragam

masalah dan kasus

yang dihadapi.

Evolutionary Algorithms

(EAs):

1. Apa itu EAs?

2. Mengapa, kapan,

dimana, dan bagaimana

menggunakan EAs?

3. Enam algoritma EAs,

perbedaan, kelebihan

dan kekurangannya.

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

6-10 Memahami Genetic

Algorithms (GA).

Mengetahui kelebihan

dan kekurangan GA.

Mampu menerapkan

GA untuk memecahkan

Genetic Algorithms:

1. Simple GA.

2. Masalah optimasi

fungsi

3. Representasi Individu

4. Nilai Fitness

5. Seleksi Orangtua

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

Page 6: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

3

Pertemuan

ke-

Kemampuan Akhir yang

Diharapkan

Bahan Kajian (Materi

Ajar)

Bentuk/ Metode/

Strategi

Pembelajaran

Kriteria Penilaian (Indikator) Bobot

Nilai

sebuah permasalahan. 6. Rekombinasi

7. Mutasi

8. Seleksi Survivor

9. Pembuktian GA Secara

Matematis

10. Studi Kasus

11-12 Memahami Evolution

Strategies (ES).

Memahami kelebihan

dan kekurangan ES.

Memahami perbedaan

ES dengan GA.

Evolution Strategies:

1. ES Pada Masa Awal

2. Representasi Individu

3. Seleksi Orangtua

4. Rekombinasi

5. Mutasi

6. Seleksi Survivor

7. Self-Adaptation

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

13-14 Memahami

Evolutionary

Programming (EP).

Memahami kelebihan

dan kekurangan EP.

Memahami perbedaan

EP dengan GA dan ES.

Evolutionary Programming:

1. EP tradisional

2. Representasi Individu

3. Seleksi Orangtua

4. Rekombinasi

5. Mutasi

6. Seleksi Survivor

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

15-16 Memahami Genetic

Programming (GP).

Memahami kelebihan

dan kekurangan GP.

Genetic Programming:

1. Proses Evolusi.

2. Representasi Individu.

3. Seleksi Orangtua.

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

Page 7: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

4

Pertemuan

ke-

Kemampuan Akhir yang

Diharapkan

Bahan Kajian (Materi

Ajar)

Bentuk/ Metode/

Strategi

Pembelajaran

Kriteria Penilaian (Indikator) Bobot

Nilai

Memahami perbedaan

GP dengan GA, ES, dan

EP.

4. Rekombinasi.

5. Mutasi.

6. Seleksi Survivor.

17-18 Memahami Differential

Evolution (DE).

Memahami kelebihan

dan kekurangan DE.

Memahami perbedaan

DE dengan GA, ES, EP

dan GP.

Differential Evolution:

1. Masalah optimasi.

2. DE untuk optimasi.

3. Performansi DE.

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

19-20 Memahami

Grammatical Evolution

(GE).

Memahami kelebihan

dan kekurangan GE.

Memahami perbedaan

GE dengan GA, ES, EP,

GP dan DE.

Grammatical Evolution:

1. Backus Naur Form

(BNF).

2. Representasi Individu.

3. Operator Evolusi.

4. Performansi GE.

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

21-24 Memahami berbagai

permasalahan pada EAs.

Permasalahan EAs dan

Solusinya:

Konvergensi prematur

Island Model EAs

Messy Encoding

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

Page 8: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

5

Pertemuan

ke-

Kemampuan Akhir yang

Diharapkan

Bahan Kajian (Materi

Ajar)

Bentuk/ Metode/

Strategi

Pembelajaran

Kriteria Penilaian (Indikator) Bobot

Nilai

Adaptive EAs

25-28 Mengimplementasikan

Evolutionary

Computation dalam

penyelesaian masalah

dunia nyata.

Memodelkan beragam

masalah dan kasus

dunia nyata ke dalam

EAs.

Implementasi EAs

Strategi menggunakan

EAs

Studi Kasus:

1. Graph bisection

2. 8-queens

3. TSP dengan

batasan

4. Pemotongan

bahan

5. Penjadwalan kuliah

6. Peramalan data

time series

Ceramah, diskusi

permasalahan, dan

Praktikum.

Mahasiswa mampu menyelesaikan

studi kasus yang diberikan.

4%

Page 9: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

6

C. RANCANGAN INTERAKSI DOSEN–MAHASISWA

1. Materi pengenalan Evolutionary Computation.

Kemampuan Akhir yang Diharapkan

Memahami teknik optimasi berbasis “Evolusi”

dan “Genetika”.

Nama Kajian Teknik optimasi berbasis “Evolusi” dan

“Genetika”:

1. “Evolusi” dan “Genetika”.

2. EC: dulu, sekarang, dan masa depan.

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 1-2

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

2. Materi pengenalan Evolutionary Algorithms.

Kemampuan Akhir yang Diharapkan Memahami berbagai algoritma EAs.

Memahami kelebihan dan kekurangan

Page 10: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

7

berbagai algoritma EAs

Mampu memilih algoritma yang paling

sesuai untuk beragam masalah dan kasus

yang dihadapi.

Nama Kajian Evolutionary Algorithms (EAs):

1. Apa itu EAs?

2. Mengapa, kapan, dimana, dan bagaimana

menggunakan EAs?

Enam algoritma EAs, perbedaan, kelebihan dan

kekurangannya.

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 3-5

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

3. Materi Genetic Algorithms.

Kemampuan Akhir yang Diharapkan Memahami Genetic Algorithms (GA).

Mengetahui kelebihan dan kekurangan GA.

Page 11: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

8

Mampu menerapkan GA untuk memecahkan

sebuah permasalahan.

Nama Kajian Genetic Algorithms:

1. Simple GA.

2. Masalah optimasi fungsi

3. Representasi Individu

4. Nilai Fitness

5. Seleksi Orangtua

6. Rekombinasi

7. Mutasi

8. Seleksi Survivor

9. Pembuktian GA Secara Matematis

10. Studi Kasus

Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 6-10

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

4. Materi Evolution Strategies.

Page 12: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

9

Kemampuan Akhir yang Diharapkan

Memahami Evolution Strategies (ES).

Memahami kelebihan dan kekurangan ES.

Memahami perbedaan ES dengan GA.

Nama Kajian Evolution Strategies:

1. ES Pada Masa Awal

2. Representasi Individu

3. Seleksi Orangtua

4. Rekombinasi

5. Mutasi

6. Seleksi Survivor

7. Self-Adaptation

Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 11-12

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

5. Materi Evolutionary Programming.

Kemampuan Akhir yang Diharapkan Memahami Evolutionary Programming (EP).

Page 13: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

10

Memahami kelebihan dan kekurangan EP.

Memahami perbedaan EP dengan GA dan

ES.

Nama Kajian Evolutionary Programming:

1. EP tradisional

2. Representasi Individu

3. Seleksi Orangtua

4. Rekombinasi

5. Mutasi

6. Seleksi Survivor

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 13-14

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

6. Materi Genetic Programming.

Kemampuan Akhir yang Diharapkan Memahami Genetic Programming (GP).

Page 14: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

11

Memahami kelebihan dan kekurangan GP.

Memahami perbedaan GP dengan GA, ES,

dan EP.

Nama Kajian Genetic Programming:

1. Proses Evolusi.

2. Representasi Individu.

3. Seleksi Orangtua.

4. Rekombinasi.

5. Mutasi.

6. Seleksi Survivor.

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 15-16

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

7. Materi Differential Evolution.

Kemampuan Akhir yang Diharapkan Memahami Differential Evolution (DE).

Memahami kelebihan dan kekurangan DE.

Page 15: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

12

Memahami perbedaan DE dengan GA, ES, EP

dan GP.

Nama Kajian Differential Evolution:

1. Masalah optimasi.

2. DE untuk optimasi.

3. Performansi DE.

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 17-18

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

8. Materi Grammatical Evolution.

Kemampuan Akhir yang Diharapkan

Memahami Grammatical Evolution (GE).

Memahami kelebihan dan kekurangan GE.

Memahami perbedaan GE dengan GA, ES,

EP, GP dan DE.

Nama Kajian Grammatical Evolution:

1. Backus Naur Form (BNF).

Page 16: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

13

2. Representasi Individu.

3. Operator Evolusi.

4. Performansi GE.

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 19-20

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

9. Materi permasalahan pada EAs.

Kemampuan Akhir yang Diharapkan

Memahami berbagai permasalahan pada EAs.

Nama Kajian Permasalahan EAs dan Solusinya:

1. Konvergensi prematur

2. Island Model EAs

3. Messy Encoding

4. Adaptive EAs

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 21-24

Page 17: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

14

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian topik-topik studi kasus untuk dikerjakan berkelompok, pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; penulisan dan presentasi paper oleh mahasiswa; diskusi pembahasan hasil studi kasus.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

10. Materi implementasi EAs.

Kemampuan Akhir yang Diharapkan

Mengimplementasikan Evolutionary

Computation dalam penyelesaian masalah

dunia nyata.

Memodelkan beragam masalah dan kasus

dunia nyata ke dalam EAs.

Nama Kajian Implementasi EAs

Strategi menggunakan EAs

Studi Kasus:

1. Graph bisection

2. 8-queens

3. TSP dengan batasan

4. Pemotongan bahan

5. Penjadwalan kuliah

Page 18: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

15

6. Peramalan data time series

Nama Strategi Ceramah, presentasi tugas kelompok, dan

diskusi permasalahan.

Pertemuan Penggunaan Strategi (Metode) 25-28

Deskripsi Singkat Strategi (Metode) pembelajaran

Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian topik-topik studi kasus untuk dikerjakan berkelompok, pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; penulisan dan presentasi paper oleh mahasiswa; diskusi pembahasan hasil studi kasus.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran.

Menyimak penjelasan dosen.

Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan

pembelajaran.

Menyiapkan diri menerima materi yang akan

disampaikan.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari

materi yang disampaikan oleh dosen.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan

arahan dosen, tidak melakukan tindak

plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi Menyimak kesimpulan.

Page 19: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

16

D. RANCANGAN TUGAS

1. Materi Genetic Algorithms.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Genetic Algorithms (GA).

Mengetahui kelebihan dan kekurangan GA.

Mampu menerapkan GA untuk memecahkan sebuah

permasalahan.

Pertemuan ke 6

Tugas ke 1

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas:

a. Mahasiswa membuat makalah secara berkelompok tentang GA yang meliputi Seleksi Orangtua, Rekombinasi, Mutasi, dan Advanced GA untuk mencegah konvergensi prematur.

b. Output tugas berupa makalah.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

2. Materi Evolution Strategies.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Evolution Strategies (ES).

Memahami kelebihan dan kekurangan ES.

Memahami perbedaan ES dengan GA.

Pertemuan ke 11

Tugas ke 2

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa secara individu membuat source code GA dan ES untuk mendapatkan nilai

Page 20: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

17

minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari GA dan ES.

b. Mahasiswa menganalisa hasil observasi yang diperoleh GA dan ES. c. Output tugas adalah source code dan laporan berisi analisa hasil observasi.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

3. Materi Evolutionary Programming.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Evolutionary Programming (EP).

Memahami kelebihan dan kekurangan EP.

Memahami perbedaan EP dengan GA dan ES.

Pertemuan ke 13

Tugas ke 3

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa secara individu membuat source code EP untuk mendapatkan nilai

minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari EP.

b. Mahasiswa menganalisa hasil observasi yang diperoleh EP. c. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh EP dengan GA

dan ES. d. Output tugas adalah source code dan laporan berisi analisa hasil observasi.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

4. Materi Genetic Programming.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Genetic Programming (GP).

Memahami kelebihan dan kekurangan GP.

Memahami perbedaan GP dengan GA, ES, dan EP.

Pertemuan ke 15

Page 21: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

18

Tugas ke 5

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa mengimplementasikan GP untuk menyelesaikan permasalahan yang

diberikan dengan studi kasus: promosi jabatan di suatu instansi/perusahaan. b. c. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh

GP. d. Mahasiswa menganalisa hasil observasi yang diperoleh GP. e. Output tugas adalah source code dan laporan berisi analisa hasil observasi.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

5. Materi Differential Evolution.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Differential Evolution (DE).

Memahami kelebihan dan kekurangan DE.

Memahami perbedaan DE dengan GA, ES, EP dan GP.

Pertemuan ke 17

Tugas ke 4

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa secara individu membuat source code DE untuk mendapatkan nilai

minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari DE.

b. Mahasiswa menganalisa hasil observasi yang diperoleh DE. c. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh DE dengan GA,

ES, dan EP. d. Output tugas adalah laporan berisi analisa problem, rancangan dan implementasi EA

yang digunakan, serta solusi yang dihasilkannya.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

Page 22: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

19

6. Materi Grammatical Evolution.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Memahami Grammatical Evolution (GE).

Memahami kelebihan dan kekurangan GE.

Memahami perbedaan GE dengan GP.

Pertemuan ke 17

Tugas ke 6

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa mengimplementasikan GE untuk menyelesaikan permasalahan yang

diberikan dengan studi kasus: promosi jabatan di suatu instansi/perusahaan. b. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh

GE. c. Mahasiswa menganalisa hasil observasi yang diperoleh GE. d. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh GP dan GE. e. Output tugas adalah source code dan laporan berisi analisa hasil observasi.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

7. Tugas besar.

Kode mata Kuliah CIG4C3

Nama Mata Kuliah Evolutionary Computation

Kemampuan Akhir yang Diharapkan Mengimplementasikan Evolutionary Computation

dalam penyelesaian masalah dunia nyata.

Memodelkan beragam masalah dan kasus dunia

nyata ke dalam EAs.

Pertemuan ke 25

Tugas ke 7

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa.

2. Uraian Tugas: a. Mahasiswa mengimplementasikan EC untuk menyelesaikan salah satu permasalahan

yang diberikan antara lain artificial characters,.breast cancer, ionosphere, ozone level

Page 23: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

20

detection, EEG eye state, parkinson speech, climate model simulation crashes, airfoil self-noise, individual household electric power consumption, EMG dataset in lower limb, EMG physical, user identification from walking activity, pen-based recognition of handwritten digits.

b. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh GE.

c. Mahasiswa menganalisa hasil observasi yang diperoleh EC. d. Output tugas adalah source code dan laporan berisi masalah yang diangkat, pemodelan

dan desain program/algoritma yang digunakan, dan analisa hasil observasi.

3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

Page 24: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

21

E. PENILAIAN DENGAN RUBRIK

Rubrik penilaian tugas individu/kelompok, UTS, UAS, dan Tugas Besar

Jenjang

(Grade) Angka (Skor) Deskripsi Perilaku (Indikator)

Istimewa 90 < Skor

- Ide yang dikemukakan sesuai dengan permasalahan

- Inovatif

- Mampu menyelesaikan permasalahan

- Adanya analisis dan penjelasan yang komprehensif

Sangat Baik 80 < Skor ≤ 90 - Ide yang dikemukakan sesuai dengan permasalahan

- Mampu menyelesaikan permasalahan

- Adanya analisis dan penjelasan yang komprehensif

Baik 70 < Skor ≤ 80 - Ide yang dikemukakan sesuai dengan permasalahan

- Mampu menyelesaikan permasalahan

- Adanya analisis dan penjelasan yang cukup komprehensif

Cukup Baik 60 < Skor ≤ 70 - Ide yang dikemukakan sesuai dengan permasalahan

- Mampu menyelesaikan permasalahan

- Ada penjelasan dan analisis namun kurang komprehensif

Cukup 50 < Skor ≤ 60 - Ide yang dikemukakan sesuai dengan permasalahan

- Mampu menyelesaikan permasalahan

- Ada analisis dan penjelasan namun tidak komprehensif

Kurang 40 < Skor ≤ 50 - Ide yang dikemukakan sesuai dengan permasalahan

- Kurang mampu menyelesaikan permasalahan

- Tidak ada analisis dan penjelasan.

Sangat

Kurang Skor ≤ 40

- Ide yang dikemukakan kurang sesuai dengan

permasalahan

- Tidak mampu menyelesaikan permasalahan

- Tidak ada analisis dan penjelasan.

Page 25: RENCANA PEMBELAJARAN SEMESTER (RPS)sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik Informatika/MK... · PROGRAM STUDI S1 TEKNIK INFORMATIKA ... Algoritma Genetika dalam Matlab,

22

F. PERSENTASE KOMPONEN PENILAIAN

1. Kuis : 10%

2. Tugas Besar : 20%

3. UTS : 30%

4. UAS : 40%

G. PENENTUAN NILAI AKHIR MATA KULIAH

Berikut adalah komponen penentu nilai akhir mata kuliah yang digunakan,

Komponen Bobot

Tugas harian 15%

Tugas besar 25%

UTS 30%

UAS 30%

Berikut adalah penentuan indeks nilai akhir mata kuliah yang digunakan,

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

80 ≤ NSM A

70 ≤ NSM < 80 AB

65 ≤ NSM < 70 B

60 ≤ NSM < 65 BC

45 ≤ NSM < 60 C

30 ≤ NSM < 45 D

NSM < 30 E