rencana pembelajaran semester (rps)sonia.soc.telkomuniversity.ac.id/cdn/rps/s1 teknik...
TRANSCRIPT
RENCANA PEMBELAJARAN SEMESTER
(RPS)
CIG4A3
Pembelajaran Mesin
Disusun oleh:
Agung Toto Wibowo Said Al Faraby
PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA
TELKOM UNIVERSITY
ii
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:
Kode Mata Kuliah : CIG4A3
Nama Mata Kuliah : Pembelajaran Mesin
Bandung, 2015 Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika Ketua KK ICM
Arif Bijaksana PhD Ari M. Barmawi, Ph.D
iii
DAFTAR ISI
LEMBAR PENGESAHAN .............................................................................................................................. ii
DAFTAR ISI ................................................................................................................................................ iii
A. PROFIL MATA KULIAH....................................................................................................................... 1
B. RENCANA PEMBELAJARAN SEMESTER (RPS) ................................................................................... 1
C. RANCANGAN INTERAKSI DOSEN–MAHASISWA ............................................................................... 2
D. RANCANGAN TUGAS ........................................................................................................................ 6
E. PENILAIAN DENGAN RUBRIK .......................................................................................................... 11
F. PENENTUAN NILAI AKHIR MATA KULIAH ....................................................................................... 12
1
1. PROFIL MATA KULIAH
IDENTITAS MATA KULIAH
Nama Mata Kuliah : Pembelajaran Mesin
Kode Mata Kuliah : CIG4A3
SKS : 3
Jenis : MK Piilihan
Jam pelaksanaan : Tatap muka di kelas = 3 x 60 menit per minggu
Tutorial / Responsi = 1 x 60 menit per minggu
Semester / Tingkat : Genap / Tingkat 4
Pre-requisite : Pengolahan Citra Digital
Co-requisite :
Bidang Kajian : Intelligent Systems
Future Trend and Problem Solving
DESKRIPSI SINGKAT MATA KULIAH
Mata Kuliah Pembelajaran mesin mengajak mahasiswa untuk memahami ide dasar, intuisi, konsep,
algoritma dan teknik untuk membuat komputer menjadi lebih cerdas. Penekanan materi pada teknik
dasar pembelajaran secara supervised, unsupervised, dan reinforcement. Mahasiswa akan
diperkenalkan dengan area permasalahan dan batasan masalah (curse of dimensionaityl)dalam
pembelajaran mesin yang meliputi Klasifikasi dan Klustering. Mengajak mahasiswa memahami dan
melakukan pengukuran unjuk kerja sistem, optimasi sistem dan mengatasi masalah over fitting.
Beberapa Algoritma/Teknik/Metode dasar dan umum untuk mengembangkan sistem berbasis
pembelajaran mesin disampaikan kepada mahasiwa, seperti: Bayes Clasifier, Naive Bayes, Decision
Tree, Jaringan Syaraf Tiruan, Jaringan Kohonen, Self Organization Map, K-Means, K-NN, Q-Learning.
Dalam perkuliahan mahasiswa dituntun untuk berinovasi dengan mengembangkan sebuah sistem
Pembelajaran Mesin pada kasus tertentu.
REFERENSI
Mitchell M. Tom, 1997, Machine Learning. McGraw Hill, International Editions. Printed in Singapore.
Last Edition
Nils. J. Nilson, 1998, Intoduction to Machine Learning, Department of Computer Science, Standford
University, Last Edition
Russel, Stuart and Norvig, Peter. 1995. “Artificial Intelligence: A Modern Approach”. Prentice Hall
International, Inc. Last Edition
2
2. RENCANA PEMBELAJARAN SEMESTER (RPS)
Pertemuan
ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian
(Indikator)
Bobot
Nilai
1
1. Mampu mendefinisikan
pembelajaran mesin
2. Mampu menentukan kapan
pembelajaran mesin bisa
digunakakan
Definisi dan Aplikasi
Pembelajaran Mesin
Diskusi,
Ceramah.
Mampu menentukan
permasalahan yang bisa
diselesaikan dengan
pembelajaran mesin
2-4
1. Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction
2. Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan
Teknik Dimensionality Reduction :
Principal Component Analysis
Singular Value Decomposition
Independent Component Analysis
Factor Analysis
Linear Discriminant Analysis
Pembahasan Tugas 1
Ceramah,
Diskusi,
Demonstrasi
1. Mampu
mengkomunikasikan
konsep dari setiap
teknik dalam
dimensionality
reduction
2. Mampu
mengimplementasikan
salah satu algoritma
5 1. Mampu membedakan jenis-jenis
permasalahan pada pembelajaran
mesin
Overview Unsupervised,
Supervised, Semi-
supervised learning
Diskusi,
Ceramah
Ketepatan dalam
mencocokkan contoh
permasalahan dengan
teknik pembelajaran
6-7
1. Mampu mengidentifikasi
permasalahan clustering
2. Mampu mengkomunikasikan
perbedaan teknik-teknik
Teknik Pembelajaran :
Unsupervised
K-means clustering
Hierarchical clustering
Ceramah,
Diskusi,
1. Ketepatan dalam
menjelaskan
perbedaan teknik-
teknik pada
3
Pembelajaran tanpa supervisi
3. Mampu menerapkan salah satu
algoritma dalam permasalahan
pembelajaran mesin
Expectation Maximization
Pembahasan Tugas 2
Demonstrasi pembelajaran tanpa
supervise
2. Kemampuan dalam
mengimplementasikan
salah satu algoritma
yang telah dipelajari
8-11
1. Mampu membedakan
permasalahan regresi dan klasifikasi
2. Mampu mengkomunikasikan
konsep dari tiap-tiap teknik pada
pembelajaran dengan supervise
3. Mampu menerapkan salah satu
algoritma dalam permasalahan
pembelajaran mesin
Teknik Pembelajaran: Supervised
Regression
Support Vector Machine
Neural Network
Pembahasan Tugas 3
Ceramah,
Diskusi,
Demonstrasi
1. Ketepatan dalam
mencocokkan
permasalahan dengan
jenis pembelajaran
regresi atau klasifikasi
2. Ketepatan dalam
menjelaskan
perbedaan teknik-
teknik pada
pembelajaran tanpa
supervise
3. Kemampuan dalam
mengimplementasikan
salah satu algoritma
yang telah dipelajari
12-13
1. Mampu mengidentifikasi
permasalahan reinforcement
learning
2. Mampu mengkomunikasikan
teknik-teknik dalam reinforcement
learning
Pembelajaran: Reinforcement
Definisi Reinforcement Learning
Markov Decision Process
Bellman Equations
Value Iteration and Policy
Ceramah,
Diskusi
1. Ketepatan dalam
mengidentifikasi
permasalahan yang
cocok untuk
reinforcement learning
2. Ketepatan dalam
4
3. Mampu memodelkan
permasalahan untuk diselesaikan
dengan reinforcement learning
Iteration
Q-Learning
menjelaskan teknik-
teknik dalam
reinforcement learning
3. Ketepatan dalam
memodelkan
permasalahan untuk
reinforcement learning
14
Teknik Dimensionality Reduction
Teknik Unsupervised
Teknik Supervised
Teknik Reinforcement
Responsi
15-28
1. Memahami contoh permasalahan
pada pembelajaran mesin
2. Menentukan Teknik Pembelajaran
yang sesuai dengan permasalahan
3. Mengimplementasikan beberapa
algoritma yang dipelajari untuk
menyelesaikan permasalahan yang
diberikan
4. Mampu menginterpretasikan hasil
penerapan algoritma
Wawasan Studi Kasus Pembelajaran Mesin
Progres proyek pembelajaran mesin
Ceramah,
Diskusi,
Presentasi
oleh
mahasiswa
1. Kejelasan dari
permasalahan yang
dipilih serta teknik-
teknik yang digunakan
2. Kesesuaian pemilihan
dataset yang
digunakan serta
pengolahannya
3. Kesesuaian
penggunaan source
dan library
4. Kesesuaian pemilihan
referensi
5
2. RANCANGAN INTERAKSI DOSEN–MAHASISWA
1.
Kemampuan Akhir yang Diharapkan
Mampu mendefinisikan pembelajaran
mesin
Mampu menentukan kapan pembelajaran
mesin bisa digunakakan
Nama Kajian Definisi dan Aplikasi Pembelajaran Mesin
Nama Strategi Diskusi, Ceramah.
Pertemuan Penggunaan Strategi (Metode) 1
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada penjelasan
yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Menyimpulkan materi Menyimak kesimpulan materi
6
2. Kemampuan Akhir yang Diharapkan
Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction
Mampu memilih dan menerapkan teknik
yang sesuai untuk suatu permasalahan
Nama Kajian Teknik Dimensionality Reduction :
Principal Component Analysis
Singular Value Decomposition
Independent Component Analysis
Factor Analysis
Linear Discriminant Analysis
Pembahasan Tugas 1
Nama Strategi Diskusi, Ceramah.
Pertemuan Penggunaan Strategi (Metode) 2-4
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada yang kurang
dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Mengerjakan tugas sebaik-baiknya dan
bertanya jika ada yang kurang dimengerti
Menyimpulkan materi Menyimak kesimpulan materi
7
3. Kemampuan Akhir yang Diharapkan
Mampu membedakan jenis-jenis permasalahan pada pembelajaran mesin
Nama Kajian Overview Unsupervised, Supervised, Semi-
supervised learning
Nama Strategi Diskusi, Ceramah,
Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 5
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada yang kurang
dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Menyimpulkan materi Menyimak kesimpulan materi
8
4. Kemampuan Akhir yang Diharapkan
Mampu mengidentifikasi permasalahan
clustering
Mampu mengkomunikasikan perbedaan
teknik-teknik Pembelajaran tanpa supervisi
Mampu menerapkan salah satu algoritma
dalam permasalahan pembelajaran mesin
Nama Kajian Teknik Pembelajaran : Unsupervised
K-means clustering
Hierarchical clustering
Expectation Maximization
Pembahasan Tugas 2
Nama Strategi Diskusi,
Ceramah,
Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 6-7
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada yang kurang
dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Mengerjakan tugas sebaik-baiknya dan
bertanya jika ada yang kurang dimengerti
Menyimpulkan materi Menyimak kesimpulan materi
5.
Kemampuan Akhir yang Diharapkan
Mampu membedakan permasalahan
regresi dan klasifikasi
9
Mampu mengkomunikasikan konsep dari
tiap-tiap teknik pada pembelajaran dengan
supervisi
Mampu menerapkan salah satu algoritma
dalam permasalahan pembelajaran mesin
Nama Kajian Teknik Pembelajaran: Supervised
Regression
Support Vector Machine
Neural Network
Pembahasan Tugas 3
Nama Strategi Diskusi,
Ceramah,
Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 8-11
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada yang kurang
dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Mengerjakan tugas sebaik-baiknya dan
bertanya jika ada yang kurang dimengerti
Menyimpulkan materi Menyimak kesimpulan materi
6.
Kemampuan Akhir yang Diharapkan
Mampu mengidentifikasi permasalahan
reinforcement learning
Mampu mengkomunikasikan teknik-teknik
dalam reinforcement learning
Mampu memodelkan permasalahan untuk
10
diselesaikan dengan reinforcement learning
Nama Kajian Pembelajaran: Reinforcement
Definisi Reinforcement Learning
Markov Decision Process
Bellman Equations
Value Iteration and Policy Iteration
Q-Learning
Nama Strategi Diskusi,
Ceramah,
Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 12-13
Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA
Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran
Mempersiapkan diri untuk terlibat aktif dalam
kegiatan pembelajaran
Membahas materi Menyimak penjelasan dosen
Mengajukan pertanyaan jika ada yang kurang
dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Mengerjakan tugas sebaik-baiknya dan
bertanya jika ada yang kurang dimengerti
Menyimpulkan materi Menyimak kesimpulan materi
11
3. RANCANGAN TUGAS
Tugas terkait Dimensionality Reduction
Kode mata Kuliah CIG4A3
Nama Mata Kuliah Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma dimensionality reduction untuk contoh kasus sederhana
Pertemuan ke 4
Tugas ke 1
1. Tujuan Tugas
Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang cara melakukan dimensionality reduction
2. Uraian Tugas
a. Dataset sederhana
b. Menerapkan algoritma PCA pada dataset yang diberikan
c. Dihitung secara manual
d. Hasil perhitungan komponen hasil transformasi dan reduksi
3. Kriteria penilaian a. Ketepatan langkah-langkah dalam menerapkan
algoritma PCA
Tugas terkait Pembelajaran tanpa supervisi
Kode mata Kuliah CIG4A3
Nama Mata Kuliah Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma pembelajaran tanpa supervisi pada kasus sederhana
Pertemuan ke 7
Tugas ke 2
1. Tujuan Tugas
Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran tanpa supervise pada contoh kasus sederhana
2. Uraian Tugas
a. Dataset sederhana
b. Menerapkan algoritma K-means
12
c. Diimplementasikan ke dalam kode program / menggunakan library
d. Kode program dan laporan
3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan
Tugas terkait Pembelajaran dengan Supervisi
Kode mata Kuliah CIG4A3
Nama Mata Kuliah Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma pembelajaran dengan supervisi pada kasus sederhana
Pertemuan ke 10
Tugas ke 3
1. Tujuan Tugas
Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran dengan supervise pada contoh kasus sederhana
2. Uraian Tugas
a. Dataset sederhana
b. Menerapkan algoritma Regression dan SVM
c. Diimplementasikan ke dalam kode program / menggunakan library
d. Kode program dan laporan
3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan
4. PERSENTASE KOMPONEN PENILAIAN
1. Kuis : 10%
2. Tugas Besar : 20%
3. UTS : 30%
4. UAS : 40%
13
5. PENENTUAN NILAI AKHIR MATA KULIAH
Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK)
87 < NSM A
72 < NSM ≤ 87 AB
67 < NSM ≤ 72 B
59 < NSM ≤ 67 BC
54 < NSM ≤ 59 C
40 < NSM ≤ 54 D
NSM ≤ 40 E