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

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


yang telah dipelajari

8-11

1. Mampu membedakan

permasalahan regresi dan klasifikasi


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


yang telah dipelajari

12-13

1. Mampu mengidentifikasi

permasalahan reinforcement

learning


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


3. Ketepatan dalam

memodelkan

permasalahan untuk


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










Mengajukan pertanyaan jika ada yang kurang

dimengerti


Menjawab pertanyaan

Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa

Mengerjakan tugas sebaik-baiknya dan

bertanya jika ada yang kurang dimengerti


7


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











dimengerti


Menjawab pertanyaan


8


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.












dimengerti


Menjawab pertanyaan





5.


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


Ceramah,

Discovery Learning.












dimengerti


Menjawab pertanyaan





6.


Mampu mengidentifikasi permasalahan


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


Ceramah,

Discovery Learning.












dimengerti


Menjawab pertanyaan





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



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


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



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


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

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

Documents