universitas gunadarma program studi teknik …sap.gunadarma.ac.id/upload/it-045240.pdf · 2020. 11....
TRANSCRIPT
UNIVERSITAS GUNADARMA PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
RENCANA PEMBELAJARAN SEMESTER (RPS) Nama Mata Kuliah Kode Mata Kuliah Bobot (sks) Semester Tgl Penyusunan
Pengantar Alogoritma Deep Learning
IT045240 2 8 Agustus 2018
Otorisasi Nama Koordinator Pengembang RPS
Koordinator Bidang Keahlian (Jika Ada)
Ketua Program Studi
Prof. Dr.-Ing. Adang Suhendra, S.Kom., M.Sc
Capaian Pembelajaran (CP) CPL-PRODI (Capaian Pembelajaran Lulusan Program Studi) Yang Dibebankan Pada Mata Kuliah
CPPS 5
Kemampuan merancang algoritma yang efisien dan efektif serta mengimplementasikannya dengan bahasa
pemrograman dan teknologi Informatika dalam membangun sistem komputasi berbasis desktop, web dan
mobile.
CPPS 9 Kemampuan menunjukkan kinerja mandiri, bermutu, dan terukur dengan memahami konsep sistem cerdas
yang mencakup kecerdasan buatan, machine learning, fuzzy logic, deep learning dan data analyst.
CPMK (Capaian Pembelajaran Mata Kuliah)
CPMK 5.1 Kemampuan merancang algoritma yang efisien dan efektif.
CPMK 9.1 Kemampuan menunjukkan kinerja mandiri, bermutu, terukur mencakup kecerdasan buatan dan fuzzy logic.
CPMK 9.2 Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data
analyst.
Deskripsi Singkat MK Mata Kuliah ini menitikberatkan pada penerapan pemahaman algoritam deep leanring dengan menggunakan bahasa pemrograman Python dengan pembahasan teori dan kasus dituangkan dalam program atau aplikasi. Topik utama dalam mata kuliah ini adalah perbedaan antara machine learning dan deep learning, penggunaan Python dan library untuk deep learning, pemanfaatan online dan offline dari platform deep learning, model-model deep learning seperti CNN, RNN, LTSM, RBM dan Autoencoder, serta pemanfataan accelerated hardware pada Deep Learning
Bahan Kajian / Materi Pembelajaran
1. Mengetahui dasar-dasar machine Learning.
2. Mengetahui Aljabar Linear dan Dasar Pemograman Python.
3. Mengetahui Dasar Neural Network.
4. Mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network.
5. Mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung
Deep Learning.
6. Memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN).
7. Memahami lebih dalam dan mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long
Short Term Memory (LSTM).
8. Memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM).
9. Memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE). 5. Accelerated Deep Learning.
Daftar Referensi Utama :
1. Python Data Science:https:/courses.cognitiveclass.ai/courses/course-v1:Cognitiveclass+PY0101EN+v2/info
2. Deep Learning Fundamental: https://courses.cognitiveclass.ai/courses/course-
v1:DeepLearning.TV+ML0115EN+v2.0/info
3. Machine Learning With Python: https://courses.cognitiveclass.ai/courses/course-
v1:CognitiveClass+ML0101ENv3+2018/info
4. Deep Learning with Tensorflow: https://courses.cognitiveclass.ai/courses/course-
v1:CognitiveClass+ML0120ENv2+2018/info
5. Aurlien Gron. 2017. Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and
Techniques to Build Intelligent Systems (1st ed.). O'Reilly Media, Inc..
6. Nikhil Buduma and Nicholas Locascio. 2017. Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms (1st ed.). O'Reilly Media, Inc..-database/12.2/dbseg/index.html
7. Francois Chollet. 2017. Deep Learning with Python (1st ed.). Manning Publications Co., Greenwich, CT, USA.
Media Pembelajaran Perangkat Lunak Perangkat Keras
Komputer, Laptop, Proyektor
Nama Dosen Pengampu
Mata Kuliah Prasyarat (Jika Ada)
Mata Kuliah: Pengantar Alogoritma Deep Learning ( IT045240) / 2 SKS
CAPAIAN PEMBELAJARAN MATA KULIAH PENGANTAR ALOGORITMA DEEP LEARNING: 1. Kemampuan merancang algoritma yang efisien dan efektif.
2. Kemampuan menunjukkan kinerja mandiri, bermutu, terukur mencakup kecerdasan buatan dan fuzzy logic.
3. Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data analyst.
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)
EVALUASI AKHIR SEMESTER (mg ke 16)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)
Pengantar Alogoritma Deep Learning (AK045329)/3 SKS
EVALUASI TENGAH SEMESTER (mg ke 11)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Aljabar Linear dan Dasar Pemograman Python (mg ke2-3)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Dasar Neural Network (mg ke4)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network (mg ke5)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN) (mg ke8,9)
[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep Learning (mg ke6,7)
Minggu Ke-
CP-MK Materi Pembelajaran Metode / Strategi
Pembelajaran
Penilaian Referensi
Indikator Bentuk Bobot 1.
Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning
- Perbedaan antara
Artificial
Intelegence,
Machine Learning,
dan Deep learning
- Jenis-Jenis Machine
learning
(supervised,
unsupervised,
reinforcement,
batch proses,
online proses,
incremental
learning)
- Contoh Penerapan
Deep Learning pada
kehidupan sehari-hari
- Tahapan-tahapan
pengolahan data pada
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa mampu
menjelaskan
perbedaan antara
Artificial Intelegence,
Machine Learning,
dan Deep learning
- Mahasiswa mampu
menjelaskan
perbedaan antara
Jenis-Jenis Machine
learning (supervised,
unsupervised,
reinforcement, batch
proses, online proses,
incremental learning)
- Mahasiswa mampu menjelaskan contoh
Penerapan Deep
Presentasi, Latihan dan Tugas
10 % [1],[3],[5],[6]
Deep learning (Data
Preparation, Data
Cleansing, Train
Model, Evaluasi,
Produk)
Learning pada
kehidupan sehari-
hari
2-3. Mahasiswa mampu memahami dan mengetahui Aljabar Linear dan Dasar Pemograman Python
- Dasar Aljabar Linear
(Matrix, Transpose
Matrix, Inverse
Matrix)
- Kalkulus Dasar
(Matematika
Kalkulus, Gradient
dan Univarete
differentiation)
- Dasar python untuk
deep
learning(numpy,
pandas, matplotlib)
dan IDE
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa mampu
menjelaskan dasar
aljabar linear
(Matrix, Transpose
Matrix, Inverse
Matrix)
- Mahasiswa mampu
menjelaskan
kalkulus dasar
- Mahasiswa mampu
menjelaskan dasar
python untuk deep
learning seperti
numpy, pandas,
matplotlib
Presentasi, Latihan dan Tugas
10% [1],[3],[5],[7]
4. Mahasiswa mampu memahami dan mengetahui Dasar Neural Network
- Konsep Dasar
Neural Network
- Terminologi Erro
Cost/ Cost Function
- Algoritma
Gradient Decent
- Multi-layer
perceptron neural
network dan
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa mampu menjelaskan dan mengetahui konsep dasar neural network dan komponen pendukungnya Perceptron serta terminologi Weight,Bias, Activation Function
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
algoritma training
backpropagation.
- Mahasiswa mampu menjelaskan cara mengimplementasikan perceptron untuk logika AND dan OR Mahasiswa mampu menjelaskan dan memahami algoritma step function dan sigmoid function
- Mahasiswa mampu mampu menjelaskan dan menyebutkan perceptron, multiperceptron, gradient decent,
- Mahasiswa mampu menjelaskan dan memahami algoritma training multilayer perceptron
5. Mahasiswa mampu memahami dan mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network
- Sejarah Tensorflow
- Arstitektur Tensorflow
- Program atau
Aturan Dasar
Tensorflow
- Contoh
Implementasi
Machine Learning
dan Deep learning
pada Tensorlofw
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Memahami Arsistektur Tensorflow
- Mahasiswa mampu menyebutkan dan Menjelaskan fungsi dasar dari Tensorlof
- Mahasiswa mampu menjelaskan cara mengimplementasikan fungsi-fungsi dasar Tensorflow pada Deep learning
Presentasi, Latihan dan Tugas
10% [2],[3],[4],[5]
6-7. Mahasiswa mampu memahami dan mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep Learning
- Overview Python
- Konsep Dasar Learning
- Model-Model
Arsitektur Deep
Net (CNN, RNN,
RBM,
DBN,AE,RNTN)
- Library-library Deep
Learning pada
Python: Tensorflow,
Keras, H2O, Torch,
Cafee
- Platform Deep
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa mampu menjelaskan dan memahami dan mengerti pemanfaatan pemograman Python pada Deep Learnig
- Mahasiswa mampu menjelaskan dan memahami pentingnya Deep Leanring
- Mahasiswa mampu menjelaskan dan menyebutkan model-model Deep learning secara umum
- Mahasiswa
Presentasi, Latihan dan Tugas
10% [1][2],[3],[4],[5],[6],[7]
mampu menjelaskan dan menyebutkan fungsi dari masing-
Learning
Terintegrasi (AWS,
H2O,
Deeplearning4
j,
predictionIO)
- Online Platform
Deep
Learning(Deepcognit
io n, Tensorflow
Playground)
masing library - Mahasiswa
mampu menjelaskan dan menyebutkan fungsi dari platform terintegrasi
- Mahasiswa mampu menjelaskan dan menyebutkan pemanfaatan dari platform online
8-9. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN)
- Cara manusia
memahami
gambar
- Operasi konvolusi
- Cara kerja arsitektur
Convolutional
Neural Network
(Convolution Layer,
Max Pooling Layer,
Fully Connected
Layer)
- Proses training CNN
- Implementasi
arsitektur
Convolutional Neural
Network
menggunakan
tensorflow
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa
mampu
menjelaskan dan
mengetahui cara
manusia
memahami
gambar
- Mahasiswa
mampu
menjelaskan dan
mengetahui
memahami
operasi konvolusi
- Mahasiswa mampu
menjelaskan dan
memahami cara
kerja arsitektur
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
Convolutional
Neural Network
(Convolution Layer,
Max Pooling Layer,
Fully Connected
Layer)
- Mahasiswa
mampu
menjelaskan dan
memahami
proses training
CNN
- Mahasiswa mampu menjelaskan cara mengimplementasikan arsitektur Convolutional Neural Network menggunakan tensorflow
10. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM)
- Data Sequential
- Dasar Recurent
Neural Network
(RNN)
- Long Short
Term Memory
(LSTM)
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa
mampu
menjelaskan dan
memahami
permasalahan
data sequential
- Mahasiswa mampu
menjelaskan dan
memahami cara
kerja arsitektur
Recurrent Neural
Network (RNN) dan
mengetahui
masalah mendasar
pada arsitektur ini
- Mahasiswa mampu
menjelaskan dan
memahami
arsitektur Long Short
Term Memory
(LSTM) sebagai
pengganti RNN
- Mahasiswa mampu
menjelaskan dan
mengetahui
manfaat LSTM
dalam language
modelling
- Mahasiswa mampu menjelaskan cara
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
mengimplementasikan RNN dan LSTM menggunakan tensorflow
11. UJIAN TENGAH SEMESTER
12-13. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM)
- Arsitektur
Restricted
Blotzmann
Machine (RBM)
- Kasus-kasus yang
bisa diselesaikan
dengan arsitektur
RBM
- Cara training RBM
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa mampu
menjelaskan dan
memahami
arsitektur
Restricted
Blotzmann Machine
(RBM)
- Mahasiswa mampu
menjelaskan dan
memahami kasus
yang bisa
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
diselesaikan dengan
arsitektur RBM
- Mahasiswa mampu menjelaskan dan memahami cara
- Implementasikan
RBM menggunakan
tensorflow
training RBM
- Mahasiswa mampu menjelaskan cara mengimplementasikan RBM menggunakan tensorflow
14. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE)
- Dasar arsitektur
Autoencoder
(AE) diciptakan
- Permasalahan
dimensi dan
dimensionality
reduction dengan
PCA
- Arsitektur
Autoencod
er
- Kasus-kasus yang
dapat diselesaikan
dengan
Autoencoder (AE)
- Mengimplementasik
an AE menggunakan
tensorflow
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa
mampu
menjelaskan dan
memahami
motivasi awal
arsitektur
Autoencoder (AE)
diciptakan
- Mahasiswa mampu
menjelaskan dan
mengetahui
permasalahan
dimensi dan
dimensionality
reduction dengan
PCA
- Mahasiswa mampu
menjelaskan dan
memahami
arsitektur
Autoencoder
- Mahasiswa
mampu
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
menjelaskan dan
mengetahui
kasus- kasus yang
dapat diselesaikan
dengan
Autoencoder (AE)
- Mahasiswa mampu menjelaskan cara mengimplementasikan AE menggunakan tensorflow
15. Mahasiswa mampu memahami dan mengetahui Accelerated Deep Learning
- Gpu dan CPU - Perbandingan
antara CPU dan GPU
- Bentuk: Kuliah
Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok
- Mahasiswa
mampu
menjelaskan dan
memahami GPU
sebagai pemroses
alternatif yang
lebih cepat
dibanding CPU
- Mahasiswa mampu menjelaskan cara mempraktikkan dan memperbandingkan secara langsung Deep Learning dengan menggunakan CPU
Presentasi, Latihan dan Tugas
10% [2],[4],[6],[7]
dan
GPU
16. UJIAN AKHIR SEMESTER SEMESTER
FORMAT RANCANGAN TUGAS 1
Nama Mata Kuliah : PENGANTAR ALGORITMAPengantar Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 2 Fakultas : Teknologi Industri
A. TUJUAN TUGAS : - Memahami implementasi Aljabar Linear dan Kalkulus Dasar pada bahasa Python. - Memahami implementasi library Numpy, Pandas, dan Matplotlib
B. URAIAN TUGAS : a. Obyek Garapan
- Implementasi Aljabar Linear (Matrix, Operasi Matrix, Transpose Matrix) - Implementasi library Python untuk Numpy, Pandas, dan Matplotlib
b. Metode atau Cara pengerjaan - Latihan di kelas :
Melakukan percobaan terkait pemanfaatan numpy, pandas dan maplotlib - Tugas :
Carilah beberapa referensi terkait pemanfaatan aljabar linear dan kalkulus dasar serta implementasi library python untuk numpy, pandas dan matplotlib
Rangkumlah referensi tersebut dapat menjelaskan aljabar linear (matrix, opearasi matrix, transpose matrix) serta contoh pemanfaatan pada Python dengan menggunakan jupyter
Kumpulkan hasil rangkuman tersebut pada pertemuan berikutnya c. Deskripsi Luaran tugas yang dihasilkan :
Makalah yang dicetak dengan format lembar judul, kata pengantar, daftar isi, isi dari tugas, dan daftar pustaka dengan font Times New Roman, ukuran 12
C. KRITERIA PENILAIAN (10 %) - Kelengkapan isi rangkuman - Kebenaran isi rangkuman
GRADING SCHEME COMPETENCE
KRITERIA 1: Kelengkapan isi rangkuman DIMENSI Sangat Memuaskan Memuaskan Bata
s Kurang
Memuaskan
Di bawah standard SKOR
Kelengkapan konsep Lengkap dan terpadu
Lengkap Masih kurang Hanya Tidak ada konsep 5
beberapa aspek yang
menunjukkan
belum terungkap sebagian konsep saja
KRITERIA 2 :Kebenaran isi rangkuman
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaska
n
Di bawah standard SKOR
Kebenaran konsep Diungkapkan dengan Diungkap dengan Sebagian besar Kurang dapat Tidak ada konsep yang
5
tepat, terdapat aspek tepat tetapi deskriptif konsep sudah mengungkapkan disajikan penting, analisis dan terungkap, namun aspek penting, membantu masih ada yang melebihi halaman, memahami konsep terlewatkan tidak ada proses merangkum hanya mencontoh
FORMAT RANCANGAN TUGAS 2
Nama Mata Kuliah : Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 4-5 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
Mampu mengerti dasar neural network dan pemanfaatan Tensorflow
B. URAIAN TUGAS :
a. Obyek Garapan Dasar Neural Network dan Pemanfaatan Tensorflow
b. Metode atau Cara pengerjaan - Latihan di kelas :
Menerapkan program sederhana Melakukan instalasi Tensorflow
- Tugas : Menerapkan fungsi-fungsi tensorflow.
c. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 10 %)
- Kelengkapan isi Laporan
FORMAT RANCANGAN TUGAS 3
Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 8,9 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
- Melakukan pembuatan program CNN untuk kasus image prosessing B. URAIAN TUGAS :
a. Obyek Garapan Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing
b. Metode atau Cara pengerjaan - Latihan di kelas :
Membuat tahapan implementasi program CNN Melakukan analisa terkait hasil program CNN dengan Keras dan Tensorflow
- Tugas : Membuat Laporan terkait langkah-langkah penerapan CNN beserta dengan analisanya.
c. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %) - Presentasi terkait implementasi CNN - Kesesuaian dengan tahapan implementasi - Output aplikasi
FORMAT RANCANGAN TUGAS 4
Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke 10 Fakultas : Teknologi Industri
A. TUJUAN TUGAS :
- Melakukan pembuatan program LTSM atau RNN B. URAIAN TUGAS :
d. Obyek Garapan Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing
e. Metode atau Cara pengerjaan - Latihan di kelas :
Membuat tahapan implementasi program LTSM atau RNN Melakukan analisa terkait hasil program LTSM atau RNN dengan Keras dan Tensorflow
- Tugas : Membuat Laporan terkait langkah-langkah penerapan LTSM atau RNN beserta dengan analisanya.
f. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi LTSM atau RNN - Kesesuaian dengan tahapan implementasi - Output aplikas
FORMAT RANCANGAN TUGAS 5
Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 12,13 Fakultas : Teknologi Industri
B. TUJUAN TUGAS :
- Melakukan pembuatan program RBM B. URAIAN TUGAS :
g. Obyek Garapan Penerapan RBM dengan menggunakan library keras atau tensorflow untuk kasus image processing
h. Metode atau Cara pengerjaan - Latihan di kelas :
Membuat tahapan implementasi program RBM Melakukan analisa terkait hasil program RBM dengan Keras dan Tensorflow
- Tugas : Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya.
i. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi RBM - Kesesuaian dengan tahapan implementasi - Output aplikas
FORMAT RANCANGAN TUGAS 6
Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke 14 Fakultas : Teknologi Industri
C. TUJUAN TUGAS :
- Melakukan pembuatan program Autoencoder B. URAIAN TUGAS :
j. Obyek Garapan Penerapan Autoencoder dengan menggunakan library keras atau tensorflow untuk kasus image processing
k. Metode atau Cara pengerjaan - Latihan di kelas :
Membuat tahapan implementasi program Autoencoder Melakukan analisa terkait hasil program Autoencoder dengan Keras dan Tensorflow
- Tugas : Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya.
l. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.
C. KRITERIA PENILAIAN ( 15 %)
- Presentasi terkait implementasi Autoencoder - Kesesuaian dengan tahapan implementasi - Output aplikasi
KRITERIA 1 : Tingkat kreatifitas
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Pemilihan Kasus Kasus yang dipilih Kasus yang dipilih Kasus yang dipilih Kasus mencontoh Kasus/Objek yang 2
dan variasi kompleks dan kompleks walau sederhana dari buku/orang lain dipilih secara asal program yang sangat jarang sering ditemui dibuat ditemui
KRITERIA 2 : Tingkat Ketepatan penulisan
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Ketepatan dan Tepat dan teliti Tepat dan teliti Tepat dan teliti Kurang tepat dan Tidak tepat dalam 2 ketelitian dalam dalam dalam menggunakan teliti dalam menggunakan penulisan menggunakan menggunakan sintaks dan tidak ada menggunakan sintaks sintaks program sintaks dan sintaks dan sedikit variasi jawaban sintaks
terdapat variasi variasi jawaban jawaban
KRITERIA 3 : Tingkat kesesuaian
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Kesesuaian tepat/sesuai tepat/sesuai tepat/sesuai dengan Kurang tepat/sesuai Tidak tepat/sesuai 2 output program dengan output yang dengan output yang output yang dengan output yang dengan output
diharapkan dan diharapkan dan diharapkan dan tidak diharapkan yang diharapkan terdapat variasi sedikit variasi ada variasi jawaban jawaban jawaban