PROFIL MATA KULIAH IDENTITAS MATA KULIAH RENCANA PEMBELAJARAN SEMESTER RPS

1. PROFIL MATA KULIAH IDENTITAS MATA KULIAH

Nama Mata Kuliah : MACHINE LEARNING Pembelajaran Mesin Kode Mata Kuliah : PPKK72117 SKS : 2 Jenis : MK Piilihan Jam pelaksanaan : Tatap muka di kelas = 2 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 dimensionaityldalam pembelajaran mesin yang meliputi Klasifikasi dan Klustering. Mengajak mahasiswa memahami dan melakukan pengukuran unjuk kerja sistem, optimasi sistem dan mengatasi masalah over fitting. Beberapa AlgoritmaTeknikMetode 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 1

2. RENCANA PEMBELAJARAN SEMESTER RPS

Bentuk Pertemuan Kemampuan Akhir yang Diharapkan Bahan Kajian Materi Ajar Metode Kriteria Penilaian Bobot ke- Strategi Indikator Nilai Pembelajaran 1. Mampu mendefinisikan Mampu menentukan pembelajaran mesin Diskusi,  Definisi dan Aplikasi permasalahan yang bisa 1 2. Mampu menentukan kapan Pembelajaran Mesin Ceramah. diselesaikan dengan pembelajaran mesin bisa pembelajaran mesin digunakakan Teknik Dimensionality 1. Mampu Reduction : mengkomunikasikan 1. Mampu menjelaskan konsep dan  Principal Component Analysis konsep dari setiap perbedaan teknik-teknik untuk  Singular Value Ceramah, teknik dalam 2-4 Dimensionality Reduction Decomposition Diskusi,  dimensionality 2. Mampu memilih dan menerapkan Independent Component Demonstrasi reduction teknik yang sesuai untuk suatu Analysis 2. Mampu permasalahan  Factor Analysis  Linear Discriminant Analysis mengimplementasikan  Pembahasan Tugas 1 salah satu algoritma  Overview Unsupervised, Diskusi, Ketepatan dalam 1. Mampu membedakan jenis-jenis Ceramah mencocokkan contoh 5 Supervised, Semi- permasalahan pada pembelajaran permasalahan dengan supervised learning mesin teknik pembelajaran 1. Mampu mengidentifikasi Teknik Pembelajaran : Ceramah, 1. Ketepatan dalam 6-7 permasalahan clustering Unsupervised Diskusi, menjelaskan  2. Mampu mengkomunikasikan K-means clustering perbedaan teknik- perbedaan teknik-teknik  Hierarchical clustering teknik pada 2 Pembelajaran tanpa supervisi  Expectation Maximization Demonstrasi pembelajaran tanpa 3. Mampu menerapkan salah satu  Pembahasan Tugas 2 supervise algoritma dalam permasalahan 2. Kemampuan dalam pembelajaran mesin mengimplementasikan salah satu algoritma yang telah dipelajari Ceramah, 1. Ketepatan dalam Diskusi, mencocokkan Demonstrasi permasalahan dengan jenis pembelajaran 1. Mampu membedakan regresi atau klasifikasi permasalahan regresi dan klasifikasi Teknik Pembelajaran: 2. Ketepatan dalam 2. Mampu mengkomunikasikan Supervised menjelaskan 8-11 konsep dari tiap-tiap teknik pada  Regression perbedaan teknik- pembelajaran dengan supervise  Support Vector Machine teknik pada 3. Mampu menerapkan salah satu  Neural Network pembelajaran tanpa  Pembahasan Tugas 3 algoritma dalam permasalahan supervise pembelajaran mesin 3. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari 1. Mampu mengidentifikasi Pembelajaran: Ceramah, 1. Ketepatan dalam permasalahan reinforcement  Reinforcement Diskusi mengidentifikasi 12-13 learning Definisi Reinforcement permasalahan yang Learning cocok untuk 2. Mampu mengkomunikasikan  Markov Decision Process teknik-teknik dalam reinforcement reinforcement learning  Bellman Equations 2. Ketepatan dalam learning  Value Iteration and Policy 3 3. Mampu memodelkan Iteration menjelaskan teknik- permasalahan untuk diselesaikan  Q-Learning teknik dalam dengan reinforcement learning reinforcement learning 3. Ketepatan dalam memodelkan permasalahan untuk reinforcement learning  Teknik Dimensionality Responsi 14 Reduction  Teknik Unsupervised  Teknik Supervised  Teknik Reinforcement Ceramah, 1. Kejelasan dari Diskusi, permasalahan yang 1. Memahami contoh permasalahan dipilih serta teknik- pada pembelajaran mesin Presentasi teknik yang digunakan 2. Menentukan Teknik Pembelajaran 2. Kesesuaian pemilihan  Wawasan Studi Kasus oleh yang sesuai dengan permasalahan Pembelajaran Mesin mahasiswa dataset yang 15-28 3. Mengimplementasikan beberapa  Progres proyek digunakan serta algoritma yang dipelajari untuk pembelajaran mesin pengolahannya menyelesaikan permasalahan yang 3. Kesesuaian diberikan penggunaan source 4. Mampu menginterpretasikan hasil dan library penerapan algoritma 4. Kesesuaian pemilihan referensi 4

2. RANCANGAN INTERAKSI DOSEN–MAHASISWA