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