1
A. PROFIL MATA KULIAH IDENTITAS MATA KULIAH
Nama Mata Kuliah :
Inteligensi Buatan Kode Mata Kuliah
: KBKF63307
SKS :
3 Jenis
: MK Wajib
Jam pelaksanaan :
Tatap muka di kelas = 3 x 50 menit per minggu
Responsi = 1 x 50 menit per minggu
Semester Tingkat :
6 3 Pre-requisite
: -
Co-requisite :
- Bidang Kajian
: Artificial Intelligence, Fuzzy Logic, Expert System, Artificial Neural
Network
DESKRIPSI SINGKAT MATA KULIAH
Intelegensi Buatan adalah mesin yang mampu berpikir, mampu menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang dilakukan oleh manusia. Jadi, mata kuliah
Intelegensi Buatan ini menjelaskan mengenai konsep dan definisi dari intelegensi buatan, menjelaskan ilmu yang berkaitan dengan intelegensi buatan. Pada mata kuliah ini akan dibahas
konsep dari searching, sistem pakar, logika fuzzy, jaringan saraf tiruan dan algoritma genetika
DAFTAR PUSTAKA
1. Sutojo. T, dkk, Kecerdasan Buatan, Penerbit Andi, Jakarta, 2012
2. Budiharto. W, Suhartono. D, Artificial Intelligence Konsep dan Penerapannya, Andi, 2014
3. Suyanto, Artificial Intelligence : Searching - Reasoning - Planing - Learning Edisi Revisi Kedua,
Informatika, 2014 4.
Desiani. A, Arhami. M, Konsep Kecerdasan Buatan, Andi.
B. RENCANA PEMBELAJARAN SEMESTER RPS Pertemuan
ke- Kemampuan Akhir yang
Diharapkan Bahan Kajian Materi Ajar
Bentuk Metode
Strategi Pembelajaran
Kriteria Penilaian Indikator
Bobot Nilai
1
Dapat menyebutkan definisi, sejarah dan ilu ilmu yang
berkatitan dengan kecerdasan buatan
Dapat membedakan antara kecerdasan alami dan kecerdasan
buatan Dapat mengetahui kasus apa saja
yang bisa diselesaikan dengan menggunakan soft computing
SEKILAS TENTANG KECERDASAN BUATAN
Definisi kecerdasan buatan
Sejarah Kecerdasan buatan
Ilmu – ilmu yang berkaitan
dengan kecerdasan buatan
Kecerdasan alami vs kecerdasan buatan
Soft Computing
Ceramah Ketepatan dalam
mendefinisikan kecerdasan buatan
Ketepatan dalam membedakan kecerdasan
alami dan kecerdasan buatan
2
Dapat menyebut definisi dari masalah dan kecerdasan buatan
Dapat menerangkan yang mana masalah, ruang keadaan dan aturan
Dapat menggunakan teknik searching untuk menyelesaikan
masalah
GENERAL PROBLEM SOLVING
Definisi masalah dalam kecerdasan buatan
Masalah, ruang keadaan dan aturan
Pengenalan teknik Searching Blind Serach
dan Heuristic Search Ceramah
Problem- Based
Learning Ketepatan dalam
menentukan masalah yang ada di dalam
kecerdasan buatan
Ketepatan dalam memilih teknik yang akan
digunakan untuk menyelesaikan masalah
3
Dapat memahami teknik BFS Dapat memahami teknik DFS
Dapat menyelesaikan kasus dengan teknik BFS dan DFS
BLIND SEARCH
Breadth First Search BFS Depth First Search DFS
Ceramah Problem-
Based Learning
Ketepatan dalam melakukan pencarian
dengan teknik BFS Ketepatan dalam
melakukan pencarian dengan teknik DFS
2
Pertemuan ke-
Kemampuan Akhir yang Diharapkan
Bahan Kajian Materi Ajar Bentuk
Metode Strategi
Pembelajaran Kriteria Penilaian
Indikator Bobot
Nilai
4
Mahasiswa dapat memahami teknik Generate and Test
Mahasiswa dapat memahami teknik Hill Climbing Simple Hill
Climbing dan Stepest Ascend Hill Climbing
Mahasiswa dapat memahami teknik Best First Search
Mahasiswa dapat menyelesaikan kasus dengan teknik Generate and
Test, Hill Climbing dan Best First Search
HEURISTIC SEARCH
Generate and Test Hill Climbing Simple Hill
Climbing dan Stepest Ascend Hill Climbing
Best First Search Ceramah
Problem- Based
Learning Ketepatan dalam
melakukan pencarian dengan teknik Generate
and Test
Ketepatan dalam melakukan pencarian
dengan teknik Hill Climbing
Ketepatan dalam melakukan pencarian
dengan teknik Best First Search
5
Dapat memahami tentang definisi pengetahuan dalam kecerdasan
buatan Dapat merepresentasikan
pengetahuan dengan cara representasi logika, jaringan
semantik, frame, script dan aturan produksi
KNOWLEDGE REPRESENTATION
Definisi Pengetahuan Cara merepresentasikan
pengetahuan -
Representasi Logika -
Jaringan Semantik -
Frame -
Script -
Aturan Produksi Ceramah
Ketepatan dalam merepresentasikan
pengetahuan dengan menggunakan salah satu
cara representasi
3
Pertemuan ke-
Kemampuan Akhir yang Diharapkan
Bahan Kajian Materi Ajar Bentuk
Metode Strategi
Pembelajaran Kriteria Penilaian
Indikator Bobot
Nilai
6
Dapat memahami tentang definisi, ciri-ciri, konsep dasar sistem pakar
Dapat mengetahui bagaimana cara membuat sistem pakar dengan
teknik inferensi forward chaing dan backward chaining
SISTEM PAKAR 1
Definisi, manfaat, ciri-ciri, konsep dasar sistem pakar
Teknik Inferensi sistem pakar
Forward Chaining Backward Chaining
Ceramah Problem-
Based Learning
Ketepatan dalam memahami cara kerja
metode forward chaining dan backward chaining.
Ketepatan dalam menyelesaikan kasus
sistem pakar dengan metode forward chaining
dan backward chaining.
7
Dapat mengetahui bagaimana cara membuat sistem pakar dengan
teknik inferensi certainty factor dan teorema bayes
SISTEM PAKAR 2
Teknik Inferensi sistem pakar
Certainty Factor Teorema Bayes
Ceramah Problem-
Based Learning
Ketepatan dalam memahami cara kerja
metode certainty factor dan teorema bayes
Ketepatan dalam menyelesaikan kasus
sistem pakar dengan metode certainty factor
dan teorema bayes
8
Mampu menyelesaikan soal studi kasus yang berhubungan dengan
materi pra-UTS
QUIZ
Materi pra-UTS Tes
Ketepatan dalam menyelesaikan soal quiz
7.5
UJIAN TENGAH SEMESTER
30
4
Pertemuan ke-
Kemampuan Akhir yang Diharapkan
Bahan Kajian Materi Ajar Bentuk
Metode Strategi
Pembelajaran Kriteria Penilaian
Indikator Bobot
Nilai
10
Dapat memahami tentang definisi dan konsep dasar logika fuzzy
LOGIKA FUZZY 1
Definisi logika fuzzy Konsep dasar logika fuzzy
Ceramah Ketepatan dalam
memahami tentang definisi dan konsep dasar
tentang logika fuzzy
11
Dapat mengetahui bagaimana cara menyelesaikan logika fuzzy
dengan metode Tsukamoto, metode Mamdani dan metode
Sugeno
LOGIKA FUZZY 2
Teknik Inferensi logika fuzzy
- Metode Tsukamoto
- Metode Mamdani
- Metode Sugeno
Ceramah
Problem- Based
Learning Ketepatan dalam
menyelesaikan kasus logika fuzzy dengan
metode Tsukamoto, metode Mamdani dan
metode Sugeno
12
Dapat memahami tentang jaringan saraf tiruan
Dapat mengetahui bagaimana cara mambuat jaringan saraf tiruan
dengan model neuron dan model hebb
JARINGAN SARAF TIRUAN 1
Jaringan Saraf Tiruan Model Neuron McCulloch
and Pitts Model Hebb
Ceramah Problem-
Based Learning
Ketepatan dalam Menyelesaikan kasus JST
dengan model neuron dan model hebb
13
Dapat mengetahui bagaimana cara mambuat jaringan saraf tiruan
dengan perceptron dan backpropagation
JARINGAN SARAF TIRUAN 2
Perceptron Backpropagation
Ceramah Problem-
Based Learning
Ketepatan dalam Menyelesaikan kasus JST
dengan perceptron dan backpropagation
5
Pertemuan ke-
Kemampuan Akhir yang Diharapkan
Bahan Kajian Materi Ajar Bentuk
Metode Strategi
Pembelajaran Kriteria Penilaian
Indikator Bobot
Nilai
14
Dapat memahami tentang algoritma genetika dan
mengetahui masalah apa saja yang bisa diselesaikan dengan algoritma
genetika
Dapat mengetahui tentang gen, individu, populasi dan mutasi
ALGORITMA GENETIKA
Pengantar Algoritma Genetika
Gen dan Individu Populasi
Mutasi Ceramah
Problem- Based
Learning Ketepatan dalam
memahami konsep dari algoritma genetika
Ketepatan dalam membedakan gen,
individu, populasi dan mutasi
15
Mampu menyelesaikan soal studi kasus yang berhubungan dengan
materi pra-UAS
QUIZ
Materi pra-UAS Tes
Ketepatan dalam menyelesaikan soal quiz
7.5
UJIAN AKHIR SEMESTER
30
6
C. RANCANGAN INTERAKSI DOSEN –MAHASISWA