PROFIL MATA KULIAH IDENTITAS MATA KULIAH RENCANA PEMBELAJARAN SEMESTER RPS Pertemuan

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