RENCANA PROGRAM KEGIATAN PEMBELAJARAN SEMESTER (RPKPS)

MATA KULIAH:

NEURAL NETWORKS (TIF55) Oleh: S U P A T M A N PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI UNIVESITAS MERCU BUANA YOGYAKARTA AGUSTUS 2012

PENDAHULUAN

1. Latar Belakang

Neural Networks (NN) merupakan mata kuliah wajib Program Stud Teknik Informatika yang diberikan bagi mahasiswa semester 5 Program Studi Teknik

Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta. Tujuan mata kuliah ini agar mahasiswa mampu dan trampil mengembangkan

konsep dasar neural networks dan algoritma pembelajaran neural network. Untuk mencapai tujuan yang diinginkan secara maksimal, pada setiap proses

pembelajaran memerlukan perencanaan, persiapan, dan pengendalian yang baik. Sehubungan dengan hal itu, diperlukan pengembangan kegiatan yang

disebut Rencana Program Kegiatan Pembelajaran Semester (RPKPS). Implementasi kegiatan tersebut diharapkan dapat menciptakan suasana akademik yang

kondusif sehingga muncul kegairahan dalam proses pembelajaran. Kegiatan ini diharapkan juga dapat meningkatkan motivasi, kreativitas, kesungguhan, dan

keteraturan dalam proses belajar mengajar serta meningkatkan keaktifan mahasiswa dalam mengikuti proses pembelajaran.

2. Deskripsi Mata Kuliah

Pengantar Neural Networks, Neural Net sederhana untuk klasifikasi pola, asosiasi pola, Neural Networks berbasis kompetisi, Adaptive Resonace Theory, Backpropagation Neural Networks, Jenis Neural Networks yang lain.

3. Kompetensi kuliah terdadap lulusan

Setelah menyelesaikan perkuliahan ini mahasiswa diharapkan memiliki kompetensi dalam memahami Neural Networks dan mampu mengembangkan mengembangkan algoritma pembelajaran Neural Networks serta mampu mengimplementasikan pada bidang teknik informatika.

B. PERENCANAAN PEMBELAJARAN

Nama Mata Kuliah : Neural Networks 1. 2. : TIF55 / 3 sks Kode/SKS 3. : 5 (Lima).

Semester

4. Status Mata Kuliah : Wajib 5. : Algoritma dan Pemrograman, algoritma dan pemrograman lanjut, Prasyarat

Struktur Data dan Basis Data 6. : Tujuan Pembelajaran

Proses pembelajaran pada mata kuliah Neural Networks berfokus pada student-centerd Learning yang akan memberi kompetensi-kompetensi khusus pada

mahasiswa. Setelah mengikuti kuliah Neural Networks, mahasiswa diharapkan mampu menjelaskan teori-teori Neural Networks dan aplikasi Neral Networks

yang terkait dengan keilmuan didunia teknologi informasi serta mampu secara trampil mengembangkan Neural Network dengan bahasa pemrograman,

sekaligus mengaplikannya di bidang teknik informatika .

Manfaat model pembelajaran ini adalah mahasiswa tidak hanya sekadar menguasai teori-teori dan aplikasi Neural Networks, tetapi mahasiswa dapat

menerapkan pengetahuan dan ketrampilan pemrograman Neural Networks ke dalam menyelesaikan tugas pada bidang kehidupan nyata, memiliki wawasan

luas, memanfaatkan teknologi informasi, berkreativitas, berinovasi, dan memiliki jiwa kepemimpinan. Selain itu, mahasiswa mendapat kesempatan untuk

lebih mengembangkan kemampuan berpikir kritis, berani mengemukakan pendapat sehingga timbul percaya diri dan terdorong melakukan

entrepreneurship/wirausaha di bidang keahliannya berbasis teknologi informasi. Mahasiswa diharapkan mampu mensinergikan bidang Neural Networks

dengan bidang-bidang lain, misalnya agroteknologi, teknik, ekonomi dan bisnis, psikologi, bahasa, komunikasi, , matematika, serta isu-isu aktual sehingga

Neural Networks dapat membantu dalam tugas transformasi informasi dan berdaya guna bagi masyarakat.

7. Outcome Pembelajaran

Untuk mencapai tujuan mata kuliah Neural Networks mahasiswa diharapkan mampu:

a. Pengetahuan dan pemahaman (knowledge) i. Memahami konsep dasar Neural Networks ii. Memahami

Neural Net sederhana untuk klasifikasi pola

iii. Memahami asosiasi pola iv. Memahami Adaptive Resonace Theory v. Memahami Backpropagation Neural Networks

vi. Memahami Jenis Neural Networks yang lain

b. Kemampuan/Ketrampilan (skill) i. Skill pengembangan algoritma cerdas ii. Skill bahasa pemrograman c. Sikap (attitude) i. Kreatifitas ii. Ulet

iii. Teliti

Jumlah dan Pembagiannya

Perkuliahan Neural Networks dalam satu semester direncanakan berlangsung 16 kali program kuliah yang terdiri dari 14 kali tatap muka, 1 kali ujian tengah

semester dan 1 kali ujian akhir semester. Setiap program tatap muka terdiri atas 150 menit kuliah. Pembagian waktu selengkapnya adalah sebagai berikut.

No Jenis Program Jumlah Program

Jumlah Waktu

Keterangan

1 Tatap muka: Ceramah, tanya jawab

14 kali 150 1.

memberikan teori-teori Neural Networks

2. memberi pengetahuan dan pembekalan kepada mahasiswa tentang teori-teori Neural Networks

3. memberi pengetahuan dan wawasan tentang

Neural Networks yang aktual dan berdaya guna bagi masyarakat.

4. memberi pengetahuan dan wawasan leadership (hidden curriculum), serta kewirausahaan (hidden curriculum).

2 Praktek - 150 -

1) Membahas hasil tugas

Neural Networks yang telah dilakukan mahasiswa 2) Teknis penyelesaian (problem solving).

4 Evaluasi 10-12 kali 10-20 menit x 4kali

3 Diskusi/Presentasi 10-12 kali 50 menit

5 Browsing Internet 1-7 kali -

Di luar jam kuliah

6 Kunjungan Ke instansi yang memanfaatkan

Neural Networks

1 kali -

Di luar jam kuliah yang dilakukan secara mandiri oleh kelompok mahasiswa

7 Ujian Tengah Semester 1 kali 120

Menjawab pertanyaan-pertanyaan

8 Ujian Akhir 1 kali 120

Menjawab pertanyaan-pertanyaan

9 Ujian Project Akhir 1 kali 100

Menyelesaikan kasus dengan komputer

Mengevaluasi tugas-tugas mahasiswa

Rencana Kegiatan Pembelajaran Mingguan dan Materi Pembelajaran

2. Tanya Jawab

3. Diskusi Porfolio Mahasiswa memahami konsep dasar Neural Networks

1,2,3,4,

4 dan

5 Mahasiswa memahami NN sederhana

Neural Net

sederhana untuk klasifikasi pola a. Hebb Net

b. Perceptron

c. Adaline 300 Kelas dan Lab:

1. Menerangkan

3. Praktikum

1. Menerangkan

4. Diskusi Porfolio Mahasiswa mampu mendesain NN sederhana

1,2,3,4,

6 dan

7 Mahasiswa memahami asosiasi pola

Asosiasi pola a. Training Algoritma untuk Asosiasi Pola b. Heteroassosiative

Memory Neural 300 Kelas :

1. Menerangkan

2. Tanya Jawab

3. Praktikum Portfolio Mahasiswa memahami asosiasi pola

1,2,3,4,

2. Tanya Jawab

e. McCulloch Pitts Neural Networks 300 Kelas:

Mgg ke- Kompetensi Topik/Pokok

e. Literatur Wajib dan acuan 150 Kelas:

Bahasan Sub Pokok Bahasan

Waktu (menit)

Metode Pembelajaran

Metode Evaluasi

Indikator Sumber Pustaka

1 Mahasiswa mengetahui materi dan tatacara perkuliahan

Pengantar Perkuliahan

Neural Networks

a. Perkenalan

b. Aturan main perkuliahan c. Fungsi dan tugas dosen dan mahasiswa d. Bahan kuliah

1. Menerangkan

d. Desain Neural Networks

2. Tanya Jawab

3. Diskusi Tanya Jawab

Mahasiswa memahami tatacara perkuliahan Neural Networks

1,2,3,4,

2 dan

3 Mahasiswa mengetahui konsep dasar Neural Networks

konsep dasar Neural Networks

a. Artificial Neural Networks

b. Biological Neural Networks

c. Area Neural Networks

5 Network

c. Autoassosiative Net

15 Mahasiswa memahami jenis NN yang lain

14 Memahami NN Backpropaga tion

Backpropaga tion Neural Networks

a. Standar Backpropagation

b. Variations

c. Theoretical Result 300 Kelas dan Lab:

1. Menerangkan

2. Tanya Jawab

3. Praktikum

4. Diskusi Portfolio Mahasiswa mampu mendesain NN Backpropagation

1,2,3,4,

Jenis Neural

Networks

yang lain

d. Fixed Weight Nets for Constrained Optimization

e. A Few More Nets than Learn

f. Adaptive Arsitechtures

g. Neocognitron 150 Kelas dan Lab:

1. Menerangkan

2. Tanya Jawab

3. Praktikum

4. Diskusi Porfolio Mahasiswa memahami adaptive Arsitechtures

13 dan

1,2,3,4,

d. Iteractive Autoassosiative Net

1. Menerangkan

e. Bidirectional Assosiative Memory

4. Diskusi

8 UTS Porfolio dan Presentasi

9 dan

10 Mahasiswa memahami dan mampu mendesain NN berbasis kompetisi

Neural Networks

berbasis kompetisi a. Fixed-Weight

Competitive Nets

b. Kohinen SOM

c. LVQ

d. Counter Propagation 300 Kelas dan Lab:

2. Tanya Jawab

4. Diskusi Portfolio Mahasiswa mampu mendesain ART

3. Praktikum

4. Diskusi Portfolio Mahasiswa mampu mendesain NN berbasis kompetisi

1,2,3,4,

11 dan

12 Mahasiswa memahami Adaptive Resonace Theory

Adaptive Resonace Theory

a. ART 1

b. ART 2 300 Kelas dan Lab:

1. Menerangkan

2. Tanya Jawab

3. Praktikum

16 UTS

Metode Pembelajaran yang dikembangkan

Model pengembangan proses pembelajaran mata kuliah Neural Networks tidak hanya sekedar kuliah dan tugas mandiri praktek, tetapi pengembangannya berupa diskusi, presentasi mahasiswa, browsing artikel di internet, dan pemilihan teks-teks actual terkait dengan masalah nyata. Pelaksanaannya sebagai berikut:

1) Dosen menyiapkan bahan kuliah, serta menyiapkan bahan praktikum mandiri Neural Networks yang sesuai dan dapat implementasikan pada bidang-bidang actual. 2) Mahasiswa diharapkan: a) mampu memahami Neural Networks sebagai sains terhadap beberapa jenis kegiatan yang terkait dengan tranformasi informasi.

b) mampu menganalisa dan membuat ide serta gagasan ke dalam bahasa tulisan maupun presentasi.

c) mampu memanfaatkan teknologi informasi sebagai media transformasi informasi kepada masyarakat.

d) mampu berkreativitas

e) mampu berinovasi f) mampu bekerja sama dalam kelompon dan mampu memimpin kelompok.

g) memberikan pendapat saling memberikan masukan secara aktif sesuai dengan pokok bahasan sehingga diskusi lancar.

h) mempunyai kepercayaan diri dalam berpresentasi. i) mampu menciptakan ide mata kuliah “Neural Networks” dapat digunakan sebagai sains untuk mengembangkan gagasan baru sehingga tumbuh jiwa profesionalisme didunia teknologi informasi.

Media

Media yang digunakan dalam proses pembelajaran berupa komputer, papan tulis/white board, dan LCD Proyektor, referensi online, manual books software scilab, browsing internet. Tugas kelompok dan mandiri bersifat wajib sesuai topic bahasan. kasus, mahasiswa diharapkan mampu berinovasi dan bermotivasi akan pentingnya Neural Networks sebagai hidden sains pada dunia kerja dan atau transformasi informasi di masyarakat.

10. Penilaian

Aspek penilaian yang digunakan pada proses pembelajaran ini adalah:

Aspek Penilaian Unsur penilian Skor Maks Presentasi

Pemahaman dan Ketrampilan Tugas:teori,praktek,ujian mid, ujian akhir 500 50% Aktivitas Aktivitas didalam kelas, diskusi, praktek

200 20%

Leadership Kedisplinan, kemampuan mengemukaan pendapat, partisipasi dikelas 150 15% Attitude Sikap/Sopan santun

150 15% Skor Total

1000 100% Evaluasi dilakukan pada hasil pengumpulan poin oleh masing-masing mahasiswa dan hasil akhir ditentukan sebagai berikut:

Nilai A untuk mahasiswa yang mencapai jumlah 800-1000

Nilai B untuk 700-799 - Nilai C untuk 600-699 - Nilai D untuk 500-599 - - Nilai E untuk kurang dari 500 dan dianggap Tidak Lengkap/Tidak Lulus.

Apabila minmal 75% mahasiswa memperoleh nilai A dan B pada semua komponen evaluasi, maka dapat dikatakan proses pembelajaran dan hasil pembelajaran berhasil.

11. Bahan, Sumber Informasi, dan Referensi 1). Fausett, Laurene, 1995, Fundamental of Neural Networks, Prentice Hall, Englewood.

MTBooks, IDG Books Worldwide, Inc.

2). Rao, Valluru B., 1995, C++ Neural Networks and Fuzzy Logic , 3). Ham, Fredric M., 2001, Principles of Neurocomputing for Science & Engineering, Mc Graw-Hill. Inc.

4). Widodo, Thomas S., 2005, Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali., Graha Ilmu, Yogyakarta. 5). Kusumadewi, Sri., 2004, Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel link, Graha Ilmu, Yogyakarta.

&&& e-Calista 2012 &&&

RENCANA PROGRAM KEGIATAN PEMBELAJARAN SEMESTER (RPKPS)