| Jenis |
No |
Expectted Leaning Outcomes |
Course Learning Outcomes |
Session Learning Outcomes |
Kriteria Penilaian (Indikator) |
| Tugas |
Ujian Akhir Semester |
Ujian Tengah Semester |
| PENGETAHUAN |
Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
| 1 |
Mahasiswa mampu menjelaskan konsep neural network dan deep learning |
Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron
|
2.5 |
|
5 |
|
|
|
Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron.
|
2.5 |
|
5 |
|
|
|
Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
|
|
10 |
|
|
|
|
Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN). |
|
5 |
|
| KETRAMPILAN UMUM |
Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
| 1 |
Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning. |
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi. |
|
|
|
|
|
|
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi. |
|
|
5 |
|
|
|
Mahasiswa memahami dan menerapkan hyperparamter tuning. |
|
|
10 |
|
Kemampuan mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi yang memenuhi kebutuhan-kebutuhan komputasi pada sebuah disiplin program (KU.b)
| 2 |
Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning.
|
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi.
|
|
|
5 |
| KETRAMPILAN KHUSUS |
Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
| 1 |
Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi.
|
2.5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra. |
5 |
5 |
|
|
|
|
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek. |
5 |
5 |
|
|
|
|
Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen. |
|
5 |
|
|
|
|
Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis. |
|
5 |
|
|
|
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas. |
2.5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra. |
5 |
5 |
|
|
|
|
Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek. |
2.5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas. |
2.5 |
|
|
|
Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
| 2 |
|
|
|
Mampu mengimplementasikan visualisasi data pada bidang data science (KK.c)
| |
|
| Jenis |
Elo |
Kriteria Penilaian (Indikator) |
Total |
| Tugas |
Ujian Akhir Semester |
Ujian Tengah Semester |
| PENGETAHUAN
|
Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
|
5 |
15 |
10 |
30 |
| KETRAMPILAN UMUM
|
Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
|
|
|
15 |
15 |
|
Kemampuan mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi yang memenuhi kebutuhan-kebutuhan komputasi pada sebuah disiplin program (KU.b)
|
|
|
5 |
5 |
| KETRAMPILAN KHUSUS
|
Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
|
25 |
25 |
|
50 |
|
Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
|
|
|
|
0 |
|
Mampu mengimplementasikan visualisasi data pada bidang data science (KK.c)
|
|
|
|
0 |
| Total |
30 |
40 |
30 |
100 |