| Jenis |
No |
Expectted Leaning Outcomes |
Course Learning Outcomes |
Session Learning Outcomes |
Kriteria Penilaian (Indikator) |
| Tugas |
Ujian Akhir Semester |
Ujian Tengah Semester |
| PENGETAHUAN |
Mahasiswa mampu menjelaskan konsep teoritis bidang pengetahuan
Ilmu Komputer/Informatika dalam mendesain dan mensimulasikan
aplikasi teknologi multi-platform yang relevan dengan kebutuhan
industri dan masyarakat. (P.b)
| 2 |
Mahasiswa mampu menjelaskan konsep neural network dan deep learning |
Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron |
2.5 |
|
4.5 |
|
|
|
Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron |
2.5 |
|
4.5 |
|
|
|
Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN) |
|
12.5 |
|
|
|
|
Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN) |
|
12.5 |
|
| KETRAMPILAN UMUM |
Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
| 2 |
Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning |
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi |
|
|
3 |
|
|
|
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi |
|
|
5 |
|
|
|
Mahasiswa memahami dan menerapkan hyperparamter tuning |
|
|
8 |
| KETRAMPILAN KHUSUS |
Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
| 4 |
Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri |
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi |
5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra |
5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek |
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 |
5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra |
5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek |
5 |
|
|
|
|
|
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas |
5 |
|
|