| Jenis |
No |
Expectted Leaning Outcomes |
Course Learning Outcomes |
Session Learning Outcomes |
Kriteria Penilaian (Indikator) |
| Diskusi |
Laporan |
Praktikum |
Presentasi |
Proyek |
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 berbagai teknik dan metode pembelajaran mesin |
Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning |
2 |
|
|
|
|
|
|
|
|
|
Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik |
|
|
|
|
|
|
3 |
|
|
|
Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik |
|
|
|
|
|
8 |
4 |
|
|
|
Mahasiswa mampu memahami algoritma prediksi probabilistik |
|
|
|
|
|
|
4 |
|
|
|
Mahasiswa mampu memahami algoritma clustering |
1 |
|
|
|
|
5 |
|
|
|
2 |
Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
|
Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square |
|
|
|
|
|
|
2 |
|
|
|
Mahasiswa memahami metode pengukuran kualitas klaster |
|
|
|
|
|
3 |
|
|
|
|
Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix |
|
|
|
|
|
|
5 |
|
|
|
Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik |
|
|
|
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 memilih metode pembelajaran mesin yang tepat untuk menyelesaikan problem |
Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan |
|
|
1.5 |
3 |
10 |
|
|
|
|
2 |
Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi) |
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi |
|
|
0.5 |
|
|
|
|
|
|
|
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi |
|
|
|
|
|
|
1 |
|
|
|
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas |
|
|
|
|
|
|
1 |
|
|
|
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah clustering |
|
|
|
|
|
|
|
|
|
2 |
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model |
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model |
|
|
0.5 |
|
|
|
|
| KETRAMPILAN KHUSUS |
Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
| 4 |
Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
|
Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi |
|
|
1.5 |
|
|
|
|
|
|
|
Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik |
|
|
6 |
|
|
|
|
|
|
|
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik |
|
|
2 |
|
|
|
|
|
|
|
Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin |
|
0.4 |
|
|
2.5 |
|
|
|
|
|
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering |
|
|
2 |
|
|
|
|
|
|
4 |
Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin |
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi |
|
0.8 |
|
|
|
|
|
|
|
|
Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner |
|
0.8 |
|
|
|
|
|
|
|
|
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction |
|
|
|
|
10 |
|
|
|
|
|
Mahasiswa mampu mengevaluasi kinerja model |
|
1 |
|
2 |
7.5 |
4 |
|