| Jenis |
No |
Expectted Leaning Outcomes |
Course Learning Outcomes |
Session Learning Outcomes |
Kriteria Penilaian (Indikator) |
| Praktikum |
Presentasi |
Proyek |
Tugas Individu |
Ujian Akhir Semester |
Ujian Tengah Semester |
| KETRAMPILAN KHUSUS |
Mampu memahami, menganalisis, menilai konsep dasar dan peran sistem informasi dalam mengelola data yaitu pemfilteran, agregasi dan pengorganisasian dalam analisis dan visualisasi data untuk memberikan rekomendasi pengambilan keputusan pada proses dan sistem organisasi. (CPL01 (KK.a))
| 1 |
Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan. |
Mampu memahami konsep dasar machine learning dan generative AI. |
|
|
|
|
|
3 |
|
Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g))
| 7 |
Mahasiswa mampu menjelaskan beberapa teknik pembelajaran mesin yang sering digunakan. |
Mampu memahami dan menerapkan konsep perceptron dalam model machine learning. |
|
|
|
|
|
2 |
|
|
|
Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning. |
2 |
|
|
5 |
|
3 |
|
|
7 |
Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi. |
Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning. |
2 |
|
|
|
|
3 |
|
|
|
Mampu memahami dan menerapkan konsep embeddings dalam model machine learning. |
2 |
|
|
5 |
|
3 |
|
|
|
Mampu mempresentasikan proyek machine learning dengan jelas dan efektif. |
|
5 |
4 |
|
3 |
|
|
|
7 |
Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin. |
Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning. |
2 |
|
|
|
|
3 |
|
|
|
Mampu memahami dan menerapkan konsep transformers dalam model machine learning. |
2 |
|
|
|
2 |
|
|
|
|
Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning. |
2 |
|
|
5 |
3 |
|
|
|
|
Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning. |
2 |
|
4 |
|
3 |
|
|
|
|
Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning. |
2 |
|
4 |
|
3 |
|
|
|
|
Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning. |
2 |
|
4 |
|
3 |
|
|
|
|
Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning. |
|
|
4 |
|
3 |
|
|
|
7 |
Mahasiswa mampu menjelaskan prinsip kerja Multi Layer Perceptron |
Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning. |
2 |
|
|
|
|
3 |
| Jenis |
Elo |
Kriteria Penilaian (Indikator) |
Total |
| Praktikum |
Presentasi |
Proyek |
Tugas Individu |
Ujian Akhir Semester |
Ujian Tengah Semester |
| KETRAMPILAN KHUSUS
|
Mampu memahami, menganalisis, menilai konsep dasar dan peran sistem informasi dalam mengelola data yaitu pemfilteran, agregasi dan pengorganisasian dalam analisis dan visualisasi data untuk memberikan rekomendasi pengambilan keputusan pada proses dan sistem organisasi. (CPL01 (KK.a)) |
|
|
|
|
|
3 |
3 |
|
Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g)) |
20 |
5 |
20 |
15 |
20 |
17 |
97 |
| Total |
20 |
5 |
20 |
15 |
20 |
20 |
100 |