RPS: Session, Learning Material, Reference, Assessment/Rubric Info Search Subject Subject Name : Matakuliah tidak ditemukan

RPS Detail

Matakuliah

Profile	History
Kode Matakuliah IKS6334 Nama Matakuliah Machine Learning sks 3.00	Semester Name Subject Code Subject Name Group Name Group Code Portofolio Genap 2023/2024 (R) IKS6334 Machine Learning SI-01 01 Portofolio

Review History

RPS Review History

No Review Review By Review Date 1 turunan dari CPMK : 1. Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan 2. Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin msih kurang sesuai. misalnya kalau evaluasi kinerja itu metode pengukuran kinerja klasifikasi adalah akurasi, presisi sedangkan kasus regresi itu MAE dan r square, dst Binti Solihah 2024-11-06 17:43:09 2 pemetaan komponen nilai sudah sesuai dan total 100 Binti Solihah 2024-11-06 17:44:30

Capaian Pembelajaran (CP) terkait

Capaian Pembelajaran (CP)

KETRAMPILAN KHUSUS 1 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)) Able to understand, analyze, and evaluate the basic concepts and role of information systems in managing data, including filtering, aggregation, and organization in data analysis and visualization, to provide decision-making recommendations in organizational processes and systems. (CPL01 (KK.a)) No Detail Course Learning Outcomes Action 1 Show/Hide Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan. Students understand the importance role of visualization in decision making process. (2,2) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mampu memahami konsep dasar machine learning dan generative AI. Mampu memahami konsep dasar machine learning dan generative AI. (2,2) 7 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g)) No Detail Course Learning Outcomes Action 1 Show/Hide Mahasiswa mampu menjelaskan beberapa teknik pembelajaran mesin yang sering digunakan. Students are able to explain mostly used machine learning techniques. (2,2) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mampu memahami dan menerapkan konsep perceptron dalam model machine learning. Mampu memahami dan menerapkan konsep perceptron dalam model machine learning. (2,2) 2 Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning. Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning. (2,2) 2 Show/Hide Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi. Students are able to apply machine learning technique from given problems. (3,3) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning. Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning. (3,3) 2 Mampu memahami dan menerapkan konsep embeddings dalam model machine learning. Mampu memahami dan menerapkan konsep embeddings dalam model machine learning. (3,3) 3 Mampu mempresentasikan proyek machine learning dengan jelas dan efektif. Mampu mempresentasikan proyek machine learning dengan jelas dan efektif. (4,4) 3 Show/Hide Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin. Students are able to give clear explanation of performance evaluation of machine learning technique. (3,3) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning. Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning. (3,3) 2 Mampu memahami dan menerapkan konsep transformers dalam model machine learning. Mampu memahami dan menerapkan konsep transformers dalam model machine learning. (3,3) 3 Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning. Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning. (3,3) 4 Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning. Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning. (3,3) 5 Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning. Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning. (3,3) 6 Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning. Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning. (3,3) 7 Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning. Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning. (3,3) 4 Show/Hide Mahasiswa mampu menjelaskan prinsip kerja Multi Layer Perceptron Students are able to explain Multi Layer Perceptron internal working principles. (3,3) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning. Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning. (3,2)

RPS per Session

Sesi Ke	KAD	Bahan Kajian	Metoda Pembelajaran	Waktu Belajar (Menit)	Pengalaman Belajar Mahasiswa	Referensi	Kriteria Penilaian (Indikator)
1		Administrasi perkuliahan. Capaian pembelajaran mata kuliah. Materi pendahuluan.	Diskusi	150.00	Diskusi. Tanya jawab.	Luis Serrano(2021) Rishal Hurbans(2020) Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.(2023) Andrew W. Trask(2019)	Ujian Tengah Semester - 2.00 %
	CAPAIAN PEMBELAJARAN: 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)) Able to understand, analyze, and evaluate the basic concepts and role of information systems in managing data, including filtering, aggregation, and organization in data analysis and visualization, to provide decision-making recommendations in organizational processes and systems. (CPL01 (KK.a))    CPMK: Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan.    Students understand the importance role of visualization in decision making process.       KAD: Mampu memahami konsep dasar machine learning dan generative AI.       Mampu memahami konsep dasar machine learning dan generative AI. (2,2) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya. Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya. Ujian Tengah Semester 2.00 %
2		Algoritma pembelajaran Perceptron.	Percobaan Diskusi	150.00	Diskusi. Tanya jawab. Mahasiswa membuat program sederhana algoritma Perceptron menggunakan numpy.		Ujian Tengah Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa mampu menjelaskan beberapa teknik pembelajaran mesin yang sering digunakan.    Students are able to explain mostly used machine learning techniques.       KAD: Mampu memahami dan menerapkan konsep perceptron dalam model machine learning.       Mampu memahami dan menerapkan konsep perceptron dalam model machine learning. (2,2) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model perceptron menggunakan Python untuk menyelesaikan tugas klasifikasi biner. Dapat mengimplementasikan model perceptron menggunakan Python untuk menyelesaikan tugas klasifikasi biner. Ujian Tengah Semester 2.00 % CAPAIAN PEMBELAJARAN: 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)) Able to understand, analyze, and evaluate the basic concepts and role of information systems in managing data, including filtering, aggregation, and organization in data analysis and visualization, to provide decision-making recommendations in organizational processes and systems. (CPL01 (KK.a))    CPMK: Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan.    Students understand the importance role of visualization in decision making process.       KAD: Mampu memahami konsep dasar machine learning dan generative AI.       Mampu memahami konsep dasar machine learning dan generative AI. (2,2) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya. Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya. Ujian Tengah Semester 1.00 %
3		Bias dan threshold. Fungsi aktivasi sigmoid. Stochastic gradient descent. Representasi data MNIST.	Percobaan Diskusi	150.00	Diskusi. Tanya jawab.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 % Tugas Individu - 5.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa mampu menjelaskan beberapa teknik pembelajaran mesin yang sering digunakan.    Students are able to explain mostly used machine learning techniques.       KAD: Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.       Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning. (2,2) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid pada kinerja model perceptron. Dapat mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid pada kinerja model perceptron. Praktikum 2.00 % Ujian Tengah Semester 3.00 % Tugas Individu 5.00 %
4		Multi Layer Perceptron.		150.00	Diskusi dan studi kasus.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa mampu menjelaskan prinsip kerja Multi Layer Perceptron    Students are able to explain Multi Layer Perceptron internal working principles.       KAD: Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.       Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model MLP menggunakan Python untuk menyelesaikan tugas klasifikasi multi-kelas. Dapat mengimplementasikan model MLP menggunakan Python untuk menyelesaikan tugas klasifikasi multi-kelas. Praktikum 2.00 % Ujian Tengah Semester 3.00 %
5		Recurrent Neural Network dan LSTM.		150.00	Diskusi studi kasus.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi.    Students are able to apply machine learning technique from given problems.       KAD: Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.       Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model RNN dan LSTM menggunakan Python untuk menyelesaikan tugas pemrosesan bahasa alami (NLP) seperti sentiment analysis dan machine translation. Dapat mengimplementasikan model RNN dan LSTM menggunakan Python untuk menyelesaikan tugas pemrosesan bahasa alami (NLP) seperti sentiment analysis dan machine translation. Praktikum 2.00 % Ujian Tengah Semester 3.00 %
6		Embeddings.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 % Tugas Individu - 5.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi.    Students are able to apply machine learning technique from given problems.       KAD: Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.       Mampu memahami dan menerapkan konsep embeddings dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan teknik embeddings dalam model NLP untuk meningkatkan kinerja model. Dapat mengimplementasikan teknik embeddings dalam model NLP untuk meningkatkan kinerja model. Praktikum 2.00 % Ujian Tengah Semester 3.00 % Tugas Individu 5.00 %
7		Encoder dan Decoder.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.       Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model encoder-decoder menggunakan Python untuk menyelesaikan tugas NLP. Dapat mengimplementasikan model encoder-decoder menggunakan Python untuk menyelesaikan tugas NLP. Praktikum 2.00 % Ujian Tengah Semester 3.00 %
8		Transformers.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Akhir Semester - 2.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan konsep transformers dalam model machine learning.       Mampu memahami dan menerapkan konsep transformers dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model transformers menggunakan Python untuk menyelesaikan tugas NLP seperti question answering dan text generation. Dapat mengimplementasikan model transformers menggunakan Python untuk menyelesaikan tugas NLP seperti question answering dan text generation. Praktikum 2.00 % Ujian Akhir Semester 2.00 %
9		Generative Adversarial Network.		150.00	Diskusi dan Tanya jawab.		Praktikum - 2.00 % Tugas Individu - 5.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.       Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan model GAN menggunakan Python untuk menyelesaikan tugas generative seperti image generation dan text generation. Dapat mengimplementasikan model GAN menggunakan Python untuk menyelesaikan tugas generative seperti image generation dan text generation. Praktikum 2.00 % Tugas Individu 5.00 % Ujian Akhir Semester 3.00 %
10		Large Language Model.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.       Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat memahami cara kerja LLM dalam menghasilkan teks yang koheren dan informatif. Dapat memahami cara kerja LLM dalam menghasilkan teks yang koheren dan informatif. Praktikum 2.00 % Proyek 4.00 % Ujian Akhir Semester 3.00 %
11		Fine Tuning dan Retrieval Augmented Generation.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.       Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengimplementasikan teknik fine tuning dan RAG dalam model NLP untuk menyelesaikan tugas seperti question answering dan text summarization. Dapat mengimplementasikan teknik fine tuning dan RAG dalam model NLP untuk menyelesaikan tugas seperti question answering dan text summarization. Praktikum 2.00 % Proyek 4.00 % Ujian Akhir Semester 3.00 %
12		Ollama dan LangChain.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.       Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat menggunakan Ollama dan LangChain untuk mengembangkan model NLP untuk berbagai tugas. Dapat menggunakan Ollama dan LangChain untuk mengembangkan model NLP untuk berbagai tugas. Praktikum 2.00 % Proyek 4.00 % Ujian Akhir Semester 3.00 %
13		Hugging Face.		150.00	Diskusi dan Hands-on.		Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.    Students are able to give clear explanation of performance evaluation of machine learning technique.       KAD: Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.       Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning. (3,3) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat mengembangkan model NLP baru menggunakan platform Hugging Face. Dapat mengembangkan model NLP baru menggunakan platform Hugging Face. Proyek 4.00 % Ujian Akhir Semester 3.00 %
14		Presentasi Proyek.		150.00	Presentasi dan Diskusi.		Presentasi - 5.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
	CAPAIAN PEMBELAJARAN: 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)) Possess the ability to perform classification, clustering, regression, anomaly detection, filtering, aggregation, association rule learning, summarization, both descriptively and predictively, to accurately understand data problems by understanding the concepts, methods, techniques, and stages of data mining and data visualization as knowledge. (CPL09 (KK.g))    CPMK: Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi.    Students are able to apply machine learning technique from given problems.       KAD: Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.       Mampu mempresentasikan proyek machine learning dengan jelas dan efektif. (4,4) Daftar Kriteria Penilaian (Indikator) PI Description PI Assessment Methods Dapat menunjukkan hasil dan temuan proyek machine learning secara efektif. Dapat menunjukkan hasil dan temuan proyek machine learning secara efektif. Presentasi 5.00 % Proyek 4.00 % Ujian Akhir Semester 3.00 %

Assessment Component

Assessment Detail

No	Component Name	Weightage
1	Praktikum	20
2	Presentasi	5.00
3	Proyek	20
4	Tugas Individu	15
5	Ujian Akhir Semester	20
6	Ujian Tengah Semester	20
Total		100

Daftar Referensi

1. 1. Luis Serrano. Grokking Machine Learning. Manning Publications. 2021
2. 2. Rishal Hurbans. Grokking Artificial Intelligence Algorithms. Manning Publications. 2020
3. 3. Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.. Dive into Deep Learning. Cambridge University Press. 2023
4. 4. Andrew W. Trask. Grokking Deep Learning. Manning Publications. 2019

Notice: Trying to get property of non-object in /var/www/html/sis/application/controllers/IndexController.php on line 978

Copyright©Universitas Trisakti