| Sesi Ke |
KAD |
Bahan Kajian |
Metoda Pembelajaran |
Waktu Belajar (Menit) |
Pengalaman Belajar Mahasiswa |
Referensi |
Kriteria Penilaian (Indikator) |
| 1 |
|
Neural Network Perceptron
- Model Neuron
- Fungsi Aktivasi
- Perceptron learning
- Gradient descent learning
|
|
150.00 |
Mahasiswa menulis perhitungan pembelajaran perceptron |
|
- Tugas - 2.50 %
- Ujian Tengah Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
Intellectual understanding and ability to apply mathematics and informatics theory (P.a)
|
CPMK: Mahasiswa mampu menjelaskan konsep neural network dan deep learning
Students are able to explain concept of neural networks and deep learning |
KAD: Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron
Students are able to explain the concept of perceptron neural networks (2,2) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menjelaskan konsep jaringan syaraf perceptron.
Able to explain the concept of perceptron neural networks. |
Tugas 2.50 %
Ujian Tengah Semester 5.00 %
|
|
|
|
|
|
| 2 |
|
Multilayer Perceptron (MLP)
- Metode Gradient Descent
- Backpropagation Learning |
|
150.00 |
Mahasiswa menulis perhitungan pembelajaran backpropagation |
|
- Tugas - 2.50 %
- Ujian Tengah Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
Intellectual understanding and ability to apply mathematics and informatics theory (P.a)
|
CPMK: Mahasiswa mampu menjelaskan konsep neural network dan deep learning
Students are able to explain concept of neural networks and deep learning |
KAD: Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron.
Students are able to explain the concept of multilayer perceptron neural networks. (2,2) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menjelaskan konsep jaringan syaraf multi layer.
Able to explain the concept of multilayer neural networks. |
Tugas 2.50 %
Ujian Tengah Semester 5.00 %
|
|
|
|
|
|
| 3 |
|
Studi Kasus: Regresi dengan output kontinu menggunakan MLP
Evaluasi kinerja: RMSE dan R-kuadrat |
|
150.00 |
Menerapkan model MLP untuk permasalahan prediksi dengan output bilangan kontinu menggunakan pustaka sckit-learn |
|
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi.
Students are able to apply the Multilayer Perceptron model to prediction problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi.
Able to apply the Multilayer Perceptron model to prediction problems. |
Tugas 2.50 %
|
|
|
|
|
|
| 4 |
|
Studi kasus: Klasifikasi biner menggungakan MLP
Evaluasi kinerja: akurasi, confusion Matriks |
|
150.00 |
Menerapkan model MLP untuk permasalahan klasifikasi biner menggunakan pustaka sckit-learn |
|
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas.
Students are able to apply the Multilayer Perceptron model to two-class classification problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas.
able to apply the Multilayer Perceptron model to two-class classification. |
Tugas 2.50 %
|
|
|
|
|
|
| 5 |
|
Studi Kasus: Klasifikasi multi kelas memnggunakan MLP
Fungsi Aktivasi: Softmax
|
|
150.00 |
Menerapkan model MLP untuk permasalahan klasifikasi Multi kelas menggunakan pustaka sckit-learn |
|
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas.
Students are able to apply the Multilayer Perceptron model to multi-class classification problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas.
Able to apply the Multilayer Perceptron model to multi-class classification problems. |
Tugas 2.50 %
|
|
|
|
|
|
| 6 |
|
Evaluasi Model
- Prosedur: train, test dan validation dataset; cross-validation
- Metriks: Precision, Recall, F-1 score
Learning Curve: overvit,underfit dan goodfit model |
|
150.00 |
Memahami prosedur dan metriks evaluasi model |
|
- Ujian Tengah Semester - 10.00 %
|
|
CAPAIAN PEMBELAJARAN: 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)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
|
CPMK: Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning.
Students are able to evaluate the performance of various neural network and deep learning models. |
KAD: Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi.
Students understand and apply performance evaluation for classification. (2,2) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Memahami dan menerapkan evaluasi kinerja untuk klasifikasi.
Understand and apply performance evaluation for classification. |
Ujian Tengah Semester 5.00 %
|
|
|
|
|
CAPAIAN PEMBELAJARAN: Kemampuan mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi yang memenuhi kebutuhan-kebutuhan komputasi pada sebuah disiplin program (KU.b)
Ability to design, implement and evaluate computation-based solutions that meet the computational requirements of a program discipline (KU.b)
|
CPMK: Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning.
Students are able to evaluate the performance of various neural network and deep learning models. |
KAD: Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi.
Students understand and apply performance evaluation for predictions, (5,5) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Memahami dan menerapkan evaluasi kinerja untuk prediksi.
Understand and apply performance evaluation for predictions. |
Ujian Tengah Semester 5.00 %
|
|
|
|
|
|
| 7 |
|
Tuning parameter:
- Optimasi: Momentum, SGD, Adam, RMSprop
- Dropout |
|
150.00 |
Mahasiswa memahami optimasi dan tuning parameter |
|
- Ujian Tengah Semester - 10.00 %
|
|
CAPAIAN PEMBELAJARAN: 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)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
|
CPMK: Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning.
Students are able to evaluate the performance of various neural network and deep learning models. |
KAD: Mahasiswa memahami dan menerapkan hyperparamter tuning.
Students understand and apply hyperparameter tuning. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Memahami dan menerapkan hyperparamter tuning.
Understand and apply hyperparameter tuning |
Ujian Tengah Semester 10.00 %
|
|
|
|
|
|
| 8 |
|
Tesorflow dan Keras
Studi kasus: Pengenalan citra digit tulis tangan(MNIST) menggunakan MLP |
|
150.00 |
Menerapkan model Multilayer Perceptron untuk kasus pengenalan citra digit tulis tangan(MNIST) menggunakan pustaka Tensorflow & keras |
|
- Tugas - 5.00 %
- Ujian Akhir Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra.
Students are able to apply the Multilayer Perceptron model to classification problems with image input. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra.
able to apply the Multilayer Perceptron model to classification problems with image input. |
Tugas 5.00 %
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|
| 9 |
|
Deeplearning vs Machine Learning
Convolution Neural Network(CNN)
Studi kasus: Pengenalan citra digit tulis tangan(MNIST) menggunakan CNN |
|
150.00 |
Menerapkan model CNN untuk kasus pengenalan citra digit tulis tangan(MNIST) menggunakan pustaka Tensorflow & keras |
|
- Tugas - 5.00 %
- Ujian Akhir Semester - 15.00 %
|
|
CAPAIAN PEMBELAJARAN: Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
Intellectual understanding and ability to apply mathematics and informatics theory (P.a)
|
CPMK: Mahasiswa mampu menjelaskan konsep neural network dan deep learning
Students are able to explain concept of neural networks and deep learning |
KAD: Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
Students are able to explain the concept of Convolutional Neural Network(CNN) (2,2) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menjelaskan konsep Convolutional Neural Network(CNN).
Able to explain the concept of Convolutional Neural Network(CNN). |
Ujian Akhir Semester 10.00 %
|
|
|
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra.
Students are able to apply the CNN deep learning model to classification problems with input in the form of images. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra.
Able to apply the CNN deep learning model to classification problems with input in the form of images. |
Tugas 5.00 %
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|
| 10 |
|
Model Deeplearning untuk deteksi objek
Studi kasus: Deteksi objek menggunakan model deeplearning MTCNN |
|
150.00 |
Menerapkan model deeplearning MTCNN untuk kasus deteksi objek |
|
- Tugas - 5.00 %
- Ujian Akhir Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek.
Students are able to apply the CNN deep learning model to object detection problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek.
Able to apply the CNN deep learning model to object detection problems. |
Tugas 5.00 %
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|
| 11 |
|
Studi kasus:
Deteksi objek menggunakan pre-train CNN model |
|
150.00 |
Menerapkan pre-train CNN model untuk kasus deteksi objek |
|
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek.
Students are able to apply the CNN deep learning pre-train model to object detection problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek.
Able to apply the CNN deep learning pre-train model to object detection problems. |
Tugas 2.50 %
|
|
|
|
|
|
| 12 |
|
Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM) |
|
150.00 |
Memahami konsep RNN dan LSTM |
|
- Ujian Akhir Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Pemahaman intelektual dan kemampuan untuk menerapkan matematika dan teori informatika (P.a)
Intellectual understanding and ability to apply mathematics and informatics theory (P.a)
|
CPMK: Mahasiswa mampu menjelaskan konsep neural network dan deep learning
Students are able to explain concept of neural networks and deep learning |
KAD: Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN).
Students are able to explain the concept of Recurrent Neural Network(RNN). (2,2) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menjelaskan konsep Recurrent Neural Network(RNN).
Able to explain the concept of Recurrent Neural Network(RNN). |
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|
| 13 |
|
Studi kasus:
Prediksi data time series menggunakan RNN/LSTM |
|
150.00 |
Menerapkan RNN/LSTM untuk memprediksi data time series |
|
- Ujian Akhir Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen.
Students are able to apply the RNN model to sequence data prediction problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model RNN untuk permasalahan predeksi data sekuen.
Able to apply the RNN model to sequence data prediction problems. |
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|
| 14 |
|
Studi kasus:
Sentimen Analisis menggunakan RNN/LSTM |
|
150.00 |
Menerapkan RNN/LSTM untuk permasalahan Sentimen Analisis |
|
- Ujian Akhir Semester - 5.00 %
|
|
CAPAIAN PEMBELAJARAN: Mampu mengimplementasikan dan mengintegrasikan komponen-komponen komputasi pada bidang data science (KK.a)
Able to implement and integrate computational components in the field of data science (KK.a)
|
CPMK: Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Students are able to apply neural network and deep learning algorithms to solve problems in industry |
KAD: Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis.
Students are able to apply the RNN model to sentiment analysis problems. (3,3) |
|
| Daftar Kriteria Penilaian (Indikator) |
|---|
| PI Description | PI Assessment Methods |
|---|
Mampu menerapkan model RNN untuk permasalahan sentimen analisis.
Able to apply the RNN model to sentiment analysis problems. |
Ujian Akhir Semester 5.00 %
|
|
|
|
|
|