Student Information System
RPS: Session, Learning Material, Reference, Assessment/Rubric
Info
Search Subject
Subject Name :
Landscape
Kode Matakuliah
Nama Matakuliah
sks
Creator
Reviewer
Action
Kurikulum Informatika 2023/2024
IKS6334
Machine Learning
3.00
2641 Binti Solihah, S.T., M.Kom.
2435 Abdul Rochman, M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
IKS6334
Machine Learning
3.00
2554 Anung Barlianto Ariwibowo, M.Kom.
2641 Binti Solihah, S.T., M.Kom.
RPS
|
Assessment Map
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
Gasal 2023/2024 (R)
IKS6334
Machine Learning
TIF-01
01
Portofolio
Gasal 2023/2024 (R)
IKS6334
Machine Learning
TIF-02
02
Portofolio
Review History
RPS Review History
No
Review
Review By
Review Date
1
Abdul Rochman
2024-08-08 08:49:41
2
Refenesi di tambahkan
Abdul Rochman
2024-08-08 08:51:28
3
Untuk kelas Case Base Learning sebaiknya komponen kognitif diturunkan menjadi 25 - 30%
Agung Sediyono
2024-10-14 22:49:09
Capaian Pembelajaran (CP) terkait
Capaian Pembelajaran (CP)
PENGETAHUAN
2
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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
(1,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning
Students are able to differentiate various machine learning methods: Supervised, Unsupervised, Semisupervised, and Reinforcement Learning.
(2,2)
2
Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
Students understand regression algorithms to solve prediction and estimation problems with numerical targets
(2,3)
3
Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Students understand regression algorithms to solve prediction and estimation problems with numerical target
(2,3)
4
Mahasiswa mampu memahami algoritma prediksi probabilistik
Students are able to understand the probabilistic prediction algorithm
(2,3)
5
Mahasiswa mampu memahami algoritma clustering
Students are able to understand the clustering algorithm
(2,2)
2
Show/Hide
Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students understand methods to assess the machine learning model performance.
(2,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
Students understand methods for measuring the performance of regression algorithms with MSE and R square and adjusted r-sruare
(2,3)
2
Mahasiswa memahami metode pengukuran kualitas klaster
Students understand methods for measuring the performance of clustering model
(2,3)
3
Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
Students understand the method for measuring the performance of the classifier
(2,3)
4
Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik
Students are able to understand the method for measuring the performance of the probabilistic prediction model
(2,3)
KETRAMPILAN UMUM
2
Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu memilih metode pembelajaran mesin yang tepat untuk menyelesaikan problem
Students can choose the appropriate machine learning methods to solve real-world problem
(3,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
Students can choose the appropriate machine learning methods to solve real-world problem (3,2)
(3,3)
2
Show/Hide
Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi)
Students can categorize a real-world problem into an analytic problem (regression, estimation, classification, clustering, and association)
(2,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi
Students are able to categorize real-world problem as regression problem
(4,3)
2
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
Students are able to categorize the real-world problem as the classification problem
(4,3)
3
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
Students are able to categorize the real world problem as the probability prediction
(4,3)
4
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah clustering
Students are able to categorize the real world problem as the clustering problem
(4,3)
3
Show/Hide
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
STudent are able to choose the appropriate method to assess model's performance
(3,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
STudent are able to choose the appropriate method to assess model's performance (3,3)
(3,3)
KETRAMPILAN KHUSUS
4
Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
(3,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi
Students are able to implement linear regression to solve the prediction and estimation problem
(3,3)
2
Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
Students are able to implement classification algorithms to solve categorical prediction problems
(3,3)
3
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik
Students are able to implement algorithms to solve the probability prediction problem
(3,3)
4
Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
tuning parameter can be implemented to optimize model
(3,3)
5
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering
Students are able to implement algorithms to solve the clustering problem
(3,3)
2
Show/Hide
Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
(3,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi
Students are able to implement metrics to assess the quality of the regression model
(3,3)
2
Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner
Students are able to implement metrics to assess the quality of binary classification problem
(3,3)
3
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction
Students are able to implement metrices to access the quality of probability prediction
(3,3)
4
Mahasiswa mampu mengevaluasi kinerja model
Students are able to verify and validate the machine-learning model
(5,3)
RPS per Session
Sesi Ke
KAD
Bahan Kajian
Metoda Pembelajaran
Waktu Belajar (Menit)
Pengalaman Belajar Mahasiswa
Referensi
Kriteria Penilaian (Indikator)
1
Pendahuluan
Definisi dan Kategorisasi
Perkembangan Keilmuan
Keilmuan Terkait
Penerapan
Tutorial
Diskusi
270.00
Mahasiswa mendapatkan pengetahuan terkait Pembelajaran Mesin dan penerapannya di industri dan bisnis
Diskusi - 2.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning
Students are able to differentiate various machine learning methods: Supervised, Unsupervised, Semisupervised, and Reinforcement Learning.
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Pertisipasi aktif dalam diskusi
participating in the discussion
Diskusi 2.00 %
2
Studi Kasus Regresi
Regresi Linier
Pengukuran kinerja dengan MSE dan R2
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa memahami persoalan yang dapat diselesaikan dengan metode regresi linier dan dapat menerapkan algoritma regresi linier untuk mengembangkan model regresi serta melakukan pengukuran kinerja model yang dihasilkan
Praktikum - 2.00 %
Ujian Tengah Semester - 3.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
Students understand regression algorithms to solve prediction and estimation problems with numerical targets
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menjelaskan algoritma regresi
correctness to explain the regression algorithm
Ujian Tengah Semester 3.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi
Students are able to implement linear regression to solve the prediction and estimation problem
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menerapkan algoritma
Correctness to apply algorithm
Praktikum 1.50 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
CPMK
: Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi)
Students can categorize a real-world problem into an analytic problem (regression, estimation, classification, clustering, and association)
KAD
: Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi
Students are able to categorize real-world problem as regression problem
(4,4)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
kategorisasi problem dapat dilakukan dengan tepat
problem categorization is done correctly
Praktikum 0.50 %
3
Studi Kasus Regresi
Algoritma Multiple Regression
Refining model
Evaluasi Model
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan Multiple Regression untuk memperbaiki model prediksi
Laporan - 1.00 %
Ujian Tengah Semester - 2.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students understand methods to assess the machine learning model performance.
KAD
: Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
Students understand methods for measuring the performance of regression algorithms with MSE and R square and adjusted r-sruare
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
metode pengukuran kinerja model regresi dapat dijelaskan
The performance matrix of the regression model can be explained.
Ujian Tengah Semester 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi
Students are able to implement metrics to assess the quality of the regression model
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
teknik pengukuran kinerja dapat diterapkan dengan tepat
performance matrix can be implemented correctly
Laporan 0.80 %
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
tuning parameter can be implemented to optimize model
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
tuning parameter dapat diterapkan
parameter tunning can be implemented
Laporan 0.20 %
4
Studi Kasus Klasifikasi Biner
Logistik Regression
Confusion Matrix
Penyelesaian kasus dan pengukuran kinerja
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan Algoritma Klasifikasi Biner untuk prediksi kategori biner
Ujian Tengah Semester - 5.00 %
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
Students are able to implement classification algorithms to solve categorical prediction problems
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan dalam menerapkan metode
correctness in applying the method
Praktikum 2.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Students understand regression algorithms to solve prediction and estimation problems with numerical target
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
algoritma klasifikasi dapat dijelaskan dengan tepat
classification algorithm can be explained correctly
Ujian Tengah Semester 4.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
CPMK
: Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi)
Students can categorize a real-world problem into an analytic problem (regression, estimation, classification, clustering, and association)
KAD
: Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
Students are able to categorize the real-world problem as the classification problem
(4,4)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
kategorisasi problem dapat dilakukan
problem can be categorize correctly
Ujian Tengah Semester 1.00 %
5
Kasus Klasifikasi Biner
Algoritma Decision Tree
Pengukuran Kinerja model dengan Precision, Recall, F1 score, Akurasi
Optimasi model dengan GridSearch
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengamalaman membangun, mengevaluasi, dan mengoptimasi model prediksi
Laporan - 1.00 %
Ujian Tengah Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students understand methods to assess the machine learning model performance.
KAD
: Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
Students understand the method for measuring the performance of the classifier
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
metode pengukuran kinerja algoritma klasifikasi dapat dijelaskan
performance matrix for classification can be explained
Ujian Tengah Semester 5.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner
Students are able to implement metrics to assess the quality of binary classification problem
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menerapkan metode pengukuran kinerja
correctness in applying the method to evaluate model
Laporan 0.80 %
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
tuning parameter can be implemented to optimize model
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
tuning parameter dapat diterapkan
parameter tunning can be implemented
Laporan 0.20 %
6
Studi Kasus Prediksi Probabilistik
Naive Bayes
Pengukuran kinerja prediksi multiclass
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengalaman membangun dan mengevaluasi model prediksi probablilistik
Ujian Tengah Semester - 5.00 %
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa mampu memahami algoritma prediksi probabilistik
Students are able to understand the probabilistic prediction algorithm
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Algoritma prediksi probabilistik dapat dijelaskan
probabilistic prediction algorithm can be explained
Ujian Tengah Semester 4.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik
Students are able to implement algorithms to solve the probability prediction problem
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menerapkan metode
correctness in applying a method
Praktikum 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
CPMK
: Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi)
Students can categorize a real-world problem into an analytic problem (regression, estimation, classification, clustering, and association)
KAD
: Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
Students are able to categorize the real world problem as the probability prediction
(4,4)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
kategorisasi problem dunia nyata kedalam probability prediction dapat dilakukan
categorization of real problem into probabilistic prediction is done correctly
Ujian Tengah Semester 1.00 %
7
Studi Kasus Probability Prediction
pengukuran kinerja
refining model
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengalaman membangun, mengevaluasi dan mengoptimasi model prediksi
Presentasi - 5.00 %
Proyek - 15.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students understand methods to assess the machine learning model performance.
KAD
: Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik
Students are able to understand the method for measuring the performance of the probabilistic prediction model
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menjelaskan metode
correctness in explaining the method
Presentasi 5.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction
Students are able to implement metrices to access the quality of probability prediction
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan menerapkan metode
correctness in applying a method
Proyek 10.00 %
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
tuning parameter can be implemented to optimize model
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
tuning parameter dapat diterapkan
parameter tunning can be implemented
Proyek 2.50 %
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu mengevaluasi kinerja model
Students are able to verify and validate the machine-learning model
(5,5)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan melakukan evaluasi kinerja model
correctness in applying evaluation to access model's performance
Proyek 2.50 %
8
studi kasus deteksi wajah dengan algoritma viola jones dan fitur haar like menerapkan algoritma SVM
Tutorial
Kolaborative
Percobaan
Pemecahan Masalah
270.00
Mahasiswa mendapatkan pengetahuan dan pengalaman menyelesaikan kasus deteksi wajah menggunakan algoritma viola jones menerapkan algoritma SVM
Ujian Akhir Semester - 5.00 %
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
Students are able to implement classification algorithms to solve categorical prediction problems
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan dalam menerapkan metode
correctness in applying the method
Praktikum 2.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Students understand regression algorithms to solve prediction and estimation problems with numerical target
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
algoritma klasifikasi dapat dijelaskan dengan tepat
classification algorithm can be explained correctly
Ujian Akhir Semester 5.00 %
9
studi kasus deteksi wajah dengan algoritma viola jones dan fitur haar like dengan algoritma ada boost
Tutorial
Kolaborative
Percobaan
Pemecahan Masalah
200.00
Mahasiswa mendapatkan pengetahuan dan pengelaman menyelesaikan permasalahan deteksi wajah dengan algoritma viola jones dan fitur haar like dengan algoritma ada boost
Laporan - 1.00 %
Ujian Akhir Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Students understand regression algorithms to solve prediction and estimation problems with numerical target
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
algoritma klasifikasi dapat dijelaskan dengan tepat
classification algorithm can be explained correctly
Ujian Akhir Semester 3.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu mengevaluasi kinerja model
Students are able to verify and validate the machine-learning model
(5,5)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan melakukan evaluasi kinerja model
correctness in applying evaluation to access model's performance
Laporan 1.00 %
Ujian Akhir Semester 2.00 %
10
studi kasus clustering
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
200.00
mahasiswa mendapatkan pengetahuan melakukan clustering
Diskusi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
Students can explain methods in machine learning.
KAD
: Mahasiswa mampu memahami algoritma clustering
Students are able to understand the clustering algorithm
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
metode dapat dijelaskan
method can be explained
Diskusi 1.00 %
Ujian Akhir Semester 5.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering
Students are able to implement algorithms to solve the clustering problem
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
metode clustering dapat diterapkan
clustering method can be implemented
Praktikum 2.00 %
11
studi kasus clustering
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
200.00
Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan algoritma clustering
Ujian Akhir Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: 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)
Students can explain the theoretical concepts of Computer Science/Informatics in designing and simulating multi-platform technology applications relevant to the needs of industry and society. (P.b)
CPMK
: Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students understand methods to assess the machine learning model performance.
KAD
: Mahasiswa memahami metode pengukuran kualitas klaster
Students understand methods for measuring the performance of clustering model
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
metode pengukuran kualitas cluster dapat dijelaskan
performance matrix to assess the cluster quality can be explained
Ujian Akhir Semester 3.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu mengevaluasi kinerja model
Students are able to verify and validate the machine-learning model
(5,5)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan melakukan evaluasi kinerja model
correctness in applying evaluation to access model's performance
Ujian Akhir Semester 2.00 %
12
analisis data time series
Tutorial
Percobaan
Diskusi
Pemecahan Masalah
200.00
Mahasiswa mendapatkan pengetahuan menyelesaikan persoalan time series analysis menggunakan algoritma ML yang sudah dipelajari
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
CPMK
: Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
STudent are able to choose the appropriate method to assess model's performance
KAD
: Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
STudent are able to choose the appropriate method to assess model's performance (3,3)
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
ketepatan memilih metode pengukuran yang tepat
correctness to choose performance metric
Praktikum 0.50 %
CPMK
: Mahasiswa mampu memilih metode pembelajaran mesin yang tepat untuk menyelesaikan problem
Students can choose the appropriate machine learning methods to solve real-world problem
KAD
: Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
Students can choose the appropriate machine learning methods to solve real-world problem (3,2)
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
ketepatan memilih metode
correctness in choosing a method
Praktikum 1.50 %
13
Studi kasus NLP (sentimen analisis) menggunakan ALgoritma ML
Tutorial
Percobaan
Pemecahan Masalah
200.00
Mahasiswa memiliki pengetahuan dan pengalaman menyelesaikan kasus sentimen analisis
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Students can implement a method of machine learning algorithm to solve the problem.
KAD
: Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
Students are able to implement classification algorithms to solve categorical prediction problems
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan dalam menerapkan metode
correctness in applying the method
Praktikum 2.00 %
14
Proyek sistem cerdas menggunakan metode ML
Percobaan
Pemecahan Masalah
200.00
Mahasiswa mendapatkah pengetahuan dan pengalaman menyelsaikan kasus intelligence system with ML method
Presentasi - 5.00 %
Proyek - 15.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
Students can think logically, critically, and systematically in utilizing the knowledge of informatics/computer science to solve real-world problems.(KU.b)
CPMK
: Mahasiswa mampu memilih metode pembelajaran mesin yang tepat untuk menyelesaikan problem
Students can choose the appropriate machine learning methods to solve real-world problem
KAD
: Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
Students can choose the appropriate machine learning methods to solve real-world problem (3,2)
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
ketepatan memilih metode
correctness in choosing a method
Presentasi 3.00 %
Proyek 10.00 %
CAPAIAN PEMBELAJARAN
: Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Students can solve industrial problems using intelligent system approaches with complex algorithms. (KK.d)
CPMK
: Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
Students are able to implement methods to assess the performance of the model
KAD
: Mahasiswa mampu mengevaluasi kinerja model
Students are able to verify and validate the machine-learning model
(5,5)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan melakukan evaluasi kinerja model
correctness in applying evaluation to access model's performance
Presentasi 2.00 %
Proyek 5.00 %
Assessment Component
Assessment Detail
No
Component Name
Weightage
1
Diskusi
3
2
Laporan
3
3
Praktikum
14
4
Presentasi
10
5
Proyek
30
6
Ujian Akhir Semester
20
7
Ujian Tengah Semester
20
Total
100
Daftar Referensi
Notice
: Trying to get property of non-object in
/var/www/html/sis/application/controllers/IndexController.php
on line
978