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 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

Copyright©Universitas Trisakti