| 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 |
|
- Ujian Tengah Semester - 4.50 %
- Tugas - 2.50 %
|
|
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 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 |
Ujian Tengah Semester 4.50 %
Tugas 2.50 %
|
|
|
|
|
|
| 2 |
|
Multilayer Perceptron (MLP)
- Metode Gradient Descent
- Backpropagation Learning
|
|
150.00 |
Mahasiswa menulis perhitungan pembelajaran backpropagation |
|
- Ujian Tengah Semester - 4.50 %
- Tugas - 2.50 %
|
|
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 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 |
Ujian Tengah Semester 4.50 %
Tugas 2.50 %
|
|
|
|
|
|
| 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: 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 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 5.00 %
|
|
|
|
|
|
| 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: 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 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 problems |
Tugas 5.00 %
|
|
|
|
|
|
| 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: 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 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 5.00 %
|
|
|
|
|
|
| 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 - 8.00 %
|
|
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 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 (3,3) |
|
| 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 %
|
|
|
|
|
KAD: Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi
Students understand and apply performance evaluation for predictions (3,3) |
|
| 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 3.00 %
|
|
|
|
|
|
| 7 |
|
Tuning parameter:
- Optimasi: Momentum, SGD, Adam, RMSprop
- Dropout
|
|
150.00 |
Mahasiswa memahami optimasi dan tuning parameter |
|
- Ujian Tengah Semester - 8.00 %
|
|
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 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 8.00 %
|
|
|
|
|
|
| 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 |
|
|
|
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 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 %
|
|
|
|
|
|
| 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 |
|
- Ujian Akhir Semester - 12.50 %
- Tugas - 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 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 %
|
|
|
|
|
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 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 12.50 %
|
|
|
|
|
|
| 10 |
|
Model Deeplearning untuk deteksi objek
Studi kasus: Deteksi objek menggunakan model deeplearning MTCNN
|
|
150.00 |
Menerapkan model deeplearning MTCNN untuk kasus deteksi objek |
|
|
|
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 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 %
|
|
|
|
|
|
| 11 |
|
Studi kasus: Deteksi objek menggunakan pre-train
CNN model |
|
150.00 |
Menerapkan pre-train
CNN model untuk kasus deteksi objek
|
|
|
|
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 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 |
|---|
Mmampu 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 5.00 %
|
|
|
|
|
|
| 12 |
|
Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM)
|
|
150.00 |
Memahami konsep RNN dan LSTM |
|
- Ujian Akhir Semester - 12.50 %
|
|
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 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 12.50 %
|
|
|
|
|
|
| 13 |
|
Studi kasus: Prediksi data time series menggunakan RNN/LSTM |
|
150.00 |
Menerapkan RNN/LSTM untuk memprediksi data time series |
|
|
|
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 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 |
Tugas 5.00 %
|
|
|
|
|
|
| 14 |
|
Studi kasus: Sentimen Analisis menggunakan RNN/LSTM |
|
150.00 |
Menerapkan RNN/LSTM untuk permasalahan Sentimen Analisis |
|
|
|
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 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 |
Tugas 5.00 %
|
|
|
|
|
|