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

RPS Detail

Matakuliah

Profile	History
Kode Matakuliah IKS6336 Nama Matakuliah Neural Network and Deep Learning sks 3.00	Semester Name Subject Code Subject Name Group Name Group Code Portofolio Gasal 2023/2024 (R) IKS6336 Neural Network and Deep Learning TIF-01 01 Portofolio Gasal 2023/2024 (R) IKS6336 Neural Network and Deep Learning TIF-02 02 Portofolio

Review History

RPS Review History
No Review Review By Review Date 1 1. referensi belum dimasukkan Binti Solihah 2024-07-19 11:16:09 2 Sebaiknya komponen diskusi dan presentasi diberikan bobot tersendiri untuk mengukur keterampilan umum Agung Sediyono 2024-10-14 22:54:25

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 konsep neural network dan deep learning Students are able to explain concept of neural networks and deep learning (2,2) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron Students are able to explain the concept of perceptron neural networks (2,2) 2 Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron Students are able to explain the concept of multilayer perceptron neural networks (2,2) 3 Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN) Students are able to explain the concept of Convolutional Neural Network(CNN) (2,2) 4 Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN) Students are able to explain the concept of Recurrent Neural Network(RNN) (2,2) 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 mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning Students are able to evaluate the performance of various neural network and deep learning models (5,3) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi Students understand and apply performance evaluation for predictions (3,3) 2 Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi Students understand and apply performance evaluation for classification (3,3) 3 Mahasiswa memahami dan menerapkan hyperparamter tuning Students understand and apply hyperparameter tuning (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 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 (3,3) No Session Learning Outcomes - Description (Cognitive Level,Knowledge Level) Action 1 Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi Students are able to apply the Multilayer Perceptron model to prediction problems (3,3) 2 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) 3 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) 4 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) 5 Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis Students are able to apply the RNN model to sentiment analysis problems (3,3) 6 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) 7 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) 8 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) 9 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)

RPS per Session

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	Tutorial Diskusi	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	Tutorial Diskusi	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	Tutorial Diskusi	150.00	Menerapkan model MLP untuk permasalahan prediksi dengan output bilangan kontinu menggunakan pustaka sckit-learn		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 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	Tutorial Diskusi	150.00	Menerapkan model MLP untuk permasalahan klasifikasi biner menggunakan pustaka sckit-learn		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 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	Tutorial Diskusi	150.00	Menerapkan model MLP untuk permasalahan klasifikasi Multi kelas menggunakan pustaka sckit-learn		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 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	Tutorial Diskusi	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	Tutorial Diskusi	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	Tutorial Diskusi	150.00	Menerapkan model Multilayer Perceptron untuk kasus pengenalan citra digit tulis tangan(MNIST) menggunakan pustaka Tensorflow & keras		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 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	Tutorial Diskusi	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	Tutorial Diskusi	150.00	Menerapkan model deeplearning MTCNN untuk kasus deteksi objek		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 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	Tutorial Diskusi	150.00	Menerapkan pre-train CNN model untuk kasus deteksi objek		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 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)	Tutorial Diskusi	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	Tutorial Diskusi	150.00	Menerapkan RNN/LSTM untuk memprediksi data time series		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 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	Tutorial Diskusi	150.00	Menerapkan RNN/LSTM untuk permasalahan Sentimen Analisis		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 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 %

Assessment Component

Assessment Detail

No	Component Name	Weightage
1	Tugas	50
2	Ujian Akhir Semester	25
3	Ujian Tengah Semester	25
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