Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah : Kecerdasan Buatan
Kode Mata Kuliah : IKA6301
Tim Dosen :
  1. 2554 Anung Barlianto Ariwibowo, M.Kom.
Kelas : 01
Dosen : 2554 Anung Barlianto Ariwibowo, M.Kom.
Semester : Gasal 2023/2024 (R)
Tahun Akademik : 2023/2024
Jumlah Mahasiswa : 35 mahasiswa

Program Studi SISTEM INFORMASI

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Mar 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH : Kecerdasan Buatan
KODE MATA KULIAH : IKA6301
KELAS : SI-01
SEMESTER : Gasal 2023/2024 (R)
DOSEN PENGAMPU : 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA DOSEN/TIM DOSEN :
  1. 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA KOORDINATOR MATA KULIAH : 2554 Anung Barlianto Ariwibowo, M.Kom.

1. HALAMAN PENGESAHAN PORTOFOLIO

PORTOFOLIO MATA KULIAH
KECERDASAN BUATAN
Tahun Akademik: Gasal 2023/2024 (R)
Program Studi SISTEM INFORMASI
Fakultas TEKNOLOGI INDUSTRI
Kode:
IKA6301 		Bobot (sks):
3.00 sks 		Rumpun MK:
Semester:
GASAL
Penanggungjawab Nama Tanda Tangan Tanggal
Koordinator MK 2554 Anung Barlianto Ariwibowo, M.Kom.
Koordinator Bidang Keahlian/Ilmu
Ketua Program Studi 2553 Syandra Sari, S.Kom., M.Kom.

DAFTAR ISI

  1. HALAMAN PENGESAHAN PORTOFOLIO .................................................................................
  2. CAPAIAN PEMBELAJARAN PROGRAM STUDI .......................................................................
  3. RENCANA PEMBELAJARAN SEMESTER (RPS) .......................................................................
    • 3.1. Muatan RPS ......................................................................................................................
    • 3.1. Sosialisasi RPS .................................................................................................................
  4. RENCANA PENILAIAN & RUBRIK .............................................................................................
    • 4.1. Rencana Penilaian CPMK ................................................................................................
    • 4.2. Rubrik Penilaian (UTS, UAS, Praktikum, Tugas) ...........................................................
  5. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN .............................................
    • 5.1. Nilai Akhir Mata Kuliah dan Distribusinya .....................................................................
    • 5.2. Analisis Distribusi Nilai per CPMK .................................................................................
    • 5.3. Analisis Distribusi Nilai Per Teknik Penilaian (UTS, UAS, Tugas, Quiz, Laporan Praktikum, dsb).........................................................................................................................
    • 5.4. Analisis Distribusi Nilai per Mahasiswa ..........................................................................
  6. REKOMENDASI TINDAK LANJUT ..............................................................................................
  7. LAMPIRAN: ......................................................................................................................................

2. CAPAIAN PEMBELAJARAN PROGRAM STUDI

Tabel 1. Capaian Pembelajaran Lulusan (CPL) Program Studi
KODE DESKRIPSI CPL
S.1 Memiliki Sikap Tri Krama : etika dan moral personal: Takwa, Tekun, Terampil ; etika dan moral komunal: Asah, Asih, Asuh ; dan etika dan moral masyarakat: Satria, Setia, Sportif. (CPL12 (S.a))
P.1 Mampu memahami dan menggunakan berbagai metodologi pengembangan sistem beserta alat pemodelan sistem dan menganalisa kebutuhan pengguna dalam membangun sistem informasi untuk mencapai tujuan organisasi. (CPL03 (P.a))
KU.1 Memiliki kemampuan soft skill dalam berkomunikasi, berpresentasi dan memiliki etika profesi bisnis, serta kemampuan belajar sepanjang hayat (life long learning). (CPL11 (KU.a))
KK.1 Mampu memahami, menganalisis, menilai konsep dasar dan peran sistem informasi dalam mengelola data yaitu pemfilteran, agregasi dan pengorganisasian dalam analisis dan visualisasi data untuk memberikan rekomendasi pengambilan keputusan pada proses dan sistem organisasi. (CPL01 (KK.a))
KK.2 Mampu merancang dan menggunakan database, serta mengolah dan menganalisa data dengan alat dan teknik pengolahan data. (CPL02 (KK.b))
KK.3 Mampu membuat perencanaan infrastruktur TI, arsitektur jaringan, layanan fisik dan cloud, menganalisa konsep identifikasi, otentikasi, otorisasi akses dalam konteks melindungi orang dan perangkat. (CPL04 (KK.c))
KK.4 Mampu memahami dan menerapkan kode etik dalam penggunaan informasi dan data pada perancangan, implementasi, dan penggunaan suatu sistem. (CPL05 (KK.d))
KK.5 Mampu memahami, mengidentifikasi dan menerapkan konsep, teknik dan metodologi manajemen proyek sistem informasi. (CPL07 (KK.e))
KK.6 Memiliki kemampuan dalam pengelolaan bisnis dengan memanfaatkan teknologi informasi dan memahami model sistem, metode dan berbagai teknik peningkatan bisnis proses yang mendatangkan suatu nilai untuk organisasi. (CPL-8 (KK.f))
KK.7 Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g))
KK.8 Memiliki kemampuan untuk merencanakan manajemen pengujian, kontrol kualitas Software dan menggambarkan dalam diagram cause & effect. (CPL10 (KK.h))
KK.9 Memiliki kemampuan merencanakan, menerapkan, memelihara dan meningkatkan sistem informasi organisasi untuk mencapai tujuan dan sasaran organisasi yang strategis baik jangka pendek maupun jangka panjang. (CPL06 (KK.i))
Tabel 2. Capaian Pembelajaran Lulusan yang Dibebankan pada Mata Kuliah
KODE DESKRIPSI CPL
KK.7 Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g))
Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL
KODE CPL KODE CPMK DESKRIPSI CPMK
KK.7 KK7.CPMK-1 Etika dan perkembangan Kecerdasan Artifisial.
KK.7 KK7.CPMK-2 Computer vision.
KK.7 KK7.CPMK-3 Pengolahan Bahasa Alami.
KK.7 KK7.CPMK-4 Deep learning.
KK.7 KK7.CPMK-5 Perseptron dan Jaringan Syaraf Tiruan.
KK.7 KK7.CPMK-6 Ragam teknik-teknik Machine Learning.
KK.7 KK7.CPMK-7 Sistem pakar berbasis aturan.
KK.7 KK7.CPMK-8 Logika predikat.
KK.7 KK7.CPMK-9 Supervised Learning.
KK.7 KK7.CPMK-10 Penalaran Bayesian.
KK.7 KK7.CPMK-11 Representasi pengetahuan dan inferensi.
KK.7 KK7.CPMK-12 Mahasiswa menggunakan teknik pencarian untuk mensimulasikan kecerdasan.
Tabel 4. Sub Capaian Pembelajaran Mata Kuliah
KODE CPL KODE CPMK DESKRIPSI Sub CPMK
KK.7 KK7.CPMK-1
KK7.CPMK-1.1 Memahami permasalahan etika yang muncul dari perkembangan teknologi Kecerdasan Buatan.
KK.7 KK7.CPMK-2
KK7.CPMK-2.1 Menerapkan teknik Deep Learning untuk Computer Vision.
KK.7 KK7.CPMK-3
KK7.CPMK-3.1 Menerapkan teknik Deep Learning untuk Pengolahan Bahasa Alami.
KK.7 KK7.CPMK-4
KK7.CPMK-4.1 Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
KK.7 KK7.CPMK-5
KK7.CPMK-5.1 Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
KK.7 KK7.CPMK-6
KK7.CPMK-6.1 Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
KK.7 KK7.CPMK-7
KK7.CPMK-7.1 Pohon keputusan dan aturan.
KK.7 KK7.CPMK-8
KK7.CPMK-8.1 Kuantor eksistensial dan universal.
KK.7 KK7.CPMK-9
KK7.CPMK-9.1 Mengembangkan keahlian penerapan Supervised Learning pada masalah klasifikasi.
KK.7 KK7.CPMK-10
KK7.CPMK-10.1 Peluang bersyarat.
KK.7 KK7.CPMK-11
KK7.CPMK-11.1 Logika proposisi.
KK7.CPMK-11.2 Inferensi logika proposisi.
KK.7 KK7.CPMK-12
KK7.CPMK-12.1 Memahami representasi masalah dalam ruang pencarian
KK7.CPMK-12.2 Memahami perkembangan sejarah Kecerdasan Artifisial dan aplikasinya.

3. RENCANA PEMBELAJARAN SEMESTER (RPS)

3.1 Muatan RPS

Tabel 5. Format dan Muatan RPS
UNIVERSITAS TRISAKRI
FAKULTAS TEKNOLOGI INDUSTRI
PROGRAM STUDI SISTEM INFORMASI

RENCANA PEMBELAJARAN SEMESTER		 Kode : DU1.2.4-KUR-04.RPS/IKA6301

Program Studi : SISTEM INFORMASI Semester : Gasal 2023/2024 (R);Jenis Mata Kuliah : Wajib     Kode Mata Kuliah : IKA6301     SKS : 3.00
Mata Kuliah : Kecerdasan Buatan Dosen :
  1. 2554 Anung Barlianto Ariwibowo, M.Kom.
MK Prasyarat :
    Tidak ada prasyarat;
Sesi Ke KAD Bahan Kajian Metoda Pembelajaran Waktu Belajar (Menit) Pengalaman Belajar Mahasiswa Referensi Kriteria Penilaian (Indikator)
1
  1. Memahami perkembangan sejarah Kecerdasan Artifisial dan aplikasinya.
 Perkembangan teknologi Kecerdasan Artifisial dan metode-metode yang telah dikembangkan.
  • Diskusi
  • Tutorial
 150.00 Mahasiswa menerima ceramah sejarah Kecerdasan Artifisial, berbagai teknik dan metode yang dikembangkan oleh para ahli. Mahasiswa melakukan persiapan lingkungan pemrograman menggunakan bahasa Python.
  • Stuart Russell and Peter Norvig(2009) (Bab 1 Introduction. Bab 2 Intelligent Agents.)
  • Tugas Individu - 2.00 %
  • Ujian Tengah Semester - 2.00 %
2
  1. Memahami representasi masalah dalam ruang pencarian
 Intelligent agent dan Search space problem.
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi simulasi kecerdasan menggunakan teknik pencarian.
  • Stuart Russell and Peter Norvig(2009) (Bab 3 Solving Problems by Searching.)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
3
  1. Inferensi logika proposisi.
  2. Logika proposisi.
 Logika proposisi dan inferensi logika.
  • Diskusi
  • Permainan
 150.00 Mahasiswa menerapkan inferensi logika pada permainan Wumpus.
  • Stuart Russell and Peter Norvig(2009) (Bab 7 Logical Agents.)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
4
  1. Logika proposisi.
  2. Kuantor eksistensial dan universal.
 Logika Proposisi dan Logika Predikat
  • Tutorial
  • Diskusi
 150.00 Mahasiswa memahami kekurangan Logika Proposisi dalam merepresentasikan pengetahuan dan bagaimana Logika Predikat mengatasi kekurangan tersebut.
  • Stuart Russell and Peter Norvig(2009) (Bab 8 First-Order Logic)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
  • Tugas Kelompok - 10.00 %
5
  1. Inferensi logika proposisi.
  2. Peluang bersyarat.
 Ketidakpastian dalam representasi pengetahuan.
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi kelemahan teknik logika proposisi dan logika predikat untuk merepresntasikan pengetahuan yang tidak fully-observable.
  • Stuart Russell and Peter Norvig(2009) (Bab 13 Quantifying Uncertainty)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
6
  1. Peluang bersyarat.
 Inferensi Naive Bayes.
  • Tutorial
  • Diskusi
 150.00 Mahasiswa menerapkan proses inferensi menggunakan data historis dan memahami perlunya teknik smoothing.
  • Stuart Russell and Peter Norvig(2009) (Bab 13 Quantifying Uncertainty)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
7
  1. Pohon keputusan dan aturan.
  2. Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
 Pembelajaran Mesin.
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi pengembangan teknik simulasi kecerdasan.
  • Stuart Russell and Peter Norvig(2009) (Bab 18 Learning from Examples)
  • Tugas Individu - 3.00 %
  • Ujian Tengah Semester - 3.00 %
8
  1. Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
  2. Mengembangkan keahlian penerapan Supervised Learning pada masalah klasifikasi.
 Supervised Learning.
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi menggunakan scikit-learn.
  • Stuart Russell and Peter Norvig(2009) (Bab 18 Learning from Examples)
  • Tugas Individu - 2.00 %
  • Ujian Akhir Semester - 2.00 %
9
  1. Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
  2. Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
 Unsupervised Learning
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi menggunakan library scikit-learn.
  • Stuart Russell and Peter Norvig(2009) (Bab 18 Learning from Examples Bab 20 Learning Probabilistic Models)
  • Tugas Individu - 3.00 %
  • Ujian Akhir Semester - 3.00 %
10
  1. Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
  2. Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
 Neural Networks
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi menggunakan library scikit-learn.
  • Stuart Russell and Peter Norvig(2009) (Bab 18 Learning from Examples)
  • Tugas Individu - 3.00 %
  • Ujian Akhir Semester - 3.00 %
11
  1. Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
  2. Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
 Deep learning
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi menggunakan library scikit-learn.
  • Stuart Russell and Peter Norvig(2009) (Bab 18 Learning from Examples)
  • Andrew W. Trask(2019) (Bab 2 Fundamental Concepts: How do Machines Learn?)
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville(2016) (Bab 5 Machine Learning Basics)
  • Tugas Individu - 3.00 %
  • Ujian Akhir Semester - 3.00 %
12
  1. Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
  2. Menerapkan teknik Deep Learning untuk Pengolahan Bahasa Alami.
 Pengolahan Bahasa Alami
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi dasar-dasar pengolahan bahasa alami menggunakan library SpaCy.
  • Andrew W. Trask(2019) (Bab 11 Neural Networks that Understand Language: king - man + woman == ?)
  • Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.(2023) (Bab 15 Natural Language Processing: Pretraining)
  • Tugas Individu - 3.00 %
  • Tugas Kelompok - 10.00 %
  • Ujian Akhir Semester - 3.00 %
13
  1. Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
  2. Menerapkan teknik Deep Learning untuk Computer Vision.
 Computer Vision
  • Tutorial
  • Diskusi
 150.00 Mahasiswa melakukan eksplorasi menggunakan library TensorFlow dan OpenCV.
  • Andrew W. Trask(2019) (Bab 10 Neural Learning about Edges and Corners: Intro to Convolutional Neural Networks)
  • Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.(2023) (Bab 14 Computer Vision)
  • Tugas Individu - 3.00 %
  • Ujian Akhir Semester - 3.00 %
14
  1. Memahami permasalahan etika yang muncul dari perkembangan teknologi Kecerdasan Buatan.
 Etika dalam penggunaan Kecerdasan Artifisial
150.00 Mahasiswa membuat kajian sederhana mengenai etika penggunaan teknologi Kecerdasan Artifisial dalam kehidupan.
  • Stuart Russell and Peter Norvig(2009) (Bab 26 Philosophical Foundations Bab 27 AI: The Present and Future)
  • Tugas Individu - 3.00 %
  • Ujian Akhir Semester - 3.00 %

3.2 Sosialisasi RPS

Tabel 6. Berita Acara Sosialisasi RPS
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS TRISAKTI
Perkuliahan Pertama Dosen Menyampaikan
Mata Kuliah/SKS Nama Dosen Hari Tanggal
Kecerdasan Buatan 2554 Anung Barlianto Ariwibowo, M.Kom. ; Monday 13:10:00-15:40:00 Status
Tidak ada perekaman sosialiasi RPS di Kelas
Diketahui Program Studi Dosen Mata Kuliah Mahasiswa
2553 Syandra Sari, S.Kom., M.Kom.

Ketua		 2554 Anung Barlianto Ariwibowo, M.Kom. ........

4. RENCANA PENILAIAN & RUBRIK

4.1. Rencana Penilaian CPMK

Tabel 7. Hubungan CPL, CPMK dan Pertemuan Mingguan
Level CPL CMPK Sub CPMK Minggu Pertemuan dan Assessment
HEIGHT KK.7 KK7.CPMK-1 KK7.CPMK-1.1 Minggu ke-14 Assessment: Ujian Akhir Semester (3.00%)
Minggu ke-14 Assessment: Tugas Individu (3.00%)
HEIGHT KK.7 KK7.CPMK-2 KK7.CPMK-2.1 Minggu ke-13 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-13 Assessment: Tugas Individu (2.00%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.1 Minggu ke-12 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-12 Assessment: Tugas Kelompok (8.00%)
Minggu ke-12 Assessment: Tugas Individu (2.00%)
HEIGHT KK.7 KK7.CPMK-4 KK7.CPMK-4.1 Minggu ke-11 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-11 Assessment: Tugas Individu (2.00%)
Minggu ke-12 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-12 Assessment: Tugas Individu (1.00%)
Minggu ke-12 Assessment: Tugas Kelompok (2.00%)
Minggu ke-13 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-13 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-5 KK7.CPMK-5.1 Minggu ke-9 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-9 Assessment: Tugas Individu (2.00%)
Minggu ke-10 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-10 Assessment: Tugas Individu (2.00%)
Minggu ke-11 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-11 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-6 KK7.CPMK-6.1 Minggu ke-7 Assessment: Ujian Tengah Semester (1.50%)
Minggu ke-7 Assessment: Tugas Individu (1.50%)
Minggu ke-8 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-8 Assessment: Tugas Individu (1.00%)
Minggu ke-9 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-9 Assessment: Tugas Individu (1.00%)
Minggu ke-10 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-10 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-7 KK7.CPMK-7.1 Minggu ke-7 Assessment: Ujian Tengah Semester (1.50%)
Minggu ke-7 Assessment: Tugas Individu (1.50%)
HEIGHT KK.7 KK7.CPMK-8 KK7.CPMK-8.1 Minggu ke-4 Assessment: Tugas Kelompok (2.00%)
Minggu ke-4 Assessment: Ujian Tengah Semester (1.00%)
Minggu ke-4 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-9 KK7.CPMK-9.1 Minggu ke-8 Assessment: Ujian Akhir Semester (1.00%)
Minggu ke-8 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-10 KK7.CPMK-10.1 Minggu ke-5 Assessment: Tugas Individu (2.00%)
Minggu ke-5 Assessment: Ujian Tengah Semester (2.00%)
Minggu ke-6 Assessment: Ujian Tengah Semester (3.00%)
Minggu ke-6 Assessment: Tugas Individu (3.00%)
HEIGHT KK.7 KK7.CPMK-11 KK7.CPMK-11.1 Minggu ke-3 Assessment: Tugas Individu (1.00%)
Minggu ke-3 Assessment: Ujian Tengah Semester (1.00%)
Minggu ke-4 Assessment: Tugas Kelompok (8.00%)
Minggu ke-4 Assessment: Ujian Tengah Semester (2.00%)
Minggu ke-4 Assessment: Tugas Individu (2.00%)
HEIGHT KK.7 KK7.CPMK-11 KK7.CPMK-11.2 Minggu ke-3 Assessment: Ujian Tengah Semester (2.00%)
Minggu ke-3 Assessment: Tugas Individu (2.00%)
Minggu ke-5 Assessment: Ujian Tengah Semester (1.00%)
Minggu ke-5 Assessment: Tugas Individu (1.00%)
HEIGHT KK.7 KK7.CPMK-12 KK7.CPMK-12.1 Minggu ke-2 Assessment: Ujian Tengah Semester (3.00%)
Minggu ke-2 Assessment: Tugas Individu (3.00%)
HEIGHT KK.7 KK7.CPMK-12 KK7.CPMK-12.2 Minggu ke-1 Assessment: Ujian Tengah Semester (2.00%)
Minggu ke-1 Assessment: Tugas Individu (2.00%)
Tabel 8. Rincian Bobot Penilain UTS dan Sesi Pertemuan
UTS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7
KK.7 KK7.CPMK-6 KK7.CPMK-6.1 1.50%
 1.5%
KK.7 KK7.CPMK-7 KK7.CPMK-7.1 1.50%
 1.5%
KK.7 KK7.CPMK-8 KK7.CPMK-8.1 1.00%
 1%
KK.7 KK7.CPMK-10 KK7.CPMK-10.1 2.00%
3.00%
 5%
KK.7 KK7.CPMK-11 KK7.CPMK-11.1 1.00%
2.00%
 3%
KK.7 KK7.CPMK-11 KK7.CPMK-11.2 2.00%
1.00%
 3%
KK.7 KK7.CPMK-12 KK7.CPMK-12.1 3.00%
 3%
KK.7 KK7.CPMK-12 KK7.CPMK-12.2 2.00%
 2%
TOTAL 20%
Tabel 9. Rincian Bobot Penilain UAS dan Sesi Pertemuan
UAS
Materi Sesi M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A8 #A9 #A10 #A11 #A12 #A13 #A14
KK.7 KK7.CPMK-1 KK7.CPMK-1.1 3.00%
 3%
KK.7 KK7.CPMK-2 KK7.CPMK-2.1 2.00%
 2%
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 2.00%
 2%
KK.7 KK7.CPMK-4 KK7.CPMK-4.1 2.00%
1.00%
1.00%
 4%
KK.7 KK7.CPMK-5 KK7.CPMK-5.1 2.00%
2.00%
1.00%
 5%
KK.7 KK7.CPMK-6 KK7.CPMK-6.1 1.00%
1.00%
1.00%
 3%
KK.7 KK7.CPMK-9 KK7.CPMK-9.1 1.00%
 1%
TOTAL 20%
Tabel 10. Rincian Bobot Penilain Laporan Praktikum dan Sesi Pertemuan
PRAKTIKUM
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
TOTAL 0%
Tabel 11. Rincian Bobot Penilain Tugas dan Sesi Pertemuan
TUGAS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 8.00%
 8%
KK.7 KK7.CPMK-4 KK7.CPMK-4.1 2.00%
 2%
KK.7 KK7.CPMK-8 KK7.CPMK-8.1 2.00%
 2%
KK.7 KK7.CPMK-11 KK7.CPMK-11.1 8.00%
 8%
TOTAL 20%
Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian
Materi Sesi Minggu Ke - TOTAL
M14 M13 M12 M11 M9 M10 M7 M8 M4 M5 M6 M3 M2 M1
Komponen UAS TIND UAS TIND UAS TGKEL TIND UAS TIND UAS TIND UAS TIND UTS TIND UAS TIND TGKEL UTS TIND TIND UTS UTS TIND TIND UTS UTS TIND UTS TIND
CPL CPMK Sub CPMK A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16A17A18A19A20A21A22A23A24A25A26A27A28A29A30 Bobot
KK.7 KK7.CPMK-1 KK7.CPMK-1.1 3.00%3.00% 6%
KK.7 KK7.CPMK-2 KK7.CPMK-2.1 2.00%2.00% 4%
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 2.00%8.00%2.00% 12%
KK.7 KK7.CPMK-4 KK7.CPMK-4.1 1.00%1.00%1.00%2.00%1.00%2.00%2.00% 10%
KK.7 KK7.CPMK-5 KK7.CPMK-5.1 1.00%1.00%2.00%2.00%2.00%2.00% 10%
KK.7 KK7.CPMK-6 KK7.CPMK-6.1 1.00%1.00%1.00%1.00%1.50%1.50%1.00%1.00% 9%
KK.7 KK7.CPMK-7 KK7.CPMK-7.1 1.50%1.50% 3%
KK.7 KK7.CPMK-8 KK7.CPMK-8.1 2.00%1.00%1.00% 4%
KK.7 KK7.CPMK-9 KK7.CPMK-9.1 1.00%1.00% 2%
KK.7 KK7.CPMK-10 KK7.CPMK-10.1 2.00%2.00%3.00%3.00% 10%
KK.7 KK7.CPMK-11 KK7.CPMK-11.1 8.00%2.00%2.00%1.00%1.00% 14%
KK.7 KK7.CPMK-11 KK7.CPMK-11.2 1.00%1.00%2.00%2.00% 6%
KK.7 KK7.CPMK-12 KK7.CPMK-12.1 3.00%3.00% 6%
KK.7 KK7.CPMK-12 KK7.CPMK-12.2 2.00%2.00% 4%
TOTAL 3 3 3 3 3 10 3 3 3 3 3 3 3 3 3 2 2 10 3 3 3 3 3 3 3 3 3 3 2 2 100
Catatan : total presentase semua instrument dan total seluruh sesi harus sama dengan 100%
Tabel 13. Rencana Penilaian dan Instrument Penilaian
CPL CMPK Sub CPMK Instrument
KK.7 KK7.CPMK-1 KK7.CPMK-1.1 UAS TIND
KK.7 KK7.CPMK-2 KK7.CPMK-2.1 UAS TIND
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 UAS TGKEL TIND
KK.7 KK7.CPMK-4 KK7.CPMK-4.1 UAS TIND UAS TIND TGKEL UAS TIND
KK.7 KK7.CPMK-5 KK7.CPMK-5.1 UAS TIND UAS TIND UAS TIND
KK.7 KK7.CPMK-6 KK7.CPMK-6.1 UTS TIND UAS TIND UAS TIND UAS TIND
KK.7 KK7.CPMK-7 KK7.CPMK-7.1 UTS TIND
KK.7 KK7.CPMK-8 KK7.CPMK-8.1 TGKEL UTS TIND
KK.7 KK7.CPMK-9 KK7.CPMK-9.1 UAS TIND
KK.7 KK7.CPMK-10 KK7.CPMK-10.1 TIND UTS UTS TIND
KK.7 KK7.CPMK-11 KK7.CPMK-11.1 TIND UTS TGKEL UTS TIND
KK.7 KK7.CPMK-11 KK7.CPMK-11.2 UTS TIND UTS TIND
KK.7 KK7.CPMK-12 KK7.CPMK-12.1 UTS TIND
KK.7 KK7.CPMK-12 KK7.CPMK-12.2 UTS TIND
Tabel 14. Indikator Penilaian
Kategori Penilaian Range Penilaian Nilai
Sangat Baik >= 80 4
Baik 68 - 79,99 3
Cukup 56 - 67,99 2
Kurang < 1

4.2. Rubrik Penilaian (UTS, UAS, Praktikum, Tugas)

Tabel 15. Rubrik Penilaian UTS
UTS
CPL CMPK Sub CPMK Rubrik / Rubric
KK.7 KK7.CPMK-6 KK7.CPMK-6.1Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
Indikator Kinerja: Membedakan Supervised Learning dengan Unsupervised Learning.
Performance Indicator: Differentiate between Supervised Learning and Unsupervised Learning		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-7 KK7.CPMK-7.1Pohon keputusan dan aturan.
Indikator Kinerja: Menerjemahkan pohon keputusan sebagai pengetahuan berbasis aturan.
Performance Indicator: Translate decision tree as rule-based knowledge.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-8 KK7.CPMK-8.1Kuantor eksistensial dan universal.
Indikator Kinerja: Penerapan kuantor yang tepat untuk merepresentasikan pengetahuan.
Performance Indicator: Correct application of quantifiers in representing knowledge.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-10 KK7.CPMK-10.1Peluang bersyarat.
Indikator Kinerja: Menggunakan peluang bersyarat dengan benar.
Performance Indicator: Apply conditional probability accurately.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-11 KK7.CPMK-11.1Logika proposisi.
Indikator Kinerja: Merepresentasikan pengetahuan menggunakan logika proposisi.
Performance Indicator: Representing knowledge using propositional logic		 Rubrik Penilaian
1.00/Pass
Solusi akurat untuk memecahkan puzzle logika menggunakan logika proposisi dan logika predikat.
Accurate solutions to logic puzzles using propositional logic and predicate logic.
KK.7 KK7.CPMK-11 KK7.CPMK-11.2Inferensi logika proposisi.
Indikator Kinerja: Merepresentasikan pengetahuan menggunakan logika proposisi.
Performance Indicator: Representing knowledge using propositional logic		 Rubrik Penilaian
1.00/Pass
Solusi akurat untuk memecahkan puzzle logika menggunakan logika proposisi dan logika predikat.
Accurate solutions to logic puzzles using propositional logic and predicate logic.
Indikator Kinerja: Melakukan inferensi logika proposisi.
Performance Indicator: Make inference using propositional logic.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-12 KK7.CPMK-12.1Memahami representasi masalah dalam ruang pencarian
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-12 KK7.CPMK-12.2Memahami perkembangan sejarah Kecerdasan Artifisial dan aplikasinya.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 16. Rubrik Penilaian UAS
UAS
CPL CMPK Sub CPMK Rubrik / Rubric
KK.7 KK7.CPMK-1 KK7.CPMK-1.1Memahami permasalahan etika yang muncul dari perkembangan teknologi Kecerdasan Buatan.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-2 KK7.CPMK-2.1Menerapkan teknik Deep Learning untuk Computer Vision.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-3 KK7.CPMK-3.1Menerapkan teknik Deep Learning untuk Pengolahan Bahasa Alami.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi fungsional pengolahan teks menggunakan Python.
Performance Indicator: Functional implementation of a text processing tool in Python using NLP techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-4 KK7.CPMK-4.1Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi fungsional pengolahan teks menggunakan Python.
Performance Indicator: Functional implementation of a text processing tool in Python using NLP techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Pengembangan perseptron dan MLP untuk menerapkan teknik Deep Learning.
Performance Indicator: Successful extension of the neural network and multi layer perceptron to incorporate deep learning techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-5 KK7.CPMK-5.1Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi fungsional pengolahan teks menggunakan Python.
Performance Indicator: Functional implementation of a text processing tool in Python using NLP techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Pengembangan perseptron dan MLP untuk menerapkan teknik Deep Learning.
Performance Indicator: Successful extension of the neural network and multi layer perceptron to incorporate deep learning techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Mensimulasikan model perseptron secara manual dan menggunakan program.
Performance Indicator: Simulating perceptron model manually and programmatically.		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-6 KK7.CPMK-6.1Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi fungsional pengolahan teks menggunakan Python.
Performance Indicator: Functional implementation of a text processing tool in Python using NLP techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Pengembangan perseptron dan MLP untuk menerapkan teknik Deep Learning.
Performance Indicator: Successful extension of the neural network and multi layer perceptron to incorporate deep learning techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Mensimulasikan model perseptron secara manual dan menggunakan program.
Performance Indicator: Simulating perceptron model manually and programmatically.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Membedakan Supervised Learning dengan Unsupervised Learning.
Performance Indicator: Differentiate between Supervised Learning and Unsupervised Learning		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-9 KK7.CPMK-9.1Mengembangkan keahlian penerapan Supervised Learning pada masalah klasifikasi.
Indikator Kinerja: Mensimulasikan kecerdasan menggunakan algoritma-algoritma pencarian.
Performance Indicator: Simulating intelligence using search algorithms.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Setup environment pemrograman selesai.
Performance Indicator: Finished programming environment setup.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Essay reflektif yang sistematis dalam mempertimbangkan aspek etika Kecerdasan Buatan.
Performance Indicator: Well-written reflective essay on ethical considerations in AI.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi pengolahan citra sederhana menggunakan Python.
Performance Indicator: Correct implementation of basic image processing tasks in Python.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Implementasi fungsional pengolahan teks menggunakan Python.
Performance Indicator: Functional implementation of a text processing tool in Python using NLP techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Pengembangan perseptron dan MLP untuk menerapkan teknik Deep Learning.
Performance Indicator: Successful extension of the neural network and multi layer perceptron to incorporate deep learning techniques.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Mensimulasikan model perseptron secara manual dan menggunakan program.
Performance Indicator: Simulating perceptron model manually and programmatically.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Membedakan Supervised Learning dengan Unsupervised Learning.
Performance Indicator: Differentiate between Supervised Learning and Unsupervised Learning		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Analisis dan interpretasi yang akurat terhadap prediksi model.
Performance Indicator: Accurate analysis and interpretation of the model's predictions.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 17. Indikator Penilaian Laporan Praktikum
PRAKTIKUM
CPL CMPK Sub CPMK Rubrik / Rubric
Tabel 18. Indikator Penilaian Tugas
TUGAS
CPL CMPK Sub CPMK Rubrik / Rubric

5. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

5.1. Nilai Akhir Mata Kuliah dan Distribusinya

Distribusi nilai akhir mahasiswa dapat ditampilkan dalam bentuk tabel atau grafik seperti pada Tabel 19 dan Gambar 2 berikut.

Tabel 19. Distribusi Nilai Akhir Mahasiswa
Nilai Jumlah %
A 18 51.43
A- 4 11.43
B+ 4 11.43
B 1 2.86
B- 2 5.71
C+ 4 11.43
C 0 0.00
D 0 0.00
Distribusi Nilai Akhir Mahasiswa
Gambar 1. Distribusi Nilai Akhir Mahasiswa

5.2. Analisis Distribusi Nilai per CPMK

Analisis distribusi nilai per Sub CPMK :
Indikator ketercapaian (achieved) adalah apabila 60% jumlah mahasiswa peserta kuliah berada pada kategori Sub CPMK Sangat Baik, Baik, dan Cukup.

Tabel 20. Analisis Distribusi Nilai Per Sub CPMK
Sub CPMK Sangat Baik Baik Cukup Kurang %
Ketercapaian
KK7.CPMK-1.1
Memahami permasalahan etika yang muncul dari perkembangan teknologi Kecerdasan Buatan. 		15 14 3 3 91.43
KK7.CPMK-2.1
Menerapkan teknik Deep Learning untuk Computer Vision. 		15 14 3 3 91.43
KK7.CPMK-3.1
Menerapkan teknik Deep Learning untuk Pengolahan Bahasa Alami. 		29 2 2 2 94.29
KK7.CPMK-4.1
Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks. 		21 8 4 2 94.29
KK7.CPMK-5.1
Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif. 		15 14 3 3 91.43
KK7.CPMK-6.1
Memahami perbedaan antara Supervised Learning dan Unsupervised Learning. 		16 10 6 3 91.43
KK7.CPMK-7.1
Pohon keputusan dan aturan. 		14 8 10 3 91.43
KK7.CPMK-8.1
Kuantor eksistensial dan universal. 		26 5 2 2 94.29
KK7.CPMK-9.1
Mengembangkan keahlian penerapan Supervised Learning pada masalah klasifikasi. 		15 14 3 3 91.43
KK7.CPMK-10.1
Peluang bersyarat. 		14 8 10 3 91.43
KK7.CPMK-11.1
Logika proposisi. 		27 4 2 2 94.29
KK7.CPMK-11.2
Inferensi logika proposisi. 		14 8 10 3 91.43
KK7.CPMK-12.1
Memahami representasi masalah dalam ruang pencarian 		14 8 10 3 91.43
KK7.CPMK-12.2
Memahami perkembangan sejarah Kecerdasan Artifisial dan aplikasinya. 		14 8 10 3 91.43
Capaian Sub-CPMK
Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

KEPUASAN MAHASISWA
Gambar 3. Hasil Kuisioner Mahasiswa
KodePertanyaan
Q-9Dosen menguasai materi dengan baik
Q-11Dosen berkomunkasi/menyampaikan materi dengan baik
Q-13Dosen hadir dan menggunakan waktu kuliah dengan baik
Q-15Dosen mempersiapkan kuliah dengan baik
Q-17Dosen bersikap responsif
Q-19Dosen bersedia berdiskusi
Q-21Dosen memberikan umpan balik
Q-23Dosen memberikan materi dengan jelas
Q-25Beban kuliah sesuai dengan standar kompetensi yang ada di RPP/SAP/JUKNIS
Q-27Dosen mengajar dengan baik
Q-29Media instruksional yang digunakan menarik
Q-31Dengan mengikuti perkuliahan, mahasiswa mengerti materi kuliah
Q-33Kenyamanan ruang kuliah
Q-35Koneksi Internet dalam ruang kelas

5.3. Analisis Distribusi Nilai Per Teknik Penilaian (UTS, UAS, Tugas, Quiz, Laporan Praktikum, dsb)

Yang termasuk dalam parameter ketercapaian adalah nilai yang berada dalam kuadran : Sangat Baik, Baik, dan Cukup.

Tabel 21. Analisis Ketercapaian Nilai Per Teknik Penilaian
Sub CPMK Sangat Baik Baik Cukup Kurang %
Ketercapaian
Memahami permasalahan etika yang muncul dari perkembangan teknologi Kecerdasan Buatan.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Menerapkan teknik Deep Learning untuk Computer Vision.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Menerapkan teknik Deep Learning untuk Pengolahan Bahasa Alami.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
TGKEL31
(88.57 %)		1
(2.86 %)		1
(2.86 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Menerapkan teknik-teknik Deep Learning untuk tugas-tugas prediktif yang kompleks.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
TGKEL31
(88.57 %)		1
(2.86 %)		1
(2.86 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Memahami dan menerapkan cara kerja jaringan syaraf tiruan untuk pemodelan prediktif.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Memahami perbedaan antara Supervised Learning dan Unsupervised Learning.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Pohon keputusan dan aturan.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Kuantor eksistensial dan universal.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
TGKEL31
(88.57 %)		1
(2.86 %)		1
(2.86 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Mengembangkan keahlian penerapan Supervised Learning pada masalah klasifikasi.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UAS15
(45.45 %)		10
(30.30 %)		4
(12.12 %)		4
(12.12 %)		87.88
(266.30 %)
Peluang bersyarat.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Logika proposisi.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
TGKEL31
(88.57 %)		1
(2.86 %)		1
(2.86 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Inferensi logika proposisi.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Memahami representasi masalah dalam ruang pencarian
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)
Memahami perkembangan sejarah Kecerdasan Artifisial dan aplikasinya.
TIND25
(71.43 %)		6
(17.14 %)		2
(5.71 %)		2
(5.71 %)		94.29
(269.40 %)
UTS13
(38.24 %)		5
(14.71 %)		5
(14.71 %)		11
(32.35 %)		67.65
(198.97 %)

Capaian Sub-CPMK KK7.CPMK-1.1 Perpenilaian
Gambar 4. Analisis Ketercapaian Sub KK7.CPMK-1.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-2.1 Perpenilaian
Gambar 5. Analisis Ketercapaian Sub KK7.CPMK-2.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.1 Perpenilaian
Gambar 6. Analisis Ketercapaian Sub KK7.CPMK-3.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-4.1 Perpenilaian
Gambar 7. Analisis Ketercapaian Sub KK7.CPMK-4.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-5.1 Perpenilaian
Gambar 8. Analisis Ketercapaian Sub KK7.CPMK-5.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-6.1 Perpenilaian
Gambar 9. Analisis Ketercapaian Sub KK7.CPMK-6.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-7.1 Perpenilaian
Gambar 10. Analisis Ketercapaian Sub KK7.CPMK-7.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-8.1 Perpenilaian
Gambar 11. Analisis Ketercapaian Sub KK7.CPMK-8.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-9.1 Perpenilaian
Gambar 12. Analisis Ketercapaian Sub KK7.CPMK-9.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-10.1 Perpenilaian
Gambar 13. Analisis Ketercapaian Sub KK7.CPMK-10.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-11.1 Perpenilaian
Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-11.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-11.2 Perpenilaian
Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-11.2 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-12.1 Perpenilaian
Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-12.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-12.2 Perpenilaian
Gambar 17. Analisis Ketercapaian Sub KK7.CPMK-12.2 Per Teknik Penilaian

5.4. Analisis Distribusi Nilai per Mahasiswa

Berikut distribusi capaian nilai mahasiswa per Sub CPMK.

Tabel 22. Analisis Distribusi Pencapaian Nilai Mahasiswa Per Sub CPMK
No. NIM Nama % Pencapaian
KK7.CPMK-1.1
Std Mark: 56.00 		KK7.CPMK-2.1
Std Mark: 56.00 		KK7.CPMK-3.1
Std Mark: 56.00 		KK7.CPMK-4.1
Std Mark: 56.00 		KK7.CPMK-5.1
Std Mark: 56.00 		KK7.CPMK-6.1
Std Mark: 56.00 		KK7.CPMK-7.1
Std Mark: 56.00 		KK7.CPMK-8.1
Std Mark: 56.00 		KK7.CPMK-9.1
Std Mark: 56.00 		KK7.CPMK-10.1
Std Mark: 56.00 		KK7.CPMK-11.1
Std Mark: 56.00 		KK7.CPMK-11.2
Std Mark: 56.00 		KK7.CPMK-12.1
Std Mark: 56.00 		KK7.CPMK-12.2
Std Mark: 56.00
1 065002100039 ARMYTA MECKY 76.5076.5080.1777.6076.5073.6768.0075.0076.5068.0076.0068.0068.0068.00
2 065002100031 MUHAMMAD UMAR ARIF PAAGO 88.0088.0094.0089.8088.0083.1773.5085.2588.0073.5086.9373.5073.5073.50
3 065002100041 MUHAMMAD IBNU AL HANIF 85.5085.5093.1787.8085.5082.3376.0086.5085.5076.0088.0076.0076.0076.00
4 065002100026 SITI AISAH 87.0087.0094.3389.2087.0086.6786.0092.0087.0086.0092.8686.0086.0086.00
5 065002100004 YUDA HADI PRASETYO 88.5088.5094.1790.2088.5087.1784.5090.7588.5084.5091.6484.5084.5084.50
6 065002100025 TRIA NOVETA 88.5088.5094.8390.4088.5087.5085.5091.7588.5085.5092.6485.5085.5085.50
7 065002100009 MUHAMMAD HASAN HUSEIN 88.5088.5094.8390.4088.5087.6786.0092.0088.5086.0092.8686.0086.0086.00
8 065002100001 EKA ALIDYA 79.5079.5091.1783.0079.5080.3382.0089.5079.5082.0090.5782.0082.0082.00
9 065002100005 NIA SUHERNAWATI 84.0084.0093.3386.8084.0084.3385.0091.5084.0085.0092.4385.0085.0085.00
10 065002100038 AQILHA MAHARSY MAKKAWANG 76.0076.0090.6780.4076.0078.8384.5091.2576.0084.5092.2184.5084.5084.50
11 065002100022 MUHAMMAD TEGAR HIDAYATULLAH 72.0072.0088.6777.0072.0071.3370.0083.5072.0070.0085.4370.0070.0070.00
12 065002100011 DWI PRASETYO 81.0081.0091.6784.2081.0080.1778.5087.7581.0078.5089.0778.5078.5078.50
13 065002100018 ARHANIF ADRIAN RIYADI 78.0078.0090.6781.8078.0076.5073.5085.2578.0073.5086.9373.5073.5073.50
14 065002100023 TRI BINTANG PAMUNGKAS 68.0068.0078.0071.0068.0064.1756.5069.7568.0056.5071.6456.5056.5056.50
15 065002100028 DZIKRA MUHAMAD SHAFI 88.5088.5094.1790.2088.5087.3385.0091.0088.5085.0091.8685.0085.0085.00
16 065002100013 NURAFNI REVITA WIBOWO 85.5085.5093.8388.0085.5084.6783.0090.5085.5083.0091.5783.0083.0083.00
17 065002100017 STEVANI TASYA BAWANO 68.5068.5063.5067.0068.5065.0058.0059.5068.5058.0059.7158.0058.0058.00
18 065002100002 NABILAH PUTRI 82.0082.0092.0085.0082.0080.8378.5087.7582.0078.5089.0778.5078.5078.50
19 065002100006 BANON DJINAWI SRI MUTIARI 76.5076.5078.8377.2076.5077.6780.0080.0076.5080.0080.0080.0080.0080.00
20 065002100019 JOFI TAUFIQUL HAKIM 89.5089.5094.5091.0089.5086.3380.0088.5089.5080.0089.7180.0080.0080.00
21 065002100024 AFIF MAULANA 79.5079.5091.1783.0079.5075.8368.5082.7579.5068.5084.7968.5068.5068.50
22 065002100016 FARIZ UBAIDILLAH 79.5079.5090.5082.8079.5075.5067.5081.7579.5067.5083.7967.5067.5067.50
23 065002100034 REZA KURNIAWAN 87.5087.5093.8389.4087.5085.5081.5089.2587.5081.5090.3681.5081.5081.50
24 065002100033 SARAH SAKINAH 71.0071.0088.3376.2071.0069.8367.5082.2571.0067.5084.3667.5067.5067.50
25 065002100015 SURGERY ADHI NUGROHO 56.5056.5083.5064.6056.5056.5056.5076.7556.5056.5079.6456.5056.5056.50
26 065002100014 NYETO LEO T 64.5064.5086.1771.0064.5060.1751.5074.2564.5051.5077.5051.5051.5051.50
27 065002100030 NOVAN KRISNA 74.0074.0088.6778.4074.0071.8367.5081.7574.0067.5083.7967.5067.5067.50
28 065002100032 MUHAMMAD DANIL HIDAYAT 78.0078.0090.6781.8078.0074.1766.5081.7578.0066.5083.9366.5066.5066.50
29 065002100029 CINDY AURELIA RIZKY 68.0068.0086.6773.6068.0067.0065.0080.5068.0065.0082.7165.0065.0065.00
30 065001900018 MUHAMMAD ARYA OCTAVIANUS 59.5059.5065.8361.4059.5060.5062.5065.7559.5062.5066.2162.5062.5062.50
31 065002100020 KEVIN PUTRA TJAHJONO 50.5050.5080.8359.6050.5054.8363.5079.7550.5063.5082.0763.5063.5063.50
32 065002100036 ADRIAN MAULANA YUSUP 82.5082.5092.1785.4082.5082.3382.0089.5082.5082.0090.5782.0082.0082.00
33 065002000021 FERDINAN AENUR YAHYA MAULANA 24.0024.005.6016.3324.0024.0024.008.6724.0024.007.2724.0024.0024.00
34 065001800021 RICO RENALDY 83.0083.0092.3385.8083.0083.3384.0090.5083.0084.0091.4384.0084.0084.00
35 065002100037 TINUS JANGKUP 12.0012.0012.0012.0012.0021.5031.0021.5012.0031.0020.1431.0031.0031.00

6. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

Sebutkan faktor dari DOSEN yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Kesiapan dosen untuk melakukan tatap muka perkuliahan
Jumlah kehadiran dosen dalam tatap muka perkuliahan
Keterampilan dan kemampuan dosen untuk menjadi fasilitator belajar yang baik untuk mahasiswa
Kesesuaian kompetensi dosen pada mata kuliah yang diampu
Kondisi Kesehatan jiwa dan raga dosen
Lainnya sebutkan

Apa rencana tindak lanjut perbaikan dari faktor DOSEN yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Menyiapkan dan mengupload materi setidaknya sampai dengan tatap muka ke-7 ke LMS/GCR
Menyegarkan dan memperbarui handout/materi kuliah yang akan disampaikan
Merencanakan dengan cermat jadwal kegiatan/tugas di luar mengajar
Memberikan kuliah pengganti sesegera mungkin saat ada kegiatan mendadak yang menyebabkan tidak dapat hadir mengajar
Meningkatkan kompetensi diri dengan mengikuti pelatihan manajemen kelas / metode pembelajaran
Mengupayakan peningkatan kesehatan jiwa dan raga
Lebih banyak mengikuti forum akademik untuk peningkatan wawasan dan updating perkembangan ilmu pada bidang yang diminati dan menunjang tugas pengajaran
Lainnya, sebutkan

Sebutkan faktor dari MAHASISWA yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Motivasi mahasiswa dalam mengikuti perkuliahan dan mengumpulkan tugas
Kemampuan literasi
Kemampuan numerasi
Kemampuan analisis dan sintesis
Tipe kepribadian dan gaya belajar mahasiswa yang tidak sesuai dengan gaya mengajar dosen
Ketersediaan fasilitas belajar pribadi seperti komputer, jaringan internet, dll di rumah
Lainnya, sebutkan

Apa usulan/rencana tindak lanjut perbaikan dari faktor MAHASISWA yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Memberikan panduan pengenalan gaya belajar sesuai dengan tipe kepribadian mahasiswa
Memberikan pesan-pesan motivasi untuk mahasiswa pada sesi perkuliahan
Memberikan lebih banyak tugas membaca untuk meningkatkan kemampuan literasi
Mengenalkan tools yang akan membantu mahasiswa dalam kemampuan numerasinya
Memberikan lebih banyak latihan dan tugas yang menstimulasi dan menigkatkan kemampuan analisis dan sintesis
Mendorong mahasiswa untuk memanfaatkan fasilitas perkuliahan yang disediakan oleh kampus, seperti ruang belajar di perpustakaan dan laboratorium
Lainnya, sebutkan

Sebutkan faktor PENDUKUNG PERKULIAHAN yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Kualitas bahan ajar
Kuantitas bahan ajar
Kelayakan dan kecukupan referensi yang digunakan
Metode pembelajaran yang diterapkan di kelas
Fasilitas LMS untuk perkuliahan
Ruang kelas yang memadai untuk perkuliahan yang nyaman
Lainnya, sebutkan

Apa usulan/rencana tindak lanjut perbaikan dari faktor PENDUKUNG PERKULIAHAN yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Mengupayakan dan memberikan bahan ajar yang cukup JUMLAH DAN RAGAMNYA , seperti handout, modul, artikel ilmiah, video pembelajaran, buku ajar, dll
Mengupayakan dan memberikan bahan ajar yang BERKUALITAS
Meningkatkan fleksibilitas pada pilihan metode pembelajaran yang digunakan di kelas
Menggunakan LMS Trisakti atau GCR dan menggunakan fitur-fiturnya secara maksimal untuk kemudahan dalam penyampaian bahan kuliah, pengumpulan dan penilaian tugas
Melakukan pembelajaran di luar kampus sebagai variasi tatap muka
Lainnya, sebutkan


EVALUASI Lainya


TINDAK LANJUT Lainya

7. LAMPIRAN:

Berkas berikut dapat dilampirkan pada portofolio mata kuliah :
1) Daftar hadir mahasiswa
2) Berita acara perkuliahan
3) Soal tugas, UTS, UAS, kuiz dll.
4) Contoh hasil tugas mahasiswa (nilai terendah, tengah, tertinggi)
5) Contoh hasil kuis mahasiswa (nilai terendah, tengah, tertinggi)
6) Contoh hasil UTS mahasiswa (nilai terendah, tengah, tertinggi)
7) Contoh hasil UAS mahasiswa (nilai terendah, tengah, tertinggi)
8) Rekapitulasi kuesioner survey kepuasan mahasiswa

Jakarta, 07-03-2024
Dosen Mata Kuliah,




(2554 Anung Barlianto Ariwibowo, M.Kom.)