UNIVERSITAS WAHID HASYIM(UNWAHAS)

 

 

FAKULTAS

FACULTY

TEKNIK

PROGRAM STUDI

STUDY PROGRAM

TEKNIK INFORMATIKA

RENCANA PEMBELAJARAN SEMESTER

LESSON PLAN

Nomer Dokumen

Document Number

FM-C.002/SPMI/UWH/IX/2022

Nomer Revisi

Revision Number

0

Halaman

Page

-

Tanggal Penyusunan

Compilation Date

17-Feb-2025

 

Mata Kuliah

Course

Kode

Code

Rumpun MK

Specialisation

Bobot

Credit

Semester

Semester

Machine Learning

JTI 071

-

3 Sks

6

Pengesahan

Confirmation

Dosen Pengembang RPS

Lesson Plan Coordinator

Koordintaor MK

Coordinator

Ketua Program Studi

Head of Study Program

 

(Dr. Ir. Arief Hidayat, S.Kom., M.Kom)

 

(Dr. Ir. Arief Hidayat, S.Kom., M.Kom)

 

( Fandy Indra Pratama, S.Kom., M.Kom )

CAPAIAN PEMBELAJARAN

LEARNING OBJECTIVES

CPL-Prodi yang dibebankan MK

Learning Objectives of Study Program Given to the Course

 

CPL02 (PENGETAHUAN)

Memiliki pengetahuan yang memadai terkait cara kerja sistem komputer dan mampu menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu organisasi.

CPL05 (KETRAMPILAN KHUSUS)

Kemampuan mengimplementasi kebutuhan computing dengan mempertimbangkan berbagai metode/algoritma yang sesuai.

CPL08 (SIKAP)

Bertakwa kepada Tuhan Yang Maha Esa, taat hukum, dan disiplin dalam kehidupan bermasyarakat dan bernegara.

CPL10 (KETRAMPILAN UMUM)

Memiliki kemampuan (pengelolaan) manajerial tim dan kerja sama (team work), manajemen diri, mampu berkomunikasi baik lisan maupun tertulis dengan baik dan mampu melakukan presentasi.

Capaian Pembelajaran Mata Kuliah (CPMK)

Course Learning Objective

 

CPMK031 (CPL03)

Mampu menjelaskan pengertian computing dengan benar

CPMK032 (CPL03)

Mampu menganalisis permasalahan computing

CPMK033 (CPL03)

Mampu memberikan solusi berbasis computing

CPMK051 (CPL05)

Mampu menganalisis dan mendesain kebutuhan computing dengan benar.

CPMK081 (CPL08)

Mampu menginternalisasi nilai-nilai ketaqwaan kepada Tuhan Yang Maha Esa

CPMK101 (CPL10)

Mampu mengelola tim, komunikasi dan berkolaborasi dalam proyek teknologi informasi

CPMK102 (CPL10)

Mampu mengelola diri sendiri

CPMK103 (CPL10)

Mampu menyajikan gagasan secara lisan dan tertulis

Kemampuan Akhir tiap Tahapan Belajar (Sub-CPMK)

Sub Course Learning Objective

 

SUB-CPMK0311 (CPMK031)

Kemampuan menjelaskan pengertian machine learning pada ilmu computing dengan benar

SUB-CPMK0321 (CPMK032)

Kemampuan menganalisis permasalahan computing pada machine learning

SUB-CPMK0331 (CPMK033)

Kemampuan memberikan solusi berbasis computing pada machine learning

SUB-CPMK0511 (CPMK051)

Kemampuan menganalisis dan mendesain solusi untuk machine learning dengan benar.

SUB-CPMK0811 (CPMK081)

Kemampuan untuk bertingkah laku menghargai nilai-nilai kemanusiaan dalam melakukan kegiatannya berdasarkan agama, moral, dan etika.

SUB-CPMK1011 (CPMK101)

Kemampuan mengelola tim, komunikasi dan berkolaborasi menggunakan ilmu machine learning dalam proyek teknologi informasi

SUB-CPMK1021 (CPMK102)

Kemampuan mengelola diri dalam mengolah data dengan konsep machine learning

SUB-CPMK1031 (CPMK103)

Kemampuan menyajikan gagasan machine learning secara lisan dan tertulis

Korelasi CPMK terhadap Sub-CPMK

CorrelationLearning Objective of The Course to Sub Course Learning Objective

 

Tuliskan peta matriks antara CPL dengan CPMK (Sub CP MK)

 

Diskripsi Singkat MK

Course Short Description

Bahan kajian:

Materi Pembelajaran

 

Study Material:

Learning Materials

Tuliskan materi / bahan kajian MK, secara rinci, dengan penulisan secara berurut

  1. Intelligent Systems

Pustaka

References

Utama

Main

 

Tuliskan referensi utama dalam susunan berurut

1. Mitchell, T. Machine Learning. New York: McGraw-Hill, 1997
2. Kromanis et al.(2013). “Support vector regression for anomaly detection from measurement histories”.
3. Dópido et al. (2013). ”Semisupervised self learning for hyperspectral image classification”.
4. Raphael, B. and Smith, I.F.C. “Engineering informatics - fundamentals of computer-aided engineering”, Wiley, 2013.

Pendukung

Supporting

 

Tuliskan Pustaka penunjang , dituliskan secara berurut


Dosen Pengampu

Lecturer

Dr. Ir. Arief Hidayat, S.Kom., M.Kom

Mata Kuliah Syarat

Prerequisite

Data Mining >= D

Minggu Ke

Week

Kemampuan akhir tiap tahapan belajar (Sub-CPMK)

Sub Course Learning Objective

Penilaian

Assesment

Bentuk Pembelajaran;

Metode pembelajaran;

Penugasan Mahasiswa

Learning Form;

Learning Method;

Assignment;

Materi Pembelajaran

Learning Paltform

 

Bobot Penilaian

Scoring Weight

(%)

Indikator

Indicator

Kriteria

Criteria

(1)

(2)

(3)

(4)

Tatap Muka

Face To Face

(5)

Daring

Online

(6)

(7)

(8)

1

Kemampuan menjelaskan pengertian machine learning pada ilmu computing dengan benar

Mampu menentukan permasalahan yang bisa diselesaikan dengan pembelajaran mesin

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

14.38

2

Kemampuan menjelaskan pengertian machine learning pada ilmu computing dengan benar

1. Mampu mengkomunikasikan konsep dari setiap teknik dalam dimensionality reduction
2. Mampu mengimplementasikan salah satu algoritma

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

10.54

3

Kemampuan menganalisis permasalahan computing pada machine learning

1. Mahasiswa mampu mendefinisikan pembelajaran mesin
2. Mahasiswa mampu menentukan kapan pembelajaran mesin bisa digunakan

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

6.00

4

Kemampuan menganalisis permasalahan computing pada machine learning

1. Mahasiswa mampu mendefinisikan pembelajaran mesin
2. Mahasiswa mampu menentukan kapan pembelajaran mesin bisa digunakan

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Discovery Learning, Small Group Discussion, Project Based Learning

elearning

3

5.38

5

Kemampuan memberikan solusi berbasis computing pada machine learning

Membedakan jenis-jenis permasalahan pada pembelajaran mesin

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

5.50

6

Kemampuan menganalisis dan mendesain solusi untuk machine learning dengan benar.

1. Mahasiswa mampu mengidentifikasi permasalahan clustering
2. Mahasiswa mampu mengkomunikasikan perbedaan Teknikteknik pembelajaran tanpa supervise
3. Mahasiswa mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

6.00

7

Kemampuan menganalisis dan mendesain solusi untuk machine learning dengan benar.

1. Mahasiswa mampu mengidentifikasi permasalahan clustering
2. Mahasiswa mampu mengkomunikasikan perbedaan Teknikteknik pembelajaran tanpa supervise
3. Mahasiswa mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

5.38

9

Kemampuan untuk bertingkah laku menghargai nilai-nilai kemanusiaan dalam melakukan kegiatannya berdasarkan agama, moral, dan etika.

Mahasiswa mampu menerapkan dalah satu algoritma dalam permasalahan pembelajaran mesin

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

8.67

10

Kemampuan mengelola tim, komunikasi dan berkolaborasi menggunakan ilmu machine learning dalam proyek teknologi informasi

1. Mahasiswa mampu melakukan telaah data menggunakan metoda statistic
2. Mahasiswa mampu menerapkan algoritma Deep Learning
3. Mahasiswa mampu menggunakan teknik visualisasi untuk menganalisis data

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

4

4.88

11

Kemampuan mengelola tim, komunikasi dan berkolaborasi menggunakan ilmu machine learning dalam proyek teknologi informasi

1. Mahasiswa mampu melakukan telaah data menggunakan metoda statistic
2. Mahasiswa mampu menerapkan algoritma Deep Learning
3. Mahasiswa mampu menggunakan teknik visualisasi untuk menganalisis data

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

11.17

12

Kemampuan mengelola diri dalam mengolah data dengan konsep machine learning

1. Mahasiswa mampu menerapkan algoritma Deep Learning withTensorFlow
2. Menentukan objek atau Memilah Data, Membersihkan Data, Memvalidasi Data dan Memprentasikannya
3. Mahasiswa mampu melakukan proses pembersihan data dan untuk memperbaiki kualitas data.
4. Mahasiswa mampu melakukan proses memvalidasi data dan untuk memperbaiki kualitas data.

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

4.88

13

Kemampuan mengelola diri dalam mengolah data dengan konsep machine learning

1. Mahasiswa mampu menerapkan algoritma Deep Learning withTensorFlow
2. Menentukan objek atau Memilah Data, Membersihkan Data, Memvalidasi Data dan Memprentasikannya
3. Mahasiswa mampu melakukan proses pembersihan data dan untuk memperbaiki kualitas data.
4. Mahasiswa mampu melakukan proses memvalidasi data dan untuk memperbaiki kualitas data.

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

9.88

14

Kemampuan menyajikan gagasan machine learning secara lisan dan tertulis

1. Mahasiswa mampumelakukan kegitan persiapan pemodelan seperti pembagian data penyusunan scenario pemodelan.
2. Mahasiswa mampu melakukan proses pemodelan klasifikasi

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

5.50

15

Kemampuan menyajikan gagasan machine learning secara lisan dan tertulis

Mahasiswa mampu membuat deploy model Machine Learning yang telah dibuat untuk project akhir secara online

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

4

1.88

16

Ujian Akhir Semester

0.00

Total Bobot

100





UNIVERSITAS WAHID HASYIM(UNWAHAS)

 

 

FAKULTAS

FACULTY

TEKNIK

PROGRAM STUDI

STUDY PROGRAM

TEKNIK INFORMATIKA

RENCANA ASESMEN

ASSESMENT PLAN

Nomer Dokumen

Document Number

FM-C.002/SPMI/UWH/IX/2022

Nomer Revisi

Revision Number

0

Halaman

Page

-

Tanggal Penyusunan

Compilation Date

17-Feb-2025

 

Mata Kuliah

Course

Kode

Code

Rumpun MK

Specialisation

Bobot

Credit

Semester

Semester

Machine Learning

JTI 071

-

3 Sks

6

Pengesahan

Confirmation

Dosen Pengembang RPS

Lesson Plan Coordinator

Koordintaor MK

Coordinator

Ketua Program Studi

Head of Study Program

 

(Dr. Ir. Arief Hidayat, S.Kom., M.Kom)

 

(Dr. Ir. Arief Hidayat, S.Kom., M.Kom)

 

( Fandy Indra Pratama, S.Kom., M.Kom )

NO

CPMK

Presensi

Praktek

Presentasi

UTS

UAS

Tugas Kelompok

Total Bobot
1

CPMK031 - Mampu menjelaskan pengertian computing dengan benar

0

0

0

5

5

5

15

2

CPMK032 - Mampu menganalisis permasalahan computing

0

0

0

5

0

5

10

3

CPMK033 - Mampu memberikan solusi berbasis computing

0

0

0

5

5

5

15

4

CPMK051 - Mampu menganalisis dan mendesain kebutuhan computing dengan benar.

0

5

0

5

5

5

20

5

CPMK081 - Mampu menginternalisasi nilai-nilai ketaqwaan kepada Tuhan Yang Maha Esa

0

5

5

0

0

5

15

6

CPMK101 - Mampu mengelola tim, komunikasi dan berkolaborasi dalam proyek teknologi informasi

0

3

0

5

0

0

8

7

CPMK102 - Mampu mengelola diri sendiri

0

3

0

3

0

0

6

8

CPMK103 - Mampu menyajikan gagasan secara lisan dan tertulis

0

3

0

3

0

5

11

Total Bobot 100

 

Catatan sesuai dengan SN Dikti Permendikbud No 3/2020:

1.     Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.

2.     CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.

3.     CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.

4.     Sub-CP Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.

5.     Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.

6.     Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.

7.     Teknik penilaian: tes dan non-tes.

8.     Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.

9.     Metode Pembelajaran:Small Group Discussion,Role-Play & Simulation,Discovery Learning,Self-Directed Learning,Cooperative Learning,Collaborative Learning,Contextual Learning,Project Based Learning, dan metode lainnya yg setara.

10.  Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.

11.  Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-CPMK yang besarnya proposional dengan tingkat kesulitan pencapaian sub-CPMK tsb., dan totalnya 100%.

12.  TM=Tatap Muka,PT=Penugasan Terstuktur,BM=Belajar Mandiri.