RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin
Disusun oleh: Agung Toto Wibowo Said Al Faraby
PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA
TELKOM UNIVERSITY
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb: Kode Mata Kuliah
:
CIG4A3
Nama Mata Kuliah
:
Pembelajaran Mesin
Mengetahui Kaprodi S1 Teknik Informatika
Bandung, 2015 Menyetujui Ketua KK ICM
Arif Bijaksana PhD
Ari M. Barmawi, Ph.D
ii
DAFTAR ISI LEMBAR PENGESAHAN..............................................................................................................................ii DAFTAR ISI ................................................................................................................................................ iii A.
PROFIL MATA KULIAH....................................................................................................................... 1
B.
RENCANA PEMBELAJARAN SEMESTER (RPS) ................................................................................... 1
C.
RANCANGAN INTERAKSI DOSEN–MAHASISWA ............................................................................... 2
D.
RANCANGAN TUGAS ........................................................................................................................ 6
E.
PENILAIAN DENGAN RUBRIK .......................................................................................................... 11
F.
PENENTUAN NILAI AKHIR MATA KULIAH ....................................................................................... 12
iii
1. PROFIL MATA KULIAH IDENTITAS MATA KULIAH Nama Mata Kuliah Kode Mata Kuliah SKS Jenis Jam pelaksanaan
: : : : :
Pembelajaran Mesin CIG4A3 3 MK Piilihan Tatap muka di kelas Tutorial / Responsi
Semester / Tingkat Pre-requisite Co-requisite Bidang Kajian
: Genap / Tingkat 4 : Pengolahan Citra Digital : : Intelligent Systems
= 3 x 60 menit per minggu = 1 x 60 menit per minggu
Future Trend and Problem Solving
DESKRIPSI SINGKAT MATA KULIAH Mata Kuliah Pembelajaran mesin mengajak mahasiswa untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas. Penekanan materi pada teknik dasar pembelajaran secara supervised, unsupervised, dan reinforcement. Mahasiswa akan diperkenalkan dengan area permasalahan dan batasan masalah (curse of dimensionaityl)dalam pembelajaran mesin yang meliputi Klasifikasi dan Klustering. Mengajak mahasiswa memahami dan melakukan pengukuran unjuk kerja sistem, optimasi sistem dan mengatasi masalah over fitting. Beberapa Algoritma/Teknik/Metode dasar dan umum untuk mengembangkan sistem berbasis pembelajaran mesin disampaikan kepada mahasiwa, seperti: Bayes Clasifier, Naive Bayes, Decision Tree, Jaringan Syaraf Tiruan, Jaringan Kohonen, Self Organization Map, K-Means, K-NN, Q-Learning. Dalam perkuliahan mahasiswa dituntun untuk berinovasi dengan mengembangkan sebuah sistem Pembelajaran Mesin pada kasus tertentu.
REFERENSI Mitchell M. Tom, 1997, Machine Learning. McGraw Hill, International Editions. Printed in Singapore. Last Edition Nils. J. Nilson, 1998, Intoduction to Machine Learning, Department of Computer Science, Standford University, Last Edition Russel, Stuart and Norvig, Peter. 1995. “Artificial Intelligence: A Modern Approach”. Prentice Hall International, Inc. Last Edition
1
2. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke-
1
2-4
5
6-7
Kemampuan Akhir yang Diharapkan
1. Mampu mendefinisikan pembelajaran mesin 2. Mampu menentukan kapan pembelajaran mesin bisa digunakakan
1. Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction 2. Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan
1. Mampu membedakan jenis-jenis permasalahan pada pembelajaran mesin 1. Mampu mengidentifikasi permasalahan clustering 2. Mampu mengkomunikasikan perbedaan teknik-teknik
Bahan Kajian (Materi Ajar)
Definisi dan Aplikasi Pembelajaran Mesin
Teknik Dimensionality Reduction : Principal Component Analysis Singular Value Decomposition Independent Component Analysis Factor Analysis Linear Discriminant Analysis Pembahasan Tugas 1
Overview Unsupervised, Supervised, Semisupervised learning
Teknik Pembelajaran : Unsupervised K-means clustering Hierarchical clustering 2
Bentuk/ Metode/ Strategi Pembelajaran Diskusi, Ceramah.
Ceramah, Diskusi, Demonstrasi
Diskusi, Ceramah
Ceramah, Diskusi,
Kriteria Penilaian (Indikator)
Mampu menentukan permasalahan yang bisa diselesaikan dengan pembelajaran mesin 1. Mampu mengkomunikasikan konsep dari setiap teknik dalam dimensionality reduction 2. Mampu mengimplementasikan salah satu algoritma Ketepatan dalam mencocokkan contoh permasalahan dengan teknik pembelajaran 1. Ketepatan dalam menjelaskan perbedaan teknikteknik pada
Bobot Nilai
Pembelajaran tanpa supervisi 3. Mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin
8-11
1. Mampu membedakan permasalahan regresi dan klasifikasi 2. Mampu mengkomunikasikan konsep dari tiap-tiap teknik pada pembelajaran dengan supervise 3. Mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin
12-13
1. Mampu mengidentifikasi permasalahan reinforcement learning 2. Mampu mengkomunikasikan teknik-teknik dalam reinforcement learning
Expectation Maximization Pembahasan Tugas 2
Demonstrasi
pembelajaran tanpa supervise 2. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari
Ceramah, Diskusi, Demonstrasi
1. Ketepatan dalam mencocokkan permasalahan dengan jenis pembelajaran regresi atau klasifikasi 2. Ketepatan dalam menjelaskan perbedaan teknikteknik pada pembelajaran tanpa supervise 3. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari
Ceramah, Diskusi
1. Ketepatan dalam mengidentifikasi permasalahan yang cocok untuk reinforcement learning 2. Ketepatan dalam
Teknik Pembelajaran: Supervised Regression Support Vector Machine Neural Network Pembahasan Tugas 3
Pembelajaran: Reinforcement Definisi Reinforcement Learning Markov Decision Process Bellman Equations Value Iteration and Policy 3
3. Mampu memodelkan permasalahan untuk diselesaikan dengan reinforcement learning
14
Iteration Q-Learning
menjelaskan teknikteknik dalam reinforcement learning 3. Ketepatan dalam memodelkan permasalahan untuk reinforcement learning
Teknik Dimensionality Reduction Teknik Unsupervised Teknik Supervised Teknik Reinforcement
Responsi
Ceramah,
15-28
1. Memahami contoh permasalahan pada pembelajaran mesin 2. Menentukan Teknik Pembelajaran yang sesuai dengan permasalahan 3. Mengimplementasikan beberapa algoritma yang dipelajari untuk menyelesaikan permasalahan yang diberikan 4. Mampu menginterpretasikan hasil penerapan algoritma
Diskusi,
Wawasan Studi Kasus Pembelajaran Mesin Progres proyek pembelajaran mesin
4
Presentasi oleh mahasiswa
1. Kejelasan dari permasalahan yang dipilih serta teknikteknik yang digunakan 2. Kesesuaian pemilihan dataset yang digunakan serta pengolahannya 3. Kesesuaian penggunaan source dan library 4. Kesesuaian pemilihan referensi
2. RANCANGAN INTERAKSI DOSEN–MAHASISWA 1.
Kemampuan Akhir yang Diharapkan
Mampu mendefinisikan pembelajaran mesin Mampu menentukan kapan pembelajaran mesin bisa digunakakan
Nama Kajian
Definisi dan Aplikasi Pembelajaran Mesin
Nama Strategi Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
Diskusi, Ceramah. 1
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada penjelasan yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Menyimpulkan materi
Menyimak kesimpulan materi
5
2.
Kemampuan Akhir yang Diharapkan
Nama Kajian
Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan
Teknik Dimensionality Reduction : Principal Component Analysis Singular Value Decomposition Independent Component Analysis Factor Analysis Linear Discriminant Analysis Pembahasan Tugas 1 Diskusi, Ceramah. 2-4
Nama Strategi Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti
Menyimpulkan materi
Menyimak kesimpulan materi
6
3. Kemampuan Akhir yang Diharapkan
Mampu membedakan jenis-jenis permasalahan pada pembelajaran mesin Overview Unsupervised, Supervised, Semisupervised learning Diskusi, Ceramah,
Nama Kajian Nama Strategi
Discovery Learning. 5
Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi
Menjawab pertanyaan
Menyimpulkan materi
Menyimak kesimpulan materi
7
4.
Kemampuan Akhir yang Diharapkan
Nama Kajian
Mampu mengidentifikasi permasalahan clustering Mampu mengkomunikasikan perbedaan teknik-teknik Pembelajaran tanpa supervisi Mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin
Teknik Pembelajaran : Unsupervised K-means clustering Hierarchical clustering Expectation Maximization Pembahasan Tugas 2 Diskusi,
Nama Strategi
Ceramah, Discovery Learning. Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
6-7
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Menjawab pertanyaan
Menyimpulkan materi
Menyimak kesimpulan materi
Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti
5.
Kemampuan Akhir yang Diharapkan
8
Mampu membedakan permasalahan regresi dan klasifikasi
Mampu mengkomunikasikan konsep dari tiap-tiap teknik pada pembelajaran dengan supervisi Mampu menerapkan salah satu algoritma dalam permasalahan pembelajaran mesin
Teknik Pembelajaran: Supervised Regression Support Vector Machine Neural Network Pembahasan Tugas 3 Diskusi,
Nama Kajian
Nama Strategi
Ceramah, Discovery Learning. Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
8-11
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Menjawab pertanyaan
Menyimpulkan materi
Menyimak kesimpulan materi
Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti
6.
Kemampuan Akhir yang Diharapkan
9
Mampu mengidentifikasi permasalahan reinforcement learning Mampu mengkomunikasikan teknik-teknik dalam reinforcement learning Mampu memodelkan permasalahan untuk
diselesaikan dengan reinforcement learning Pembelajaran: Reinforcement Definisi Reinforcement Learning Markov Decision Process Bellman Equations Value Iteration and Policy Iteration Q-Learning Diskusi,
Nama Kajian
Nama Strategi
Ceramah, Discovery Learning. Pertemuan Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran
12-13
RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen
Aktivitas Mahasiswa
Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran
Menyimak penjelasan dosen
Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi
Mempersiapkan diri untuk terlibat aktif dalam kegiatan pembelajaran Menyimak penjelasan dosen Mengajukan pertanyaan jika ada yang kurang dimengerti
Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa
Menjawab pertanyaan
Menyimpulkan materi
Menyimak kesimpulan materi
Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti
10
3. RANCANGAN TUGAS Tugas terkait Dimensionality Reduction Kode mata Kuliah
CIG4A3
Nama Mata Kuliah
Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan
Pertemuan ke
Mampu menerapkan salah satu algoritma dimensionality reduction untuk contoh kasus sederhana 4
Tugas ke
1
1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang cara melakukan dimensionality reduction 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma PCA pada dataset yang diberikan c. Dihitung secara manual d. Hasil perhitungan komponen hasil transformasi dan reduksi 3. Kriteria penilaian a. Ketepatan langkah-langkah dalam menerapkan algoritma PCA
Tugas terkait Pembelajaran tanpa supervisi Kode mata Kuliah
CIG4A3
Nama Mata Kuliah
Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Pertemuan ke
Mampu menerapkan salah satu algoritma pembelajaran tanpa supervisi pada kasus sederhana 7
Tugas ke
2
1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran tanpa supervise pada contoh kasus sederhana 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma K-means 11
c. Diimplementasikan ke dalam kode program / menggunakan library d. Kode program dan laporan 3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan
Tugas terkait Pembelajaran dengan Supervisi Kode mata Kuliah
CIG4A3
Nama Mata Kuliah
Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Pertemuan ke
Mampu menerapkan salah satu algoritma pembelajaran dengan supervisi pada kasus sederhana 10
Tugas ke
3
1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan pembelajaran dengan supervise pada contoh kasus sederhana 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma Regression dan SVM c. Diimplementasikan ke dalam kode program / menggunakan library d. Kode program dan laporan 3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan
4. PERSENTASE KOMPONEN PENILAIAN 1. Kuis 2. Tugas Besar 3. UTS 4. UAS
: 10% : 20% : 30% : 40%
12
5. PENENTUAN NILAI AKHIR MATA KULIAH
Nilai Skor Matakuliah (NSM)
Nilai Mata Kuliah (NMK)
87 < NSM
A
72 < NSM ≤ 87
AB
67 < NSM ≤ 72
B
59 < NSM ≤ 67
BC
54 < NSM ≤ 59
C
40 < NSM ≤ 54
D
NSM ≤ 40
E
13