RENCANA PEMBELAJARAN SEMESTER (RPS)

RENCANA PEMBELAJARAN SEMESTER (RPS) CSG3G3 KECERDASAN ARTIFISIAL

Disusun oleh: Tjokorda Agung B.W. Untari Novia Wisesty

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

:

CSG3G3

Nama Mata Kuliah

:

Kecerdasan Artifisial

Mengetahui Kaprodi S1 Teknik Informatika

Bandung, 7 July 2015 Menyetujui Ketua KK Intelligence, Computing, Multimedia

M. Arif Bijaksana, PhD

Ari M. Barmawi, PhD

1

DAFTAR ISI LEMBAR PENGESAHAN DAFTAR ISI A.

PROFIL MATA KULIAH

B.

RENCANA PEMBELAJARAN SEMESTER (RPS)

C.

RANCANGAN INTERAKSI DOSEN–MAHASISWA

D.

RANCANGAN TUGAS

E.

PENILAIAN DENGAN RUBRIK

F.

PENENTUAN NILAI AKHIR MATA KULIAH

2

A. PROFIL MATA KULIAH IDENTITAS MATA KULIAH Nama Mata Kuliah

:


Kode Mata Kuliah SKS Jenis Jam pelaksanaan

: : : :

Semester / Tingkat Pre-requisite Co-requisite Bidang Kajian

: : : :

CSG3G3 3 MK Wajib Tatap muka di kelas = 3 jam per minggu Tutorial / responsi = 1 jam per minggu 6 (enam) / 3 (tiga) Logika Matematika, Probabilitas dan Statistika, Matematika Diskrit Artificial Intelligence

DESKRIPSI SINGKAT MATA KULIAH Mata kuliah ini membahas empat teknik dasar untuk membangun kecerdasan mesin, yaitu Searching, Reasoning, Planning, dan Learning. Juga membahas kelebihan dan kekurangan masingmasing metode serta bagaimana memilih teknik dan metode yang paling sesuai untuk beragam masalah dan kasus yang dihadapi. Perkuliahan dilaksanakan secara proporsional antara teori dan praktek (tugas), dimana pembahasan teori dilakukan secara umum, dari motivasi, filosofi, perbedaan antar teknik dan metode yang ada, hingga detail algoritma melalui studi kasus.

DAFTAR PUSTAKA Suyanto. 2007. “Artificial Intelligence: Searching, Reasoning, Planning and Learning”, Andi Publisher, Yogyakarta Indonesia, ISBN: 979-1153-05-1. 2. Russel, Stuart and Norvig, Peter. 1995. “Artificial Intelligence: A Modern Approach”. Prentice Hall International, Inc. 3. Mitchell M. Tom. 1997. ”Machine Learning”. McGraw-Hill International Editions. Printed in Singapore. 1.

3

B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke-

Kemampuan Akhir yang Diharapkan

1

Mahasiswa dapat memberikan gambaran umum mengenai teknik dan metode kecerdasan mesin.

2

Memberikan pemahaman dan diskusi tentang teknik Searching.

3


Bahan Kajian (Materi Ajar)

Pendahuluan: 1. Definisi kecerdasan mesin dan artifisial atau AI 2. Aplikasi-aplikasi AI Searching (Pencarian): 1. Ruang Masalah 2. Sistem produksi 3. Studi kasus: mengubah masalah ke dalam ruang masalah dan operator yang bisa digunakan 4. Metode-metode pencarian Blind search / Uninformed Search: 1. Breadth-First Search (BFS) 2. Depth-Limited Search (DLS) 3. Uniform Cost Search (UCS) 4. Iterative-Deepening Search (IDS) 5. Bi-Directional Search (BDS)

4

Bentuk/ Metode/ Strategi Pembelajaran Ceramah, diskusi.

Kriteria Penilaian (Indikator)

Bobot Nilai

Minimal mencapai level dasar.

Ceramah, diskusi, praktikum.


Ceramah, diskusi, mengerjakan studi kasus Uninformed search, praktikum.


2.5%

4-7


Informed search: 1. Generate and Test 2. Hill Climbing 3. Simulated Annealing 4. Best First Search 5. Greedy Search 6. A* 7. Berbagai variasi A* 8. Tugas Besar 1

Ceramah, diskusi, mengerjakan studi kasus Informed search, praktikum. Mengerjakan tugas besar pemrograman


2.5%

Minimal mencapai spesifikasi yang ditentukan.

10%

Ceramah, diskusi, mengerjakan studi kasus Algoritma Genetika, praktikum. Implementasi teknik dasar searching, praktikum. Ceramah, diskusi, mengerjakan studi kasus, praktikum.

Minimal mencapai level dasar

3%

8-9


Algoritma Genetika

10

Mahasiswa mampu mengimplementasikan teknik dasar searching untuk penyelesaian masalah dunia nyata. Memberikan pemahaman dan diskusi tentang teknik Reasoning.

Responsi

11

Reasoning (penalaran): 1. Propositional logic 2. First-Order Logic

5



1%

12-13

Memberikan pemahaman dan diskusi tentang teknik Reasoning.

14

Mahasiswa mampu mengimplementasikan teknik dasar Reasoning untuk penyelesaian masalah dunia nyata.

15-16

Memberikan pemahaman mengenai teknik Planning (penalaran)

17

Mahasiswa mampu mengimplementasikan teknik dasar Planning untuk penyelesaian masalah dunia nyata.

Fuzzy Systems: 1. Fuzzy Systems 2. Fuzziness dan Probabilitas 3. Fuzzy set 4. Fuzzy logic 5. Permasalahan pada fuzzy systems 6. Studi kasus Responsi

UTS Planning (penalaran): 1. Dunia Balok 2. Goal-Stack-Planning (GSP) 3. Constraint Posting (CP)

Responsi

6

Ceramah, diskusi, mengerjakan studi kasus Fuzzy system, praktikum.


Implementasi teknik dasar reasoning, praktikum.


Ceramah, diskusi, mengerjakan studi kasus Dunia Balok, praktikum. Implementasi teknik dasar Planning, praktikum.



3%

25% 4%

18

Memberikan pemahaman mengenai teknik learning (pembelajaran)

Decision tree learning: 1. Entropy 2. Information gain 3. Algoritma ID3

19


Naïve Bayes

20-21


22

Mahasiswa mampu mengimplementasikan teknik dasar Learning untuk penyelesaian masalah dunia nyata.

Jaringan Syaraf Tiruan: 1. Model Sel Syaraf (Neuron) 2. Fungsi Aktivasi 3. Proses Belajar 4. JST dengan metode belajar supervised learning 5. Multi Layer Perceptron (MLP) Responsi

7

Ceramah, diskusi, mengerjakan studi kasus Decision tree, praktikum. Ceramah, diskusi, mengerjakan studi kasus Naïve bayes, praktikum. Ceramah, diskusi, mengerjakan studi kasus JST, praktikum.


3%


3%


3%

Implementasi teknik dasar learning, praktikum.


23

Mengukur kemampuan mahasiswa dalam menggunakan teknik kecerdasan mesin untuk menyelesaikan studi kasus yang dihadapi.

Kuis

24-28

Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik kecerdasan mesin untuk menyelesaikan studi kasus yang dihadapi.

Tugas besar 2

Evaluasi dengan mengerjakan studi kasus teknik kecerdasan mesin, praktikum. Mengimplemen tasikan teknik kecerdasan mesin dan mengevaluasin ya dengan presentasi dan dengan demo program, praktikum.

UAS



15%

25%

8

C. RANCANGAN TUGAS Kode mata Kuliah

CSG3G3

Nama Mata Kuliah



Mahasiswa dapat mengimpementasikan Searchingdengan bahasa pemrograman menyelesaikan studi kasus yang dihadapi.

Minggu/Pertemuan ke

7-14

Tugas ke

Tugas Besar 1

teknik untuk

1. Tujuan tugas: Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik Searchingdengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi. 2. Uraian Tugas: Kelompok 1 Tugas Besar ini dikerjakan secara berkelompok, setiap kelompok terdiri dari maksimal 3 orang. 2 Diharapkan masing-masing anggota kelompok dapat benar-benar berkontribusi atas pekerjaan kelompoknya, serta memperkecil kemungkinan ‘anggota pasif’ di dalam kelompok. 3 Pada dasarnya, meskipun tugas ini dilakukan secara berkelompok, penilaian yang dilakukan oleh dosen tetap mengacu pada kinerja setiap anggota kelompok. Tahap Pengerjaan 1. Tahap Coding/Implementasi  Kelompok Tubes membuat program sesuai algoritma/pseudocode yang tepat (berdasarkan referensi yang relevan).  Program yang dibuat Harus Original atau karya sendiri, bukan merupakan Plagiat dengan cara apapun, dan dibangun dalam bahasa pemrograman JAVA.  Pelanggaran pada originalitas Tugas Besar ini akan mengakibatkan minimal nilai Mata Kuliah KMA mahasiswa/kelompok yang bersangkutan menjadi E.  Program yang dibangun bertujuan memberikan solusi sesuai permasalahan yang diberikan  Tahap ini ditargetkan selesai pada 9-13 Maret 2015. 2. Tahap Penilaian/Presentasi  Dilakukan presentasi hasil pengerjaan Tugas Besar di hadapan Dosen dan/atau Asdos.  Presentasi dilakukan dengan jadwal tentative, sesuai kebijakan Dosen kelas masingmasing. Namun, diharapkan telah selesai dinilai selambat-lambatnya 1 minggu setelah UTS.  Penilaian terdiri dari 2 komponen, yaitu a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini. 9

b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi program. Studi Kasus Tugas Besar 1. Diberikan beberapa studi kasus terkait permasalahan TSP (Travelling Salesman Problem): “16Ulysses”, “22Ulysses”, “52Berlin”, “194Qatar”, dan “734Uruguay”. Masing-masing studi kasus TSP tersebut memiliki data dan Best Known Solution. 2. Data dari setiap studi kasus (pada file *.tsp) berupa ID/nomor titik (node) beserta koordinatnya masing-masing pada 2 sumbu. Cost antar titik berasal dari jarak garis lurus antar titik yang dihitung dari posisi/koordinat masing-masing pasangan titik. Best Known Solution menunjukkan cost terrendah yang dapat dicapai dengan rute TSP tertentu. File data studi kasus yang diberikan boleh diubah (secara manual) menjadi file bertipe lain, misalnya .xls, .csv, .txt, atau yang lainnya. 3. Tugas mahasiswa adalah membangun program Genetic Algoritma untuk menyelesaikan setiap studi kasus TSP, dengan menghasilkan solusi berupa rute TSP untuk setiap studi kasus sehingga mendekati atau bahkan mencapai Best Known Solution yang diberikan. 4. Mahasiswa hanya diminta membuat 1 program GA untuk TSP, yang dapat menerima masukan data dari masing-masing studi kasus. Solusi rute TSP yang dihasilkan kemudian dihitung cost-nya dan dibandingkan dengan Best Known Solution untuk mengukur optimality solusi dari program yang telah dibangun. 3. Kriteria penilaian: Penilaian terdiri dari 2 komponen, yaitu a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini. b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi program.

Kode mata Kuliah

CSG3G3

Nama Mata Kuliah



Mahasiswa dapat mengimpementasikan teknik Learning dengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.

Minggu/Pertemuan ke

24-28

Tugas ke

Tugas Besar 2

1. Tujuan tugas: Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik Learningdengan 10

bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi. 2. Uraian Tugas: a. Kelompok mengikuti kelompok pada tugas besar I KMA b. Bahasa pemrograman ditentukan oleh dosen kelas (UNW : Java) c. PLAGIARISME terhadap kode sumber dikenakan pinalti E untuk matakuliah KMA. Asisten akan melakukan pemeriksaan terhadap kode sumber ini. Baik yang membagi kode dan yang melakukan plagiarisme akan mendapatkan pinalti yang sama. d. Fungsionalitas berikut dibangun sendiri (Programming 65 poin)  Load dataset learning dalam format Comma Separated value ke Memory / Database, (nilai 20 %) / ada tidaknya bug  Perhitungan probabilitas Dependent dan Probabilitas Independent dari data yang 

Pembangunan system learning menggunakan Jaringan Syaraf Tiruan : Backpropagation (Nilai 25%)  Load dan klasifikasi dataset testing (jml attribute sama, namun jml instance variable) dalam format Comma separated value ke memory (nilai 25%) / Proses testing  Perhitungan akurasi hasil klasifikasi dan analisa perbandingan naïve bayes dan JST (nilai 15%)  Poin c dan d akan di cek pada saat presentasi. e. Studi kasus yang dihadapi adalah : Car evaluation dataset yang dapat diunduh dari http://sci2s.ugr.es/keel/dataset.php?cod=56 f. Tugas wajib dipresentasikan di hadapan Asisten dengan nilai :  Programming 65 poin  Presentasi 15 poin  Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa). g. Waktu pengerjaan Tugas Besar : 2 Minggu, Presentasi 1 Minggu dari tugas pertama kali diberikan. 3. Kriteria penilaian: Tugas wajib dipresentasikan di hadapan Asisten dengan nilai :  Programming 65 poin  Presentasi 15 poin  Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa)

D. PENILAIAN DENGAN RUBRIK Jenjang (Grade) E (Sangat kurang) D (Kurang) C (Cukup) BC (Cukup Baik)

Angka (Skor) ≤ 40 40.01-50 50.01-60 60.01-65

B (Baik)

65.01-70

AB (Lebih

70.01-80

Deskripsi perilaku (Indikator) Tidak ada ide yang jelas untuk menyelesaikan masalah Ada ide yang dikemukakan, namun kurang sesuai dengan permasalahan Ide yang dikemukakan jelas dan sesuai, namun kurang inovatif Ide yang dikemukakan jelas, mampu menyelesaikan masalah, cukup inovatif, cakupan tidak terlalu luas Ide yang dikemukakan jelas, mampu menyelesaikan masalah, inovatif, cakupan tidak terlalu luas Ide yang dikemukakan jelas, mampu menyelesaikan masalah, 11

dari Baik) A (Sangat Baik)

80.01-100

inovatif, cakupan cukup luas Ide, jelas, inovatif, dan mampu menyelesaikan masalah dengan cakupan luas

E. PENENTUAN NILAI AKHIR MATA KULIAH KOMPONEN PENILAIAN Tugas Harian + Kuis Tugas Besar

BOBOT

KETERANGAN

25 % 25 %

UTS UAS

25 % 25%

Tugas perorangan dan kelompok Mengimplementasikan teknik kecerdasan mesin dengan menggunakan bahasa pemrograman dan mengevaluasinya dengan presentasi dan demo program. Ujian perorangan dan on the site. Ujian perorangan dan on the site.

Nilai Skor Matakuliah (NSM)

Nilai Mata Kuliah (NMK)

80.01≤ NSM

A

70.01≤ NSM ≤ 80

AB

65.01≤ NSM ≤ 70

B

60.01≤ NSM ≤ 65

BC

50.01≤ NSM ≤ 60

C

40.01≤ NSM ≤ 50

D

NSM ≤ 40

E

12

RENCANA PEMBELAJARAN SEMESTER (RPS)

Recommend Documents