RENCANA PEMBELAJARAN SEMESTER (RPS)

RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION

Disusun oleh: Untari Novia Wisesty Syahrul Mubarok

PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA

TELKOM UNIVERSITY

LEMBAR PENGESAHAN

Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah berikut: Kode Mata Kuliah

:

CIG4C3

Nama Mata Kuliah

:

EVOLUTIONARY COMPUTATION

Mengetahui Ketua Program Studi S1 Teknik Informatika

Bandung, 2015 Menyetujui Ketua KK Intelligent, Computing, and Multimedia (ICM)

M. Arif Bijaksana, Ph.D

Ari M. Barmawi, Ph.D

ii

DAFTAR ISI LEMBAR PENGESAHAN........................................................................................................................ii DAFTAR ISI ..........................................................................................................................................iii A.

PROFIL MATA KULIAH................................................................................................................. 1

B.

RENCANA PEMBELAJARAN SEMESTER (RPS) ............................................................................. 2

C.

RANCANGAN INTERAKSI DOSEN–MAHASISWA ......................................................................... 6

D.

RANCANGAN TUGAS ................................................................................................................ 16

E.

PENILAIAN DENGAN RUBRIK .................................................................................................... 21

F.

PENENTUAN NILAI AKHIR MATA KULIAH ................................................................................. 22

iii

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

: : : :

Evolutionary Computation CIG4C3 3 (tiga) Mata kuliah pilihan Tatap muka di kelas = 3 jam per pekan Tutorial/ responsi = 1 jam per pekan 6 (enam)/ 3 (tiga) Kecerdasan Mesin dan Artifisial (CSG3G3) Soft Computing (CIG4C3) Keilmuan Pelengkap (Penciri ProDi S1 Teknik Informatika Telkom University)

DESKRIPSI SINGKAT MATA KULIAH Mata kuliah ini membahas Evolutionary Computation (EC) secara seimbang antara teori dan praktek. EC merupakan suatu abstraksi yang mengadopsi “evolusi” dan “genetika” yang disederhanakan. Dari abstraksi tersebut, lahirlah berbagai algoritma berbasis EC yang dikenal sebagai Evolutionary Algorithms (EAs). Yang menarik pada EAs adalah “Hanya dengan menggunakan proses-proses yang sebagian besar dilakukan secara acak, EAs bisa menghasilkan solusi yang “bagus” (mungkin saja solusi terbaik) dengan kecepatan yang dapat diterima.

DAFTAR PUSTAKA 1. Suyanto, Algoritma Genetika dalam Matlab, Andi Publisher, Yogyakarta, 2005. 2. Suyanto, Artificial Intelligence: Searching-Reasoning-Planning-Learning, Informatika, Bandung, 2005. 3. Suyanto, Evolutionary Computation: Komputasi Berbasis `Evolusi’ dan `Genetika’, Informatika, Bandung, 2008. 4. Suyanto, Soft-Computing: Membangun Mesin Ber-IQ Tinggi, Informatika, Bandung, 2008. 5. Suyanto, Algoritma Optimasi: Deterministik atau Probabilistik, Graha Ilmu, Yogyakarta, 2010. 6. Mitchell M. Tom, Machine Learning, McGraw-Hill International Editions, 1997.

1

B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke-

Kemampuan Akhir yang Diharapkan

1-2

Memahami teknik optimasi berbasis “Evolusi” dan “Genetika”.

3-5

 Memahami berbagai algoritma EAs.  Memahami kelebihan dan kekurangan berbagai algoritma EAs  Mampu memilih algoritma yang paling sesuai untuk beragam masalah dan kasus yang dihadapi.

6-10

 Memahami Genetic Algorithms (GA).  Mengetahui kelebihan dan kekurangan GA.  Mampu menerapkan GA untuk memecahkan

Bentuk/ Metode/ Strategi Kriteria Penilaian (Indikator) Pembelajaran Teknik optimasi berbasis Ceramah dan Mahasiswa mampu menyelesaikan “Evolusi” dan “Genetika”: diskusi studi kasus yang diberikan. 1. “Evolusi” dan permasalahan. “Genetika”. 2. EC: dulu, sekarang, dan masa depan. Evolutionary Algorithms Ceramah, diskusi Mahasiswa mampu menyelesaikan (EAs): permasalahan, dan studi kasus yang diberikan. 1. Apa itu EAs? Praktikum. 2. Mengapa, kapan, dimana, dan bagaimana menggunakan EAs? 3. Enam algoritma EAs, perbedaan, kelebihan dan kekurangannya. Bahan Kajian (Materi Ajar)

Genetic Algorithms: Ceramah, diskusi Mahasiswa mampu menyelesaikan 1. Simple GA. permasalahan, dan studi kasus yang diberikan. 2. Masalah optimasi Praktikum. fungsi 3. Representasi Individu 4. Nilai Fitness 5. Seleksi Orangtua 2

Bobot Nilai 4%

4%

4%

Pertemuan ke-


Bahan Kajian (Materi Ajar)

Kriteria Penilaian (Indikator)

Bobot Nilai

sebuah permasalahan. 6. 7. 8. 9.

11-12

 Memahami Evolution Strategies (ES).  Memahami kelebihan dan kekurangan ES.  Memahami perbedaan ES dengan GA.

13-14

 Memahami Evolutionary Programming (EP).  Memahami kelebihan dan kekurangan EP.  Memahami perbedaan EP dengan GA dan ES.  Memahami Genetic Programming (GP).  Memahami kelebihan dan kekurangan GP.

15-16

Rekombinasi Mutasi Seleksi Survivor Pembuktian GA Secara Matematis 10. Studi Kasus Evolution Strategies: 1. ES Pada Masa Awal 2. Representasi Individu 3. Seleksi Orangtua 4. Rekombinasi 5. Mutasi 6. Seleksi Survivor 7. Self-Adaptation Evolutionary Programming: 1. EP tradisional 2. Representasi Individu 3. Seleksi Orangtua 4. Rekombinasi 5. Mutasi 6. Seleksi Survivor

Bentuk/ Metode/ Strategi Pembelajaran

Genetic Programming: 1. Proses Evolusi. 2. Representasi Individu. 3. Seleksi Orangtua.

Ceramah, diskusi Mahasiswa mampu menyelesaikan permasalahan, dan studi kasus yang diberikan. Praktikum.

4%


4%


4%

3

Pertemuan ke-



 Memahami perbedaan 4. GP dengan GA, ES, dan 5. 6. EP.



Bobot Nilai

Rekombinasi. Mutasi. Seleksi Survivor.

17-18

 Memahami Differential Evolution (DE).  Memahami kelebihan dan kekurangan DE.  Memahami perbedaan DE dengan GA, ES, EP dan GP.

Differential Evolution: 1. Masalah optimasi. 2. DE untuk optimasi. 3. Performansi DE.


4%

19-20

 Memahami Grammatical Evolution (GE).  Memahami kelebihan dan kekurangan GE.  Memahami perbedaan GE dengan GA, ES, EP, GP dan DE.

Grammatical Evolution: Ceramah, diskusi Mahasiswa mampu menyelesaikan 1. Backus Naur Form permasalahan, dan studi kasus yang diberikan. (BNF). Praktikum. 2. Representasi Individu. 3. Operator Evolusi. 4. Performansi GE.

4%

21-24

Memahami berbagai Permasalahan EAs dan Ceramah, diskusi Mahasiswa mampu menyelesaikan Solusinya: permasalahan, dan studi kasus yang diberikan. permasalahan pada EAs. Praktikum.  Konvergensi prematur  Island Model EAs  Messy Encoding

4%

4

Pertemuan ke-

25-28

Kemampuan Akhir yang Diharapkan  Mengimplementasikan Evolutionary Computation dalam penyelesaian masalah dunia nyata.  Memodelkan beragam masalah dan kasus dunia nyata ke dalam EAs.




 Adaptive EAs Ceramah, diskusi Mahasiswa mampu menyelesaikan  Implementasi EAs  Strategi menggunakan permasalahan, dan studi kasus yang diberikan. Praktikum. EAs  Studi Kasus: 1. Graph bisection 2. 8-queens 3. TSP dengan batasan 4. Pemotongan bahan 5. Penjadwalan kuliah 6. Peramalan data time series

5

Bobot Nilai

4%

C. RANCANGAN INTERAKSI DOSEN–MAHASISWA 1. Materi pengenalan Evolutionary Computation. Kemampuan Akhir yang Diharapkan

Memahami teknik optimasi berbasis “Evolusi” dan “Genetika”.

Nama Kajian

Teknik optimasi berbasis “Evolusi” “Genetika”: 1. “Evolusi” dan “Genetika”. 2. EC: dulu, sekarang, dan masa depan.

dan

Nama Strategi

Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 1-2 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa

Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran. Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran.

Menyimak penjelasan dosen.

Membahas materi.

Menyimak dan mencatat hal-hal penting dari materi yang disampaikan oleh dosen.

Menyiapkan diri menerima materi yang akan disampaikan.

Bertanya apabila ada materi yang kurang jelas.

Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan

Menjawab pertanyaan yang diberikan.

Memberikan tugas sebagai sarana berlatih dan evaluasi diri kepada mahasiswa.

Mengerjakan tugas dengan baik sesuai dengan arahan dosen, tidak melakukan tindak plagiarisme dalam pengerjaan tugas.

Menyimpulkan materi

Menyimak kesimpulan.

2. Materi pengenalan Evolutionary Algorithms.  Memahami berbagai algoritma EAs.  Memahami kelebihan dan kekurangan


6

berbagai algoritma EAs  Mampu memilih algoritma yang paling sesuai untuk beragam masalah dan kasus yang dihadapi. Nama Kajian

Evolutionary Algorithms (EAs): 1. Apa itu EAs? 2. Mengapa, kapan, dimana, dan bagaimana menggunakan EAs? Enam algoritma EAs, perbedaan, kelebihan dan kekurangannya.

Nama Strategi


Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


3. Materi Genetic Algorithms.  Memahami Genetic Algorithms (GA).  Mengetahui kelebihan dan kekurangan GA.


7

 Mampu menerapkan GA untuk memecahkan sebuah permasalahan. Nama Kajian

Genetic Algorithms: 1. Simple GA. 2. Masalah optimasi fungsi 3. Representasi Individu 4. Nilai Fitness 5. Seleksi Orangtua 6. Rekombinasi 7. Mutasi 8. Seleksi Survivor 9. Pembuktian GA Secara Matematis 10. Studi Kasus Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 6-10 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


4. Materi Evolution Strategies. 8



Nama Kajian

Evolution Strategies: 1. ES Pada Masa Awal 2. Representasi Individu 3. Seleksi Orangtua 4. Rekombinasi 5. Mutasi 6. Seleksi Survivor 7. Self-Adaptation Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 11-12 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


5. Materi Evolutionary Programming.  Memahami Evolutionary Programming (EP).

Kemampuan Akhir yang Diharapkan 9

 Memahami kelebihan dan kekurangan EP.  Memahami perbedaan EP dengan GA dan ES. Nama Kajian

Evolutionary Programming: 1. EP tradisional 2. Representasi Individu 3. Seleksi Orangtua 4. Rekombinasi 5. Mutasi 6. Seleksi Survivor

Nama Strategi


Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


6. Materi Genetic Programming.  Memahami Genetic Programming (GP).

Kemampuan Akhir yang Diharapkan 10

 Memahami kelebihan dan kekurangan GP.  Memahami perbedaan GP dengan GA, ES, dan EP. Nama Kajian

Genetic Programming: 1. Proses Evolusi. 2. Representasi Individu. 3. Seleksi Orangtua. 4. Rekombinasi. 5. Mutasi. 6. Seleksi Survivor. Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 15-16 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


7. Materi Differential Evolution. Kemampuan Akhir yang Diharapkan

 Memahami Differential Evolution (DE).  Memahami kelebihan dan kekurangan DE. 11

 Memahami perbedaan DE dengan GA, ES, EP dan GP. Nama Kajian Differential Evolution: 1. Masalah optimasi. 2. DE untuk optimasi. 3. Performansi DE. Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 17-18 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


8. Materi Grammatical Evolution. Kemampuan Akhir yang Diharapkan

Nama Kajian

 Memahami Grammatical Evolution (GE).  Memahami kelebihan dan kekurangan GE.  Memahami perbedaan GE dengan GA, ES, EP, GP dan DE. Grammatical Evolution: 1. Backus Naur Form (BNF). 12

2. Representasi Individu. 3. Operator Evolusi. 4. Performansi GE. Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 19-20 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; diskusi dilakukan di kelas maupun IDEA sebagai media e-learning. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


9. Materi permasalahan pada EAs. Kemampuan Akhir yang Diharapkan

Memahami berbagai permasalahan pada EAs.

Nama Kajian

Permasalahan EAs dan Solusinya: 1. Konvergensi prematur 2. Island Model EAs 3. Messy Encoding 4. Adaptive EAs Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. 21-24

Nama Strategi Pertemuan Penggunaan Strategi (Metode)

13

Deskripsi Singkat pembelajaran

Strategi

(Metode) Dosen memberikan ceramah mengenai materi yang diajarkan; pemberian topik-topik studi kasus untuk dikerjakan berkelompok, pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; penulisan dan presentasi paper oleh mahasiswa; diskusi pembahasan hasil studi kasus.

RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


10. Materi implementasi EAs. Kemampuan Akhir yang Diharapkan

Nama Kajian

 Mengimplementasikan Evolutionary Computation dalam penyelesaian masalah dunia nyata.  Memodelkan beragam masalah dan kasus dunia nyata ke dalam EAs.  Implementasi EAs  Strategi menggunakan EAs  Studi Kasus: 1. Graph bisection 2. 8-queens 3. TSP dengan batasan 4. Pemotongan bahan 5. Penjadwalan kuliah 14

6. Peramalan data time series Nama Strategi Ceramah, presentasi tugas kelompok, dan diskusi permasalahan. Pertemuan Penggunaan Strategi (Metode) 25-28 Deskripsi Singkat Strategi (Metode) Dosen memberikan ceramah mengenai materi pembelajaran yang diajarkan; pemberian topik-topik studi kasus untuk dikerjakan berkelompok, pemberian tugas kelompok dilakukan untuk melatih kemampuan teknis dan kerja sama mahasiswa; penulisan dan presentasi paper oleh mahasiswa; diskusi pembahasan hasil studi kasus. RANCANGAN INTERAKSI DOSEN–MAHASISWA Aktivitas Dosen

Aktivitas Mahasiswa



Membahas materi.








Menyimpulkan materi


15

D. RANCANGAN TUGAS

1. Materi Genetic Algorithms. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah

Evolutionary Computation


 Memahami Genetic Algorithms (GA).  Mengetahui kelebihan dan kekurangan GA.  Mampu menerapkan GA untuk memecahkan sebuah permasalahan.

Pertemuan ke

6

Tugas ke

1

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa membuat makalah secara berkelompok tentang GA yang meliputi Seleksi Orangtua, Rekombinasi, Mutasi, dan Advanced GA untuk mencegah konvergensi prematur. b. Output tugas berupa makalah. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

2. Materi Evolution Strategies. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah




Pertemuan ke

11

Tugas ke

2

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa secara individu membuat source code GA dan ES untuk mendapatkan nilai 16

minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari GA dan ES. b. Mahasiswa menganalisa hasil observasi yang diperoleh GA dan ES. c. Output tugas adalah source code dan laporan berisi analisa hasil observasi. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

3. Materi Evolutionary Programming. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah



  

Pertemuan ke

13

Tugas ke

3

Memahami Evolutionary Programming (EP). Memahami kelebihan dan kekurangan EP. Memahami perbedaan EP dengan GA dan ES.

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa secara individu membuat source code EP untuk mendapatkan nilai minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari EP. b. Mahasiswa menganalisa hasil observasi yang diperoleh EP. c. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh EP dengan GA dan ES. d. Output tugas adalah source code dan laporan berisi analisa hasil observasi. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

4. Materi Genetic Programming. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah



 Memahami Genetic Programming (GP).  Memahami kelebihan dan kekurangan GP.  Memahami perbedaan GP dengan GA, ES, dan EP.

Pertemuan ke

15

17

Tugas ke

5

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa mengimplementasikan GP untuk menyelesaikan permasalahan yang diberikan dengan studi kasus: promosi jabatan di suatu instansi/perusahaan. b. c. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh GP. d. Mahasiswa menganalisa hasil observasi yang diperoleh GP. e. Output tugas adalah source code dan laporan berisi analisa hasil observasi. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

5. Materi Differential Evolution. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah



  

Pertemuan ke

17

Tugas ke

4

Memahami Differential Evolution (DE). Memahami kelebihan dan kekurangan DE. Memahami perbedaan DE dengan GA, ES, EP dan GP.

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa secara individu membuat source code DE untuk mendapatkan nilai minimum dari fungsi matematis yang diberikan dan mendapatkan paduan parameter yang optimum dari DE. b. Mahasiswa menganalisa hasil observasi yang diperoleh DE. c. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh DE dengan GA, ES, dan EP. d. Output tugas adalah laporan berisi analisa problem, rancangan dan implementasi EA yang digunakan, serta solusi yang dihasilkannya. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

18

6. Materi Grammatical Evolution. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah



 Memahami Grammatical Evolution (GE).  Memahami kelebihan dan kekurangan GE.  Memahami perbedaan GE dengan GP.

Pertemuan ke

17

Tugas ke

6

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa mengimplementasikan GE untuk menyelesaikan permasalahan yang diberikan dengan studi kasus: promosi jabatan di suatu instansi/perusahaan. b. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh GE. c. Mahasiswa menganalisa hasil observasi yang diperoleh GE. d. Mahasiswa menganalisa perbandingan hasil observasi yang diperoleh GP dan GE. e. Output tugas adalah source code dan laporan berisi analisa hasil observasi. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

7. Tugas besar. Kode mata Kuliah

CIG4C3

Nama Mata Kuliah



Pertemuan ke

 Mengimplementasikan Evolutionary Computation dalam penyelesaian masalah dunia nyata.  Memodelkan beragam masalah dan kasus dunia nyata ke dalam EAs. 25

Tugas ke

7

1. Tujuan tugas: a. Mendukung tercapainya kemampuan akhir yang diharapkan. b. Melatih mahasiswa belajar secara pro-aktif. c. Melatih kemampuan analisis, teknis, dan kerjasama mahasiswa. 2. Uraian Tugas: a. Mahasiswa mengimplementasikan EC untuk menyelesaikan salah satu permasalahan yang diberikan antara lain artificial characters,.breast cancer, ionosphere, ozone level 19

detection, EEG eye state, parkinson speech, climate model simulation crashes, airfoil self-noise, individual household electric power consumption, EMG dataset in lower limb, EMG physical, user identification from walking activity, pen-based recognition of handwritten digits. b. Mahasiswa mencari nilai dan paduan parameter yang optimum yang digunakan oleh GE. c. Mahasiswa menganalisa hasil observasi yang diperoleh EC. d. Output tugas adalah source code dan laporan berisi masalah yang diangkat, pemodelan dan desain program/algoritma yang digunakan, dan analisa hasil observasi. 3. Kriteria penilaian: menggunakan rubrik penilaian yang terdapat pada bagian E.

20

E. PENILAIAN DENGAN RUBRIK Rubrik penilaian tugas individu/kelompok, UTS, UAS, dan Tugas Besar Jenjang (Grade)

Angka (Skor)

Deskripsi Perilaku (Indikator) -

Ide yang dikemukakan sesuai dengan permasalahan Inovatif Mampu menyelesaikan permasalahan Adanya analisis dan penjelasan yang komprehensif

Istimewa

90 < Skor

Sangat Baik

80 < Skor ≤ 90

- Ide yang dikemukakan sesuai dengan permasalahan - Mampu menyelesaikan permasalahan - Adanya analisis dan penjelasan yang komprehensif

Baik

70 < Skor ≤ 80

- Ide yang dikemukakan sesuai dengan permasalahan - Mampu menyelesaikan permasalahan - Adanya analisis dan penjelasan yang cukup komprehensif

Cukup Baik

60 < Skor ≤ 70

- Ide yang dikemukakan sesuai dengan permasalahan - Mampu menyelesaikan permasalahan - Ada penjelasan dan analisis namun kurang komprehensif

Cukup

50 < Skor ≤ 60

- Ide yang dikemukakan sesuai dengan permasalahan - Mampu menyelesaikan permasalahan - Ada analisis dan penjelasan namun tidak komprehensif

40 < Skor ≤ 50

- Ide yang dikemukakan sesuai dengan permasalahan - Kurang mampu menyelesaikan permasalahan - Tidak ada analisis dan penjelasan.

Kurang

Sangat Kurang

Skor ≤ 40

- Ide yang dikemukakan kurang sesuai dengan permasalahan - Tidak mampu menyelesaikan permasalahan - Tidak ada analisis dan penjelasan.

21

F. PERSENTASE KOMPONEN PENILAIAN 1. 2. 3. 4.

Kuis Tugas Besar UTS UAS

: 10% : 20% : 30% : 40%

G. PENENTUAN NILAI AKHIR MATA KULIAH Berikut adalah komponen penentu nilai akhir mata kuliah yang digunakan, Komponen

Bobot

Tugas harian

15%

Tugas besar

25%

UTS

30%

UAS

30%

Berikut adalah penentuan indeks nilai akhir mata kuliah yang digunakan, Nilai Skor Matakuliah (NSM)

Nilai Mata Kuliah (NMK)

80 ≤ NSM

A

70 ≤ NSM < 80

AB

65 ≤ NSM < 70

B

60 ≤ NSM < 65

BC

45 ≤ NSM < 60

C

30 ≤ NSM < 45

D

NSM < 30

E

22

RENCANA PEMBELAJARAN SEMESTER (RPS)

Recommend Documents