UNIVERSITAS KLABAT
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA

RPS-57202-IFKV533
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
Pembelajaran Mesin/Machine Learning IFKV533 Data and Information Management T= 3 8 01 Dec 2024
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Argha Orion Silitonga
Argha Orion Silitonga
Semmy Wellem Taju, S.Kom., M.S., PhD
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL05 Memiliki pengetahuan yang memadai terkait cara kerja sistem komputer dan mampu menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu organisasi.
CPL06 Memiliki kompetensi untuk menganalisis persoalan computing yang kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika/ilmu komputer dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin
CPL10 Kemampuan mengimplementasi kebutuhan computing dengan mempertimbangkan berbagai metode/algoritma yang sesuai.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK07 Mampu belajar mandiri dan beradaptasi dengan teknologi baru sepanjang karier profesional.
CPMK10 Mampu menerapkan konsep statistika, probabilitas, dan kalkulus dalam analisis data dan pengambilan keputusan.
CPMK11 Mampu melakukan analisis kebutuhan, risiko, dan evaluasi proyek TI menggunakan metode ilmiah dan pendekatan sistem.
CPMK12 Merancang solusi berbasis penelitian ilmiah (skripsi/tugas akhir) yang relevan dengan industri dan masyarakat.
CPMK13 Mampu melakukan simulasi dan pemodelan sistem kompleks menggunakan tools komputasi modern.
CPMK15 Mampu mengembangkan aplikasi mobile, game, dan sistem cerdas (AI, NLP, CV, Robotics) sesuai kebutuhan pengguna.
CPMK20 Mampu menyusun proposal, laporan, dan artikel ilmiah berdasarkan metodologi penelitian yang valid.
CPMK21 Mampu menyajikan hasil penelitian dalam bentuk presentasi ilmiah dan publikasi jurnal/konferensi.
CPMK29 Mampu mengevaluasi kualitas, keamanan, dan skalabilitas solusi TI yang telah diimplementasikan.
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.IFKV533.CPMK07.1 Mampu mengeksplorasi dan memanfaatkan pustaka (library) atau framework machine learning modern yang terus berkembang (seperti Scikit-Learn, atau TensorFlow) secara mandiri.
sub.cpmk.IFKV533.CPMK07.2 Mampu mengikuti perkembangan algoritma baru melalui studi literatur mandiri untuk menyelesaikan studi kasus nyata di industri.
sub.cpmk.IFKV533.CPMK10.1 Mampu menerapkan konsep aljabar linear (matriks dan vektor) serta kalkulus dasar dalam memahami proses optimisasi eror model (seperti Gradient Descent).
sub.cpmk.IFKV533.CPMK10.2 Mampu menggunakan teori probabilitas dan konsep statistika untuk melakukan analisis data awal (Exploratory Data Analysis) sebelum pemodelan.
sub.cpmk.IFKV533.CPMK11.1 Mampu menganalisis karakteristik data dan menentukan jenis pendekatan machine learning yang tepat (supervised vs unsupervised) sesuai dengan kebutuhan masalah.
sub.cpmk.IFKV533.CPMK11.2 Mampu melakukan evaluasi performa model menggunakan metrik yang tepat dan menganalisis risiko terjadinya overfitting atau underfitting.
sub.cpmk.IFKV533.CPMK12.1 Mampu merancang eksperimen pemodelan prediktif berbasis machine learning (seperti studi kasus analisis harga komoditas atau prediksi tren) sebagai solusi ilmiah terhadap permasalahan nyata.
sub.cpmk.IFKV533.CPMK13.1 Mampu membangun dan mensimulasikan model regresi tingkat lanjut (seperti Polynomial, Ridge, dan Lasso Regression) menggunakan perangkat pemrograman modern.
sub.cpmk.IFKV533.CPMK13.2 Mampu membangun dan mengoptimalkan model klasifikasi berbasis ensemble learning (seperti Random Forest dan AdaBoost) untuk memodelkan pola data yang kompleks.
sub.cpmk.IFKV533.CPMK15.1 Mampu mengimplementasikan algoritma klasifikasi cerdas pada data tidak terstruktur seperti teks (Natural Language Processing) dan gambar (Computer Vision).
sub.cpmk.IFKV533.CPMK15.2 Mampu menerapkan arsitektur Deep Learning dasar menggunakan Convolutional Neural Network (CNN) untuk pengenalan objek dan pemrosesan visual pintar.
sub.cpmk.IFKV533.CPMK20.1 Mampu menyusun laporan teknis proyek machine learning yang sistematis, mulai dari tahapan pemrosesan data (data preprocessing), pemilihan model, hingga penyajian hasil pengujian.
sub.cpmk.IFKV533.CPMK21.1 Mampu memvisualisasikan hasil visual pemodelan (seperti grafik regresi, kurva evaluasi, atau peta klastering) serta mempresentasikannya secara logis dan ilmiah.
sub.cpmk.IFKV533.CPMK29.1 Mampu mengevaluasi kualitas model klasifikasi menggunakan metrik pengujian tingkat lanjut seperti Confusion Matrix, Precision, Recall, dan F1-Score.
sub.cpmk.IFKV533.CPMK29.2 Mampu mengevaluasi kualitas hasil pengelompokan pada unsupervised learning menggunakan metrik validasi klaster (seperti Silhouette Score).
Korelasi CPMK terhadap Sub-CPMK
CPMK07 sub.cpmk.IFKV533.CPMK07.1
sub.cpmk.IFKV533.CPMK07.2
CPMK10 sub.cpmk.IFKV533.CPMK10.1
sub.cpmk.IFKV533.CPMK10.2
CPMK11 sub.cpmk.IFKV533.CPMK11.1
sub.cpmk.IFKV533.CPMK11.2
CPMK12 sub.cpmk.IFKV533.CPMK12.1
CPMK13 sub.cpmk.IFKV533.CPMK13.1
sub.cpmk.IFKV533.CPMK13.2
CPMK15 sub.cpmk.IFKV533.CPMK15.1
sub.cpmk.IFKV533.CPMK15.2
CPMK20 sub.cpmk.IFKV533.CPMK20.1
CPMK21 sub.cpmk.IFKV533.CPMK21.1
CPMK29 sub.cpmk.IFKV533.CPMK29.1
sub.cpmk.IFKV533.CPMK29.2
Deskripsi Singkat MK Matakuliah Machine Learning adalah comprehensive introduction ke dalam salah satu cabang paling dinamis dari computer science dan artificial intelligence (AI). Matakuliah ini dirancang untuk memberikan pemahaman mendalam tentang fundamental principles, techniques, dan algorithms yang mendasari machine learning. Dalam lingkup ini, mahasiswa akan memperoleh pengetahuan yang diperlukan untuk merancang (design), mengembangkan (develop), dan menerapkan (apply) model pembelajaran mesin (machine learning models) dalam berbagai konteks. Matakuliah Machine Learning mengajarkan konsep dasar dan aplikasi dari pembelajaran mesin, dengan penekanan pada pemahaman teoritis (theoretical understanding) serta penerapan praktis (practical application). Matakuliah ini akan menggabungkan kuliah, studi kasus, tugas pemrograman, dan proyek akhir untuk memberikan mahasiswa pengalaman holistik dalam memahami, menerapkan, dan menganalisis konsep-konsep machine learning. Setelah menyelesaikan matakuliah ini, diharapkan mahasiswa akan memiliki solid foundation untuk melanjutkan studi dalam pengembangan lanjutan di bidang machine learning dan artificial intelligence (AI).
Bahan Kajian : Materi Pembelajaran 1) Fondasi Matematika & Pengenalan: Mempelajari konsep dasar machine learning serta ilmu dasar pendukungnya seperti aljabar linear, probabilitas, dan teknik optimisasi eror. 2) Regresi (Prediksi Angka): Mempelajari cara memprediksi nilai kontinu (seperti studi kasus prediksi harga emas) menggunakan model Linear, Polinomial, Ridge/Lasso, hingga Ensemble seperti Random Forest dan AdaBoost. 3) Klasifikasi (Prediksi Kategori): Mempelajari cara mengelompokkan data ke dalam kelas tertentu, cara mengevaluasi akurasinya, serta penerapannya pada data teks dan gambar. 4) Clustering (Analisis Pola): Masuk ke ranah unsupervised learning untuk mengelompokkan data yang tidak memiliki label berdasarkan kemiripan karakteristiknya. 5) Deep Learning (Pemrosesan Visual): Pengenalan ke kecerdasan buatan tingkat lanjut menggunakan Convolutional Neural Network (CNN) khusus untuk pengenalan dan pemrosesan gambar.
Pustaka Utama
  • 1. Deisenroth, M. P., Faisal, A. A., & Ong, C. S. (2020). Mathematics for Machine Learning. Cambridge University Press.
  • 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (3rd Edition). O'Reilly Media.
  • 3. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Pendukung
  • 4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
  • 5. VanderPlas, J. (2022). Python Data Science Handbook: Essential Tools for Working with Data (2nd Edition). O'Reilly Media.
Dosen Pengampu Silitonga, Argha, Taju, Semmy Wellem
Mata Kuliah Syarat [IFKV332] Kecerdasan Buatan/ Artificial Intelligence
Pertemuan Ke Kemampuan akhir tiap tahapan belajar (Sub-CPMK) Penilaian Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; Materi Pembelajaran Bobot Penilaian
Indikator Kriteria & Teknik Luring Daring
1 sub.cpmk.IFKV533.CPMK07.1-Mampu mengeksplorasi dan memanfaatkan pustaka (library) atau framework machine learning modern yang terus berkembang (seperti Scikit-Learn, atau TensorFlow) secara mandiri. Kriteria
Partisipasi aktif
Teknik
 kehadiran,Ceramah,[CR=150 Menit]
 Topik
Introduction to Machine Learning
Sub Topik
Pengenalan konsep dasar AI vs Machine Learning, jenis pembelajaran (Supervised, Unsupervised), dan tren perkembangan teknologi cerdas di industri.
 6
2 sub.cpmk.IFKV533.CPMK10.1-Mampu menerapkan konsep aljabar linear (matriks dan vektor) serta kalkulus dasar dalam memahami proses optimisasi eror model (seperti Gradient Descent). Kriteria
Ketepatan perhitungan atau algoritma
Teknik
 Tugas,Problem Based Learning,[PBL=150 Menit]
 Topik
Linear Algebra for Machine Learning Data
Sub Topik
Representasi data menggunakan matriks dan vektor, operasi array, serta transformasi linear pada ruang data.
 6
3 sub.cpmk.IFKV533.CPMK11.1-Mampu menganalisis karakteristik data dan menentukan jenis pendekatan machine learning yang tepat (supervised vs unsupervised) sesuai dengan kebutuhan masalah. Kriteria
Ketepatan perhitungan atau algoritma
Teknik
 Tugas,Problem Based Learning,[PBL=150 Menit]
 Topik
Probability & Exploratory Data Analysis (EDA)
Sub Topik
Teori probabilitas, distribusi data, penanganan data hilang (missing values), dan analisis karakteristik awal dataset.
 6
4 sub.cpmk.IFKV533.CPMK13.1-Mampu membangun dan mensimulasikan model regresi tingkat lanjut (seperti Polynomial, Ridge, dan Lasso Regression) menggunakan perangkat pemrograman modern. Kriteria
Ketepatan perhitungan atau algoritma
Teknik
 Diskusi,Diskusi Kelompok,[DK=150 Menit]
 Topik
Optimization Techniques & Gradient Descent
Sub Topik
Konsep fungsi kerugian (Loss Function) dan simulasi algoritma optimisasi matematika untuk meminimalkan eror model.
 6
5 sub.cpmk.IFKV533.CPMK12.1-Mampu merancang eksperimen pemodelan prediktif berbasis machine learning (seperti studi kasus analisis harga komoditas atau prediksi tren) sebagai solusi ilmiah terhadap permasalahan nyata. Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Linear and Polynomial Regression
Sub Topik
Pemodelan hubungan variabel numerik menggunakan garis linear dan kurva polinomial untuk prediksi tren kontinu.
 6
6 sub.cpmk.IFKV533.CPMK29.1-Mampu mengevaluasi kualitas model klasifikasi menggunakan metrik pengujian tingkat lanjut seperti Confusion Matrix, Precision, Recall, dan F1-Score. Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Ridge and Lasso Regression (Regularization)
Sub Topik
Teknik penalti bobot untuk mengatasi masalah kompleksitas model dan mengevaluasi pencegahan risiko overfitting.
 6
7 sub.cpmk.IFKV533.CPMK20.1-Mampu menyusun laporan teknis proyek machine learning yang sistematis, mulai dari tahapan pemrosesan data (data preprocessing), pemilihan model, hingga penyajian hasil pengujian. Kriteria
Ketepatan analisis dan interpretasi
Teknik
 UTS,Project Based Learning,[PBL=150 Menit]
 Topik
Mid-Project Proposal Submission: Gold Price Analysis
Sub Topik
Penyusunan rencana eksperimen, metodologi pemrosesan data, dan proposal teknis awal untuk proyek prediksi harga emas.
 6
8 sub.cpmk.IFKV533.CPMK21.1-Mampu memvisualisasikan hasil visual pemodelan (seperti grafik regresi, kurva evaluasi, atau peta klastering) serta mempresentasikannya secara logis dan ilmiah. Proposal dan Presentasi Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
Evaluasi 		UTS,Project Based Learning,[PBL=150 Menit]
 Topik
Mid-Project Presentation & Evaluation
Sub Topik
Sidang pemaparan hasil pemodelan regresi, visualisasi grafik performa, dan pertanggungjawaban ilmiah hasil prediksi harga emas.
 11
9 sub.cpmk.IFKV533.CPMK15.1-Mampu mengimplementasikan algoritma klasifikasi cerdas pada data tidak terstruktur seperti teks (Natural Language Processing) dan gambar (Computer Vision). Kriteria
Partisipasi aktif
Teknik
 kehadiran,Ceramah,[CR=150 Menit]
 Topik
Introduction to Classification
Sub Topik
Prinsip dasar estimasi kategori menggunakan algoritma klasifikasi data terstruktur (seperti Logistic Regression atau K-NN).
 6
10 sub.cpmk.IFKV533.CPMK29.2-Mampu mengevaluasi kualitas hasil pengelompokan pada unsupervised learning menggunakan metrik validasi klaster (seperti Silhouette Score). Kriteria
Ketepatan perhitungan atau algoritma
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Classification Evaluation Metrics
Sub Topik
Analisis kualitas keputusan model menggunakan Confusion Matrix, Precision, Recall, F1-Score, dan kurva ROC.
 6
11 sub.cpmk.IFKV533.CPMK13.2-Mampu membangun dan mengoptimalkan model klasifikasi berbasis ensemble learning (seperti Random Forest dan AdaBoost) untuk memodelkan pola data yang kompleks. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Diskusi,Diskusi Kelompok,[DK=150 Menit]
 Topik
Ensemble Learning (Random Forest & AdaBoost)
Sub Topik
Pemodelan sistem kompleks melalui penggabungan performa beberapa algoritma pohon keputusan (Bagging dan Boosting).
 6
12 sub.cpmk.IFKV533.CPMK15.2-Mampu menerapkan arsitektur Deep Learning dasar menggunakan Convolutional Neural Network (CNN) untuk pengenalan objek dan pemrosesan visual pintar. Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Classification on Text and Image Domain
Sub Topik
Implementasi klasifikasi cerdas pada data tidak terstruktur untuk kebutuhan Analisis Sentimen (NLP) dan Pengenalan Objek Sederhana (CV).
 6
13 sub.cpmk.IFKV533.CPMK11.2-Mampu melakukan evaluasi performa model menggunakan metrik yang tepat dan menganalisis risiko terjadinya overfitting atau underfitting. Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Unsupervised Learning - Clustering
Sub Topik
Analisis pola tersembunyi dan segmentasi data tanpa label menggunakan pendekatan algoritma K-Means dan evaluasi Silhouette Score.
 6
14 sub.cpmk.IFKV533.CPMK07.2-Mampu mengikuti perkembangan algoritma baru melalui studi literatur mandiri untuk menyelesaikan studi kasus nyata di industri. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Tugas,Project Based Learning,[PBL=150 Menit]
 Topik
Deep Learning - Convolutional Neural Network (CNN)
Sub Topik
Eksplorasi arsitektur jaringan saraf tiruan mendalam, operasi konvolusi, dan adaptasi framework modern untuk ekstraksi fitur gambar.
 6
15 sub.cpmk.IFKV533.CPMK12.1-Mampu merancang eksperimen pemodelan prediktif berbasis machine learning (seperti studi kasus analisis harga komoditas atau prediksi tren) sebagai solusi ilmiah terhadap permasalahan nyata. Presentasi dan Demonstrasi Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
Evaluasi 		UAS,Project Based Learning,[PBL=150 Menit]
 Topik
Final Project Presentation & Submission
Sub Topik
Demonstrasi produk sistem cerdas akhir dan pengumpulan laporan ilmiah penyelesaian masalah nyata di masyarakat/industri berbasis Machine Learning.
 11

Teknik Penilaian CPMK

CPL MK CPMK Kehadiran Tugas Praktek Mid Test (UTS) Latihan Final Test (UAS)
CPL04 Pembelajaran Mesin/Machine Learning CPMK07 Y Y
CPL05 Pembelajaran Mesin/Machine Learning CPMK10 Y
CPL06 Pembelajaran Mesin/Machine Learning CPMK11 Y
CPL06 Pembelajaran Mesin/Machine Learning CPMK12 Y Y
CPL06 Pembelajaran Mesin/Machine Learning CPMK13 Y
CPL07 Pembelajaran Mesin/Machine Learning CPMK15 Y Y
CPL09 Pembelajaran Mesin/Machine Learning CPMK20 Y
CPL09 Pembelajaran Mesin/Machine Learning CPMK21 Y
CPL12 Pembelajaran Mesin/Machine Learning CPMK29 Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL04 CPMK07 sub.cpmk.IFKV533.CPMK07.1 6 Partisipasi aktif
CPL05 CPMK10 sub.cpmk.IFKV533.CPMK10.1 6 Ketepatan perhitungan atau algoritma
CPL06 CPMK11 sub.cpmk.IFKV533.CPMK11.1 6 Ketepatan perhitungan atau algoritma
CPL06 CPMK13 sub.cpmk.IFKV533.CPMK13.1 6 Ketepatan perhitungan atau algoritma
CPL06 CPMK12 sub.cpmk.IFKV533.CPMK12.1 6 Ketepatan metode atau prosedur penyelesaian
CPL12 CPMK29 sub.cpmk.IFKV533.CPMK29.1 6 Ketepatan metode atau prosedur penyelesaian
CPL09 CPMK20 sub.cpmk.IFKV533.CPMK20.1 6 Ketepatan analisis dan interpretasi
CPL09 CPMK21 sub.cpmk.IFKV533.CPMK21.1 Evaluasi 11 Ketepatan metode atau prosedur penyelesaian
CPL07 CPMK15 sub.cpmk.IFKV533.CPMK15.1 6 Partisipasi aktif
CPL12 CPMK29 sub.cpmk.IFKV533.CPMK29.2 6 Ketepatan perhitungan atau algoritma
CPL06 CPMK13 sub.cpmk.IFKV533.CPMK13.2 6 Kesesuaian output dengan spesifikasi yang diminta
CPL07 CPMK15 sub.cpmk.IFKV533.CPMK15.2 6 Ketepatan metode atau prosedur penyelesaian
CPL06 CPMK11 sub.cpmk.IFKV533.CPMK11.2 6 Ketepatan metode atau prosedur penyelesaian
CPL04 CPMK07 sub.cpmk.IFKV533.CPMK07.2 6 Kesesuaian output dengan spesifikasi yang diminta
CPL06 CPMK12 sub.cpmk.IFKV533.CPMK12.1 Evaluasi 11 Ketepatan metode atau prosedur penyelesaian
Total 100
2. Penilaian CPMK
CPL MK CPMK Kehadiran Tugas Praktek Mid Test (UTS) Latihan Final Test (UAS) Total
CPL04 Pembelajaran Mesin/Machine Learning CPMK07 6% 0% 0% 0% 6% 0% 12%
CPL05 Pembelajaran Mesin/Machine Learning CPMK10 0% 6% 0% 0% 0% 0% 6%
CPL06 Pembelajaran Mesin/Machine Learning CPMK11 0% 12% 0% 0% 0% 0% 12%
CPL06 Pembelajaran Mesin/Machine Learning CPMK12 0% 0% 6% 0% 0% 11% 17%
CPL06 Pembelajaran Mesin/Machine Learning CPMK13 0% 12% 0% 0% 0% 0% 12%
CPL07 Pembelajaran Mesin/Machine Learning CPMK15 6% 0% 6% 0% 0% 0% 12%
CPL09 Pembelajaran Mesin/Machine Learning CPMK20 0% 0% 6% 0% 0% 0% 6%
CPL09 Pembelajaran Mesin/Machine Learning CPMK21 0% 0% 0% 11% 0% 0% 11%
CPL12 Pembelajaran Mesin/Machine Learning CPMK29 0% 0% 12% 0% 0% 0% 12%
100%