(RPS)
CIG4A3
Pembelajaran Mesin
Disusun oleh:
Agung Toto Wibowo
Said Al Faraby
TELKOM UNIVERSITY
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:
Bandung, 2015
Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika Ketua KK ICM
ii
DAFTAR ISI
LEMBAR PENGESAHAN..............................................................................................................................ii
iii
1. PROFIL MATA KULIAH
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)
Bentuk/
Pertemuan Metode/ Kriteria Penilaian Bobot
Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar)
ke- Strategi (Indikator) Nilai
Pembelajaran
1. Mampu mendefinisikan
Mampu menentukan
pembelajaran mesin Diskusi,
Definisi dan Aplikasi permasalahan yang bisa
1 2. Mampu menentukan kapan Ceramah.
Pembelajaran Mesin diselesaikan dengan
pembelajaran mesin bisa
pembelajaran mesin
digunakakan
Teknik Dimensionality 1. Mampu
Reduction : mengkomunikasikan
1. Mampu menjelaskan konsep dan Principal Component Analysis konsep dari setiap
perbedaan teknik-teknik untuk Singular Value Ceramah, teknik dalam
2-4 Dimensionality Reduction Decomposition Diskusi, dimensionality
2. Mampu memilih dan menerapkan Independent Component Demonstrasi reduction
teknik yang sesuai untuk suatu Analysis
permasalahan Factor Analysis 2. Mampu
Linear Discriminant Analysis mengimplementasikan
Pembahasan Tugas 1 salah satu algoritma
Diskusi, Ketepatan dalam
Overview Unsupervised,
1. Mampu membedakan jenis-jenis Ceramah mencocokkan contoh
5 Supervised, Semi-
permasalahan pada pembelajaran permasalahan dengan
supervised learning
mesin teknik pembelajaran
2
Pembelajaran tanpa supervisi Expectation Maximization Demonstrasi pembelajaran tanpa
3. Mampu menerapkan salah satu Pembahasan Tugas 2 supervise
algoritma dalam permasalahan 2. Kemampuan dalam
pembelajaran mesin mengimplementasikan
salah satu algoritma
yang telah dipelajari
3
3. Mampu memodelkan Iteration menjelaskan teknik-
permasalahan untuk diselesaikan Q-Learning teknik dalam
dengan reinforcement learning reinforcement learning
3. Ketepatan dalam
memodelkan
permasalahan untuk
reinforcement learning
4
2. RANCANGAN INTERAKSI DOSEN–MAHASISWA
1.
5
2.
Kemampuan Akhir yang Diharapkan Mampu menjelaskan konsep dan
perbedaan teknik-teknik untuk
Dimensionality Reduction
Mampu memilih dan menerapkan teknik
yang sesuai untuk suatu permasalahan
6
3.
Kemampuan Akhir yang Diharapkan Mampu membedakan jenis-jenis permasalahan
pada pembelajaran mesin
Nama Kajian Overview Unsupervised, Supervised, Semi-
supervised learning
Nama Strategi Diskusi, Ceramah,
Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 5
Deskripsi Singkat Strategi (Metode)
pembelajaran
7
4.
Kemampuan Akhir yang Diharapkan Mampu mengidentifikasi permasalahan
clustering
Mampu mengkomunikasikan perbedaan
teknik-teknik Pembelajaran tanpa supervisi
Mampu menerapkan salah satu algoritma
dalam permasalahan pembelajaran mesin
Ceramah,
Discovery Learning.
5.
Kemampuan Akhir yang Diharapkan Mampu membedakan permasalahan
regresi dan klasifikasi
8
Mampu mengkomunikasikan konsep dari
tiap-tiap teknik pada pembelajaran dengan
supervisi
Mampu menerapkan salah satu algoritma
dalam permasalahan pembelajaran mesin
Ceramah,
Discovery Learning.
6.
Kemampuan Akhir yang Diharapkan Mampu mengidentifikasi permasalahan
reinforcement learning
Mampu mengkomunikasikan teknik-teknik
dalam reinforcement learning
Mampu memodelkan permasalahan untuk
9
diselesaikan dengan reinforcement learning
Ceramah,
Discovery Learning.
10
3. RANCANGAN TUGAS
Tugas terkait Dimensionality Reduction
11
c. Diimplementasikan ke dalam kode program /
menggunakan library
d. Kode program dan laporan
3. Kriteria penilaian
a. Kejelasan kode program
b. Kesesuaian laporan
12
5. PENENTUAN NILAI AKHIR MATA KULIAH
13