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

Bandung, 2015
Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika 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 : Pembelajaran Mesin

Kode Mata Kuliah : CIG4A3
SKS : 3
Jenis : MK Piilihan
Jam pelaksanaan : Tatap muka di kelas = 3 x 60 menit per minggu
Tutorial / Responsi = 1 x 60 menit per minggu

Semester / Tingkat : Genap / Tingkat 4

Pre-requisite : Pengolahan Citra Digital
Co-requisite :
Bidang Kajian : Intelligent Systems

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)
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

1. Mampu mengidentifikasi Teknik Pembelajaran : Ceramah, 1. Ketepatan dalam

6-7 permasalahan clustering Unsupervised menjelaskan
Diskusi,
2. Mampu mengkomunikasikan  K-means clustering perbedaan teknik-
perbedaan teknik-teknik  Hierarchical clustering teknik pada

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

Ceramah, 1. Ketepatan dalam

Diskusi, mencocokkan
Demonstrasi permasalahan dengan
jenis pembelajaran
1. Mampu membedakan regresi atau klasifikasi
permasalahan regresi dan klasifikasi Teknik Pembelajaran: 2. Ketepatan dalam
2. Mampu mengkomunikasikan Supervised menjelaskan
8-11 konsep dari tiap-tiap teknik pada  Regression perbedaan teknik-
pembelajaran dengan supervise  Support Vector Machine teknik pada
3. Mampu menerapkan salah satu  Neural Network pembelajaran tanpa
algoritma dalam permasalahan  Pembahasan Tugas 3
supervise
pembelajaran mesin 3. Kemampuan dalam
mengimplementasikan
salah satu algoritma
yang telah dipelajari

1. Mampu mengidentifikasi Pembelajaran: Ceramah, 1. Ketepatan dalam

permasalahan reinforcement Reinforcement Diskusi mengidentifikasi
learning  Definisi Reinforcement permasalahan yang
12-13 Learning
2. Mampu mengkomunikasikan cocok untuk
 Markov Decision Process
teknik-teknik dalam reinforcement reinforcement learning
 Bellman Equations
learning 2. Ketepatan dalam
 Value Iteration and Policy

3
 3. Mampu memodelkan
permasalahan untuk diselesaikan
dengan reinforcement learning
14
1. Memahami contoh permasalahan
pada pembelajaran mesin
2. Menentukan Teknik Pembelajaran
yang sesuai dengan permasalahan
15-28 3. Mengimplementasikan beberapa
algoritma yang dipelajari untuk
menyelesaikan permasalahan yang
diberikan
4. Mampu menginterpretasikan hasil
penerapan algoritma
Iteration menjelaskan teknik-
 Q-Learning teknik dalam
reinforcement learning
3. Ketepatan dalam
memodelkan
permasalahan untuk
reinforcement learning
 Teknik Dimensionality Responsi
Reduction
 Teknik Unsupervised
 Teknik Supervised
 Teknik Reinforcement
Ceramah, 1. Kejelasan dari
permasalahan yang
Diskusi, dipilih serta teknik-
teknik yang digunakan
Presentasi
2. Kesesuaian pemilihan
 Wawasan Studi Kasus oleh
Pembelajaran Mesin dataset yang
mahasiswa
 Progres proyek digunakan serta
pembelajaran mesin pengolahannya
3. Kesesuaian
penggunaan source
dan library
4. Kesesuaian pemilihan
referensi
4
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 Diskusi, Ceramah.

Pertemuan Penggunaan Strategi (Metode) 1
Deskripsi Singkat Strategi (Metode)
pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada penjelasan

yang kurang dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi

Menyimpulkan materi Menyimak kesimpulan materi

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

Nama Kajian Teknik Dimensionality Reduction :

Nama Strategi
Pertemuan Penggunaan Strategi (Metode)
Deskripsi Singkat Strategi (Metode)
pembelajaran
 Principal Component Analysis
 Singular Value Decomposition
 Independent Component Analysis
 Factor Analysis
 Linear Discriminant Analysis
 Pembahasan Tugas 1
Diskusi, Ceramah.
2-4

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang

dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi

Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan

dan evaluasi diri kepada mahasiwa 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
Nama Kajian Overview Unsupervised, Supervised, Semi-
supervised learning
Nama Strategi Diskusi, Ceramah,

Discovery Learning.
Pertemuan Penggunaan Strategi (Metode) 5
Deskripsi Singkat Strategi (Metode)
pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang

dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi
Menyimpulkan materi Menyimak kesimpulan materi

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

Nama Kajian Teknik Pembelajaran : Unsupervised

 K-means clustering
 Hierarchical clustering
 Expectation Maximization
 Pembahasan Tugas 2
Nama Strategi Diskusi,

Ceramah,

Discovery Learning.

Pertemuan Penggunaan Strategi (Metode) 6-7

Deskripsi Singkat Strategi (Metode)
pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang

dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi
Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan
dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

Menyimpulkan materi Menyimak kesimpulan materi

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

Nama Kajian Teknik Pembelajaran: Supervised

 Regression
 Support Vector Machine
 Neural Network
 Pembahasan Tugas 3
Nama Strategi Diskusi,

Ceramah,

Discovery Learning.

Pertemuan Penggunaan Strategi (Metode) 8-11

Deskripsi Singkat Strategi (Metode)
pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang

dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi
Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan
dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

Menyimpulkan materi Menyimak kesimpulan materi

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

Nama Kajian Pembelajaran: Reinforcement

 Definisi Reinforcement Learning
 Markov Decision Process
 Bellman Equations
 Value Iteration and Policy Iteration
 Q-Learning
Nama Strategi Diskusi,

Ceramah,

Discovery Learning.

Pertemuan Penggunaan Strategi (Metode) 12-13

Deskripsi Singkat Strategi (Metode)
pembelajaran

RANCANGAN INTERAKSI DOSEN–MAHASISWA

Aktivitas Dosen Aktivitas Mahasiswa
Menjelaskan tentang tujuan Menyimak penjelasan dosen
pembelajaran dari kegiatan pembelajaran

Mengarahkan mahasiswa untuk Mempersiapkan diri untuk terlibat aktif dalam

melibatkan diri dan aktif dalam kegiatan kegiatan pembelajaran
pembelajaran
Membahas materi Menyimak penjelasan dosen

Mengajukan pertanyaan jika ada yang kurang

dimengerti

Mengajukan sejumlah pertanyaan terkait Menjawab pertanyaan

materi
Memberikan tugas sebagai sarana latihan Mengerjakan tugas sebaik-baiknya dan
dan evaluasi diri kepada mahasiwa bertanya jika ada yang kurang dimengerti

Menyimpulkan materi Menyimak kesimpulan materi

10
3. RANCANGAN TUGAS
Tugas terkait Dimensionality Reduction

Kode mata Kuliah CIG4A3

Nama Mata Kuliah Pembelajaran Mesin
Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma
dimensionality reduction untuk contoh kasus
sederhana
Pertemuan ke 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 Mampu menerapkan salah satu algoritma
pembelajaran tanpa supervisi pada kasus sederhana
Pertemuan ke 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 Mampu menerapkan salah satu algoritma
pembelajaran dengan supervisi pada kasus sederhana
Pertemuan ke 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 : 10%
2. Tugas Besar : 20%
3. UTS : 30%
4. UAS : 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