RENCANA PEMBELAJARAN SEMESTER

PROGRAM STUDI : INFORMATIKA

FAKULTAS : ILMU KOMPUTER

MATA KULIAH KODE MK RUMPUN MK BOBOT (SKS) SEMESTER DIREVISI

KECERDASAN BUATAN IF191126 Komputasi Cerdas dan Visual Teori = 3 5 15 Agustus 2019
OTORISASI Koordinator MK Koordinator Prodi Teknik Informatika

Budi Nugroho,S.Kom,M.Kom
Capaian Pembelajaran (CP) CPL Prodi:
CP3: mampu menerapkan pemikiran ilmiah, mengambil keputusan secara tepat dalam menyelesaikan masalah,
menegakkan integritas akademik dan profesi, serta mencegah plagiasi
CP5: mampu menguasai konsep matematika, komputasi, pemrograman, pengembangan perangkat lunak, jaringan
komputer, serta strategi dan kebijakan teknologi informasi
CP6: menguasai konsep system strategis untuk mendukung kemajuan masyarakat dan ketahanan nasional
CP8: mampu menyusun algoritma, membuat kode program, mengelola data, dan membangun aplikasi perangkat lunak
CP9: mampu menganalisis dan menyelesaikan masalah dengan menggunakan system cerdas
CP10: mampu menganalisis, merancang, dan membangun perangkat lunak di bidang sistem strategis

CP-MK:
1. Mampu menjelaskan teori dan metode yang melandasi sistem kecerdasan buatan (C2, A2)
2. Mampu menerapkan langkah-langkah berbasis kecerdasan buatan dengan memanfaatkan algoritma pencarian untuk
menyelesaikan Constraint Satisfaction Problem (C3, A4, P4)
3. Mampu memutuskan metode kecerdasan buatan yang sesuai untuk menyelesaikan permasalahan yang diberikan (C5, A4,
P4)
4. Mampu membuat solusi permasalahan kecerdasan buatan dengan menggunakan bahasa pemrograman tingkat tinggi (C6,
A4, P4)
Deskripsi Singkat MK Dalam mata kuliah ini mahasiswa akan belajar mengenai kecerdasan buatan melalui bentuk intelligent agent, baik secara
teori di kelas maupun praktek melalui tugas project. Intelligent agent akan memanfaatkan algoritma pencarian (search),
algoritma berbasis pengetahuan (knowledge-based) serta algoritma pembelajaran (learning-based). Algoritma search yang
dipelajari antara lain algoritma uninformed/informed search, heuristic search, adversarial search dan algoritma search
untuk constraint satisfaction problem. Sedangkan algoritma berbasis pengetahuan meliputi representasi serta inference
propositional logic, first order logic, reasoning under uncertainty. Untuk algoritma yang berbasis pembelajaran, dalam
mata kuliah ini akan dibahas tentang algoritma statistical learning. Selain teori, di dalam kuliah ini akan disampaikan studi
kasus dalam bentuk tugas project yang berkaitan dengan intelligent agent yang memanfaatkan algoritma pencarian,
algoritma berbasis pengetahuan atau algoritma statistical learning. Tugas project dapat dikerjakan secara individu maupun
 secara berkelompok, sehingga mahasiswa memiliki pengalaman belajar dan mampu berfikir secara kritis tentang penerapan
intelligent agent.
Pustaka Utama [1] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, a modern approach" Third Edition, Prentice
Hall, New Jersey, 2010.
Pendukung [1] Sri Kusumadewi, “Artificial Intelligence (Teknik dan Aplikasinya)”, Graha Ilmu, 2003
[2] Anita Desiani dan Muhammad Arhami, Konsep Kecerdasan Buatan, Penerbit Andi, 2006.
[3] Sri Kusumadewi, Hari Purnomo, Aplikasi Logika Fuzzy untuk Pendukung Keputusan Edisi
2, Graha Ilmu, 2010
[4] Millington, Ian; Funge, John; “Artificial Intelligence for Games 2 nd edition”, Morgan
Kaufmann Publisher, 2009.

Dosen Pengampu Dr. Basuki Rahmat, S.Si, MT, Intan Yuniar P, S.Kom.,M.Sc, Fetty Tri Anggraeny, S.Kom, M.Kom
Matakuliah Syarat -
Metode / Assessment
Capaian Metode/Strategi
Minggu Materi Pembelajaran
Pembelajaran Pembelajaran Bobot
Ke- (Pustaka) Indikator Bentuk
(Estimasi (%)
Waktu)
1 Mahasiswa mampu: a. Kontrak perkuliahan, aturan a. Kuliah, a. Mahasiswa mampu Non-Tes 5%
a. Menjelaskan perkuliahan dan sistem penilaian, brainstorming, menjelaskan
konsep dasar capaian pembelajaran, indikator dan diskusi dengan tepat
kecerdasan buatan dan manfaat mata kuliah kelompok konsep dasar
dan memberikan Kecerdasan Buatan [TM: kecerdasan buatan,
contoh ruang b. Pengertian kecerdasan buatan: 1x(3x50”)] ruang lingkup
lingkup aplikasinya Strong AI vs Weak AI b. Tugas 1: aplikasi (C2)
(C2) c. Landasan ilmu yang menunjang Menentukan b. Mahasiswa mampu
b. menjelaskan kecerdasan buatan komponen menjelaskan
perspektif d. Lingkup kecerdasan buatan pada PEAS pada dengan tepat
intelligent agents aplikasi: autonomous planning & suatu agent perspektif PEAS
PEAS dengan scheduling, game playing, [PT+BM: (C2)
memberikan contoh autonomous control, diagnosis (1+1)x(3x50”)]
(C2) (sistem pakar), logistic planning,
robotics, language understanding
& problem solving
e. Perspektif intelligent agents,
deskripsi PEAS (Performance
Measure, Environment,
Actuators, Sensors) dari sebuah
agent
2 Mahasiswa dapat a. Sistem yang menggunakan AI a. Kuliah & Mahasiswa dapat Non-Tes 10%
menerapkan langkah- b. Langkah-langkah dalam problem Diskusi menerapkan dengan
langkah dalam solving: kelompok tepat representasi
problem solving  Pendefinisian masalah [TM: ruang keadaan dengan
menggunakan (problem formulation) dalam 1x(3x50”)] graph keadaan jika
representasi ruang sebuah ruang keadaan (state b. Tugas 2: diberikan sebuah
keadaan (P2) space) Selesaikan permasalahan (P2)
 Menjalankan algoritma permasalahan
pencarian Tower of Hanoi
c. Contoh studi kasus: Permasalahan menggunakan
teko air, 8-puzzle, Menara Hanoi, representasi
Misionaris dan Kanibal ruang keadaan
d. Representasi ruang keadaan [PT+BM:
dengan graph keadaan (state (1+1)x(3x50”)]
graph), pohon hirarkis
3-4 Mahasiswa dapat a. Metode Pencarian Blind Search: a. Kuliah & a. Dapat menerapkan Non-Tes 10%
menerapkan langkah- Breadth-First Search, Depth-First Diskusi metode pencarian
langkah dalam Search, Depth-limited Search, kelompok Blind Search pada
problem solving untuk Iterative Deepening Search [TM: sebuah
menyelesaikan b. Informed Search: Greedy, A*, 2x(3x50”)] permasalahan
masalah pencarian Fungsi heuristik b. Tugas 3: Carilah b. Dapat menerapkan
c. Review singkat model pencarian solusi terbaik metode pencarian
lainnya: Genetic Algorithm, Ant menggunakan Informed Seach
Colony, Simulated Annealing, pencarian blind pada sebuah
Hill Climbing search dan permasalahan
informed search dalam bahasa
[PT+BM: pemrograman
(2+2)x(3x50”)]

5 Mahasiswa dapat a. Konsep searching dalam game a. Kuliah & a. Dapat menjelaskan Non-Tes 5%
menerapkan langkah- (adversarial search) Diskusi dengan tepat jenis
langkah dalam b. Macam-macam game kelompok game yang bisa
problem solving untuk c. Metode: [TM: diselesaikan
menyelesaikan  Pencarian Minimax 1x(3x50”)] b. Dapat menerapkan
masalah adversarial  Pencarian αβ-prune a. Tugas 4: Carilah langkah-langkah
search dalam game solusi terbaik metode pencarian
yang harus pada game
dipilih oleh
NPC
[PT+BM:
(1+1)x(3x50”)]
 6 Mahasiswa dapat: a. Logic-based agent: a. Kuliah & a. Dapat membuat Non-Tes 15%
a. Menjelaskan  Penalaran logika Diskusi representasi
konsep penalaran  Knowledge-based agent kelompok pengetahuan
logika dan  Studi kasus: Dunia Wumpus [TM: dengan benar dari
penggunaannya (Wumpus World) 1x(3x50”)] sebuah
dalam sebuah b. Proposisi dan Logika b. Tugas 5: permasalahan
sistem cerdas proposisional Lakukan proses dengan
b. merepresentasikan c. Metode inferensi Forward dan forward menggunakan
pengetahuan Backward Chaining chaining dan setidaknya 3 cara
dengan d. Representasi pengetahuan: backward representasi
menggunakan chaining pengetahuan
beberapa cara [PT+BM: b. Dapat menjelaskan
(1+1)x(3x50”)] dengan tepat
perbedaan metode
inferensi forward
dan backward
chaining
7 Mahasiswa dapat: a. Teori penalaran probabilitas: a. Kuliah & a. Dapat menjelaskan Non-Tes 10%
a. Menjelaskan  Probabilitas prior dan Diskusi konsep
konsep kondisional kelompok ketidakpastian
pengambilan  Aksioma probabilitas [TM: pada rational agent
keputusan rasional  Inferensi probabilistic: 1x(3x50”)] dengan benar
oleh sebuah agent Marginalization dan b. Tugas 7: b. Dapat menerapkan
dalam situasi Conditioning Selesaikan dengan benar
ketidakpastian  Aturan Bayes permasalahan inferensi
b. Menerapkan b. Klasifikasi Naïve Bayes prediksi/klasifik probabilistic untuk
inferensi asi menyelesaikan
probabilistik untuk menggunakan sebuah
pengambilan naïve bayes permasalahan
keputusan [PT+BM: pengambilan
(1+1)x(3x50”)] keputusan

8 Evaluasi Tengah Semester

9-10 Mahasiswa dapat: a. Perbedaan himpunan fuzzy a. Kuliah & a. Dapat menjelaskan Non-Tes 10%
a. Menjelaskan dengan himpunan crisp Diskusi dengan tepat
konsep logika b. Fungsi keanggotaan: kelompok konsep logika
fuzzy dan  Fuzzy disjunction [TM: 2x(3x50”)] fuzzy dan
membedakannya  Fuzzy conjuction b. Tugas 6: memberikan
dengan logika crisp c. Arsitektur sistem fuzzy Selesaikan contoh aplikasinya
b. Memberikan d. Studi kasus logika fuzzy permasalahan dengan benar
contoh aplikasi e. Representasi grafik logika fuzzy: penentuan b. Dapat menerapkan
logika fuzzy  Linier turun/naik jumlah produksi sistem inferensi
 c. Menerapkan logika  Segitiga suatu pabrik fuzzy dengan
fuzzy untuk  Trapesium menggunakan benar
menyelesaikan  Kurva bahu metode fuzzy
sebuah  Kurva S [PT+BM:
permasalahan  Kurva lonceng: fungsi Gauss (2+2)x(3x50”)]
dan PI
f. Sistem Inferensi fuzzy:
 Metode Tsukamoto
 Metode Mamdani
 Metode Sugeno (opsional)
 Metode Tahani (opsional)
11-12 Mahasiswa dapat: a. Konsep pembelajaran dan a. Kuliah & a. Dapat menjelaskan Non-Tes 10%
a. Menjelaskan pembelajaran mesin: Diskusi konsep
konsep  Tujuan kelompok pembelajaran
pembelajaran  Jenis tugas: klasifikasi dan [TM: 2x(3x50”)] mesin dan
mesin dan regresi b. Tugas 6: menyebutkan tipe
karakteristiknya  Learning agent Selesaikan pembelajaran
b. Menerapkan b. Tipe pembelajaran: permasalahan dengan benar
jaringan saraf  Unsupervised prediksi/klasifika b. Dapat menerapkan
tiruan untuk  Supervised si menggunakan dengan benar
menyelesaikan  Reinforcement jaringan saraf jaringan syaraf
permasalahan c. Ruang hipotesis dan pencarian tiruan tiruan single layer
pengambilan dalam ruang hipotesis [PT+BM: dan menghitung
keputusan d. Jaringan syaraf tiruan single (2+2)x(3x50”)] output neuron jika
layer (perceptron): diberikan sebuah
jaringan syaraf
 Neuron
tiruan single layer
 Fungsi aktivasi
13 Mahasiswa dapat Progress Report Final Project Presentasi [TM: a. Dapat Non-Tes 10%
menjelaskan 1x(3x50”)] memberikan
perkembangan dari update pengerjaan
pengerjaan tugas Final Final Project
Project
14-15 Mahasiswa dapat Presentasi topik kecerdasan buatan a. Progress b. Dapat menjelaskan Non-Tes 5%
menjelaskan topik dan lainnya: perancangan dengan benar
merancang dan a. Jaringan Syaraf Tiruan multi- aplikasi aplikasi yang akan
menciptakan aplikasi layer [TM: dirancang
kecerdasan buatan b. Information Retrieval 2x(3x50”)] c. Dapat merancang
lainnya c. Algoritma Genetika b. Tugas 6: dan menciptakan
d. Robotika Buatlah aplikasi aplikasi dengan
e. Data Mining menggunakan benar
salah satu
 metode
kecerdasan
buatan
[PT+BM:
(2+2)x(3x50”)]

16 Evaluasi Akhir a. Soal untuk final project diberikan Demonstrasi a. Mahasiswa Non-Tes 10%
Semester: Demo pada pertemuan ke-4 program mampu
Program Final Project b. Mahasiswa memiliki waktu 6 [TM: 1x(3x50”)] menjelaskan
minggu untuk mengerjakan soal aplikasi yang
final project diciptakan
c. Final project dapat dikerjakan b. Mahasiswa
secara berkelompok maksimum 2 mampu
orang menciptakan
aplikasi
kecerdasan buatan
sesuai dengan
konsep

Catatan:
1 sks = (50’TM + 50’PT + 60’BM)/Minggu BM = Belajar Mandiri T = Teori (aspek ilmu pengetahuan)
TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (3 jam/minggu) P = Praktek (aspek keterampilan kerja)
PT = Penugasan Terstruktur PL = Praktikum Laboratorium (3 jam/minggu)

Koordinator Prodi Teknik Informatika,

Budi Nugroho, S.Kom, M.Kom

NPT. 3 8009 05 0205 1