Anda di halaman 1dari 5

RENCANA PEMBELAJARAN SEMESTER

Program Studi : Teknik Informatika (TI)

Mata Kuliah : Pengenalan Pola

Kode Mata Kuliah :

SKS : 3 SKS

Semester : 5 (Lima)

Mata Kuliah Prasyarat :-

Dosen Pengampu : T. M Johan., M.IT

Capaian Pembelajaran : Setelah menyelesaikan Mata Kuliah ini mahasiswa Informatika mampu membuat program pengenalan pola untuk
aplikasi yang ditentukan

Pertemuan Kemampuan Akhir Materi Pokok Bentuk Pembelajaran Penilaian Referensi


Ke yang Direncanakan (Metode dan Pengalaman Indikator Bentuk Bobot
Belajar)
1 2 3 4 5 6 7 8
1 Saling mengenal,  Perkenalan antara dosen 1. Mengenal dosen - - Panduan
menjelaskan kontrak dan mahasiswa dan mahasiswa Akademik
perkuliahan yang  Penjelasan kontrak lainnya.
meliputi tujuan kuliah dan sistem 2. Beradaptasi dengan
matakuliah, berbagai penilaian kontrak
tugas dan sumbernya  Penjelasan tentang tugas- perkuliahan dan
serta prinsip tugas baik kelompok sistem
penilaiaanya maupun individu penilaiannya.
 Orientasi perkuliahan 3. Menemukan
dan peraturan-peraturan referensi-referensi
akademik yang tepat.
4. Menyelesaikan
tugas-tugas, baik
individu maupun
kelompok.
5. Mengikuti semua
pereturan-
peraturan
akademik.
2 Mahasiswa mampu 1. Definisi Pola Ceramah dan Diskusi 1. Ketepatan Tes 5% 1,2 dan 3
menjelaskan minimal 2 2. Sejarah pengenalan pola menjelaskan
contoh penerapan 3. Penjelasan aplikasi pengertian pola
pengenalan pola tanpa terkini pengenalan pola 2. Ketepatan
melihat catatan dengan menjelaskan
tingkat kebenaran penerapan
minimal 80% pengenalan pola
3 Mahasiswaakan mampu 1. Feature Selection Ceramah dan Diskusi 1. Ketepatan Tes 5% 1,2 dan 3
menguraikan cara (pemilihan ciri) menguraikan
memilih ciri tanpa 2. Definisi Ciri pengertian ciri
melihat catatan dengan 3. Contoh Ciri 2. Ketepatan
tingkat kebenaran 4. Penerapan Ciri yang menjelaskan
minimal 80%. sesuai perbedaan ciri
untuk tujuan
pengenalan
4 Mahasiswaakan mampu 1. Feature Extraction Ceramah dan Diskusi 1. Ketepatan Tes 5% 1,2 dan 3
menjelaskan cara (pengambilan ciri) menjelaskan
mengambil ciri tanpa 2. Ciri kawasan waktu atau konsep
melihat catatan dengan rruang pengambilan ciri
tingkat kebenaran 3. Ciri kawasan 2. Ketepatan
minimal 80%. transformasi mendeskripsikan
ciri yang
dibutuhkan
5 Evaluasi (Quiz) Soal – soal tentang materi individual Menjawab soal Tes -
yang sudah dipelajari dengan benar
6 Mahasiswa akan 1. Clustering Ceramah dan Diskusi 1. Ketepatan tes 5% 1,2 dan 3
mampu menghitung (perumpunan) mendeskripsikan
dimensi ruang ciri yang 2. K-nearest neighbor cara
dibutuhkantanpa 3. Vector Quantization merumpunkan ciri
melihat catatan dengan 2. Ketepatan
tingkat kebenaran menghitung
minimal 80%. dimensi ruang ciri
yang dibutuhkan
7 Mahasiswa mampu 1. Linear Discriminant Ceramah, Discovery 1. Ketepatan Tes 10% 1,2 dan 3
menghitung (pembeda linear) Learning dan Diskusi menjelaskan
discriminant linear 2. Fungsi LD dua kelas konsep pembatas
untuk membatasi kelas 3. Fungsi LD banyak kelas kelas
tanpa melihat catatan 4. Fungsi LD umum 2. Ketepatan
dengan tingkat menghitung garis
kebenaran minimal batas kelas
80%.
8 Mahasiswa mampu 1. Bayesian Decision Ceramah, Discovery 1. Ketepatan Tes 5% 1,2 dan 3
menghitung peluang Theory Learning dan Diskusi menghitung
keputusan berdasar 2. Ciri Kontinue: Dua peluang Bayes
Teori Bayes tanpa Kelas
melihat catatan dengan 3. Meminimalkan galat
tingkat kebenaran 4. Ciri Diskret: Dua Kelas
minimal 80%
9 Midterm Soal – soal tentang materi individual 1. Mampu menjawab Midterm Soal –
yang sudah dipelajari soal dengan benar soal
tentang
materi
yang
sudah
dipelaj
ari
10 Mahasiswa mampu 1. Distance Measurement Ceramah, Discovery 1. Ketepatan Tes 10% 1,2 dan 3
menghitungjarak antar 2. Definisi Jarak Learning dan Diskusi menghitung jarak
ciri tanpa melihat 3. Jarak Euclidean untuk
catatan dengan tingkat 4. Jarak Mahalonobis• memaksimalkan
kebenaran minimal Jarak Batacharya tingkat
80% pengenalan
11 Mahasiswa mampu 1. Classification Cycle Ceramah, Discovery 1. Ketepatan Tes 10% 1,2 dan 3
menjelaskan siklus 2. Pengumpulan Data Learning dan Diskusi menjelaskan siklus
proses 3. Penentuan Ciri penggolongan
penggolongantanpa 4. Pengambilan Ciri 2. Ketepatan
melihat catatan dengan 5. Pemilihan Model menjelaskan cara
tingkat kebenaran Pengenalan pemilihan yang
minimal 80%. 6. Pelatihan tepat
7. Evaluasi
12 Mahasiswa mampu 1. Preprocessing Ceramah, Discovery 1. Ketepatan Tes 10% 1,2 dan 3
menyesuaikan data set 2. Enhancement Learning dan Diskusi menjelaskan
untuk proses 3. Segmentation konsep
selanjutnya tanpa enhancement
melihat catatan dengan 2. Ketepatan
tingkat kebenaran menjelaskan
minimal 80% konsep
segmentation
13 Mahasiswa mampu 1. Definisi pembelajaran Ceramah, Discovery 1. Ketepatan Tes 5% 1,2 dan 3
menyesuaikan cara terbimbing Learning dan Diskusi menjelaskan
pembelajaran 2. Jenis pembelajaran konsep supervised
terbimbingtanpa gerbimbing learning
melihat catatan dengan
tingkat kebenaran
minimal 80%.
14 Mahasiswa mampu 1. Unsupervised Learning Ceramah, Discovery 1. Ketepatan Tes 10% 1,2 dan 3
menyesuaikan cara 2. Dasar DCT Learning dan Diskusi mendeskripsikan
pembelajaran tak 3. Blok Diagram JPEG konsep
terbimbing tanpa pembelajaran tak
melihat catatan dengan terbimbing
tingkat kebenaran
minimal 80%.
15 Mahasiswa mampu 1. template Matching Ceramah, Diskusi dan 1. Ketepatan Tes 10% 1,2 dan 3
mendemontrasikan 2. Pengantar srtuctural Problem Based Learning menerapkan
penggolongan dengan approach metode
mencocokan cetakan 3. Penentuan cetakan pencocokan
tanpa melihat catatan (template) cetakan untuk
dengan tingkat 4. Pencocokan cetatan penggolongan
kebenaran minimal kelas
80%
16 Ujian Akhir Semester Soal – soal tentang materi Individual Mengulang dan - -
yang sudah dipelajari Mampu menjawab
soal dengan benar

9. Referensi

1. Richard O. Duda, Peter E. Hart, dan David G. Stork(2000), Pattern Classification, 2ndEdition,
2. Evangelia Micheli-Tzanakou (2000), Supervised and unsupervised Pattern Recognition: Feature Extraction andComputational, CRC Press
LLC, Florida
3. Adnan Darwiche(2009), Modeling and Reasoning with Bayesian Networks, Cambrigde Univ Press, Cambrigde