UNIVERSITAS DIPONEGORO
Revisi ke 1
Tanggal 5 September 2019
Dikaji Ulang Oleh Ketua Program Studi Teknik Elektro
Dikendalikan Oleh GPM Teknik Elektro
Disetujui Oleh Dekan Fakultas Teknik
Deskripsi Singkat Pengenalam pembelajaran mesin (machine learning) jaringan syaraf tiruan,
clustering, Pembelajaran terbimbing, metode kernel, support vector machine,
bayesian, Hidden markov model
Bahan Kajian 1. Batasan
Materi Pembelajaran 2. Prinsip kerja
3. Pelatihan
4. Jenis-jenis
5. konsep clustering
6. supervised learnign
7. jenis-jenis kernel
8. metode kernel
9. SVM
10. katagori
11. metode kernel
12. bayesian
13. katagori
14. konsep clustering
15. pembelajaran
16. HMM
Pustaka Utama:
1. Arthur m. Glenberg and matthew e. Andrzejewski, “learning from data an introduction
to statistical reasoning third edition”, taylor & francis group, llc, 2008
2. Alex smola and s.v.n. vishwanathan, “introduction to machine learning”, university
press, cambridge, 2008
Pendukung:
1. Shai shalev-shwartz and shai Ben-David, “Understanding Machine Learning:
From Theory To Algorithms”, University Press, Cambridge, 2014
2. Ingo Steinwart And Andreas Christmann “Support Vector Machines”, Springer, 2008
Bentuk pembelajaran;
Metode
Sub-CPMK Penilaian Pembelajaran;
(sebagai kemampuan Penugasan; Materi Bobot
Mg ke-
akhir yang [Estimasi Waktu] Pembelajaran (%)
diharapkan) Tatap
Kriteria dan
Indikator Muka/Lur Daring
Bentuk
ing
(1) (2) (3) (4) (5) (6) (7) (8)
1 Mampu menjelaskan -Keaktifan TM: (3 x Batasan 0%
prinsip pembelajaran mahasiswa Kriteria: 50”) Contoh-contoh
mesin dengan tingkat Ketepatan BT + BM aplikasi
kebenaran 70% sesuai =
pedoman [(3 x 50”)
penilaian +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar
Bentuk non-
test:
Merangkum
bahan ajar
Mampu -Keaktifan M: 2 x (3 -metode kernel 10%
menjelaskan mahasiswa Kriteria: x 50”) -SVM
Ketepatan BT + BM
prinsip kerja sesuai =
-katagori
support vector pedoman 2 x [(3 x
9-11 machine penilaian 50”) +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar
Mampu -Keaktifan M: 2 x (3 -metode kernel 10%
menjelaskan mahasiswa Kriteria: x 50”) -bayesian
Ketepatan BT + BM
prinsip kerja sesuai =
-katagori
bayesian pedoman 2 x [(3 x
12-13 penilaian 50”) +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar
Mampu M: 2 x (3 -konsep 10%
menjelaskan Kriteria: x 50”) clustering
Ketepatan BT + BM
14-15 prinsip kerja sesuai =
-pembelajaran
Hidden Markov pedoman 2 x [(3 x HMM
Model penilaian 50”) +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar