RENCANA PEMBELAJARAN SEMESTER (RPS)

UNIVERSITAS DIPONEGORO

SPMI- UNDIP RPS 10.04.05 546

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

UNIVERSITAS SPMI-UNDIP/RPS/10.04.05/546 Disetujui Oleh

DIPONEGORO
Revisi ke Tanggal Dekan Fak. Teknik
Rencana Pembelajaran
1 5
Semester
September
2019
 UNIVERSITAS DIPONEGORO
SPMI-
FAKULTAS TEKNIK
UNDIP/RPS/10.04.05/
DEPARTEMEN TEKNIK ELEKTRO
546
PROGRAM SARJANA

RENCANA PEMBELAJARAN SEMESTER

KODE RUMPUN MK TANGGAL
MATA KULIAH (MK) BOBOT SEMESTER
PENYUSUNAN
Pembelajaran Mesin TEL21546 KONTROL T=3 P=0 7 5 September 2019
Koordinator
OTORISASI/PENGESAHAN DOSEN PENGEMBANG RPS KaPRODI
RMK

CAPAIAN PEMBELAJARAN CPL yang dibebankan pada MK

PK2 Memiliki kemampuan melakukan perancangan, penerapan dan verifikasi
komponen, proses atau sistem yang sesuai dengan bidang keahlian untuk
memenuhi spesifikasi atau kebutuhan yang diinginkan serta mempertimbangkan
faktor-faktor lain seperti: ekonomi, lingkungan, sosial, kesehatan, keselamatan
dan keberlanjutan dengan memanfaatkan sumber daya lokal dan nasional.
PK5 Memiliki keterampilan yang baik dalam menggunakan metode maupun sarana
dan peralatan modern yang dibutuhkan dalam keteknikan khususnya bidang
Teknik elektro.
CPMK (Capaian Pembelajaran Mata Kuliah)
CPMK-1 Mahasiswa mampu menerapkan sejumlah metode pembelajaran mesin
CPMK-2 Mahasiswa mampu mengekstraksi aturan atau belajar dari data yang tersedia
CPL � subCPMK

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

Pengampu Dr. Iwan Setiawan, ST., MT

Prasyarat -
Media Pembelajaran Papan Tulis, LCD Projector, Laptop, dan Power Point

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

Mampu -Keaktifan M: 2 x (3 -katagori 10%

menjelaskan jenis- mahasiswa Kriteria: x 50”) Prinsip kerja
Ketepatan BT + BM
jenis jaringan sesuai =
Pelatihan
syaraf tiruan pedoman 2 x [(3 x Jenis-jenis
2-3 penilaian 50”) +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar
Mampu -Keaktifan M: 2 x (3 -konsep 10%
menjelaskan mahasiswa Kriteria: x 50”) clustering
Ketepatan BT + BM
4-5 prinsip clustring sesuai =
-supervised
dan pembelajaran pedoman 2 x [(3 x learnign
terbimbing penilaian 50”) +
(3 x 60”)]
 Bentuk non-
test:
Merangkum
bahan ajar
Mampu -Keaktifan M: 2 x (3 -batasan 10%
menjelaskan mahasiswa Kriteria: x 50”) -jenis-jenis kernel
Ketepatan BT + BM
konsep kernel sesuai =
pedoman 2 x [(3 x
6-7 penilaian 50”) +
(3 x 60”)]
Bentuk non-
test:
Merangkum
bahan ajar
UTS -Keaktifan 20%
mahasiswa Kriteria:
- Ketepatan
sesuai
pedoman
8 penilaian

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