TEKNIK INFORMATIKA

(S1)
DOKUMEN
No. Dokumen:
RENCANA PEMBELAJARAN SEMESTER ISO 9001:1508/IWA 2
SPMI-UIGM-F-05.01.01/49
(RPS) terintegrasi dengan AIPT BAN PT
Tgl Berlaku: (PEMBELAJARAN MESIN) Revisi: Hal:
05-02-2024 01 1 dari 8

Mata kuliah Kode Bobot (Sks) Semester Rumpun MK Tgl Penyusunan

Pembelajaran Mesin MPP52TI004 3 VI Sistem Cerdas 5 Februari 2024

Otorisasi Gugus Penjamin Mutu Koordinator MK Kaprodi Teknik Informatika

Dr. Rendra Gustriansyah, S.T., M.Kom. Zaid Romegar Mair, S.T., M.Cs.
Capaian Pembelajaran (CP) CP – Prodi

S8 Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

S9 Menginternalisasi nilai, norma, dan etika akademik
KU1 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan
teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya
KU2 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur
KU3 Mampu mengkaji implikasi pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai
humaniora sesuai dengan keahliannya berdasarkan kaidah, tata cara dan etika ilmiah dalam rangka menghasilkan solusi, gagasan, desain
atau kritik seni
KU7 Mampu bertanggung jawab atas pencapaian hasil kerja kelompok dan melakukan supervisi dan evaluasi terhadap penyelesaian pekerjaan
yang ditugaskan kepada pekerja yang berada di bawah tanggung jawabnya
KU8 Mampu melakukan proses evaluasi diri terhadap kelompok yang berada dibawah tanggung jawabnya dan mampu mengelola pembelajaran
secara mandiri
KU10 Memiliki kemampuan dalam mendefinisikan kebutuhan pengguna atau pasar terhadap kinerja (menganalisis, mengevaluasi dan
mengembangkan) algoritma/metode berbasis komputer
KU11 Memiliki kemampuan (pengelolaan) manajerial tim dan kerja
KK4 Mampu menggunakan berbagai pendekatan pemrograman dalam pengembangan aplikasi TIK
P1 Menguasai konsep teoritis bidang pengetahuan Ilmu Komputer/Informatika secara umum dan konsep teoritis bagian khusus dalam bidang
pengetahuan tersebut secara mendalam dan mampu memformulasikan penyelesaian masalah prosedural
P2 Memiliki pengetahuan yang memadai terkait dengan cara kerja sistem komputer dan mampu merancang dan mengembangkan berbagai
algoritma/metode untuk memecahkan masalah
P3 Mempunyai pengetahuan dalam mengembangkan algoritma/metode yang diimplementasikan dalam perangkat lunak berbasis komputer

Deskripsi Singkat Matakuliah
CP-MK
1 Memahami konsep dasar dari metode Pembelajaran Mesin
2 Mampu mengidentifikasi, memodelkan, menganalisis, dan menyelesaikan permasalahan menggunakan berbagai metode Pembelajaran Mesin
Mampu mengimplementasikan berbagai metode Pembelajaran Mesin menggunakan bahasa pemrograman untuk menyelesaikan
3
permasalahan
Mata Kuliah Pembelajaran Mesin melatih mahasiswa untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer
menjadi lebih cerdas melalui proses mempelajari data. Materi yang disampaikan meliputi pembelajaran supervised, unsupervised, dan
reinforcement.
Dokumen Sistem Mutu ini milik UNIVERSITAS INDO GLOBAL MANDIRI dan
TIDAK DIPERBOLEHKAN dengan cara dan alasan apapun membuat salinan tanpa seizin
Ketua Lembaga Penjamin Mutu
 RENCANA PEMBELAJARAN SEMESTER (RPS)

Capaian Pembelajaran Kemampuan akhir capaian Bahan Kajian/Materi Metode Pengalaman Kriteria Penilaian
Pert Waktu Referensi
(CP) / Pertemuan pembelajaran Pembelajaran Pembelajaran Belajar (Indikator)

(1) (2) (3) (4) (5) (6) (7) (8) (9)

1 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengantar perkuliahan • Ceramah • Mengamati • Daya tarik 150 Menit Mitchell, Tom
pembelajaran mesin definisi dan jenis-jenis pembelajaran (RPS, aturan • Diskusi pembelajaran komunikasi M
mesin perkuliahan, penilaian, yang • Sikap
• Mahasiswa mampu menentukan referensi) berlangsung, • Pengetahuan
permasalahan yang dapat diselesaikan • Pendahuluan • Mendiskusikan • Ketelitian
dengan pembelajaran mesin pembelajaran mesin pertanyaan • Disiplin

2 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit Mitchell, Tom
metode regresi linier konsep metode regresi linier. regresi linier • Diskusi pembelajaran komunikasi M
• Mahasiswa mampu mengimplementasi • Regresi linier (univariate • Simulasi yang • Sikap
kan metode regresi linier dan multivariate) • Penugasan berlangsung, • Pengetahuan
• Mahasiswa mampu mengevaluasi hasil • Regresi non-linear pemrograman • Mendiskusikan • Ketelitian
implementasi (univariate dan dan tertulis pertanyaan, dan • Disiplin
multivariate) (laporan) latihan soal

3 Mampu memahami metode • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Sartika &
naive bayes konsep metode naive bayes untuk naive bayes • Diskusi • Pembelajaran komunikasi Gustriansyah,
model prediksi dan klasifikasi. • Naive bayes (atribut • Simulasi yang • Sikap 2024)
• Mahasiswa memahami kegunaan, discrete dan continue) • Penugasan berlangsung, • Pengetahuan
kelebihan, dan kekurangan naive bayes • Simulasi dataset titanic pemrograman Mendiskusikan • Ketelitian
• Mahasiswa mampu mengevaluasi hasil dan tertulis pertanyaan • Disiplin
implementasi (laporan)

4 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode knn • Ceramah • Mengamati • Daya tarik 150 Menit (Gustriansyah,
metode k-nearest neighbor konsep metode k-nearest neighbor • k-nearest neighbor • Diskusi • Pembelajaran komunikasi Suhandi,
untuk model prediksi dan klasifikasi. • Penugasan yang • Sikap Puspasari, &
Sanmorino,
• Mahasiswa memahami kegunaan, pemrograman berlangsung, • Pengetahuan
2024)
kelebihan, dan kekurangan knn dan tertulis • Mendiskusikan • Ketelitian
• Mahasiswa mampu mengevaluasi hasil (laporan) pertanyaan • Disiplin
implementasi

5 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Sartika &
metode decision tree konsep metode decision tree untuk decision tree • Diskusi • Pembelajaran komunikasi Gustriansyah,
model prediksi dan klasifikasi. • Decision tree • Penugasan yang • Sikap 2024)
• Mahasiswa memahami kegunaan, pemrograman berlangsung, • Pengetahuan
kelebihan, dan kekurangan decision dan tertulis • Mendiskusikan • Ketelitian
 tree (laporan) pertanyaan • Disiplin
• Mahasiswa mampu mengevaluasi hasil
implementasi

6 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Gustriansyah,
metode random forest konsep metode random forest untuk random forest • Diskusi • Pembelajaran komunikasi Suhandi,
model prediksi dan klasifikasi. • Random forest • Penugasan yang • Sikap Puspasari, &
Sanmorino,
• Mahasiswa memahami kegunaan, pemrograman berlangsung, • Pengetahuan
2024)
kelebihan, dan kekurangan random dan tertulis • Mendiskusikan • Ketelitian
forest (laporan) pertanyaan • Disiplin
• Mahasiswa mampu mengevaluasi hasil
implementasi

7 Mampu memahami logistic • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Gustriansyah,
regression konsep metode logistic regression logistic regression • Diskusi • Pembelajaran komunikasi Suhandi,
untuk model prediksi dan klasifikasi. • Logistic Regression • Tugas yang • Sikap Puspasari,
Sanmorino, et
• Mahasiswa memahami kegunaan, • Penugasan berlangsung, • Pengetahuan
al., 2024)
kelebihan, dan kekurangan logistic pemrograman Mendiskusikan • Ketelitian
regression dan tertulis pertanyaan • Disiplin
• Mahasiswa mampu mengevaluasi hasil (laporan) • Kreativitas
implementasi

8 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode SVM • Ceramah • Mengamati • Daya tarik 150 Menit (Sanmorino et
metode Support Vector konsep metode Support Vector • Binary Class SVM • Diskusi • Pembelajaran komunikasi al., 2022)
Machine Machine untuk model prediksi dan (linearly dan non-linearly • Penugasan yang • Sikap
klasifikasi. separable data) pemrograman berlangsung, • Pengetahuan
• Mahasiswa memahami kegunaan, • Multi Class SVM (linearly dan tertulis • Mendiskusikan • Ketelitian
kelebihan, dan kekurangan Support dan non-linearly (laporan) pertanyaan • Disiplin
Vector Machine separable data)
• Mahasiswa mampu mengukur
performa hasil klasifikasi

9 UTS
10 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode k- • Ceramah • Mengamati • Daya tarik 150 Menit (Alie &
metode k-Means konsep k-Means means • Diskusi • Pembelajaran komunikasi Gustriansyah,
• Mahasiswa memahami kegunaan, • Mampu menentukan • Tugas dan quiz yang • Sikap 2024)
kelebihan, dan kekurangan k-Means jumlah k atau klaster • Simulasi berlangsung • Pengetahuan
(Gustriansyah,
• Mahasiswa mampu mengukur pada k-Means dengan • Mendiskusikan • Ketelitian Alie,
performa hasil klasterisasi metode elbow index dan pertanyaan • Disiplin Sanmorino, et
lainnya • Kreativitas al., 2022)
11 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Gustriansyah,
metode Hierarchical konsep metode Hierarchical Clustering Hierarchical Clustering • Diskusi • Pembelajaran komunikasi Alie, &
Clustering Suhandi, 2022)
 untuk model prediksi dan klasterisasi. • Pengenalan metode • Penugasan yang • Sikap
• Mahasiswa memahami kegunaan, single linkage, average pemrograman berlangsung, • Pengetahuan
kelebihan, dan kekurangan Hierarchical linkage, ward dan tertulis • Mendiskusikan • Ketelitian
Clustering (laporan) pertanyaan • Disiplin
• Mahasiswa mampu mengukur
performa hasil klasterisasi

12 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit (Suhandi &
metode Apriori dan FP- konsep metode Apriori dan FP-Growth Apriori • Diskusi • Pembelajaran komunikasi Gustriansyah,
Growth untuk model prediksi dan klasterisasi. • Pengenalan metode FP- • Penugasan yang • Sikap 2021)
• Mahasiswa memahami kegunaan, Growth pemrograman berlangsung, • Pengetahuan
kelebihan, dan kekurangan Apriori dan dan tertulis • Mendiskusikan • Ketelitian
FP-Growth (laporan) pertanyaan • Disiplin
• Mahasiswa mampu mengukur
performa hasil klasterisasi

13 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit Mitchell, Tom
metode Dimensionality konsep metode dimensionality Principal Component • Diskusi • Pembelajaran komunikasi M
Reduction reduction untuk klasterisasi. Analysis (PCA) • Penugasan yang • Sikap
• Mahasiswa memahami kegunaan, • Pengenalan metode pemrograman berlangsung, • Pengetahuan
kelebihan, dan kekurangan Linear Discriminant dan tertulis • Mendiskusikan • Ketelitian
dimensionality reduction Analysis (LDA) (laporan) pertanyaan • Disiplin
• Mahasiswa mampu mengukur
performa hasil klasterisasi

14 Mampu memahami konsep • Mahasiswa mampu menjelaskan • Pengenalan metode • Ceramah • Mengamati • Daya tarik 150 Menit Mitchell, Tom
metode Boosting konsep metode XGBoost untuk model XGBoost • Diskusi • Pembelajaran komunikasi M
prediksi dan klasterisasi. • Pengenalan metode • Penugasan yang • Sikap
• Mahasiswa memahami kegunaan, Light Gradien Boosting pemrograman berlangsung, • Pengetahuan
kelebihan, dan kekurangan XGBoost Machine dan tertulis • Mendiskusikan • Ketelitian
• Mahasiswa mampu mengukur (laporan) pertanyaan • Disiplin
performa hasil klasterisasi

15 Memahami Deep Learning • Mahasiswa memahami analogi • Pengenalan • Ceramah • Mengamati • Daya tarik 150 Menit (Aci &
bagaimana komputer bisa melihat Convolutional Neural • Diskusi • Pembelajaran komunikasi Doğansoy,
• Mahasiswa memahami Network, Recurrent • Tugas yang • Sikap 2022)
pengkalsifikasian gambar. Neural Network, dan • Simulasi berlangsung, • Pengetahuan
• Memahami convolutional layer untuk Artificial Neural Network Mendiskusikan • Ketelitian
mengenali atribut atribut unik dalam • Pengenalan proses & pertanyaan • Disiplin
sebuah objek. Convolutional Layer • Kreativitas
• Pengenalan Arsitektur
CNN, RNN, dan ANN

16 UAS
REFERENSI:
BUKU WAJIB

1. Mitchell, Tom M., Machine Learning, McGraw Hill, 1997

2. Aci, M., & Doğansoy, G. A. (2022). Demand forecasting for e-retail sector using machine learning and deep learning methods. Journal of the Faculty of
Engineering and Architecture of Gazi University, 37(3), 1325–1339. https://doi.org/10.17341/gazimmfd.944081
3. Alie, J., & Gustriansyah, R. (2024). Customer Segmentation For Digital Marketing Based on Shopping Patterns. Jurnal Aplikasi Bisnis Dan Manajemen, 10(1),
209–216. https://doi.org/10.17358/jabm.10.1.209

4. Gustriansyah, R., Alie, J., Sanmorino, A., Heriansyah, R., & Noor, M. N. M. M. (2022). Machine Learning for Regencies-Cities Clustering Based on Inflation and
Poverty Rates in Indonesia. Indonesian Journal of Information Systems (IJIS), 5(1), 64–73. https://doi.org/10.24002/ijis.v5i1.5682

5. Gustriansyah, R., Alie, J., & Suhandi, N. (2022). Hierarchical clustering for crime rate mapping in Indonesia. ILKOM Jurnal Ilmiah, 14(3), 275–283.
https://doi.org/10.33096/ilkom.v14i3.1135.275-283

6. Gustriansyah, R., Suhandi, N., Puspasari, S., & Sanmorino, A. (2024). Machine Learning Method to Predict the Toddlers’ Nutritional Status. INFOTEL, 16(1), 1–
6. https://doi.org/10.20895/infotel.v15i4.988

7. Gustriansyah, R., Suhandi, N., Puspasari, S., Sanmorino, A., & Sartika, D. (2024). Toddlers’ Nutritional Status Prediction Using the Multinomial Logistics
Regression Method. Journal of Computer Networks, Architecture and High Performance Computing, 6(1), 25–33. https://doi.org/10.20895/infotel.v15i4.988

8. Sanmorino, A., Gustriansyah, R., & Alie, J. (2022). DDoS Attacks Detection Method Using Feature Importance and Support Vector Machine. JUITA : Jurnal
Informatika, 10(2), 167–171. https://doi.org/10.30595/juita.v10i2.14939
9. Sartika, D., & Gustriansyah, R. (2024). Comparison of naive Bayes and decision tree algorithms to assess the performance of Palembang City fire and Disaster
management employees. TEKNOSAINS: Jurnal Sains, Teknologi Dan Informatika, 11(1), 132–138. https://doi.org/10.37373/tekno.v11i1.843

10. Suhandi, N., & Gustriansyah, R. (2021). Marketing Strategy Using Frequent Pattern Growth. Journal of Computer Networks, Architecture and High Performance
Computing, 3(2), 194–201. https://doi.org/10.47709/cnahpc.v3i2.1039

BUKU PELENGKAP
Pengenalan Mesin Learning dengan python, Dios Kurniawan,Elex media komputindo,2020.
PENILAIAN DENGAN RUBIK

Angka
Jenjang (Grade) Deskripsi Perilaku (Indikator)
(Skor)

SB = Sangat Baik 5 Daya Tarik komunikasi, Sikap, Pengetahuan, Ketelitian, Disiplin, Kreativitas, Kerjasama team

B = Baik 4 Daya Tarik komunikasi, Sikap, Pengetahuan, Ketelitian, Disiplin, Kreativitas, Kerjasama team

C = Cukup 3 Daya Tarik komunikasi, Sikap, Pengetahuan, Ketelitian, Disiplin, Kreativitas, Kerjasama team

K = Kurang 2 Daya Tarik komunikasi, Sikap, Pengetahuan, Ketelitian, Disiplin, Kreativitas, Kerjasama team

PENENTUAN NILAI AKHIR MATAKULIAH

>= 80 s/d 100 Grade A Skala 4

>=68 s/d 79 Grade B Skala 3
>= 56 s/d 67 Grade C Skala 2

>= 50 s/d 55 Grade D Skala 1

0 s/d 49 Grade E Skala 0