(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
Dr. Rendra Gustriansyah, S.T., M.Kom. Zaid Romegar Mair, S.T., M.Cs.
Capaian Pembelajaran (CP) CP – Prodi
Capaian Pembelajaran Kemampuan akhir capaian Bahan Kajian/Materi Metode Pengalaman Kriteria Penilaian
Pert Waktu Referensi
(CP) / Pertemuan pembelajaran Pembelajaran Pembelajaran Belajar (Indikator)
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
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