Prasyarat: - Prasyarat: Machine Learning Tujuan Pembelajaran: Tujuan kelas ini Tujuan Pembelajaran: Tujuan dari adalah memberikan pengetahuan untuk matakuliah ini adalah memberikan mahasiswa tentang algoritma-algoritma pemahaman kepada mahasiswa mengenai pada sistem cerdas berbasis data vision berbagai macam algoritma dalam deep beserta aplikasi-aplikasinya. learning. Setelah mengambil matakuliah ini Setelah mengambil matakuliah ini diharapkan mahasiswa: diharapkan mahasiswa: CO-1: Mahasiswa memahami dan mampu CO-1: Mahasiswa mampu memahami dan menjelaskan bagaimana melakukan menjelaskan konsep dasar konsep dasar pengumpulan data, peningkatan jumlah data jaringan syaraf tiruan, awal mula jaringan pada data vision. syaraf muncul untuk memecahkan case dan CO-2: Mahasiswa memahami, menjelaskan problem, mengapa harus menggunakan dan mampu mengimplementasikan jaringan syaraf tiruan. bagaimana melakukan pendeteksian suatu CO-2: Mahasiswa mampu memahami, objek pada gambar dan atau video. menjelaskan dan mengimplementasikan CO-3: Mahasiswa memahami dan mampu algoritma-algoritma pembelajaran dalam menjelaskan apa itu klasifikasi, pengenalan, jaringan syaraf tiruan untuk multilayer identifikasi objek dan mampu memahami perceptron: backpropagation. perbedaan di antara ketiganya serta CO-3: Mahasiswa mampu memahami dan mengimplementasikannya. menjelaskan algoritma reinforcement CO-4: Mahasiswa memahami dan mampu learning. menjelaskan tentang pelacakan objek dan CO-4: Mahasiswa memiliki pemahaman analisis tingkah laku objek berdasarkan mengenai algoritma Convolutional Neural informasi spasial dan temporal. Netwok dan variasinya serta CO-5: Mahasiswa memahami konsep dari mengimplementasikannya. geoemteri antara gambar 2 dimensi dengan CO-5: Mahasiswa memiliki pemahaman koordinat 3 dimensi. algoritma Recurrent Neural Network, Long CO-6: Mahasiswa memiliki kemampuan Short-Term Memory Network, dan untuk mengimplementasikan aplikasi autoencoder serta sistem cerdas berbasis data vision. mengimplementasikannya. Silabus: Data collection and CO-6: Mahasiswa mampu memecahkan augmentation; Object Localization and permasalahan kompleks dengan deep Detection; Object Classification; Object learning. Recognition and Identification; Object Silabus: Artificial Neural Network; Tracking; Object Behavior Analysis; 3D Multilayer Perceptron; Backpropagation; Object Reconstruction; Aplikasi sistem Reinforcement Learning; Convolutional cerdas berbasis data vision. Neural Network; Recurrent Neural Pustaka Acuan: Network; Long Short-term Memory [1] W1: Richard Szeliski, Computer Network; Autoencoder; Aplikasi-aplikasi Vision: Algorithms and Applications, Deep Learning. 2010. Pustaka Acuan: [2] W2: Forsyth Ponce, Computer Vision: [1] W1: Laurene Fausett, 2004, A Modern Approach, 2002. Fundamentals of Neural Networks: [3] A1: https://opencv.org/books.html Architecture, Algorithms, and Application [2] W2: Ian GoodFellow, Yoshua Bengio, CO-4: Mampu mengidentifikasi kelebihan Aaron Couville, 2016, Deep Learning, dan kekurangan dari teori-teori yang MIT didiskusikan dalam mata kuliah terkait. Silabus: Silabus akan disusun dan Inovasi dan Enterpreneur Kecerdasan disesuaikan dengan topik yang dipilih Artifisial (AI Innovation & nantinya. Entrepreneurship), 3sks Pustaka Acuan: Prasyarat: Principle of AI Paper, Jurnal dan text book yang sesuai Tujuan Pembelajaran: Dalam perkuliahan dengan topik terkait ini mahasiswa diberikan ilmu untuk dapat mengaplikasikan dan mengembangkan AI Kecerdasan Artifisial pada untuk industri kreatif. Bioinformatika (AI in Bioinformatics), 3 Setelah mengikuti mata kuliah ini, sks mahasiswa diharapkan: Prasyarat : Principle of AI CO-1: Mampu mengidentifikasi sektor- Tujuan Pembelajaran: Peningkatan sektor industri yang mempunyai potensi jumlah data biologi yang sangat pesat saat untuk dikembangkan dengan bantuan AI. ini menyebabkan analisa data secara CO-2: Mampu mengembangkan / manual tidak lagi efisien. Dibutuhkan mengintegrasikan AI dalam bisnis/industri komputasi untuk membantu analisa data yang sudah ada. sehingga dapat mengekstrak suatu CO-3: Mampu mendeskripsikan peran- informasi penting dari sekumpulan data peran dalam sebuah AI team. genetika yang berjumlah besar. Wilayah Silabus: Overview entrepreneur dan diantara ilmu komputasi dan biologi inilah entrepreneurship; Memilih project berbasis yang disebut bioinformatika. Kecerdasan AI; Bekerja dengan tim AI; AI pitfalss yang Artifisial dibutuhkan untuk mengolah data perlu dihindari; Idea pitching. genetika yang berjumlah besar ini. Pustaka Acuan: Mahasiswa mampu memahami konsep [1] W1: McGraw Hill, Irwin, Byrd biologi molekuler, memahami teknik-teknik Megginson, Entrepreneur’s Guidebook yang digunakan dalam bioinformatika, 7th ed. menggunakan basis data biologi, mengembangkan tools bioinformatika dan Kapita Selekta menulis hasil penelitian bioinformatika Prasyarat: - dalam bentuk karya ilmiah. Materi yang Tujuan Pembelajaran: Pada matakuliah dibahas antara lain konsep biomolekular, kapita selekta, mahasiswa akan diberikan sequence matching algorithm, pairwise & topik-topik tertentu yang akan disesuaikan multiple sequence, protein structur dengan perkembangan AI. Topik yang prediction, genome informatics. diberikan, akan disesuaikan dengan trend Setelah mengikuti mata kuliah ini, AI yang sedang berkembang. mahasiswa diharapkan: Setelah mengikuti mata kuliah ini, CO-1: Mahasiswa mampu memahami mahasiswa diharapkan: konsep biomolekuler. CO-1: Mampu mengidentifikasi trend AI CO-2: Mahasiswa mampu memahami yang sedang berkembang. sequence matching algorithm dan CO-2: Mampu dan menguasai teori-teori mengaplikasikannya pada data genetik. yang berkaitan dengan topik tersebut. CO-3: Mahasiswa mampu memahami CO-3: Mampu mengimplementasikan teori algoritma Kecerdasan Artifisial untuk terkait untuk memecahkan masalah dalam pairwise sequence alignment dan multiple kehidupan sehari hari. sequence alignment dan mengaplikasikannya pada data genetik. CO-4: Mahasiswa mampu memahami Service and Social Engagement; Content algoritma Kecerdasan Artifisial untuk Optimization. protein structure prediction dan Pustaka Acuan: mengaplikasikan-nya pada data genetik. [4] W : Jim Sterne, 2017, Artificial CO-5: Mahasiswa mampu memahami Intelligence for Marketing: Practical algoritma Kecerdasan Artifisial untuk Applications, Wiley Publisher genome informatics dan mengaplikasikannya pada data genetik. Logika Fuzzy Lanjutan (Advanced Fuzzy Silabus: Pengenalan konsep biomolekular, Logic), 3 sks sequence matching algorithm, pairwise & Prasyarat: Principle of AI multiple sequence alignment, protein Tujuan Pembelajaran: Materi yang structure prediction, genome informatics. dibahas dalam kuliah ini meliputi: logika Pustaka Acuan: klasik; logika fuzzy; definisi bilangan fuzzy [1] Durbin, R., Eddy, S. R., Krogh, A., dan himpunan fuzzy; jenis-jenis relasi Mitchison, G., Biological Sequence fuzzy; definisi dan komponen variabel Analysis: Probabilistic Models of linguistik; aturan fuzzy dan komponennya; Proteins and Nucleic Acids, Cambridge metode-metode inferensi fuzzy; definisi University Press, New York, 1998. sistem fuzzy; komponen sistem fuzzy; [2] Jones, N.C., and Pevzner P.A., An fuzifikasi; defuzifikasi. Introduction to Bioinformatics Setelah mengikuti matakuliah ini Algorithms, MIT Press, Cambridge, diharapkan mahasiswa: 2004. CO-1: Mampu merumuskan fungsi [3] Colton, S., Introduction to keanggotaan, serta menerapkan sifat2 Bioinformatics, Genetics Background, himpunan fuzzy. Course 341 Lecture Slide. Department CO-2: Mampu menjelaskan dan of Computing Imperial College, mengaplikasikan operator himpunan fuzzy London, 2007. seperti complement, s-norm dan t-norm, relasi fuzzy. Kecerdasan Artifisial pada Pemasaran CO-3: Mampu menjelaskan dan (AI in Marketing), 3 sks mengaplikasikan variabel linguistik, Prasyarat: Principle of AI proposisi fuzzy, operator logika fuzzy, dan Tujuan Pembelajaran: Kuliah ini implikasi fuzzy. dimaksudkan untuk memberikan CO-4: Mampu menjelaskan dan pemahaman tentang konsep dan aplikasi AI menerapkan modus ponen tergeneralisasi, dalam pemasaran. modus tolen tergeneralisasi, dan silogisme Setelah mengambil matakuliah ini hipotetis umum. Serta menerapkan metode diharapkan mahasiswa: fuzzifikasi, dan defuzzifikasi. CO-1: Mampu mendeskripsikan mengenai CO-5: Mampu menjelaskan dan topik, tools, dan aplikasi AI di bidang mengaplikasikan sistem fuzzy, metode marketing. fuzzifikasi, dan metode defuzzifikasi dan CO-2: Mampu mengimplementasikan akhirnya menganalisis hasil secara metode AI di bidang marketing. komprehensif. CO-3: Mampu mendeskripsikan potensial CO-6: Mampu menyusun system fuzzy dan kelemahan dari metode-metode AI dalam aplikasi nyata serta dipublikasikan yang ter-cover pada mata kuliah ini. dalam konferensi/jurnal internasional. Silabus: Pengenalan tentang AI dan riset- Silabus: logika klasik; logika fuzzy; riset terkait di bidang marketing; Customer definisi bilangan fuzzy dan himpunan Profiling; Social Media Monitoring; Social fuzzy; jenis-jenis relasi fuzzy; definisi dan Media Monitoring; AI untuk aplikasi komponen variabel linguistik; aturan fuzzy marketing (idea pitching); Customer dan komponennya; metode-metode inferensi fuzzy; definisi sistem fuzzy; memperdalam pengetahuan yang telah komponen sistem fuzzy; fuzifikasi; diperoleh sebelumnya dalam rangka defuzifikasi. pembelajaran sepanjang hayat. Pustaka Acuan: [5] Wang, L., A Course in Fuzzy Systems Metodologi Penelitian (Research and Control, Prentice-Hall International, Methodology), 3 sks Inc., New Jersey, 1997. Prasyarat: - [6] Zimmerman, H. J., Fuzzy Set Theory Tujuan Pembelajaran: Mata kuliah and Its Applications, Kluwer Publishing Metodologi Penelitian memberikan Co, Amsterdam, 1991. pemahaman kepada mahasiswa tentang [7] Kaufmann, A. and Gupta, M. M., bagaimana melakukan penelitian di bidang Introduction to Fuzzy Arithmetic Artificial Intelligence dengan baik. Dalam Theory and Applications, Van Nostrand mata kuliah ini juga akan dibahas Reinhold, 1991. bagaimana menyusun proposal dan laporan [8] Klir, G. J. and Folger, T. A., Fuzzy Sets tesis sesuai dengan pedoman penulisan dan Theory: Foundation and Application, pedoman penulisan ilmiah. Dengan Prentice Hall, 1997. memperoleh pengetahuan tentang hal-hal [9] Roos, T. J., Fuzzy Logic with tersebut diharapkan mahasiswa mampu Engineering Application, John Wiley & melaksanakan penelitiannya dan Sons, Ltd., 2010. menghasilkan tesis serta karya ilmiah yang baik. Magang (Internship), 3 sks Setelah mengikuti kuliah Metodologi Prasyarat: 12 sks Penelitian ini diharapkan mahasiswa : Tujuan Pembelajaran: Mahasiswa dapat CO-1: Mampu menyusun topik penelitian mengambil mata kuliah ini dengan dan pertanyaan serta merumuskan rencana melakukan kerja praktek atau magang di penelitian. Mampu memilih metode yang suatu instansi. Program studi akan tepat untuk menjawab pertanyaan penelitian menugaskan salah satu dosen sebagai yang telah ditentukan dan berkontribusi pembimbing magang mahasiswa. Pada pada modifikasi metode yang ada. akhir kuliah, mahasiswa mempresentasikan CO-2 Mampu melakukan tinjauan pustaka. laporan kerja prakteknya di hadapan dosen CO-3 Mampu menulis proposal tesis dan pembimbing dan tim dosen matakuliah tesis. magang dari program studi. CO-4 Mampu menyusun laporan penelitian Setelah mengikuti matakuliah ini dalam bentuk karya ilmiah yang akan diharapkan mahasiswa: diterbitkan. CO1: Mampu mengaplikasikan konsep dan Silabus: Merumuskan pertanyaan metode berbasis Kecerdasan Artifisial penelitian dan membuat perencanaannya; untuk suatu kasus nyata pada mitra industri. Pengunaan metode yang tepat dan CO2: Memiliki keterampilan antarpribadi memberikan kontribusi penelitian yang yang baik, mampu bekerja sama di dalam baru; Penulisan dokumentasi penelitian tim, baik sebagai pemimpin maupun dalam karya ilmiah. anggota Pustaka Acuan: CO3: Mampu berkomunikasi secara efektif [10] P. Daniel, S., Research dalam bahasa Indonesian maupun bahasa Methodology, Kalpaz Publications, Inggris yang baik, serta mampu menulis 2011 dan menyajikan karya ilmiah/ide/wawasan dengan benar dan baik. Pembelajaran Mesin dan Kecerdasan CO4: Memiliki keterampilan untuk Adaptif (Machine Learning and Adaptive mengikuti perkembangan state-of-the-art di Intelligence), 3 sks bidang Kecerdasan Artifisial untuk Prasyarat : Principle of AI Tujuan Pembelajaran: Matakuliah ini topik terbaru, diantaranya deep learning, memberikan pengenalan terhadap konsep, support vector machine, hidden markov teknik, algoritma dalam mesin model dan bayesian network. pembelajaran, dimulai dari teori Pustaka Acuan: pembelajaran, pembelajaran terbimbing, [11] Christopher Bishop, Pattern pembelajaran tidak terbimbing, klasifikasi, Recognition and Machine Learning, regresi linear kemudian topik - topik Springer, 2006 terbaru, diantaranya deep learning, support [12] Ian Goodfellow, Yoshua Bengio, vector machine, hidden markov model dan Aaron Courville, Deep Learning, MIT, bayesian network. 2015. Setelah mengikuti matakuliah ini [13] Tom Mitchell, Machine Learning. diharapkan mahasiswa: McGraw-Hill, 1997. CO-1: Mahasiswa mampu memahami tipe [14] Trevor Hastie, Robert Tibshirani pembelajaran mesin. and Jerome Friedman, The Elements of CO-2: Mahasiswa memahami linear Statistical Learning. Springer, 2009 classifier, logistic regression, algoritma perceptron dan mengaplikasikannya untuk Penalaran ketidakpastian (Uncertainty memecahkan suatu kasus. Reasoning) CO-3: Mahasiswa memahami training Prasyarat: Principle of AI objectives, overfitting, regularization pada Tujuan Pembelajaran: Ketidakpastian proses pembelajaran mesin. seringkali ditemukan dalam kehidupan CO-4: Mahasiswa memahami Clustering, k- sehari hari. Pada matakuliah ini, akan means, Self Organized Map dan dibahas bagaimana dealing dengan mengaplikasikannya untuk memecahkan ketidakpastian secara intelijen, bagaimana suatu kasus. merepresentasikan permasalahan CO-5: Mahasiswa memahami Non-linear ketidakpastian dalam bahasa formal dan classification, kernels, support vector logik. machine dan mengaplikasikannya untuk Setelah mengikuti kuliah Penalaran memecahkan suatu kasus. Ketidakpastian, mahasiswa diharapkan CO-6: Mahasiswa memahami Ensembles, mampu menguasai: boosting dan mengaplikasikannya untuk CO-1: Mengetahui permasalahan memecahkan suatu kasus. permasalahan ketidakpastian yang bisa CO-7: Mahasiswa memahami Neural diselesaikan dengan menggunakan networks, multi layer perceptron, penalaran ketidakpastian. backpropagation, Deep learning (Auto CO-2: Mampu merepresentasikan encoder, CNN, RNN) dan ketidakpastian dalam bahasa formal dan mengaplikasikannya untuk memecahkan logic. suatu kasus. CO-3: Mampu memahami teori-teori CO-8: Mahasiswa memahami Mixtures and probabilistik yang biasa digunakan untuk the EM algorithm dan mengaplikasikannya menyelesaikan masalah ketidakpastian. untuk memecahkan suatu kasus. CO-4: Mampu menyelesaikan CO-9: Mahasiswa memahami permasalahan yang bersifat tidak pasti, representation of probability models: dengan teori-teori uncertainty reasoning. Bayesian networks, Hidden Markov Silabus: Introduction, Kesalahan dan Models: modeling, algorithm dan Induksi, Probabilistik Klasik/Teori mengaplikasikannya untuk memecahkan probabilistik, Fuzzy Logic, Bayes' theorem, suatu kasus. Bayesian Network, Teori Hartley, Teori Silabus: teori pembelajaran, pembelajaran Dempster-Shafer, Teori Shannon. terbimbing, pembelajaran tidak terbimbing, Pustaka Acuan: klasifikasi, regresi linear kemudian topik - [1] Halpern and Joseph, Y., Reasoning [16] Zadeh, L. A., and Aliev, R. A., about Uncertainty 2nd Edition, MIT Fuzzy Logic Theory and Applications: Press, 2005. Part I and Part II, WSPC, 2018. [2] Zadeh, L. A., and Aliev, R. A., Fuzzy [17] Pearl, J., Probabilistic Reasoning in Logic Theory and Applications: Part I Intelligent Systems: Networks of and Part II, WSPC, 2018. Plausible Inference 1st Edition, Morgan [3] Pearl, J., Probabilistic Reasoning in Kaufmann, 1988. Intelligent Systems: Networks of Plausible Inference 1st Edition, Morgan Kaufmann, 1988. Pengenalan dan Analisis Pola (Pattern Recognition and Analysis), 3 sks Penalaran Komputer (Computer Prasyarat: - Reasoning), 3 sks Tujuan Pembelajaran: Materi yang akan Prasyarat: Principle of AI dibahas dalam perkuliahan ini meliputi: Tujuan Pembelajaran: Materi yang Tipe-tipe data teks, citra, audio dan video; dibahas dalam kuliah ini meliputi: Definisi Ekstraksi fitur, seleksi fitur dan analisis Penalaran Komputer; Metode-metode fitur; Klasifikasi dan metode-metodenya; sistem penalaran komputer; Mekanisme Clustering dan metode-metodenya; adapatasi kasus; Teorema Bayes; Bayesian Mekanisme dan metode-metode identifikasi network; Konsep dasar Evidence; Metode- dan verifikasi; Perkembangan penelitian metode pooling secara hierarki tentang pengenalan pola. Setelah mengikuti kuliah Penalaran Setelah mengikuti kuliah Pengenalan dan Komputer, mahasiswa: Analisis Pola , mahasiswa diharapkan: CO-1: Mampu menjelaskan konsep dasar CO-1: Mampu menjelaskan konsep dan penalaran komputer, perbedaaanya dengan teknik dan komponen pengenalan pola, rule-based, simulasi, visualisasi dan termasuk deteksi, clustering, klasifikasi, animasi serta perbedaan penalaran identifikasi dan verifikasi komputer dan penalaran manusia. CO-2: Mampu menjelaskan definisi fitur CO-2 Mampu menerapkan teknik-teknik dan metode-metode ekstraksi fitur, serta retrieval kasus dan metode-metode melakukan ektraksi fitur untuk data yang perhitungan similaritas kasus. berbeda (text, 1D dan 2D) CO-3 Mampu menjelaskan mekanisme CO-3: Mampu menjelaskan metode seleksi adaptasi solusi untuk kasus. dan analisis fitur serta mengaplikasikan CO-4 Mampu menjelaskan konsep dan pada suatu kasus paradigma probabilitas, teorema Bayes dan CO-4: Mampu mengaplikasikan tahap Bayesian Networking. decision making (identifikasi, clustering, CO-5 Mampu menguasai dan menerapkan klasifikasi dan verifikasi) pada suatu kasus konsep dasar evidence serta metode-metode CO-5: Mampu mengaplikasikan sistem pooling secara hierarki. pengenalan pola untuk suatu kasus nyata Silabus: Definisi Penalaran Komputer, Silabus: Tipe-tipe data teks, citra, audio Metode-metode sistem penalaran komputer, dan video; Ekstraksi fitur, seleksi fitur dan Mekanisme adapatasi kasus, Teorema analisis fitur; Klasifikasi dan metode- Bayes, Bayesian network, Konsep dasar metodenya; Clustering dan metode- Evidence, Metode-metode pooling secara metodenya; Mekanisme dan metode- hierarki. metode identifikasi dan verifikasi; Pustaka Acuan: Perkembangan penelitian tentang [15] Halpern and Joseph, Y., Reasoning pengenalan pola. about Uncertainty 2nd Edition, MIT Pustaka Acuan: Press, 2005. [18] Theodoridis, S. and Koutroumbas, Prentice Hall series in AI, Prentice Hall, K., Pattern Recognition 4th Edition, Pearson Education International, 2009. Academic Press, 2008. [19] Duda, R. O., Hart, P. E., and Stork, Prinsip Kecerdasan Artifisial (Principle D. G., Pattern classification, John Wiley of Artificial Intelligence), 3 sks & Sons, 2000. Prasyarat : Sudah mengenal Logika [20] Bishop, C. M., Neural Networks for Tujuan Pembelajaran: Setelah mengikuti Pattern Recognition, Oxford University kuliah Prinsip Kecerdasan Artifisial, Press, 1995. mahasiswa diharapkan: [21] Bishop, C. M., Pattern Recognition CO-1: Mampu menjelaskan definisi, sejarah and Machine Learning, Springer, 2007. dan perkembangan teknologi berbasis Kecerdasan Artifisial Pemrosesan Bahasa Alami Lanjut CO-2: Mampu menjelaskan definisi agen (Advanced Natural Language Processing), cerdas, deskripsi PEAS dan PAGE serta 3 sks mampu menerapkan teori agent cerdas Prasyarat : Principle of AI untuk penyelesaian masalah nyata. Tujuan Pembelajaran: Matakuliah ini CO-3: Mampu memformulasikan solusi dirancang untuk memperkenalkan NLP permasalahan dengan pendekatan pencarian kepada mahasiswa. Matakuliah ini dan mampu menggunakan metode-metode mencakup pengenalan teori standar, model pencarian untuk penyelesaiannya. dan algoritma, mendeskripsikan contoh CO-4: Mampu menjelaskan metode sistem dan aplikasi, dan menemukan bidang representasi pengetahuan terhadap penelitian yang berpeluang. Diharapkan informasi yang diketahui dan mampu pada akhir mata kuliah ini mahasiswa dapat menerapkan representasi pengetahuan memahami dan mampu mengembangkan untuk permasalahan nyata. sistem berbasis NLP. CO-5: Mampu menjelaskan mekanisme Setelah mengikuti matakuliah ini mesin inferensi serta menggunakannya diharapkan mahasiswa: untuk permalasahan nyata. CO-1 Mampu mendeskripsikan dan CO-6: Mampu menjelaskan definisi mendiskusikan subarea NLP. machine learning, metode machine learning CO-2 Mampu mengimplementasikan dan aplikasi berbasis machine learning. algoritma dan teknik NLP. Silabus: Definisi, sejarah dan CO-3 Mampu mendeskripsikan dan perkembangan Kecerdasan Artifisial; mendiskusikan potensi dan keterbatasan definisi Agent; Macam-macam Agent; teknik NLP untuk beberapa aplikasi yang Deskripsi PEAS; Deskripsi PAGE; Definisi tercakup dalam mata kuliah ini. Knowledge; Logic; Rule; Frame; Semantic Silabus: Introduction to NLP, Text Network; Script; Informed search; classification with the perceptron, Uninformed search; Mesin inferensi; Language modelling (basic and advanced), Definisi machine learning, metode machine Part-of-speech tagging (HMM and NN), learning, dan aplikasi berbasis machine Context Free Grammar and Parsing, learning. Neural Network and recurrent neural Pustaka Acuan: network, Named Entity Recognition, Text [23] Russell, S. and Novig, P., Artificial Summarisation, Final Project Presentation Intelligence: A Modern Approach, 3rd Pustaka Acuan: Edition, PrenticeHall, 2009. [22] Dan Jurafsky and James H. Martin, [24] George F. Luger, Artificial Speech and language processing: an Intelligence: Structures and Strategies introduction to natural language for Complex Problem Solving, 6th processing, computational linguistics, Edition, Addison-Wesley, 2008. and speech recognition, 2nd edition, [25] Michael Negnivitsky, Artificial Exploratory Data Analysis; metode analisa Intelligence: A Guide to Expert (regression, clustering, classification); Systems, 2nd Edition, Addison Wesley, algoritma pembelajaran (regresi linear, k- 2004. means, k-NN, Naïve Bayes, aturan asosiasi); [26] W. Firebaugh, Artificial pengumpulan data (API, web scraping); Intelligence: A Knowledge‐Based penyiapan data; pemodelan dan Approach, W. Firebaough PWS-Kent evaluasinya; pengembangan aplikasi dan Publishing Compan, 2009. visualisasinya; pengembangan aplikasi dengan bahasa Python atau R. Proposal Tesis (Thesis proposal), 2 sks Setelah mengikuti kuliah Sains Data dan Prasyarat: Metodologi Penelitian Analisis Prediktif, mahasiswa diharapkan: Tujuan Pembelajaran: Proposal tesis CO-1: Mampu menjelaskan pengertian, untuk menemukan topik penelitian, desain lingkup dan peran Data Science. penelitian, ataupun proposal penelitian yang CO-2: Mampu memformulasikan akan dikerjakan dan disusun oleh seorang permasalahan dunia nyata menjadi problem mahasiswa tentang bahan penelitian untuk Data Science. mengerjakan tesis di bidang Artificial CO-3: Mampu menjelaskan berbagai jenis Intelligence. Penulisan proposal tesis data dan mampu mengumpulkan data yang menggunakan aturan penulisan khusus diperlukan untuk keperluan Data Science. dengan bimbingan seorang dosen. CO-4: Mampu menjelaskan dan Setelah mengikuti matakuliah ini menerapkan metode untuk eksplorasi dan diharapkan mahasiswa: penyiapan data. CO-1: Mampu mengidentifikasi topik CO-5: Mampu melakukan pemodelan penelitian. (supervised maupun unsupervised) dan CO-2: Mampu menjelaskan latar belakang mengevaluasi model. dan tujuan penelitian, serta merumuskan CO-6: Mampu mengimplementasikan masalah penelitian yang relevan. model dalam bentuk aplikasi (model CO-3: Mampu melakukan tinjauan pustaka deployment). yang relevan dan mengidentifikasi gap CO-7 Mampu melakukan proses data penelitian terkait Penelitian sebelumnya. science menggunakan bahasa pemrograman CO-4: Mampu merancang langkah-langkah Python atau R. rencana penelitian yang sesuai dengan Silabus: Konsep Data Science dan lingkup metodologi penelitian, dan rencana bahasannya; Exploratory Data Analysis; pengujian yang sesuai. metode analisa (regression, clustering, CO-5: Mampu menguasai teori-teori dalam classification); algoritma pembelajaran ilmu komputer (ditunjukkan dengan (regresi linear, k-means, k-NN, Naïve kemampuan menjawab soal). Bayes, aturan asosiasi); pengumpulan data CO-6: Mampu menulis proposal tesis (API, web scraping); penyiapan data; dengan menggunakan tata bahasa Indonesia pemodelan dan evaluasinya; pengembangan / Inggris dengan benar, dan proposal yang aplikasi dan visualisasinya; pengembangan memenuhi pedoman penulisan tesis. aplikasi dengan bahasa Python atau R. Pustaka Acuan: Paper, Jurnal dan text Pustaka Acuan: book yang sesuai dengan topik riset. [27] Schutt, R., and O'Neil, C., Doing data science: Straight talk from the Sains data dan analisis prediktif (Data frontline, O'Reilly Media, Inc, 2013. Science and Predictive Analytics), 3 sks [28] James, G., Witten, D., Hastie, T., Prasyarat: - and Tibshirani, R., An Introduction to Tujuan Pembelajaran: Materi yang statistical learning (Vol. 112), New dibahas dalam kuliah ini meliputi: Konsep York: Springer, 2013. Data Science dan lingkup bahasannya; [29] Provost, F., and Fawcett, T., Data bagaimana ilmu kognitif dapat Science for Business: What you need to dimanfaatkan dalam penelitian know about data mining and data- pembelajaran mesin analytic thinking, O'Reilly Media, Inc., CO-4 Mahasiswa mampu memahami dan 2013. menjelaskan [30] McKinney, W., Python for data bagaimana menyesuaikan dan analysis: Data wrangling with Pandas, mengevaluasi model kognitif untuk NumPy, and IPython., O'Reilly Media, memahami perilaku data Inc., 2012. CO-5 Mahasiswa mampu mengkonstruksikan dan presentasikan suatu Sistem Kognitif Komputasional studi kasus proyek sistem kognitif (Computational Cognitive Systems), 3 sks komputasional. Prasyarat: Principle of AI Silabus: Dasar-dasar inductive learning, Tujuan Pembelajaran: Mata kuliah ini peran teori biologi dan intusinya, Bayesian membahas tentang teori dan kerangka kerja learning dan modelling, un-supervised komputasi handal untuk memahami learning, semi-supervised learning, kecerdasan dan kognisi manusia. Mata jaringan saraf tiruan, deep learning, kuliah ini diperlukan karena kebutuhan reinforcement learning, Klasifikasi baik akan meningkatnya kuantitas data yang parametrik maupun non-parametrik. mirip dengan perilaku manusia. Pemodelan Pustaka Acuan: kognitif komputasional bertujuan untuk [31] Russell, Stuart, J., dan Peter Norvig. memahami perilaku data. Mata kuliah ini Artificial Intelligence: A Modern membahas tujuan, filosofi dan konsep Approach. 2nd ed. Upper Saddle River, dibalik pemodelan kognitif komputasional. NJ: Prentice Hall/Pearson Education, Cakupan materi meliputi un-supervised dan 2003. semisupervised learning (antara lain: [32] Mitchell, Thomas M. Machine jaringan saraf tiruan, deep learning, Learning. New York, NY: McGraw- reinforcement learning), pemodelan Hill, 1997 Bayesian dan klasifikasi. Sehingga [33] Goodman, Nelson. "The New mahasiswa nantinya mempunyai Riddle of Induction." In Fact, Fiction, pemahaman yang lebih kaya tentang and Forecast. Cambridge, MA: Harvard bagaimana pemodelan komputasi University Press, 1983. menggunakan ilmu kognitif, bagaimana ilmu kognitif dapat dimanfaatkan dalam Sistem Multiagen Cerdas (Intelligent penelitian pembelajaran mesin dan AI, dan Multiagent Systems) bagaimana menyesuaikan dan Prasyarat: Principle of AI mengevaluasi model kognitif untuk Tujuan Pembelajaran: Matakuliah ini memahami perilaku data. memberikan overview dari prinsip-prinsip Setelah mengikuti kuliah Sistem Kognitif dasar multiagent. Dengan mengikuti mata Komputasional, mahasiswa diharapkan: kuliah ini mahasiswa diharapkan mampu CO-1 Mahasiswa mampu memahami dan memahami pendekatan formal dari sistem menjelaskan multiagent, representasi pengetahuan, pemodelan komputasi menggunakan ilmu pemodelan perilaku dan komunikasi kognitif, interagent yang nantinya dapat digunakan CO-2 Mahasiswa mampu memahami dan untuk memecahkan masalah-masalah menjelaskan terkait distributed AI. bagaimana ilmu kognitif dapat Diharapkan setelah mengikuti matakuliah dimanfaatkan dalam penelitian bidang AI ini mahasiswa dapat: CO-3 Mahasiswa mampu memahami dan menjelaskan CO-1: Mahasiswa mampu memahami dan representasi pengetahuan, proses inferensi, menjelaskan agent cerdas dan sistem multi- penalaran berbasis aturan, inexact agent cerdas. reasoning, logika fuzzy, dan pemrograman CO-2: Mahasiswa mampu memahami dan berbasis aturan. Dalam satu semester, mata menjelaskan komukasi dan interaksi dari kuliah Sistem Pakar akan membahas dan agent cerdas dan sistem multi-agent cerdas. mengkaji konsep penting dan CO-3 Mahasiswa mampu dan metodemetode dalam sistem pakar mengimplementasikan algoritma termasuk bagaimana mendesain dan kemampuan internal dan eksternal dari sistem multigent mengembangkan sistem pakar. Lebih lanjut, CO-4 Mahasiswa mampu memahami dan tujuan dari mata kuliah ini mengenalkan mengaplikasikan area-area dimana agent mahasiswa pada sistem pakar secara umum cerdas dan sistem multi-agent cerdas dapat termasuk sistem pakar berbasis aturan dan diaplikasikan. sistem pakar berbasis kasus. Sehingga, CO-5 Mahasiswa mampu mahasiswa mampu membangun sistem mengaplikasikan game theory untuk pakar untuk berbagai bidang aplikasi. memformulasikan dan memecahkan Selanjutnya, mahasiswa juga diberikan permasalahan multi-agent. kesempatan untuk mempresentasikan hasil CO-6 Mahasiswa mampu pengembangan sistem pakar untuk mengkonstruksikan dan presntasikan suatu menyelesaiakan permasalahan dunia nyata. studi kasus proyek sistem multi-agent. Diharapkan setelah mengikuti matakuliah Silabus: Distributed AI, agen rasional, pengenalan mengenai game theory, ini mahasiswa dapat: pembelajaran pada multi-agent, representasi CO-1: Mahasiswa mampu memahami dan pengetahuan pada agent cerdas, negosiasi menjelaskan konsep dasar yang meliputi multi-agent, problem mengenai task arsitektur dan komponen sistem pakar. allocation, pendekatan terinspirasi alam CO-2: Mahasiswa mampu menyajikan (nature inspired approaches). knowledge dalam bentuk kaidah produksi, Pustaka Acuan: metode inferensi dan proses penalaran [1] Vlassis, N., A Concise Introduction to dalam sistem pakar. Multiagent Systems and Distributed CO-3: Mahasiswa mampu mengidentifikasi Artificial Intelligence, Morgan and penyebab adanya ketidakpastian dan Claypool Publishers, 2007. menerapkan metode untuk penanganan [2] Wooldridge, M. J., An Introduction to Ketidakpastian. Multiagent Systems, John Wiley & CO-4: Mahasiswa mampu menerapkan Sons, 2009. langkah-langkah pengembangan sistem [3] Weiss, G., Multiagent Systems: A Pakar. Modern Approach to Distributed CO-5: Metode akuisisi pengetahuan Artificial Intelligence, MIT Press, 2000. CO-6: Mahasiswa mampu melakukan [4] Shoham, Y. and Leyton-Brown, K., penelitian dan membangun sistem pakar Multiagent Systems: Algorithmic, sebagai penyelesaian permasalahan nyata GameTheoretic, and Logical dengan beberapa metode antara lain: Foundations, Cambridge University Jaringan Syaraf Tiruan, Fuzzy Logic dan Press, 2008. Pembelajaran Mesin dan menjelaskan hasil penelitiannya. Sistem Pakar Terapan (Applied Expert Silabus: Konsep Dasar Sistem Pakar; System), 3 sks Representasi Pengetahuan; Metode Prasyarat: Principle of AI Inferensi;Penalaran dengan Ketidakpastian; Tujuan Pembelajaran: Mata kuliah Desain Sistem Pakar; Pengembangan Sistem Pakar membahas tentang bentuk Sistem Pakar dengan AI tools; Pengembangan Sistem Pakar menggunakan Jaringan Syaraf Tiruan; Pengembangan CO-1 Mahasiswa mampu memahami Sistem Pakar menggunakan Machine pendekatan pengambilan keputusan dengan Learning; Pengembangan Sistem Pakar system beserta fase-fasenya menggunakan Fuzzy Logic CO-2 Mahasiswa mampu memahami Pustaka Acuan : karakteristik dan kemampuan SPK, serta [1] Joseph Giarratano, Expert Systems: komponen dan konfigurasi SPK. Principles and Programming, Brooks CO-3 Mahasiswa mampu memahami Cole, 3rd Edition, 1998. pemodelan pembuatan keputusan secara [2] Efraim Turban, Decision Support and kuantitatif dan kualitatif serta dapat Expert Systems: Management support menerapkan modelmodel keputusan dan system, Prentice-Hall, 4th edition, 1995. aplikasinya (SAW, AHP, TOPSIS, Profile [3] Ivan Bratko, Prolog-Programming for Matching, dll) Artificial Intelligence, Addision Wiley, CO-4 Mahasiswa dapat menerapkan 3rd Edition, 2001. teknikteknik keputusan kelompok: Borda, [4] Joseph Giarratano and Gary Riley, Copeland Expert Systems: Principles and CO-5 Intelligent Decision Support Programming, PWS, 2nd Edition, 1994. Systems Sistem Pendukung Keputusan Cerdas CO-6 Mahasiswa mampu untuk (Intelligent Decision Support System), 3 memahami teknik-teknik Rekayasa sks Pengetahuan, Pembelajaran Mesin dan Prasyarat: Principle of AI Sistem Pendukung Keputusan, dan untuk Tujuan Pembelajaran: SPK merupakan mengetahui bagaimana merancang, salah satu bidang TI yang melibatkan mengimplementasikan dan menerapkan integrasi antara sistem, metode/model dan teknik-teknik ini dalam pengembangan aplikasi yang khusus dirancang untuk aplikasi, layanan, atau sistem yang cerdas. membantu pengambilan keputusan dalam Silabus: Pendahuluan (Domain DSS dan lingkungan yang kaya data tetapi miskin Kompleksitas di dunia nyata); Kebutuhan informasi. Dalam matakuliah ini akan DSS (Keputusan, Teori Keputusan); diperkenalkan kepada mahasiswa beberapa Pemodelan dari Proses Keputusan; konsep utama dan teori-teori tentang Perkembangan DSS; Sistem Pendukung pemodelan pembuatan keputusan. Sistem Keputusan Kelompok; Intelligent DSS; Pendukung Keputusan (SPK). Pada mata Penemuan Pengetahuan dalam IDSS; Trend kuliah ini juga diajarkan kepada tentang Penelitian DSS dan IDSS teori dan konsep tentang Sistem Pendukung Pustaka Acuan: Keputusan (SPK). Selain itu mahasiswa [34] Dhar, V. and Stein, R., Intelligent diberikan pemahaman tentang model decision support methods : the science matematis pembuatan keputusan untuk of knowledge work, Prentice Hall, menangani berbagai masalah sehingga 1997. dapat mengetahui cara menganalisis, [35] Marakas, G. M., Decision Support merancang, menerapkan, dan memvalidasi Systems in the Twenty-first Century, Sistem Pendukung Keputusan (SPK) Upper Saddle River, NJ: Prentice Hall, maupun Sistem Pendukung Keputusan 2003. Cerdas (IDSS) yang menekankan pada [36] Turban, E., Aronson, J. E., and integrasi model Kecerdasan Artifisial dan Liang, T. P., Decision Support Systems model Statistik/Numerik, serta penemuan and Intelligent Systems, pengetahuan dari data. Pearson/Prentice Hall, 2005. Diharapkan setelah mengikuti matakuliah [37] Power, D. J., Decision Support ini mahasiswa dapat: Systems: concepts and resources for managers, Greenwood Publishing Group, 2002. [42] R. C. Elberhart et al., Swarm Sistem Terinspirasi Mahluk Hidup (Bio- Intelligence, Morgan Kaufmann, 2001. inspired system), 3 sks Prasyarat: Principle of AI Thesis Tujuan Pembelajaran: Setelah mengikuti Prasyarat: setelah mengambil sejumlah kuliah Sistem Terinspirasi Makhluk Hidup, SKS yang disyaratkan. mahasiswa diharapkan: Tujuan Pembelajaran: Tesis berisi CO-1 Mampu menjelaskan karakteristik penjelasan tertulis dari hasil penelitian yang sistem terinspirasi mahluk hidup. membahas suatu masalah / fenomena di CO-2 Mampu menjelaskan memahami bidang Artificial Intelligence. Tesis terdiri algoritma genetika dan variannya serta dari tujuh bagian yaitu kontribusi, relevansi, mengaplikasikannya untuk memecahkan metodologi, hasil dan pembahasan, suatu kasus permasalahan. kesimpulan dan saran, penguasaan topik CO-3 Mampu menjelaskan memahami penelitian, presentasi, dan penulisan. flower pollination algorithm serta Setelah mengambil mata kuliah Tesis, mengaplikasikannya untuk memecahkan mahasiswa diharapkan: suatu kasus permasalahan. CO-1 Mampu mengidentifikasi topik CO-4 Mampu menjelaskan memahami penelitian cucckoo search algorithm serta CO-2 Mampu menjelaskan latar belakang mengaplikasikannya untuk memecahkan dan tujuan penelitian, serta merumuskan suatu kasus permasalahan. masalah penelitian yang relevan. CO-5 Mampu menjelaskan memahami CO-3 Mampu mereview literatur yang swarm intelligence serta relevan dan mengidentifikasi gap penelitian mengaplikasikannya untuk memecahkan dari penelitian terkait sebelumnya. suatu kasus permasalahan. CO-4 Mampu merancang langkah-langkah CO-6 Mampu menjelaskan memahami bat penelitian yang sesuai dengan metodologi algorithm serta mengaplikasikannya untuk penelitian, dan skema pengujian yang memecahkan suatu kasus permasalahan. sesuai. Silabus: Sistem seluler, DNA, Komputasi CO-5 Mampu menunjukkan implementasi DNA, Sistem rewriting, Sistem kekebalan yang terkait dengan rencana penelitian, secara biologis; Sistem kekebalan buatan, mampu bekerja secara mandiri, dan beretika Sistem saraf buatan dan aplikasinya, akademik. Algoritma berbasis sistem kolektif dan CO-6 Mampu mendeskripsikan hasil aplikasinya. penelitian secara detail disertai diskusi yang Pustaka Acuan: komprehensif. [38] Floreano, D. and Matiussi, C., CO-7 Mampu merumuskan kesimpulan dan BioInspired Artificial Intelligence: saran untuk pekerjaan yang akan datang Theories, Methods, and Technologies, secara tepat dan benar. MIT-Press, 2008. CO-8 Mampu menguasai teori-teori terkait [39] Neumann, F. and Witt, C., dalam ilmu komputer (ditunjukkan dengan Bioinspired Computation in kemampuan menjawab soal). Combinatorial Optimization: CO-9 Mampu menulis tesis dengan Algorithms and their computational menggunakan tata bahasa Indonesia / complexity, Springer, 2010. Inggris dan benar, serta proposal yang [40] X. Yang, Nature-Inspired memenuhi pedoman penulisan tesis. Optimization Algorithms, 1st ed., CO-10 Mampu menyajikan hasil penelitian Elsevier, 2014. secara efektif, percaya diri, menarik, [41] M. Dorigo and T. Stutzle, Ant teratur, jelas, dan mudah dipahami. Colony Optimization, A Bradford Silabus: kontribusi, relevansi, metodologi, Book, 2004. hasil dan pembahasan, kesimpulan dan saran, penguasaan topik riset, presentasi dan penulisan Pustaka Acuan: Paper, Jurnal dan text book yang sesuai dengan topik riset.