RENCANA PEMBELAJARAN SEMESTER (RPS)

Transkripsi

1 RENCANA PEMBELAJARAN SEMESTER (RPS) IKG2B3 METODE KOMPUTASI Disusun oleh: <Nama Dosen> PROGRAM STUDI S1 ILMU KOMPUTASI FAKULTAS INFORMATIKA TELKOM UNIVERSITY

2 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb: Kode Mata Kuliah : IKG2B3 Nama Mata Kuliah : Metode Komputasi Mengetahui Kaprodi S1 Ilmu Komputasi Bandung, 2015 Menyetujui Ketua KK Pemodelan dan Simulasi Dr. Deni Saepudin Jondri, M.Si. ii

3 DAFTAR ISI LEMBAR PENGESAHAN... ii DAFTAR ISI... iii A. PROFIL MATA KULIAH... 1 B. RENCANA PEMBELAJARAN SEMESTER (RPS)... 2 C. RANCANGAN INTERAKSI DOSEN MAHASISWA... 7 D. RANCANGAN TUGAS... 8 E. PENILAIAN DENGAN RUBRIK... 8 F. PENENTUAN NILAI AKHIR MATA KULIAH... 8 iii

4 A. PROFIL MATA KULIAH IDENTITAS MATA KULIAH Nama Mata Kuliah : Metode Komputasi Kode Mata Kuliah : IKG2B3 SKS : 3 Jenis : MK Wajib Jam pelaksanaan : Tatap muka di kelas 3 jam per minggu Tutorial / responsi 1 jam per minggu Semester / Tingkat : 3 (tiga) / 2 (dua) Pre-requisite : Kalkulus II Co-requisite : Bidang Kajian : Optimasi dan Pemodelan Matematika DESKRIPSI SINGKAT MATA KULIAH Mata Kuliah ini membahas mengenai dasar pemodelan matematika untuk menyatakan masalah nyata sebagai masalah matematika, menyatakannya sebagai masalah optimasi dengan dan tanpa kendala, dan menentukan solusi dari model matematika dengan pendekatan komputasi sederhana yaitu metode gradient dan variasinya. DAFTAR PUSTAKA 1. Jan A. Snyman, Practical Mathematical Optimization: An Introduction to Basic Optimization Theory dan Classical and New Gradient-Based Algorithms. Springer: Varberg, D.E., Purcell, E.J., and Rigdon, S.E., Calculus with Analytical Geometry, Prenctice Hall: Bazaraa, M.S. Sherali, H.D., and Shetty, C.M., Nonlinear Programming: Theory and Algorithms, Wiley-Interscience, 3rd Edition,

5 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Bobot Nilai 1 Menghitung vektor gradien dan turunan berarah dari suatu fungsi. Menentukan arah yang memberikan laju perubahan nilai terbesar. Fungsi Multivariabel: Vektor gradient. Turunan berarah. Pemahaman mengenaivektor gradien dan turunan berarah. Kemampuan menghitung vektor gradien dan turunan berarah dari suatu fungsi. Pemahaman mengenai arti nilai turunan berarah sebagai laju perubahan nilai fungsi. Kemampuan menentukan arah yang memberikan laju perubahan nilai terbesar. 2 Memformulasikan masalah nyata menjadi model matematika, khususnya masalah optimasi. Menuliskan langkah-langkah iteratif metode gradient untuk masalah pemaksimuman/peminimum an. Pemodelan matematika: Identifikasi masalah. Formulasi masalah nyata menjadi masalah optimasi pemaksimuman/peminimum an. Pemahaman mengenai formulasi masalah nyata menjadi model matematika, khususnya masalah optimasi. Kemampuan menjelaskan asumsi-asumsi yang digunakan. 2

6 Pertemuan ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Bobot Nilai 3 Menuliskan langkah-langkah iteratif metode gradient untuk masalah pemaksimuman/peminimuman. Metode gradient descent/ascent: Metode gradient descent untuk masalah peminimuman. Metode gradient ascent untuk masalah pemaksimuman. Pemahaman mengenai prinsip dasar metode gradient. Kemampuan menuliskan langkah-langkah iteratif metode gradient untuk masalah pemaksimuman/peminimu man. 4 Pengenalan Maple/Matlab: Maple untuk operasi simbolik dan komputasi. Matlab untuk komputasi. Kemampuan menggunakan Maple dan Matlab untuk operasi simbolik dan komputasi. 5 Menuliskan langkah-langkah iteratif metode gradient untuk masalah pemaksimuman/peminimum an. Menggunakan software Maple/Matlab untuk operasi simbolik dan komputasi. Implementasi metode gradient descent/ascent dalam Maple/Matlab. Kemampuan membuan program implementasi metode gradient di Maple/Matlab. Pemahaman mengenai aturan perkalian dalam masalah kombinatorial. Kemampuan menggunakan permutasi. Kemampuan menggunakan kombinasi. 3

7 Pertemuan ke- 6 Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Membuat program implementasi metode gradient di Maple/Matlab. Memformulasikan masalah regresi dengan least square sebagai masalah optimasi. Mentransformasikan 7 beberapa bentuk regresi Perhitungan akar persamaan. non-linear menjadi regresi Solusi sistem persamaan. linear. 8 Memformulasikan masalah regresi dengan least square sebagai masalah optimasi Masalah regresi linear dan nonlinear. UJIAN TENGAH SEMESTER Masalah optimasi dengan kendala: Masalah optimasi dengan kendala berupa persamaan. Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Kemampuan memformulasikan masalah regresi dengan least square sebagai masalah optimasi. Kemampuan mentransformasikan beberapa bentuk regresi non-linear menjadi regresi linear. Kemampuan menyatakan masalah regresi non-linear sebagai masalah optimasi. Kemampuan menyatakan masalah pencarian akar persamaan sebagai masalah optimasi. Kemampuan menyatakan masalah pencarian solusi suatu sistem persamaan sebagai masalah optimasi. Kemampuan menerapkan metode pengali Lagrange untuk penyelesaian masalah optimasi dengan kendala Bobot Nilai 4

8 Pertemuan ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Metode Pengali Lagrange. Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) persamaan. Bobot Nilai 9 Masalah optimasi dengan kendala berupa pertidaksamaan. Bentuk dual. Menerapkan metode pengali Lagrange untuk penyelesaian masalah optimasi dengan kendala persamaan 10 Penerapan metode gradient ascent/descent untuk masalah optimasi dual. 11 Studi kasus: masalah klasifikasi. 12 Metode conjugate gradient linear. 13 Menyebutkan contoh masalah real yang dapat dinyatakan sebagai masalah optimasi dengan kendala berupa pertidaksamaan. Implementasi metode conjugate gradient dalam Maple/Matlab. Kemampuan menyebutkan contoh masalah real yang dinyatakan sebagai masalah optimasi dengan kendala berupa pertidaksamaan. Kemampuan menyatakan bentuk dual masalah optimasi berkendala dengan pendekatan metode pengali Lagrange. Kemampuan menerapkan modifikasi metode gradient untuk penyelesaian masalah optimasi bentuk dual. Pemahaman mengenai metode conjugate gradient linear. Kemampuan mengimplementasikan metode conjugate gradient di Maple/Matlab. 14 Menerapkan metode pengali Penerapan metode conjugate Kemampuan menerapkan 5

9 Pertemuan ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Bobot Nilai Lagrange untuk penyelesaian masalah optimasi dengan kendala persamaan gradient dalam masalah nyata. metode conjugate gradient dalam penyelesaian masalah nyata. UJIAN AKHIR SEMESTER 6

10 C. RANCANGAN INTERAKSI DOSEN MAHASISWA Kemampuan Akhir yang Diharapkan Nama Kajian... Nama Strategi Minggu Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Aktivitas Mahasiswa 7

11 D. RANCANGAN TUGAS Kode mata Kuliah Nama Mata Kuliah Kemampuan Akhir yang Diharapkan Minggu/Pertemuan ke Tugas ke 1. Tujuan tugas: 2. Uraian Tugas: a. Obyek garapan: b. Yang harus dikerjakan dan batasan-batasan: c. Metode/ cara pengerjaan, acuan yang digunakan: d. Deskripsi luaran tugas yang dihasilkan/ dikerjakan: 3. Kriteria penilaian: E. PENILAIAN DENGAN RUBRIK Jenjang (Grade) Angka (Skor) Deskripsi perilaku (Indikator) F. PENENTUAN NILAI AKHIR MATA KULIAH Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK) 80 < NSM A 70 < NSM 80 AB 65 < NSM 70 B 60 < NSM 65 BC 50 < NSM 60 C 40 < NSM 50 D NSM 40 E 8