RENCANA PEMBELAJARAN SEMESTER

Ukuran: px

Mulai penontonan dengan halaman:

Download "RENCANA PEMBELAJARAN SEMESTER"

Hendri Tedja
6 tahun lalu
Tontonan:

RENCANA PEMBELAJARAN SEMESTER Program Studi: Statistika Fakultas: Sains dan Matematika Mata Kuliah: Jaringan Syaraf Tiruan Kode: AST21-415 SKS: 3 Sem: VI Dosen Pengampu: Dr. Budi Warsito, S.Si,

1 RENCANA PEMBELAJARAN SEMESTER Program Studi: Statistika Fakultas: Sains dan Matematika Mata Kuliah: Jaringan Syaraf Tiruan Kode: AST SKS: 3 Sem: VI Dosen Pengampu: Dr. Budi Warsito, S.Si, M.Si. Capaian Pembelajaran Mata Kuliah: Setelah mengikuti maat kuliah ini, diharapkan mahasiswa mampu: KK4.4. Mampu menganalisa permasalahan dalam optimasi KK6. Mampu melakukan analisis data PP2.1. dan menerapkan konsep numeris dalam menguraikan suatu rumus baik dalam metode statistika maupun 4 bidang lainnya PP4. ekplorasi data baik secara univariate maupun multivariat PP6. Mampu menggunakan Software berbasis Open Source KM2.1. Mampu mengambil keputusan yang rasional berdasarkan data Deskripsi singkat Mata Kuliah: Mata kuliah Jaringan Syaraf Tiruan memuat pemodelan neural network dengan aplikasi pada model-model statistika. Tahap awal yang perlu diketahui untuk mempelajari model ini adalah pemahaman akan pengertian perceptron, multi layer perceptron, fungsi aktivasi dan backpropagation. Beberapa prosedur pemodelan diantaranya adalah penentuan unit input, jumlah unit hidden layer, serta algoritma pelatihan yang digunakan Bahan Kajian/ Pengalaman Penilaian Ming Kemampuan Akhir tiap Metode Pokok Waktu Belajar gu ke tahapan pembelajaran Pembelajaran Kriteria & Indikator Bahasan Mahasiswa 1 tentang konsep dasar jaringan syaraf tiruan, notasi dasar dan terminologi kaitannya dengan statistika Pengertian Dasar Jaringan Syaraf Tiruan - pengertian dasar algoritma - Mampu menyebutkan terminologi-terminologi yang digunakan dalam secara tepat 2 Mampu mengenal dasar- Dasar-dasar - Mampu mengenal dasar-dasar Bobot (%) 153

2 3 4 5 dasar pemrograman pada Matlab makna perceptron dalam pemodelan dan menerapkannya pada operasi logika Mampu menyebutkan dan menggambarkan beberapa fungsi aktivasi yang sering digunakan pada pemodelan Mampu MLP ke dalam fungsi matematis pemrograma n Matlab Fungsi Aktivasi Multi Layer - Simulasi - Project Based - Simulasi - Cooperatif - Self Directed - Project Based - Self Directed Simulasi dengan komputer Praktek secara manual Praktek melalui program sederhana Presentasi pemrograman Matlab - Mampu membuat m-file dengan benar - makna perceptron dalam pemodelan - Mampu menghitung secara manual perceptron untuk operasi logika dengan benar - Mampu menyebutkan dan menggambarkan beberapa fungsi aktivasi yang sering digunakan pada pemodelan dengan benar - Mampu mebuat MLP dengan benar - Mampu mentranformasikan MLP ke dalam fungsi matematis 6 7 konsep algoritma backpropagation dan penerapannya pada operasi logika beberapa algoritma pelatihan pada backpropagation Algoritma Backpropaga tion Beberapa Algoritma Pelatihan Presentasi - menjelaskan konsep algoritma backpropagation dengan tepat - Mampu menerapkan algoritma backpropagation pada operasi logika secara tepat - Mampu menurunkan rumus metode optimasi standar pada - Mampu menghitung bobot 1 154

3 8 Ujian Mid Semester 9 konsep Preprocessing dan Postprocessing pada pemodelan Preprocessin g dan Postprocessi ng program matlab untuk Multi Layer pada data sederhana 2. Mampu tertentu untuk berbagai n untuk Multi Layer n untuk Berbagai Arsitektur model pada sederhana dengan benar - Mampu menyusun program menghitung bobot model menggunakan optimasi standar dengan benar - konsep Preprocessing dan Postprocessing pada dengan tepat - Mampu menyebutkan teknikteknik preprocessing dan posprocessing sebanyak 80% - Mampu menuliskan program matlab untuk MLP dengan benar - fungsifungsi pada program yang disusun sebesar 80% - Mampu dengan tepat - Mampu menjalankan program Matlab untuk tertentu dengan penulisan syntax program yang tepat - Mampu melakukan modifikasi program untuk berbagai tercadang dengan tepat - Mampu 155

4 12 model MLP dengan algoritma pelatihan Levenberg Marquardt untuk berbagai metode pelatihan berbasis gradien n Backpropaga tion dengan beberapa algoritma pelatihan dengan banar program MLP dengan algoritma pelatihan Levenberg Marquardt dengan benar - Mampu me untuk 3 metode pelatihan berbasis gradien tercadang secara tepat Mampu Preprocessing dan Postprocessing untuk penerapan pada n untuk Preprocessin g dan Postprocessi ng Penerapan pada program untuk Preprocessing dan Postprocessing untuk MLP - Mampu me untuk 2 metode Preprocessing dan Postprocessing tercadang secara tepat - Mampu program untuk penerapan pada - Mampu me untuk - Mampu 156

5 15 dengan berbagai regresi dan klasifikasi regresi dan klasifikasi dengan berbagai Penerapan pada regresi dan klasifikasi program untuk penerapan pada regresi & klasifikasi - Mampu me untuk regresi & klasifikasi - Mampu 16 Ujian Akhir Semester 8. Daftar Referensi: 1. Bishop, C.M., 1995, Neural Networks for Pattern Recognition, Clarendon Press, Oxford 2. Demuth, H. and Beale, M., 1998, Neural Network Toolbox for Use with Matlab; Users Guide, MathWorks Inc, US. 3. Kusumadewi, S., 2004, Membangun Jaringan Syaraf Tiruan, Graha Ilmu, Yogyakarta 4. Siang, J.J., 2005, Jaringan Syaraf Tiruan dan nnya Menggunakan Matlab, Andi Offset, Yogyakarta 5. Warsito, B., 2009, Kapita Selekta Statistika Neural Network, BP UNDIP Semarang 6. Samarasinghe, S., 2007, Neural Networks for Applied Sciences and Engineering, Auerbach Publications, Taylor & Francis Group, New York 157

dokumen-dokumen yang mirip

SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan