RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY
LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb: Kode Mata Kuliah : CIG4A3 Nama Mata Kuliah : Pembelajaran Mesin Mengetahui Kaprodi S1 Teknik Informatika Bandung, 2015 Menyetujui Ketua KK ICM Arif Bijaksana PhD Ari M. Barmawi, Ph.D ii
DAFTAR ISI LEMBAR PENGESAHAN... ii DAFTAR ISI... iii A. PROFIL MATA KULIAH... 1 B. RENCANA PEMBELAJARAN SEMESTER (RPS)... 1 C. RANCANGAN INTERAKSI DOSEN MAHASISWA... 2 D. RANCANGAN TUGAS... 6 E. PENILAIAN DENGAN RUBRIK... 11 F. PENENTUAN NILAI AKHIR MATA KULIAH... 12 iii
1. PROFIL MATA KULIAH IDENTITAS MATA KULIAH Nama Mata Kuliah : Pembelajaran Mesin Kode Mata Kuliah : CIG4A3 SKS : 3 Jenis : MK Piilihan Jam pelaksanaan : Tatap muka di kelas = 3 x 60 menit per minggu Tutorial / Responsi = 1 x 60 menit per minggu Semester / Tingkat : Genap / Tingkat 4 Pre-requisite : Pengolahan Citra Digital Co-requisite : Bidang Kajian : Intelligent Systems Future Trend and Problem Solving DESKRIPSI SINGKAT MATA KULIAH Mata Kuliah Pembelajaran mesin mengajak mahasiswa untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas. Penekanan materi pada teknik dasar secara supervised, unsupervised, dan reinforcement. Mahasiswa akan diperkenalkan dengan area permasalahan dan batasan masalah (curse of dimensionaityl)dalam mesin yang meliputi Klasifikasi dan Klustering. Mengajak mahasiswa memahami dan melakukan pengukuran unjuk kerja sistem, optimasi sistem dan mengatasi masalah over fitting. Beberapa Algoritma/Teknik/Metode dasar dan umum untuk mengembangkan sistem berbasis mesin disampaikan kepada mahasiwa, seperti: Bayes Clasifier, Naive Bayes, Decision Tree, Jaringan Syaraf Tiruan, Jaringan Kohonen, Self Organization Map, K-Means, K-NN, Q-Learning. Dalam perkuliahan mahasiswa dituntun untuk berinovasi dengan mengembangkan sebuah sistem Pembelajaran Mesin pada kasus tertentu. REFERENSI Mitchell M. Tom, 1997, Machine Learning. McGraw Hill, International Editions. Printed in Singapore. Last Edition Nils. J. Nilson, 1998, Intoduction to Machine Learning, Department of Computer Science, Standford University, Last Edition Russel, Stuart and Norvig, Peter. 1995. Artificial Intelligence: A Modern Approach. Prentice Hall International, Inc. Last Edition 1
2. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Bentuk/ Metode/ Strategi Pembelajaran Kriteria Penilaian (Indikator) Bobot Nilai 1 1. Mampu mendefinisikan mesin 2. Mampu menentukan kapan mesin bisa digunakakan Definisi dan Aplikasi Pembelajaran Mesin Ceramah. Mampu menentukan permasalahan yang bisa diselesaikan dengan mesin 2-4 5 1. Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction 2. Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan 1. Mampu membedakan jenis-jenis permasalahan pada mesin Teknik Dimensionality Reduction : Principal Component Analysis Singular Value Decomposition Independent Component Analysis Factor Analysis Linear Discriminant Analysis Pembahasan Tugas 1 Overview Unsupervised, Supervised, Semisupervised learning Ceramah, Demonstrasi Ceramah 1. Mampu mengkomunikasikan konsep dari setiap teknik dalam dimensionality reduction 2. Mampu mengimplementasikan salah satu algoritma Ketepatan dalam mencocokkan contoh permasalahan dengan teknik 6-7 1. Mampu mengidentifikasi permasalahan clustering 2. Mampu mengkomunikasikan perbedaan teknik-teknik Teknik Pembelajaran : Unsupervised K-means clustering Hierarchical clustering Ceramah, 1. Ketepatan dalam menjelaskan perbedaan teknikteknik pada 2
Pembelajaran tanpa supervisi 3. Mampu menerapkan salah satu algoritma dalam permasalahan mesin Expectation Maximization Pembahasan Tugas 2 Demonstrasi tanpa supervise 2. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari 8-11 1. Mampu membedakan permasalahan regresi dan klasifikasi 2. Mampu mengkomunikasikan konsep dari tiap-tiap teknik pada dengan supervise 3. Mampu menerapkan salah satu algoritma dalam permasalahan mesin Teknik Pembelajaran: Supervised Regression Support Vector Machine Neural Network Pembahasan Tugas 3 Ceramah, Demonstrasi 1. Ketepatan dalam mencocokkan permasalahan dengan jenis regresi atau klasifikasi 2. Ketepatan dalam menjelaskan perbedaan teknikteknik pada tanpa supervise 3. Kemampuan dalam mengimplementasikan salah satu algoritma yang telah dipelajari 12-13 1. Mampu mengidentifikasi permasalahan reinforcement learning 2. Mampu mengkomunikasikan teknik-teknik dalam reinforcement learning Pembelajaran: Reinforcement Definisi Reinforcement Learning Markov Decision Process Bellman Equations Value Iteration and Policy Ceramah, Diskusi 1. Ketepatan dalam mengidentifikasi permasalahan yang cocok untuk reinforcement learning 2. Ketepatan dalam 3
3. Mampu memodelkan permasalahan untuk diselesaikan dengan reinforcement learning Iteration Q-Learning menjelaskan teknikteknik dalam reinforcement learning 3. Ketepatan dalam memodelkan permasalahan untuk reinforcement learning 14 15-28 1. Memahami contoh permasalahan pada mesin 2. Menentukan Teknik Pembelajaran yang sesuai dengan permasalahan 3. Mengimplementasikan beberapa algoritma yang dipelajari untuk menyelesaikan permasalahan yang diberikan 4. Mampu menginterpretasikan hasil penerapan algoritma Teknik Dimensionality Reduction Teknik Unsupervised Teknik Supervised Teknik Reinforcement Wawasan Studi Kasus Pembelajaran Mesin Progres proyek mesin Responsi Ceramah, Presentasi oleh mahasiswa 1. Kejelasan dari permasalahan yang dipilih serta teknikteknik yang digunakan 2. Kesesuaian pemilihan dataset yang digunakan serta pengolahannya 3. Kesesuaian penggunaan source dan library 4. Kesesuaian pemilihan referensi 4
2. RANCANGAN INTERAKSI DOSEN MAHASISWA 1. Kemampuan Akhir yang Diharapkan Mampu mendefinisikan mesin Mampu menentukan kapan mesin bisa digunakakan Nama Kajian Definisi dan Aplikasi Pembelajaran Mesin Nama Strategi Ceramah. Pertemuan Penggunaan Strategi (Metode) 1 Deskripsi Singkat Strategi (Metode) RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada penjelasan yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Menyimpulkan materi Menjawab pertanyaan Menyimak kesimpulan materi 5
2. Kemampuan Akhir yang Diharapkan Mampu menjelaskan konsep dan perbedaan teknik-teknik untuk Dimensionality Reduction Mampu memilih dan menerapkan teknik yang sesuai untuk suatu permasalahan Nama Kajian Teknik Dimensionality Reduction : Principal Component Analysis Singular Value Decomposition Independent Component Analysis Factor Analysis Linear Discriminant Analysis Pembahasan Tugas 1 Nama Strategi Ceramah. Pertemuan Penggunaan Strategi (Metode) 2-4 Deskripsi Singkat Strategi (Metode) RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa Menyimpulkan materi Menjawab pertanyaan Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti Menyimak kesimpulan materi 6
3. Kemampuan Akhir yang Diharapkan Nama Kajian Nama Strategi Mampu membedakan jenis-jenis permasalahan pada mesin Overview Unsupervised, Supervised, Semisupervised learning Ceramah, Discovery Learning. Pertemuan Penggunaan Strategi (Metode) 5 Deskripsi Singkat Strategi (Metode) RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Menyimpulkan materi Menjawab pertanyaan Menyimak kesimpulan materi 7
4. Kemampuan Akhir yang Diharapkan Mampu mengidentifikasi permasalahan clustering Mampu mengkomunikasikan perbedaan teknik-teknik Pembelajaran tanpa supervisi Mampu menerapkan salah satu algoritma dalam permasalahan mesin Nama Kajian Nama Strategi Teknik Pembelajaran : Unsupervised K-means clustering Hierarchical clustering Expectation Maximization Pembahasan Tugas 2 Pertemuan Penggunaan Strategi (Metode) 6-7 Deskripsi Singkat Strategi (Metode) Ceramah, Discovery Learning. RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa Menyimpulkan materi Menjawab pertanyaan Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti Menyimak kesimpulan materi 5. Kemampuan Akhir yang Diharapkan Mampu membedakan permasalahan regresi dan klasifikasi 8
Mampu mengkomunikasikan konsep dari tiap-tiap teknik pada dengan supervisi Mampu menerapkan salah satu algoritma dalam permasalahan mesin Nama Kajian Nama Strategi Teknik Pembelajaran: Supervised Regression Support Vector Machine Neural Network Pembahasan Tugas 3 Pertemuan Penggunaan Strategi (Metode) 8-11 Deskripsi Singkat Strategi (Metode) Ceramah, Discovery Learning. RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa Menyimpulkan materi Menjawab pertanyaan Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti Menyimak kesimpulan materi 6. Kemampuan Akhir yang Diharapkan Mampu mengidentifikasi permasalahan reinforcement learning 9 Mampu mengkomunikasikan teknik-teknik dalam reinforcement learning Mampu memodelkan permasalahan untuk
diselesaikan dengan reinforcement learning Nama Kajian Nama Strategi Pembelajaran: Reinforcement Definisi Reinforcement Learning Markov Decision Process Bellman Equations Value Iteration and Policy Iteration Q-Learning Ceramah, Pertemuan Penggunaan Strategi (Metode) 12-13 Deskripsi Singkat Strategi (Metode) Discovery Learning. RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Menjelaskan tentang tujuan dari kegiatan Aktivitas Mahasiswa Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan Membahas materi Mempersiapkan diri untuk terlibat aktif dalam kegiatan Mengajukan pertanyaan jika ada yang kurang dimengerti Mengajukan sejumlah pertanyaan terkait materi Memberikan tugas sebagai sarana latihan dan evaluasi diri kepada mahasiwa Menyimpulkan materi Menjawab pertanyaan Mengerjakan tugas sebaik-baiknya dan bertanya jika ada yang kurang dimengerti Menyimak kesimpulan materi 10
3. RANCANGAN TUGAS Tugas terkait Dimensionality Reduction Kode mata Kuliah Nama Mata Kuliah CIG4A3 Pembelajaran Mesin Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma dimensionality reduction untuk contoh kasus sederhana Pertemuan ke 4 Tugas ke 1 1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang cara melakukan dimensionality reduction 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma PCA pada dataset yang diberikan c. Dihitung secara manual d. Hasil perhitungan komponen hasil transformasi dan reduksi 3. Kriteria penilaian a. Ketepatan langkah-langkah dalam menerapkan algoritma PCA Tugas terkait Pembelajaran tanpa supervisi Kode mata Kuliah Nama Mata Kuliah CIG4A3 Pembelajaran Mesin Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma tanpa supervisi pada kasus sederhana Pertemuan ke 7 Tugas ke 2 1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan tanpa supervise pada contoh kasus sederhana 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma K-means 11
c. Diimplementasikan ke dalam kode program / menggunakan library d. Kode program dan laporan 3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan Tugas terkait Pembelajaran dengan Supervisi Kode mata Kuliah Nama Mata Kuliah CIG4A3 Pembelajaran Mesin Kemampuan Akhir yang Diharapkan Mampu menerapkan salah satu algoritma dengan supervisi pada kasus sederhana Pertemuan ke 10 Tugas ke 3 1. Tujuan Tugas Agar mahasiswa memiliki pengalaman dan pemahaman yang lebih detil tentang penerapan dengan supervise pada contoh kasus sederhana 2. Uraian Tugas a. Dataset sederhana b. Menerapkan algoritma Regression dan SVM c. Diimplementasikan ke dalam kode program / menggunakan library d. Kode program dan laporan 3. Kriteria penilaian a. Kejelasan kode program b. Kesesuaian laporan 4. PERSENTASE KOMPONEN PENILAIAN 1. Kuis : 10% 2. Tugas Besar : 20% 3. UTS : 30% 4. UAS : 40% 12
5. PENENTUAN NILAI AKHIR MATA KULIAH Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK) 87 < NSM A 72 < NSM 87 AB 67 < NSM 72 B 59 < NSM 67 BC 54 < NSM 59 C 40 < NSM 54 D NSM 40 E 13