RENCANA PEMBELAJARAN SEMESTER

PROGRAM STUDI TEKNIK INFORAMTIKA

UNIVERSITAS PUTERA BATAM

MATA KULIAH KODE Rumpun MK BOBOT (sks) SEMESTER Direvisi

28 Januari
MACHINE LEANING TI040 Wajib Prodi 4 2
2023
Koordinator MK Ka. Program Studi
Andi Maslan,S.T., M.SI Andi Maslan,S.T., M.SI
OTORISASI
Ttd ttd
Kuliah Machine Learning berisi pengajaran tentang data, teknik-teknik mengolah data, teknik penggalian data, sehingga
Deskripsi Mata Kuliah diperoleh pola-pola tertentu yang dapat menjadi informasi yang berguna dan juga aplikasi dan permasalahan penerapannya pada
kondisi riil.
Capaian Pembelajaran Program
Studi
CP.001 Menjunjung tinggi nilai kemanusiaan dalam menjalankan tugas berdasarkan agama, moral dan etika (S2)
CP.002 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi
ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang
keahliannya (KU1)
CP.003 Menyusun deskripsi saintifik hasil kajian tersebut di atas dalam bentuk skripsi atau laporan tugas akhir, dan
mengunggahnya dalam laman perguruan tinggi (Repository/CD Dokumentasi) (KU4)
CP.004 Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya,berdasarkan
hasil analisis informasi dan data (KU5)
CP.005 Mampu mengimplementasikan teknologi informasi dan komunikasi dalam konteks pelaksanaan pekerjaannya (KU12)
CP.006 Menguasai konsep dan prinsip-prinsip sistem cerdas meliputi teknik representasi dan penalaran, teknik pencarian,
agent, penggalian data, dan pembelajaran mesin, serta pengembangan aplikasi cerdas pada berbagai bidang, serta
menguasai konsep dan prinsipprinsip ilmu komputasi meliputi pengelolaan informasi, pengolahan data multimedia,
dan analisis numerik (P1)
CP.009 Mampu merancang dan membangun aplikasi dengan menerapkan prinsip-prinsip sistem cerdas dan ilmu komputasi
untuk menghasilkan produk aplikasi cerdas pada berbagai bidang (KK1)
 CP.012 Mampu merancang dan menganalisa algoritma untuk menyelesaikan permasalahan secara efektif dan efisien
berdasarkan kaidah-kaidah pemrograman yang kuat, serta mampu mengaplikasikan model-model pemrograman yang
mendasari berbagai bahasa pemgrogram yang ada, serta mampu memilih bahasa pemrograman untuk menghasilkan
aplikasi yang sesuai (KK8)
Mata Kuliah
CPMK 01 Mahasiswa dapat menjelaskan langkah untuk Menuju Skalabilitas (C1)
CPMK 02 Mahasiswa dapat menjelaskan Scalable Learning in Scikit-learn (C1)
CPMK 03 Mahasiswa dapat menerapkan metode Fast SVM (C3)
CPMK 04 Mahsiswa dapat menerapkan metode Neural Networks and Deep Learning (C3)
CPMK 05 Mahasiswa dapat Menjelaskan Deep Learning with Tensor Flow (C1)
CPMK 06 Mahasiswa dapat menerapkan metode Classification and Regression Trees at Scale (C3)
CPMK 07 Mahasiswa dapat menerapkan metode Unsupervised Learning at Scale (C3)
CPMK 08 Mahasiswa dapat menjelaskan Distributed Environments – Hadoop and Spark (C1)
CPMK 09 Mahasiswa menguji sistem Pembelajaran Mechine Learning mengunakan Spark (C4)
Utama :
1. Andi Maslan, Diktat Machine Learning, Universitas Putera Batam
Pustaka Pendukung
:

Software : Hardware :
Media Pembelajaran
 Python, Weka, Rapid Miner dan Matlab  PC & LCD Projector
Dosen Pengampu  Andi Maslan, S.T., M.SI
Assessment Makalah/Paper, Presentasi, Quis tertulis atau Lisan (wawancara), Tanya jawab
Metode / Assessment
Mg Kode Kode Sub-Capaian Pembelajaran Bobot
Materi Pembelajaran Strategi Indikator
Ke- CPP CPMK MK Bentuk Halaman (%)
Pembelajaran Penilaian
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
1 CP.001 CPMK 01 Mahasiswa mampu Pengantar AI 1: Pemaparan  Attitude 1-8
menginstal Tools Machine • Pengantar MK materi  Aktif di Tanya 5
Learning Project menggunakan kelas jawab
• Pemasangan Tools bahan ajar, dan  Latihan
 diskusi dan  Tugas
Pembentukan  Kehadir
Kelompok an
2 CP 001 CPMK 01  memahami konsep dasar Pengantar AI 2: Pemaparan  Attitude Tanya 9-29
CP 002 AI serta cabangnya 1. Teknologi dan materi  Aktif di Jawab
CP 003  Mahasiswa mampu Aplikasi AI menggunakan kelas
mengidentifikasi bahan ajar, dan  Latihan
pemanfaatan AI diskusi  Tugas 5
 Kehadir
an

3 CP 001 CPMK 02 Mahasiswa mampu Metodologi Pemaparan  Attitude Tanya 29-75 5

CP 002 mengetahui alur proses Pengembangan materi project AI  Aktif di Jawab dan
CP 003 pengembangan aplikasi AI AI menggunakan data menggunakan kelas Latihan
berbasis Data bahan ajar, dan  Latihan
diskusi  Tugas
 Kehadir
an
4 CP 004 CPMK 03 Fast SVM Implementations 1. Datasets to Kerja Kelompok  Attitude Tanya 77-128 5
CP 005 Mahasiswa mampu memahami experiment  Aktif di Jawab dan
CP 006 dan menggunakan dasar tools with on your kelas Latihan
yang akan dipergunakan untuk own  Latihan
menangani data (Python, 2. Support Vector  Tugas
pandas, numpy, dll.) Machines  Kehadir
3. Feature an
selection by
regularization
4. Including non-
linearity in
SGD
5. Hyperparamete
 r tuning
5 CP 004 CPMK 04 Business Understanding: 1. The neural Kerja Kelompok  Attitude Tanya 129-157
CP 005 Menentukan objektif bisnis, network  Aktif di Jawab dan
CP 006 teknis dan Rencana Projek architecture kelas Latihan
Data AI 2. Neural  Latihan 5
Mahasiswa mampu memahami networks and  Tugas
langkah Business regularization  Kehadir
Understanding untuk 3. Neural an
menentukan masalah bisnis networks and
yang dapat diselesaikan hyperparameter
dengan menggunakan tugas optimization
data analytics yang sesuai 4. Neural
beserta metrics networks and
keberhasilannya. decision
boundaries
6 CP 004 CPMK 04  Mahasiswa mampu 1. Deep learning Pemaparan materi  Attitude Tanya 157-174
CP 005 melakukan at scale with menggunakan  Aktif di Jawab dan
CP 006 pengambilan data H2O bahan ajar, dan kelas Latihan
untuk proses data 2. Deep learning diskusi  Latihan 5
science and  Tugas
 Mahasiswa mampu unsupervised  Kehadir
melakukan telaah data pretraining an
menggunakan metoda 3. Deep learning
statistic with theanets
 Mahasiswa mampu 4. Autoencoders
menerapkan algoritma and
Deep Learning unsupervised
 Mahasiswa mampu learning
menggunakan teknik 5. Menelaah data
visualisai untuk dengan
menganalisis data Visualisasi
7 Mahasiswa mampu PRESENTASI Presentasi  Attitude Quiz 1-174
 memahami, menjelaskan PROJECT  Aktif di 20
materi-materi dari Bab 1 kelas
sampai dengan Bab 4  Latihan
 Tugas
 Kehadir
an
MEMBERIKAN NILAI PROGRESS PROJECT
8 CP 004 CPMK 05  Mahasiswa mampu 1. Tensor Flow Praktek  Attitude Tanya 175-210
CP 005 menerapkan algoritma installation Membuat  Aktif di jawab
CP 006 Deep Learning with 2. Machine Project kelas
TensorFlow learning on  Latihan
 Menentukan objek atau TensorFlow  Tugas 5
Memilah Data, with SkFlow  Kehadir
Membersihkan Data, 3. Keras and an
Memvalidasi Data dan TensorFlow
Memprentasikannya installation
 Mahasiswa mampu 4. Convolutional
melakukan proses Neural
pembersihan data dan Networks in
untuk memperbaiki TensorFlow
kualitas data. through Keras
 Mahasiswa mampu 5. CNN's with an
melakukan proses incremental
memvalidasi data dan approach
untuk memperbaiki 6. GPU
kualitas data. Computing
9 CP 004 CPMK 06 Mahasiswa dapat melakukan 1. Bootstrap Pemaparan materi  Etika Tanya 211-252
CP 005 Classification and Regression aggregation menggunakan  Aktif di Jawab
CP 006 Trees at Scale serta 2. Random forest bahan ajar, dan kelas
Mahasiswa mampu melakukan and extremely diskusi  Latihan 5
proses normalisasi data dan randomized  Tugas
 transformasi data sederhana forest  Kehadir
3. Fast parameter an
optimization
with
randomized
search
4. CART and
boosting
5. XGBoost
6. Out-of-core
CART with
H2O
10 CP 004 CPMK 07  Mahasiswa mampu 1. Unsupervised Pemaparan materi  Attitude Tanya 253-296
CP 005 membuat project methods menggunakan  Aktif di Jawab dan
CP 006 berdasarkan metode 2. Feature bahan ajar, dan kelas Latihan
Unsupervised Learning decomposition diskusi  Latihan 5
at Scale – PCA  Tugas
 Mahasiswa mampu 3. PCA with H2O  Kehadir
melakukan proses 4. Clustering – K- an
feature engineering means
5. K-means with
H2O
6. LDA
11 CP 004 CPMK 08  Mahasiswa memahami 1. 1 From a Teacher  Attitude Tanya 297-340
CP 005 tentang penggunaan standalone Centered  Aktif di Jawab dan
CP 006 Distributed machine to a Learning : kelas Latihan 5
Environments – bunch of nodes Ceramah  Latihan
Hadoop and Spark 2. Setting up the Tanya Jawab  Tugas
 Mahasiswa mampu VM Latihan  Kehadir
melakukan kegitan 3. The Hadoop an
persiapan pemodelan ecosystem
seperti pembagian data, 4. Spark
 penyusunan scenario
pemodelan.
 Mahasiswa mampu
melakukan proses
pemodelan klasifikasi
12 CP 004 CPMK 09  Mahasiswa mempu 1. Setting up the Pemaparan materi
 Attitude Tanya 341-379
CP 005 melakukan Practical VM for this menggunakan
 Aktif di Jawab dan
CP 006 Machine Learning with chapter bahan ajar, dan
kelas Latihan
Spark 2. Sharing diskusi
 Latihan 5
 Mahasiswa mampu variables  Tugas
melakukan proses across cluster  Kehadir
pemodelan clustering nodes an
13 CPMK 09  Mahasiswa mampu 1. Data Praktek project  Attitude Tanya 341-379
melakukan Practical preprocessing  Aktif di Jawab dan
Machine Learning with in Spark kelas Latihan 5
CP 006 Spark 2. 4 Machine  Latihan
 Mahasiswa mampu learning with  Tugas
melakukan proses Spark  Kehadir
pemodelan ANN an
14 Mahasiswa mampu melakukan Deployment Model di
Presemtasi hasil  Attitude 175-379
deployment model menjadi berbagai platform
deploy  Aktif di
sistem yang dapat dioperasikan seperti heroku kelas Quiz 20
(web) dan Presentasi hasil  Latihan
Project  Tugas
 Kehadir
an
PEMBERIAN NILAI PROYEK OLEH MENTOR ATAU DOSEN
A. TUGAS TERSTRUKTUR
Berupa kuiz yang harus dikerjakan mahasiswa pada saat pertemuan 7 dan pertemuan 14

B. TUGAS MANDIRI
Tugas mandiri yang dikerjakan mahasiswa berupa makalah yang dapat berupa (pilih salah satu):
1. Penerapan algoritma machine learning yang meliputi KNN, SVM, Random Forest, Naïve Bayes, GA dan ANN.
2. Mahasiswa membuat makalah mengenai perkembangan machine learning.
3. Mahasiswa membuat makalah hasil deployment program.

C. TUGAS PROJECT PENGGANTI UTS

Mahasiswa membuat project dengan indicator sebagai berikut:
Total Range
No Indikator Kriteria Penilaian Nilai
Score SCORE
Mahasiswa memahami dan mampu menemukan permasalahan yang akan diselesaikan dengan
1 Define business use cases 25 1-25  
machine learning
Mahasiswa mampu mengumpulkan data  
2 Data Exploration 15 - Extract Data 1-15  
- Clearning Data  
Mahasiswa memahami dan mampu memilih algoritma yang baik dalam menyelesaikan
 
3 Select Algorithms 30 masalah 1-30
- Pemilihan Algoritma KNN, SVM, Random Forest, Naïve Bayes, GA dan ANN  
Mahasiswa mampu mengextraksi data berbasis feature engineering (Feature Selection)
Data Pipeline and Feature  
4 30 dengan PYTHON, Weka dan Rapid Miner 1-30
Engineering
- Filter, Wrapper, Embedded, Hybrid  
  Total 100   100  
D. TUGAS PROJECT PENGGANTI UAS
Mahasiswa membuat laporan akhir project, sebagai lanjutan dari laporan sebelumnya dengan indicator sebagai berikut
Total Range
No Indikator Kriteria Penilaian Nilai
Score SCORE
Mahasiswa mampu membangun model yang sesuai dengan permasalahan yang
 
1 Build model 30 dihadapi 1-30
- Klasifikasi, Clustering dan Peramalan dan Prediksi  
Mahasiswa mampu mengevaluasi model dengan metrik  
2 Evaluate 25 1-25
- Accuracy, Recall, Precission dan ROC/AUC  
Mahasiswa mampu mempresentasikan hasil project ML  
3 Present Result 10 1-10
- Materi Presentasi, Gaya Komunikasi, Cara Presentasi  
Mahasiswa mampu merencanakan proses deployment pada model yang telah
25  
4 Plan for Deployment dihasilkan 1-25
  - Melakukan deployment di local host atau diwebsite free  
5 Operasional 5 Mahasiswa mampu mensosialisasikan hasil deployment applikasi ML 1-5  
6 Monitor 5 Mahasiswa mampu melakukan monitoring pada applikasi berbasis ML 1-5  
  Total 100   100  

SISTEM PENILAIAN :
 Kehadiran : 10 %
 Tugas Mandiri : 15 %
 Tugas Terstruktur : 10 %
 Nilai Akhir : Kehadiran (10%)+Tugas Mandiri (15%) + Tugas Terstruktur (10%) + PROJECT (30%)+ PROJECT
(35%)

Grade Nilai
 80 – 100 :A
  70 – 79 :B
 60 – 69 :C
 41 – 59 :D
 0 – 40 :E

 Luaran
o Model atau Framework
o Aplikasi Machine Learning Berbasis AI
o Video Presentasi Tugas Project