RPS - Machine Learning - OBE - Compressed
RPS - Machine Learning - OBE - Compressed
MATA KULIAH
MACHINE LEARNING
Dosen Pengampu:
Hartono, S.Pd., M.T.I (NIDN 0227118803)
OTORISASI PENGESAHAN
Hartono, S.Pd., M.T.I Hartono, S.Pd., M.T.I Ryan Aji Wijaya, S.Kom., MMSI
Capaian Lulusan
Pembelajaran S09 Menunjukkan sikap bertanggung jawab atas pekerjaan di bidang keahliannya secara mandiri.
S12 Menunjukkan sikap optimis, memiliki rasa ingin tau yang tinggi dan kemauan belajar yang besar serta
menginternalisasikan nilai-nilai dalam pengembangan dan penerapan ilmu pengetahuan
KU1 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi
ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora sesuai bidang keahliannya.
KU2 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur.
KU5 Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya,
berdasarkan hasil analisis informasi dan data
KK1 Mampu mengaplikasikan bidang keahliannya dan memanfaatkan IPTEKS pada bidangnya dalam penyelesaian masalah
serta mampu beradaptasi terhadap situasi yang dihadapi.
P02 Menguasai konsep teoritis yang mengkaji, menerapkan dan mengembangkan serta mampu memformulasikan
dan mampu mengambil keputusan yang tepat dalam penyelesaian masalah.
P03 Mempunyai pengetahuan dalam penyusunan algorithma pemrograman yang efektif dan efisien serta dapat merancang,
membangun dan mengelola aplikasi sistem informasi secara tepat dan akurat untuk pendukung pengambilan keputusan.
RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI
UNIVERSITAS MUHAMMADIYAH KOTABUMI
Matakuliah
CPMK 1 Mampu menjelaskan (C2) konsep dan teori, mengilustrasikan (C2) cara kerja, mendemonstrasikan (C3) dan
mengimplementasikan (C3) tahapan-tahapan kerja machine learning secara komprehensif (S09)
CPMK 2 Mampu menelaah (C4), menguraikan (C4), memvalidasi (C4), dan mengorganisasikan (C4) dataset secara cermat,
mendalam, dan tepat guna menghasilkan model machine learning yang berkinerja baik (S12).
CPMK 3 Mampu menganalisis (C4) dan memaksimalkan (C4) tahapan kerja machine learning secara logis, kritis, dan sistematis
mulai dari dataset, pendekatan, dan pembangunan (deployment) (S12).
CPMK 4 Mampu menguji (C5), mengukur (C5), dan mengevaluasi (C5) karakteristik dataset, efektivitas pendekatan, dan kinerja
model secara komprehensif menggunakan bahasa pemrograman dan perangkat lunak pendukung (S12).
CPMK 5 Mampu merekomendasi (C5), merancang (C6), dan membangun (C6) model machine learning untuk keperluan
pengembangan ilmu pengetahuan dan teknologi atau menyelesaikan masalah di kehidupan nyata (S09).
Sub Capaian Matakuliah
Pembelajaran Sub-CPMK 1.1 Mampu menjelaskan konsep, teori, dan cara kerja supervised, unsupervised, dan reinforcement learning serta istilah-
istilah umum di machine learning seperti dataset, feature, instance, class, label, training, testing, dan model.
Sub-CPMK 1.2 Mampu mendemonstrasikan conditional statement, input output, looping, deklarasi dan operasi berbagai tipe dan struktur
data, pembacaan dataset, dan visualisasi data sederhana menggunakan bahasa pemrograman Python.
Sub-CPMK 1.3 Mampu mengimplementasikan pelatihan dan pengujian dataset serta mengimplementasikan tahapan-tahapan inti dalam
machine learning berdasarkan kasus-kasus sederhana.
Sub-CPMK 2.1 Mampu menelaah dan menguraikan struktur dataset menggunakan teknik seperti exploratory data analysis (EDA) dan
principal component analysis (PCA) untuk mengidentifikasi pola dan anomali yang relevan.
Sub-CPMK 2.2 Mampu memvalidasi kualitas dan hasil analisis dataset dengan pendekatan seperti k-fold cross-validation dan bootstrap
sampling untuk memastikan dan meningkatkan ketepatan dan keandalan model.
Sub-CPMK 2.3 Mampu mengorganisasikan dataset dari berbagai sumber menggunakan teknik seperti feature engineering, data
augmentation, normalisasi, dan ensemble methods untuk menghasilkan insight berharga bagi model.
Sub-CPMK 3.1 Mampu menganalisis dataset untuk mengidentifikasi pola dan tren yang signifikan serta melakukan exploratory data
analysis untuk mendapatkan wawasan awal tentang data.
RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI
UNIVERSITAS MUHAMMADIYAH KOTABUMI
Sub-CPMK 3.2 Mampu menganalisis dan memilih pendekatan machine learning yang paling sesuai dengan masalah yang dihadapi,
termasuk pemilihan algoritma dan teknik evaluasi yang tepat.
Sub-CPMK 3.3 Mampu memaksimalkan kinerja model machine learning dengan menerapkan teknik-teknik optimasi seperti
hyperparameter tuning, feature engineering, dan ensemble methods.
Sub-CPMK 4.1 Mampu menguji dan mengukur karakteristik dataset, termasuk distribusi data, outliers, dan missing values menggunakan
pustaka seperti Pandas, NumPy, dan lain-lain dalam bahasa pemrograman Python.
Sub-CPMK 4.2 Mampu mengukur dan mengevaluasi efektivitas berbagai pendekatan machine learning dengan membandingkan metrik
kinerja seperti accuracy, precision, recall, F1-score, dan ROC-AUC.
Sub-CPMK 4.3 Mampu menguji dan mengevaluasi kinerja model machine learning secara komprehensif dengan melakukan validasi
silang dan analisis error menggunakan bahasa pemrograman Python dan perangkat lunak pendukung.
Sub-CPMK 5.1 Mampu merekomendasi solusi machine learning yang tepat untuk berbagai permasalahan nyata, dengan
mempertimbangkan keuntungan dan kelemahan dari berbagai algoritma dan teknik yang ada.
Sub-CPMK 5.2 Mampu merancang arsitektur model machine learning yang paling sesuai dengan kebutuhan spesifik, termasuk pemilihan
fitur, algoritma, dan parameter yang optimal.
Sub-CPMK 5.3 Mampu membangun (C6) dan mengimplementasikan model machine learning secara end-to-end, mulai dari
pengumpulan data, preprocessing, training, evaluasi, hingga deployment model untuk digunakan dalam aplikasi nyata.
Diskripsi Bahan Bahan Kajian
Kajian & Pokok § Ilmu komputer
Bahasan § Algoritma
§ Kecerdasan buatan
§ Pembelajaran mesin
§ Pemrosesan bahasa alami
Pokok
Bahasan
§ Pengenalan Machine Learning: Definisi, Tujuan, dan Ruang Lingkup Penggunaannya
§ Konsep Dasar Statistik untuk Machine Learning: Probabilitas, Statistik Deskriptif, Inferensial
§ Regresi Linier: Konsep Dasar, Implementasi, Evaluasi, dan Interpretasi Hasil
RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI
UNIVERSITAS MUHAMMADIYAH KOTABUMI
§ Klasifikasi dalam Machine Learning: Jenis, Algoritma, dan Aplikasinya dalam Berbagai Kasus
§ Clustering: Metode, Tujuan, dan Implementasi dalam Pengelompokan Dataset
§ Algoritma Decision Tree: Konsep Dasar, Pembangunan, dan Penggunaan dalam Prediksi
§ Algoritma Naive Bayes: Teori, Keuntungan, dan Aplikasi dalam Klasifikasi
§ Algoritma K-Nearest Neighbors: Prinsip Kerja, Penggunaan, dan Perbandingan dengan Algoritma Lain
§ Algoritma Support Vector Machine: Dasar, Implementasi, dan Kelebihannya dalam Klasifikasi
§ Pengolahan Data untuk Machine Learning: Preprocessing, Cleaning, dan Transformasi Data
§ Feature Engineering: Strategi, Metode Seleksi Fitur, dan Pengaruhnya terhadap Performa Model
§ Evaluasi Model dalam Machine Learning: Metrik Evaluasi dan Interpretasi Hasilnya
§ Cross-Validation: Pengertian, Jenis, dan Implementasi dalam Menilai Performa Model
§ Hyperparameter Tuning: Pentingnya, Metode, dan Dampaknya terhadap Performa Model
§ Natural Language Processing (NLP): Definisi, Tantangan, dan Aplikasinya dalam Pengolahan Bahasa
§ Computer Vision: Konsep Dasar, Algoritma Umum, dan Penerapannya dalam Pengolahan Gambar
§ Model Deployment: Proses, Teknologi, dan Best Practice dalam Menerapkan Model ke Lingkungan Produksi
§ Time Series Analysis: Metode, Model, dan Aplikasi dalam Menganalisis Data Berurutan
§ Ensemble Learning: Konsep, Jenis, dan Keunggulannya dalam Meningkatkan Performa Model
§ Neural Networks: Struktur, Jenis, dan Penerapannya dalam Machine Learning
§ Etika dalam Machine Learning: Prinsip, Tantangan, dan Implikasinya terhadap Masyarakat
§ Python untuk Machine Learning: Sintaks, Struktur Data, dan Operasi Dasar
§ Orange Data Mining: Pengantar, Alur Kerja, dan Pemanfaatan dalam Machine Learning
Pustaka Utama:
1. Kusuma, P. D. (2020). Machine Learning Teori, Program, dan Studi Kasus. Deepublish.
2. Kurniawan, D. (2022). Pengenalan Machine Learning dengan Python. Elex Media Komputindo.
3. Yunardi, I. R. T., Kom, N. Z. D. S., & Kom, M. (2022). DATA MINING dan MACHINE LEARNING dengan Orange3 Tutorial
dan Aplikasinya. Airlangga University Press.
4. Burkov, A. (2019). The hundred-page machine learning book (Vol. 1, p. 32). Quebec City, QC, Canada: Andriy Burkov.
5. Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build
intelligent systems. O'Reilly Media.
RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI
UNIVERSITAS MUHAMMADIYAH KOTABUMI
8
Ujian Tengah Semester (25%) – Project Based Learning
Kemampuan Bentuk Pembelajaran
Pert. akhir Materi Pembelajaran Metode/Strategi Pembelajaran Penilaian
Ke- tiap tahapan [Pustaka] [Estimasi Waktu]
belajar Luring Daring Indikator Kriteria dan Bentuk Bobot
(Evaluasi Formatif – melakukan perbaikan pembelajaran berdasarkan assessment yang telah ditemukan pertemuan sebelumnya)
9 Sub-CPMK 3.3: § Definisi, dampak, dan Metode: Metode: Mahasiswa mampu Kriteria: 1%
Optimalisasi pentingnya optimalisasi model § Demonstrasi § Flipped Classroom mengimplementasikan Ketepatan, kesesuaian,
Kinerja Model § Hyperparameter Tuning § Resitasi optimalisasi kinerja dan prosedur
Machine Learning § Grid search Asinkron: model machine
§ Random search Sinkron: § LMS Spada Indonesia learning Bentuk Non-Tes
§ Bayesian optimization § Material overview § GuruVirtual.ID (Kelompok):
§ Feature selection § Material explanation § menjalankan studi kasus § Praktik coding
§ Feature extraction yang telah disediakan § Memberikan
§ Polynomial features melalui jupyter notebook; penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter Notebook.
diskusi di E-learning
10 Sub-CPMK 4.1: § Analisis Dataset Metode: Metode: Mahasiswa mampu Kriteria: 1%
Pengujian dan § Distribusi Data § Eksperimen § Flipped Classroom mengidentifikasi Ketepatan, kesesuaian,
Pengukuran § Identifikasi Outliers § Resitasi outliers, menangani dan prosedur
Dataset § Penanganan Missing Values Asinkron: missing values, dan
§ Pengujian Dataset Sinkron: § LMS Spada Indonesia menafsirkan dataset. Bentuk Non-Tes
§ Pengukuran Dataset § Material overview § GuruVirtual.ID (Kelompok):
§ Early Stopping: konsep, fungsi, § Material explanation § menjalankan studi kasus § Praktik coding
dan implementasinya untuk yang telah disediakan § Memberikan
mencegah overfitting melalui jupyter notebook; penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter Notebook.
diskusi di E-learning
11 Sub-CPMK 4.2: § Metrik Kinerja Model Metode: Metode: Mahasiswa mampu Kriteria: 7%
Evaluasi § Accuracy § Eksperimen § Flipped Classroom mengevaluasi Rubrik Penilaian
Efektivitas § Precision § Resitasi efektivitas pendekatan
Pendekatan § Recall Asinkron: machine learning pada Bentuk Non-Tes
Machine Learning § F1-Score Sinkron: § LMS Spada Indonesia kasus-kasus sederhana (Kelompok):
§ ROC-AUC § Material overview § GuruVirtual.ID § Praktik coding
Kemampuan Bentuk Pembelajaran
Pert. akhir Materi Pembelajaran Metode/Strategi Pembelajaran Penilaian
Ke- tiap tahapan [Pustaka] [Estimasi Waktu]
belajar Luring Daring Indikator Kriteria dan Bentuk Bobot
§ Material explanation § menjalankan studi kasus § Membuat video
yang telah disediakan demonstrasi
melalui jupyter notebook; evaluasi efektivitas
§ menyimak video pendekatan machine
penjelasan dan tutorial; learning bidang
§ konsultasi melalui forum teks, audio, gambar,
diskusi di E-learning atau video.
12 Sub-CPMK 4.3: § Cross Validation Metode: Metode: Mahasiswa mampu Kriteria: 1%
Pengujian dan § K-Fold Cross-Validation, § Demonstrasi § Flipped Classroom menguji dan Ketepatan, kesesuaian,
Evaluasi Kinerja § Leave-One-Out Cross-Validation § Resitasi mengevaluasi kinerja dan prosedur
Model § Stratified Cross-Validation Asinkron: model machine
§ Confusion Matrix Sinkron: § LMS Spada Indonesia learning Bentuk Non-Tes
§ Error Analysis § Material overview § GuruVirtual.ID (Kelompok):
§ Interpretasi Hasil Error § Material explanation § menjalankan studi kasus § Praktik coding
yang telah disediakan § Memberikan
melalui jupyter notebook; penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter.
diskusi di E-learning
13 Sub-CPMK 5.1: § Identifikasi Masalah Domain Metode: Metode: Mahasiswa mampu Kriteria: 1%
Rekomendasi Machine Learning (Kesehatan, § Demonstrasi § Flipped Classroom menganalisis masalah- Ketepatan, kesesuaian,
Solusi Keuangan, dan Manufaktur) § Resitasi masalah sederhana dan dan prosedur
Menggunakan § Identifikasi Sumber Daya untuk Asinkron: merekomendasikan
Machine Learning Solusi Masalah Machine Learning Sinkron: § LMS Spada Indonesia solusi menggunakan Bentuk Non-Tes
§ Studi Perbandingan Berbagai § Material overview § GuruVirtual.ID machine learning. (Kelompok):
Algoritma Machine Learning § Material explanation § menjalankan studi kasus § Praktik coding
§ Metodologi Pemilihan Algoritma yang telah disediakan § Memberikan
§ Solusi Machine Learning melalui jupyter notebook; penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter.
diskusi di E-learning
Kemampuan Bentuk Pembelajaran
Pert. akhir Materi Pembelajaran Metode/Strategi Pembelajaran Penilaian
Ke- tiap tahapan [Pustaka] [Estimasi Waktu]
belajar Luring Daring Indikator Kriteria dan Bentuk Bobot
14 Sub-CPMK 5.2: § Arsitektur Machine Learning Metode: Metode: Mahasiswa mampu Kriteria: 1%
Arsitektur Model § Teknik Pemilihan Fitur § Demonstrasi § Flipped Classroom merancang arsitektur Ketepatan, kesesuaian,
Machine Learning § Teknik Pemilihan Algoritma § Resitasi model machine dan prosedur
§ Teknik Evaluasi Asinkron: learning untuk
§ Optimasi Parameter Sinkron: § LMS Spada Indonesia menyelesaikan Bentuk Non-Tes
§ Dasar Deployment § Material overview § GuruVirtual.ID masalah (Kelompok):
§ Material explanation § menjalankan studi kasus § Praktik coding
yang telah disediakan § Memberikan
melalui jupyter notebook; penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter.
diskusi di E-learning
15 Sub-CPMK 5.3: § Deployment Strategies Metode: Metode: Mahasiswa mampu Kriteria: 1%
Pembangunan dan § Platform Deployment (AWS, § Case method § Flipped Classroom mendemonstrasikan Ketepatan, kesesuaian,
Implementasi Google Cloud, Heroku) § Diskusi implementasi model dan prosedur
Model Machine § Predictive Systems § Resitasi Asinkron: machine learning pada
Learning § Recommendation Systems § LMS Spada Indonesia lingkungan deployment Bentuk Non-Tes
§ Healthcare Applications Sinkron: § GuruVirtual.ID terbatas dalam bentuk (Kelompok):
§ Finance and Trading § Material overview § menjalankan studi kasus aplikasi website, § Praktik coding
§ Internet of Things § Material explanation yang telah disediakan desktop, mobile, atau § Memberikan
melalui jupyter notebook; perangkat IoT, penjelasan pada
§ menyimak video coding
penjelasan dan tutorial; menggunakan
§ konsultasi melalui forum Jupyter.
diskusi di E-learning
16 Ujian Akhir Semester (40%) - Project Based Learning
(Evaluasi yang dimaksudkan untuk mengetahui capaian akhir hasil belajar mahasiswa)
Catatan :
1 sks = (50’ TM + 50’ TT + 60’ BM)/Minggu BM = Belajar Mandiri
TM = Tatap Muka (Kuliah) PS = Praktikum Simulasi (170 menit/minggu)
BT = Belajar Terstruktur.