RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH
MACHINE LEARNING

Dosen Pengampu:
Hartono, S.Pd., M.T.I (NIDN 0227118803)

PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI

UNIVERSITAS MUHAMMADIYAH KOTABUMI
TAHUN 2024
 IDENTITAS MATA KULIAH

1. Nama mata kuliah : Machine Learning

2. Kode mata kuliah : PSTI19463
3. Semester : V
4. Deskripsi Mata kuliah Mata kuliah ini memberikan pemahaman komprehensif tentang konsep,
teori, dan aplikasi machine learning. Mahasiswa akan belajar
menjelaskan prinsip-prinsip dasar supervised, unsupervised, dan
reinforcement learning, serta memahami istilah-istilah umum seperti
dataset, feature, instance, class, label, training, testing, dan model.
Selain itu, mahasiswa akan menguasai dasar-dasar pemrograman
Python, termasuk conditional statement, input/output, looping, dan
struktur data, serta mampu membaca dan memvisualisasikan dataset.
Pembelajaran berlanjut dengan mengimplementasikan proses pelatihan
dan pengujian dataset, serta menerapkan tahapan inti machine learning
melalui kasus sederhana. Mahasiswa juga akan menelaah dan
menguraikan struktur dataset menggunakan teknik seperti exploratory
data analysis (EDA) dan principal component analysis (PCA) untuk
mengidentifikasi pola dan anomali. Validasi kualitas dan hasil analisis
dataset dilakukan dengan pendekatan seperti k-fold cross-validation dan
bootstrap sampling untuk meningkatkan keandalan model. Mahasiswa
akan belajar mengorganisasikan dataset dari berbagai sumber dengan
teknik seperti feature engineering, data augmentation, normalisasi, dan
ensemble methods. Analisis dataset untuk mengidentifikasi pola dan
tren yang signifikan serta melakukan EDA menjadi bagian penting untuk
mendapatkan wawasan awal tentang data. Selain itu, pemilihan
pendekatan machine learning yang tepat serta penerapan teknik
optimasi seperti hyperparameter tuning akan diajarkan untuk
memaksimalkan kinerja model. Mahasiswa akan menguji dan mengukur
karakteristik dataset menggunakan pustaka Python seperti Pandas dan
NumPy, serta mengevaluasi efektivitas berbagai pendekatan machine
learning dengan metrik kinerja seperti accuracy, precision, recall, F1-
score, dan ROC-AUC. Akhirnya, mahasiswa akan mampu
merekomendasikan solusi machine learning yang tepat, merancang
arsitektur model yang sesuai dengan kebutuhan spesifik, dan
membangun serta mengimplementasikan model secara end-to-end untuk
aplikasi nyata, mulai dari pengumpulan data hingga deployment.
5. Bobot SKS : 3 (tiga) SKS
Dataset, metode/teknik/strategi machine learning, dan
6. Materi Inti :
deployment
7. Nama Dosen : Hartono, S.Pd., M.T.I
8. NIDN Dosen : 0227118803
9. Keilmuan Dosen : Kecerdasan Buatan dan Keamanan Siber
10. Orientasi Pengembangan RPS : Berbasis Objek/Prosedural
 RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI SISTEM DAN TEKNOLOGI INFORMASI
UNIVERSITAS MUHAMMADIYAH KOTABUMI

MATA KULIAH KODE Rumpun MK BOBOT (sks) SEM Direvisi

Machine Learning PSTI19463 Kecerdasan Buatan T=1 P= 2 V 21 Mei 2024

Pengembang RP Koordinator RMK Ka PRODI

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

6. Chollet, F. (2018). Deep learning with Python. Manning Publications.

7. Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
8. McKinney, W. (2017). Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. O'Reilly Media.
9. Aggarwal, C. C. (2018). Neural networks and deep learning: A textbook. Springer.
10. Raschka, S., & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and
TensorFlow 2 (3rd ed.). Packt Publishing.
Pendukung:
1. https://www.geeksforgeeks.org/machine-learning-with-python/
2. https://realpython.com/tutorials/machine-learning/
3. https://www.kaggle.com/
4. https://github.com/
5. https://machinelearningmastery.com/machine-learning-in-python-step-by-step/
Media Software : Hardware :
Pembelajaran § Visual Studio Code § LCD Projector
§ Google Colab § Komputer
§ Orange Data Mining § IoT Devices
§ Python
§ Zoom/Google Meet
§ Browser
Team Teaching -
Assessment tes tertulis, coding, demonstration, dan tanya jawab perkuliahan
Mata kuliah Syarat -
 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
1 Sub-CPMK 1.1: § Deskripsi dan kontrak kuliah Metode: Metode: Mahasiswa mampu Kriteria: 1%
Perkenalan, § Pengantar Machine Learning: § Demonstrasi § Flipped Classroom menjelaska dan Ketepatan, Pemahanan
Konsep, Teori, definisi, sejarah, dan perkembangan. § Diskusi mengilustrasikan cara dan Penguasaan
dan Istilah-Istilah § Supervised Learning: prinsip, § Cased method Asinkron: kerja metode machine
metode, dan contoh penerapan. § LMS Spada Indonesia learning seperti
Umun di Machine
§ Unsupervised Learning: prinsip, Sinkron: § GuruVirtual.ID supervised learning, Bentuk Non-Tes:
Learning. metode, dan contoh penerapan. § Kontrak kuliah § membaca materi; unsupervised learning, Membuat video
§ Reinforcement Learning: prinsip, § Orientasi mata kuliah § menyimak video dan reinforcement ringkasan yang
metode, dan contoh penerapan § Material overview penjelasan dan tutorial; learning serta menjelaskan tentang
§ Perbandingan Metode Machine § Material explanation § konsultasi melalui forum membedakan peran metode dan istilah-
Learning: perbedaan dan kelebihan diskusi di E-learning dan fungsi istilah- istilah umum di
masing-masing metode. istilah umum di machine learning.
§ Istilah-istilah umum pada machine machine learning.
learning seperti dataset, feature,
isntance, class, label, dan lain-lain.
2 Sub-CPMK 1.2: § Pengantar Python Metode: Metode: Mahasiswa mampu Kriteria: 1%
Machine Learning § Conditional Statement § Demonstrasi § Flipped Classroom menggunakan Python Ketepatan, kesesuaian,
menggunakan § Input Output (masukan luaran) § Resitasi terutama untuk dan prosedur
bahasa § Deklarasi dan Operasi Tipe Data Asinkron: keperluan tahapan
dan Struktur Data Sinkron: § LMS Spada Indonesia kerja machine learning Bentuk Non-Tes:
pemrograman
§ Looping for and while § Material overview § GuruVirtual.ID . § Praktik coding
Python. § Manipulasi string § Material explanation § menyimak video § Memberikan
§ Penggunaan modul dan package penjelasan dan tutorial; penjelasan atau
§ Excetion handling § menjalankan studi kasus dokumentasi pada
§ Fungsi-fungsi daar yang telah disediakan coding
§ Pembacaan Dataset melalui jupyter notebook; menggunakan
§ Pengenalan Visualisasi Data § konsultasi melalui forum Jupyter Notebook
diskusi di E-learning
3 Sub-CPMK 1.3: § Eksplorasi dan Visualisasi Dataset Metode: Metode: Mahasiswa mampu Kriteria: 1%
Implementasi § Evaluasi Model: metrik evaluasi § Eksperimen § Flipped Classroom menjelaskan cara dan Ketepatan, kesesuaian,
Pelatihan dan kinerja model seperti accuracy, § Resitasi mendemonstrasikan dan prosedur
Pengujian Dataset precision, recall, dan F1 score. Asinkron: evaluasi pada model,
berdasarkan kasus § Cross-validation: konsep, tipe, dan Sinkron: § LMS Spada Indonesia terutama confussion Bentuk Non-Tes:
sederhana langkah-langkah implementasi. § Material overview § GuruVirtual.ID matrix dan cross- § 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
§ Grid Search: prinsip, manfaat, dan § Material explanation § menjalankan studi kasus validation serta § Memberikan
contoh penggunaan. yang telah disediakan mampu memilih model penjelasan atau
§ Random Search: cara kerja, melalui jupyter notebook; yang berkinerja baik. dokumentasi pada
perbandingan dengan grid search. § menyimak video coding
§ Model Selection: teknik pemilihan penjelasan dan tutorial; menggunakan
model terbaik berdasarkan evaluasi. § konsultasi melalui forum Jupyter Notebook
diskusi di E-learning
4 Sub-CPMK 2.1: § Exploratory Data Analysis (EDA): Metode: Metode: Mahasiswa mampu Kriteria: 7%
Telaah dan definisi, tujuan, langkah-langkah, § Demonstrasi § Flipped Classroom menelaah dan Rubrik Penilaian
Penguraian dan pustaka yang digunakan § Diskusi menguraikan struktur
Dataset dan § Teknik-teknik EDA Asinkron: dataset menggunakan Bentuk Non-Tes:
Implementasi § Principal Component Analysis Sinkron: § LMS Spada Indonesia EDA dan PCA pada § Praktik coding
Machine Learning (PCA): visualisasi, analisis statistik § Material overview § GuruVirtual.ID kasus-kasus sederhana. § Membuat video
Sederhana dasar, dan identifikasi missing § Material explanation § menjalankan studi kasus demonstrasi
values dan outliers yang telah disediakan penelaah dan
§ Implementasi EDA dan PCA melalui jupyter notebook; penguraian struktur
menggunakan Python § menyimak video dataset
§ Interpretasi Hasil dan Identifikasi penjelasan dan tutorial; menggunakan EDA
Pola serta Anomali yang Relevan § konsultasi melalui forum dan PCA.
diskusi di E-learning
5 Sub-CPMK 2.2: § Data cleaning dan data Metode: Metode: Mahasiswa mampu Kriteria: 1%
Validasi Kualitas normalization § Eksperimen § Flipped Classroom memvalidasi kualitas Ketepatan, kesesuaian,
dan Hasil Analisis § Validasi Model: tujuan dan teknik § Resitasi dan hasil analisis dan prosedur
Dataset untuk memvalidasi Asinkron: dataset menggunakan
§ K-Fold Cross-Validation: konsep Sinkron: § LMS Spada Indonesia k-fold cross-validation Bentuk Non-Tes:
dan tujuan k-fold cross-validation, § Material overview § GuruVirtual.ID dan bootstrap § Praktik Coding
prosedur k-fold cross-validation, § Material explanation § menjalankan studi kasus sampling § Memberikan
implementasi k-fold cross-validation yang telah disediakan penjelasan atau
menggunakan scikit-learn. melalui jupyter notebook; dokumentasi pada
§ Bootstrap Sampling: konsep dan § menyimak video coding
tujuan, prosedur, dan implementasi penjelasan dan tutorial; menggunakan
menggunakan Python. § konsultasi melalui forum Jupyter Notebook
§ Evaluasi Kinerja Model: metrik diskusi di E-learning
evaluasi (accuracy, precision, recall,
 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
F1 score, AUC), interpretasi hasil
evaluasi, perbandingan hasil validasi
menggunakan k-fold cross-
validation dan bootstrap sampling.
6 Sub-CPMK 2.3 § Feature Engineering: definisi, Metode: Metode: Mahasiswa mampu Kriteria: 10%
Sub-CPMK 3.1: teknik, dan implementasi § Demonstrasi § Flipped Classroom mendemonstrasikan Rubrik Penilaian
Organisasi dan § Data Augmentation: konsep, tujuan, § Resitasi feature engineering,
Analisis Dataset teknik (gambar dan teks), dan Asinkron: data augmentation, Bentuk Non-Tes:
implementasi menggunakan imgaug Sinkron: § LMS Spada Indonesia dan normalisasi data. Melakukan feature
atau TextBlob. § Material overview § GuruVirtual.ID engineering, data
§ Normalisasi Data: fungsi, teknik- § Material explanation § menjalankan studi kasus augmentation, dan
teknik (min-max scaling, z-score yang telah disediakan normalisasi pada
normalization), dan implementasi melalui jupyter notebook; dataset yang telah
menggunakan scikit-learn. § menyimak video disediakan.
§ Ensemble Methods: konsep, jenis, penjelasan dan tutorial;
implementasi, keunggulan dan § konsultasi melalui forum
aplikasi untuk meningkatkan kinerja. diskusi di E-learning
§ Identifikasi pola dan tren
7 Sub-CPMK 3.2: § Faktor-faktor Pemilihan Algoritma Metode: Metode: Mahasiswa mampu Kriteria: 1%
Analisis dan (jenis data, tujuan analisis, § Demonstrasi § Flipped Classroom menganalisis dan Ketepatan, kesesuaian,
Pemilihan kompleksitas model) § Resitasi memilih algoritma dan prosedur
Pendekatan § Perbandingan Algoritma Asinkron: yang sesuai dengan
Machine Learning § Teknik Evaluasi Model: metrik Sinkron: § LMS Spada Indonesia dataset dan kasus yang Bentuk Non-Tes:
evaluasi (accuracy, precision, recall, § Material overview § GuruVirtual.ID dihadapi. § Praktik Coding
F1 score, ROC-AUC), k-fold cross- § Material explanation § menjalankan studi kasus § Memberikan
validation, confusion matrix, yang telah disediakan penjelasan pada
interpretasi hasil evaluasi. melalui jupyter notebook; coding
§ Pendekatan Evaluasi: advanced § menyimak video menggunakan
evaluation techniques (grid search, penjelasan dan tutorial; Jupyter Notebook.
random search), comparison of § konsultasi melalui forum
evaluation techniques, practical diskusi di E-learning
applications and case studies.

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.