Upload
tranlien
View
239
Download
1
Embed Size (px)
Citation preview
RENCANA PEMBELAJARAN SEMESTER
(RPS)
CSG3G3
KECERDASAN ARTIFISIAL
Disusun oleh:
Tjokorda Agung B.W. Untari Novia Wisesty
PROGRAM STUDI S1 TEKNIK INFORMATIKA
FAKULTAS INFORMATIKA
TELKOM UNIVERSITY
1
LEMBAR PENGESAHAN
Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk mata kuliah sbb:
Kode Mata Kuliah : CSG3G3
Nama Mata Kuliah : Kecerdasan Artifisial
Bandung, 7 July 2015 Mengetahui Menyetujui
Kaprodi S1 Teknik Informatika Ketua KK Intelligence, Computing, Multimedia
M. Arif Bijaksana, PhD Ari M. Barmawi, PhD
2
DAFTAR ISI
LEMBAR PENGESAHAN
DAFTAR ISI
A. PROFIL MATA KULIAH
B. RENCANA PEMBELAJARAN SEMESTER (RPS)
C. RANCANGAN INTERAKSI DOSEN–MAHASISWA
D. RANCANGAN TUGAS
E. PENILAIAN DENGAN RUBRIK
F. PENENTUAN NILAI AKHIR MATA KULIAH
3
A. PROFIL MATA KULIAH
IDENTITAS MATA KULIAH
Nama Mata Kuliah : Kecerdasan Artifisial
Kode Mata Kuliah : CSG3G3
SKS : 3
Jenis : MK Wajib
Jam pelaksanaan : Tatap muka di kelas = 3 jam per minggu
Tutorial / responsi = 1 jam per minggu
Semester / Tingkat : 6 (enam) / 3 (tiga)
Pre-requisite : Logika Matematika, Probabilitas dan Statistika, Matematika Diskrit
Co-requisite : -
Bidang Kajian : Artificial Intelligence
DESKRIPSI SINGKAT MATA KULIAH
Mata kuliah ini membahas empat teknik dasar untuk membangun kecerdasan mesin, yaitu
Searching, Reasoning, Planning, dan Learning. Juga membahas kelebihan dan kekurangan masing-
masing metode serta bagaimana memilih teknik dan metode yang paling sesuai untuk beragam
masalah dan kasus yang dihadapi. Perkuliahan dilaksanakan secara proporsional antara teori dan
praktek (tugas), dimana pembahasan teori dilakukan secara umum, dari motivasi, filosofi, perbedaan
antar teknik dan metode yang ada, hingga detail algoritma melalui studi kasus.
DAFTAR PUSTAKA
1. Suyanto. 2007. “Artificial Intelligence: Searching, Reasoning, Planning and Learning”, Andi
Publisher, Yogyakarta Indonesia, ISBN: 979-1153-05-1.
2. Russel, Stuart and Norvig, Peter. 1995. “Artificial Intelligence: A Modern Approach”. Prentice Hall
International, Inc.
3. Mitchell M. Tom. 1997. ”Machine Learning”. McGraw-Hill International Editions. Printed in
Singapore.
4
B. RENCANA PEMBELAJARAN SEMESTER (RPS)
Pertemuan
ke- Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar)
Bentuk/
Metode/
Strategi
Pembelajaran
Kriteria Penilaian
(Indikator)
Bobot
Nilai
1 Mahasiswa dapat memberikan
gambaran umum mengenai teknik dan
metode kecerdasan mesin.
Pendahuluan:
1. Definisi kecerdasan mesin
dan artifisial atau AI
2. Aplikasi-aplikasi AI
Ceramah,
diskusi.
Minimal mencapai
level dasar.
2 Memberikan pemahaman dan diskusi
tentang teknik Searching.
Searching (Pencarian):
1. Ruang Masalah
2. Sistem produksi
3. Studi kasus: mengubah
masalah ke dalam ruang
masalah dan operator yang
bisa digunakan
4. Metode-metode pencarian
Ceramah,
diskusi,
praktikum.
Minimal mencapai
level dasar.
3 Memberikan pemahaman dan diskusi
tentang teknik Searching.
Blind search / Uninformed
Search:
1. Breadth-First Search (BFS)
2. Depth-Limited Search (DLS)
3. Uniform Cost Search (UCS)
4. Iterative-Deepening Search
(IDS)
5. Bi-Directional Search (BDS)
Ceramah,
diskusi,
mengerjakan
studi kasus
Uninformed
search,
praktikum.
Minimal mencapai
level dasar.
2.5%
5
4-7 Memberikan pemahaman dan diskusi
tentang teknik Searching.
Informed search:
1. Generate and Test
2. Hill Climbing
3. Simulated Annealing
4. Best First Search
5. Greedy Search
6. A*
7. Berbagai variasi A*
8. Tugas Besar 1
Ceramah,
diskusi,
mengerjakan
studi kasus
Informed
search,
praktikum.
Mengerjakan
tugas besar
pemrograman
Minimal mencapai
level dasar.
Minimal mencapai
spesifikasi yang
ditentukan.
2.5%
10%
8-9 Memberikan pemahaman dan diskusi
tentang teknik Searching.
Algoritma Genetika Ceramah,
diskusi,
mengerjakan
studi kasus
Algoritma
Genetika,
praktikum.
Minimal mencapai
level dasar
3%
10 Mahasiswa mampu
mengimplementasikan teknik dasar
searching untuk penyelesaian masalah
dunia nyata.
Responsi Implementasi
teknik dasar
searching,
praktikum.
Minimal mencapai
level dasar
11 Memberikan pemahaman dan diskusi
tentang teknik Reasoning.
Reasoning (penalaran):
1. Propositional logic
2. First-Order Logic
Ceramah,
diskusi,
mengerjakan
studi kasus,
praktikum.
Minimal mencapai
level dasar
1%
6
12-13 Memberikan pemahaman dan diskusi
tentang teknik Reasoning.
Fuzzy Systems:
1. Fuzzy Systems
2. Fuzziness dan Probabilitas
3. Fuzzy set
4. Fuzzy logic
5. Permasalahan pada fuzzy
systems
6. Studi kasus
Ceramah,
diskusi,
mengerjakan
studi kasus
Fuzzy system,
praktikum.
Minimal mencapai
level dasar
3%
14 Mahasiswa mampu
mengimplementasikan teknik dasar
Reasoning untuk penyelesaian masalah
dunia nyata.
Responsi Implementasi
teknik dasar
reasoning,
praktikum.
Minimal mencapai
level dasar
UTS 25%
15-16 Memberikan pemahaman mengenai
teknik Planning (penalaran)
Planning (penalaran):
1. Dunia Balok
2. Goal-Stack-Planning (GSP)
3. Constraint Posting (CP)
Ceramah,
diskusi,
mengerjakan
studi kasus
Dunia Balok,
praktikum.
Minimal mencapai
level dasar
4%
17 Mahasiswa mampu
mengimplementasikan teknik dasar
Planning untuk penyelesaian masalah
dunia nyata.
Responsi Implementasi
teknik dasar
Planning,
praktikum.
Minimal mencapai
level dasar
7
18 Memberikan pemahaman mengenai
teknik learning (pembelajaran)
Decision tree learning:
1. Entropy
2. Information gain
3. Algoritma ID3
Ceramah,
diskusi,
mengerjakan
studi kasus
Decision tree,
praktikum.
Minimal mencapai
level dasar
3%
19 Memberikan pemahaman mengenai
teknik learning (pembelajaran)
Naïve Bayes Ceramah,
diskusi,
mengerjakan
studi kasus
Naïve bayes,
praktikum.
Minimal mencapai
level dasar
3%
20-21 Memberikan pemahaman mengenai
teknik learning (pembelajaran)
Jaringan Syaraf Tiruan:
1. Model Sel Syaraf (Neuron) 2. Fungsi Aktivasi 3. Proses Belajar
4. JST dengan metode belajar supervised learning
5. Multi Layer Perceptron (MLP)
Ceramah,
diskusi,
mengerjakan
studi kasus JST,
praktikum.
Minimal mencapai
level dasar
3%
22 Mahasiswa mampu
mengimplementasikan teknik dasar
Learning untuk penyelesaian masalah
dunia nyata.
Responsi Implementasi
teknik dasar
learning,
praktikum.
Minimal mencapai
level dasar.
8
23 Mengukur kemampuan mahasiswa
dalam menggunakan teknik kecerdasan
mesin untuk menyelesaikan studi kasus
yang dihadapi.
Kuis Evaluasi
dengan
mengerjakan
studi kasus
teknik
kecerdasan
mesin,
praktikum.
Minimal mencapai
level dasar.
24-28 Mengukur kemampuan mahasiswa
dalam mengimpementasikan teknik
kecerdasan mesin untuk menyelesaikan
studi kasus yang dihadapi.
Tugas besar 2 Mengimplemen
tasikan teknik
kecerdasan
mesin dan
mengevaluasin
ya dengan
presentasi dan
dengan demo
program,
praktikum.
Minimal mencapai
level dasar.
15%
UAS 25%
9
C. RANCANGAN TUGAS
Kode mata Kuliah CSG3G3
Nama Mata Kuliah Kecerdasan Artifisial
Kemampuan Akhir yang Diharapkan Mahasiswa dapat mengimpementasikan teknik Searchingdengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
Minggu/Pertemuan ke 7-14
Tugas ke Tugas Besar 1
1. Tujuan tugas: Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik Searchingdengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
2. Uraian Tugas: Kelompok
1 Tugas Besar ini dikerjakan secara berkelompok, setiap kelompok terdiri dari maksimal 3
orang.
2 Diharapkan masing-masing anggota kelompok dapat benar-benar berkontribusi atas
pekerjaan kelompoknya, serta memperkecil kemungkinan ‘anggota pasif’ di dalam
kelompok.
3 Pada dasarnya, meskipun tugas ini dilakukan secara berkelompok, penilaian yang
dilakukan oleh dosen tetap mengacu pada kinerja setiap anggota kelompok.
Tahap Pengerjaan
1. Tahap Coding/Implementasi
Kelompok Tubes membuat program sesuai algoritma/pseudocode yang tepat
(berdasarkan referensi yang relevan).
Program yang dibuat Harus Original atau karya sendiri, bukan merupakan Plagiat
dengan cara apapun, dan dibangun dalam bahasa pemrograman JAVA.
Pelanggaran pada originalitas Tugas Besar ini akan mengakibatkan minimal nilai
Mata Kuliah KMA mahasiswa/kelompok yang bersangkutan menjadi E.
Program yang dibangun bertujuan memberikan solusi sesuai permasalahan yang
diberikan
Tahap ini ditargetkan selesai pada 9-13 Maret 2015.
2. Tahap Penilaian/Presentasi
Dilakukan presentasi hasil pengerjaan Tugas Besar di hadapan Dosen dan/atau
Asdos.
Presentasi dilakukan dengan jadwal tentative, sesuai kebijakan Dosen kelas masing-
masing. Namun, diharapkan telah selesai dinilai selambat-lambatnya 1 minggu
setelah UTS.
Penilaian terdiri dari 2 komponen, yaitu
a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota
kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini.
10
b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur
plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi
program.
Studi Kasus Tugas Besar
1. Diberikan beberapa studi kasus terkait permasalahan TSP (Travelling Salesman
Problem): “16Ulysses”, “22Ulysses”, “52Berlin”, “194Qatar”, dan “734Uruguay”.
Masing-masing studi kasus TSP tersebut memiliki data dan Best Known Solution.
2. Data dari setiap studi kasus (pada file *.tsp) berupa ID/nomor titik (node) beserta
koordinatnya masing-masing pada 2 sumbu. Cost antar titik berasal dari jarak garis
lurus antar titik yang dihitung dari posisi/koordinat masing-masing pasangan titik. Best
Known Solution menunjukkan cost terrendah yang dapat dicapai dengan rute TSP
tertentu. File data studi kasus yang diberikan boleh diubah (secara manual) menjadi file
bertipe lain, misalnya .xls, .csv, .txt, atau yang lainnya.
3. Tugas mahasiswa adalah membangun program Genetic Algoritma untuk
menyelesaikan setiap studi kasus TSP, dengan menghasilkan solusi berupa rute TSP
untuk setiap studi kasus sehingga mendekati atau bahkan mencapai Best Known
Solution yang diberikan.
4. Mahasiswa hanya diminta membuat 1 program GA untuk TSP, yang dapat menerima
masukan data dari masing-masing studi kasus. Solusi rute TSP yang dihasilkan
kemudian dihitung cost-nya dan dibandingkan dengan Best Known Solution untuk
mengukur optimality solusi dari program yang telah dibangun.
3. Kriteria penilaian: Penilaian terdiri dari 2 komponen, yaitu
a. Nilai individu: Didasarkan pada kemampuan dan pengetahuan setiap anggota
kelompok. Memiliki bobot nilai 50% dari Tugas Besar Ke-1 ini.
b. Nilai kelompok: Didasarkan pada hasil akhir program: ada tidaknya unsur
plagiarisme, kesesuaian dengan konsep algoritma, dan akurasi/performansi
program.
Kode mata Kuliah CSG3G3
Nama Mata Kuliah Kecerdasan Artifisial
Kemampuan Akhir yang Diharapkan Mahasiswa dapat mengimpementasikan teknik Learning dengan bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi.
Minggu/Pertemuan ke 24-28
Tugas ke Tugas Besar 2
1. Tujuan tugas: Mengukur kemampuan mahasiswa dalam mengimpementasikan teknik Learningdengan
11
bahasa pemrograman untuk menyelesaikan studi kasus yang dihadapi. 2. Uraian Tugas:
a. Kelompok mengikuti kelompok pada tugas besar I KMA b. Bahasa pemrograman ditentukan oleh dosen kelas (UNW : Java) c. PLAGIARISME terhadap kode sumber dikenakan pinalti E untuk matakuliah KMA.
Asisten akan melakukan pemeriksaan terhadap kode sumber ini. Baik yang membagi kode dan yang melakukan plagiarisme akan mendapatkan pinalti yang sama.
d. Fungsionalitas berikut dibangun sendiri (Programming 65 poin)
Load dataset learning dalam format Comma Separated value ke Memory / Database, (nilai 20 %) / ada tidaknya bug
Perhitungan probabilitas Dependent dan Probabilitas Independent dari data yang
Pembangunan system learning menggunakan Jaringan Syaraf Tiruan : Backpropagation (Nilai 25%)
Load dan klasifikasi dataset testing (jml attribute sama, namun jml instance variable) dalam format Comma separated value ke memory (nilai 25%) / Proses testing
Perhitungan akurasi hasil klasifikasi dan analisa perbandingan naïve bayes dan JST (nilai 15%)
Poin c dan d akan di cek pada saat presentasi. e. Studi kasus yang dihadapi adalah : Car evaluation dataset yang dapat diunduh dari
http://sci2s.ugr.es/keel/dataset.php?cod=56 f. Tugas wajib dipresentasikan di hadapan Asisten dengan nilai :
Programming 65 poin
Presentasi 15 poin
Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa). g. Waktu pengerjaan Tugas Besar : 2 Minggu, Presentasi 1 Minggu dari tugas pertama kali
diberikan.
3. Kriteria penilaian: Tugas wajib dipresentasikan di hadapan Asisten dengan nilai :
Programming 65 poin
Presentasi 15 poin
Dokumentasi 20 poin (Kode Sumber, Fungsionalitas lain, Analisa)
D. PENILAIAN DENGAN RUBRIK
Jenjang (Grade)
Angka (Skor)
Deskripsi perilaku (Indikator)
E (Sangat kurang)
≤ 40 Tidak ada ide yang jelas untuk menyelesaikan masalah
D (Kurang)
40.01-50 Ada ide yang dikemukakan, namun kurang sesuai dengan permasalahan
C (Cukup) 50.01-60 Ide yang dikemukakan jelas dan sesuai, namun kurang inovatif
BC (Cukup Baik)
60.01-65 Ide yang dikemukakan jelas, mampu menyelesaikan masalah, cukup inovatif, cakupan tidak terlalu luas
B (Baik) 65.01-70 Ide yang dikemukakan jelas, mampu menyelesaikan masalah, inovatif, cakupan tidak terlalu luas
AB (Lebih 70.01-80 Ide yang dikemukakan jelas, mampu menyelesaikan masalah,
12
dari Baik) inovatif, cakupan cukup luas
A (Sangat Baik)
80.01-100 Ide, jelas, inovatif, dan mampu menyelesaikan masalah dengan cakupan luas
E. PENENTUAN NILAI AKHIR MATA KULIAH
KOMPONEN
PENILAIAN
BOBOT KETERANGAN
Tugas Harian + Kuis 25 % Tugas perorangan dan kelompok
Tugas Besar 25 % Mengimplementasikan teknik kecerdasan mesin
dengan menggunakan bahasa pemrograman dan
mengevaluasinya dengan presentasi dan demo
program.
UTS 25 % Ujian perorangan dan on the site.
UAS 25% Ujian perorangan dan on the site.
Nilai Skor Matakuliah (NSM) Nilai Mata Kuliah (NMK)
80.01≤ NSM A
70.01≤ NSM ≤ 80 AB
65.01≤ NSM ≤ 70 B
60.01≤ NSM ≤ 65 BC
50.01≤ NSM ≤ 60 C
40.01≤ NSM ≤ 50 D
NSM ≤ 40 E