13
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

RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

Embed Size (px)

Citation preview

Page 1: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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

Page 2: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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

Page 3: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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

Page 4: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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.

Page 5: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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%

Page 6: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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%

Page 7: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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

Page 8: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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.

Page 9: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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%

Page 10: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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.

Page 11: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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

Page 12: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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,

Page 13: RENCANA PEMBELAJARAN SEMESTER (RPS) - …sonia.soc.telkomuniversity.ac.id/cdn/rps/S1 Teknik...4 B. RENCANA PEMBELAJARAN SEMESTER (RPS) Pertemuan ke- Kemampuan Akhir yang Diharapkan

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