Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Kecerdasan Artifisial

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Pembelajaran Mesin

5528303006

T=2

P=1

ECTS=4.77

3

1 September 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Elly Matul Imah, M. Kom.


Riskyana Dewi Puspitasari, M. Kom.


ELLY MATUL IMAH

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-1

Mampu menunjukkan nilai-nilai agama, kebangsaan dan budaya nasional, serta etika akademik dalam melaksanakan tugasnya

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-6

Mampu mengelola data (mengumpulkan, membersihkan, merekonstruksi, dan mengintegrasikan), merancang dan mengimplementasikan sistem (khususnya terkait Big Data), serta menganalisis dan mengekstraksi makna menggunakan metode kecerdasan artifisial untuk mendukung pengambilan keputusan bisnis dan mengevaluasi performa tindakan yang dihasilkan.

PLO-7

Mampu merancang skenario dan membangun model kecerdasan artifisial, mengevaluasi hasil pemodelan dan mereview proses pemodelan, melakukan deployment model dan memelihara model, melakukan review proyek kecerdasan artifisial dan membuat laporan akhir.

PLO-12

Menguasai teori dan konsep teknologi informasi, dan kecerdasan artifisial baik dari sisi komputasi maupun manajemen informasi untuk menyelesaikan masalah kecerdasan artifisial dengan AI human-centred mindset.

PLO-13

Mampu merancang dan mengimplementasikan kecerdasan artifisial dalam penyelesaian masalah nyata menggunakan berbagai metode dan algoritma kecerdasan artifisial

Program Objectives (PO)

PO - 1

Menjelaskan konsep, paradigma, dan prinsip dasar pembelajaran mesin serta kemampuan generalisasi model dalam pengembangan sistem kecerdasan artifisial.

PO - 2

Menganalisis dan menyiapkan data menggunakan teknik representasi data, prapemrosesan, dan feature engineering untuk mendukung proses pembelajaran mesin.

PO - 3

Mengimplementasikan teknik optimasi dan pembelajaran mesin tingkat lanjut untuk meningkatkan kemampuan pemodelan dan performa sistem.

PO - 4

Mengevaluasi dan menginterpretasikan performa model pembelajaran mesin menggunakan metode validasi, metrik evaluasi, dan teknik pengendalian kompleksitas model.

PO - 5

Merancang, mengimplementasikan, mengevaluasi, dan mengomunikasikan solusi berbasis pembelajaran mesin untuk menyelesaikan permasalahan nyata secara kritis, sistematis, dan bertanggung jawab.

Matrik PLO-PO
 
POPLO-1PLO-3PLO-6PLO-7PLO-12PLO-13
PO-1     ✔
PO-2 ✔    
PO-3  ✔   
PO-4    ✔ 
PO-5✔     

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔✔
PO-2✔✔
PO-3✔✔
PO-4✔✔✔✔✔✔
PO-5✔✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Machine Learning merupakan mata kuliah berbasis project dengan prasyarat telah menempuh mata kuliah Aljabar Matriks, dan Konsep Dasar Kecredasan Artifisial. Mata kuliah ini membahas prinsip, algoritma, dan penerapan pembelajaran mesin dalam perspektif pemodelan dan prediksi. Pembahasan mencakup perumusan permasalahan pembelajaran, representasi data dan fitur, kapasitas model, overfitting, underfitting, dan generalisasi sebagai landasan dalam membangun model pembelajaran mesin yang efektif. Materi mencakup pendekatan supervised learning, unsupervised learning, dan reinforcement learning, meliputi algoritma klasifikasi, regresi, dasar jaringan saraf tiruan, kernel learning, support vector machine, dimensionality reduction, clustering, optimasi, dan ensemble methods, serta pembelajaran berbasis urutan temporal dan sistem rekomendasi. Konsep-konsep tersebut diterapkan pada berbagai jenis data, termasuk citra, data temporal, dan data berdimensi tinggi, melalui tahapan perumusan masalah, prapemrosesan data, pemodelan, evaluasi, interpretasi, dan implementasi solusi pembelajaran mesin.

Pustaka

Utama :

  1. Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
  2. Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.

Pendukung :

  1. Elly Matul Imah, Riskyana D I Puspitasari, Violent crowd flow detection from surveillance cameras using deep transfer learning–gated recurrent unit, https://onlinelibrary.wiley.com/doi/10.4218/etrij.2023-0222

Dosen Pengampu

Prof. Dr. Ir. Lilik Anifah, S.T., M.T.

Dr. Elly Matul Imah, M.Kom.

Riskyana Dewi Intan Puspitasari, M.Kom.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Mampu menjelaskan paradigma pembelajaran mesin, jenis-jenis pembelajaran mesin, konsep ruang hipotesis, fungsi target, serta prinsip generalisasi model dalam pengembangan sistem kecerdasan artifisial.

Menjelaskan konsep ML, supervised, unsupervised, reinforcement learning, dan generalisasi model.

 Kriteria:

Ketepatan penjelasan konsep, kelengkapan analisis, dan penggunaan terminologi yang benar.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3x50
Materi: Pengantar Machine Learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 1%

2

Minggu ke 2

Mampu melakukan representasi dan prapemrosesan data.

Mampu menjelaskan struktur perceptron dan basic artifisial neural network; menentukan decision boundary; mengimplementasikan jaringan saraf tiruan sederhana; menganalisis hasil klasifikasi.

 Kriteria:

Ketepatan teknik yang digunakan dan kualitas data hasil pengolahan.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3x50
0%

3

Minggu ke 3

Mahasiswa mampu menganalisis dan membangun representasi fitur yang sesuai dengan karakteristik data untuk meningkatkan kualitas pembelajaran model.

Mampu mengidentifikasi fitur yang relevan; melakukan normalisasi dan transformasi; menerapkan representasi fitur sederhana; membandingkan representasi data; menjelaskan pengaruh representasi terhadap performa model.

 Kriteria:

Ketepatan pemilihan model, implementasi, dan interpretasi hasil.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50 menit
Materi: Regresi dan Prediksi Numerik
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 2%

4

Minggu ke 4

Mampu membangun model klasifikasi dan menganalisis decision boundary.

Mampu menjelaskan margin; membedakan hard margin dan soft margin; mengidentifikasi support vectors; menganalisis pengaruh margin terhadap generalisasi.

 Kriteria:

Ketepatan model, analisis decision boundary, dan kualitas hasil klasifikasi.


Bentuk Penilaian :
Penilaian Portofolio, Praktik / Unjuk Kerja		 Luring
3 x 50 menit
Materi: Teori Klasifikasi dan Decision Boundary
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 2%

5

Minggu ke 5

Mahasiswa mampu menerapkan Support Vector Machine dan kernel learning untuk menyelesaikan permasalahan klasifikasi linear maupun nonlinier.

Mampu mengimplementasikan SVM; memilih kernel yang sesuai; melakukan hyperparameter tuning; membandingkan kinerja beberapa konfigurasi SVM; menginterpretasikan hasil.

 Kriteria:

Ketepatan penggunaan metrik dan kualitas interpretasi hasil evaluasi.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50 menit
Materi: Evaluasi Model dan Generalisasi
Pustaka: Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.		 1%

6

Minggu ke 6

Mahasiswa mampu menjelaskan dan menerapkan metode regresi untuk pemodelan hubungan antarvariabel dan prediksi nilai kontinu.

Mampu membangun model regresi; menghitung MAE, MSE, RMSE, dan R²; menganalisis kesalahan prediksi; menjelaskan pengaruh regularisasi; menginterpretasikan koefisien model.

 Kriteria:

Ketepatan analisis dan efektivitas solusi yang diberikan.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3x50 menit
Materi: Overfitting, Underfitting, dan Regularisasi
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 4%

7

Minggu ke 7

Mahasiswa mampu mengoptimalkan dan mengevaluasi model pembelajaran mesin serta menganalisis kemampuan generalisasinya.

Mampu menerapkan metode optimasi; memilih metrik evaluasi sesuai jenis permasalahan; menerapkan cross-validation; mengidentifikasi overfitting/underfitting; melakukan hyperparameter tuning; menginterpretasikan hasil evaluasi.

 Kriteria:

Ketepatan implementasi, pemilihan kernel, dan analisis hasil.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Support Vector Machine dan Kernel Learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 3%

8

Minggu ke 8

Mahasiswa mampu mengintegrasikan konsep dan algoritma pembelajaran mesin yang telah dipelajari pada pertemuan 1–7 untuk menyelesaikan permasalahan secara konseptual dan komputasional.
  1. Menyelesaikan soal konseptual dan studi kasus.
  2. Mampu menjelaskan konsep; menganalisis karakteristik data; memilih algoritma yang tepat; melakukan analisis/perhitungan; menginterpretasikan hasil model.
 Kriteria:

Ketepatan konsep, analisis, perhitungan, dan pemecahan masalah. Bentuk: ujian tertulis dan/atau studi kasus.


Bentuk Penilaian :
Tes		 Luring
3x50 menit
15%

9

Minggu ke 9

Mahasiswa mampu memodelkan permasalahan pengambilan keputusan sebagai state machine dan Markov Decision Process.

Mampu mengidentifikasi state, action, transition, dan reward; membangun representasi MDP; menjelaskan Markov property; menentukan policy dan value function.

 Kriteria:

Ketepatan ketepatan pemodelan dan analisis.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Luring
3 x 50
Materi: Optimasi dalam Machine Learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 2%

10

Minggu ke 10

Mahasiswa mampu menjelaskan dan menerapkan konsep dasar reinforcement learning untuk memperoleh kebijakan pengambilan keputusan melalui interaksi dengan lingkungan.

Mampu mengidentifikasi komponen RL; menjelaskan eksplorasi dan eksploitasi; menerapkan Q-learning; memperbarui nilai Q; menginterpretasikan policy yang dihasilkan.

 Kriteria:

Ketepatan implementasi dan efektivitas solusi optimasi.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50menit
Materi: Evolutionary Machine Learning dan Genetic Algorithm
Pustaka: Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.		 2%

11

Minggu ke 11

Mahasiswa mampu menjelaskan dan menerapkan jaringan saraf untuk memodelkan ketergantungan temporal pada data berurutan.

Mampu menjelaskan mekanisme RNN; menjelaskan fungsi hidden state; menyiapkan data sekuens; membangun RNN sederhana; menjelaskan keunggulan LSTM/GRU; mengevaluasi hasil prediksi.

 Kriteria:

Ketepatan arsitektur, implementasi, dan evaluasi.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Dimensionality Reduction dan Representation Learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 5%

12

Minggu ke 12

Mahasiswa mampu menjelaskan dan menerapkan pendekatan sistem rekomendasi berdasarkan karakteristik data pengguna dan item.

Mampu menjelaskan prinsip sistem rekomendasi; membedakan content-based dan collaborative filtering; membangun rekomendasi sederhana; mengevaluasi kualitas rekomendasi.

 Kriteria:

Ketepatan pemilihan pendekatan, implementasi, dan evaluasi.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50
Materi: Enseble learning;
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
Materi: Reinforcement learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 5%

13

Minggu ke 13

Mahasiswa mampu menerapkan metode ensemble learning untuk meningkatkan stabilitas dan kinerja model pembelajaran mesin.

Mampu menjelaskan prinsip ensemble learning; membedakan bagging dan boosting; menerapkan Random Forest/Boosting; membandingkan performa model; menganalisis kelebihan dan keterbatasan ensemble.

 Kriteria:

Kesesuaian pemilihan metode, implementasi, dan analisis komparatif.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Presentasi Ide Proyek Machine Learning
Pustaka: Elly Matul Imah, Riskyana D I Puspitasari, Violent crowd flow detection from surveillance cameras using deep transfer learning–gated recurrent unit, https://onlinelibrary.wiley.com/...
Materi: Aplikasi machine learning
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 8%

14

Minggu ke 14

Mahasiswa mampu merancang, mempresentasikan usulan solusi pembelajaran sederhana untuk permasalahan nyata dengan pendekatan logis, sistematis, dan human-centred. Khususnya berkaitan dengan SDG's 1, 4, 9, 12.

Menunjukkan kemampuan pemahaman konsep dan perumusan masalah serta ketepatan solusi metode pembelajaran mesin yang diusulkan.

 Kriteria:

Kesesuaian progres dengan proposal dan kualitas implementasi awal.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Luring
3 x 50 menit
Materi: Aplikasi machine learning
Pustaka: Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
Materi: Project contoh
Pustaka: Elly Matul Imah, Riskyana D I Puspitasari, Violent crowd flow detection from surveillance cameras using deep transfer learning–gated recurrent unit, https://onlinelibrary.wiley.com/...
Materi: Implementasi
Pustaka: Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.		 10%

15

Minggu ke 15

Mampu melakukan optimasi dan evaluasi model proyek.

Menunjukkan kemajuan proyek dan kesesuaian dengan usulan, peningkatan performa model dan analisis hasil.

 Kriteria:

Kualitas optimasi, evaluasi, dan interpretasi hasil.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Luring
3 x 50 menit
15%

16

Minggu ke 16

Mampu mempresentasikan hasil proyek machine learning secara ilmiah.

Menjelaskan metode, hasil, evaluasi, dan kontribusi solusi yang dikembangkan.

 Kriteria:

Kualitas solusi, performa model, argumentasi ilmiah, komunikasi, dan etika akademik.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Luring
3 x 50 menit
Materi: Implementasi
Pustaka: Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
Materi: Contoh proyek
Pustaka: Elly Matul Imah, Riskyana D I Puspitasari, Violent crowd flow detection from surveillance cameras using deep transfer learning–gated recurrent unit, https://onlinelibrary.wiley.com/...		 25%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 7%
2. Penilaian Hasil Project / Penilaian Produk 52.5%
3. Penilaian Portofolio 24.5%
4. Praktik / Unjuk Kerja 1%
5. Tes 15%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.
  5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
  6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
  7. Bentuk penilaian: tes dan non-tes.
  8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
  9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
  10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
  11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.