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

Sistem Operasi

5528303011

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

3

22 September 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Harmon Prayogi, M.Sc.


Dr. Elly Matul Imah, 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-5

Menguasai konsep matematika, statistika, dan ilmu komputer yang berkaitan dengan kecerdasan artifisial, menguasai teori bidang kecerdasan artifisial secara menyeluruh

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-11

Mampu mengambil keputusan secara tepat berdasarkan prosedur dan standar di bidang kecerdasan artifisial, menunjukkan kepemimpinan dengan bertanggung jawab atas pencapaian hasil kerja tim, melakukan supervisi dan evaluasi terhadap pekerjaan yang menjadi tanggung jawabnya, serta membangun jejaring kerja sama di dalam maupun luar lembaga untuk mendukung inovasi dan pengembangan edu-technoecopreneurship berkelanjutan

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.

Program Objectives (PO)

PO - 1

Linux Command Line dan Shell Scripting

PO - 2

Proses dan Manajemen Memori di Linux

PO - 3

Multithreading dan Concurrency pada Data Pipeline

PO - 4

Sinkronisasi, Race Conditions, dan Deadlock

PO - 5

Pengelolaan I/O dan Storage Optimization

PO - 6

GPU System Architecture dan VRAM Management

PO - 7

Containerization Dasar dengan Docker

PO - 8

Ujian dan Evaluasi Proyek

PO - 9

Docker untuk Machine Learning

PO - 10

Sistem Berkas, Volume, dan Persistensi Data Container

PO - 11

Profiling System Bottlenecks

PO - 12

Virtualization dan Linux Tuning untuk Edge AI / Embedded Systems

PO - 13

Jaringan Dasar, SSH, dan Remote Development

PO - 14

Pengenalan Dasar Service Deployment

Matrik PLO-PO
 
POPLO-1PLO-3PLO-5PLO-7PLO-11PLO-12
PO-1  ✔   
PO-2  ✔   
PO-3  ✔   
PO-4  ✔   
PO-5     ✔
PO-6     ✔
PO-7  ✔   
PO-8✔     
PO-9   ✔  
PO-10    ✔ 
PO-11  ✔   
PO-12  ✔   
PO-13  ✔   
PO-14 ✔    

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✔
PO-6✔
PO-7✔
PO-8✔✔
PO-9✔
PO-10✔
PO-11✔
PO-12✔✔
PO-13✔
PO-14✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Sistem Operasi membahas konsep, prinsip, dan mekanisme dasar sistem operasi sebagai perangkat lunak inti yang mengelola sumber daya komputer dan mendukung eksekusi aplikasi, termasuk sistem kecerdasan artifisial. Materi mencakup struktur dan layanan sistem operasi, manajemen proses dan thread, penjadwalan CPU, sinkronisasi dan deadlock, manajemen memori, sistem berkas, serta manajemen perangkat I/O. Mata kuliah ini juga membahas arsitektur dan mekanisme Kernel Linux, perancangan dan pembuatan sistem operasi sederhana sebagai sarana pemahaman internal OS, serta penerapan sistem operasi pada sistem benam (embedded systems) dan Android. Pembelajaran dilaksanakan secara berbasis proyek dan praktikum, dengan penekanan pada optimalisasi kinerja, manajemen sumber daya, dan dukungan parallel/concurrent computing yang relevan bagi pengembangan dan implementasi sistem kecerdasan artifisial.

Pustaka

Utama :

  1. Stallings, Williams. 2015. Operating systems: Internals and Design Principles Eighth Edition. United States: Pearson Prentice-Hall.
  2. A. Silberschatz, P. B. Galvin, and G. Gagne, Operating System Concepts, 10th ed. Wiley, 2024.
  3. A. S. Tanenbaum and H. Bos, Modern Operating Systems, 4th ed. Pearson, 2015.

Pendukung :

Dosen Pengampu

Harmon Prayogi, M.Sc.

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

Mahasiswa mampu bernavigasi dan mengotomatisasi alur kerja menggunakan lingkungan Linux

Menggunakan perintah CLI Linux (grep, awk), manipulasi berkas, dan penulisan skrip shell otomasi.
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
2%

2

Minggu ke 2

Mahasiswa memahami abstraksi, siklus hidup, serta kontrol proses dan threads pada OS.

Menganalisis Process State, menggunakan utilitas monitoring (top, htop), dan mengontrol sinyal proses.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
2%

3

Minggu ke 3

Mahasiswa memahami konsep memori virtual, paging, dan mekanisme pencegahan kegagalan sistem akibat kehabisan memori.

Memantau statistik RAM/Swap, mendeteksi peristiwa OOM Killer via kernel log, dan mengimplementasikan chunking data.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
2%

4

Minggu ke 4

Mahasiswa mampu menerapkan pemrosesan paralel pada CPU multi-core untuk mempercepat pipa data AI.

Menganalisis dampak GIL di Python, serta membandingkan performa multithreading (I/O-bound) vs multiprocessing (CPU-bound)
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
0%

5

Minggu ke 5

Mahasiswa memahami konsep ketersediaan sumber daya bersama, penanganan race condition, dan pencegahan deadlock.

Menerapkan Mutex, Semaphore, dan Lock pada shared resources dalam skenario pemrosesan data paralel.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
0%

6

Minggu ke 6

Mahasiswa mampu mengoptimalkan performa I/O dan sistem berkas saat memuat data berskala besar.

Menganalisis kecepatan read/write, mengimplementasikan memory-mapped files (mmap), dan data caching.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
0%

7

Minggu ke 7

Mahasiswa memahami arsitektur akselerasi hardware (GPU/NPU) dan pengelolaan VRAM.

Menggunakan perintah nvidia-smi, memantau alokasi VRAM, dan mengoptimalkan transfer data Host (RAM) ke Device (VRAM).

 Luring / Practical Hands-on
150 menit
8%

8

Minggu ke 8

Ujian Tengah Semester (UTS)


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Project-based Practical Exam
150 menit
20%

9

Minggu ke 9

Mahasiswa mampu melakukan isolasi lingkungan eksekusi AI menggunakan teknologi container.

Menyusun Dockerfile yang efisien untuk environment AI (Python/PyTorch) dan membatasi alokasi CPU/RAM.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
0%

10

Minggu ke 10

Mahasiswa mampu mengonfigurasi passthrough perangkat keras akselerator ke dalam container.

Menghubungkan NVIDIA Container Toolkit ke Docker dan memastikan skrip AI di dalam container dapat mengakses GPU/RAM.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
5%

11

Minggu ke 11

Mahasiswa mampu mengelola persistensi data dan storage terisolasi pada lingkungan kontainer.

Mengonfigurasi Docker Volumes dan Bind Mounts untuk mengamankan berkas model checkpoint dan logs pelatihan.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
3%

12

Minggu ke 12

Mahasiswa mampu melakukan diagnostik dan deteksi hambatan (bottleneck) sistem pada alur kerja AI.

Menggunakan profiler (cProfile, PyTorch Profiler, TensorBoard) untuk menganalisis pemanfaatan CPU, VRAM, dan Disk I/O.

 Luring / Practical Hands-on
150 menit
4%

13

Minggu ke 13

Mahasiswa memahami konsep virtualisasi dan optimasi kernel untuk penerapan AI pada perangkat edge.

Menjalankan VM/Hypervisor ringan (KVM/QEMU) dan melakukan penyesuaian services/kernel pada perangkat berdaya rendah.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
4%

14

Minggu ke 14

Mahasiswa mampu melakukan konfigurasi komunikasi jaringan aman untuk akses infrastruktur komputasi jarak jauh.

Mengonfigurasi SSH key-based authentication, port forwarding, dan sesi remote development (VS Code / Jupyter).

 Luring / Practical Hands-on
150 menit
0%

15

Minggu ke 15

Mahasiswa mampu mendepresikan model AI sebagai layanan sistem (system service) yang andal.

Mengonfigurasi daemon systemd atau layanan API terisolasi (FastAPI Docker) agar dapat berjalan otomatis di OS.
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring / Practical Hands-on
150 menit
10%

16

Minggu ke 16

Ujian Akhir Semester (UAS)

Mempresentasikan dan mendemonstrasikan hasil deployment proyek sistem AI yang terprofil, terisolasi, dan teroptimasi.

 Presentasi proyek akhir
150 menit
40%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 1%
2. Praktik / Unjuk Kerja 47%
48%

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.