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

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Instrumentasi Cerdas

4520102291

Mata Kuliah Pilihan Program Studi

T=2

P=0

ECTS=3.18

6

30 Juli 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Endah Rahmawati, S.T., M.Si.


Dr. Endah Rahmawati, S.T., M.Si.


MUNASIR

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

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-7

Menguasai pengetahuan tentang teknologi yang berdasarkan Fisika dan penerapannya.

Program Objectives (PO)

PO - 1

Mahasiswa mampu menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

PO - 2

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

PO - 3

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

PO - 4

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Matrik PLO-PO
 
POPLO-3PLO-7
PO-1✔ 
PO-2✔ 
PO-3 ✔
PO-4 ✔

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✔✔✔✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Instrumentasi Cerdas memperkenalkan konsep dan aplikasi sistem instrumentasi yang terintegrasi dengan teknologi kecerdasan buatan, pemrosesan sinyal digital, dan jaringan sensor. Isi mata kuliah mencakup prinsip dasar sensor dan aktuator, akuisisi data, teknik pemrosesan sinyal untuk ekstraksi fitur, serta implementasi algoritma kecerdasan seperti jaringan saraf tiruan, logika fuzzy, dan sistem pakar dalam instrumentasi fisika. Tujuannya adalah agar mahasiswa mampu merancang, menganalisis, dan mengembangkan sistem instrumentasi yang adaptif, autonom, dan mampu membuat keputusan cerdas untuk pengukuran dan kontrol dalam eksperimen fisika maupun aplikasi industri. Ruang lingkup meliputi studi kasus dalam fisika eksperimen, monitoring lingkungan, diagnostik sistem, dan otomasi laboratorium, dengan penekanan pada penyelesaian masalah nyata melalui proyek praktikum.

Pustaka

Utama :

  1. Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
  2. Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
  3. Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.

Pendukung :

Dosen Pengampu

Endah Rahmawati, S.T., M.Si.

Dr. Muhimmatul Khoiro, S. Si.

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 menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

Mahasiswa mampu menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi
100 menit
Materi: smart sensor, embedded sensor
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 3%

2

Minggu ke 2

Mahasiswa mampu menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian
Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: embedded instrumentation : studi kasus/ literatur sistem kontrol
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML on control system
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 3%

3

Minggu ke 3

Mahasiswa mampu menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

Mahasiswa mampu menjelaskan konsep dasar dan arsitektur embedded instrumentasi dalam konteks instrumentasi cerdas

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: embedded instrumentation : studi kasus/ literatur sistem kontrol
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML on control system
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 3%

4

Minggu ke 4

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: Maaachine Learning
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.		 5%

5

Minggu ke 5

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: Maaachine Learning
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.		 5%

6

Minggu ke 6

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: Maaachine Learning
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.		 5%

7

Minggu ke 7

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

Mahasiswa mampu menganalisis dan membandingkan algoritma Artificial Intelligence (AI) seperti Machine Learning, Deep Learning, dan Reinforcement Learning yang relevan untuk berbagai aplikasi dalam sistem instrumentasi

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: Maaachine Learning
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.		 6%

8

Minggu ke 8

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for control system
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

9

Minggu ke 9

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for control system
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

10

Minggu ke 10

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

Mahasiswa mampu mendesain dan mengimplementasikan model AI untuk keperluan klasifikasi, identifikasi, dan prediksi dalam sistem instrumentasi cerdas.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi kasus
100 menit
Materi: ML
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for Image Processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for control system
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

11

Minggu ke 11

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian

 Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

12

Minggu ke 12

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 3%

13

Minggu ke 13

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 3%

14

Minggu ke 14

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

15

Minggu ke 15

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 6%

16

Minggu ke 16

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

Mahasiswa mampu mengintegrasikan sistem embedded dan algoritma AI menjadi solusi instrumentasi cerdas yang efisien, responsif, dan adaptif terhadap dinamika lingkungan

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Laporan dan Presentasi Project ML for instrumentation
100 menit
Materi: ML for Instrumentation
Pustaka: Bentsmann, J. Instrumentation, Control and Machine Learning, An Integrative Introduction, 2022.
Materi: ML for image processing
Pustaka: Shing, H. Practical Machine Learning and Image Processing, Apress, 2019.
Materi: ML for Instrumentation
Pustaka: Bhuyan, M. Intelligent Instrumentation, Principles and Applications, CRC Press, 2011.		 28%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 85%
2. Penilaian Hasil Project / Penilaian Produk 9%
94%

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.