Course Pembelajaran Mesin

Deskripsi Mata Kuliah

Kuliah ini membahas dasar-dasar pemelajaran mesin (machine learning), yaitu teknik pengembangan perangkat lunak yang dapat menghasilkan model untuk menjelaskan suatu fenomena kompleks dengan cara mengamati sejumlah data. Metode-metode yang diajarkan berbasis pendekatan matematis pada supervised learning, unsupervised learning, dan reinforcement learning. Antara lain perceptron, support vector machines, hidden Markov models, expectation maximization, Deep learning, dan lain-lain

CPMK

Memahami konsep dasar pembelajaran mesin, konsep pembelajaran, dan pra pembelajaran yang meliputi seleksi fitur dan ekstrasi fitur
Mampu memahami dan menerapkan beberapa model supervised learning seperti ensemble learning, probabilistik learning, linier dan kernel SVM

Mampu memahami dan menerapkan beberapa model unsupervised learning seperti HDBSCAN dan GMM, serta ensemble learning seperti bagging, boosting, voting, dan stacking
Mampu memahami dan menerapkan beberapa model deep learning seperti backpropagation, DNN, CNN, RNN, LSTM, dan transformer
Mahasiswa mampu merancang penyelesaian masalah menggunakan teknik pembelajaran mesin

Aktifitas Pembelajaran

Pertemuan 1
Dan menjelaskan konsep dan proses alur pembelajaran mesin, serta evaluasi model dalam pembelajaran mesin
Date 5 Februari 2026

Pertemuan 2

Dan mengatasi data imbalance menggunakan teknik SMOTE dan Adasyn, memahami dan menerapkan beberapa metode seleksi fitur, serta mengimplementasikan teknik imbalance handling dan seleksi fitur pada permasalahan nyata

Date 12 Februari 2026

Pertemuan 3

Dan menjelaskan teknik feature engineering dalam berbagai jenis data, metode ekstraksi fitur (PCA, LDA, dan ICA), serta mengimplementasikan teknik feature engineering dan ekstraksi fitur pada permasalahan nyata

Date 19 Februari 2026

Pertemuan 4

Dan menjelaskan konsep probabilistik learning dalam permasalahan supervised learning, dan mengimplementasikan probalilistik learning pada permasalahan nyata

Date 26 Februari 2026

Pertemuan 5

Dan menjelaskan metode linier SVM untuk masalah klasifikasi biner dan multi class, serta mengimplementasikan metode linier SVM pada permasalahan nyata

Date 5 Maret 2026

Pertemuan 6

Dan menjelaskan metode kernel SVM seperti polynomial, RBF, dan Sigmoid, serta mengimplementasikan metode kernel SVM pada permasalahan nyata

Date 12 Maret 2026

Pertemuan 7

Dan menjelaskan metode unsupervised learning (HBDSCAN, GMM), metode evaluasi pada unsupervised learning, serta mengimplementasikan metode unsupervised learning pada permasalahan nyata

Date 19 Maret 2026

Pertemuan 8
Permasalahan nyata menggunakan teknik pembelajaran mesin yang telah dipelajari
Date 26 Maret 2026

Pertemuan 9

Dan menjelaskan metode tree based learning dan ensemble learning dengan pendekatan Bagging, Boosting, Voting, dan Stacking (Random Forest), serta mengimplementasikan metode tree based learning dan ensemble learning pada permasalahan nyata

Date 2 April 2026

Pertemuan 10

Dan menjelaskan konsep metode Multi Layer Perceptron (MLP), Backpropagation pada metode MLP, serta mengimplementasikan metode MLP dengan pendekatan backpropagation pada permasalahan nyata

Date 9 April 2026

Pertemuan 11

Dan menjelaskan konsep deep learning, deep learning pada data sekuensial, serta mengimplementasikan metode RNN dan LSTM pada permasalahan nyata

Date 16 April 2026

Pertemuan 12
Dan menjelaskan konsep Transformer, BERT, dan mengimplementasikan metode BERT pada permasalahan nyata
Date 23 April 2026
Pertemuan 13
Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin
Date 30 April 2026
Pertemuan 14
Masalah menggunakan teknik pembelajaran mesin
Date 7 Mei 2026
Pertemuan 15
Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin
Date 14 Mei 2026
Pertemuan 16
Masalah menggunakan teknik pembelajaran mesin
Date 21 Mei 2026