Course Pembelajaran Mesin

Deskripsi Mata Kuliah

Mata kuliah Pembelajaran Mesin membahas prinsip dan algoritma pembelajaran mesin yang memungkinkan sistem belajar dari data dan meningkatkan kinerja secara otomatis. Materi inti mencakup supervised learning (regresi dan klasifikasi), unsupervised learning, reinforcement learning, kernel learning, support vector machine, dimensionality reduction, model evaluation, overfitting–underfitting, optimasi, dan ensemble methods. Kompetensi yang ditargetkan adalah kemampuan mahasiswa dalam memahami teori dasar machine learning, memilih algoritma yang sesuai dengan karakteristik data, mengimplementasikan model secara komputasional, serta mengevaluasi dan menginterpretasikan hasil pembelajaran mesin secara kritis.

CPMK

Menjelaskan konsep, paradigma, dan prinsip dasar pembelajaran mesin serta kemampuan generalisasi model dalam pengembangan sistem kecerdasan artifisial.
Menganalisis dan menyiapkan data menggunakan teknik representasi data, prapemrosesan, dan feature engineering untuk mendukung proses pembelajaran mesin.

Mengimplementasikan teknik optimasi dan pembelajaran mesin tingkat lanjut untuk meningkatkan kemampuan pemodelan dan performa sistem.
Mengevaluasi dan menginterpretasikan performa model pembelajaran mesin menggunakan metode validasi, metrik evaluasi, dan teknik pengendalian kompleksitas model.
Merancang, mengimplementasikan, mengevaluasi, dan mengomunikasikan solusi berbasis pembelajaran mesin untuk menyelesaikan permasalahan nyata secara kritis, sistematis, dan bertanggung jawab.

Aktifitas Pembelajaran

Pertemuan 1

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

Date 7 September 2026

Pertemuan 2
Melakukan representasi dan prapemrosesan data.
Date 14 September 2026

Pertemuan 3

Menganalisis dan membangun representasi fitur yang sesuai dengan karakteristik data untuk meningkatkan kualitas pembelajaran model.

Date 21 September 2026

Pertemuan 4
Membangun model klasifikasi dan menganalisis decision boundary.
Date 28 September 2026
Pertemuan 5
Support Vector Machine dan kernel learning untuk menyelesaikan permasalahan klasifikasi linear maupun nonlinier.
Date 5 Oktober 2026
Pertemuan 6
Dan menerapkan metode regresi untuk pemodelan hubungan antarvariabel dan prediksi nilai kontinu.
Date 12 Oktober 2026
Pertemuan 7
Dan mengevaluasi model pembelajaran mesin serta menganalisis kemampuan generalisasinya.
Date 19 Oktober 2026

Pertemuan 8

Konsep dan algoritma pembelajaran mesin yang telah dipelajari pada pertemuan 1–7 untuk menyelesaikan permasalahan secara konseptual dan komputasional.

Date 26 Oktober 2026

Pertemuan 9
Memodelkan permasalahan pengambilan keputusan sebagai state machine dan Markov Decision Process.
Date 2 November 2026

Pertemuan 10

Dan menerapkan konsep dasar reinforcement learning untuk memperoleh kebijakan pengambilan keputusan melalui interaksi dengan lingkungan.

Date 9 November 2026

Pertemuan 11
Dan menerapkan jaringan saraf untuk memodelkan ketergantungan temporal pada data berurutan.
Date 16 November 2026
Pertemuan 12
Dan menerapkan pendekatan sistem rekomendasi berdasarkan karakteristik data pengguna dan item.
Date 23 November 2026
Pertemuan 13
Metode ensemble learning untuk meningkatkan stabilitas dan kinerja model pembelajaran mesin.
Date 30 November 2026

Pertemuan 14

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.

Date 7 Desember 2026

Pertemuan 15
Melakukan optimasi dan evaluasi model proyek.
Date 14 Desember 2026
Pertemuan 16
Mempresentasikan hasil proyek machine learning secara ilmiah.
Date 21 Desember 2026