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 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.

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

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.

Melakukan preprocessing, encoding, normalisasi, dan feature engineering.

 Kriteria:

Ketepatan teknik yang digunakan dan kualitas data hasil pengolahan.


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3x50
Materi: Representasi Data dan Feature Engineering
Pustaka: Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.		 0%

3

Minggu ke 3

Mengimplementasikan model regresi dan menginterpretasikan hasil prediksi.

 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.		 0%

4

Minggu ke 4

Mampu membangun model klasifikasi dan menganalisis decision boundary.

Mengimplementasikan model klasifikasi dan menjelaskan hasil klasifikasi.

 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

Mampu mengevaluasi performa model menggunakan metrik yang sesuai.

Menghitung dan menginterpretasikan metrik evaluasi dan validasi model.

 Kriteria:

Ketepatan penggunaan metrik dan kualitas interpretasi hasil evaluasi.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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.		 2%

6

Minggu ke 6

Mampu mengidentifikasi dan mengatasi overfitting maupun underfitting.

Menentukan penyebab dan solusi permasalahan generalisasi model.

 Kriteria:

Ketepatan analisis dan efektivitas solusi yang diberikan.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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.		 2%

7

Minggu ke 7

Mampu menerapkan SVM dan memilih kernel yang sesuai.

Kriteria:

Ketepatan implementasi, pemilihan kernel, dan analisis hasil.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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.		 5%

8

Minggu ke 8

Mampu menunjukkan penguasaan materi pertemuan 1–7.

Menyelesaikan soal konseptual dan studi kasus.

 Kriteria:

Ketepatan jawaban, kemampuan analisis, dan penyelesaian masalah.


Bentuk Penilaian :
Tes		 Luring
3x50 menit
20%

9

Minggu ke 9

Mampu menjelaskan dan menerapkan metode optimasi model.

Kriteria:

Ketepatan implementasi dan analisis hasil optimasi.

 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.		 0%

10

Minggu ke 10

Mampu menerapkan Genetic Algorithm untuk optimasi Machine Learning.

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

Mengimplementasikan PCA atau metode reduksi dimensi lainnya.

 Kriteria:

Ketepatan metode dan kualitas representasi data yang dihasilkan.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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.		 4%

12

Minggu ke 12

mampu memahami dan menerapkan nerapkan metode ensemble learning

Mengimplementasikan reinforcemen learning, mampu mengimplementasikan ensemble learning dan membandingkan performa model.

 Kriteria:

Ketepatan implementasi dan kualitas analisis perbandingan model.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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

Mampu merancang proyek machine learning.

Menyusun proposal proyek berisi masalah, dataset, metode, dan evaluasi.

 Kriteria:

Kejelasan rumusan masalah, kelayakan metode, dan kualitas presentasi.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 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.		 10%

14

Minggu ke 14

Mampu melakukan preprocessing data dan membangun baseline model.

Menunjukkan kemajuan implementasi proyek sesuai rencana.

 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.		 10%

15

Minggu ke 15

Mampu melakukan optimasi dan evaluasi model proyek.

Menunjukkan peningkatan performa model dan analisis hasil.

 Kriteria:

Kualitas optimasi, evaluasi, dan interpretasi hasil.

 Luring
3 x 50 menit
10%

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
0%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 3%
2. Penilaian Hasil Project / Penilaian Produk 38%
3. Penilaian Portofolio 1%
4. Praktik / Unjuk Kerja 1%
5. Tes 20%
63%

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.