Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Kecerdasan Artifisial

5510003009

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=6.72

1

10 April 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Ir. Ricky Eka Putra, S.Kom., M.Kom.


Dr. Yuni Yamasari, S.Kom., M.Kom.


RICKY EKA PUTRA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Menguasai dan mengaplikasikan teori-teori, konsep, prinsip, dan teknologi terkini dalam bidang Teknik Informatika, termasuk Data Sains, Kecerdasan Artifisial, Jaringan Cerdas, Rekayasa Perangkat Lunak, serta Sistem dan Teknologi Informasi untuk mengembangkan ilmu pengetahuan dan teknologi melalalui riset dan penciptaan karya inovatif.

PLO-7

Menganalisis kebutuhan dan menyelesaikan masalah yang kompleks dalam berbagai bidang Teknik Informatika, menggunakan metode analitis dan pendekatan ilmiah.

PLO-9

Mengembangkan solusi inovatif untuk meningkatkan efisiensi dan efektivitas organisasi dengan memanfaatkan teknologi informasi terbaru.

Program Objectives (PO)

PO - 1

Menerapkan teori, konsep, dan prinsip kecerdasan artifisial untuk menyelesaikan permasalahan informatika

PO - 2

Menganalisis kebutuhan dan memilih metode kecerdasan artifisial yang sesuai untuk berbagai aplikasi informatika

PO - 3

Mengembangkan solusi berbasis kecerdasan artifisial yang inovatif dan efektif untuk meningkatkan efisiensi di bidang informatika

PO - 4

Mengevaluasi kinerja model kecerdasan artifisial dengan pendekatan berbasis data dan metode ilmiah

PO - 5

Merancang pendekatan kecerdasan artifisial yang etis dan bertanggung jawab untuk penerapan dalam berbagai sektor

Matrik PLO-PO
 
POPLO-5PLO-7PLO-9
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

Matakuliah Kecerdasan Artifisial pada jenjang S2 program studi Informatika membahas tentang konsep, teknik, dan aplikasi dari kecerdasan buatan. Tujuan dari matakuliah ini adalah memberikan pemahaman mendalam mengenai berbagai metode dan algoritma dalam pengembangan sistem kecerdasan buatan serta mampu mengimplementasikannya dalam berbagai bidang seperti pengolahan bahasa alami, computer vision, dan machine learning. Ruang lingkupnya meliputi pemodelan pengetahuan, logika fuzzy, jaringan saraf tiruan, algoritma genetika, dan sistem pakar.

Pustaka

Utama :

  1. Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
  2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Pendukung :

  1. Zadeh, L.A. (1996). Fuzzy Sets, Fuzzy Logic, Fuzzy Systems. World Scientific.
  2. Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press.
  3. Kosko, B. (1993). Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion.
  4. Sutton, R.S., Barto, A.G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
  5. Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
  6. Luger, G.F. (2009). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (6th ed.). Pearson.
  7. Jackson, P. (1998). Introduction to Expert Systems (3rd ed.). Addison-Wesley.
  8. Jurafsky, D., & Martin, J.H. (2009). Speech and Language Processing. Pearson.
  9. Forsyth, D.A., & Ponce, J. (2011). Computer Vision: A Modern Approach. Pearson.
  10. Putra, R.E., Buditjahjanto, I.G.P.A., Yustanti, W., Yamasari, Y., Yohannes, E., Suartana, I.M., Akbar, R.A., & Putri, R.A. (2025). Empowering Indonesian Students Abroad through ChatGPT Literacy: A Community Service Program on Academic Writing at Mahidol University, Thailand. In: The 7th International Conference on Research and Academic Community Services (ICRACOS 2025), LPPM Unesa.
  11. Putra, R.E., Buditjahjanto, I.G.P.A., Yustanti, W., Yamasari, Y., Yohannes, E., Suartana, I.M., Akbar, R.A., & Putri, R.A. (2025). Edukasi Pemanfaatan ChatGPT dalam Penulisan Karya Ilmiah bagi Pelajar di Luar Negeri. Laporan Akhir PkM.

Dosen Pengampu

Dr. Yuni Yamasari, S.Kom., M.Kom.

Dr. Ir. Ricky Eka Putra, S.Kom., M.Kom.

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

Menjelaskan konsep dasar kecerdasan artifisial dan penerapannya dalam informatika
  1. Menjelaskan konsep dasar kecerdasan artifisial
  2. Mengidentifikasi penerapan kecerdasan artifisial dalam berbagai aplikasi informatika
 Kriteria:
  1. Ketepatan penjelasan konsep dasar AI
  2. Kelengkapan dalam identifikasi aplikasi AI di informatika

Bentuk Penilaian :
Aktifitas Partisipasif, Tes		 Pembelajaran berbasis masalah, diskusi interaktif, dan studi kasus.
2 x 50		 Diskusi daring tentang penerapan kecerdasan artifisial dalam studi kasus yang diberikan
1 x 50		 Materi: Pengenalan kecerdasan artifisial, Logika proposisional, Pemrograman logika, Algoritma pencarian, Pembelajaran mesin
Pustaka: Handbook Perkuliahan
Materi: Konsep dasar dan ruang lingkup kecerdasan artifisial
Pustaka: Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Materi: Pendahuluan tentang deep learning sebagai bagian dari AI
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Materi: Contoh Penerapan Kecerdasan Artifisial
Pustaka: Putra, R.E., Buditjahjanto, I.G.P.A., Yustanti, W., Yamasari, Y., Yohannes, E., Suartana, I.M., Akbar, R.A., & Putri, R.A. (2025). Empowering Indonesian Students Abroad through ChatGPT Literacy: A Community Service Program on Academic Writing at Mahidol University, Thailand. In: The 7th International Conference on Research and Academic Community Services (ICRACOS 2025), LPPM Unesa.
Materi: Contoh Pelatihan Berbasis Kecerdasan Artifisial
Pustaka: Putra, R.E., Buditjahjanto, I.G.P.A., Yustanti, W., Yamasari, Y., Yohannes, E., Suartana, I.M., Akbar, R.A., & Putri, R.A. (2025). Edukasi Pemanfaatan ChatGPT dalam Penulisan Karya Ilmiah bagi Pelajar di Luar Negeri. Laporan Akhir PkM.		 5%

2

Minggu ke 2

Menerapkan teknik pemodelan pengetahuan dalam kecerdasan artifisial
  1. Menjelaskan teknik representasi pengetahuan
  2. Mengaplikasikan model pengetahuan pada studi kasus sederhana
 Kriteria:
  1. Ketepatan dalam menjelaskan teknik representasi
  2. Relevansi model pengetahuan terhadap studi kasus

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis masalah
3 x 50
Materi: Teknik representasi pengetahuan: logika proposisional, logika predikat, dan ontologi
Pustaka: Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Materi: Pendekatan praktis dalam pemodelan pengetahuan berbasis AI
Pustaka: Luger, G.F. (2009). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (6th ed.). Pearson.		 5%

3

Minggu ke 3

Menerapkan logika fuzzy untuk pengambilan keputusan
  1. Menjelaskan konsep dasar logika fuzzy
  2. Menerapkan aturan fuzzy untuk pengambilan keputusan sederhana
 Kriteria:
  1. Ketepatan penerapan logika fuzzy
  2. Kelengkapan implementasi aturan fuzzy dalam studi kasus

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi, studi kasus, dan presentasi.
2 x 50		 Penugasan proyek kecil untuk menganalisis kebutuhan aplikasi informatika dan menerapkan logika fuzzy yang sesuai
1 x 50		 Materi: Proses analisis kebutuhan, Metode kecerdasan artifisial untuk berbagai aplikasi, Studi kasus implementasi
Pustaka: Handbook Perkuliahan
Materi: Prinsip dasar logika fuzzy dan aplikasinya dalam pengambilan keputusan
Pustaka: Zadeh, L.A. (1996). Fuzzy Sets, Fuzzy Logic, Fuzzy Systems. World Scientific.
Materi: Contoh kasus pengambilan keputusan berbasis logika fuzzy
Pustaka: Kosko, B. (1993). Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion.		 5%

4

Minggu ke 4

Menggunakan jaringan saraf tiruan (Artificial Neural Networks) untuk pemodelan data
  1. Menjelaskan arsitektur dasar jaringan saraf tiruan
  2. Mengimplementasikan algoritma backpropagation pada dataset sederhana
 Kriteria:
  1. Ketepatan pemahaman arsitektur jaringan saraf tiruan
  2. Keakuratan implementasi algoritma backpropagation

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi dan studi kasus.
2 x 50		 Diskusi daring tentang studi kasus analisis kebutuhan aplikasi informatika serta menerapkan jaringan syaraf tiruan sebagai solusinya
1 x 50		 Materi: Proses analisis kebutuhan, Metode kecerdasan artifisial untuk aplikasi informatika, Studi kasus implementasi
Pustaka: Handbook Perkuliahan
Materi: Arsitektur jaringan saraf tiruan dan algoritma backpropagation
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Materi: Studi kasus sederhana menggunakan jaringan saraf tiruan
Pustaka: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.		 5%

5

Minggu ke 5

Menggunakan jaringan saraf tiruan (Artificial Neural Networks) untuk pemodelan data
  1. Menjelaskan arsitektur dasar jaringan saraf tiruan
  2. Mengimplementasikan algoritma backpropagation pada dataset sederhana
 Kriteria:
  1. Ketepatan pemahaman arsitektur jaringan saraf tiruan
  2. Keakuratan implementasi algoritma backpropagation

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi dan studi kasus.
2 x 50		 Diskusi daring tentang studi kasus analisis kebutuhan aplikasi informatika serta menerapkan jaringan syaraf tiruan sebagai solusinya
1 x 50		 Materi: Proses analisis kebutuhan, Metode kecerdasan artifisial untuk aplikasi informatika, Studi kasus implementasi
Pustaka: Handbook Perkuliahan
Materi: Arsitektur jaringan saraf tiruan dan algoritma backpropagation
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Materi: Studi kasus sederhana menggunakan jaringan saraf tiruan
Pustaka: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.		 5%

6

Minggu ke 6

Menggunakan algoritma genetika untuk optimasi dan penyelesaian masalah kompleks
  1. Menjelaskan konsep dasar algoritma genetika
  2. Mengimplementasikan algoritma genetika pada studi kasus optimasi
 Kriteria:
  1. Ketepatan pemahaman algoritma genetika
  2. Efektivitas solusi optimasi yang dihasilkan dari implementasi algoritma

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi, studi kasus, dan presentasi.
2 x 50		 Diskusi daring tentang studi kasus analisis kebutuhan aplikasi informatika, Penugasan membuat portofolio pemanfaatan algoritma genetika
1 x 50		 Materi: Proses analisis kebutuhan aplikasi informatika, Metode kecerdasan artifisial untuk berbagai aplikasi, Studi kasus implementasi kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Prinsip dasar algoritma genetika dan penggunaannya dalam optimasi
Pustaka: Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press.
Materi: Contoh kasus optimasi berbasis algoritma genetika
Pustaka: Luger, G.F. (2009). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (6th ed.). Pearson.		 5%

7

Minggu ke 7

Mengembangkan sistem pakar berbasis aturan (rule-based expert systems)
  1. Menjelaskan struktur sistem pakar berbasis aturan
  2. Membuat prototipe sistem pakar sederhana
 Kriteria:
  1. Ketepatan desain sistem pakar
  2. Relevansi prototipe terhadap studi kasus yang diberikan

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran aktif, studi kasus, diskusi kelompok.
2 x 50		 Diskusi daring tentang penerapan sistem pakar dalam kasus nyata
1 x 50		 Materi: Konsep dasar kecerdasan artifisial, Teknik pengembangan solusi kecerdasan artifisial, Studi kasus implementasi kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Prinsip desain dan implementasi sistem pakar berbasis aturan
Pustaka: Jackson, P. (1998). Introduction to Expert Systems (3rd ed.). Addison-Wesley.
Materi: Studi kasus pembuatan sistem pakar sederhana
Pustaka: Luger, G.F. (2009). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (6th ed.). Pearson.		 5%

8

Minggu ke 8

Mampu menjelaskan dengan lebih baik materi-materi dari minggu ke-1 s.d. ke-7
  1. Menerapkan konsep yang telah dipelajari
  2. Menganalisis dan memecahkan masalah
  3. Menjawab soal esai dan studi kasus
 Kriteria:
  1. Kedalaman jawaban
  2. Kejelasan analisis
  3. Ketepatan Solusi

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Menyelesaikan soal Ujian SubSumatif
3 x 50
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.		 15%

9

Minggu ke 9

Menerapkan Natural Language Processing (NLP) dan aplikasinya
  1. Menjelaskan konsep dasar NLP
  2. Menerapkan teknik dasar NLP seperti tokenization dan stemming
 Kriteria:
  1. Ketepatan penerapan teknik NLP
  2. Kelengkapan dalam menjelaskan konsep dasar NLP

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek.
3 x 50
Materi: Dasar-dasar kecerdasan artifisial, Konsep-konsep kecerdasan artifisial, Penerapan kecerdasan artifisial dalam permasalahan informatika
Pustaka: Handbook Perkuliahan
Materi: Teknik dasar NLP dan aplikasi pada analisis teks
Pustaka: Jurafsky, D., & Martin, J.H. (2009). Speech and Language Processing. Pearson.
Materi: Penerapan deep learning dalam NLP
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.		 5%

10

Minggu ke 10

Menggunakan computer vision untuk pengolahan citra
  1. Menjelaskan konsep dasar computer vision
  2. Mengimplementasikan algoritma deteksi objek pada gambar sederhana
 Kriteria:
  1. Ketepatan implementasi algoritma
  2. Keakuratan hasil deteksi objek

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek.
2 x 50		 Penugasan proyek online
1 x 50		 Materi: Analisis kebutuhan aplikasi informatika, Metode kecerdasan artifisial untuk berbagai aplikasi, Studi kasus pemilihan metode kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Teknik dasar pengolahan citra untuk deteksi objek
Pustaka: Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
Materi: Studi kasus implementasi computer vision dalam pengolahan citra
Pustaka: Forsyth, D.A., & Ponce, J. (2011). Computer Vision: A Modern Approach. Pearson.		 5%

11

Minggu ke 11

Menggunakan reinforcement learning untuk menyelesaikan masalah berbasis keputusan
  1. Menjelaskan konsep dasar reinforcement learning
  2. Menerapkan algoritma reinforcement learning pada studi kasus tertentu
 Kriteria:
  1. Ketepatan algoritma yang digunakan
  2. Efisiensi solusi berbasis reinforcement learning

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi, studi kasus, dan presentasi.
2 x 50		 Penugasan proyek kecil untuk menganalisis kebutuhan aplikasi informatika dengan menggunakan reinforcement learning
1 x 50		 Materi: Analisis kebutuhan aplikasi, Metode kecerdasan artifisial untuk berbagai aplikasi, Studi kasus implementasi kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Konsep dasar reinforcement learning dan penerapannya
Pustaka: Sutton, R.S., Barto, A.G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
Materi: Contoh kasus penerapan reinforcement learning
Pustaka: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.		 5%

12

Minggu ke 12

Menggunakan reinforcement learning untuk menyelesaikan masalah berbasis keputusan
  1. Menjelaskan konsep dasar reinforcement learning
  2. Menerapkan algoritma reinforcement learning pada studi kasus tertentu
 Kriteria:
  1. Ketepatan algoritma yang digunakan
  2. Efisiensi solusi berbasis reinforcement learning

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi, studi kasus, dan presentasi.
2 x 50		 Penugasan proyek kecil untuk menganalisis kebutuhan aplikasi informatika dengan menggunakan reinforcement learning
1 x 50		 Materi: Analisis kebutuhan aplikasi, Metode kecerdasan artifisial untuk berbagai aplikasi, Studi kasus implementasi kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Konsep dasar reinforcement learning dan penerapannya
Pustaka: Sutton, R.S., Barto, A.G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
Materi: Contoh kasus penerapan reinforcement learning
Pustaka: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.		 5%

13

Minggu ke 13

Mengevaluasi kinerja model kecerdasan artifisial dengan pendekatan berbasis data
  1. Menjelaskan teknik evaluasi model AI
  2. Mengevaluasi kinerja model menggunakan dataset tertentu.
  3. Menyajikan hasil evaluasi dengan jelas
 Kriteria:
  1. Kelengkapan teknik evaluasi
  2. Ketepatan hasil evaluasi kinerja model
  3. Kejelasan penyajian hasil evaluasi

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis masalah, diskusi interaktif, studi kasus.
2 x 50		 Penugasan online memungkinkan. Jenis penugasan yang cocok adalah membuat laporan evaluasi kinerja model kecerdasan artifisial berdasarkan data yang diberikan.
1 x 50		 Materi: Pendekatan berbasis data dalam evaluasi model, Metode ilmiah dalam evaluasi kinerja model, Teknik analisis hasil evaluasi
Pustaka: Handbook Perkuliahan
Materi: Teknik evaluasi model AI
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Materi: Contoh evaluasi model berbasis data
Pustaka: Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press.		 5%

14

Minggu ke 14

Merancang solusi berbasis kecerdasan artifisial yang inovatif dan bertanggung jawab
  1. Mendesain solusi berbasis AI untuk kasus tertentu
  2. Memastikan solusi AI memenuhi prinsip etika dan tanggung jawab sosial
 Kriteria:
  1. Ketepatan desain solusi berbasis AI
  2. Relevansi prinsip etika dan tanggung jawab sosial yang diterapkan dalam solusi

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Diskusi, studi kasus, presentasi.
3 x 50
Materi: Etika dalam kecerdasan artifisial, Tanggung jawab sosial dalam kecerdasan artifisial, Studi kasus implementasi etika dalam kecerdasan artifisial
Pustaka: Handbook Perkuliahan
Materi: Teknik desain solusi AI dengan pendekatan etis
Pustaka: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Materi: Contoh solusi berbasis AI dengan pertimbangan etika
Pustaka: Kosko, B. (1993). Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion.		 5%

15

Minggu ke 15

Mempresentasikan solusi kecerdasan artifisial untuk menjawab tantangan informatika
  1. Menyusun laporan solusi berbasis AI
  2. Menyampaikan hasil analisis dan solusi secara profesional
 Kriteria:
  1. Kejelasan laporan solusi berbasis AI
  2. Profesionalisme dalam penyampaian presentasi

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Diskusi, Studi Kasus, Presentasi.
3 x 50
Materi: Etika dalam Kecerdasan Artifisial, Tanggung Jawab Sosial dalam Penerapan AI, Studi Kasus Etika dalam AI
Pustaka: Handbook Perkuliahan
Materi: Strategi komunikasi akademik dalam menyampaikan solusi berbasis AI
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Materi: Teknik presentasi solusi AI untuk aplikasi praktis
Pustaka: Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press.		 5%

16

Minggu ke 16

Mampu menjelaskan dengan lebih baik materi-materi dari minggu ke-9 s.d. ke-15

Mengevaluasi penjelasan dan penerapan konsep AI secara keseluruhan

 Kriteria:

Kemampuan menyelesaikan soal-soal terkait semua CPMK


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Menyelesaikan soal Ujian Sumatif
3 x 50
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 10%
2. Penilaian Hasil Project / Penilaian Produk 65%
3. Penilaian Portofolio 7.5%
4. Tes 17.5%
100%

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.