Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Sistem Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Kecerdasan Buatan

5720103155

T=3

P=0

ECTS=4.77

4

11 Juli 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




.......................................


.......................................


I KADEK DWI NURYANA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-10

Mampu merencanakan, menerapkan, memelihara, mengevaluasi, dan meningkatkan sistem informasi organisasi untuk mendukung pencapaian tujuan strategis melalui transformasi digital yang berkelanjutan

PLO-12

Mampu menerapkan konsep, metode, dan teknik big data, data mining, kecerdasan buatan, analitik data, serta visualisasi data untuk mendukung analisis dan pengambilan keputusan berbasis data yang memberikan nilai bagi organisasi dan masyarakat

Program Objectives (PO)

PO - 1

Mampu menjelaskan konsep, algoritma, dan penerapan kecerdasan buatan.

PO - 2

Mampu menjelaskan konsep, algoritma, dan penerapan machine learning.

PO - 3

Mampu menjelaskan konsep, algoritma, dan penerapan deep learning.

PO - 4

Mampu merumuskan pemilihan teknik kecerdasan buatan yang sesuai untuk menyelesaikan permasalahan serta menguasai penggunaan tool dan framework pengembangan AI.

PO - 5

Mampu merancang dan membangun sistem kecerdasan buatan, machine learning, dan deep learning untuk menyelesaikan permasalahan nyata.

Matrik PLO-PO
 
POPLO-10PLO-12
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 ini mempelajari konsep, teknik, dan aplikasi kecerdasan buatan (AI), termasuk machine learning dan deep learning. Mahasiswa akan memahami algoritma AI, mengembangkan sistem berbasis AI, serta menerapkan teknik-teknik AI untuk memecahkan berbagai masalah praktis. Fokus pada penggunaan alat dan framework pengembangan AI juga menjadi bagian dari pembelajaran.

Pustaka

Utama :

  1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. - Chapter 1 (Introduction to AI)
  2. Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. - Chapter 3 (Search Algorithms)
  3. Kumar, S., & Gupta, S. (2020). Artificial Intelligence in Practice: How AI is Being Applied to Real-World Applications. Wiley. - Selected case studies
  4. Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press. - Chapter 2 (Supervised Learning)
  5. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. - Chapter 4 (Linear Models for Classification)
  6. Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. - Chapter 8 (Training Models)
  7. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. - Chapter 6 (Feedforward Deep Networks)
  8. Aggarwal, C. C. (2018). Neural Networks and Deep Learning: A Textbook. Springer. - Chapter 5 (Convolutional Neural Networks)
  9. Deng, L., & Li, Y. (2020). Deep Learning: Methods and Applications. Now Publishers. - Chapter 4 (Applications in Vision and Language Processing)
  10. Domingos, P. (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. - Chapter 6 (The Five Tribes of Machine Learning)
  11. Chollet, F. (2018). Deep Learning with Python. Manning Publications. - Chapter 1 (Introduction to Keras and TensorFlow)
  12. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. - Chapter 4 (Linear Methods for Classification and Regression)
  13. Brownlee, J. (2019). Deep Learning for Computer Vision. Machine Learning Mastery. - Chapter 6 (Building Convolutional Neural Networks)

Pendukung :

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 memahami dan menjelaskan sejarah dan definisi kecerdasan buaan dan konsep dasar AI
  1. Mampu menjelaskan konsep dan sejarah kecerdasan buatan dari awal hingga amsa kini
  2. Mampu memahami dan mendefinisikan kecerdasan buatan dan konsep dasar AI
  3. Menjelaskan perbedaan antara kecerdasan buatan dan machine learning atau deep learning
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Sejarah dan definisi kecerdasan buatan, serta konsep dasar AI
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. - Chapter 1 (Introduction to AI)		 2%

2

Minggu ke 2

Mampu menjelaskan berbagai jenis algoritma yang digunakan dalam kecerdasan buatan, termasuk algoritma pencarian, optimasi dan logika fuzzy

Menjelaskan konsep implementasi algoritma pencarian, menjelaskan prinsip optimasi dan menjelaskan konsep dasar logika fuzzy dan pengaplikasiannya dalam kecerdasan buatan

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Algoritma pencarian, optimasi, dan logika fuzzy dalam kecerdasan buatan
Pustaka: Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. - Chapter 3 (Search Algorithms)		 2%

3

Minggu ke 3

Mampu memahami dan mengidentifikasi serta menjelaskan berbagai aplikasi kecerdasan buatan dalam berbagai industri seperti kesehatan, keuangan dan teknologi
  1. Mamapu memahami dan mengidentifikasi aplikasi AI di berbagai insudtri, dan menjelaskan kasus-kasus peggunaan AI yang telah diterapkan
  2. Ketpatan mahasiswa dalam menganalisis dapak AI dalam industri dan bagaimana Ai dapat meningkatkan efisiensi dan efektivitas
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Aplikasi kecerdasan buatan di berbagai industri seperti kesehatan, keuangan, dan teknologi
Pustaka: Kumar, S., & Gupta, S. (2020). Artificial Intelligence in Practice: How AI is Being Applied to Real-World Applications. Wiley. - Selected case studies		 3%

4

Minggu ke 4

Mampu memahami konsep dasar machine learning
  1. Mampu menjelaskan definisi dan konsep dasar machine learning
  2. Mengidentifikasi perbedaan antara supervised learning dan unsupervised learning serta reinforcement learning
  3. Ketepatan mahasiswa dalam menjelaskan prntingnya data dalam machine learning
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Konsep dasar machine learning
Pustaka:
Materi: Konsep dasar machine learning
Pustaka: Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press. - Chapter 2 (Supervised Learning)		 4%

5

Minggu ke 5

Mampu memahami dam menjelaskan algoritma dasar machine learning
  1. Menjelaskan algoritma regresi linear dan implementasinya
  2. Memahami dan menjelaskan konsep decision trees dan cara kerjanya
  3. Memahami dan menjelaskn algoritma clustering dan aplikasinya
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Cermah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Algoritma dasar machine learning
Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. - Chapter 4 (Linear Models for Classification)		 2%

6

Minggu ke 6

Mampu memahami dan menjelaskan bagaimana cara maschine learning diterapkan dalam berbagai kasus
  1. Mampu mengidentifikasi kasus-kasus penggunaa amchine larning dalam prediksi, klasifikasi dan clustering
  2. Menganalisis studi kasus penerapan machine learnin dalam scenario dunia nyata
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 20%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Penerapan machine learning dalam berbagai kasu
Pustaka: Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. - Chapter 8 (Training Models)		 2%

7

Minggu ke 7

Mampu memahami dan menjelaskan konsep dasar deep learning termasuk network dan backpropagation

Dapat memahami dan mejelaskan konsep dasar neural networks dan bagaimana jaringannya bekerja

 Kriteria:

Mengidentifikasi perbedaan antara shallow learning dan deep learning


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Konsep dasar deep learning, termasuk neural networks dan backpropagation
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. - Chapter 6 (Feedforward Deep Networks)		 3%

8

Minggu ke 8

UTS

UTS

 Kriteria:

UTS


Bentuk Penilaian :
Aktifitas Partisipasif		 UTS
3 X 50		 UTS
3 X 50		 Materi: UTS
Pustaka: 		20%

9

Minggu ke 9

Mampu memahami dan menjelaskan berbagai jenis algoritma deep learning

Mampu memahami dan menjelaskan konsep dan aplikasi convolutional neural networks, dan menjelaskan konsep dan aplikasi recurrent neutral networks

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Jenis-jenis algoritma deep learning
Pustaka: Aggarwal, C. C. (2018). Neural Networks and Deep Learning: A Textbook. Springer. - Chapter 5 (Convolutional Neural Networks)		 4%

10

Minggu ke 10

Mampu memahami dan menjelaskan aplikasi deep learning dalam pengenalan gambar, pemrosesan Bahasa alami, dan pengenalan suara

Menjelaskan bagaimana convolutional neural networks diterapkan dalam oengenalan gambar

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Menjelaskan bagaimana convolutional neural networks diterapkan dalam oengenalan gambar
Pustaka: Deng, L., & Li, Y. (2020). Deep Learning: Methods and Applications. Now Publishers. - Chapter 4 (Applications in Vision and Language Processing)		 2%

11

Minggu ke 11

Mampu menganalisis masalah dan memilih teknik kecerdasan buatan yang tepat untuk menyelesaiakannya

Memahami dan menjelaskan penggunaan recurrent neutral networks dalam pemrosesan Bahasa alami dan menjelaskan aplikasi deep learning dalam pengenalan suara

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Praktik / Unjuk Kerja, Tes		 Ceramag dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Analisis masalah dan pemilihan teknik kecerdasan buatan yang tepat
Pustaka: Domingos, P. (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. - Chapter 6 (The Five Tribes of Machine Learning)		 2%

12

Minggu ke 12

Mampu memahami dan mengusasi penggunaan dan framework untuk pengembangan AI
  1. Mampu memahami dan mengidentifikasi masalah yang memerlukan solusi AI dan mengaalisis berbagai teknik AI yang dapat digunakan untuk masalah tertentu
  2. Dapat memahami dan memilih teknik AI yang paling tepat dan menjelaskan alasan pemilihan
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum, Praktik / Unjuk Kerja		 Praktikum
3 X 50		 Praktikum
3 X 50		 Materi: Penggunaan dan framework untuk pengembangan AI
Pustaka: Chollet, F. (2018). Deep Learning with Python. Manning Publications. - Chapter 1 (Introduction to Keras and TensorFlow)		 6%

13

Minggu ke 13

Mampu memahami dan merancang sistem kecerdasan buatan sederjama untuk menyelesaikan masalah

Dapat memahami dan mendesain sistem Ai sederhana untuk menyelesaikan masalah dan dapat mengembangkan dan mengimplementasikan model AI yang sesuai dengan desain

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Perancangan sistem kecerdasan buatan sederhana untuk menyelesaikan masalah
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. - Chapter 1 (Introduction to AI)		 5%

14

Minggu ke 14

Mampu merancang sistem machine leraning untuk apliaksi prediksi dan klasifikasi

Mampu memahami dan mendesain model machine learning untuk prediksi atau klasifikasi dan mengimplemnetasikan model menggunakan framework machine learning yang sesuai

 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ceramah dan Diskusi
3 X 50		 Ceramah dan Diskusi
3 X 50		 Materi: Perancangan sistem machine learning untuk aplikasi prediksi dan klasifikasi
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. - Chapter 4 (Linear Methods for Classification and Regression)		 6%

15

Minggu ke 15

Mampu merancang sistem deep learning dengan kompleks untuk aplikasi pengenalan gambar aau pemrosesan Bahasa alamai
  1. Mampu mendesain sistem deep learning untuk aplikasi yang kompleks seperti pengenalan gambar atau pemrosesan Bahasa alami dan mengimplementasikan sistem deep learning yang telah dirancang menggunakan framework yang tepat
  2. Mampu melakukan evaluasi tuning dan optimasi sistem deep learning
 Kriteria:
  1. Partisipasi Mahasiswa dan Tanya Jawab = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum		 Praktikum
3 X 50		 Praktikum
3 X 50		 Materi: Perancangan sistem deep learning kompleks untuk aplikasi pengenalan gambar atau pemrosesan bahasa alami
Pustaka: Brownlee, J. (2019). Deep Learning for Computer Vision. Machine Learning Mastery. - Chapter 6 (Building Convolutional Neural Networks)		 6%

16

Minggu ke 16


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 UAS
3 X 50		 UAS
 Materi: UAS
Pustaka: 		30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 32.34%
2. Penilaian Hasil Project / Penilaian Produk 42.34%
3. Penilaian Praktikum 3.5%
4. Praktik / Unjuk Kerja 12.34%
5. Tes 8.5%
99.02%

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.