Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S2 Fisika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Artificial Intelligence for Physics

4510203031

Mata Kuliah Wajib Program Studi

T=2

P=1

ECTS=6.72

1

24 Desember 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Muhimmatul Khoiro, S.Si.


Dr. Muhimmatul Khoiro, S.Si.


NUGRAHANI PRIMARY PUTRI

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

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-5

Mampu mengelola riset dan mengembangkan keilmuan fisika atau fisika terapan untuk menghasilkan model/metode/teori yang teruji dan inovatif, serta mempublikasikannya pada forum atau jurnal ilmiah pada tingkat nasional/internasional.

PLO-8

Mengembangkan IPTEKS terkait gejala dan masalah fisis melalui analisis dan sintesis hasil riset

Program Objectives (PO)

Matrik PLO-PO
 
POPLO-3PLO-5PLO-8

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

Deskripsi Singkat Mata Kuliah

Mata kuliah ini memberikan pemahaman mendasar tentang konsep, metode, dan implementasi kecerdasan buatan (AI) dalam menyelesaikan permasalahan fisika. Cakupan topik meliputi supervised dan unsupervised learning, klasifikasi, regresi, clustering, hingga jaringan syaraf tiruan dan deep learning. Mahasiswa akan menganalisis data fisis dan membangun model prediktif serta simulatif menggunakan tools Python dan TensorFlow.

Pustaka

Utama :

  1. Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.

Pendukung :

  1. Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.
  2. Yang, S., Ong, Y. S., & Jin, Y. (Eds.). (2007). Evolutionary computation in dynamic and uncertain environments (Vol. 51). Springer Science & Business Media.

Dosen Pengampu

Dr. Muhimmatul Khoiro, S. Si.

Dr.rer.nat. Wafa Maftuhin, M.Sc.

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

Mahasiswa mampu menjelaskan Algoritma kecerdasan buatan dan dasar AI

Mahasiswa Mampu Memahami Konsep dasar AI, ML, dan DL. Berserta relevansinya dalam Fisika

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif
diskusi dan literasi menggunakan Zoom Meeting
 Materi: Introduction to AI, ML, DL concepts and the role of AI in physics.
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 2%

2

Minggu ke 2

Mahasiswa mampu Memahami dasar-dasar Regresi dan Klasifikasi

Mahasiswa mampu mengetahui konsep regresi dan klasifikasi dalam konteks fisika dan bagaimana aplikasi dalam data eksperimen.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif
menggunakan Zoom Meeting
 Materi: Introduction to supervised & unsupervised learning. Explanation of regression & classification in physics. Simple exercise: predicting physical relationships from experimental data
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 3%

3

Minggu ke 3

Mahasiswa mampu melakukan Neural Networks: MLP dan CNN untuk data fisika

Mahasiswa mampu mengimplementasikan MLP dan CNN pada data fisika, memodelkan hubungan antara fitur dan variabel output.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja
menggunakan Zoom Meeting dan praktik mandiri
 Materi: Introduction to Neural Networks (MLP, perceptron) & application of CNN and LSTM to physics data.
Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.		 3%

4

Minggu ke 4

Mahasiswa dapat memahami Penerapan metode LSTM untuk data urutan dan sekuens.

Mahasiswa dapat memahami dan mengimplementasikan LSTM pada data time series fisika

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian
diskusi menggunakan Zoom Meeting
 Materi: Introduction to Physics-Informed Neural Networks (PINNs).
Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.
Materi: Application of AI for physics simulations: Monte Carlo, DFT, and Molecular Dynamics. Surrogate modeling.
Pustaka: Yang, S., Ong, Y. S., & Jin, Y. (Eds.). (2007). Evolutionary computation in dynamic and uncertain environments (Vol. 51). Springer Science & Business Media.		 3%

5

Minggu ke 5

Mahasiswa dapat memahami Penerapan AI pada data eksperimen fisika: Seismik, citra, dan data lainnya.

Mahasiswa mampu menganalisis data seismik atau citra menggunakan teknik AI yang sesuai.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja
Diskusi menggunakan Zoom Meeting
 Materi: Discussion of AI applications in the research topic. Project discussion based on paper review
Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.		 3%

6

Minggu ke 6

Mahasiswa mampu Memahami Physics-Informed Neural Networks (PINNs) dalam fisika

Mahasiswa mampu memahami konsep PINN dan implementasinya dalam simulasi fisika.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif
Diskusi menggunakan Zoom Meeting
 Materi: Discussion of AI applications in the research topic. Project discussion based on paper review
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 3%

7

Minggu ke 7

Mahasiswa mampu mengimplementasikan AI untuk aplikasi fisika: Monte Carlo, DFT, Molecular Dynamics

Mahasiswa mampu menerapkan AI untuk simulasi fisika (contoh: Monte Carlo, DFT).
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Diskusi kelompok dan bimbingan Proyek
Materi: Discussion of AI applications in the research topic. Project discussion based on paper review
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 3%

8

Minggu ke 8

Mahasiswa melakukan pembahasan proyek: Proposal dan Review

Mahasiswa menyusun proposal proyek berbasis AI untuk aplikasi fisika dan menerima umpan balik dari instruktur.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Aktifitas Partisipasif
Diskusi Kelompok mandiri
 Materi: Peer review between groups and feedback from the instructor. Group presentation of project proposals (topic, dataset, methods, target output).
Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.		 25%

9

Minggu ke 9

Mahasiswa melakukan progres proyek 1: Dataset preparation dan literature review

Mahasiswa mampu mempersiapkan dataset, melakukan review literatur, dan memilih metode yang relevan untuk analisis

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Presentasi proposal proyek
Materi: Presentation of initial progress (dataset preparation, literature review, chosen methods). Feedback from the instructor and peers.
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 3%

10

Minggu ke 10

Mahasiswa Melakukan progres proyek 2: Data preprocessing & pengembangan model awal

Mahasiswa mampu mempersiapkan data, melakukan preprocessing, dan mengembangkan model awal untuk proyek fisika.

 Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Berdiskusi dengan kelompok
Materi: Update on progress: data preprocessing & development of the initial model. Discussion of technical issues and solutions.
Pustaka: Andrejevic, N. (2022). Machine learning-augmented spectroscopies for intelligent materials design. Springer Nature.		 3%

11

Minggu ke 11

Mahasiswa mampu melakukan progres proyek 3: Uji model dan analisis hasil awal

Kriteria:

Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


Bentuk Penilaian :
Praktik / Unjuk Kerja
Diskusi Kelompok
 Materi: Initial model testing results, performance analysis, and discussion of algorithm improvements
Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.
Materi: 4
Pustaka: 		4%

12

Minggu ke 12

    Mahasiswa mampu mengevaluasi dan mengoptimasi model yang telah diuji serta mengidentifikasi area perbaikan.

    		 Kriteria:

    Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


    Bentuk Penilaian :
    Praktik / Unjuk Kerja    		 Diskusi dan Konsultasi
    		Materi: Analysis of interim results, data validation, and discussion of challenges in model implementation.
    Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.    		 4%

    13

    Minggu ke 13

    Mahasiswa melakukan Progres proyek 5: Integrasi hasil model dengan teori fisika

    Mahasiswa mengintegrasikan hasil model AI dengan teori fisika yang relevan.

    		 Kriteria:

    Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian

    		 Presentasi Progres Proyek
    		Materi: Evaluation of model performance, optimization strategies, and analysis of experimental results.
    Pustaka: Yang, S., Ong, Y. S., & Jin, Y. (Eds.). (2007). Evolutionary computation in dynamic and uncertain environments (Vol. 51). Springer Science & Business Media.    		 3%

    14

    Minggu ke 14

    Mahasiswa melakukan progres proyek 6: Finalisasi model dan persiapan untuk presentasi akhir

    Mahasiswa mempersiapkan model final dan menyusun presentasi akhir proyek berbasis AI untuk aplikasi fisika.

    		 Kriteria:

    Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


    Bentuk Penilaian :
    Praktik / Unjuk Kerja    		 Diskusi Kelompok
    		Materi: Integration of model results with relevant physics theory.
    Pustaka: Yang, S., Ong, Y. S., & Jin, Y. (Eds.). (2007). Evolutionary computation in dynamic and uncertain environments (Vol. 51). Springer Science & Business Media.    		 4%

    15

    Minggu ke 15

    Mahasiswa melakukan progres proyek 7: Penyelesaian finalisasi model dan presentasi

    Mahasiswa menyelesaikan model akhir dan mempresentasikan hasilnya dengan baik.

    		 Kriteria:

    Mahasiswa akan mendapatkan nilai penuh jika memenuhi indikator penilaian


    Bentuk Penilaian :
    Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Tes    		 Presentasi Hasil Proyek
    		Materi: Finalization of model and analysis. Preparation for final presentation. Discussion of experimental results and project findings.
    Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.    		 4%

    16

    Minggu ke 16

    Mahasiswa melakukan presentasi akhir proyek dan evaluasi instruktur

    Mahasiswa mempresentasikan proyek akhir dan menerima umpan balik dari instruktur.

    		 Kriteria:

    Penilaian presentasi dan pemahaman mahasiswa terhadap topic


    Bentuk Penilaian :
    Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Tes    		 Presentasi Hasil Proyek
    		Materi: Final project presentations by each group. Final assessment by the instructor and group discussion of the project outcomes
    Pustaka: Batchelor, B., & Waltz, F. (2012). Intelligent machine vision: techniques, implementations and applications. Springer Science & Business Media.    		 30%



    Rekap Persentase Evaluasi : Project Based Learning

    No Evaluasi Persentase
    1. Aktifitas Partisipasif 48.83%
    2. Penilaian Hasil Project / Penilaian Produk 11.33%
    3. Praktik / Unjuk Kerja 22.5%
    4. Tes 11.33%
    93.99%

    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.