Universitas Negeri Surabaya
Fakultas PSDKU
Program Studi S1 Informatika (Kampus Kabupaten Magetan)

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Kecerdasan Buatan

5521403015

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

3

22 April 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Durrotun Nashihin, M.Sc.


Durrotun Nashihin, M.Sc.


BONDA SISEPHAPUTRA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-4

Mengembangkan diri secara berkelanjutan dan berkolaborasi.

PLO-5

Mampu menganalisis persoalan computing yang kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika/ilmu komputer dengan mempertimbangkan wawasan perkembangan ilmu trandisiplin

PLO-10

Kemampuan mendesain, mengimplementasikan, dan mengevaluasi solusi berbasis computing multi-platform yang memenuhi kebutuhan organisasi

PLO-11

Mampu mengimplementasikan kebutuhan computing dengan mempertimbangkan berbagai metode/algoritma yang sesuai

Program Objectives (PO)

PO - 1

Mahasiswa mampu menjelaskan konsep dasar Artificial Intelligence serta peranannya dalam menyelesaikan masalah nyata.

PO - 2

Mahasiswa mampu membedakan dan mengimplementasikan problem solving agent dengan pendekatan brute force dan greedy (contoh TSP).

PO - 3

Mahasiswa mampu merancang knowledge-based agent untuk menyelesaikan permasalahan Wumpus World.

PO - 4

Mahasiswa mampu menerapkan fuzzy logic untuk menangani ketidakpastian dalam pengambilan keputusan.

PO - 5

Mahasiswa dapat menerapkan teknik-teknik kecerdasan buatan dalam pengembangan sistem yang dapat beradaptasidengan kebutuhan pengguna dan kondisi lingkungan yang berubah-ubah

PO - 6

Mahasiswa mampu mengimplementasikan algoritma regresi (linear regression, decision tree) pada permasalahan terapan.

PO - 7

Mahasiswa mampu mengimplementasikan algoritma klasifikasi (logistic regression, decision tree dan KNN) pada data nyata.

PO - 8

Mahasiswa mampu menerapkan metode clustering (K-Means, hierarchical clustering) dan dimensionality reduction (PCA) untuk analisis data.

PO - 9

Mahasiswa mampu merancang solusi berbasis reinforcement learning, deep learning, dan deep reinforcement learning untuk kasus tertentu.

PO - 10

Mahasiswa mampu berkolaborasi dalam proyek berbasis AI serta mengomunikasikan hasil implementasi dan evaluasi solusi multi-platform sesuai kebutuhan dunia industri.

PO - 11

Mengevaluasi pemahaman, penerapan, dan integrasi konsep Artificial Intelligence melalui ujian tertulis berbasis kasus nyata.

Matrik PLO-PO
 
POPLO-4PLO-5PLO-10PLO-11
PO-1 ✔  
PO-2 ✔  
PO-3 ✔  
PO-4 ✔  
PO-5 ✔  
PO-6   ✔
PO-7  ✔ 
PO-8  ✔ 
PO-9  ✔ 
PO-10✔   
PO-11   ✔

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✔
PO-6✔
PO-7✔
PO-8✔
PO-9✔✔
PO-10✔✔✔✔
PO-11✔✔

Deskripsi Singkat Mata Kuliah

Membahas konsep dan implementasi AI mulai dari problem solving agent, knowledge-based reasoning, fuzzy logic, machine learning (supervised, unsupervised, reinforcement), hingga deep learning.

Pustaka

Utama :

  1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.
  2. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.
  3. Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.
  4. Santoso, J. T. (2023). Kecerdasan buatan (Artificial Intelligence). Yayasan Prima Agus Teknik (Universitas STEKOM).
  5. Sutton, R. S., & Barto, A. G. (2020). Reinforcement learning: An introduction (2nd ed., draft). MIT Press.

Pendukung :

  1. Nguyen, H. T., Walker, C. L., & Walker, E. A. (2019). A first course in fuzzy logic (4th ed.). CRC Press.

Dosen Pengampu

Ervin Yohannes, S.Kom., M.Kom., M.Sc., Ph.D.

Durrotun Nashihin, 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

Memahami konsep dasar AI serta mengoperasikan Python di Google Colab.
  1. Menjelaskan definisi, ruang lingkup, dan aplikasi AI.
  2. Menginstalasi Python dengan benar pada perangkat.
  3. Menjalankan Google Colab untuk eksperimen sederhana.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Pengenalan konsep dasar AI
Pustaka: Santoso, J. T. (2023). Kecerdasan buatan (Artificial Intelligence). Yayasan Prima Agus Teknik (Universitas STEKOM).
Materi: Pengenalan konsep dasar AI
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.		 3%

2

Minggu ke 2

Menganalisis problem solving agent dengan strategi brute force dan greedy.
  1. Menguraikan konsep problem solving agent.
  2. Membandingkan perbedaan brute force dan greedy.
  3. Mengimplementasikan solusi TSP sederhana dengan Python.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Problem Solving Agent
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.
Materi: Problem Solving Agent
Pustaka: Santoso, J. T. (2023). Kecerdasan buatan (Artificial Intelligence). Yayasan Prima Agus Teknik (Universitas STEKOM).		 3%

3

Minggu ke 3

Merancang dan mengimplementasikan knowledge-based agent pada kasus Wumpus World.
  1. Menjelaskan prinsip knowledge-based agent.
  2. Mendesain aturan logika sederhana untuk Wumpus World.
  3. Menguji program Wumpus World berbasis input-output.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Knowledge, Reasoning, and Planning
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.		 3%

4

Minggu ke 4

Menerapkan fuzzy logic untuk menyelesaikan masalah dengan ketidakpastian.
  1. Menjelaskan konsep dasar fuzzy logic.
  2. Membuat himpunan fuzzy dan aturan inferensi.
  3. Mengimplementasikan fuzzy logic pada kasus sederhana.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Uncertainty Konwlege and reasoning
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.
Materi: Fuzzy Logic
Pustaka: Nguyen, H. T., Walker, C. L., & Walker, E. A. (2019). A first course in fuzzy logic (4th ed.). CRC Press.		 3%

5

Minggu ke 5

Menjelaskan konsep dasar machine learning dan teknik pembagian data.
  1. Menjelaskan supervised, unsupervised, reinforcement, dan deep learning.
  2. Menguraikan perbedaan regresi, klasifikasi, clustering, dan RL.
  3. Menerapkan teknik data splitting (train, validation, test).
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Introduction to Statistical Learning
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.		 3%

6

Minggu ke 6

Mengimplementasikan algoritma regresi untuk memecahkan kasus terapan.
  1. Menjelaskan konsep linear regression dan decision tree regression.
  2. Mengolah dataset untuk analisis regresi.
  3. Mengimplementasikan model regresi menggunakan Python.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Supervised Learning (Regression)
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.		 3%

7

Minggu ke 7

Mengimplementasikan berbagai algoritma klasifikasi pada data nyata.
  1. Menjelaskan konsep logistic regression, decision tree dan KNN.
  2. Menentukan algoritma klasifikasi sesuai jenis data.
  3. Membandingkan hasil akurasi beberapa algoritma klasifikasi.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Supervised Learning (Classification)
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.		 3%

8

Minggu ke 8

Mengevaluasi pemahaman mahasiswa melalui ujian tengah semester (UTS).
  1. Menjelaskan konsep dasar AI, problem solving agent, dan knowledge-based agent.
  2. Menerapkan fuzzy logic serta algoritma supervised learning (regresi & klasifikasi).
  3. Menganalisis hasil implementasi berbagai algoritma AI pada kasus sederhana.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Tes		 Ujian Tengah Semester
3x50
Materi: Latihan soal
Pustaka: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Higher Ed.
Materi: Latihan soal
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.		 10%

9

Minggu ke 9

Menerapkan metode clustering dan dimensionality reduction untuk analisis data.
  1. Menjelaskan konsep clustering dan PCA.
  2. Mengimplementasikan K-Means dan hierarchical clustering.
  3. Menerapkan PCA untuk reduksi dimensi dataset.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Clustering and DImensionality Reduction
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.		 3%

10

Minggu ke 10

Merancang solusi berbasis reinforcement learning pada kasus tertentu.
  1. Menjelaskan prinsip reinforcement learning.
  2. Mendesain agent sederhana dengan reward dan punishment.
  3. Mengimplementasikan RL untuk permasalahan dasar.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Introduction of Reinforcement Learning
Pustaka: Sutton, R. S., & Barto, A. G. (2020). Reinforcement learning: An introduction (2nd ed., draft). MIT Press.		 3%

11

Minggu ke 11

Mengimplementasikan deep learning dan deep reinforcement learning pada kasus terapan.
  1. Menjelaskan arsitektur neural network serta perbedaan RL dan deep RL.
  2. Mendesain model deep learning dan agent deep RL dengan framework Python.
  3. Melatih, menguji, dan mengevaluasi performa model maupun agent pada dataset/kasus tertentu.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah interaktif, diskusi kelompok dan praktik langsung melalui tools pengembangan.
3x50
Materi: Deep Learning
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.
Materi: Deep Reinforcement Learning
Pustaka: Sutton, R. S., & Barto, A. G. (2020). Reinforcement learning: An introduction (2nd ed., draft). MIT Press.		 3%

12

Minggu ke 12

Merancang Proyek Kolaboratif Berbasis AI sesuai Kebutuhan Nyata
  1. Mengidentifikasi masalah nyata yang relevan untuk proyek.
  2. Mendesain solusi AI berbasis algoritma yang sesuai.
  3. Menyusun rencana kerja dan pembagian peran dalam tim proyek.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-based learning, diskusi kelompok dan demonstrasi.
3x50
Materi: A Study Case
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.
Materi: A Study Case
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.		 10%

13

Minggu ke 13

Mengimplementasikan Solusi AI dalam Proyek Kolaboratif Tim.
  1. Mengintegrasikan algoritma ke dalam solusi proyek.
  2. Menyusun dataset serta melakukan pra-pemrosesan data.
  3. Melakukan uji coba awal sistem berbasis AI.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-based learning, diskusi kelompok dan demonstrasi.
3x50
Materi: A Study Case
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.
Materi: A Study Case
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.		 10%

14

Minggu ke 14

Melakukan Pengujian, Validasi, dan Penyempurnaan Solusi AI.
  1. Melakukan pengujian dan validasi sistem AI dengan skenario terapan.
  2. Mengevaluasi hasil performa solusi dengan metrik yang sesuai.
  3. Menyempurnakan sistem berdasarkan hasil pengujian.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-based learning, diskusi kelompok dan demonstrasi.
3x50
Materi: A Study Case
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.
Materi: A Study Case
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.		 10%

15

Minggu ke 15

Mengomunikasikan dan Mempresentasikan Hasil Proyek AI
  1. Menyusun laporan hasil proyek berbasis AI.
  2. Menyajikan hasil implementasi melalui media presentasi.
  3. Memberikan justifikasi solusi berdasarkan hasil evaluasi.
 Kriteria:

Nilai performa 1-100


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-based learning, diskusi kelompok dan demonstrasi.
3x50
Materi: A Study Case
Pustaka: James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: with Applications in R. Springer Nature.
Materi: A Study Case
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.		 20%

16

Minggu ke 16

Mengevaluasi capaian pembelajaran mahasiswa melalui ujian akhir semester.
  1. Menjawab soal teori AI dari seluruh materi.
  2. Menyelesaikan soal pemrograman sederhana terkait algoritma AI.
  3. Mengevaluasi pemahaman mahasiswa melalui studi kasus tertulis.
 Kriteria:

Ujian Akhir Semester


Bentuk Penilaian :
Tes		 Ujian Akhir Semester
3x50
Materi: Latihan soal
Pustaka: Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning.
Materi: Latihan soal
Pustaka: Sutton, R. S., & Barto, A. G. (2020). Reinforcement learning: An introduction (2nd ed., draft). MIT Press.		 10%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 15%
2. Penilaian Hasil Project / Penilaian Produk 50%
3. Praktik / Unjuk Kerja 15%
4. Tes 20%
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.