Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Deep Learning

5510003017

Mata Kuliah Pilihan Program Studi

T=3

P=0

ECTS=6.72

3

16 Januari 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Prof. Dr. Lilik Anifah, S.T., M.T.


Dr. Ir. Ricky Eka Putra, 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

Mampu mengaplikasikan keahlian lanjut dalam bidang Informatika, khususnya Sains Data dan Kecerdasan Artifisial, Jaringan Cerdas dan Multimedia, serta Rekayasa Sistem Informatika, sesuai dengan kebutuhan riset, industri, pendidikan, dan masyarakat.

PLO-7

Mampu menganalisis kebutuhan, memformulasikan masalah, dan merancang alternatif solusi terhadap permasalahan kompleks di bidang Informatika dengan menggunakan metode analitis, komputasional, dan berbasis data.

PLO-8

Mampu mengevaluasi kinerja sistem, teknologi, atau solusi informatika berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna/organisasi untuk menghasilkan perbaikan berkelanjutan.

Program Objectives (PO)

PO - 1

Mengaplikasikan keahlian lanjut dalam bidang Sains Data dan Kecerdasan Artifisial untuk mendukung analisis data, pemodelan, prediksi, dan pengambilan keputusan. (CPMK05.1)

PO - 2

Menganalisis kebutuhan, memformulasikan masalah, dan menentukan pendekatan penyelesaian terhadap permasalahan kompleks di bidang Informatika. (CPMK07.1)

PO - 3

Menerapkan metode analitis, komputasional, dan berbasis data untuk menyelesaikan permasalahan dalam bidang Informatika. (CPMK07.2)

PO - 4

Mengevaluasi kinerja sistem, model, teknologi, atau solusi informatika berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna atau organisasi. (CPMK08.1)

Matrik PLO-PO
 
POPLO-5PLO-7PLO-8
PO-1✔  
PO-2 ✔ 
PO-3 ✔ 
PO-4  ✔

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✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Deep Learning (3 SKS) membekali mahasiswa dengan kemampuan menganalisis kebutuhan, memformulasikan masalah, dan menentukan pendekatan penyelesaian terhadap permasalahan kompleks yang layak diselesaikan dengan pembelajaran mendalam (CPMK07.1); menerapkan metode analitis, komputasional, dan berbasis data - mulai dari fondasi jaringan saraf tiruan, backpropagation, optimasi dan regularisasi, hingga arsitektur lanjut - untuk menyelesaikan permasalahan informatika (CPMK07.2); mengaplikasikan keahlian lanjut Sains Data dan Kecerdasan Artifisial melalui arsitektur deep learning modern - convolutional neural network (CNN), recurrent neural network (RNN/LSTM), Transformer, autoencoder, dan generative model - untuk pemodelan, prediksi, dan pengambilan keputusan pada data citra, teks, dan deret waktu (CPMK05.1); serta mengevaluasi kinerja model deep learning berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna atau organisasi (CPMK08.1). Melalui model Project Based Learning, mahasiswa membangun proyek deep learning end-to-end: dari formulasi masalah, penyiapan data dan arsitektur, pelatihan dan tuning model, evaluasi kinerja, hingga deployment dan penyajian hasil.

Pustaka

Utama :

  1. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
  2. A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
  3. S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
  4. F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.

Pendukung :

  1. E. Yohannes, A. Mulyono, A. Prapanca, F. Utaminingrum, T. K. Shih, C-Y. Lin, and K. Muchtar, "Indonesia traffic sign recognition using a one-stage detector YOLOv8," in Proc. 2024 7th Int. Conf. Vocational Educ. Electr. Eng. (ICVEE), Malang, Indonesia, 2024, pp. 169-174, doi: 10.1109/ICVEE63912.2024.10824005.
  2. M. Gunawan and Y. Yamasari, "Klasifikasi level retinopati diabetik menggunakan metode hybrid Vision Transformer dan EfficientNet," J. Informatics Comput. Sci. (JINACS), vol. 7, no. 3, Univ. Negeri Surabaya, 2026.
  3. E. Yohannes, A. Febriansyah, N. D. Septiyanti, Suparji, A. Wiyono, A. D. Indriyanti, F. Utaminingrum, C-Y. Lin, K. Muchtar, and A. Enkhbat,
  4. I. Alpiana, W. Yustanti, and Y. Yamasari,
  5. K. Wulandari and Y. Yamasari,
  6. A. F. Hanafi and E. Yohannes,
  7. M. Cinthya, W. Yustanti, I. K. D. Nuryana, C. D. Putra, R. W. Putra, D. P. K. Dayu, A. E. Faradilla, and C. I. Kurniasari,
  8. I. K. Somawirata, F. Utaminingrum, C. Wada, and E. Yohannes,
  9. H. P. A. Tjahyaningtijas, L. Rakhmawati, P. Puspitaningayu, S. S. Sabila, L. Suciningtyas, L. R. Yustiadi, and A. Kusumaningsih, "Deep feature extraction of brain tumor MRI classification based on hybrid CNN-XGBoost," Int. J. Intell. Eng. Syst. (IJIES), 2025.

Dosen Pengampu

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

Prof. Dr. Ir. Lilik Anifah, S.T., M.T.

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

Mahasiswa mampu menjelaskan konsep dan lanskap deep learning, perbedaannya dengan machine learning klasik, jenis-jenis tugas (supervised, unsupervised, self-supervised), serta mengidentifikasi dan memformulasikan permasalahan yang layak diselesaikan dengan pendekatan deep learning.
  1. Ketepatan menjelaskan konsep dan lanskap deep learning.
  2. Ketajaman formulasi masalah yang layak.
  3. Kejelasan kandidat topik proyek.
 Kriteria:
  1. Skor rubrik pemahaman konsep dasar minimal 70.
  2. Dokumen formulasi masalah dan sumber data proyek terkumpul lengkap.

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Dosen memaparkan RPS, kontrak kuliah, dan gambaran proyek akhir deep learning; pembahasan sejarah dan lanskap deep learning, perbedaan feature engineering manual vs representation learning, taksonomi tugas dan modalitas data (citra, teks, deret waktu); diskusi kasus keberhasilan deep learning di berbagai domain; mahasiswa membentuk kelompok proyek dan mengeksplorasi kandidat masalah beserta ketersediaan datanya.
3 x 50
Materi: Introduction to Artificial Neural Networks: lanskap deep learning dan perbedaannya dengan ML klasik
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

2

Minggu ke 2

Mahasiswa mampu menjelaskan dan mengimplementasikan fondasi jaringan saraf tiruan - perceptron, multilayer perceptron (MLP), fungsi aktivasi (sigmoid, tanh, ReLU dan variannya), serta forward propagation - sebagai dasar komputasi deep learning.
  1. Ketepatan implementasi MLP dan forward propagation.
  2. Pemahaman peran fungsi aktivasi.
  3. Kelayakan baseline awal.
 Kriteria:

Notebook praktikum MLP dan analisis pengaruh arsitektur memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan model neuron, perceptron dan keterbatasannya, arsitektur MLP, serta peran dan karakteristik fungsi aktivasi; praktikum implementasi forward propagation MLP sederhana (from scratch dan dengan framework) untuk klasifikasi dasar; latihan mengamati pengaruh jumlah layer/neuron dan fungsi aktivasi terhadap keluaran; kelompok menyiapkan baseline MLP untuk data proyeknya bila relevan.
3 x 50
Materi: MLP, fungsi aktivasi, dan arsitektur feedforward.
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.		 5%

3

Minggu ke 3

Mahasiswa mampu menjelaskan dan menerapkan mekanisme pelatihan jaringan saraf - fungsi loss, algoritme backpropagation, gradient descent dan variannya (SGD, momentum, Adam) - untuk mengoptimalkan parameter model.
  1. Pemahaman mekanisme backpropagation.
  2. Ketepatan pemilihan optimizer dan learning rate.
  3. Kualitas analisis kurva pelatihan.
 Kriteria:

Laporan eksperimen pelatihan dan pemilihan optimizer memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan fungsi loss (MSE, cross-entropy), prinsip backpropagation dan chain rule, serta algoritme optimasi (SGD, momentum, RMSProp, Adam) dan learning rate scheduling; praktikum melatih jaringan dan membandingkan konvergensi berbagai optimizer serta learning rate; kelompok melatih baseline model proyeknya dan mendokumentasikan kurva pelatihan.
3 x 50
Materi: Optimization for Training Deep Models: backpropagation, gradient descent, dan optimizer.
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.		 5%

4

Minggu ke 4

Mahasiswa mampu mendiagnosis overfitting/underfitting dan menerapkan teknik regularisasi (L1/L2, dropout, early stopping, batch normalization, data augmentation) untuk meningkatkan generalisasi model deep learning.
  1. Ketepatan diagnosis masalah generalisasi.
  2. Kesesuaian teknik regularisasi yang dipilih.
  3. Peningkatan generalisasi yang terukur.
 Kriteria:

Laporan eksperimen regularisasi pada model proyek memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan bias-variance trade-off, diagnosis overfitting melalui kurva train-validation, dan teknik regularisasi (weight decay, dropout, early stopping, batch/layer normalization, augmentasi data); praktikum menerapkan berbagai teknik regularisasi dan mengukur dampaknya terhadap generalisasi; klinik model: kelompok memperbaiki generalisasi model proyeknya dan mendokumentasikan hasilnya.
3 x 50
Materi: Dropout, weight decay, dan teknik generalisasi.
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.		 5%

5

Minggu ke 5

Mahasiswa mampu menjelaskan dan membangun convolutional neural network - operasi konvolusi, pooling, arsitektur klasik (LeNet, AlexNet, VGG, ResNet) - untuk tugas analisis citra.
  1. Pemahaman operasi dan arsitektur CNN.
  2. Keberhasilan pelatihan CNN.
  3. Kelayakan model citra awal proyek.
 Kriteria:

Notebook CNN dan laporan eksperimen arsitektur memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan motivasi CNN untuk data citra, operasi konvolusi dan pooling, konsep receptive field, parameter sharing, serta evolusi arsitektur klasik (LeNet hingga ResNet dengan residual connection); praktikum membangun dan melatih CNN untuk klasifikasi citra; kelompok yang berdomain citra mulai membangun model CNN proyeknya, kelompok lain melatih CNN pada studi kasus pembanding.
3 x 50
Materi: Deep Computer Vision Using CNNs: konvolusi, pooling, dan arsitektur CNN klasik.
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

6

Minggu ke 6

Mahasiswa mampu menerapkan transfer learning dan fine-tuning arsitektur pra-terlatih (VGG, ResNet, EfficientNet) untuk menyelesaikan tugas dengan data terbatas secara efisien.
  1. Ketepatan strategi transfer learning.
  2. Peningkatan kinerja/efisiensi terhadap baseline.
  3. Kualitas analisis komparatif.
 Kriteria:

Laporan eksperimen transfer learning proyek memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan konsep transfer learning: feature extraction vs fine-tuning, pembekuan layer, dan strategi learning rate diferensial; praktikum fine-tuning model pra-terlatih pada dataset dengan data terbatas dan perbandingan dengan pelatihan from-scratch; kelompok menerapkan transfer learning pada model proyeknya dan mengukur peningkatan kinerja serta efisiensi pelatihan.
3 x 50
Materi: Transfer learning pada CNN: pemanfaatan model pra-terlatih dan fine-tuning.
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

7

Minggu ke 7

Mahasiswa mampu mengevaluasi model deep learning secara ilmiah menggunakan metrik yang tepat sesuai tugas, desain eksperimen yang valid (pembagian data, cross-validation, kontrol kebocoran data), serta analisis kesalahan dan interpretabilitas.
  1. Ketepatan pemilihan metrik dan desain eksperimen.
  2. Kedalaman analisis kesalahan dan interpretabilitas.
  3. Kelengkapan protokol evaluasi.
 Kriteria:

Protokol dan laporan evaluasi model proyek memperoleh skor rubrik minimal 70 tanpa cacat metodologis mayor.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan pemilihan metrik sesuai tugas (akurasi, presisi-recall, F1, ROC-AUC, mAP, MAE/RMSE), desain eksperimen yang valid, uji perbandingan model, dan interpretabilitas (Grad-CAM, saliency); workshop: setiap kelompok menyusun protokol evaluasi lengkap dan menganalisis kesalahan model proyeknya menjelang UTS; latihan interpretasi hasil untuk perbaikan model.
3 x 50
Materi: Measuring Performance: metrik, generalisasi, dan evaluasi model.
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.		 5%

8

Minggu ke 8

Mahasiswa mampu mempertanggungjawabkan formulasi masalah, arsitektur, pelatihan, regularisasi, dan evaluasi model proyek tahap 1, serta mendemonstrasikan penguasaan fondasi deep learning pertemuan 1-7.
  1. Penguasaan konsep pada tes tertulis.
  2. Kelengkapan dan koherensi paket kemajuan tahap 1.
  3. Kualitas argumentasi keputusan pemodelan.
 Kriteria:
  1. Skor gabungan tes tertulis dan paket kemajuan minimal 70.
  2. Proyek dinyatakan layak lanjut ke tahap arsitektur lanjut.

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Ujian SubSumatif: (1) tes tertulis individu mencakup fondasi jaringan saraf, backpropagation dan optimasi, regularisasi, CNN, transfer learning, serta evaluasi model; (2) presentasi kelompok atas paket kemajuan proyek tahap 1 (formulasi masalah, arsitektur, hasil pelatihan-regularisasi, dan evaluasi awal) beserta tanya jawab; telaah contoh penerapan klasifikasi citra medis dari hasil riset dosen (retinopati diabetik hybrid ViT-EfficientNet dan klasifikasi kanker kulit berbasis VGG16) sebagai rujukan mutu eksperimen.
3 x 50
Materi: Contoh eksperimen klasifikasi citra medis.
Pustaka: M. Gunawan and Y. Yamasari,
Materi: Penerapan transfer learning pada citra medis.
Pustaka: M. Cinthya, W. Yustanti, I. K. D. Nuryana, C. D. Putra, R. W. Putra, D. P. K. Dayu, A. E. Faradilla, and C. I. Kurniasari,
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.		 15%

9

Minggu ke 9

Mahasiswa mampu merancang dan menerapkan CNN untuk tugas deteksi objek (arsitektur one-stage YOLO) dan segmentasi semantik (arsitektur encoder-decoder U-Net) pada data citra.
  1. Ketepatan penyiapan data dan pelatihan model deteksi/segmentasi.
  2. Pemahaman arsitektur YOLO/U-Net.
  3. Kualitas hasil berbasis metrik (mAP/IoU).
 Kriteria:

Laporan praktikum deteksi/segmentasi memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum		 Pembahasan formulasi deteksi objek (bounding box, anchor, NMS) dengan arsitektur YOLO dan segmentasi semantik dengan U-Net (skip connection, encoder-decoder); praktikum pelatihan model deteksi atau segmentasi; telaah dua hasil riset dosen: pengenalan rambu lalu lintas Indonesia dengan YOLOv8 dan segmentasi semantik U-Net pada dataset monokular sebagai rujukan desain eksperimen; kelompok menerapkan komponen deteksi/segmentasi bila relevan dengan proyeknya.
3 x 50
Materi: Deteksi objek dengan YOLO.
Pustaka: E. Yohannes, A. Mulyono, A. Prapanca, F. Utaminingrum, T. K. Shih, C-Y. Lin, and K. Muchtar,
Materi: Segmentasi semantik dengan U-Net.
Pustaka: A. F. Hanafi and E. Yohannes,		 5%

10

Minggu ke 10

Mahasiswa mampu merancang dan menerapkan recurrent neural network (RNN, LSTM, GRU) untuk pemodelan data sekuensial dan prediksi deret waktu, serta memahami penanganan masalah vanishing/exploding gradient.
  1. Pemahaman mekanisme LSTM/GRU.
  2. Kebenaran validasi temporal.
  3. Kualitas model prediksi sekuensial.
 Kriteria:

Laporan praktikum RNN/LSTM memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan arsitektur RNN, masalah vanishing/exploding gradient, serta mekanisme gerbang pada LSTM dan GRU; praktikum membangun model LSTM/GRU untuk prediksi deret waktu dengan validasi temporal yang benar; telaah hasil riset dosen tentang forecasting harga saham dengan pendekatan LSTM sebagai rujukan desain eksperimen; kelompok menerapkan komponen sekuensial pada proyeknya bila relevan.
3 x 50
Materi: RNN, LSTM, dan GRU.
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Desain eksperimen forecasting dengan LSTM.
Pustaka: E. Yohannes, A. Febriansyah, N. D. Septiyanti, Suparji, A. Wiyono, A. D. Indriyanti, F. Utaminingrum, C-Y. Lin, K. Muchtar, and A. Enkhbat,		 5%

11

Minggu ke 11

Mahasiswa mampu menjelaskan mekanisme attention dan arsitektur Transformer, serta menerapkan model bahasa pra-terlatih berbasis Transformer (BERT/IndoBERT) untuk tugas pemrosesan bahasa alami.
  1. Pemahaman mekanisme attention dan Transformer.
  2. Keberhasilan fine-tuning model bahasa.
  3. Kualitas hasil tugas NLP.
 Kriteria:

Laporan praktikum Transformer/IndoBERT memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum		 Pembahasan keterbatasan RNN, mekanisme self-attention dan multi-head attention, arsitektur Transformer (encoder-decoder), serta paradigma pretraining-finetuning model bahasa; praktikum fine-tuning IndoBERT untuk klasifikasi teks/analisis sentimen berbahasa Indonesia; telaah hasil riset dosen tentang optimasi IndoBERT dan BiLSTM-BiGRU untuk analisis sentimen layanan kampus sebagai studi kasus utama; kelompok menerapkan komponen berbasis Transformer bila relevan.
3 x 50
Materi: Self-attention dan arsitektur Transformer.
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Penerapan model bahasa Transformer bahasa Indonesia.
Pustaka: I. Alpiana, W. Yustanti, and Y. Yamasari,		 5%

12

Minggu ke 12

Mahasiswa mampu menjelaskan dan menerapkan autoencoder untuk representation learning, reduksi dimensi, dan deteksi anomali, serta memahami pemanfaatan representasi mendalam dalam sistem deep learning modern seperti Retrieval Augmented Generation (RAG).
  1. Pemahaman autoencoder dan representation learning.
  2. Ketepatan penerapan pada tugas terpilih.
  3. Pemahaman konsep sistem berbasis embedding/RAG.
 Kriteria:

Fungsi sistem sesuai rancangan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan arsitektur autoencoder (vanilla, denoising, variational) untuk representation learning, reduksi dimensi, dan deteksi anomali, serta konsep embedding dan penggunaannya pada sistem RAG (retriever-generator); praktikum autoencoder untuk kompresi/deteksi anomali dan/atau eksplorasi embedding; telaah hasil riset dosen tentang analisis kinerja RAG klasik pada chatbot akademik multimodal sebagai studi kasus sistem modern; kelompok menilai relevansi teknik ini bagi proyeknya.
3 x 50
Materi: Representasi laten dan penerapannya.
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Sistem deep learning modern berbasis representasi.
Pustaka: K. Wulandari and Y. Yamasari,		 5%

13

Minggu ke 13

Mahasiswa mampu menjelaskan dan menerapkan model generatif deep learning (VAE dan GAN) untuk pembangkitan data, augmentasi, serta memahami tantangan pelatihannya.
  1. Pemahaman prinsip VAE dan GAN.
  2. Keberhasilan pelatihan model generatif sederhana.
  3. Kesadaran tantangan dan etika.
 Kriteria:

Ketepatan isi dengan hasil yang dicapai


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan paradigma generatif: VAE (latent space probabilistik) dan GAN (generator-discriminator, adversarial training) beserta tantangannya (mode collapse, ketidakstabilan); praktikum melatih model generatif sederhana untuk pembangkitan/augmentasi data; diskusi implikasi etis konten sintetis dan pemanfaatan augmentasi generatif untuk mengatasi keterbatasan data; kelompok menilai relevansi augmentasi generatif bagi proyeknya.
3 x 50
Materi: VAE, GAN, dan pembangkitan data.
Pustaka: F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.		 5%

14

Minggu ke 14

Mahasiswa mampu mengembangkan solusi deep learning end-to-end - optimasi model, pendekatan hybrid, kuantisasi/optimasi inferensi, dan deployment ke aplikasi web/edge - untuk menyelesaikan permasalahan nyata.
  1. Keberhasilan integrasi model ke aplikasi berjalan.
  2. Ketepatan strategi optimasi/hybrid.
  3. Kualitas antarmuka dan dokumentasi.
 Kriteria:

Prototipe aplikasi deep learning berjalan dan dapat didemonstrasikan dengan skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio, Penilaian Praktikum		 Pembahasan alur produksi model deep learning: ekspor model, optimasi inferensi (kuantisasi, pruning), pendekatan hybrid (deep feature classifier klasik), dan opsi deployment (REST API, Streamlit/Gradio, edge); telaah hasil riset dosen tentang klasifikasi tumor otak MRI berbasis hybrid CNN-XGBoost sebagai contoh pendekatan hybrid; sprint integrasi: setiap kelompok mengintegrasikan model terbaiknya ke aplikasi yang dapat didemonstrasikan; uji coba silang antar kelompok.
3 x 50
Materi: Best practices dan deployment: alur produksi model deep learning.
Pustaka: F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.
Materi: Pendekatan hybrid deep feature dan classifier.
Pustaka: H. P. A. Tjahyaningtijas, L. Rakhmawati, P. Puspitaningayu, S. S. Sabila, L. Suciningtyas, L. R. Yustiadi, and A. Kusumaningsih,		 5%

15

Minggu ke 15

Mahasiswa mampu mengevaluasi keseluruhan solusi deep learning terhadap tujuan dan kebutuhan pengguna, memastikan reproduktibilitas eksperimen, serta menyusun laporan ilmiah proyek beserta rekomendasi.
  1. Kelengkapan evaluasi menyeluruh dan ablation.
  2. Jaminan reproduktibilitas.
  3. Sistematika draf laporan akhir.
 Kriteria:

Draf laporan akhir dan hasil evaluasi menyeluruh memperoleh skor rubrik minimal 70 dan dinyatakan siap uji.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Kelompok menjalankan evaluasi menyeluruh (metrik lengkap, ablation study, uji pada data baru) dan memastikan reproduktibilitas (seed, versi lingkungan, dokumentasi kode); telaah hasil riset dosen tentang evaluasi efektivitas model deep learning pada klasifikasi citra X-ray dada sebagai rujukan pelaporan eksperimen komparatif; peer review draf laporan akhir antar kelompok dan gladi presentasi Ujian Sumatif.
3 x 50
Materi: Desain evaluasi komparatif model deep learning.
Pustaka: I. K. Somawirata, F. Utaminingrum, C. Wada, and E. Yohannes,
Materi: Sesuai topik proyek masing-masing.
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
Materi: Sesuai topik proyek masing-masing.
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Sesuai topik proyek masing-masing.
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Sesuai topik proyek masing-masing.
Pustaka: F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.		 5%

16

Minggu ke 16

Mahasiswa mampu mempertanggungjawabkan solusi deep learning end-to-end - dari formulasi masalah, arsitektur dan pelatihan, evaluasi, hingga deployment dan rekomendasi - melalui presentasi ilmiah, demonstrasi, dan tanya jawab komprehensif.
  1. Kualitas laporan akhir dan solusi final.
  2. Efektivitas presentasi dan demonstrasi.
  3. Penguasaan individu dalam tanya jawab komprehensif.
 Kriteria:
  1. Skor gabungan laporan, solusi, presentasi, dan tanya jawab minimal 70.
  2. Seluruh deliverables terkumpul lengkap.

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Ujian Sumatif: setiap kelompok mempresentasikan laporan akhir proyek (formulasi masalah, arsitektur dan strategi pelatihan, evaluasi kinerja, dan deployment) dan mendemonstrasikan solusi/aplikasi yang berjalan; tanya jawab komprehensif individu mencakup materi pertemuan 1-15; pengumpulan laporan akhir, kode sumber terdokumentasi dan reproducible, serta seluruh deliverables proyek.
3 x 50
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: S. J. D. Prince, Understanding Deep Learning. Cambridge, MA, USA: MIT Press, 2023.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY, USA: Manning, 2021.		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 12.5%
2. Penilaian Hasil Project / Penilaian Produk 64.17%
3. Penilaian Portofolio 1.67%
4. Penilaian Praktikum 6.67%
5. Tes 15%
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.