Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Pendidikan Teknologi Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Pembelajaran Mesin

8321503011

T=2

P=0

ECTS=4.48

2

28 Juni 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Yeni Anistyasari


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


RINA HARIMURTI

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-8

Mengidentifikasi, menganalisis, dan memecahkan masalah kompleks dalam konteks pendidikan teknologi informasi menggunakan pendekatan yang kritis, logis, dan berbasis data

PLO-10

Merancang, mengembangkan, dan mengimplementasikan sistem pembelajaran yang memanfaatkan teknologi informasi secara efektif, inovatif, dan sesuai dengan kebutuhan pembelajaran adaptif dan analitis

PLO-11

Mengaplikasikan teknik learning analytics, adaptive learning, dan cybersecurity in education untuk menganalisis data pembelajaran, mengevaluasi efektivitas strategi pembelajaran, dan memberikan rekomendasi berbasis data untuk peningkatan proses pendidikan

Program Objectives (PO)

PO - 1

Mengevaluasi konsep, paradigma, dan algoritma pembelajaran mesin untuk menyelesaikan permasalahan pendidikan teknologi informasi secara kritis dan berbasis data.

PO - 2

Menganalisis data pendidikan menggunakan teknik pra-pemrosesan, eksplorasi data, dan pemilihan fitur untuk mendukung pembangunan model pembelajaran mesin.

PO - 3

Mengembangkan model pembelajaran mesin menggunakan teknik supervised learning untuk menghasilkan prediksi atau klasifikasi pada data pendidikan.

PO - 4

Mengembangkan model pembelajaran mesin menggunakan algoritma supervised dan unsupervised learning untuk menghasilkan solusi terhadap permasalahan pendidikan teknologi informasi.

PO - 5

Merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk mendukung learning analytics, adaptive learning, atau pengambilan keputusan pendidikan.

Matrik PLO-PO
 
POPLO-8PLO-10PLO-11
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 Pembelajaran Mesin (Machine Learning) membahas konsep, prinsip, metode, dan implementasi algoritma pembelajaran mesin untuk menyelesaikan permasalahan dalam bidang pendidikan teknologi informasi. Mahasiswa mempelajari tahapan machine learning mulai dari pengumpulan dan pra-pemrosesan data, eksplorasi data, pemilihan fitur, pembangunan model supervised dan unsupervised learning, evaluasi model, interpretasi hasil, hingga implementasi machine learning pada learning analytics, adaptive learning, dan pengambilan keputusan berbasis data pendidikan. Melalui pendekatan project-based learning, mahasiswa mengembangkan produk analitik atau prototipe sistem berbasis machine learning untuk memecahkan permasalahan autentik dalam konteks pendidikan.

Pustaka

Utama :

  1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
  2. Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
  3. Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
  4. Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.
  5. Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.

Pendukung :

  1. Scikit-Learn Developers. Scikit-Learn Documentation. Available at: https://scikit-learn.org
  2. TensorFlow Team. TensorFlow Documentation. Available at: https://www.tensorflow.org
  3. Orange Data Mining Team. Orange Data Mining Documentation. Available at: https://orangedatamining.com
  4. PyTorch Team. PyTorch Documentation. Available at: https://pytorch.org
  5. Google Colaboratory. Google Colab Documentation. Available at: https://colab.research.google.com

Dosen Pengampu

Dr. Ir. Subuh Isnur Haryudo, S.T., M.T.

Dr. Yeni Anistyasari, S.Pd., 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

Setelah mengikuti pembelajaran, mahasiswa mampu mengevaluasi konsep dasar, karakteristik, paradigma, dan ruang lingkup pembelajaran mesin dalam konteks pendidikan teknologi informasi berdasarkan studi kasus yang diberikan secara kritis dan berbasis data dengan ketepatan minimal 80%.
  1. Ketepatan menjelaskan konsep dasar machine learning.
  2. Ketepatan membedakan Artificial Intelligence, Machine Learning, dan Deep Learning.
  3. Ketepatan mengidentifikasi paradigma supervised learning, unsupervised learning, dan reinforcement learning.
  4. Ketepatan mengevaluasi manfaat dan keterbatasan machine learning dalam pendidikan.
  5. Ketepatan menganalisis studi kasus penerapan machine learning dalam pendidikan.
 Kriteria:
  1. Menjelaskan konsep secara tepat dan komprehensif
  2. Mampu membandingkan berbagai paradigma machine learning secara kritis
  3. Mampu menghubungkan konsep dengan kasus pendidikan nyata
  4. Menyampaikan argumentasi berbasis data dan referensi ilmiah
  5. Aktif berkontribusi dalam diskusi kelas

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Kuliah interaktif mengenai kontrak perkuliahan dan capaian pembelajaran mata kuliah.
Diskusi mengenai perkembangan Artificial Intelligence, Machine Learning, Learning Analytics, dan Adaptive Learning dalam pendidikan.
Analisis studi kasus penerapan machine learning pada prediksi keberhasilan belajar, deteksi risiko putus studi, dan personalisasi pembelajaran.
Presentasi kelompok dan diskusi kelas.
Materi: Pengantar Machine Learning dan Deep Learning.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Paradigma Machine Learning (Supervised, Unsupervised, Reinforcement Learning).
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Hubungan AI, Data Mining, dan Machine Learning.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Penerapan Machine Learning dalam Learning Analytics dan Adaptive Learning.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman		 5%

2

Minggu ke 2

Setelah mengikuti pembelajaran, mahasiswa mampu mengevaluasi konsep dasar, karakteristik, paradigma, dan ruang lingkup pembelajaran mesin dalam konteks pendidikan teknologi informasi berdasarkan studi kasus yang diberikan secara kritis dan berbasis data dengan ketepatan minimal 80%.
  1. Ketepatan menjelaskan konsep dasar machine learning.
  2. Ketepatan membedakan Artificial Intelligence, Machine Learning, dan Deep Learning.
  3. Ketepatan mengidentifikasi paradigma supervised learning, unsupervised learning, dan reinforcement learning.
  4. Ketepatan mengevaluasi manfaat dan keterbatasan machine learning dalam pendidikan.
  5. Ketepatan menganalisis studi kasus penerapan machine learning dalam pendidikan.
 Kriteria:
  1. Menjelaskan konsep secara tepat dan komprehensif
  2. Mampu membandingkan berbagai paradigma machine learning secara kritis
  3. Mampu menghubungkan konsep dengan kasus pendidikan nyata
  4. Menyampaikan argumentasi berbasis data dan referensi ilmiah
  5. Aktif berkontribusi dalam diskusi kelas

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Kuliah interaktif mengenai kontrak perkuliahan dan capaian pembelajaran mata kuliah.
Diskusi mengenai perkembangan Artificial Intelligence, Machine Learning, Learning Analytics, dan Adaptive Learning dalam pendidikan.
Analisis studi kasus penerapan machine learning pada prediksi keberhasilan belajar, deteksi risiko putus studi, dan personalisasi pembelajaran.
Presentasi kelompok dan diskusi kelas.
Materi: Pengantar Machine Learning dan Deep Learning.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Paradigma Machine Learning (Supervised, Unsupervised, Reinforcement Learning).
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Hubungan AI, Data Mining, dan Machine Learning.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Penerapan Machine Learning dalam Learning Analytics dan Adaptive Learning.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman		 5%

3

Minggu ke 3

Mahasiswa mampu menganalisis karakteristik data pendidikan melalui teknik pra-pemrosesan, eksplorasi data, dan pemilihan fitur menggunakan dataset pendidikan nyata sehingga menghasilkan dataset yang layak digunakan untuk pemodelan.

Ketepatan melakukan preprocessing; Ketepatan eksplorasi data; Ketepatan pemilihan fitur

 Kriteria:

Kelengkapan tahapan analisis; Kualitas dataset hasil preprocessing; Relevansi fitur yang dipilih


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Praktikum, Diskusi
Materi: Educational Dataset, Data Preprocessing, Exploratory Data Analysis (EDA), Feature Engineering, Feature Selection.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Educational Dataset, Data Preprocessing, Exploratory Data Analysis (EDA), Feature Engineering, Feature Selection.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.		 5%

4

Minggu ke 4

Mahasiswa mampu menganalisis karakteristik data pendidikan melalui teknik pra-pemrosesan, eksplorasi data, dan pemilihan fitur menggunakan dataset pendidikan nyata sehingga menghasilkan dataset yang layak digunakan untuk pemodelan.

Ketepatan melakukan preprocessing; Ketepatan eksplorasi data; Ketepatan pemilihan fitur

 Kriteria:

Kelengkapan tahapan analisis; Kualitas dataset hasil preprocessing; Relevansi fitur yang dipilih


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Praktikum, Diskusi
Materi: Educational Dataset, Data Preprocessing, Exploratory Data Analysis (EDA), Feature Engineering, Feature Selection.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Educational Dataset, Data Preprocessing, Exploratory Data Analysis (EDA), Feature Engineering, Feature Selection.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.		 5%

5

Minggu ke 5

Mahasiswa mampu mengembangkan model pembelajaran mesin berbasis supervised learning menggunakan dataset pendidikan yang telah diproses dengan performa model minimal kategori baik berdasarkan metrik evaluasi yang sesuai.

Ketepatan implementasi algoritma; Ketepatan konfigurasi model; Ketepatan interpretasi hasil

 Kriteria:

Akurasi model; Kesesuaian algoritma; Kualitas dokumentasi eksperimen


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, Project Based Learning, Demonstrasi
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.		 5%

6

Minggu ke 6

Mahasiswa mampu mengembangkan model pembelajaran mesin berbasis supervised learning menggunakan dataset pendidikan yang telah diproses dengan performa model minimal kategori baik berdasarkan metrik evaluasi yang sesuai.

Ketepatan implementasi algoritma; Ketepatan konfigurasi model; Ketepatan interpretasi hasil

 Kriteria:

Akurasi model; Kesesuaian algoritma; Kualitas dokumentasi eksperimen


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, Project Based Learning, Demonstrasi
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.		 5%

7

Minggu ke 7

Mahasiswa mampu mengembangkan model pembelajaran mesin berbasis supervised learning menggunakan dataset pendidikan yang telah diproses dengan performa model minimal kategori baik berdasarkan metrik evaluasi yang sesuai.

Ketepatan implementasi algoritma; Ketepatan konfigurasi model; Ketepatan interpretasi hasil

 Kriteria:

Akurasi model; Kesesuaian algoritma; Kualitas dokumentasi eksperimen


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, Project Based Learning, Demonstrasi
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.		 5%

8

Minggu ke 8

Mahasiswa mampu mengembangkan model pembelajaran mesin berbasis supervised learning menggunakan dataset pendidikan yang telah diproses dengan performa model minimal kategori baik berdasarkan metrik evaluasi yang sesuai.

Ketepatan implementasi algoritma; Ketepatan konfigurasi model; Ketepatan interpretasi hasil

 Kriteria:

Akurasi model; Kesesuaian algoritma; Kualitas dokumentasi eksperimen


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, Project Based Learning, Demonstrasi
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Supervised Learning, Decision Tree, Naïve Bayes, Random Forest, Support Vector Machine, Model Training.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.		 5%

9

Minggu ke 9

Mahasiswa mampu mengevaluasi performa model pembelajaran mesin dan membandingkan beberapa algoritma berdasarkan hasil eksperimen dan validasi model dengan memberikan rekomendasi algoritma yang paling sesuai untuk kasus pendidikan tertentu.

Ketepatan penggunaan metrik evaluasi; Ketepatan validasi model; Ketepatan rekomendasi algoritma

 Kriteria:

Ketepatan rekomendasi algoritma Ketepatan interpretasi hasil; Kedalaman analisis perbandingan model; Kesesuaian rekomendasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Case Method, Praktikum, Project Based Learning
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman		 5%

10

Minggu ke 10

Mahasiswa mampu mengevaluasi performa model pembelajaran mesin dan membandingkan beberapa algoritma berdasarkan hasil eksperimen dan validasi model dengan memberikan rekomendasi algoritma yang paling sesuai untuk kasus pendidikan tertentu.

Ketepatan penggunaan metrik evaluasi; Ketepatan validasi model; Ketepatan rekomendasi algoritma

 Kriteria:

Ketepatan rekomendasi algoritma Ketepatan interpretasi hasil; Kedalaman analisis perbandingan model; Kesesuaian rekomendasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Case Method, Praktikum, Project Based Learning
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman		 5%

11

Minggu ke 11

Mahasiswa mampu mengevaluasi performa model pembelajaran mesin dan membandingkan beberapa algoritma berdasarkan hasil eksperimen dan validasi model dengan memberikan rekomendasi algoritma yang paling sesuai untuk kasus pendidikan tertentu.

Ketepatan penggunaan metrik evaluasi; Ketepatan validasi model; Ketepatan rekomendasi algoritma

 Kriteria:

Ketepatan rekomendasi algoritma Ketepatan interpretasi hasil; Kedalaman analisis perbandingan model; Kesesuaian rekomendasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Case Method, Praktikum, Project Based Learning
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.
Materi: Clustering, K-Means, Hierarchical Clustering, Model Evaluation, Cross Validation, Accuracy, Precision, Recall, F1-Score.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman		 5%

12

Minggu ke 12

Mahasiswa mampu merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk menyelesaikan permasalahan autentik pada bidang pendidikan teknologi informasi yang memenuhi kebutuhan pengguna dan tujuan pembelajaran yang ditetapkan.

Kesesuaian solusi dengan permasalahan; Kualitas produk; Kualitas presentasi dan laporan

 Kriteria:

Fungsi produk; Inovasi solusi; Kebermanfaatan; Kualitas dokumentasi dan presentasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Presentasi, Collaborative Learning
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.		 5%

13

Minggu ke 13

Mahasiswa mampu merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk menyelesaikan permasalahan autentik pada bidang pendidikan teknologi informasi yang memenuhi kebutuhan pengguna dan tujuan pembelajaran yang ditetapkan.

Kesesuaian solusi dengan permasalahan; Kualitas produk; Kualitas presentasi dan laporan

 Kriteria:

Fungsi produk; Inovasi solusi; Kebermanfaatan; Kualitas dokumentasi dan presentasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Presentasi, Collaborative Learning
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.		 5%

14

Minggu ke 14

Mahasiswa mampu merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk menyelesaikan permasalahan autentik pada bidang pendidikan teknologi informasi yang memenuhi kebutuhan pengguna dan tujuan pembelajaran yang ditetapkan.

Kesesuaian solusi dengan permasalahan; Kualitas produk; Kualitas presentasi dan laporan

 Kriteria:

Fungsi produk; Inovasi solusi; Kebermanfaatan; Kualitas dokumentasi dan presentasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Presentasi, Collaborative Learning
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.		 5%

15

Minggu ke 15

Mahasiswa mampu merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk menyelesaikan permasalahan autentik pada bidang pendidikan teknologi informasi yang memenuhi kebutuhan pengguna dan tujuan pembelajaran yang ditetapkan.

Kesesuaian solusi dengan permasalahan; Kualitas produk; Kualitas presentasi dan laporan

 Kriteria:

Fungsi produk; Inovasi solusi; Kebermanfaatan; Kualitas dokumentasi dan presentasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Presentasi, Collaborative Learning
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.		 5%

16

Minggu ke 16

Mahasiswa mampu merancang dan menghasilkan produk analitik atau prototipe sistem berbasis pembelajaran mesin untuk menyelesaikan permasalahan autentik pada bidang pendidikan teknologi informasi yang memenuhi kebutuhan pengguna dan tujuan pembelajaran yang ditetapkan.

Kesesuaian solusi dengan permasalahan; Kualitas produk; Kualitas presentasi dan laporan

 Kriteria:

Fungsi produk; Inovasi solusi; Kebermanfaatan; Kualitas dokumentasi dan presentasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project Based Learning, Presentasi, Collaborative Learning
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Burlington, MA: Morgan Kaufman
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics (2nd ed.). Cambridge, MA: MIT Press.
Materi: Learning Analytics, Adaptive Learning, Educational Data Mining, Pengembangan Prototipe Machine Learning untuk Pendidikan, Presentasi dan Evaluasi Produk.
Pustaka: Aggarwal, C. C. (2023). Neural Networks and Deep Learning. Cham: Springer.		 25%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Penilaian Hasil Project / Penilaian Produk 100%
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.