Kecerdasan Buatan

Kuliah interaktif dipadu latihan terbimbing penyusunan deskripsi PEAS dan diskusi berpasangan (think-pair-share)

Lecturer: Menguraikan prinsip rasionalitas dan tipologi agen; mendemonstrasikan penyusunan PEAS pada satu kasus; membagikan lembar kerja kasus; berkeliling memberi bimbingan dan koreksi

Students: Mengerjakan lembar kerja penyusunan PEAS untuk kasus yang berbeda tiap pasangan, mempresentasikan hasil singkat, dan menanggapi hasil pasangan lain

Assignment: Menguraikan prinsip kerja dua tipe agen berbeda untuk satu kasus yang sama (mis. vacuum cleaner cerdas dan asisten penjadwalan) serta menjelaskan konsekuensi pilihan arsitekturnya

• Menguraikan prinsip rasionalitas agen dan kaitannya dengan ukuran kinerja
• Menyusun deskripsi PEAS secara lengkap untuk kasus yang diberikan
• Menjelaskan pengaruh sifat lingkungan tugas terhadap pemilihan arsitektur agen

Kuliah interaktif, diskusi komparatif berbasis tabel pembanding, dan kuis pilihan ganda terstruktur di akhir sesi

Lecturer: Memaparkan ketiga paradigma dengan contoh kasus; memandu penyusunan tabel pembanding secara klasikal; menyelenggarakan dan membahas kuis pilihan ganda; memberi pembahasan jawaban

Students: Melengkapi tabel pembanding karakteristik paradigma, berdiskusi menentukan paradigma yang tepat untuk kasus tertentu, lalu mengerjakan kuis pilihan ganda secara mandiri

Assignment: Menganalisis dua studi kasus penerapan AI dan menentukan paradigma yang paling sesuai untuk masing-masing kasus disertai alasan berbasis karakteristik data dan kebutuhan keterjelasan

Kuis pilihan ganda tentang konsep, prinsip, dan karakteristik paradigma kecerdasan buatan

Penyekoran objektif: setiap butir pilihan ganda bernilai sama, skor akhir = (jumlah jawaban benar / jumlah butir) x 100; nilai dikonversi ke bobot komponen Kuis

• Membedakan karakteristik paradigma simbolik, statistik, dan koneksionis secara tepat
• Memilih paradigma AI yang sesuai untuk suatu kasus disertai argumentasi berbasis kriteria data dan keterjelasan
• Menjawab butir kuis konsep dasar AI dengan tingkat ketepatan yang ditetapkan

Kuliah interaktif, penelusuran algoritma di papan (algorithm tracing), dan latihan pemecahan masalah dalam kelompok kecil

Lecturer: Mendemonstrasikan formulasi ruang keadaan pada kasus 8-puzzle dan rute perjalanan; menelusuri langkah BFS/DFS/UCS; memberi kasus analisis dan memandu pembandingan kinerja algoritma

Students: Memformulasikan masalah ke dalam ruang keadaan, menelusuri pohon pencarian secara manual per kelompok, dan menganalisis perbedaan hasil antaralgoritma

Assignment: Menganalisis satu persoalan rute atau puzzle: menyusun formulasi ruang keadaan dan membandingkan jumlah simpul yang dibangkitkan oleh BFS, DFS, dan UCS beserta simpulan kesesuaian prosedur

• Memformulasikan persoalan nyata menjadi representasi ruang keadaan yang lengkap
• Menelusuri langkah kerja BFS, DFS, dan UCS pada graf persoalan secara benar
• Menganalisis kelengkapan, optimalitas, dan kompleksitas tiap strategi pencarian buta

Kuliah interaktif dipadu studi kasus, latihan terbimbing penelusuran A*, dan diskusi kelompok kecil untuk merancang serta membandingkan fungsi heuristik

Lecturer: Menjelaskan konsep heuristik dan syarat admissibility; mendemonstrasikan penelusuran A*; memberi kasus perancangan heuristik; memfasilitasi debat kelompok tentang kualitas heuristik yang diusulkan

Students: Menelusuri A* pada graf yang diberikan, merancang dua fungsi heuristik alternatif untuk kasus yang sama, menguji sifat admissibility, dan mempresentasikan analisisnya

Assignment: Menyusun laporan analisis perbandingan Greedy Best-First Search dan A* pada satu kasus pencarian rute, mencakup jumlah simpul diperiksa, biaya solusi, dan justifikasi pemilihan prosedur

• Menganalisis sifat admissibility dan consistency suatu fungsi heuristik
• Menelusuri algoritma A* pada graf persoalan hingga memperoleh solusi optimal
• Membandingkan kinerja pencarian heuristik dan pencarian buta berdasarkan data penelusuran

Kuliah singkat, praktik terbimbing berbasis notebook, dan pemecahan masalah kelompok pada kasus permainan sederhana

Lecturer: Menjelaskan karakteristik pencarian lokal dan adversarial; memandu praktik penelusuran Minimax dan Alpha-Beta; menyiapkan berkas notebook kerangka; menilai unjuk kerja tugas praktik dengan rubrik

Students: Menjalankan dan memodifikasi kode pencarian lokal pada notebook, menelusuri pohon permainan tic-tac-toe dengan Minimax dan Alpha-Beta, serta mengumpulkan hasil praktik

Assignment: Tugas praktik: mengimplementasikan dan menjalankan agen permainan tic-tac-toe berbasis Minimax dengan pemangkasan Alpha-Beta, lalu melaporkan pengurangan jumlah simpul yang dievaluasi

Tugas praktik berbasis notebook: implementasi dan analisis algoritma pencarian lokal serta adversarial

Penilaian dengan rubrik analitik: ketepatan implementasi algoritma 40%, kebenaran hasil penelusuran dan pengujian 30%, kualitas analisis perbandingan 20%, kerapian dokumentasi kode 10%; skor akhir skala 0-100

• Menerapkan algoritma pencarian lokal pada persoalan optimasi sederhana dan menjelaskan risiko optimum lokal
• Menelusuri dan mengimplementasikan Minimax dengan pemangkasan Alpha-Beta secara benar
• Menganalisis pengaruh pemangkasan Alpha-Beta terhadap jumlah simpul yang dievaluasi berdasarkan data eksperimen

Praktik terbimbing (guided coding) di lingkungan notebook, demonstrasi langkah demi langkah, dan pemecahan masalah berpasangan (pair programming)

Lecturer: Mendemonstrasikan kerangka kode agen pencarian; memberikan potongan kode yang belum lengkap; membimbing mahasiswa menelusuri kesalahan; memberi umpan balik langsung atas kode mahasiswa

Students: Melengkapi dan menjalankan kode BFS, DFS, UCS, dan A* pada peta/graf yang disediakan; menguji keluaran; mengukur waktu eksekusi dan jumlah simpul yang dibangkitkan

Assignment: Melengkapi notebook implementasi keempat algoritma pencarian pada satu kasus peta labirin dan menyertakan tabel hasil pengujian panjang solusi serta waktu eksekusi

• Menggunakan struktur data yang sesuai untuk tiap strategi pencarian dalam kode Python
• Mengimplementasikan algoritma BFS, DFS, UCS, dan A* sehingga menghasilkan solusi yang benar
• Menguji dan mendokumentasikan hasil eksekusi program pencarian secara sistematis

Kuliah interaktif singkat dilanjutkan latihan terstruktur penyusunan basis aturan dan praktik pengodean sistem inferensi sederhana secara berkelompok

Lecturer: Menjelaskan prinsip representasi pengetahuan dan mekanisme inferensi; mendemonstrasikan penelusuran forward dan backward chaining; membimbing kelompok menyusun basis aturan dan mengodekannya

Students: Menyusun basis aturan untuk kasus diagnosis sederhana, menelusuri inferensi secara manual, lalu menerapkannya menjadi program sistem berbasis aturan dan mengujinya dengan beberapa skenario fakta

Assignment: Menerapkan prinsip inferensi pada latihan terstruktur: membangun sistem berbasis aturan dengan minimal sepuluh aturan untuk satu domain pilihan dan melaporkan jejak inferensinya

• Menerapkan logika proposisi/predikat untuk merepresentasikan pengetahuan domain tertentu
• Menyusun basis aturan yang konsisten dan dapat dieksekusi mesin inferensi
• Menjalankan penelusuran forward chaining dan backward chaining serta menjelaskan perbedaan jejaknya

Praktik laboratorium terbimbing berbasis notebook, demonstrasi kode, dan diskusi kelompok penentuan langkah kerja yang tepat pada kasus data nyata

Lecturer: Mendemonstrasikan alur kerja pembelajaran mesin dari pemuatan data hingga prediksi; menyiapkan dataset dan notebook kerja; membimbing pemilihan algoritma; menilai hasil tugas praktik dengan rubrik

Students: Memuat dataset, melakukan praprosesan, melatih minimal dua model klasifikasi, membandingkan hasil prediksi, dan menentukan langkah perbaikan yang tepat

Assignment: Tugas praktik: membangun model klasifikasi pada dataset yang disediakan menggunakan minimal dua algoritma, menyertakan kode, keluaran prediksi, dan penjelasan langkah kerja yang dipilih

Tugas praktik implementasi model klasifikasi beserta laporan notebook

Penilaian dengan rubrik analitik: ketepatan alur praprosesan dan pemisahan data 25%, kebenaran implementasi algoritma 35%, ketepatan penentuan langkah dan justifikasi 25%, kerapian laporan notebook 15%; skor akhir skala 0-100

• Menentukan langkah kerja pembelajaran mesin yang tepat mulai dari praprosesan hingga prediksi
• Mengimplementasikan minimal dua algoritma klasifikasi menggunakan pustaka scikit-learn tanpa kesalahan eksekusi
• Menjelaskan hasil prediksi model dan alasan pemilihan algoritma pada kasus yang diberikan

Studi kasus dan diskusi kelompok kritis, disertai latihan perhitungan metrik serta presentasi argumen pemilihan metrik

Lecturer: Menyajikan beberapa hasil eksperimen model dengan karakteristik berbeda; memandu perhitungan metrik; menantang argumen mahasiswa melalui pertanyaan pembanding; memberi umpan balik atas penilaian yang dibuat mahasiswa

Students: Menghitung metrik dari confusion matrix yang diberikan, menilai model mana yang paling layak dipakai pada konteks tertentu, dan mempertahankan keputusannya dalam diskusi kelas

Assignment: Menilai tiga hasil eksperimen model yang disediakan dengan menggunakan kriteria metrik yang relevan, lalu menuliskan rekomendasi model terbaik beserta argumentasinya

• Menghitung metrik evaluasi dari confusion matrix secara benar
• Menilai kelayakan model berdasarkan kriteria metrik yang relevan dengan konteks masalah
• Mempertahankan rekomendasi pemilihan model dengan argumentasi berbasis bukti kuantitatif

Pembelajaran berbasis masalah: telaah kritis terhadap notebook eksperimen yang sengaja mengandung kesalahan proses, dilanjutkan diskusi pleno perbaikan

Lecturer: Membagikan contoh notebook eksperimen yang bermasalah; memandu mahasiswa mengevaluasi tahapan proses; mengarahkan diskusi perbaikan metodologi; merangkum praktik baik pengembangan model

Students: Menelaah notebook eksperimen, mengidentifikasi kesalahan proses (kebocoran data, pemisahan tidak tepat, overfitting), mengusulkan perbaikan, dan menguji dampak perbaikan terhadap hasil

Assignment: Mengevaluasi satu notebook eksperimen yang disediakan: mendaftar kesalahan proses yang ditemukan, memperbaikinya dengan validasi silang, dan melaporkan perubahan kinerja sebelum dan sesudah perbaikan

• Mengidentifikasi gejala overfitting dan underfitting dari kurva atau tabel hasil eksperimen
• Mengevaluasi ketepatan prosedur pemisahan data dan validasi silang pada suatu eksperimen
• Mengusulkan perbaikan metodologi pengembangan model disertai bukti perubahan kinerja

Diskusi kasus etika berbasis skenario, telaah sejawat (peer review) hasil pekerjaan antarkelompok, dan penyusunan daftar periksa audit secara kolaboratif

Lecturer: Menyajikan skenario penerapan AI yang bermasalah secara etis dan teknis; memfasilitasi telaah sejawat; membimbing penyusunan daftar periksa audit; memberi penguatan atas temuan mahasiswa

Students: Memeriksa kesesuaian hasil pekerjaan kelompok lain dengan kriteria yang ditetapkan, mencatat temuan ketidaksesuaian, dan menyusun daftar periksa audit hasil implementasi AI

Assignment: Menyusun laporan pemeriksaan kesesuaian atas hasil implementasi AI kelompok lain menggunakan daftar periksa yang disepakati, memuat temuan, tingkat kesesuaian, dan rekomendasi perbaikan

• Memeriksa kesesuaian hasil implementasi AI dengan kriteria penerimaan yang ditetapkan
• Mengidentifikasi potensi bias data dan risiko etis pada suatu sistem AI
• Menyusun rekomendasi perbaikan hasil berdasarkan temuan pemeriksaan yang terdokumentasi

Kuliah interaktif dengan demonstrasi kode, diskusi kelompok terarah tentang peluang penerapan, dan eksplorasi notebook secara mandiri terbimbing

Lecturer: Memaparkan konsep jaringan saraf tiruan dan contoh penerapan kontemporer; mendemonstrasikan pelatihan model sederhana; memandu diskusi pemilihan teknik untuk kebutuhan organisasi

Students: Menjalankan notebook pelatihan jaringan saraf sederhana, mengubah parameter jumlah lapisan/epoch, mengamati perubahan kinerja, dan mendiskusikan relevansinya dengan rencana proyek akhir

Assignment: Menyempurnakan rancangan proyek akhir dengan mempertimbangkan teknik yang dipelajari serta menyiapkan bahan presentasi progres untuk pertemuan berikutnya

• Menjelaskan arsitektur dan mekanisme pelatihan jaringan saraf tiruan secara benar
• Menjalankan eksperimen pelatihan model sederhana dan menafsirkan perubahan kinerjanya
• Mengaitkan teknik AI kontemporer dengan kebutuhan penerapan pada rencana proyek akhir

Seminar kelas dengan presentasi kelompok, telaah sejawat terstruktur, dan konsultasi/klinik proyek bersama dosen

Lecturer: Mengatur jadwal presentasi, memberi umpan balik terarah atas metode dan rencana evaluasi tiap kelompok, mengklarifikasi miskonsepsi, dan menjelaskan ketentuan penilaian produk akhir

Students: Mempresentasikan progres proyek, menerima dan memberi masukan sejawat, mencatat rencana perbaikan, serta merevisi rancangan evaluasi proyeknya

Assignment: Merevisi proyek akhir berdasarkan masukan kelas dan menyiapkan laporan serta demonstrasi produk untuk penilaian akhir

• Mempresentasikan rancangan dan capaian sementara proyek AI secara sistematis
• Memberikan telaah sejawat yang konstruktif berbasis kriteria metode dan evaluasi
• Merumuskan rencana perbaikan proyek berdasarkan umpan balik yang diterima