Disahkan 3 November 2026 — versi 1, isinya dibekukan pada tanggal itu.
9244c89b · d93aac6cCakupan dan posisi mata kuliah ini dalam kurikulum.
Mata kuliah Kecerdasan Buatan merupakan mata kuliah wajib program studi pada semester 3 dengan bobot 3 sks teori yang menjadi fondasi bagi mata kuliah lanjutan seperti Pembelajaran Mesin, Penambangan Data, dan Pengolahan Bahasa Alami. Cakupan materinya meliputi definisi dan sejarah kecerdasan buatan, konsep agen cerdas dan lingkungan tugas, representasi masalah dan ruang keadaan, strategi pencarian tanpa informasi dan berbasis heuristik, pencarian dengan lawan dan pemenuhan konstrain, representasi pengetahuan serta penalaran logis dan tidak pasti, hingga pengantar pembelajaran mesin beserta implementasi dan evaluasinya. Pembelajaran dijalankan melalui kuliah interaktif, latihan penelusuran algoritma, praktik pemrograman terstruktur, serta proyek akhir penerapan algoritma AI pada persoalan nyata. Mata kuliah ini mendukung CPL-03 melalui penguasaan konsep teoretis kecerdasan buatan, CPL-04 melalui analisis persoalan computing yang kompleks, CPL-08 melalui pemilihan dan implementasi algoritma yang sesuai, serta CPL-10 melalui perancangan dan evaluasi solusi berbasis computing. Penilaian menekankan bukti kinerja berupa kuis terstruktur, tugas praktik pemrograman, ujian tengah semester, dan proyek akhir yang dipresentasikan.
Diambil dari buku kurikulum program studi dan bersifat baku — CPMK dan Sub-CPMK tidak dapat diubah pada penyusunan RPKPS.
Menguasai konsep teoritis bidang ilmu komputer, algoritma, struktur data, basis data, jaringan komputer, sistem operasi, kecerdasan buatan, dan teknologi informatika lainnya secara komprehensif.
Mampu menganalisis persoalan computing yang kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika dengan mempertimbangkan perkembangan ilmu pengetahuan yang bersifat multidisiplin.
Mampu mengimplementasikan kebutuhan computing dengan mempertimbangkan berbagai metode dan algoritma yang sesuai.
Alokasi waktu dihitung menit demi menit dan diperiksa terhadap invarian 45 jam per sks per semester.
Rancangan tugas beserta linimasa dan kriteria penilaiannya.
Tugas praktik individu berbentuk latihan pemrograman terbimbing pada notebook Python: mahasiswa memodelkan satu persoalan (misalnya rute peta kota, puzzle geser 8-angka, atau permainan dua pemain sederhana) sebagai ruang keadaan, lalu menyelesaikannya dengan pencarian tanpa informasi, pencarian heuristik, serta pencarian lokal/adversarial, dan membandingkan perilaku ketiganya.
Bobot tiap komponen dan ambang yang dipakai untuk menyatakan kelulusan.
Ambang kelulusan
55nilai akhir
Nilai minimum agar mahasiswa dinyatakan lulus mata kuliah ini.
Ketercapaian MK
85persen
Ambang persentase mahasiswa yang mencapai CPMK agar mata kuliah dinilai berhasil.
Kehadiran minimal
80persen
Syarat kehadiran untuk dapat mengikuti penilaian akhir.
Tiga cap berurutan pada ronde yang diterbitkan. Tiap cap menyebut sidik isi yang ditandatanganinya.
a.n Tim penyusun RPKPS
Samsul Bahri S.Kom, M.Kom
8921201024
Koordinator Mata Kuliah
22 September 2026
Ditandatangani secara elektronik · 9244c89b · d93aac6c
Disetujui oleh
Irwan Siswanto S.Kom., M.Kom.
0617079302
Ketua Program Studi
23 September 2026
Ditandatangani secara elektronik · 9244c89b · d93aac6c
Telah diperiksa dan dinyatakan sesuai dengan standar Kampus
Dr. Tb Ai Munandar, S.Kom., M.T.
413098403
Kepala Penjaminan Mutu Internal
3 November 2026
Ditandatangani secara elektronik · 9244c89b · d93aac6c
Jejak penyusunan hingga pengesahan.
Mampu mendesain, mengimplementasikan, dan mengevaluasi solusi berbasis computing multi-platform yang memenuhi kebutuhan organisasi dan masyarakat.
Setelah menyelesaikan mata kuliah ini, mahasiswa mampu:
Menjelaskan konsep kecerdasan buatan
Mahasiswa mampu mengidentifikasi konsep utama dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu menguraikan prinsip dasar dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu membedakan karakteristik penting dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Menganalisis permasalahan menggunakan pendekatan AI
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Mengimplementasikan algoritma AI
Mahasiswa mampu menggunakan prosedur yang sesuai untuk implementasi algoritma AI secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu menerapkan prinsip dasar implementasi algoritma AI pada latihan terstruktur secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu menentukan langkah yang tepat pada kasus sederhana terkait implementasi algoritma AI secara tepat berdasarkan kriteria yang ditetapkan.
Mengevaluasi hasil implementasi AI
Mahasiswa mampu menilai hasil berdasarkan kriteria dalam evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu mengevaluasi ketepatan proses dalam evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Mahasiswa mampu memeriksa kesesuaian hasil dengan ketentuan pada evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Tugas: Menyusun ringkasan terstruktur satu halaman berisi definisi AI dari minimal dua sumber pustaka utama serta tiga contoh penerapan AI beserta pemetaan komponen agennya
8 jam 30 menit
|
|
| — |
| 1, 2, 3 |
| 2 |
| Prinsip Dasar Rasionalitas Agen dan Representasi Masalah
| Kuliah interaktif dipadu latihan terbimbing penyusunan deskripsi PEAS dan diskusi berpasangan (think-pair-share) Dosen: Menguraikan prinsip rasionalitas dan tipologi agen; mendemonstrasikan penyusunan PEAS pada satu kasus; membagikan lembar kerja kasus; berkeliling memberi bimbingan dan koreksi Mahasiswa: Mengerjakan lembar kerja penyusunan PEAS untuk kasus yang berbeda tiap pasangan, mempresentasikan hasil singkat, dan menanggapi hasil pasangan lain Tugas: Menguraikan prinsip kerja dua tipe agen berbeda untuk satu kasus yang sama (mis. vacuum cleaner cerdas dan asisten penjadwalan) serta menjelaskan konsekuensi pilihan arsitekturnya | 8 jam 30 menit
|
| — | 1, 2, 2 |
| 3 |
| Karakteristik Paradigma Kecerdasan Buatan: Simbolik, Statistik, dan Koneksionis
| Kuliah interaktif, diskusi komparatif berbasis tabel pembanding, dan kuis pilihan ganda terstruktur di akhir sesi Dosen: Memaparkan ketiga paradigma dengan contoh kasus; memandu penyusunan tabel pembanding secara klasikal; menyelenggarakan dan membahas kuis pilihan ganda; memberi pembahasan jawaban Mahasiswa: Melengkapi tabel pembanding karakteristik paradigma, berdiskusi menentukan paradigma yang tepat untuk kasus tertentu, lalu mengerjakan kuis pilihan ganda secara mandiri Tugas: Menganalisis dua studi kasus penerapan AI dan menentukan paradigma yang paling sesuai untuk masing-masing kasus disertai alasan berbasis karakteristik data dan kebutuhan keterjelasan | 8 jam 30 menit
| 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
| 15% | 1, 1, 3 |
| 4 |
| Analisis Persoalan dengan Pencarian Tanpa Informasi
| Kuliah interaktif, penelusuran algoritma di papan (algorithm tracing), dan latihan pemecahan masalah dalam kelompok kecil Dosen: Mendemonstrasikan formulasi ruang keadaan pada kasus 8-puzzle dan rute perjalanan; menelusuri langkah BFS/DFS/UCS; memberi kasus analisis dan memandu pembandingan kinerja algoritma Mahasiswa: Memformulasikan masalah ke dalam ruang keadaan, menelusuri pohon pencarian secara manual per kelompok, dan menganalisis perbedaan hasil antaralgoritma Tugas: 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 | 8 jam 30 menit
|
| — | 1, 3, 2 |
| 5 |
| Analisis Persoalan dengan Pencarian Heuristik
| Kuliah interaktif dipadu studi kasus, latihan terbimbing penelusuran A*, dan diskusi kelompok kecil untuk merancang serta membandingkan fungsi heuristik Dosen: Menjelaskan konsep heuristik dan syarat admissibility; mendemonstrasikan penelusuran A*; memberi kasus perancangan heuristik; memfasilitasi debat kelompok tentang kualitas heuristik yang diusulkan Mahasiswa: Menelusuri A* pada graf yang diberikan, merancang dua fungsi heuristik alternatif untuk kasus yang sama, menguji sifat admissibility, dan mempresentasikan analisisnya Tugas: 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 | 8 jam 30 menit
|
| — | 1, 2, 1 |
| 6 |
| Pencarian Lokal dan Pencarian Adversarial
| Kuliah singkat, praktik terbimbing berbasis notebook, dan pemecahan masalah kelompok pada kasus permainan sederhana Dosen: Menjelaskan karakteristik pencarian lokal dan adversarial; memandu praktik penelusuran Minimax dan Alpha-Beta; menyiapkan berkas notebook kerangka; menilai unjuk kerja tugas praktik dengan rubrik Mahasiswa: Menjalankan dan memodifikasi kode pencarian lokal pada notebook, menelusuri pohon permainan tic-tac-toe dengan Minimax dan Alpha-Beta, serta mengumpulkan hasil praktik Tugas: Tugas praktik: mengimplementasikan dan menjalankan agen permainan tic-tac-toe berbasis Minimax dengan pemangkasan Alpha-Beta, lalu melaporkan pengurangan jumlah simpul yang dievaluasi | 8 jam 30 menit
| 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
| 15% | 1, 3, 2, 2 |
| 7 |
| Implementasi Algoritma Pencarian dengan Python
| Praktik terbimbing (guided coding) di lingkungan notebook, demonstrasi langkah demi langkah, dan pemecahan masalah berpasangan (pair programming) Dosen: Mendemonstrasikan kerangka kode agen pencarian; memberikan potongan kode yang belum lengkap; membimbing mahasiswa menelusuri kesalahan; memberi umpan balik langsung atas kode mahasiswa Mahasiswa: Melengkapi dan menjalankan kode BFS, DFS, UCS, dan A* pada peta/graf yang disediakan; menguji keluaran; mengukur waktu eksekusi dan jumlah simpul yang dibangkitkan Tugas: Melengkapi notebook implementasi keempat algoritma pencarian pada satu kasus peta labirin dan menyertakan tabel hasil pengujian panjang solusi serta waktu eksekusi | 8 jam 30 menit
|
| — | 1, 2, 1, 2 |
| 8UTS |
| Ujian Tengah Semester | — | 8 jam
| — | 20% | — |
| 9 |
| Implementasi Representasi Pengetahuan dan Sistem Berbasis Aturan
| Kuliah interaktif singkat dilanjutkan latihan terstruktur penyusunan basis aturan dan praktik pengodean sistem inferensi sederhana secara berkelompok Dosen: Menjelaskan prinsip representasi pengetahuan dan mekanisme inferensi; mendemonstrasikan penelusuran forward dan backward chaining; membimbing kelompok menyusun basis aturan dan mengodekannya Mahasiswa: Menyusun basis aturan untuk kasus diagnosis sederhana, menelusuri inferensi secara manual, lalu menerapkannya menjadi program sistem berbasis aturan dan mengujinya dengan beberapa skenario fakta Tugas: Menerapkan prinsip inferensi pada latihan terstruktur: membangun sistem berbasis aturan dengan minimal sepuluh aturan untuk satu domain pilihan dan melaporkan jejak inferensinya | 8 jam 30 menit
|
| — | 2, 1, 3 |
| 10 |
| Implementasi Algoritma Pembelajaran Mesin untuk Klasifikasi
| Praktik laboratorium terbimbing berbasis notebook, demonstrasi kode, dan diskusi kelompok penentuan langkah kerja yang tepat pada kasus data nyata Dosen: Mendemonstrasikan alur kerja pembelajaran mesin dari pemuatan data hingga prediksi; menyiapkan dataset dan notebook kerja; membimbing pemilihan algoritma; menilai hasil tugas praktik dengan rubrik Mahasiswa: Memuat dataset, melakukan praprosesan, melatih minimal dua model klasifikasi, membandingkan hasil prediksi, dan menentukan langkah perbaikan yang tepat Tugas: Tugas praktik: membangun model klasifikasi pada dataset yang disediakan menggunakan minimal dua algoritma, menyertakan kode, keluaran prediksi, dan penjelasan langkah kerja yang dipilih | 8 jam 30 menit
| 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
| 15% | 2, 1, 1, 2 |
| 11 |
| Evaluasi Kinerja Model Kecerdasan Buatan Berdasarkan Kriteria
| Studi kasus dan diskusi kelompok kritis, disertai latihan perhitungan metrik serta presentasi argumen pemilihan metrik Dosen: 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 Mahasiswa: Menghitung metrik dari confusion matrix yang diberikan, menilai model mana yang paling layak dipakai pada konteks tertentu, dan mempertahankan keputusannya dalam diskusi kelas Tugas: Menilai tiga hasil eksperimen model yang disediakan dengan menggunakan kriteria metrik yang relevan, lalu menuliskan rekomendasi model terbaik beserta argumentasinya | 8 jam 30 menit
|
| — | 2, 1, 1 |
| 12 |
| Evaluasi Ketepatan Proses Pengembangan Model AI
| Pembelajaran berbasis masalah: telaah kritis terhadap notebook eksperimen yang sengaja mengandung kesalahan proses, dilanjutkan diskusi pleno perbaikan Dosen: Membagikan contoh notebook eksperimen yang bermasalah; memandu mahasiswa mengevaluasi tahapan proses; mengarahkan diskusi perbaikan metodologi; merangkum praktik baik pengembangan model Mahasiswa: Menelaah notebook eksperimen, mengidentifikasi kesalahan proses (kebocoran data, pemisahan tidak tepat, overfitting), mengusulkan perbaikan, dan menguji dampak perbaikan terhadap hasil Tugas: Mengevaluasi satu notebook eksperimen yang disediakan: mendaftar kesalahan proses yang ditemukan, memperbaikinya dengan validasi silang, dan melaporkan perubahan kinerja sebelum dan sesudah perbaikan | 8 jam 30 menit
|
| — | 2, 1, 2 |
| 13 |
| Pemeriksaan Kesesuaian Hasil Sistem AI dengan Ketentuan dan Etika
| Diskusi kasus etika berbasis skenario, telaah sejawat (peer review) hasil pekerjaan antarkelompok, dan penyusunan daftar periksa audit secara kolaboratif Dosen: Menyajikan skenario penerapan AI yang bermasalah secara etis dan teknis; memfasilitasi telaah sejawat; membimbing penyusunan daftar periksa audit; memberi penguatan atas temuan mahasiswa Mahasiswa: Memeriksa kesesuaian hasil pekerjaan kelompok lain dengan kriteria yang ditetapkan, mencatat temuan ketidaksesuaian, dan menyusun daftar periksa audit hasil implementasi AI Tugas: Menyusun laporan pemeriksaan kesesuaian atas hasil implementasi AI kelompok lain menggunakan daftar periksa yang disepakati, memuat temuan, tingkat kesesuaian, dan rekomendasi perbaikan | 8 jam 30 menit
|
| — | 1, 2, 2 |
| 14 |
| Topik Lanjut: Jaringan Saraf Tiruan dan Penerapan AI Kontemporer
| Kuliah interaktif dengan demonstrasi kode, diskusi kelompok terarah tentang peluang penerapan, dan eksplorasi notebook secara mandiri terbimbing Dosen: Memaparkan konsep jaringan saraf tiruan dan contoh penerapan kontemporer; mendemonstrasikan pelatihan model sederhana; memandu diskusi pemilihan teknik untuk kebutuhan organisasi Mahasiswa: Menjalankan notebook pelatihan jaringan saraf sederhana, mengubah parameter jumlah lapisan/epoch, mengamati perubahan kinerja, dan mendiskusikan relevansinya dengan rencana proyek akhir Tugas: Menyempurnakan rancangan proyek akhir dengan mempertimbangkan teknik yang dipelajari serta menyiapkan bahan presentasi progres untuk pertemuan berikutnya | 8 jam 30 menit
|
| — | 2, 1, 2 |
| 15 |
| Presentasi Progres Proyek Akhir dan Sintesis Materi
| Seminar kelas dengan presentasi kelompok, telaah sejawat terstruktur, dan konsultasi/klinik proyek bersama dosen Dosen: Mengatur jadwal presentasi, memberi umpan balik terarah atas metode dan rencana evaluasi tiap kelompok, mengklarifikasi miskonsepsi, dan menjelaskan ketentuan penilaian produk akhir Mahasiswa: Mempresentasikan progres proyek, menerima dan memberi masukan sejawat, mencatat rencana perbaikan, serta merevisi rancangan evaluasi proyeknya Tugas: Merevisi proyek akhir berdasarkan masukan kelas dan menyiapkan laporan serta demonstrasi produk untuk penilaian akhir | 8 jam 30 menit
|
| — | 1, 2, 1, 2 |
| 16UAS |
| Ujian Akhir Semester | — | 8 jam
| — | 35% | — |
| Total bobot penilaian mingguan | 100% | ||||||
Sub-CPMK
Mahasiswa mampu mengidentifikasi konsep utama dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif dengan peta konsep, tanya jawab terarah, dan diskusi kelompok kecil untuk mengidentifikasi contoh sistem AI di sekitar mahasiswa
Alokasi waktu
8 jam 30 menit
Penilaian
Sub-CPMK
Mahasiswa mampu menguraikan prinsip dasar dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif dipadu latihan terbimbing penyusunan deskripsi PEAS dan diskusi berpasangan (think-pair-share)
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu membedakan karakteristik penting dalam konsep dan prinsip konsep kecerdasan buatan secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif, diskusi komparatif berbasis tabel pembanding, dan kuis pilihan ganda terstruktur di akhir sesi
Alokasi waktu
Penilaian
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
Sub-CPMK
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif, penelusuran algoritma di papan (algorithm tracing), dan latihan pemecahan masalah dalam kelompok kecil
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif dipadu studi kasus, latihan terbimbing penelusuran A*, dan diskusi kelompok kecil untuk merancang serta membandingkan fungsi heuristik
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu menggunakan prosedur Artificial Intelligence yang sesuai berdasarkan kriteria yang ditetapkan.
Metode
Kuliah singkat, praktik terbimbing berbasis notebook, dan pemecahan masalah kelompok pada kasus permainan sederhana
Alokasi waktu
Penilaian
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
Sub-CPMK
Mahasiswa mampu menggunakan prosedur yang sesuai untuk implementasi algoritma AI secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Praktik terbimbing (guided coding) di lingkungan notebook, demonstrasi langkah demi langkah, dan pemecahan masalah berpasangan (pair programming)
Alokasi waktu
Penilaian
Alokasi waktu
Sub-CPMK
Mahasiswa mampu menerapkan prinsip dasar implementasi algoritma AI pada latihan terstruktur secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Kuliah interaktif singkat dilanjutkan latihan terstruktur penyusunan basis aturan dan praktik pengodean sistem inferensi sederhana secara berkelompok
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu menentukan langkah yang tepat pada kasus sederhana terkait implementasi algoritma AI secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Praktik laboratorium terbimbing berbasis notebook, demonstrasi kode, dan diskusi kelompok penentuan langkah kerja yang tepat pada kasus data nyata
Alokasi waktu
Penilaian
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
Sub-CPMK
Mahasiswa mampu menilai hasil berdasarkan kriteria dalam evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Studi kasus dan diskusi kelompok kritis, disertai latihan perhitungan metrik serta presentasi argumen pemilihan metrik
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu mengevaluasi ketepatan proses dalam evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Pembelajaran berbasis masalah: telaah kritis terhadap notebook eksperimen yang sengaja mengandung kesalahan proses, dilanjutkan diskusi pleno perbaikan
Alokasi waktu
Penilaian
Sub-CPMK
Mahasiswa mampu memeriksa kesesuaian hasil dengan ketentuan pada evaluasi hasil implementasi AI secara tepat berdasarkan kriteria yang ditetapkan.
Metode
Diskusi kasus etika berbasis skenario, telaah sejawat (peer review) hasil pekerjaan antarkelompok, dan penyusunan daftar periksa audit secara kolaboratif
Alokasi waktu
Penilaian
Metode
Kuliah interaktif dengan demonstrasi kode, diskusi kelompok terarah tentang peluang penerapan, dan eksplorasi notebook secara mandiri terbimbing
Alokasi waktu
Penilaian
Metode
Seminar kelas dengan presentasi kelompok, telaah sejawat terstruktur, dan konsultasi/klinik proyek bersama dosen
Alokasi waktu
Penilaian
Alokasi waktu
Uraian tugas
1) Rumuskan persoalan menjadi keadaan awal, aksi, fungsi suksesor, uji tujuan, dan biaya langkah. 2) Implementasikan BFS/DFS/UCS dan catat jumlah simpul yang dibangkitkan serta biaya solusi. 3) Rancang minimal dua fungsi heuristik, buktikan atau bantah keadmisibelannya, lalu jalankan A* dan Greedy Best-First. 4) Terapkan satu algoritma pencarian lokal (hill climbing atau simulated annealing) atau minimax dengan pemangkasan alpha-beta pada varian persoalan yang sama. 5) Sajikan tabel perbandingan waktu eksekusi, simpul terekspansi, dan optimalitas solusi, kemudian analisis penyebab perbedaannya dengan merujuk sifat kelengkapan dan kompleksitas tiap algoritma.
Format luaran
Notebook Python (.ipynb) yang dapat dijalankan ulang beserta laporan ringkas 6-8 halaman format PDF berisi rumusan masalah, potongan kode kunci, tabel eksperimen, grafik perbandingan, dan analisis; berkas diunggah ke LMS paling lambat akhir minggu ke-6.
Linimasa
implementasi
implementasi Notebook Python
penyusunan laporan
penyusunan laporan ringkas
Kriteria penilaian
Ketepatan pemodelan persoalan ke dalam ruang keadaan
20%Kebenaran implementasi algoritma pencarian
30%Kualitas rancangan dan pembuktian heuristik
25%Kedalaman analisis hasil eksperimen
15%Kerapian laporan dan ketepatan waktu pengumpulan
10%Tugas praktik individu dua bagian: membangun basis aturan sederhana dengan inferensi maju/mundur untuk satu domain diagnosis, lalu melatih dan membandingkan dua model klasifikasi pembelajaran mesin pada satu dataset tabular menggunakan scikit-learn.
Uraian tugas
1) Susun minimal 12 aturan produksi untuk satu domain (misalnya diagnosis gangguan jaringan atau seleksi beasiswa), implementasikan mesin inferensi maju, dan tunjukkan jejak penalaran untuk dua kasus uji. 2) Pilih satu dataset tabular publik, lakukan pembersihan data dan pembagian latih-uji yang benar. 3) Latih dua algoritma klasifikasi berbeda (misalnya Decision Tree dan k-Nearest Neighbour atau Naive Bayes), lakukan penyetelan minimal satu hiperparameter. 4) Laporkan akurasi, presisi, recall, F1, dan matriks kebingungan tiap model. 5) Tentukan langkah perbaikan yang tepat bila model mengalami overfitting atau data tidak seimbang, dan jelaskan alasan pemilihan model terbaik.
Format luaran
Satu notebook Python (.ipynb) berisi kode mesin inferensi dan eksperimen klasifikasi, ditambah laporan PDF maksimal 8 halaman dengan jejak inferensi, tabel metrik, matriks kebingungan, dan justifikasi pemilihan model; dikumpulkan pada minggu ke-10.
Linimasa
fase desain
membangun basis aturan sederhana
implementasi
melatih dan membandingkan dua model klasifikasi
Kriteria penilaian
Ketepatan penyusunan basis aturan dan mesin inferensi
25%Kebenaran alur kerja pembelajaran mesin
30%Ketepatan pelaporan metrik kinerja
25%Ketepatan penentuan langkah perbaikan model
20%Proyek kelompok (3-4 mahasiswa) membangun satu purwarupa solusi kecerdasan buatan untuk masalah nyata di lingkungan kampus atau masyarakat, lengkap dengan evaluasi kinerja berbasis kriteria, audit ketepatan proses pengembangan, dan pemeriksaan kesesuaian hasil terhadap ketentuan teknis serta etika. Proyek ini menjadi tagihan ujian akhir semester.
Uraian tugas
1) Tetapkan masalah, pemangku kepentingan, dan kriteria keberhasilan yang terukur pada minggu ke-11. 2) Bangun purwarupa menggunakan pendekatan pencarian, berbasis aturan, atau pembelajaran mesin sesuai karakteristik masalah. 3) Evaluasi kinerja model dengan protokol yang sahih (validasi silang atau data uji terpisah) dan nilai hasilnya terhadap ambang kriteria yang telah ditetapkan. 4) Audit ketepatan proses pengembangan: telusuri kebocoran data, kesesuaian pemilihan metrik, keterulangan eksperimen, dan kewajaran pemilihan algoritma. 5) Periksa kesesuaian keluaran sistem dengan ketentuan teknis, privasi data, potensi bias, serta batas penggunaan, dan rumuskan rekomendasi mitigasi. 6) Presentasikan progres pada minggu ke-15 dan serahkan sistem, laporan, serta demonstrasi final pada minggu ke-16.
Format luaran
Repositori kode beserta petunjuk menjalankan, laporan proyek 12-15 halaman PDF (latar masalah, desain solusi, protokol evaluasi, audit proses, analisis kesesuaian dan etika, rekomendasi), slide presentasi, dan demonstrasi sistem yang berjalan pada minggu ke-16.
Linimasa
Analisis masalah
Penyusunan masalah
Fase Modeling
Evaluasi kinerja model
Fase Audit
Audit penyesuaian sistem
Fase Evaluasi
Periksa kesesuaian keluaran sistem dengan ketentuan teknis
Fase presentasi
Presentasi Progress project
Fase laporan
Penyerahan sistem dan laporan
Kriteria penilaian
Kualitas purwarupa dan ketepatan pemilihan metode AI
25%Ketepatan penilaian kinerja terhadap kriteria keberhasilan
25%Kecermatan audit ketepatan proses pengembangan
20%Pemeriksaan kesesuaian hasil dengan ketentuan dan etika
20%Mutu presentasi, demonstrasi, dan kerja sama kelompok
10%8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam 30 menit
8 jam