|
UNIVERSITAS AMIKOM YOGYAKARTA
|
RPS-S2IFPJJ-PJ062 |
| RENCANA PEMBELAJARAN SEMESTER | ||||||
| MATA KULIAH (MK) | KODE | Rumpun MK | BOBOT (sks) | SEMESTER | Tanggal Penyusunan | |
| DEEP LEARNING | PJ062 | Algorithmic Foundations (AL) | T= 3 | 2 | 21 Apr 2026 | |
| Pengesahan | Dosen Pengembang RPS | Koordinator RMK | Ka PRODI |
 Dr. Andi Sunyoto, M.Kom |
 Dhani Ariatmanto |
 Dhani Ariatmanto, S.Kom, M.Kom, PhD |
| Capaian Pembelajaran | CPL-PRODI yang dibebankan pada MK | |
| CPL-01 | Menjunjung sikap amanah, bertindak jujur dan berpegang teguh pada nilai moral serta etika akademik atas pekerjaan bidang TIK secara mandiri. | |
| CPL-03 | Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi melalui hasil analisa dan evaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK. | |
| CPL-05 | Mampu mengembangkan pemikiran logis, kritis, dan sistematis melalui penelitian ilmiah, penciptaan desain atau karya seni dalam ilmu pengetahuan dan teknologi berdasarkan kaidah, dan etika ilmiah bidang TIK. | |
| CPL-07 | Mampu menganalisis dan merancang teknologi informasi berbasis kecerdasan artifisial yang tepat sesuai dengan problem yang dihadapi untuk mengimplementasikan pada bidang Digital transformation intelligence, Big Data and Predictive analytics atau intelligent multimedia technology. | |
| Capaian Pembelajaran Mata Kuliah (CPMK) | ||
| CPMK-02 | Mampu bekerja sesuai etika akdemik dalam berkomunikasi baik lisan dan tulisan secara mandiri pada aspek teknis dan non-teknis. | |
| CPMK-06 | Mampu menganalisa dan mengevaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK dalam berbagai area, termasuk yang berkaitan dengan manipulasi gambar,citra, suara, bahasa, atau sistem yang memerlukan interaksi antara manusia dan komputer. | |
| CPMK-09 | Mampu mengembangkan pemikiran logis, kritis, dan sistematis melalui penelitian ilmiah sesuai dengan kebutuhan pengguna serta mampu meningkatkan efektivitas penggunaan komputer untuk memecahkan data dalam masalah tertentu. | |
| CPMK-14 | Mampu mengimplementasikan teknologi informasi berbasis kecerdasan artifisial yang tepat pada bidang Digital transformation intelligence atau Big Data and Predictive analytics dan atau Intelligent Multimedia Technology. | |
| Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | ||
| sub.cpmk.PJ062.CPMK-02.1 | Menjelaskan konsep, aplikasi, dan tren deep learning secara komunikatif | |
| sub.cpmk.PJ062.CPMK-02.2 | Menganalisis aspek etika, fairness, dan interpretabilitas AI | |
| sub.cpmk.PJ062.CPMK-02.3 | Menyusun laporan ilmiah dan mempresentasikan hasil proyek sesuai etika akademik | |
| sub.cpmk.PJ062.CPMK-06.1 | Menganalisis dan mengevaluasi model CNN untuk data citra | |
| sub.cpmk.PJ062.CPMK-06.2 | Menganalisis model sekuensial dan Transformer | |
| sub.cpmk.PJ062.CPMK-06.3 | Mengevaluasi model generatif dan reinforcement learning | |
| sub.cpmk.PJ062.CPMK-06.4 | Mengevaluasi performa model melalui optimasi dan generalisasi | |
| sub.cpmk.PJ062.CPMK-09.1 | Menggunakan dasar matematis deep learning | |
| sub.cpmk.PJ062.CPMK-09.2 | Merumuskan masalah penelitian secara logis dan sistematis | |
| sub.cpmk.PJ062.CPMK-09.3 | Menerapkan algoritma neural network dan proses training | |
| sub.cpmk.PJ062.CPMK-14.1 | Mengembangkan model CNN untuk analisis citra | |
| sub.cpmk.PJ062.CPMK-14.2 | Mengimplementasikan model sekuensial dan Transformer | |
| sub.cpmk.PJ062.CPMK-14.3 | Mengembangkan model generatif dan reinforcement learning | |
| Korelasi CPMK terhadap Sub-CPMK | ||
| CPMK-02 |
sub.cpmk.PJ062.CPMK-02.1 sub.cpmk.PJ062.CPMK-02.2 sub.cpmk.PJ062.CPMK-02.3 |
|
| CPMK-06 |
sub.cpmk.PJ062.CPMK-06.1 sub.cpmk.PJ062.CPMK-06.2 sub.cpmk.PJ062.CPMK-06.3 sub.cpmk.PJ062.CPMK-06.4 |
|
| CPMK-09 |
sub.cpmk.PJ062.CPMK-09.1 sub.cpmk.PJ062.CPMK-09.2 sub.cpmk.PJ062.CPMK-09.3 |
|
| CPMK-14 |
sub.cpmk.PJ062.CPMK-14.1 sub.cpmk.PJ062.CPMK-14.2 sub.cpmk.PJ062.CPMK-14.3 |
|
| Deskripsi Singkat MK | This course provides an in-depth understanding of deep learning concepts, models, and applications. Students will learn both the theoretical foundations and practical implementations of state-of-the-art neural network architectures. Emphasis is placed on applying deep learning in real-world domains such as computer vision, natural language processing, reinforcement learning, and generative AI. | |
| Bahan Kajian : Materi Pembelajaran | 1. Understand the mathematical and theoretical foundations of deep learning. 2. Implement and train deep neural networks using modern frameworks (TensorFlow, PyTorch). 3. Analyze and optimize models for performance and generalization. 4. Apply deep learning techniques to solve real-world problems. 5. Critically evaluate recent research papers in deep learning. | |
| Pustaka | Utama | |
|
||
| Pendukung | ||
|
|
||
| Dosen Pengampu | Dr. Andi Sunyoto, S.Kom., M.Kom., Dr. Kumara Ari Yuana, S.T., M.T. | |
| Mata Kuliah Syarat | ... | |
| Pertemuan Ke | Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | Penilaian | Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; | Materi Pembelajaran | Bobot Penilaian | ||
|---|---|---|---|---|---|---|---|
| Indikator | Kriteria & Teknik | Luring | Daring | ||||
| 1 |
sub.cpmk.PJ062.CPMK-02.2-Menganalisis aspek etika, fairness, dan interpretabilitas AI |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Introduction to Deep Learning Sub Topik -History and motivation -Neural networks vs. traditional ML -Overview of deep learning applications |
0 | ||
| 2 |
sub.cpmk.PJ062.CPMK-09.1-Menggunakan dasar matematis deep learning sub.cpmk.PJ062.CPMK-09.2-Merumuskan masalah penelitian secara logis dan sistematis |
Mahasiswa dapat menemukan permasalahan penelitian |
Kriteria Pemahaman Konsep Teknik Systematic Literature Review |
Topik Mathematical Foundations Sub Topik -Vectors, matrices, and tensors -Probability review (Bayes rule, distributions) -Gradient-based optimization |
10 | ||
| 3 |
sub.cpmk.PJ062.CPMK-09.3-Menerapkan algoritma neural network dan proses training |
Kriteria Teknik |
Kuliah,Diskusi Interaktif,[DI=150 Menit] |
Topik Fundamentals of Neural Networks Sub Topik -Perceptrons, activation functions -Forward and backward propagation -Loss functions |
0 | ||
| 4 |
sub.cpmk.PJ062.CPMK-09.3-Menerapkan algoritma neural network dan proses training |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=100 Menit] Praktikum,Praktik Langsung,[PL=50 Menit] |
Topik Training Deep Networks Sub Topik -Gradient Descent, SGD, Momentum, Adam -Weight initialization -Regularization (dropout, L2, batch norm) |
0 | ||
| 5 |
sub.cpmk.PJ062.CPMK-14.1-Mengembangkan model CNN untuk analisis citra |
Berhasil melakukan preprocessing data terhadap kasus yang diangkat. |
Kriteria Kemampuan menganalisa Kasus Teknik |
Kuliah,Ceramah interaktif,[CI=100 Menit] Praktikum,Studi Kasus,[SK=50 Menit] |
Topik Convolutional Neural Networks (CNNs) Sub Topik -Convolution and pooling -Architectures: LeNet, AlexNet, VGG, ResNet -Applications in image classification & detection |
10 | |
| 6 |
sub.cpmk.PJ062.CPMK-06.1-Menganalisis dan mengevaluasi model CNN untuk data citra |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Sequence Models & Recurrent Neural Networks (RNNs) Sub Topik -RNN basics, vanishing gradients -LSTM, GRU -Applications in NLP and time series |
0 | ||
| 7 |
sub.cpmk.PJ062.CPMK-14.2-Mengimplementasikan model sekuensial dan Transformer |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Attention Mechanisms & Transformers Sub Topik -Seq2Seq models -Self-attention & Transformer architecture -BERT, GPT models |
0 | ||
| 8 |
sub.cpmk.PJ062.CPMK-06.1-Menganalisis dan mengevaluasi model CNN untuk data citra sub.cpmk.PJ062.CPMK-06.2-Menganalisis model sekuensial dan Transformer sub.cpmk.PJ062.CPMK-06.3-Mengevaluasi model generatif dan reinforcement learning sub.cpmk.PJ062.CPMK-06.4-Mengevaluasi performa model melalui optimasi dan generalisasi |
Berhasil membuat ekperimen menjadi naskah publikasi: Introduction, Related Method, Methodology. |
Kriteria Kemampuan menganalisa Kasus Teknik |
Ujian terjadwal,Submit Daring,[SD=150 Menit] |
Topik Ujian Tengah Semester (UTS) Sub Topik |
30 | |
| 9 |
sub.cpmk.PJ062.CPMK-06.2-Menganalisis model sekuensial dan Transformer |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Generative Models Sub Topik -Autoencoders (AE, VAE) -Generative Adversarial Networks (GANs) -Diffusion models (overview) |
0 | ||
| 10 |
sub.cpmk.PJ062.CPMK-14.3-Mengembangkan model generatif dan reinforcement learning |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Reinforcement Learning & Deep RL Sub Topik Basics of RL (MDP, Q-learning) Deep Q-Networks (DQN) Policy Gradient Methods |
10 | ||
| 11 |
sub.cpmk.PJ062.CPMK-06.3-Mengevaluasi model generatif dan reinforcement learning |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Advanced Topics in Optimization & Generalization Sub Topik -Bias-variance tradeoff in deep learning -Hyperparameter tuning & AutoML -Transfer learning, fine-tuning |
0 | ||
| 12 |
sub.cpmk.PJ062.CPMK-06.4-Mengevaluasi performa model melalui optimasi dan generalisasi |
Dapat Menganalisa Result and Discuss Eksperimtn |
Kriteria Rubrik Analisis Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Explainable AI (XAI) & Model Interpretability Sub Topik -SHAP, LIME, saliency maps -Fairness and ethical considerations |
10 | |
| 13 |
sub.cpmk.PJ062.CPMK-02.1-Menjelaskan konsep, aplikasi, dan tren deep learning secara komunikatif |
Kriteria Teknik |
Kuliah,Ceramah interaktif,[CI=150 Menit] |
Topik Research Trends & Applications Sub Topik -Multimodal learning -Foundation models & large-scale AI -Applications in healthcare, finance, robotics |
0 | ||
| 14 |
sub.cpmk.PJ062.CPMK-02.1-Menjelaskan konsep, aplikasi, dan tren deep learning secara komunikatif |
Kriteria Teknik |
Presentasi,Diskusi Interaktif,[DI=150 Menit] |
Topik Final Project Presentations Sub Topik -Students present research/implementation projects -Peer review and discussion -Minimal Experiment report/ Draft Paper |
0 | ||
| 15 | |||||||
| 16 |
sub.cpmk.PJ062.CPMK-02.1-Menjelaskan konsep, aplikasi, dan tren deep learning secara komunikatif |
Kriteria Teknik |
Ujian terjadwal,Tugas Mandiri,[TM=150 Menit] |
Topik Ujian Akhir Semester (UAS) Sub Topik Ujian Akhir Semester (UAS) |
30 | ||
Teknik Penilaian CPMK
| CPL | MK | CPMK | Tugas Teori (Kelompok) | Tes Tulis (UTS) | Tes Tulis (UAS) | |
|---|---|---|---|---|---|---|
| CPL-01 | DEEP LEARNING | CPMK-02 | Y | |||
| CPL-03 | DEEP LEARNING | CPMK-06 | Y | Y | ||
| CPL-05 | DEEP LEARNING | CPMK-09 | Y | |||
| CPL-07 | DEEP LEARNING | CPMK-14 | Y |
Prosedur Penilaian CPMK
1. Komponen Penilaian CPMK
| CPL | CPMK | Sub-CPMK | Detail Penugasan (Teknik Penilaian) | Bobot % | Kriteria Penilaian |
|---|---|---|---|---|---|
| CPL-01 | CPMK-02 | sub.cpmk.PJ062.CPMK-02.2 | 0 | ||
| CPL-05 | CPMK-09 | sub.cpmk.PJ062.CPMK-09.1, sub.cpmk.PJ062.CPMK-09.2 | Systematic Literature Review | 10 | Pemahaman Konsep |
| CPL-05 | CPMK-09 | sub.cpmk.PJ062.CPMK-09.3 | 0 | ||
| CPL-05 | CPMK-09 | sub.cpmk.PJ062.CPMK-09.3 | 0 | ||
| CPL-07 | CPMK-14 | sub.cpmk.PJ062.CPMK-14.1 | 10 | Kemampuan menganalisa Kasus | |
| CPL-03 | CPMK-06 | sub.cpmk.PJ062.CPMK-06.1 | 0 | ||
| CPL-07 | CPMK-14 | sub.cpmk.PJ062.CPMK-14.2 | 0 | ||
| CPL-03 | CPMK-06 | sub.cpmk.PJ062.CPMK-06.1, sub.cpmk.PJ062.CPMK-06.2, sub.cpmk.PJ062.CPMK-06.3, sub.cpmk.PJ062.CPMK-06.4 | 30 | Kemampuan menganalisa Kasus | |
| CPL-03 | CPMK-06 | sub.cpmk.PJ062.CPMK-06.2 | 0 | ||
| CPL-07 | CPMK-14 | sub.cpmk.PJ062.CPMK-14.3 | 10 | ||
| CPL-03 | CPMK-06 | sub.cpmk.PJ062.CPMK-06.3 | 0 | ||
| CPL-03 | CPMK-06 | sub.cpmk.PJ062.CPMK-06.4 | 10 | Rubrik Analisis | |
| CPL-01 | CPMK-02 | sub.cpmk.PJ062.CPMK-02.1 | 0 | ||
| CPL-01 | CPMK-02 | sub.cpmk.PJ062.CPMK-02.1 | 0 | ||
| CPL-01 | CPMK-02 | sub.cpmk.PJ062.CPMK-02.1 | 30 | ||
| Total | 100 | ||||
2. Penilaian CPMK
| CPL | MK | CPMK | Tugas Teori (Kelompok) | Tes Tulis (UTS) | Tes Tulis (UAS) | Total | |
|---|---|---|---|---|---|---|---|
| CPL-01 | DEEP LEARNING | CPMK-02 | 0% | 0% | 0% | 30% | 30% |
| CPL-03 | DEEP LEARNING | CPMK-06 | 0% | 10% | 30% | 0% | 40% |
| CPL-05 | DEEP LEARNING | CPMK-09 | 0% | 10% | 0% | 0% | 10% |
| CPL-07 | DEEP LEARNING | CPMK-14 | 0% | 20% | 0% | 0% | 20% |
| 100% | |||||||