UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER S2
PROGRAM STUDI S2 INFORMATIKA

RPS-S2IF-MT104
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
NATURAL LANGUAGE PROCESSING MT104 Algorithmic Foundations (AL) T= 3 1 14 Jul 2026
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Prof. Dr. Ema Utami, S.Si., M.Kom.
Robert Marco, ST,. M.T., Ph.D.
Robert Marco, ST,. M.T., Ph.D.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL01 Menjunjung sikap amanah, bertindak jujur dan berpegang teguh pada nilai moral serta etika akademik atas pekerjaan bidang TIK secara mandiri.
CPL03 Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi melalui hasil analisa dan evaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK.
CPL04 Mampu menjelaskan pemahaman mengenai penguasaan teori, dan/atau falsafah bidang ilmu kecerdasan artifisial, multimedia lanjut, atau transformasi digital secara sistematis dan mengaplikasikannya dalam ilmu pengetahuan dan teknologi sesuai keahliannya dalam bidang TIK.
CPL05 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.
CPL07 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)
CPMK02 Mampu bekerja sesuai etika akdemik dalam berkomunikasi baik lisan dan tulisan secara mandiri pada aspek teknis dan non-teknis.
CPMK05 Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi bidang TIK.
CPMK09 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.
CPMK14 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.MT104.CPMK02.1 Mahasiswa mampu mempertahankan argumentasi ilmiah hasil pengujian sistem RAG kelompok 1-4 melalui sesi pemaparan diseminasi lisan secara profesional.
sub.cpmk.MT104.CPMK02.2 Mahasiswa mampu mempertahankan argumentasi ilmiah hasil pengujian sistem RAG kelompok 5-7 melalui sesi pemaparan diseminasi lisan secara profesional dan bertanggung jawab.
sub.cpmk.MT104.CPMK05.1 Mahasiswa mampu menjelaskan tantangan ambiguitas bahasa alami manusia serta posisi keilmuan NLP dalam perkembangan kecerdasan artifisial modern secara komprehensif.
sub.cpmk.MT104.CPMK05.2 Mahasiswa mampu menganalisis permasalahan kompleks batasan performa model bahasa tradisional dalam menangani ketergantungan teks konteks panjang sekuensial.
sub.cpmk.MT104.CPMK09.1 Mahasiswa mampu menguraikan model representasi kata berbasis ruang vektor untuk mengekstrak kedekatan fitur semantik antardokumen terstruktur.
sub.cpmk.MT104.CPMK09.2 Mahasiswa mampu membangun rancangan arsitektur dasar model klasifikasi bahasa alami komputasional di lingkungan Google Colaboratory secara logis.
sub.cpmk.MT104.CPMK09.3 Mahasiswa mampu memproduksi basis data pengetahuan tekstual kustom berskala 50-100 baris data dari ranah domain bebas secara kritis untuk kebutuhan pemodelan kelompok.
sub.cpmk.MT104.CPMK09.4 Mahasiswa mampu memvalidasi tingkat kedalaman kualitas jawaban model RAG berdasarkan parameter kesesuaian semantik hasil eksperimen data kelompok secara logis.
sub.cpmk.MT104.CPMK09.5 Mahasiswa mampu merumuskan cetak biru langkah optimasi sistem RAG melalui perbaikan struktur chunking data dan rekayasa parameter retriever berdasarkan umpan balik presentasi.
sub.cpmk.MT104.CPMK14.1 Mahasiswa mampu mengonfigurasi naskah kode program prapemrosesan teks lanjut untuk melakukan pembersihan korpus data dokumen bahasa alami secara sistematis.
sub.cpmk.MT104.CPMK14.2 Mahasiswa mampu merancang diagram alir kerangka kerja sistem Retrieval-Augmented Generation (RAG) yang mengintegrasikan basis pengetahuan eksternal sebagai jangkar konteks model.
sub.cpmk.MT104.CPMK14.3 Mahasiswa mampu mengonfigurasi parameter tokenisasi dan pemecahan dokumen (data chunking) teks guna mempersiapkan naskah input basis pengetahuan kustom sistem RAG.
sub.cpmk.MT104.CPMK14.4 Mahasiswa mampu mengintegrasikan model bahasa berukuran kecil (Small Language Models) ke dalam pipelines eksekusi program sistem kecerdasan artifisial terapan.
sub.cpmk.MT104.CPMK14.5 Mahasiswa mampu mengoperasikan pengujian program klaster Retrieval-Augmented Generation menggunakan file basis pengetahuan kustom data.
Korelasi CPMK terhadap Sub-CPMK
CPMK05 sub.cpmk.MT104.CPMK05.1
sub.cpmk.MT104.CPMK05.2
CPMK14 sub.cpmk.MT104.CPMK14.1
sub.cpmk.MT104.CPMK14.2
sub.cpmk.MT104.CPMK14.3
sub.cpmk.MT104.CPMK14.4
sub.cpmk.MT104.CPMK14.5
CPMK09 sub.cpmk.MT104.CPMK09.1
sub.cpmk.MT104.CPMK09.2
sub.cpmk.MT104.CPMK09.3
sub.cpmk.MT104.CPMK09.4
sub.cpmk.MT104.CPMK09.5
CPMK02 sub.cpmk.MT104.CPMK02.1
sub.cpmk.MT104.CPMK02.2
Deskripsi Singkat MK Mata kuliah ini membekali mahasiswa program Pascasarjana Informatika dengan pemahaman komprehensif mengenai teori, algoritma, dan tren implementasi rekayasa sistem Pemrosesan Bahasa Alami (Natural Language Processing / NLP) tingkat lanjut. Mahasiswa akan mempelajari fondasi linguistik komputasional, teknik pembersihan korpus data teks, serta pemodelan representasi kata berbasis ruang vektor. Fokus utama pembelajaran diarahkan pada penguasaan teknologi mutakhir berbasis kecerdasan artifisial, mencakup arsitektur Retrieval-Augmented Generation (RAG), pemanfaatan model bahasa kecil (small language models), serta rekayasa basis pengetahuan (knowledge base curation) menggunakan data eksternal kontekstual. Melalui pengerjaan tugas eksperimen kelompok berbasis Google Colaboratory, mahasiswa dilatih melakukan audit kualitas jawaban model, mendeteksi limitasi performa model komputasi, serta merumuskan strategi peningkatan akurasi semantik. Luaran akhir mata kuliah ini adalah kemampuan mahasiswa dalam merancang, memvalidasi, dan menyajikan rekomendasi arsitektur sistem NLP/RAG yang inovatif, teruji, dan siap dihilirisasi untuk kebutuhan industri digital.
Bahan Kajian : Materi Pembelajaran - Fondasi NLP & Prapemrosesan Korpus Teks - Implementasi Sistem Komputasi Bahasa Alami - Arsitektur Retrieval-Augmented Generation (RAG) & Model Bahasa - Evaluasi Kualitas Jawalan Model, Validasi, & Diseminasi
Pustaka Utama
  • 1. Jurafsky, D., & Martin, J. H. (2024). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition (3rd ed. draft). Stanford University / Prentice Hall.
  • 2. Tunstall, L., von Werra, L., & Wolf, T. (2022). Natural Language Processing with Transformers: Building Language Applications with Hugging Face. O'Reilly Media.
  • 3. Goldberg, Y. (2017). Neural Network Methods for Natural Language Processing. Morgan & Claypool Publishers.
Pendukung
  • 4. anning, C. D., & Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT Press.
  • 5. Sarkar, D. (2019). Text Analytics with Python: A Practitioner's Guide to Natural Language Processing (2nd ed.). Apress.
Dosen Pengampu Prof. Dr. Ema Utami, S.Si., M.Kom.
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.MT104.CPMK05.1-Mahasiswa mampu menjelaskan tantangan ambiguitas bahasa alami manusia serta posisi keilmuan NLP dalam perkembangan kecerdasan artifisial modern secara komprehensif.
 Kriteria
Pemahaman Konsep
Teknik
 Kuliah,Ceramah interaktif,[CI=150 Menit]
 Topik
Introduction to Natural Language Processing.
Sub Topik
Kontrak pembelajaran, ruang lingkup pengolahan linguistik komputer, pengenalan arsitektur korpus dasar, dan gambaran umum silabus NLP.
 0
2 sub.cpmk.MT104.CPMK14.1-Mahasiswa mampu mengonfigurasi naskah kode program prapemrosesan teks lanjut untuk melakukan pembersihan korpus data dokumen bahasa alami secara sistematis.
 Ketepatan mahasiswa dalam menyusun urutan penanganan preprocessing teks tanpa menghilangkan makna semantik dari dataset kata yang diolah. Kriteria
Rubrik Kreativitas
Teknik
Pemeriksaan dokumen berkas naskah laporan pemrograman (.pdf) yang dikumpulkan secara individual di LMS Waskita (Tugas Pertemuan 2). 		Pemahaman materi mandiri,Studi Kasus,[SK=100 Menit]
Penugasan,Praktik Langsung,[PL=50 Menit]
 Topik
Text Preprocessing Automation in Google Colab.
Sub Topik
Teknik tokenisasi, reduksi derau (noise reduction), pembersihan karakter khusus, integrasi pustaka pemrosesan teks Python di Google Colaboratory, serta pengerjaan instrumen mandiri penanganan dokumen teks.
 10
3 sub.cpmk.MT104.CPMK09.1-Mahasiswa mampu menguraikan model representasi kata berbasis ruang vektor untuk mengekstrak kedekatan fitur semantik antardokumen terstruktur.
 Kriteria
Kemampuan menganalisa Kasus
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Diskusi,Diskusi Interaktif,[DI=50 Menit]
 Topik
Vector Space Models & Text Representations.
Sub Topik
Konsep dasar pembobotan TF-IDF, representasi matriks korpus teks, pengukuran jarak kosinus kedekatan kata, serta observasi awal karakteristik dataset bahasa alami.
 0
4 sub.cpmk.MT104.CPMK09.2-Mahasiswa mampu membangun rancangan arsitektur dasar model klasifikasi bahasa alami komputasional di lingkungan Google Colaboratory secara logis.
 Kriteria
Kesesuaian struktur dan metodologi
Teknik
 Pemahaman materi mandiri,Ceramah interaktif,[CI=100 Menit]
Diskusi,Diskusi Interaktif,[DI=50 Menit]
 Topik
Advanced Scripting for NLP Classification Models.
Sub Topik
Pembagian data latih dan data uji teks, pemodelan statistik probabilistik teks, penanganan sebaran kelas tidak seimbang, serta pengujian naskah source code kustom .ipynb.
 0
5 sub.cpmk.MT104.CPMK05.2-Mahasiswa mampu menganalisis permasalahan kompleks batasan performa model bahasa tradisional dalam menangani ketergantungan teks konteks panjang sekuensial.
 Kriteria
Kemampuan memecahkan masalah
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Penugasan,Problem-Based Learning,[PBL=50 Menit]
 Topik
Silabus Klasifikasi & Evaluasi Kinerja Model Bahasa.
Sub Topik
Analisis vanishing gradient pada model bahasa tradisional, pengenalan konsep memori jangka pendek terdistribusi, metrik ketepatan evaluasi teks, dan pembekalan materi persiapan Ujian Tengah Semester.
 10
6 sub.cpmk.MT104.CPMK14.2-Mahasiswa mampu merancang diagram alir kerangka kerja sistem Retrieval-Augmented Generation (RAG) yang mengintegrasikan basis pengetahuan eksternal sebagai jangkar konteks model.
 Kriteria
Pemahaman Konsep
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Diskusi,Diskusi Interaktif,[DI=50 Menit]
 Topik
Arsitektur Dasar Retrieval-Augmented Generation (RAG).
Sub Topik
Prinsip pemisahan komponen Retriever dan Generator, mekanisme pencarian dokumen relevan secara semantik, serta peran penyimpanan basis data vektor dalam meminimalkan disinformasi model.
 0
7 sub.cpmk.MT104.CPMK14.3-Mahasiswa mampu mengonfigurasi parameter tokenisasi dan pemecahan dokumen (data chunking) teks guna mempersiapkan naskah input basis pengetahuan kustom sistem RAG.
 Kriteria
Pemahaman Konsep
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Pemahaman materi mandiri,Diskusi Interaktif,[DI=50 Menit]
 Topik
Rekayasa Basis Pengetahuan (Knowledge Base Engineering).
Sub Topik
Teknik penentuan ukuran chunk size, pengaturan overlap teks untuk menjaga keutuhan informasi semantik, pembersihan berkas dokumen referensi mentah, serta penyelarasan berkas naskah data tekstual industri.
 0
8 sub.cpmk.MT104.CPMK14.1-Mahasiswa mampu mengonfigurasi naskah kode program prapemrosesan teks lanjut untuk melakukan pembersihan korpus data dokumen bahasa alami secara sistematis.
sub.cpmk.MT104.CPMK14.2-Mahasiswa mampu merancang diagram alir kerangka kerja sistem Retrieval-Augmented Generation (RAG) yang mengintegrasikan basis pengetahuan eksternal sebagai jangkar konteks model.
sub.cpmk.MT104.CPMK14.3-Mahasiswa mampu mengonfigurasi parameter tokenisasi dan pemecahan dokumen (data chunking) teks guna mempersiapkan naskah input basis pengetahuan kustom sistem RAG.
 Ketepatan kalkulasi pembobotan fitur kata, validitas alur logika naskah kode program klasifikasi, dan keselarasan interpretasi hasil pengujian. Kriteria
Ujian UTS/UAS yang terjadwal Resmi
Teknik
Pemeriksaan unjuk kerja dokumen berkas laporan teknis hasil jawaban UTS format PDF yang diunggah ke Waskita (PENGUMPULAN UTS Assignment). 		Topik
Ujian Tengah Semester (UTS)
Sub Topik
Pelaksanaan ujian tengah semester berbasis proyek pemecahan masalah komputasi bahasa alami terstruktur secara mandiri sesuai instruksi tata cara naskah soal UTS.
 30
9 sub.cpmk.MT104.CPMK14.4-Mahasiswa mampu mengintegrasikan model bahasa berukuran kecil (Small Language Models) ke dalam pipelines eksekusi program sistem kecerdasan artifisial terapan.
 Kriteria
Kemampuan memecahkan masalah
Teknik
 Kuliah,Ceramah interaktif,[CI=150 Menit]
 Topik
Small Language Models Deployment.
Sub Topik
Karakteristik efisiensi memori model bahasa ukuran kecil, prosedur pemuatan bobot model (weights loading) lokal, penataan sintaks perintah prompt, dan manajemen kebutuhan komputasi perangkat keras.
 0
10 Kriteria
Kesesuaian teknik dan validitas
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Diskusi,Diskusi Interaktif,[DI=50 Menit]
 Topik
Praktik Eksperimen Awal RAG dengan Dataset Kustom
Sub Topik
Eksekusi naskah kode program RAG notebook di Google Colab, pemuatan file referensi data_skripsi_upgrade.txt, penelusuran video panduan demo singkat running, serta pembagian peran kolaborasi tim mahasiswa.
 0
11 sub.cpmk.MT104.CPMK09.3-Mahasiswa mampu memproduksi basis data pengetahuan tekstual kustom berskala 50-100 baris data dari ranah domain bebas secara kritis untuk kebutuhan pemodelan kelompok.
 Kriteria
Pemahaman Konsep
Teknik
 Kuliah,Ceramah interaktif,[CI=150 Menit]
 Topik
Pengumpulan dan Kurasi Korpus Domain Khusus Kelompok.
Sub Topik
Teknik pengumpulan dokumen tekstual sekunder, standardisasi pembersihan baris data kustom kelompok, penyusunan struktur berkas teks data pengetahuan, dan pengkondisian pengujian variasi input kueri.
 0
12 sub.cpmk.MT104.CPMK09.4-Mahasiswa mampu memvalidasi tingkat kedalaman kualitas jawaban model RAG berdasarkan parameter kesesuaian semantik hasil eksperimen data kelompok secara logis.
 Ketajaman mahasiswa dalam menganalisis limitasi model kecil dan ketepatan identifikasi akar masalah penyebab ketidaksempurnaan jawaban RAG. Kriteria
Kerja Tim
Teknik
Verifikasi berkas dokumen laporan eksperimen komprehensif kelompok yang dikumpulkan mandiri oleh mahasiswa di LMS. 		Penugasan,Problem-Based Learning,[PBL=150 Menit]
 Topik
Analisis Hasil Eksperimen RAG Data Kelompok
Sub Topik
Pengujian keandalan respon sistem, identifikasi fenomena kesalahan informasi (hallucination), analisis ketidaksempurnaan jawaban model kecil, serta perumusan draf penulisan slide presentasi sementara kelompok.
 10
13 sub.cpmk.MT104.CPMK02.1-Mahasiswa mampu mempertahankan argumentasi ilmiah hasil pengujian sistem RAG kelompok 1-4 melalui sesi pemaparan diseminasi lisan secara profesional.
 Kriteria
Kemampuan memecahkan masalah
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Diskusi,Diskusi Interaktif,[DI=50 Menit]
 Topik
Presentasi Diseminasi Hasil Eksperimen RAG - Gelombang I.
Sub Topik
Pemaparan slide presentasi kelompok 1 sampai 4, demonstrasi jalannya program sistem RAG kustom di hadapan dosen penguji, serta sesi tanya jawab kritis teknis mengenai limitasi model bahasa berukuran kecil.
 0
14 sub.cpmk.MT104.CPMK02.2-Mahasiswa mampu mempertahankan argumentasi ilmiah hasil pengujian sistem RAG kelompok 5-7 melalui sesi pemaparan diseminasi lisan secara profesional dan bertanggung jawab.
 Kriteria
Ketepatan konteks & argumentasi
Teknik
 Presentasi,Demontrasi,[D=150 Menit]
 Topik
Presentasi Diseminasi Hasil Eksperimen RAG - Gelombang II.
Sub Topik
Pemaparan slide presentasi kelompok 5 sampai 7, demonstrasi unjuk kerja keandalan pencarian basis pengetahuan, penanganan sanggahan akademik panelis kelas, serta perumusan strategi perbaikan kualitas akhir RAG.
 10
15 sub.cpmk.MT104.CPMK09.5-Mahasiswa mampu merumuskan cetak biru langkah optimasi sistem RAG melalui perbaikan struktur chunking data dan rekayasa parameter retriever berdasarkan umpan balik presentasi.
 Kriteria
Keaktifan dalam diskusi
Teknik
 Kuliah,Ceramah interaktif,[CI=100 Menit]
Pemahaman materi mandiri,Diskusi Interaktif,[DI=50 Menit]
 Topik
Rangkuman Taktis Peningkatan Kualitas Pemrosesan Bahasa Alami.
Sub Topik
Konsolidasi temuan perbaikan dari seluruh kelompok, teknik mitigasi limitasi model kecil skala industri, standardisasi penulisan dokumen luaran final pasca-revisi, dan pengondisian administrasi berkas UAS.
 0
16 sub.cpmk.MT104.CPMK14.3-Mahasiswa mampu mengonfigurasi parameter tokenisasi dan pemecahan dokumen (data chunking) teks guna mempersiapkan naskah input basis pengetahuan kustom sistem RAG.
sub.cpmk.MT104.CPMK14.4-Mahasiswa mampu mengintegrasikan model bahasa berukuran kecil (Small Language Models) ke dalam pipelines eksekusi program sistem kecerdasan artifisial terapan.
 Tingkat akurasi jawaban model RAG hasil modifikasi rekayasa kelompok, validitas pembuktian pengujian semantik data kustom, kesesuaian format tata tulis laporan ilmiah, dan pemenuhan etika akademik bebas plagiarisme. Kriteria
Ujian UTS/UAS yang terjadwal Resmi
Teknik
Pemeriksaan keabsahan administratif berkas arsip naskah portofolio digital valid (Final Project NLP Package Scoring) melalui pintu gerbang unggah sistem WASKITA LMS yang ditutup secara otomatis saat linimasa berakhir. 		Topik
Ujian Akhir Semester (UAS)
Sub Topik
Pengumpulan paket berkas portofolio luaran akhir kelompok (.pdf) yang memuat gabungan berkas laporan teknis eksperimen RAG pasca-revisi evaluasi presentasi, tautan repositori program Google Colab yang siap dieksekusi, slide paparan seminar final (.pptx), serta esai analisis personal mengenai strategi optimalisasi model bahasa.
 30

Teknik Penilaian CPMK

CPL MK CPMK Tugas Teori (Kelompok) Tes Tulis (UTS) Unjuk Kerja (Presentasi) Tes Tulis (UAS)
CPL01 NATURAL LANGUAGE PROCESSING CPMK02 Y
CPL03 NATURAL LANGUAGE PROCESSING CPMK05 Y
CPL05 NATURAL LANGUAGE PROCESSING CPMK09 Y
CPL07 NATURAL LANGUAGE PROCESSING CPMK14 Y Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL03 CPMK05 sub.cpmk.MT104.CPMK05.1 0 Pemahaman Konsep
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.1 Pemeriksaan dokumen berkas naskah laporan pemrograman (.pdf) yang dikumpulkan secara individual di LMS Waskita (Tugas Pertemuan 2). 10 Rubrik Kreativitas
CPL05 CPMK09 sub.cpmk.MT104.CPMK09.1 0 Kemampuan menganalisa Kasus
CPL05 CPMK09 sub.cpmk.MT104.CPMK09.2 0 Kesesuaian struktur dan metodologi
CPL03 CPMK05 sub.cpmk.MT104.CPMK05.2 10 Kemampuan memecahkan masalah
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.2 0 Pemahaman Konsep
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.3 0 Pemahaman Konsep
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.1, sub.cpmk.MT104.CPMK14.2, sub.cpmk.MT104.CPMK14.3 Pemeriksaan unjuk kerja dokumen berkas laporan teknis hasil jawaban UTS format PDF yang diunggah ke Waskita (PENGUMPULAN UTS Assignment). 30 Ujian UTS/UAS yang terjadwal Resmi
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.4 0 Kemampuan memecahkan masalah
0 Kesesuaian teknik dan validitas
CPL05 CPMK09 sub.cpmk.MT104.CPMK09.3 0 Pemahaman Konsep
CPL05 CPMK09 sub.cpmk.MT104.CPMK09.4 Verifikasi berkas dokumen laporan eksperimen komprehensif kelompok yang dikumpulkan mandiri oleh mahasiswa di LMS. 10 Kerja Tim
CPL01 CPMK02 sub.cpmk.MT104.CPMK02.1 0 Kemampuan memecahkan masalah
CPL01 CPMK02 sub.cpmk.MT104.CPMK02.2 10 Ketepatan konteks & argumentasi
CPL05 CPMK09 sub.cpmk.MT104.CPMK09.5 0 Keaktifan dalam diskusi
CPL07 CPMK14 sub.cpmk.MT104.CPMK14.3, sub.cpmk.MT104.CPMK14.4 Pemeriksaan keabsahan administratif berkas arsip naskah portofolio digital valid (Final Project NLP Package Scoring) melalui pintu gerbang unggah sistem WASKITA LMS yang ditutup secara otomatis saat linimasa berakhir. 30 Ujian UTS/UAS yang terjadwal Resmi
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Teori (Kelompok) Tes Tulis (UTS) Unjuk Kerja (Presentasi) Tes Tulis (UAS) Total
CPL01 NATURAL LANGUAGE PROCESSING CPMK02 0% 0% 0% 10% 0% 10%
CPL03 NATURAL LANGUAGE PROCESSING CPMK05 0% 10% 0% 0% 0% 10%
CPL05 NATURAL LANGUAGE PROCESSING CPMK09 0% 10% 0% 0% 0% 10%
CPL07 NATURAL LANGUAGE PROCESSING CPMK14 0% 10% 30% 0% 30% 70%
100%