UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI SISTEM INFORMASI

RPS-S1SI-SI163
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
MACHINE LEARNING SI163 Intelligent System (AI) 4 0 6 02 Jan 2024
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Yoga Pristyanto, S.Kom., M.Eng.
Yoga Pristyanto, S.Kom., M.Eng.
Anggit Dwi Hartanto, M.Kom
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL07 Mampu mengolah data yang bersumber dari data pengguna pada aplikasi tertentu menjadi informasi yang tepat sesuai kebutuhan stakeholder dengan metode atau tools tertentu
CPL13 Mampu menjelaskan pemahaman mengenai konsep dan evaluasi pengolahan data tertentu sesuai karakteristik data
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK21 Mampu mengolah data yang bersumber dari data pengguna pada suatu aplikasi menjadi informasi yang tepat sesuai kebutuhan stakeholder dengan metode atau tools tertentu
CPMK43 Mampu menjelaskan pemahaman mengenai konsep dan evaluasi pengolahan data tertentu sesuai karakteristik data
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.SI163.CPMK21.1 Mampu menganalisis penerapan model machine learning sesuai dengan task machine learning.
sub.cpmk.SI163.CPMK21.2 Mampu mengukur kinerja model machine learning sesuai dengan metric pengujian pada task machine learning.
sub.cpmk.SI163.CPMK21.3 Mampu mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi.
sub.cpmk.SI163.CPMK43.1 Mampu menjelaskan pemahaman definisi, konsep serta penerapan machine learning pada multi disiplin ilmu.
sub.cpmk.SI163.CPMK43.2 Mampu mengidentifikasi alur metode pengembangan machine learning sesuai SKKNI.
sub.cpmk.SI163.CPMK43.3 Mampu mengidentifikasi jenis-jenis task machine learning dan teknik seleksi fitur dataset.
Korelasi CPMK terhadap Sub-CPMK
CPMK43 sub.cpmk.SI163.CPMK43.1
sub.cpmk.SI163.CPMK43.2
sub.cpmk.SI163.CPMK43.3
CPMK21 sub.cpmk.SI163.CPMK21.1
sub.cpmk.SI163.CPMK21.2
sub.cpmk.SI163.CPMK21.3
Deskripsi Singkat MK Mata kuliah Machine Learning merupakan mata kuliah pilihan konsentrasi bagi mahasiswa program studi sistem informasi. Mata kuliah ini memiliki bobot 4 SKS dan bertujuan untuk memberikan pemahaman dan keterampilan dalam memahami konsep-konsep dasar machine learning, menganalisis model machine learning untuk menyelesaikan masalah di berbagai bidang, serta mengembangkan model machine learning dalam bentuk interface aplikasi. Mata kuliah Machine Learning ini akan memberikan bekal pengetahuan dan keterampilan yang penting bagi mahasiswa dalam memahami konsep-konsep dasar machine learning, menganalisis model machine learning untuk menyelesaikan masalah di berbagai bidang, serta mengembangkan model machine learning dalam bentuk interface aplikasi. Perkuliahan diselenggarakan dalam 28 kali pertemuan tatap muka selama satu semester. Perkuliahan diawali dengan menjelaskan pengantar dan konsep dasar machine learning, materi yang dipelajari, referensi, tata cara perkuliahan, rincian tugas, serta penilaian akhir. Tugas kuliah akan diberikan secara individu dan jika berkelompok maka 1 kelompok terdiri dari maksimal 3 orang. Perkuliahan dilakukan secara luring di kelas sedangkan tugas serta kuis yang di-upload pada aplikasi LMS (Learning Management System).
Bahan Kajian : Materi Pembelajaran Pengantar Machine Learning, Metode Pengembangan Machine Learning, Jenis-Jenis Task Machine Learning, Seleksi Fitur, Unsupervised Learning-Klasterisasi, Supervised Learning - Regresi, Supervised Learning - Klasifikasi, Evaluasi Model Machine Learning dan Deploying Model Machine Learning.
Pustaka Utama
  • 1. Suyanto. (2022). Machine Learning Tingkat Dasar dan Lanjut Edisi-2 (Edisi-2). Penerbit Informatika Bandung.
Pendukung
  • 2. Santosa, B., & Umam, A. (2018). Data Mining dan Big Data Analytics?: Teori dan Implementasi Menggunakan Python & Apache Spark (Edisi 2). Penebar Media Pustaka Yogyakarta.
  • 3. Wahyono, T. (2018). Fundamental Of Python For Machine Learning. Gava Media Yogyakarta.
  • 4. Saputra, I., & Kristiyanti, D. A. (2022). Machine Learning Untuk Pemula. Penerbit Informatika Bandung.
  • 5. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill Science Portland.
Dosen Pengampu Yoga Pristyanto, S.Kom, M.Eng, Norhikmah, M.Kom, Erni Seniwati, S.Kom, M.Cs
Mata Kuliah Syarat Digital Business
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.SI163.CPMK43.1-Mampu menjelaskan pemahaman definisi, konsep serta penerapan machine learning pada multi disiplin ilmu. 1. Ketepatan menjelaskan definisi dan konsep Machine Learning. 2. Ketepatan menjelaskan penerapan Machine Learning pada multi disiplin ilmu. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas menjelaskan konsep dasar machine learning dan memberikan contoh penerapan machine learning pada multi disiplin ilmu. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Ceramah Langsung,[C=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Ceramah Langsung,[C=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Konsep Dasar Machine Learning
Sub Topik
1. Definisi dan kosep Machine Learning. 2. Penerapan Machine Learning pada multi disiplin ilmu.
  • [1] Hal: 1-10
  • [4] Hal: 1-12
  • [5] Hal: all
2.5
2 sub.cpmk.SI163.CPMK43.2-Mampu mengidentifikasi alur metode pengembangan machine learning sesuai SKKNI. Ketepatan alur metode pengembangan machine learning sesuai SKKNI. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas mengidentifikasi masing-masing tahapan pada metode pengembangan machine learning sesuai SKKNI. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Kulis Langsung,[KL=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Ceramah Langsung,[C=90 Menit]
Penugasan,Laporan Praktikum,[LP=70 Menit]
 Topik
Alur Metode Pengembangan Machine Learning
Sub Topik
1. Alur metode pengembangan Machine Learning sesuai SKKNI. 2. Tahapan-tahapan pengembangan Machine Learning.
  • [1] Hal: all
  • [2] Hal: all
  • [4] Hal: all
  • [5] Hal: all
2.5
3 sub.cpmk.SI163.CPMK43.3-Mampu mengidentifikasi jenis-jenis task machine learning dan teknik seleksi fitur dataset. 1. Ketepatan mengidentifikasi jenis-jenis task machine learning. 2. Ketepatan mengidentifikasi teknik seleksi fitur dataset. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas mengidentifikasi masing-masing jenis-jenis task machine learning dan fungsi teknik seleksi fitur dataset. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Persiapan Perkuliahan,[P=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Ceramah Langsung,[C=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Jenis Task Machine Learning dan Seleksi Fitur Dataset
Sub Topik
1. Jenis task pada Machine Learning. 2. Teknik seleksi fitur dataset.
  • [1] Hal: all
  • [2] Hal: all
  • [4] Hal: all
5
4
5 sub.cpmk.SI163.CPMK21.1-Mampu menganalisis penerapan model machine learning sesuai dengan task machine learning. 1. Ketepatan menganalisis penerapan model machine learning pada task unsupervised learning 2. Ketepatan menerapkan algoritme K-Means. 3. Ketepatan menerapkan algoritme Hierachical Clustering. 4. Ketepatan menerapkan algoritme DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan penerapan. algoritme K-Means, algoritme Hierachical Clustering maupuan algoritme DBSCAN (Density-Based Spatial Clustering of Applications with Noise) pada suatu case dataset. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Unsupervised Learning
Sub Topik
1. Unsupervised learning beserta penerapannya. 2. Algoritme K-Means. 3. Algoritme Hierachical Clustering. 4. Algoritme DBSCAN (Density-Based Spatial Clustering of Applications with Noise).
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
  • [5] Hal: all
10
6
7
8 sub.cpmk.SI163.CPMK21.1-Mampu menganalisis penerapan model machine learning sesuai dengan task machine learning. 1. Ketepatan menganalisis penerapan model machine learning pada task supervised learning regression. 2. Ketepatan menerapkan Algoritme ARIMA (AutoRegressive Integrated Moving Average). 3. Ketepatan menerapkan algoritme Algoritme Least Square Regression. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan penerapan. Algoritme ARIMA (AutoRegressive Integrated Moving Average) dan Algoritme Least Square Regression pada suatu case dataset. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Supervised Learning - Regression
Sub Topik
1. Regression beserta penerapannya. 2. Algoritme ARIMA (AutoRegressive Integrated Moving Average). 3. Algoritme Least Square Regression.
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
  • [5] Hal: all
10
9
10 sub.cpmk.SI163.CPMK21.1-Mampu menganalisis penerapan model machine learning sesuai dengan task machine learning. 1. Ketepatan menganalisis penerapan model machine learning pada task supervised learning regression. 2. Ketepatan menerapkan Algoritme K-Nearest Neighbor (k-NN). 3. Ketepatan menerapkan algoritme Algoritme Naïve Bayes. 4. Ketepatan menerapkan Algoritme Decision Tree. 5. Ketepatan menerapkan Algoritme Support Vector Machine (SVM). 6. Ketepatan menerapakan Algoritme Neural Network, Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan penerapan. Algoritme K-Nearest Neighbor (k-NN), Algoritme Naïve Bayes, Algoritme Decision Tree, Support Vector Machine (SVM), dan Algoritme Neural Network pada suatu case dataset. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Supervised Learning - Classification
Sub Topik
1. Classification beserta penerapannya. 2. Algoritme K-Nearest Neighbor (k-NN). 3. Algoritme Naïve Bayes. 4. Algoritme Decision Tree. 5. Support Vector Machine (SVM). 6. Algoritme Neural Network.
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
  • [5] Hal: all
10
11
12
13
14
15 sub.cpmk.SI163.CPMK21.1-Mampu menganalisis penerapan model machine learning sesuai dengan task machine learning. Ketepatan dalam penerapan model machine learning pada suatu case dataset yang telah ditentukan. Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Ketepatan dalam menyusun dokumen atau laporan yang telah ditentukan 		Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Topik
Ujian Tengah Semester
Sub Topik
Ujian Tengah Semester
 20
16 sub.cpmk.SI163.CPMK21.2-Mampu mengukur kinerja model machine learning sesuai dengan metric pengujian pada task machine learning. Ketepatan dalam mengukur kinerja model machine learning sesuai dengan metric pengujian pada task machine learning. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan pengukuran kinerja model machine learning sesuai dengan metric pengujian pada task machine learning. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Evaluasi Kinerja Model Machine Learning
Sub Topik
1. Parameter Kinerja Model Regresi 2. Parameter Kinerja Model Klasterisasi 3. Parameter Kinerja Model Klasifikasi
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
5
17
18
19 sub.cpmk.SI163.CPMK21.3-Mampu mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi. Ketepatan dalam mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan pengembangan (deploying) model machine learning dalam bentuk interface aplikasi. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Proses Belajar,[PB=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Deploying Model Machine Learning
Sub Topik
Deploying model machine learning dalam bentuk interface aplikasi.
  • [2] Hal: all
  • [3] Hal: all
5
20 sub.cpmk.SI163.CPMK21.3-Mampu mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi. Ketepatan implementasi: 1. Identifikasi Ide Tugas Besar 2. Identifikasi dan akuisisi dataset yang digunakan. 3. Pra Pemrosesan Dataset 4. Implementasi Model Machine Learning 5. Mengevaluasi Kinerja Model Machine Learning 6. Deploying model machine learning dalam bentuk interface aplikasi. Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Tugas praktek melakukan: 1. Identifikasi Ide Tugas Besar 2. Identifikasi dan akuisisi dataset yang digunakan. 3. Pra Pemrosesan Dataset 4. Implementasi Model Machine Learning 5. Evaluasi Kinerja Model Machine Learning 6. Deploying model machine learning dalam bentuk interface aplikasi. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Diskusi,[DS=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Diskusi,[DS=90 Menit]
Penugasan,Tugas Take Home,[TH=70 Menit]
 Topik
Implementasi Tugas Besar/Final Project
Sub Topik
1. Identifikasi Ide Tugas Besar 2. Identifikasi dan akuisisi dataset yang digunakan. 3. Pra Pemrosesan Dataset 4. Implementasi Model Machine Learning 5. Mengevaluasi Kinerja Model Machine Learning 6. Deploying model machine learning dalam bentuk interface aplikasi.
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
  • [5] Hal: all
5
21
22
23
24
25
26 sub.cpmk.SI163.CPMK21.3-Mampu mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi. Ketepatan mempresentasikan/demo hasil pengembangan (deploying) model machine learning dalam bentuk interface aplikasi data pada real case study yang diangkat dalam tugas besar/final project. Kriteria
Ketepatan pemaparan presentasi sesuai ketentuan
Teknik
Tugas mempresentasikan/demo hasil pengembangan (deploying) model machine learning dalam bentuk interface aplikasi data pada real case study yang diangkat dalam tugas besar/final project. 		Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Presentasi,[PS=90 Menit]
Pemahaman materi mandiri,Kegiatan Mandiri,[PM=70 Menit]
 Kuliah,Persiapan Perkuliahan,[P=10 Menit]
Kuliah,Presentasi,[PS=90 Menit]
Pemahaman materi mandiri,Kegiatan Mandiri,[PM=70 Menit]
 Topik
Demo hasil tugas besar/final project
Sub Topik
Demo hasil tugas besar/final project
  • [1] Hal: all
  • [2] Hal: all
  • [3] Hal: all
  • [4] Hal: all
  • [5] Hal: all
5
27
28
29
30 sub.cpmk.SI163.CPMK21.3-Mampu mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi. Ketepatan dalam mengembangkan (deploying) model machine learning dalam bentuk interface aplikasi pada suatu case dataset yang telah ditentukan. Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Ketepatan dalam menyusun dokumen atau laporan yang telah ditentukan. 		Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Topik
Ujian Akhir Semester
Sub Topik
Ujian Akhir Semester
 20

Teknik Penilaian CPMK

CPL MK CPMK Tugas Teori (Individu) Tes Tulis (UTS) Unjuk Kerja (Presentasi) Tes Tulis (UAS)
CPL07 MACHINE LEARNING CPMK21 Y Y Y Y
CPL13 MACHINE LEARNING CPMK43 Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL13 CPMK43 sub.cpmk.SI163.CPMK43.1 Tugas menjelaskan konsep dasar machine learning dan memberikan contoh penerapan machine learning pada multi disiplin ilmu. 2.5 Ketepatan jawaban tugas sesuai perintah soal
CPL13 CPMK43 sub.cpmk.SI163.CPMK43.2 Tugas mengidentifikasi masing-masing tahapan pada metode pengembangan machine learning sesuai SKKNI. 2.5 Ketepatan jawaban tugas sesuai perintah soal
CPL13 CPMK43 sub.cpmk.SI163.CPMK43.3 Tugas mengidentifikasi masing-masing jenis-jenis task machine learning dan fungsi teknik seleksi fitur dataset. 5 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.1 Tugas praktek melakukan penerapan. algoritme K-Means, algoritme Hierachical Clustering maupuan algoritme DBSCAN (Density-Based Spatial Clustering of Applications with Noise) pada suatu case dataset. 10 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.1 Tugas praktek melakukan penerapan. Algoritme ARIMA (AutoRegressive Integrated Moving Average) dan Algoritme Least Square Regression pada suatu case dataset. 10 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.1 Tugas praktek melakukan penerapan. Algoritme K-Nearest Neighbor (k-NN), Algoritme Naïve Bayes, Algoritme Decision Tree, Support Vector Machine (SVM), dan Algoritme Neural Network pada suatu case dataset. 10 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.1 Ketepatan dalam menyusun dokumen atau laporan yang telah ditentukan 20 Ketepatan jawaban sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.2 Tugas praktek melakukan pengukuran kinerja model machine learning sesuai dengan metric pengujian pada task machine learning. 5 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.3 Tugas praktek melakukan pengembangan (deploying) model machine learning dalam bentuk interface aplikasi. 5 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.3 Tugas praktek melakukan: 1. Identifikasi Ide Tugas Besar 2. Identifikasi dan akuisisi dataset yang digunakan. 3. Pra Pemrosesan Dataset 4. Implementasi Model Machine Learning 5. Evaluasi Kinerja Model Machine Learning 6. Deploying model machine learning dalam bentuk interface aplikasi. 5 Ketepatan jawaban tugas sesuai perintah soal
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.3 Tugas mempresentasikan/demo hasil pengembangan (deploying) model machine learning dalam bentuk interface aplikasi data pada real case study yang diangkat dalam tugas besar/final project. 5 Ketepatan pemaparan presentasi sesuai ketentuan
CPL07 CPMK21 sub.cpmk.SI163.CPMK21.3 Ketepatan dalam menyusun dokumen atau laporan yang telah ditentukan. 20 Ketepatan jawaban sesuai perintah soal
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Teori (Individu) Tes Tulis (UTS) Unjuk Kerja (Presentasi) Tes Tulis (UAS) Total
CPL07 MACHINE LEARNING CPMK21 45% 20% 5% 20% 90%
CPL13 MACHINE LEARNING CPMK43 10% 0% 0% 0% 10%
100%