UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA

RPS-S1IF-ST164
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
KECERDASAN BUATAN LANJUT ST164 Kelompok mata kulliah Sistem cerdas 2 0 5 04 Sep 2025
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

-
Anna Baita, M. Kom
Eli Pujastuti, M. Kom
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPLP06 Mampu menggunakan dan mengoptimalisasi teknik akuisisi data , analisis data, pengolahan data untuk menyelesaikan masalah penelitian atau industri
CPLP10 mampu menjelaskan konsep dan pengetahuan teknik akuisisi data , analisis data, pengolahan data untuk menyelesaikan masalah
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK21 Mahasiswa mampu menerapkan metode analisis data;
CPMK23 Mahasiswa mampu menerapkan metode evaluasi data;
CPMK39 Mahasiswa menjelaskan konsep teknik akuisisi data
CPMK41 Mahasiswa mampu menerapkan teknik pengolahan data untuk menyelesaikan masalah
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.ST164.CPMK21.1 Mahasiswa mampu menyampaikan cara bekerja deep learning pada bidang teks
sub.cpmk.ST164.CPMK21.2 Mahasiswa mampu menyampaikan cara bekerja Generative Deep Learning
sub.cpmk.ST164.CPMK21.3 Mahasiswa mampu membangun solusi nyata untuk menyelesaikan suatu masalah
sub.cpmk.ST164.CPMK23.1 Mahasiswa mampu menjelaskan machine learning dan evaluasinya
sub.cpmk.ST164.CPMK23.2 Mahasiswa mampu menyampaikan cara bekerja deep learning pada bidang computer vision
sub.cpmk.ST164.CPMK41.1 Mahasiswa mampu menjelaskan konsep Artificial Intelligence (AI), Machine Learning (ML), dan Deep Learning (DL)
sub.cpmk.ST164.CPMK41.2 Mahasiswa mampu menyampaikan cara bekerja deep learning pada data time series
Korelasi CPMK terhadap Sub-CPMK
CPMK41 sub.cpmk.ST164.CPMK41.1
sub.cpmk.ST164.CPMK41.2
CPMK23 sub.cpmk.ST164.CPMK23.1
sub.cpmk.ST164.CPMK23.2
CPMK21 sub.cpmk.ST164.CPMK21.1
sub.cpmk.ST164.CPMK21.2
sub.cpmk.ST164.CPMK21.3
Deskripsi Singkat MK 1. Perkuliahan diselenggarakan sebanyak 14 kali pertemuan dalam satu semester, yang terdiri 14 pertemuan teori yang dilaksanakan dengan metode Synchronous pada setiap pertemuannya. Ditambah 2 kali pertemuan yang dikhususkan untuk pelaksanaan UTS (Ujian Tengah Semester) dan UAS (Ujian Akhir Semester). 2. Perkuliahan mengajak dan memandu mahasiswa untuk memahami serta mampu menggali masalah, menganalisis dan mengevaluasi data dalam era revolusi industri 4.0. Pada akhir kuliah mahasiswa wajib membuat proyek implementasi supervised learning.
Bahan Kajian : Materi Pembelajaran Materi yang disampaikan meliputi: Konsep AI, Kecerdasan Alami vs Buatan, Pengenalan Revolusi Industri 4.0, Dampak Revolusi Industri 4.0, Pengenalan Machine Learning, Teknnologi AI pada penggunaan Machine Learning, Pola Machine Learning, Perkembangan AI, Machine Learning, dan Deep Learning, teknik computing, Soft Computing, Hard Computing, python programming environtment, Supervised Learning, UnSupervised Learning, Regression, collection dataset, linear regression, loss functions, overftting, gradient descent, logistic regression, support vector machines (SVMs), k-nearest neighbors(k-NN), decision trees, random forests, Introducing cross-validation, hyperparameter tuning, ensemble models, Feed Forward, Backpropagation, Classifier Project, principal components analysis (PCA), singular value decomposition (SVD), Implementasi dan Presentasi Proyek AI
Pustaka Utama
  • 1. Ref1. Lisa Tagliaferri, Michelle Morales, Ellie Birbeck, and Alvin Wan, Python Machine Learning Projects. New York City: DigitalOcean, 2020. Ref2.A. Géron, Hands-on Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, 2017. Ref3. Francois Chollet. 2017. Deep Learning with Python (1st. ed.). Manning Publications Co., USA.
Pendukung
  • 2. RefP1.A. Yaqin, A. D. Laksito, and S. Fatonah, “Evaluation of Backpropagation Neural Network Models for Early Prediction of Student’s Graduation in XYZ University,” Int J Adv Sci Eng Inf Technol, vol. 11, no. 2, pp. 610–617, 2021, doi: 10.18517/IJASEIT.11.2.11152. RefP2. A. D. Laksito, A. Yaqin, S. Adi and M. Hayaty,
Dosen Pengampu Anna Baita, M.Kom, Hartatik, S.T., M.Cs, Yudha Riwanto, M.Kom, Arief Setyanto, S.Si., MT., Ph.D, Kusrini, Prof., Dr., 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.ST164.CPMK41.1-Mahasiswa mampu menjelaskan konsep Artificial Intelligence (AI), Machine Learning (ML), dan Deep Learning (DL) 1. Mahasiswa dapat menyampaikan perbedaan AI, ML dan DL
2. Mahasiswa dapat menceritakan operasi-operasi matematika yang berhubungan dengan ML		 Kriteria
Rubrik Holistik
Teknik
Keaktifan 		Kuliah,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Topik
- Kontrak Belajar Artificial Intelligence - Machine Learning Deep learning
Sub Topik
- Kontrak Belajar Artificial Intelligence - Machine Learning Deep learning
  • [1] Hal: Ref1
3
2
3 sub.cpmk.ST164.CPMK23.1-Mahasiswa mampu menjelaskan machine learning dan evaluasinya 1. Mahasiswa dapat menjelaskan salah satu algoritma machine learning populer, seperti linear regression, decision tree, k-nearest neighbors, SVM, atau neural networks, serta cara kerjanya.
2. Mahasiswa dapat menjelaskan metode evaluasi model, seperti confusion matrix, precision, recall, F1-score, ROC-AUC, dan cross-validation.		 Kriteria
Rubrik Analitik
Teknik
Kuis 		Kuliah,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Topik
1. Algoritma machine learning linear regression, decision tree, k-nearest neighbors, SVM, atau neural networks, serta cara kerjanya. algoritma machine learning linear regression, decision tree, k-nearest neighbors, SVM, atau neural networks, serta cara kerjanya.
2. Evaluasi model, seperti confusion matrix, precision, recall, F1-score, ROC-AUC, dan cross-validation.
Sub Topik

  • [1] Hal: Ref3
4
4
5 sub.cpmk.ST164.CPMK23.2-Mahasiswa mampu menyampaikan cara bekerja deep learning pada bidang computer vision Mahasiswa mampu menceritakan konsep dasar pengolahan citra digital dan video processing Kriteria
Rubrik Holistik
Teknik
Tugas 		Kuliah,Proses Belajar,[PB=100 Menit]
Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
 Topik
konsep dasar pengolahan AI
Sub Topik
konsep dasar pengolahan AI
  • [1] Hal: Ref2
4
6
7 sub.cpmk.ST164.CPMK41.2-Mahasiswa mampu menyampaikan cara bekerja deep learning pada data time series Mahasiswa dapat menceritakan jenis-jenis kasus terkait data time-series Kriteria
Rubrik Holistik
Teknik
Tugas 		Kuliah,Proses Belajar,[PB=100 Menit]
Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
 Topik
Jenis-jenis kasus terkait data time-series
Sub Topik

  • [1] Hal: Ref2
1.5
8 sub.cpmk.ST164.CPMK41.1-Mahasiswa mampu menjelaskan konsep Artificial Intelligence (AI), Machine Learning (ML), dan Deep Learning (DL) sub.cpmk.ST164.CPMK41.2-Mahasiswa mampu menyampaikan cara bekerja deep learning pada data time series UTS Kriteria
Rubrik Holistik
Teknik
UTS 		Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Topik
UTS
Sub Topik

 20
9 sub.cpmk.ST164.CPMK41.2-Mahasiswa mampu menyampaikan cara bekerja deep learning pada data time series Mahasiswa dapat menjelaskan arsitektur Recurrent Neural Networks (RNN) serta varian lebih lanjut seperti Long Short-Term Memory (LSTM) dan bagaimana mereka digunakan untuk menangani data time series dengan mempertahankan informasi dari langkah waktu sebelumnya. Kriteria
Rubrik Holistik
Teknik
Tugas 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=98 Menit]
 Topik
Arsitektur Recurrent Neural Networks (RNN) serta varian lebih lanjut seperti Long Short-Term Memory (LSTM) dan bagaimana mereka digunakan untuk menangani data time series dengan mempertahankan informasi dari langkah waktu sebelumnya.
Sub Topik

 1.5
10 sub.cpmk.ST164.CPMK21.1-Mahasiswa mampu menyampaikan cara bekerja deep learning pada bidang teks 1. Mahasiswa dapat menjelaskan perkembangan NLP
2. Mahasiswa dapat menjelaskan tentang algoritma seperti Transformer, RNN, LSTM		 Kriteria
Rubrik Holistik
Teknik
Tugas 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
 Topik
1. Perkembangan NLP
2. Algoritma seperti Transformer, RNN, LSTM
Sub Topik

 3
11
12 sub.cpmk.ST164.CPMK21.2-Mahasiswa mampu menyampaikan cara bekerja Generative Deep Learning 1. Mahasiswa dapat menjelaskan arsitektur dan prinsip kerja dari model-generatif utama, seperti Generative Adversarial Networks (GANs) dan Variational Autoencoders (VAEs).
2. Mahasiswa dapat menjelaskan bagaimana model generatif dilatih, termasuk teknik training stability dan loss function yang digunakan, seperti adversarial loss untuk GANs dan reconstruction loss plus KL divergence untuk VAEs. 		Kriteria
Rubrik Holistik
Teknik
Tugas 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
 Topik
1. Arsitektur dan prinsip kerja dari model-generatif utama, seperti Generative Adversarial Networks (GANs) dan Variational Autoencoders (VAEs).
2. teknik training stability dan loss function yang digunakan, seperti adversarial loss untuk GANs dan reconstruction loss plus KL divergence untuk VAEs.
Sub Topik

  • [1] Hal: Ref2
3
14 sub.cpmk.ST164.CPMK21.3-Mahasiswa mampu membangun solusi nyata untuk menyelesaikan suatu masalah 1. Mahasiswa dapat menunjukkan karya berbasis teknologi Deep Learning
2. Mahasiswa dapat menunjukkan karya berbasis teknologi Deep Learning		 Kriteria
Rubrik Holistik
Teknik
Presentasi 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah Online Zoom,Proses Belajar,[PB=100 Menit]
 Topik
Menunjukkan karya berbasis teknologi Deep Learning
Sub Topik

  • [1] Hal: Ref1
40
15
16 sub.cpmk.ST164.CPMK21.1-Mahasiswa mampu menyampaikan cara bekerja deep learning pada bidang teks sub.cpmk.ST164.CPMK21.2-Mahasiswa mampu menyampaikan cara bekerja Generative Deep Learning sub.cpmk.ST164.CPMK21.3-Mahasiswa mampu membangun solusi nyata untuk menyelesaikan suatu masalah UAS Kriteria
Rubrik Holistik
Teknik
UAS 		Topik
UAS
Sub Topik

 20

Teknik Penilaian CPMK

CPL MK CPMK Tugas Kuis Tes Tulis (UTS) Presentasi Tes Tulis ( UAS )
CPLP06 KECERDASAN BUATAN LANJUT CPMK21 Y Y Y
CPLP06 KECERDASAN BUATAN LANJUT CPMK23 Y Y
CPLP10 KECERDASAN BUATAN LANJUT CPMK39
CPLP10 KECERDASAN BUATAN LANJUT CPMK41 Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPLP10 CPMK41 sub.cpmk.ST164.CPMK41.1 Keaktifan 3 Rubrik Holistik
CPLP06 CPMK23 sub.cpmk.ST164.CPMK23.1 Kuis 4 Rubrik Analitik
CPLP06 CPMK23 sub.cpmk.ST164.CPMK23.2 Tugas 4 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST164.CPMK41.2 Tugas 1.5 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST164.CPMK41.1, sub.cpmk.ST164.CPMK41.2 UTS 20 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST164.CPMK41.2 Tugas 1.5 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST164.CPMK21.1 Tugas 3 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST164.CPMK21.2 Tugas 3 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST164.CPMK21.3 Presentasi 40 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST164.CPMK21.1, sub.cpmk.ST164.CPMK21.2, sub.cpmk.ST164.CPMK21.3 UAS 20 Rubrik Holistik
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Kuis Tes Tulis (UTS) Presentasi Tes Tulis ( UAS ) Total
CPLP06 KECERDASAN BUATAN LANJUT CPMK21 6% 0% 0% 40% 20% 66%
CPLP06 KECERDASAN BUATAN LANJUT CPMK23 4% 4% 0% 0% 0% 8%
CPLP10 KECERDASAN BUATAN LANJUT CPMK39 0% 0% 0% 0% 0% 0%
CPLP10 KECERDASAN BUATAN LANJUT CPMK41 6% 0% 20% 0% 0% 26%
100%