Topic outline

  • KECERDASAN ARTIFISIAL

    • Assalamualaikum Wr, Wb.

      Selamat datang di kuliah daring SPADA untuk matakuliah KECERDASAN ARTIFISIAL yang merupakan matakuliah kolaborasi antara Prodi Informatika Universitas AKPRIND Indonesia dan Prodi Informatika Universitas Teknologi Sumbawa. Dalam satu semester kedepan, teman-teman akan mempelajari materi- materi terkait dengan Kecerdasan Artifisial, dimana matakuliah ini merupakan matakuliah wajib yang diajarkan pada semester 5 (Universitas AKPRIND Indonesia) dan semester 3 (Universitas Teknologi Sumbawa) dengan bobot 3 SKS . Selamat mengikuti kuliah ini, semoga matakuliah ini dapat di ikuti dengan baik.

      Wassalamualaikum, Wr, Wb.

      Salam,

      Tim Pengampu Matakuliah

    • IDENTITAS MATAKULIAH

    • DESKRIPSI MATAKULIAH

      Matakuliah ini memberikan dasar kepada mahasiswa tentang kecerdasan artifisial yang berfokus pada beberapa bidang ilmu yang terkait kecerdasan artifisial. Matakuliah ini juga akan meninjau dan mempersentasikan permasalahan yang dapat diselesaikan dengan metode/teknik yang ada dalam fokus bidang ilmu kecerdasan artifisial. Selain itu, memberikan dasar kepada mahasiswa tentang penerapan kecerdasan artifisial diberbagai disiplin ilmu. Adapun Materi-materi yang akan dipelajari pada Matakuliah Kecerdasan Artifisial yaitu:

      1. Latar Belakang dan Teknik Dasar Kecerdasan Artificial
      2. Masalah, Ruang Keadaan dan Pencarian
      3. Algoritma Pencarian
      4. Repersentasi Pengetahuan
      5. Algoritma Kecerdasan Artificial
      6. K-Nearest Neighbor (KNN)
      7. Bayesian Learning
      8. Jaringan Syaraf Tiruan (JST)
      9. Sistem Pendukung Keputusan (SPK)
      10. Sistem Pakar
      11. Data Mining
      12. Kecerdasan Game

    • CAPAIAN PEMBELAJARAN

      Capaian pembelajaran Lulusan (CPL)
      1. CPL-1 (K5) Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.
      2. CPL-2 (P1) Menguasai prinsip pemodelan matematika, program linear serta metode numerik dalam pemecahan masalah yang berkaitan dengan logika.
      3. CPL-3 (P8) Mampu menerapkan konsep dan mengembangkan sistem cerdas dengan memilih pendekatan, tools dan algoritma yang sesuai.
      4. CPL-4 (KK7) Mampu membangun sistem cerdas menggunakan bahasa pemrograman/tools yang sesuai.
      Capaian Pembelajaran Matakuliah (CPMK)
      1. CPMK-1: Mampu mengaplikasikan (C3) dengan tepat, keputusan penyelesaian masalah pada bidang kecerdasan artifisial (CPL-1)
      2. CPMK-2: Mampu menganalisis (C4) prinsip pemodelan matematika dalam pemecahan masalah pada bidang kecerdasan artifisial (CPL-2)
      3. CPMK-3: Mampu menirukan (P1) konsep pengembangan kecerdasan artifisial dengan memilih metode dan tools yang sesuai (CPL-3)
      4. CPMK-4: Mampu memanipulasi (P2) metode kecerdasan artifisial menggunakan tools yang sesuai (CPL-4)

    • PETA PEMBELAJARAN

      Peta pembelajaran untuk matakuliah Kecerdasan Artifisial dapat dilihat dalam mind mapping berikut:

    • STRUKTUR PELAKSANAAN

      Diharapkan mahasiswa yang mengambil matakuliah KECERDASAN ARTIFISIAL, dapat menyelesaikan perkuliahan ini dalam waktu 1 semester. Dimana struktur pelaksanaan perkuliahan sebagai berikut:

      1. Mahasiswa wajib membaca setiap materi dan konten yang di berikan pada setiap pokok bahasan yang tersedia. Hal dapat dilakukan dengan partisipasi aktif mahasiswa dalam kegiatan diskusi dan pengerjaan kuis atau tugas yang di sediakan.
      2. Komunikasi chatting yang berkaitan dengan matakuliah Kecerdasan Artifisial, dapat dilakukan melalui group WhatsApp.
      3. Forum diskusi kelas dapat dilakukan dengan memanfaatkan aplikasi-aplikasi yang tersedia, seperti Zoom, Google Meet, Google Duo, dll.
      4. Mahasiswa akan diberikan Tugas, pada masing-masing pokok bahasan yang telah dibahas. 
      5. Mahasiswa wajib mengikuti UTS & UAS serta tugas-tugas yang diberikan sesuai dengan jadwal yang telah ditetapkan.
      6. Semua kegiatan perkuliahan yang dilakukan akan terdokumentasi dalam LMS.

    • MODEL ASSESMEN

      Dalam penyelenggaraan matakuliah ini, dosen pengampu menilai mahasiswa dengan menggunakan berbagai instrumen dan indikator, seperti: 

      1. Keaktifan dalam mengikuti forum diskusi;
      2. Keteraturan atau frekuensi dalam melakukan akses terhadap sumber daya pendidikan yang tersedia pada aplikasi learning management system yang dipakai;
      3. Kuantitas kehadiran dan kualitas interaksi dalam sesi komunikasi virtual dengan dosen;
      4. Kelengkapan pengumpulan tugas yang diberikan; 
      5. Partisipasi aktif mengerjakan soal-soal latihan; dan 
      6. Hasil ujian tengah semster/quis maupun ujian akhir semester.

      BUTIR PENILAIAN:

      1. Tugas Mandiri 
      2. Tugas Kelompok 
      3. Quis
      4. Partisipasi dan Kehadiran Kuliah/Praktik 
      5. Ujian Mid Semester 
      6. Ujian Akhir Semester 

      PENILAIAN ASSESMEN

    • BUKU REFRENSI PEMBELAJARAN

    • RENCANA PEMBELAJARAN SEMESTER (RPS)

  • PERTEMUAN 1 : Latar Belakang dan Teknik Dasar Kecerdasan Artificial

    •  SALAM PEMBUKA

      Assalamualaikum Wr, Wb.

      Perkenalkan Saya Uning Lestari, yang akan menyampaikan materi di pertemuan ke-1 pada  kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini akan di bahas terkait materi Algoritma Kecerdasan Artifisial yang meliputi: Latar belakang dan teknik dasar kecerdasan artificial, Definisi Kecerdasan Mesin, dan Ragam kecerdasan artifisial. Saya harap temen-teman sudah mendownload serta membaca materi yang sudah saya upload untuk mempermudah proses diskusi selama kelas berlangsung.

      Selamat belajar, semoga materi ini dapat teman-teman pahami dengan baik.

      Terimakasih

      Wasalamualaikum, Wr, Wb.

    •  POKOK PEMBAHASAN

      Sub-materi pada kecerdasan buatan meliputi tentang Definisi Kecerdasan Mesin dan Ragam Kecerdasan Artifisial. Selain itu, akan di berikan juga contoh pada kecerdasan mesin untuk dapat dipahami. 

    •  ROAD MAP

      Road Map pertemuan ke-1 pada pembelajaran Kecerdasan Buatan sebagai berikut:

    •  CAPAIAN PEMBELAJARAN

      Setelah membahas materi terkait Definisi Kecerdasan Artificial, mahasiswa diharapkan mampu memahami konsep dari kecerdasan buatan dengan benar. 

    •  KEGIATAN PEMBELAJARAN

      Pada kegiatan pembelajaran yang akan dilakukan melalui video confrence, Kuis, forum diskusi, ppt, dan video.

    •  RANGKUMAN

      Pada pokok bahasan pengantar kecerdasan artifisial mahasiswa dibekali pemahaman dasar tentang perkembangan teknologi AI, penerapannya pada berbagai bidang, konsep penalaran, perbedaan pemrograman konvensional dan pemrograman AI, konsep pemecahan masalah dalam AI dan penerapan AI pada revolusi industri 4.0. Selain itu dijelaskan juga etika dalam penggunaan AI, kelebihan AI dan kelemahan AI

  • PERTEMUAN 2: Masalah, Ruang Keadaan dan Pencarian

     SALAM PEMBUKA 

    Assalamualaikum Warahmatullahi Wabarakatuh.

    Perkenalkan Saya Eri Sasmita Susanto, yang akan menyampaikan materi di pertemuan ke-2 pada kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini, kita akan membahas materi tentang “Masalah, Ruang Keadaan, dan Pencarian” yang merupakan bagian dalam kecerdasan Artifisial. Saya harap teman-teman dapat mendownload dan membaca materi yang sudah saya upload, untuk mempermudah proses diskusi selama kelas berlangsung.

    Selamat belajar, semoga materi ini dapat pahami dengan baik.

    Terimakasih

    Wasalamualaikum Warahmatullahi Wabarakatuh.

    •  POKOK PEMBAHASAN

      Sub-materi pada Masalah, Ruang Keadaan, dan Pencarian mencakup sistem kecerdasan artificial, Masalah sebagai ruang keadaan, Mendeskripsikan masalah, Merepresentasikan ruang keadaan, Metode pencarian dan pelacakan. Selain itu, akan di berikan juga contoh pada teknik pencarian untuk dapat dipahami. 

    •  Road Map

      Road Map pertemuan ke-2 pada masalah, ruang keadaan, dan pencarian sebagai berikut:

    •  CAPAIAN PEMBELAJARAN

       Setelah membahas materi terkait Masalah, Ruang Keadaan, dan pencarian, mahasiswa diharapkan mampu mengklasifikasi dan menyebutkan perbedaan masalah, ruang keadaan keadaan dan pencarian dalam kecerdasan buatan dengan benar. 

    •  KEGIATAN PEMBELAJARAN

      Pada kegiatan pembelajaran yang akan dilakukan melalui Kuis atau Tugas, forum diskusi, ppt dan Video.

    • Tugas Pertemuan 2 Assignment
      Restricted Not available unless: The activity Masalah, Ruang Keadaan, dan Pencarian is marked complete
      TUGAS PERTEMUAN 2

      Ketentuan Tugas:

      • Tugas dikerjakan secara individu (bukan tim)
      • Tulis nama lengkap, NIM dan Asal Perguruan Tinggi anda pada pojok kiri atas lembar jawaban.
      • Tugas boleh dikerjakan secara manual (tulis tangan) kemudian di scan / di foto dan dijadikan dalam format *.pdf / *.docx (pastikan tulisan terbaca dengan jelas / tidak buram), atau
      • Tugas boleh dikerjakan dengan bantuan tools Ms. Word (diketik) kemudian di jadikan format *.pdf atau tetap dengan format asli *.docx.
      • Upload tugas di LMS dengan login menggunakan user & password masing-masing.
      • Maksimal pengumpulan tugas Senin, 7 Oktober 2024 (Pukul 23.00WIB) (tidak ada toleransi keterlambatan pengumpulan tugas).
      • Maksimal score / point yang didapat dalam tugas adalah 100.
      • Maksimal size dokumen yang di upload adalah 10 MB.
      • Jika ada yang belum jelas tentang tugas yang diberikan, silahkan dapat bertanya melalui group WA matakuliah yang sudah di buat.

    •  RANGKUMAN

  • PERTEMUAN 3: Algoritma Pencarian

    Restricted Not available unless: The activity Tugas Pertemuan 2 is marked complete

     SALAM PEMBUKA 

    Assalamualaikum Warahmatullahi Wabarakatuh.

    Perkenalkan Saya Siska Atmawan Oktavia, yang akan menyampaikan materi di pertemuan ke-3 pada kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini, kita akan membahas materi tentang “Algoritma Pencarian” yang merupakan bagian dalam kecerdasan Artifisial. Saya harap teman-teman dapat mendownload dan membaca materi yang sudah saya upload, untuk mempermudah proses diskusi selama kelas berlangsung.

    Selamat belajar, semoga materi ini dapat pahami dengan baik.

    Terimakasih

    Wasalamualaikum Warahmatullahi Wabarakatuh.

  • PERTEMUAN 4: Repersentasi Pengetahuan

    Restricted Not available unless:
    • The activity Forum Diskusi Algoritma Pencarian is marked complete
    • The activity Tugas Algoritma Pencarian is marked complete
    • The activity Algoritma Pencarian is marked complete

  • PERTEMUAN 5 s/d 7 : Algoritma Kecerdasan Artifisial

    • SALAM PEMBUKA

      Assalamualaikum Wr, Wb.

      Pertemuan 5 sampai dengan 7 pada kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa, masih dengan saya Renna Yanwastika Ariyana. Pada pertemuan ini akan di bahas terkait materi Algoritma Kecerdasan Artifisial yang meliputi: Reasoning (pertemuan 5), Planning (pertemuan 6) dan Learning (pertemuan7). Saya harap temen-teman sudah menyelesaikan materi sebelumnya (pertemuan 4) dan mendownload serta membaca materi yang sudah saya upload (untuk pertemuan 5 s/d 7), guna mempermudah proses diskusi selama kelas berlangsung.

      Selamat belajar, semoga materi ini dapat teman-teman pahami dengan baik.

      Terimakasih

      Wasalamualaikum, Wr, Wb.

    • POKOK BAHASAN

      Pada bahasan Algoritma kecerdasan artifisial akan di bahas dalam 3 kali pertemuan dimana masing-masing pertemuan mencakup tiga aspek utama yaitu:

      1. Planning membahas terkait teknik dekomposisi masalah yang berfokus pada rencana / strategi untuk mencapai tujuan tertentu dengan berbagai kemungkinan dan kendala seperti penggunaan algoritma A* atau graphPlan.
      2. Learning membahas terkait metode yang digunakan untuk meningkatkan kinerja sistem berdasarkan pengalaman ataupun data baru seperti menggunakan pembelajaran seperti supervised learning, unsupervised learning, dan reinforcement learning. Selain itu pada bahasan learning akan diberikan beberapa contoh algoritma learning yang sering digunakan dalam kecerdasan artifisial seperti: DSS, JST, KNN dan lainnya.
      3. Reasoning membahas terkait cara sistem untuk mengambil kesimpulan melalui pengetahuan yang ada dengan pendekatan penalaran seperti, logika fuzzy, penalaran induktif, deduktif dan abduktif. 

    • ROAD MAP

      Roadmap pembelajaran untuk materi Algoritma Kecerasan Artifisial sebagai berikut:

    • CAPAIAN PEMBELAJARAN

      Setelah membahas materi terkait Repersentasi pengetahuan, mahasiswa diharapkan mampu mengaitkan algoritma kecerdasan (teknik reasoning, planning dan learning) dalam sebuah contoh studi kasus yang di jabarkan dengan tepat.

    • KEGIATAN PEMBELAJARAN

       

    • MATERI PLANNING
    • Diskusi Materi Planning Forum

      Buat 1 materi diskusi dan lakukan 1 reply pada topik hari ini.


      Dari materi yang saya jelaskan dikelas (dalam zoom), menurut kalian:

      1. Apa itu konsep planning dalam kecerdasan artifisial dan bagaiman cara membedakannya dengan searching?
      2. Berikan contoh penerapan planning dalam kecerdasan artifisial yang ada di dunia nyata, selain contoh yang saya berikan di kelaas tadi!
    • MATERI LERANING

    • Learning dalam AI Part 1

    • Learning dalam AI Part 2

    • Learning dalam AI Part 3

    • Diskusi Materi Learning Forum
      Restricted Not available unless:
      • The activity Video 2 Learning dalam AI Part 1 is marked complete
      • The activity Video Learning dalam AI Part 3 is marked complete

      Apa yang anda ketahui tentang:

      1. Pembelajaran Terbimbing (supervised learning) dan pembelajaran tidak terbimbing (unsupervised learning) dalam kecerdasan artifisial ? bagaimana masing-masing metode pembelajaran tersebut bekerja? Jelaskan ! 
      2. Penerapan transfer learning dalam kecerdasan artifisial berikan contohnya !
    • TUGAS Assignment
      Restricted Not available unless: The activity Diskusi Materi Learning is marked complete
      Ketentuan Tugas:
      • Tugas dikerjakan secara individu (bukan tim)
      • Tulis nama lengkap dan NIM anda pada pojok kiri atas lembar jawaban.
      • Tugas boleh dikerjakan secara manual (tulis tangan) kemudian di scan / di foto dan dijadikan dalam format *.pdf / *.docx (pastikan tulisan terbaca dengan jelas / tidak buram), atau
      • Tugas boleh dikerjakan dengan bantuan tools Ms. Word (diketik) kemudian di jadikan format *.pdf atau tetap dengan format asli *.docx.
      • Upload tugas di LMS dengan login menggunakan user & password masing-masing.
      • Maksimal pengumpulan tugas Rabu, 06 November 2024 (Pukul 20.00WIB) (tidak ada toleransi keterlambatan pengumpulan tugas).
      • Maksimal score / point yang didapat dalam tugas adalah 100.
      • Maksimal size dokumen yang di upload adalah 10 MB.
      • Jika ada yang belum jelas tentang tugas yang diberikan, silahkan dapat bertanya melalui group WA matakuliah yang sudah di buat
    • MATERI REASONING
    • Diskusi Materi Reasoning Forum

      Apa yang anda ketahui tentang:

      1. Reasoning (penalaran) berbasis aturan (rule-based reasoning) dalam kecerdasan artifisial?  bagaimana sistem berbasis aturan bekerja? 
      2. Penalaran berbasis kasus (case-based reasoning) , bagaimana metode ini bekerja dalam kecerdasan artifisial?

    • RANGKUMAN

      Dalam algoritma Kecerdasan Artifisial meliputi: Reasoning (pertemuan 5), Planning (pertemuan 6) dan Learning (Pertemuan 7) dimana Reasoning (pemikiran atau penalaran) merupakan kunci dalam kecerdasan buatan yang berkaitan dengan kemampuan sistem untuk menarik kesimpulan atau membuat keputusan berdasarkan informasi yang diberikan. Teknik reasoning ini sering digunakan dalam berbagai aplikasi AI seperti sistem pakar, pemrosesan bahasa alami, dan sistem rekomendasi untuk membuat inferensi yang tepat dan mengambil keputusan yang cerdas. Planning (perencanaan) merupakan konsep penting dalam kecerdasan buatan yang berkaitan dengan kemampuan sistem untuk merencanakan urutan tindakan atau langkah-langkah untuk mencapai tujuan tertentu. Dalam konteks kecerdasan buatan, perencanaan melibatkan pembuatan rencana atau strategi yang terdiri dari serangkaian langkah-langkah yang harus diambil untuk mencapai tujuan yang ditetapkan.  Learning (Pembelajaran) merupakan salah satu aspek dalam kecerdasan buatan yang berkaitan dengan kemampuan sistem untuk meningkatkan kinerja mereka seiring waktu melalui pengalaman dan interaksi dengan lingkungannya.

  • PERTEMUAN 8 : Ujian Tengah Semester

    • KETENTUAN PENYELESAIAN UJIAN TENGAH SEMESTER TA. 2024/2025

      Soal Pilihan Ganda:

      • Soal di selesaikan individu
      • Soal akan muncul secara random (acak)
      • Pilih jawaban yang menurut anda benar
      • Waktu Penyelesaian soal pilihan ganda -+ 30 menit.

       

      Soal Essai:

      • UTS dikerjakan secara individu (bukan tim)
      • Tidak boleh menggunakan tools AI/Copas melalui halaman web.
      • Tulis nama lengkap dan NIM anda pada pojok kiri atas lembar jawaban.
      • Jawaban boleh dikerjakan secara manual (tulis tangan) kemudian di scan / di foto dan dijadikan dalam format *.pdf / *.docx (pastikan tulisan terbaca dengan jelas / tidak buram), atau
      • Jawaban boleh dikerjakan dengan bantuan tools Ms. Word (diketik) kemudian di jadikan format *.pdf atau tetap dengan format asli *.docx.
      • Upload UTS di LMS dengan login menggunakan user & password masing-masing.
      • Maksimal score / point yang didapat dalam UTS adalah 100 (jika terjawab semua benar).
      • Maksimal size dokumen yang di upload adalah 10 MB.
      • Dilarang untuk copy-paste pekerjaan teman yang lain (jika terindikasi hanya copy-paste, maka otomatis akan mendapat point maksimal 10)
      • Jika ada yang belum jelas tentang ketentuan UTS yang diberikan, silahkan dapat bertanya melalui group WA matakuliah yang sudah di buat.

      NOTE: Ujian akan di buka pada Kamis, 14 November 2024 mulai pukul 07.30 WIB dan maksimal pengumpulan Jawaban UTS  untuk soal Pilihan Ganda dan Essai Kamis, 14 November 2024 pukul 9.50 WIB. (120 menit pengerjaan UTS & 20 menit sebagai toleransi keterlambatan pengumpulan Jawaban UTS).

    • SOAL PILIHAN GANDA Quiz

      Dalam soal pilihan ganda, terdapat 35 soal yang harus di selesaikan dalam waktu 30 menit.

    • SOAL ESSAI - UJIAN TENGAH SEMESTER Assignment

      Dalam soal Essai terdapat 5 soal yang wajib di selesaikan sebelum pukul 09.50 WIB

  • PERTEMUAN 9: K-Nearest Neighbors (KNN)

     SALAM PEMBUKA 

    Assalamualaikum Warahmatullahi Wabarakatuh.

    Perkenalkan Saya Siska Atmawan Oktavia, yang akan menyampaikan materi di pertemuan ke-9 pada kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini, kita akan membahas materi tentang “K-Nearest Neighbor” yang merupakan bagian dalam kecerdasan Artifisial. Saya harap teman-teman dapat mendownload dan membaca materi yang sudah saya upload, untuk mempermudah proses diskusi selama kelas berlangsung.

    Selamat belajar, semoga materi ini dapat pahami dengan baik.

    Terimakasih

    Wasalamualaikum Warahmatullahi Wabarakatuh.

    •  POKOK PEMBAHASAN

      Sub-materi pada K-Nearest Neighbors, mencakup pengertian K-Nearest Neighbors, Jarak Atribut Numerik, Jarak Atribut Non Numerik, Jarak Atribut Campuran, Algoritma K-Nearest Neighbors, Optimasi K-Nearest Neighbors, dan Perbaikan K-Nearest Neighbors. Selain itu, akan di berikan juga contoh untuk dapat dipahami. 

    •  Road Map  

      Road Map pertemuan ke-9 pada pembelajaran K-Nearest Neighbors sebagai berikut:

    •  CAPAIAN PEMBELAJARAN

      Setelah membahas materi terkait K-Nearest Neighbors, mahasiswa diharapkan mampu memposisikan bentuk klasifikasi objek dalam K-Nearest Neighbors yang dijelaskan dengan tepat. 

    •  KEGIATAN PEMBELAJARAN

      Pada kegiatan pembelajaran yang akan dilakukan melalui video confrence, ppt, Kuis, forum diskusi, dan video.

    • Forum Diskusi K-Neares Neighbors

      1. Menurut kalian, mengapa algoritma KNN itu penting dalam kecerdasan buatan ? 

    • Kuis K-Nearest Neighbors Quiz

      Pada pertemuan ke-9, kita akan melakukan Kuis untuk dapat mengetahui sejauh mana kepemahaman teman-teman dari materi yang telah di sampaikan. Silahkan mejawab pertanyaan dibawah ini: 

      1. Bagaimanakah cara kerja dari Algoritma K-Nearest Neighbors pada Kecerdasan Buatan!  

      2. Tulislah secara singkat pemahaman teman -teman dari pemaparan materi Algoritma K-Nearest Neighbors!

      Good Luck!

    •  RANGKUMAN 

       Algoritma K-Nearest Neightbors merupakan Algoritma yang akan mencari tetangga terdekatnya yang dihitung berdasarkan jarak (distance). Pada perhitungan jarak menggunakan metrik jarak antara lain: 

      1. Euclidean distance

      2. Hamming distance

      3. Manhattan distance

      4. Minkowski distance.

      Dataset terbagi menjadi dua yaitu Data Training dan Data Testing. 

      Pada Optimasi Algoritma K-Neares Neighbor bertujuan untuk meningkatkan kinerja dalam hal akurasi, kecepatan, atau efisiensi memori. Ada beberapa cara yang digunakan untuk mengoptimalkan KNN, baik dari sisi parameter maupun metode pemrosesan data.

      Beberapa pendekatan optimasi yang bisa dilakukan:

      1. Normalisasi Data

      2. Pemilihan Nilai K yang Optimal

      3. Algoritma Pencarian Jarak yang Cepat

      4. Dimensionality Reduction (Reduksi Dimensi)

      5. Weighted K-NN

       

  • PERTEMUAN 10: Bayesian Learning

     SALAM PEMBUKA 

    Assalamualaikum Warahmatullahi Wabarakatuh.

    Perkenalkan Saya Siska Atmawan Oktavia, yang akan menyampaikan materi di pertemuan ke-10 pada kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini, kita akan membahas materi tentang “Naive Bayes” yang merupakan bagian dalam kecerdasan Artifisial. Saya harap teman-teman dapat mendownload dan membaca materi yang sudah saya upload, untuk mempermudah proses diskusi selama kelas berlangsung.

    Selamat belajar, semoga materi ini dapat pahami dengan baik.

    Terimakasih

    Wasalamualaikum Warahmatullahi Wabarakatuh.

    •  POKOK PEMBAHASAN

      Sub-materi pada Naive Bayes, mencakup Konsep Dasar Naive Bayes, meliputi pengertian Naive Bayes, Naive Bayes untk Data Kategorial, Naive Bayes Untuk Data Kontinue. Selain itu, akan di berikan contoh untuk dapat dipahami. 

    •  Road Map  

      Road Map pertemuan ke-10 pada pembelajaran Naive Bayes sebagai berikut:

    •  CAPAIAN PEMBELAJARAN

      Setelah membahas materi terkait Naive Bayes, mahasiswa diharapkan mampu memposisikan pengambilan keputusan menggunakan Naive Bayes berdasarkan fakta object yang diuraikan dengan tepat.  

    •  KEGIATAN PEMBELAJARAN

      Pada kegiatan pembelajaran yang akan dilakukan melalui Video Confrence, PPT, Kuis, Forum Diskusi, dan Video.

    •  RANGKUMAN 

      Algoritma Naive Bayes merupakan Algoritma penerapan dari Bayes Theorem.  Algortima ini termasuk Algoritma Lazy Learning (melakukan learning / pelatihan saat ada data yang akan diprediksi) yang dapat digunakan pada masalah klasifikasi, penyaringan pesan spam, analisis sentimen, hingga sistem rekomendasi. Algoritma Naïve Bayes membutuhkan fitur atau prediktor independen.

      Tipe-tipe Naive Bayes Classifier antara lain: 

      1. Multinomial Naive Bayes

      2. Bernoulli Naive Bayes

      3. Gaussian Naive Bayes

  • PERTEMUAN 11: Jaringan Syaraf Tiruan (JST)

    • PERTEMUAN 12: Sistem Pendukung Keputusan (SPK)

      • SALAM PEMBUKA

        Perkenalkan Saya Uning Lestari, yang akan menyampaikan materi di pertemuan ke-11 untuk  kuliah daring kolaboratif antara Universitas AKPRIND Indonesia dan Universitas Teknologi Sumbawa. Pada pertemuan ini akan di bahas terkait materi Sistem Pendukung Keputusan ( Decision Support System) yang meliputi: Latar belakang pengambilan keputusan, definisi SPK, tujuan dibuatnya sistem SPK/DSS, manfaat penggunaan SPK/DSS, proses DSS, komponen DSS, fungsionalitas DSS, tools DSS, algoritma DSS dan kunci kesuksesan DSS.

         Saya harap temen-teman sudah mendownload serta membaca materi yang sudah saya upload untuk mempermudah proses diskusi selama kelas berlangsung.

        Selamat belajar, semoga materi ini dapat teman-teman pahami dengan baik.

        Terimakasih

        Wasalamualaikum, Wr, Wb.

      • POKOK BAHASAN

        Pada materi tentang SPK/DSS ini akan dibahas tentang:

        1. Latar belakang pengambilan keputusan,
        2. Definisi SPK,
        3. Tujuan dibuatnya sistem SPK/DSS,
        4. Manfaat penggunaan SPK/DSS,
        5. Contoh penerapan sistem SPK/DSS
        6. Proses DSS,
        7. Komponen DSS,
        8. Kungsionalitas DSS,
        9. tools DSS,
        10. Algoritma DSS
        11. kunci kesuksesan DSS.

      • ROAD MAP PERKULIAHAN

      • CAPAIAN PEMBELAJARAN

        Setelah mengikuti materi SPK/DSS, diharapkan mahasiswa memahami tentang konsep DSS, mampu menerapkan konsep DSS pada permasalah  pengambilan keputusan dan memahami cara membangun sistem DSS.

        Selain itu juga mahasiswa mengerti bagaimana titik kunCi keberhasilan penggunaan DSS/SPK

      • RANGKUMAN

        Setelah mengikuti materi DSS/SPK mahasiswa memahami tentang konsep DSS, penerapannya dalam pengambilan keputusan di organisasi , manfaat penggunaan sistem DSS, dan memahami teknik pengembangan DSS, dan mengerti algoritma yang digunakan dalam pengembangan DSS.

    • PERTEMUAN 13: Sistem Pakar

      • PERTEMUAN 14: Data Mining

        • PERTEMUAN 15: Kecerdasan Game

          • PERTEMUAN 16: Ujian Akhir Semester