Welcome to Spada Indonesia
Courses Images

Kecerdasan Komputasional

COURSE INSTRUCTOR

Teachers Images

NANIK SUCIATI

Institut Teknologi Sepuluh Nopember
AREAS:
Program Studi Ilmu Komputer

Course Description

Capaian Pembelajaran Mata Kuliah: Mahasiswa mampu memahami berbagai metode kecerdasan komputasional serta aplikasinya dan mampu menerapkan metode klasifikasi untuk suatu aplikasi dan menganalisa hasilnya, baik dengan kinerja individu maupun dalam kerja tim. Bahan Kajian: Pada mata kuliah ini mahasiswa belajar tentang metode klasifikasi, metode clustering, metode optimasi, fuzzy logic serta kombinasi metode-metode tersebut. Melalui pembahasan teoritis di kelas serta penerapan studi kasus dalam bentuk tugas proyek, mahasiswa akan memiliki pengalaman untuk membuat sistem cerdas dengan pembelajaran yang terawasi berdasarkan metode klasifikasi (Decision Tree, SVM, Jaringan Syaraf Tiruan), membuat sistem cerdas berdasarkan pembelajaran tidak terawasi berdasarkan metode clustering (K-Means, Hierarchical Clustering, SOM), membuat sistem cerdas menggunakan logika Fuzzy, membuat sistem cerdas berdasarkan metode optimasi (GA, PSO, ACO), serta membuat sistem cerdas yang mengkombinasikan metode-metode tersebut. Tugas proyek dapat dikerjakan baik secara individu maupun berkelompok.

Course Syllabus

Capaian Pembelajaran Mata Kuliah: Mahasiswa mampu memahami berbagai metode kecerdasan komputasional serta aplikasinya dan mampu menerapkan metode klasifikasi untuk suatu aplikasi dan menganalisa hasilnya, baik dengan kinerja individu maupun dalam kerja tim. Bahan Kajian: Pada mata kuliah ini mahasiswa belajar tentang metode klasifikasi, metode clustering, metode optimasi, fuzzy logic serta kombinasi metode-metode tersebut. Melalui pembahasan teoritis di kelas serta penerapan studi kasus dalam bentuk tugas proyek, mahasiswa akan memiliki pengalaman untuk membuat sistem cerdas dengan pembelajaran yang terawasi berdasarkan metode klasifikasi (Decision Tree, SVM, Jaringan Syaraf Tiruan), membuat sistem cerdas berdasarkan pembelajaran tidak terawasi berdasarkan metode clustering (K-Means, Hierarchical Clustering, SOM), membuat sistem cerdas menggunakan logika Fuzzy, membuat sistem cerdas berdasarkan metode optimasi (GA, PSO, ACO), serta membuat sistem cerdas yang mengkombinasikan metode-metode tersebut. Tugas proyek dapat dikerjakan baik secara individu maupun berkelompok.
Course Modules
Rencana Pembelajaran MK Kecerdasan Komputasional
Capaian Pembelajaran: Mahasiswa mampu menjelaskan tentang konsep kecerdasan komputasional, jenis pembelajaran, algoritma pembelajaran, dan penerapannya pada berbagai tipe aplikasi. Topik: Pada pertemuan awal mata kuliah ini, mahasiswa akan mempelajari tentang definisi, konsep, sejarah, dan paradigma dalam kecerdasan komputasional. Perbedaan konsep mendasar antara kecerdasan buatan dan kecerdasan komputasional juga akan dibahas secara khusus. Sementara itu, untuk meningkatkan fondasi pemahaman mahasiswa terhadap kecerdasan komputasional, materi ini juga membahas tentang jenis dan metode pembelajaran kecerdasan komputasional yang telah diterapkan pada berbagai tipe aplikasi terkini. Metode Pembelajaran: Kuliah dan diskusi secara daring.
Course Modules
Materi PPT Pengantar KK
Materi Video Pengantar KK
Capaian Pembelajaran: Mahasiswa mampu menjelaskan algoritma k-means clustering dan penggunaannya pada suatu aplikasi Topik: Modul ini menjelaskan tentang konsep clustering, contoh penggunaan clustering, dan algoritma clustering k-means. Menjelaskan konsep clustering menggunakan contoh kasus kumpulan data berupa tabung dengan atribut warna, tinggi dan jari-jari. Menjelaskan algoritma clustering k-means dengan memberikan contoh perhitungan tiap iterasi secara detil. Menyajikan dua proses clustering menggunakan centroid awal yang berbeda, dan membandingkan hasilnya. Menjelaskan cara mendapatkan hasil clustering yang optimal secara global melalui running algoritma k-means beberapa kali, setiap kali menggunakan nilai centroid awal yang berbeda, serta memilih hasil clustering dengan jumlah kesalahan kuadrat (sum squared error) terkecil. Menyajikan pembahasan tentang penentuan k optimal dengan metode elbow. Menjelaskan varian algoritma k-means (k-medoids, k-median) serta membandingkan hasil clustering ketiganya. Penjelasan dilengkapi dengan animasi. Metode Pembelajaran): Kuliah dan diskusi secara daring. PR (belajar mandiri): Latihan mengimplementasikan algoritma clustering menggunakan python. Silahkan merefer ke https://cognitiveclass.ai/courses/machine-learning-with-python.
Course Modules
Materi PPT Clustering
Video Konsep Clustering
Video Algoritma k-means clustering
Capaian Pembelajaran: Mahasiswa mampu menjelaskan algoritma hirarchical clustering dan penggunaannya pada suatu aplikasi Topik: Modul ini menjelaskan tentang konsep clustering berbasis hirarki, algoritma clustering agglomerative menggunakan beberapa pendekatan pengukuran jarak antar cluster (minimum, maksimum, rerata grup, jarak centroid), serta metode evaluasi hasil clustering Silhouette Coefficient. Metode Pembelajaran: Kuliah dan diskusi daring.
Course Modules
Materi PPT Hierarchical-Clustering
Video Clustering hirarki - agglomerative
Penilaian 1: Presentasi dan demo program clustering.
Course Modules
Contoh Pemrograman Agglomorative Hierarchical Clustering dengan Python
Contoh Soal K-Means (SA)
Capaian Pembelajaran: Mahasiswa mampu menjelaskan konsep Decision Tree dan Fuzzy Logic serta penggunaannya dalam sistem berbasis aturan. Topik: Modul ini menjelaskan tentang teknik pembuatan pohon keputusan untuk pembelajaran supervised pada permasalahan klasifikasi. Model keputusan yang berbentuk aturan jika dan maka akan dihasilkan berdasarkan data belajar. Kriteria yang digunakan untuk pembentukan aturan adalah menghitung nilai Entropi dan Information Gain dari semua fitur sebagai indikator dalam pemilihan atribut. Latihan: Pembuatan model pohon keputusan sederhana untuk penentuan seseorang melakukan kecurangan berdasarkan karakteristik kebiasaan berbelanja, pembayaran pajak serta status pernikahan
Course Modules
Materi PPT Decision Tree
Video Penjelasan Decision Tree
Capaian Pembelajaran: Dapat memahami suatu keputusan bisa dimodelkan dengan pendekatan logika fuzzy. Topik: Dapat merancang sistem inference (Fuzzy Inference System) sederhana berdasarkan logika fuzzy dengan menggunakan salah satu model FIS yaitu Sugeno mulai dari tahap fuzzification sampai de-fuzzification. Latihan: Penentuan keputusan tingkat kematangan tomat berdasarkan level kemerahan warna dan level kekenyalan bentuk
Course Modules
Materi PPT Fuzzy Inference
Video Penjelasan Fuzzy
Penilaian 2: Presentasi Decision Tree dan Inference Logic.
Course Modules
Contoh Soal Pemrograman dengan Python
Contoh Soal dan Pembahasan Decision Tree (AY)
Capaian Pembelajaran: Mahasiswa mampu menjelaskan konsep klasifier dengan fungsi diskriminan linear maupun non-linear Sub bahasan yang akan dipelajari, antara lain: - Konsep hyperplane pada metode SVM - Konsep kernel pada metode SVM - Multiclass SVM
Course Modules
Support Vector Machine
Materi PPT Support Vector Machine
Materi Video Support Vector Machine
Capaian Pembelajaran: Mahasiswa mampu menjelaskan konsep klasifier dengan fungsi diskriminan linear maupun non-linear. Topik: Materi ini menjelaskan tentang konsep Artificial Neural Network (ANN), bagaimana arsitektur ANN dalam merepresentasikan suatu kondisi nyata yang terinspirasi oleh model biologi saraf manusia. Fungsi aktivasi yang merupakan operasi matematika untuk mentransformasikan suatu inputan menjadi suatu output tertentu akan dijelaskan selanjutnya, diikuti dengan algoritma pembelajaran (learning) yang digunakan dalam pengenalan pola pada ANN.. Kegiatan: Kuliah dan diskusi secara daring. Tugas: Studi kasus tentang pemanfaatan ANN dalam kehidupan sehari-hari.
Course Modules
Materi Video Artificial Neural Network
Materi PPT Neural Network
Capaian Pembelajaran: Mahasiswa mampu menjelaskan konsep klasifier dengan fungsi diskriminan linear maupun non-linier. Topik: Modul ini menjelaskan Deep Learning dan mengenalkan variasi arsitektur Deep Learning beserta contoh penerapannya. Memberikan contoh keutamaan menggunakan pendekatan Deep Learning Memberikan contoh penerapan pada setiap arsitektur Deep Learning Terdapat animasi cara kerja aristektur Convolutional Neural Network
Course Modules
Pengantar Deep Learning
Video Pengantar Deep Learning

Course Modules
Contoh Soal dan Pembahasan SVM
Contoh Klasifikasi Logika XOR dengan ANN
Contoh klasifikasi menggunakan CNN
Capaian Pembelajaran: Mahasiswa mampu menjelaskan konsep reinforcement learning.
Course Modules
Reinforcement Learning
Video Reinforcement Learning

Course Modules
Contoh Implementasi Reinforcement learning
Capaian Pembelajaran: Mahasiswa mampu menjelaskan metode optimasi dan penggunaannya pada permasalahan klasifikasi dan clustering. Topik: Konsep optimasi Konsep Algoritma Genetika: definisi kromosom, mutation, crossover, fitness, selection, objective function, contoh TSP
Course Modules
Genetic Algorithm
Materi PPT Genetic Algorithm
Materi Video Genetic Algorithm
Capaian Pembelajaran: Mahasiswa mampu menjelaskan metode optimasi dan penggunaannya pada permasalahan klasifikasi dan clustering. Topik: Materi ini menjelaskan tentang konsep particle swarm serta optimasinya. Selanjutnya, diikuti penjelasan mengenai algoritma penyelesaian dalam Particle Swarm Optimization (PSO), dan penentuan position maupun velocity. Berbagai contoh studi kasus akan dibahas untuk memudahkan pemahaman konsep. Kegiatan: Kuliah dan diskusi secara daring. Tugas: Studi kasus tentang pemanfaatan PSO dalam kehidupan sehari-hari.
Course Modules
Materi PPT Particle Swarm Optimization
Materi Video Particle Swarm Optimization

Course Modules