Rencana Pembelajaran Semester

Status: Published

UNIVERSITAS DELI SUMATERA
TEKNOLOGI INFORMASI

RENCANA PEMBELAJARAN SEMESTER

MATAKULIAH

KODE

RUMPUN MATAKULIAH

BOBOT (sks)

SEMESTER

TANGGAL PENYUSUNAN

Jaringan Saraf Tiruan (Artificial Neural Network)

Utama

Jun 27, 2025

OTORISASI

Dosen Pengembang RPS

Douglas Pardede, S.Kom., M.Kom

Diperiksa oleh kaprodi

RAJA NASRUL FU'AD, S.Kom., M.Kom

Disetujui oleh Rektor

Prof Dr Ir Mhd Asaad, M.Si.

CAPAIAN PEMBELAJARAN (CP)

KODE	CAPAIAN PEMBELAJARAN LULUSAN (CPL) / CAPAIAN PEMBELAJARAN MATAKULIAH (CPMK)
KK15.	Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat
KK15.01	Mahasiswa mampu menjelaskan prinsip, tujuan, dan teknik dalam klasifikasi, klasterisasi, regresi, deteksi anomali, aturan asosiasi, dan perangkuman data.
KK15.02	Mahasiswa mampu menganalisis kebutuhan pemecahan masalah berbasis data dan memilih metode analisis yang tepat.
KK15.03	Mahasiswa mampu mengimplementasikan teknik klasifikasi, klasterisasi, regresi, deteksi anomali, aturan asosiasi, dan perangkuman menggunakan perangkat lunak atau bahasa pemrograman yang relevan.
KK15.04	Mengukur akurasi dan efektivitas model klasifikasi, klasterisasi, dan regresi.
KK15.05	Mahasiswa mampu mempertimbangkan aspek etika, privasi, dan keberlanjutan dalam penggunaan data untuk analisis.
KK16.	Mampu menganalisis, merancang, mengimplementasikan, dan mengevaluasi solusi komputasi berbasis kecerdasan buatan menggunakan metode dan algoritma yang sesuai untuk menyelesaikan permasalahan kompleks secara efektif dan bertanggung jawab.
KK16.01	Mampu menjelaskan konsep, teori, dan arsitektur dasar jaringan saraf tiruan sebagai model komputasi yang meniru mekanisme kerja jaringan saraf biologis.
KK16.02	Mampu menerapkan algoritma pembelajaran jaringan saraf tiruan untuk membangun model yang dapat menyelesaikan permasalahan klasifikasi, prediksi, dan pengenalan pola.
KK16.03	Mampu mengevaluasi dan mengoptimasi kinerja model jaringan saraf tiruan untuk meningkatkan akurasi dan meminimalkan tingkat kesalahan model.
P10.	Mampu memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan yang berkaitan dengan teknologi informasi.
P10.04	Mahasiswa mampu menyusun visualisasi data hasil eksplorasi atau mining untuk mendukung pengambilan keputusan.
KODE	SUB CAPAIAN PEMBELAJARAN MATAKULIAH (SUB CPMK)
KK15.01.01	Menjelaskan konsep klasifikasi, klasterisasi, regresi, deteksi anomali, aturan asosiasi, dan perangkuman data.
KK15.01.02	Menguraikan perbedaan pendekatan deskriptif dan prediktif dalam analisis data.
KK15.01.03	Mengidentifikasi jenis data dan masalah yang sesuai untuk setiap metode analisis.
KK15.02.01	Mengidentifikasi tujuan analisis data dari permasalahan yang diberikan.
KK15.02.02	Menentukan metode analisis yang sesuai berdasarkan karakteristik data.
KK15.02.03	Menyusun rencana analisis menggunakan metode deskriptif maupun prediktif.
KK15.03.01	Mengimplementasikan algoritma klasifikasi dan klasterisasi pada dataset tertentu.
KK15.03.02	Menerapkan model regresi untuk melakukan prediksi.
KK15.03.03	Menggunakan algoritma deteksi anomali untuk mengidentifikasi data yang tidak normal.
KK15.03.04	Membangun aturan asosiasi untuk menemukan pola hubungan antar data.
KK15.03.05	Menerapkan teknik perangkuman data untuk menyajikan informasi secara ringkas.
KK15.04.01	Mengukur akurasi dan efektivitas model klasifikasi, klasterisasi, dan regresi.
KK15.04.02	Mengevaluasi keandalan deteksi anomali dan aturan asosiasi.
KK15.04.03	Melakukan optimasi parameter model untuk meningkatkan hasil analisis.
KK15.05.01	Menjelaskan isu etika dan privasi dalam pengolahan data.
KK15.05.02	Mengidentifikasi regulasi dan standar yang berlaku dalam analisis data.
KK15.05.03	Merumuskan rekomendasi analisis data yang etis, aman, dan berkelanjutan.
KK16.01.01	Menjelaskan konsep dasar kecerdasan buatan, machine learning, dan jaringan saraf tiruan.
KK16.01.02	Mengidentifikasi struktur dan fungsi neuron biologis serta keterkaitannya dengan neuron buatan.
KK16.01.03	Menjelaskan komponen utama arsitektur jaringan saraf tiruan yang meliputi input layer, hidden layer, output layer, bobot (weight), dan bias.
KK16.01.04	Menganalisis berbagai fungsi aktivasi dan pengaruhnya terhadap proses pembelajaran jaringan saraf tiruan.
KK16.02.01	Membedakan karakteristik supervised learning dan unsupervised learning pada jaringan saraf tiruan.
KK16.02.02	Menerapkan algoritma Perceptron untuk menyelesaikan permasalahan klasifikasi sederhana.
KK16.02.03	Menjelaskan proses feedforward dan perhitungan keluaran pada jaringan saraf tiruan.
KK16.02.04	Mengimplementasikan algoritma Backpropagation untuk proses pelatihan jaringan multilayer.
KK16.02.05	Membangun model jaringan saraf tiruan menggunakan perangkat lunak atau bahasa pemrograman yang relevan.
KK16.03.01	Menganalisis pengaruh parameter pelatihan seperti learning rate, jumlah neuron, jumlah hidden layer, bobot, dan bias terhadap performa model.
KK16.03.02	Menerapkan teknik optimasi bobot dan bias untuk meminimalkan nilai error.
KK16.03.03	Mengukur dan mengevaluasi performa model menggunakan metrik evaluasi yang sesuai.
KK16.03.04	Membandingkan hasil beberapa konfigurasi jaringan saraf tiruan untuk menentukan model terbaik.
KK16.03.05	Menyusun laporan hasil implementasi dan evaluasi model jaringan saraf tiruan secara sistematis.
P10.04.01	Membuat visualisasi data dengan alat bantu (Excel, Tableau, Power BI, Python matplotlib/seaborn).
P10.04.02	Menyusun laporan visual interaktif yang menjelaskan temuan pola/insight dari hasil mining data.

DESKRIPSI SINGKAT MATAKULIAH

Membahas konsep, teori, arsitektur, algoritma pembelajaran, dan implementasi jaringan saraf tiruan sebagai salah satu metode utama dalam kecerdasan buatan dan pembelajaran mesin. Materi meliputi neuron biologis dan neuron buatan, perceptron, multilayer perceptron, algoritma backpropagation, optimasi pembelajaran, evaluasi model, serta implementasi ANN menggunakan perangkat lunak dan pustaka machine learning untuk menyelesaikan permasalahan klasifikasi, prediksi, dan pengenalan pola.

BAHAN KAJIAN

Membangun dasar pengetahuan matematika dan statistik yang diperlukan untuk analisis data, pemodelan, dan pengambilan keputusan yang berbasis data dalam sistem informasi.; Memperkenalkan teknik dan alat analisis data untuk pengambilan keputusan bisnis, termasuk penggunaan big data, data mining, dan analisis prediktif untuk mendapatkan wawasan bisnis yang berharga.; Bahan kajian ini memberikan peluang kepada mahasiswa untuk berlatih melakukan penelitian dan pengembangan melalui penugasan atau proyek. Metode penelitian dan pengembangan dalam teknologi informasi bertujuan mengoptimalkan penggunaan komputer dan alat digital lain untuk mengumpulkan, menganalisis, memproses data, dan membuat laporan dalam bentuk skripsi. Implementasi penelitian dan pengembangan meliputi problem solving, survei, eksperimen, dan observasi.;

DAFTAR REFERENSI

Referensi Utama Haykin, S. (2009). Neural Networks and Learning Machines (3rd Edition). Pearson Education. Referensi klasik dan komprehensif yang membahas teori jaringan saraf tiruan, perceptron, multilayer network, backpropagation, dan berbagai algoritma pembelajaran. Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall. Membahas arsitektur jaringan saraf, fungsi aktivasi, algoritma pembelajaran, serta implementasi berbagai model JST. Hagan, M. T., Demuth, H. B., Beale, M. H., & De Jesús, O. (2014). Neural Network Design (2nd Edition). Martin Hagan. Referensi yang sangat baik untuk memahami konsep feedforward, backpropagation, optimasi, dan desain jaringan saraf. Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford University Press. Fokus pada pengenalan pola, klasifikasi, dan pendekatan matematis jaringan saraf tiruan. Aggarwal, C. C. (2018). Neural Networks and Deep Learning. Springer. Menghubungkan konsep JST klasik dengan perkembangan deep learning modern. Referensi Pendukung Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Referensi utama untuk memahami pengembangan jaringan saraf modern dan deep neural networks. Anderson, J. A. (1995). An Introduction to Neural Networks. MIT Press. Buku pengantar yang membahas konsep dasar jaringan saraf tiruan secara sistematis. Hassoun, M. H. (1995). Fundamentals of Artificial Neural Networks. MIT Press. Membahas teori dan implementasi berbagai model jaringan saraf. Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press. Referensi yang mudah dipahami untuk mempelajari perceptron, multilayer network, dan backpropagation. Jong Jek Siang. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Penerbit Andi, Yogyakarta. Referensi berbahasa Indonesia yang banyak digunakan pada perkuliahan JST di Indonesia. Referensi Praktikum dan Implementasi Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition). O'Reilly Media. Cocok untuk implementasi jaringan saraf tiruan menggunakan Python. Chollet, F. (2021). Deep Learning with Python (2nd Edition). Manning Publications. Membahas implementasi ANN dan deep learning menggunakan Keras dan TensorFlow. Raschka, S., Liu, Y., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing.

Mig Ke	Sub-CPMK	Bahan Kajian; Materi Pembelajaran	Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa	Estimasi Waktu	Pengalaman Belajar Mahasiswa	Penilaian
Mig Ke	Sub-CPMK	Bahan Kajian; Materi Pembelajaran		Estimasi Waktu	Pengalaman Belajar Mahasiswa	Kriteria; Bentuk	Indikator	Bobot (%)
(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)
1	KK15.01.01 KK15.05.01 KK16.01.01	Pengantar Kecerdasan Buatan, Machine Learning, dan Jaringan Saraf Tiruan; sejarah dan perkembangan ANN	Ceramah, diskusi, tugas ringkas	200 Menit	Mengidentifikasi peran ANN dalam AI dan machine learning	Tugas individu dan partisipasi diskusi	Mampu menjelaskan konsep dasar ANN dan aplikasinya	2.73%
2	P10.04.02 KK15.01.01 KK15.04.03 KK16.02.03 KK16.02.05 KK16.03.04	Neuron biologis dan model neuron buatan; fungsi aktivasi	Latihan, diskusi	200 Menit	Menganalisis hubungan neuron biologis dengan neuron buatan	Tugas individu	Mampu menjelaskan komponen neuron buatan dan fungsi aktivasi	5.45%
3	P10.04.02 KK15.01.01 KK15.03.02 KK15.05.01 KK16.01.03 KK16.02.03 KK16.02.04 KK16.03.01	Arsitektur Jaringan Saraf Tiruan: single-layer dan multi-layer network	Studi kasus, presentasi	200 Menit	Mengidentifikasi berbagai arsitektur ANN	Presentasi kelompok	Ketepatan menjelaskan struktur ANN	7.27%
5	KK15.01.01 KK15.03.01 KK15.03.03 KK16.01.03 KK16.02.02 KK16.02.03 KK16.02.04	Perceptron dan algoritma pembelajarannya	Praktikum, latihan soal	200 Menit	Mengimplementasikan perceptron sederhana	Laporan praktikum	Mampu menjelaskan kebutuhan MLP	6.36%
6	KK15.03.01 KK15.03.03 KK16.02.03 KK16.02.04	Algoritma Backpropagation: konsep dan perhitungan	Praktikum, latihan	200 Menit	Menghitung proses propagasi maju dan mundur	Tugas praktikum	Ketepatan perhitungan backpropagation	3.64%
7	KK15.01.01 KK15.03.01 KK15.04.01 KK15.04.03 KK16.02.02 KK16.02.03 KK16.03.04	Implementasi MLP dengan Backpropagation	Praktikum laboratorium	200 Menit	Melatih model ANN untuk klasifikasi sederhana	Laporan praktikum	Keberhasilan pelatihan model	6.36%
8	UTS							7.27%
9	KK15.01.02 KK15.02.02 KK15.02.03 KK15.04.03 KK16.01.01 KK16.02.01 KK16.03.01 KK16.03.02	Optimasi Pembelajaran: learning rate, epoch, batch size, momentum	Praktikum, studi kasus	200 Menit	Menganalisis pengaruh parameter pelatihan	Tugas individu	Ketepatan analisis parameter	7.27%
10	KK15.01.02 KK15.01.03 KK15.02.01 KK15.02.03 KK15.04.03 KK15.05.02 KK15.05.03 KK16.02.05 KK16.03.04 KK16.03.05	Evaluasi Model ANN: confusion matrix, accuracy, precision, recall, F1-score	Praktikum, latihan analisis	200 Menit	Mengevaluasi performa model ANN	Laporan praktikum	Ketepatan interpretasi hasil evaluasi	9.09%
11	KK15.01.03 KK15.02.01 KK15.03.03 KK15.05.02 KK16.01.02	Overfitting, Underfitting, dan Regularisasi	Diskusi, studi kasus	200 Menit	Menganalisis permasalahan generalisasi model	Tugas individu	Ketepatan identifikasi masalah model	4.55%
12	KK15.01.01 KK15.03.02 KK15.04.01 KK16.01.01 KK16.01.03 KK16.01.04 KK16.02.01 KK16.02.03 KK16.02.05 KK16.03.04 KK16.03.05	Jaringan Saraf untuk Prediksi dan Regresi	Praktikum	200 Menit	Mengembangkan model ANN untuk prediksi data numerik	Laporan praktikum	Ketepatan model prediksi	10%
13	P10.04.01 KK15.01.01 KK15.01.02 KK15.01.03 KK15.02.01 KK15.02.02 KK15.03.01 KK15.03.03 KK15.03.04 KK15.03.05 KK15.05.01 KK15.05.02 KK15.05.03	Pengolahan Data dan Feature Engineering untuk ANN	Praktikum, tugas proyek	200 Menit	Menyiapkan dataset untuk pelatihan ANN	Tugas proyek	Kualitas preprocessing dan feature engineering	11.82%
14	P10.04.01 KK15.03.01 KK16.02.04 KK16.03.05	Implementasi ANN menggunakan Python dan TensorFlow/Keras	Praktikum laboratorium	200 Menit	Mengembangkan model ANN menggunakan framework modern	Laporan praktikum	Keberhasilan implementasi model	3.64%
15	KK15.01.01 KK15.03.01 KK15.03.02 KK15.03.05 KK15.04.01 KK16.02.02 KK16.02.04 KK16.03.02 KK16.03.05	Proyek Mini ANN: Klasifikasi atau Prediksi pada Studi Kasus Nyata	Proyek kelompok dan presentasi	200 Menit	Merancang, melatih, dan mengevaluasi model ANN pada kasus nyata	Laporan proyek dan presentasi	Kesesuaian solusi, performa model, dan kemampuan presentasi	8.18%
16	UAS							6.36%

RANCANGAN TUGAS I

	UNIVERSITAS DELI SUMATERA TEKNOLOGI INFORMASI
RENCANA TUGAS MAHASISWA
MATAKULIAH	Jaringan Saraf Tiruan (Artificial Neural Network)	KODE MATAKULIAH	-
SUB CAPAIANPEMBELAJARAN MATAKULIAH	KK15.01.01 KK15.01.03 KK15.02.03 KK15.04.02 KK15.05.01 KK16.01.01 KK16.01.03 KK16.02.03
JUDUL TUGAS	Ujian Tengah Semester (UTS)
DESKRIPSI TUGAS
METODE PENGERJAAN TUGAS	Tes teori dan praktik
BENTUK DAN FORMAT LUARAN	Evaluasi pemahaman materi pertemuan 1–7
KRITERIA PENILAIAN ; BENTUK PENILAIAN	Ujian tertulis/praktik
INDIKATOR PENILAIAN	Penguasaan konsep dasar dan implementasi ANN
BOBOT PENILAIAN (%)	7.27%	ESTIMASI WAKTU	200 Menit
DAFTAR RUJUKAN	Referensi Utama Haykin, S. (2009). Neural Networks and Learning Machines (3rd Edition). Pearson Education. Referensi klasik dan komprehensif yang membahas teori jaringan saraf tiruan, perceptron, multilayer network, backpropagation, dan berbagai algoritma pembelajaran. Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall. Membahas arsitektur jaringan saraf, fungsi aktivasi, algoritma pembelajaran, serta implementasi berbagai model JST. Hagan, M. T., Demuth, H. B., Beale, M. H., & De Jesús, O. (2014). Neural Network Design (2nd Edition). Martin Hagan. Referensi yang sangat baik untuk memahami konsep feedforward, backpropagation, optimasi, dan desain jaringan saraf. Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford University Press. Fokus pada pengenalan pola, klasifikasi, dan pendekatan matematis jaringan saraf tiruan. Aggarwal, C. C. (2018). Neural Networks and Deep Learning. Springer. Menghubungkan konsep JST klasik dengan perkembangan deep learning modern. Referensi Pendukung Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Referensi utama untuk memahami pengembangan jaringan saraf modern dan deep neural networks. Anderson, J. A. (1995). An Introduction to Neural Networks. MIT Press. Buku pengantar yang membahas konsep dasar jaringan saraf tiruan secara sistematis. Hassoun, M. H. (1995). Fundamentals of Artificial Neural Networks. MIT Press. Membahas teori dan implementasi berbagai model jaringan saraf. Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press. Referensi yang mudah dipahami untuk mempelajari perceptron, multilayer network, dan backpropagation. Jong Jek Siang. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Penerbit Andi, Yogyakarta. Referensi berbahasa Indonesia yang banyak digunakan pada perkuliahan JST di Indonesia. Referensi Praktikum dan Implementasi Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition). O'Reilly Media. Cocok untuk implementasi jaringan saraf tiruan menggunakan Python. Chollet, F. (2021). Deep Learning with Python (2nd Edition). Manning Publications. Membahas implementasi ANN dan deep learning menggunakan Keras dan TensorFlow. Raschka, S., Liu, Y., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing.

RANCANGAN TUGAS II

	UNIVERSITAS DELI SUMATERA TEKNOLOGI INFORMASI
RENCANA TUGAS MAHASISWA
MATAKULIAH	Jaringan Saraf Tiruan (Artificial Neural Network)	KODE MATAKULIAH	-
SUB CAPAIANPEMBELAJARAN MATAKULIAH	P10.04.01 KK15.03.01 KK15.03.02 KK15.03.05 KK16.02.02 KK16.02.04 KK16.03.02
JUDUL TUGAS	Ujian Akhir Semester (UAS)
DESKRIPSI TUGAS
METODE PENGERJAAN TUGAS	Ujian teori, praktik, atau presentasi proyek akhir
BENTUK DAN FORMAT LUARAN	Evaluasi capaian pembelajaran secara menyeluruh
KRITERIA PENILAIAN ; BENTUK PENILAIAN	Ujian/proyek akhir
INDIKATOR PENILAIAN	Penguasaan konsep, implementasi, dan evaluasi ANN
BOBOT PENILAIAN (%)	6.36%	ESTIMASI WAKTU	200 Menit
DAFTAR RUJUKAN	Referensi Utama Haykin, S. (2009). Neural Networks and Learning Machines (3rd Edition). Pearson Education. Referensi klasik dan komprehensif yang membahas teori jaringan saraf tiruan, perceptron, multilayer network, backpropagation, dan berbagai algoritma pembelajaran. Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall. Membahas arsitektur jaringan saraf, fungsi aktivasi, algoritma pembelajaran, serta implementasi berbagai model JST. Hagan, M. T., Demuth, H. B., Beale, M. H., & De Jesús, O. (2014). Neural Network Design (2nd Edition). Martin Hagan. Referensi yang sangat baik untuk memahami konsep feedforward, backpropagation, optimasi, dan desain jaringan saraf. Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford University Press. Fokus pada pengenalan pola, klasifikasi, dan pendekatan matematis jaringan saraf tiruan. Aggarwal, C. C. (2018). Neural Networks and Deep Learning. Springer. Menghubungkan konsep JST klasik dengan perkembangan deep learning modern. Referensi Pendukung Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Referensi utama untuk memahami pengembangan jaringan saraf modern dan deep neural networks. Anderson, J. A. (1995). An Introduction to Neural Networks. MIT Press. Buku pengantar yang membahas konsep dasar jaringan saraf tiruan secara sistematis. Hassoun, M. H. (1995). Fundamentals of Artificial Neural Networks. MIT Press. Membahas teori dan implementasi berbagai model jaringan saraf. Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press. Referensi yang mudah dipahami untuk mempelajari perceptron, multilayer network, dan backpropagation. Jong Jek Siang. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Penerbit Andi, Yogyakarta. Referensi berbahasa Indonesia yang banyak digunakan pada perkuliahan JST di Indonesia. Referensi Praktikum dan Implementasi Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition). O'Reilly Media. Cocok untuk implementasi jaringan saraf tiruan menggunakan Python. Chollet, F. (2021). Deep Learning with Python (2nd Edition). Manning Publications. Membahas implementasi ANN dan deep learning menggunakan Keras dan TensorFlow. Raschka, S., Liu, Y., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing.

Download Dokumen