Silabus Kecerdasan Komputasional
SILABUS MATA KULIAH
Program Studi : Teknik Informatika
Kode / Nama Mata Kuliah : 16065403 / Kecerdasan Komputasional
Jumlah SKS / Semseter : 3 SKS / V
Mata Kuliah Pra Syarat : Kecerdasan Buatan
Capaian Pembelajaran Lulusan :
- Menguasai teori dan penerapan bidang keahlian komputasi cerdas dan visualisasi
- Mampu menyelesaikan masalah teknologi informasi dan komunikasi dengan keahlian komputasi cerdas dan visualisasi
Capaian Pemebelajaran Mata Kuliah :
- Mahasiswa mampu menjelaskan klasifier dengan fungsi diskriminan linier maupun non-‐linier, Perceptron, Support Vector Machine (SVM).
- Mahasiswa mampu menjelaskan Fuzzy Logic dan penggunaannya dalam sistem berbasis aturan, contoh sistem kontroler.
- Mahasiswa mampu menjelaskan Decision Tree dan pembentukan strukturnya yang optimal serta terjadinya overfitting.
- Mahasiswa mampu menerapkan metode yang sudah dibahas seperti SVM, Fuzzy Logic, dan Decision Tree, dalam suatu aplikasi.
- Mahasiswa mampu menjelaskan berbagai metode clustering dan penggunaannya. Backpropagation, non-‐linearly separable problems, neuro-‐fuzzy, dan SOM.
- Mahasiswa mampu menerapkan metode clustering dan jaringan saraf tiruan dalam suatu aplikasi.
- Mahasiswa mampu menjelaskan metode optimasi dengan evolutionary algorithm : Genetic Algorithm (GA), Ant Colony(ACO), Particle Swarm Optimization (PSO)
| POKOK BAHASAN | ALAT/BAHAN/SUMBER BELAJAR |
| KLASIFIER LINIER: Fungsi diskriminan linier, multi kategori, algoritma Perceptron, Support Vector Machine (SVM), fungsi diskriminan non-‐linier. | LCD Projector / – / Amit Konar, Computational Intelligence, Springer, 2005. ; C. H. Bishop, Pattern Recognition and Machine Learning, Springer Science, 2006 |
| FUZZY LOGIC (MULTI-‐VALUED LOGIC): definisi, linguistic variables, crisp vs fuzzy set, membership function, fuzzification, inference mechanism, defuzzification, rules, fungsi Mamdani. | LCD Projector / – / C. H. Bishop, Pattern Recognition and Machine Learning, Springer Science, 2006 ; R.O. Duda, P.E.Hart, D.G.Stork, Pattern Classfication, John Wiley & Sons, Inc., 2001 |
| DECISION TREE: contoh pengamatan, multivariate tree, entropy, information gain, overfitting | LCD Projector / – / Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition, 4th ed., Elsevier Inc., 2009. |
| CLUSTERING: persyaratan clustering, outliers, tipe data, similaritas, disimilaritas, variabel dengan tipe berbeda, K-‐Means Clustering, Fuzzy C-‐Means Clustering, Hierarchical Clustering: Agglomerative dan Divisive Clustering, Nearest Neighbor, K-‐ Nearest Neighbor, | LCD Projector / – / R.O. Duda, P.E.Hart, D.G.Stork, Pattern Classfication, John Wiley & Sons, Inc., 2001 |
| JARINGAN SARAF TIRUAN: neuron, perceptron, supervised learning, multilayer neural network, algoritma Backpropagation, non-‐linearly separable problems, SOM: Kohonen | LCD Projector / – / Christian Blum, Daniel Merkle, Swarm Intelligence : Introduction and Applications, Springer-‐Verlag 2008. ; C. H. Bishop, Pattern Recognition and Machine Learning, Springer Science, 2006 |
| EVOLUTIONARY ALGORITHM: Genetic Algorithm (GA): definisi kromosom, mutation, crossover, fitness, selection, Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO). | LCD Projector / – / Christian Blum, Daniel Merkle, Swarm Intelligence : Introduction and Applications, Springer-‐Verlag 2008. |