Modul Pengantar Mata Kuliah Kecerdasan Buatan.pdf

1. Pengantar Mata Kuliah
Penjelasan dan Rencana Pembelajaran
Mata Kuliah Kecerdasan Buatan
Dr. Sunu Wibirama
Modul Kuliah Kecerdasan Buatan
Kode mata kuliah: UGMx 001001132012
Versi modul: 31 Maret 2022
Copyright © 2022 Dr. Sunu Wibirama - Dilarang menyebarluaskan, mengunggah ulang dalam
jejaring publik, dan mengomersialkan modul mata kuliah ini tanpa izin tertulis dari instruktur
dan Universitas Gadjah Mada

2. March 31, 2022
1 Pengantar Mata Kuliah
Mata kuliah ini diselenggarakan secara daring dengan mengadopsi praktik yang di-
lakukan oleh Stanford University melalui portal MOOC Coursera dengan Dr. Andrew
Ng sebagai ketua tim pengembang mata kuliah. Mata kuliah Kecerdasan Buatan (UGMx
001001132012) bertujuan untuk memperkenalkan konsep-konsep dasar kecerdasan buatan,
langkah-langkah membangun solusi berbasis kecerdasan buatan, etika dan dampak social
kecerdasan buatan, serta memperkenalkan beberapa teknik dasar machine learning dan
deep learning. Di akhir kuliah, peserta kuliah diminta mengimplementasikan Bahasa Pem-
rograman Python untuk menyelesaikan kasus tertentu yang telah didefinisikan dataset dan
metode pemecahannya. Kuliah akan dilakukan sepenuhnya dengan basis self-paced dan self-
assessment. Evaluasi kemampuan implementasi Kecerdasan Buatan dengan Bahasa Pem-
rograman Python dilakukan dengan menggabungkan praktik pemrograman secara langsung
(live programing) berbasis Google Colaboratory dan multiple choice questionnaire (MCQ).
2 Capaian Pembelajaran Mata Kuliah
Kuliah Kecerdasan Buatan memiliki lima Capaian Pembelajaran Mata Kuliah (CPMK),
yakni:
a) CPMK 1: Mampu mendefinisikan pengertian sistem cerdas, berbagai macam ter-
minologi di bidang kecerdasan buatan, dan berbagai macam aplikasi sistem berbasis
kecerdasan buatan.
b) CPMK 2: Mampu langkah-langkah membangun sistem berbasis kecerdasan buatan
serta mengerti kelebihan dan kekurangan solusi berbasis kecerdasan buatan
c) CPMK 3: Mampu mendefinisikan dampak sosial yang ditimbulkan dari perkem-
bangan teknologi kecerdasan buatan serta etika dalam pengembangan solusi berbasis
kecerdasan buatan.
d) CPMK 4: Mampu mendefinisikan konsep dasar transformasi data dan seleksi fitur
(feature selection) untuk machine learning.
e) CPMK 5: Mampu mendefinisikan beberapa teknik machine learning klasik (linear
regression, rule-based machine learning, probabilistic machine learning, clustering) dan
konsep dasar deep learning serta implementasinya dalam pengenalan citra (convolu-
tional neural network).
f) CPMK 6: Mampu mengimplementasikan Bahasa Pemrograman Python sebagai pen-
dukung pengembangan sistem cerdas.
3 Topik Kuliah
Adapun kuliah Kecerdasan Buatan akan memuat setidaknya sembilan topik kuliah,
yakni:
1

3. March 31, 2022
• Topik 1: Definsi, konsep, dan terminologi kecerdasan buatan (CPMK 1). Topik
ini akan membahas definsi, terminologi, berbagai macam aplikasi kecerdasan buatan,
serta kaitan teknologi kecerdasan buatan dengan masa depan lapangan kerja.
• Topik 2: Langkah membangun solusi berbasis kecerdasan buatan (CPMK 2). Topik
ini akan membahas langkah-langkah membangun sistem berbasis Kecerdasan Buatan
serta memahami kelebihan dan kekurangan solusi berbasis Kecerdasan Buatan.
• Topik 3: Etika dan dampak sosial kecerdasan buatan (CPMK 3). Topik ini akan
membahas kelemahan teknologi kecedasan buatan dalam kasus rasial, maupun kelema-
han karena tidak akuratnya dataset, serta etika-etika yang perlu diperhatikan dalam
hal pengambilan data dan privasi data.
• Topik 4: Transformasi data dan rekayasa fitur dalam machine learning (CPMK 4).
Topik ini akan membahas konsep data preparation, data cleansing, dan feature selection
serta teknik-teknik yang lazim digunakan dalam machine learning.
• Topik 5: Regresi linear dan seleksi model machine learning (CPMK 5). Topik ini
akan membahas dasar- dasar linear regression, mampu membedakan antara klasifikasi
dan regresi, mengerti implementasi linear regression, memahami konsep K-Fold Cross
Validation, curse of dimensionality, overfitting dan underfitting.
• Topik 6: Uncertainty problems dan probabilistic machine learning (CPMK 5). Topik
ini akan membahas teori dasar probabilitas (joint probability, conditional probability),
memahami terminologi dalam teori uncertainty dan teori peluang, memahami konsep
teori Bayes dan implementasinya.
• Topik 7: Rule-Based Machine Learning dan Clustering (CPMK 5). Topik ini menje-
laskan tentang konsep dasar decision tree dan teknik clustering.
• Topik 8: Pengantar Deep Learning (CPMK 5). Topik ini menjelaskan tentang aplikasi
deep learning, konsep backpropagation, perceptron, memahami cara kerja convolutional
neural network.
• Topik 9: Implementasi Machine Learning dengan Python (CPMK 6). Topik ini men-
jelaskan tentang cara mengekstrak dataset ke variabel Python, mengerti penggunaan
berbagai fungsi classifier, mengerti dan memahami cara melakukan validasi model
machine learning.
4 Metode Evaluasi Mata Kuliah
Adapun evaluasi untuk CPMK 1-5 akan dilakukan dengan quiz yang menguji kemam-
puan analisis mahasiswa dan pemahaman mahasiswa terhadap materi yang disampaikan.
Quiz tersebut dapat berisi pertanyaan-pertanyaan dengan pilihan jawaban lebih dari dua
(multiple choices) maupun pertanyaan benar/salah (Yes or No questions). Sementara itu,
CPMK 6 akan dievaluasi dengan menguji pemahaman mahasiswa terhadap implementasi
2

4. March 31, 2022
machine learning dengan Bahasa Pemrograman Python. Mahasiswa diminta untuk mem-
pratikkan potongan program tertentu atau melengkapi program Python tertentu, kemu-
dian menjawab pertanyaan-pertanyaan multiple choices seputar program yang diimplemen-
tasikan. Dengan demikian, mata kuliah ini dirancang agar sesuai dengan prinsip SCL
(student-centered learning), self-paced, dan self-assessment.
5 Referensi Mata Kuliah
Berikut ini beberapa referensi yang akan digunakan dalam kuliah ini:
1. M. Yao, N. Jia, A. Zhou, “Applied Artificial Intelligence: A Handbook for Business
Leaders,” New York: Topbots, Inc., 2018.
2. F. Provost, T. Fawcett, “Data Science for Business,” California: O’Reilly, 2013.
3. A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow:
2nd Edition,” California: O’Reilly, 2019.
4. J.D. Kelleher, B.M. Namee, A. D’Arcy, “Fundamentals of Machine Learning for Pre-
dictive Data Analytics: 2nd Edition,” Cambridge: MIT Press, 2020.
5. S. Rogers, M. Girolami, “A First Course in Machine Learning: 2nd Edition,” Florida:
CRC Press, 2017.
6. T.J. Sejnowski, “The Deep Learning Revolution,” Cambridge: MIT Press, 2018.
7. M. Mitchell, “Artificial Intelligence: A Guide for Thinking Humans,” London: Penguin
Random House, 2019.
8. A.C. Muller, S. Guido, “Introduction to Machine Learning with Python: A Guide for
Data Scientists,” California: O’Reilly, 2016.
9. J. Krohn, G. Beyleveld, A. Bassens, “Deep Learning Illustrated: A Visual, Interactive
Guide to Artificial Intelligence,” New York: Pearson Education, 2020.
10. M. Negnevitsky, “Artificial Intelligence: A Guide to Intelligent Systems: 3rd Edition,”
New York: Pearson Education, 2011.
11. J. Brownlee, “Data Preparation for Machine Learning,” Machine Learning Mastery,
2020.
12. A. Zheng, A. Casari, “Feature Engineering for Machine Learning,” California: O’Reilly,
2018.
3