RENCANA PEMBELAJARAN SEMESTER

(RPS)

Berbasis

KERANGKA KUALIFIKASI NASIONAL IIYDONESIA

Indonesian Qaolfficution Framework
Peraturan Presiden No. 8 Tahun 2012

G
'o."lir.S

PROGRAM STUDI ILMU KOMPUTER

PROGRAM MAGISTER
UNIVERSITAS POTENSI UTAMA
 LEMBAR PENGESAHAN

Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk matakuliah sbb:

Nama Matakuliah : Deep Learning

Kode : AG2019MT2302

Medan, 9 Februari 2020

tzt

Program Magister
 DAFTAR ISI

LEMBAR PENGESAHAN
DAFTAR ISI

A. PROFIL MATAKULIAH
B. RENCANA PEMBELAJARAN SEMESTER (RPS)
C. RANCANGANTUGAS
D. RUBRIK PENILAIAN
A. PROFIL MATAKULIAH
IDENTITAS MATAKULIAH
Nama Matakuliah Lea
Kode Matakuliah AG2019MT2302
SKS 3
Jenis Mata Kuliah Pilihan
Jam Pelaksanaan 16.30 - 19.00
Pre-requisite
Co-requisite

DESKRIPSI MATA KULIAH

Pada Matakuliah ini mahasiswa mampu membahas konsep dasar serta membandingkan hasil
penyelesaian permasalahan logika Deep Learning yang merupakan bagian dari Machine
Leaming.

CAPAIAN PEMBELAJARAN
Mampu membahas mengenai konsep dasar serta membandingkan hasil penyelesaian
permasalahan tentang Neural Network yang menjadi dasar dalam Deep Leaming

DAFTAR PUSTAKA
1. Generative Deep Leaming, Author:David Foster, Publisher: O'Reilly Media, 2}lg,
Hardback Adaptive Computation and Machine Learning English By (author) Yoshua
Bengio
2. Deep Leaming, 2017, Hardback Adaptive Computation and Machine Learning
English By (author) Yoshua Bengio, 2017
3. Diktat
 B. RENCANA PEMBELAJARAN SEMESTER (RPS)

UNIVERSITAS POTENSI UTAMA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
PROGRAM STUDI ILMU KOMPUTER PROGRAM MAGISTER
RENCANA PBMBELAJARAN SEMESTER
MATA KULIAII KODE RUMPUN BOBOT SEMESTER Tgl Penyusunan
MATA KULIAH (sks)
DEEP LEARNING AG2019 Machine 3 2 9 Februari2020
MT2302 Learning
OTORISASI Dosen Pengem RPS Koordinator RMK Kaprodi
t20 to
a- a-
Dr. Wanayumini, S. Kom., Dr. Wanayumini,
M. Kom S. M. Kom
CPL _ PRODI
Mampu membandingkan konsep dasar tentang Artificial Neural Network dan Multilayer
CPL.2
Perceptron.
Mampu membandingkan tentang Back Propagation Algorithm dan Introduction Framework
CPL.4
Deep Leaming (Tensorl'low dan Hard).
Capaian Pembelajaran Mampu memilih, membandingkan dan menerapkan Dota 2 Heroes Classification (Multiclass
(CP) CPL-6
Classification).
Mampu membandingkan yang berhubungan dengan Deep AutoEncoder dan Convolution
CPL-8
Neural Network.
Mampu mengolah data, menginterpretasikan dan membandingkan hasilnya dengan sikap
CPL.9 bertanggungiawab tentang Gender Classification using Pre-Trained Network (Transfer
Leaming)
 CP - MK Mampu membahas mengenai konsep dasar serta membandingkan hasil penyelesaian
permasalahan Neural Network yang menjadi dasar dalam Deep Learning
CPL.z Sub-CPMK-2,3. Mampu membandingkan tentang Artificial Neural Network, Activation
Function, Arsjtektur Neural Network dan TrainingDatapada Neural Network serta Multi
Sub-CPMK-4. Mampu membandingkan tentang Forward Pass, Backward Pass, Loss Function
dan Activation Function Derivatives
CPL.4
Sub-CPMK-5. Mampu membandingkan tentang Stochastic Gradient Descent (SGD) Update,
TensoFlow dan Keras
Sub-CPMK-6. Mampu memilih, menetapkan serta membandingkan Data Pre-processing.
Sub-CPMK-7. Mampu memilih, menetapkan serta membandingkan Feature Correlation.
CPL-6
Sub-CPMK-8. Mampu memilih, menetapkan serta membandingkan Prepare Data dan Create
Model.
Sub-cPMK-g, I 0. Mampu membandingkan tentang Dependency, Data Preparation.
Sub-cPMK -1 1,12. Mampu membandingkan tentang Sigmoid dan cross_Entropy
CPL-8
Sub-CPMK-13. Mampu membandingkan tentang Reconstruction result dan Feature
Extraction Layer.
Sub-CPMK -14. Mampu mengolah data, menginterpretasikan, dan membandingkan hasilnya
dengan sikap bertanggung jawab tentang ImageNet dan Gender Classification.
CPL-9
Sub-CPMK 15. Mampu mengolah data serta membandingkan hasilnya tentang KorNet,
Dependencies and Global Variabel dan Data Augmentation.
Deskripsi Singkat Mata Kuliah Pada Matakuliah ini mahasiswa mampu membahas konsep dasar serta membandingkan hasil
penyelesaian perrnasalahan logika Deep Learning yang merupakan bagian dari Machine

Materi Pembelajaran/ Pokok 1. Artificial Neural Network

Bahasan 2. Multi Layer Perceptron
J. Back Propagation Algorithm.
4. Deep Learning Framework Introduction (TensorFlow & Keras)
5. Dota 2 Heroes Classification.
6. Deep Auto Encoder.
7. Convolution Neural Network.
8. Gender Classification U sing Pre-Trained Network (Transfer Learning).
Pustaka Utama:
 1. Generative Deep Learning, Author:David Foster, Publisher: O'Reilly Media, 2019,
Hardback Adaptive Computation and Machine Leaming English By (author) Yoshua
Bengio
2. Deep Leaming, 2017, Hardback Adaptive Computation and Machine Learning
English By (author) Yoshua Bengio,2}l7

Pendukung:
l. Diktat,
2. Youtube
Media Pembelajaran Perangkat Lunak Perangkat Keras
Power Point dan Toutube Komputer atau Laptop dan TV Display
lg4!4 Teaching
Matakuliah Syarat
 Bentuk Pembelajaran; Metode Bobot
Sub-CPMK
Penilaian Pembelajaran; Penugasan; Materi Penilaian
Mg (Sebagai o/u
Ke Kemampuan Akhir lEstimasi Waktul Pembelajaran
Yang Diharapkan) Indikator Kriteria & Tatap IPustakal
Daring
Bentuk Muka/Luring
(l) (2) (3) (4) (s) (6) (7) (8)
1 Sub-CPMK-1. Mahasiswa mampu Kriteria: Kuliah E-learning: l. RPS, Kontrak s%
Mampu menjelaskan menjelaskan tentang Kebenaran, Diskusi [Link] Kuliah, Artificial
konsep dasar Artificial Artificial Neural ketepatan [T\.{ : lx {3x50" t] otensi- Neural Network
Neural Network pada Network. Bentuk Tes : Tugas: [Link]/ojs/in
Deep Learning. Menjawab soal- Menjawab soal- [Link]/CSRID
soal pertanyaan soal dari modul
[PT+gP1"
(1t 1)x((r0")l
2 Sub-CPMK-2. Mahasiswa mampu Kriteria: Kuliah E-learning: 2. Lanjutan Artificial 5o/o
Mampu menjelaskan menjelaskan tentang Kebenaran, Diskusi [Link] Neural Network dan
konsep dasar Artificial Artificial Neural ketepatan ["Nh'l ; L,; {-]x;d{J"}l otensi- Multilayer
Neural Network pada Network dan Bentuk Tes : Tugas: [Link]/ojs/in Perceptron.
Deep Learning dan Multilayer Menjawab soal- Menjawab soal- [Link]/CSRID
Multilayer Perceptron. Perceptron. soal pertanyaan soal dari modul
IPT+ R,\[:
(1*l )x(tiO")l
J Sub-CPMK-3. Mahasiswa mampu Kriteria: Kuliah E-learning: 3. Lanjutan 9o/e
Mampu menjelaskan menjelaskan tentang Kebenaran, Diskusi [Link] Multilayer
tentang Multilayer Artificial Neural ketepatan [TM: Ix. (3x50")] otensi- Perceptron
Perceptron. Network dan Bentuk Tes : Tugas: [Link]/ojs/in
Multilayer Menjawab soal- Menjawab soal- [Link]/CSRID
Perceptron. soal pertanyaan soal dari modul
IPT+Bh't:
(1+l)x(50")l
4 Sub-CPMK-4. Mahasiswa mampu Kriteria: Kuliah E-learning: 4. Back Propagation 5%
Mampu merumuskan menjelaskan tentang Kebenaran, Diskusi [Link] Algorithm
yang berkaitan dengan Back Propagation ketepatan ['i'lVI : lx (3x50").1 otensi-
Back Propagation Algorithm. Bentuk Tes : Tugas: [Link]/ojs/in
Algorithm. Menjawab soal- Menjawab soal- [Link]/CSRID
soal pertanyaan soal dari modul
IP1'+r3M:
(1+ I )x(60")"1
5 Sub-CPMK-5. Mahasiswa mampu Kriteria: Kuliah EJearning: 5. Lanjutan Back 5%
Mampu merumuskan menjelaskan tentang Kebenaran, Diskusi [Link] Propagation
yang berkaitan dengan Back Propagation ketepatan ITM : lx (3x50"]l otensi- Algorithm
Back Propagation Algorithm. Bentuk Tes : Tugas: [Link]/ojs/in
Algorithm. Menjawab soal- Menjawab soal- [Link]/CSRID
soal pertanyaan soal dari modul
[PT+BM:
( 1+ I )x(60")l
6 Sub-CPMK-6. Mahasiswa mampu Kriteria: Kuliah E-learning: 6. Deep Learning So/s
Mampu merumuskan menjelaskan tentang Kebenaran, Diskusi httpzllelearning.p Framework
tenatng Deep learning Deep Learning ketepatan ITM : lx (3x50")l otensi- Introduction
Framework Framework Bentuk Tes : Tugas: [Link]/ojs/in (TensoFlow dan
Introduction Introduction Menjawab soal- Menjawab soal- [Link]/CSRID Keras)
(TensoFlow dan (TensoFlow dan soal pertanyaan soal dari modul
Keras). Keras). IP'T:l"BN{:
( l+ l)x(60")l
7 Sub-CPMK-7. Mahasiswa mampu Kriteria: Kuliah E-learning: 7. Lanjutan Deep 5a/o
Mampu merumuskan menjelaskan tentang Kebenaran, Diskusi [Link] Learning Framework
tentang lanjutan Deep Deep Learning ketepatan [1'M : ix (3x50")] otensi- Introduction
learning Framework Framework Bentuk Tes : Tugas: [Link]/ojs/in (TensoFlow dan
Introduction Introduction Menjawab soal- Menjawab soal- [Link]/CSRID Keras)
(TensoFlow dan (TensoFlow dan soal pertanyaan soal dari modul
Keras). Keras). f PT'+tlN4:
( 1+ I )x(60")l
8 Ujian Tengah Semester (UTS) : Melakukan Validasi Hasil Penilaian, Evaliasi, dan Perbaikan Proses Pembelajaran t5%
Berikutnya
9 Sub-CPMK-9. Mahasiswa mampu Kriteria: Kuliah E-learning: 9. Dota 2 Heroes 5o/o
Mampu memilih dan menjelaskan tentang Kebenaran, Diskusi httptllelearning.p Classification
menetapkan tentang Dota2 Heroes ketepatan I IN4 : lx (3x50")j otensi- (Multiclass
DotaZ Heroes Classification Bentuk Tes : Tugas: [Link]/ojs/in Classification)
Classification . (Multiclass Menjawab soal- Menjawab soal- [Link]/CSRID
Classification). soal pertanyaan soal dari modul
[PT r-Br\r:
(lr-l)x{6{,}"}
l0 Sub-CPMK-10. Mahasiswa mampu Kriteria: Kuliah E-learning: 10. Deep s%
Mampu menjelaskan tentang Kebenaran, Diskusi [Link] AutoEncoder
mengembangkan dan Deep AutoEncoder. ketepatan I ltul : lx (3r50")l otensi-
mengolah data yang Bentuk Tes : Tugas: [Link]/ojs/in
berhubungan dengan Menjawab soal- Menjawab soal- [Link]/CSRID
Deep AutoEncoder. soal pertanyaan soal dari modul
IF't +t3i\i:
( ir'l )x(60")
11 Sub-CPMK-l l. Mahasiswa mampu Kriteria: Kuliah E-learning: I 1. Lanjutan Deep 50/o
Mampu menjelaskan tentang Kebenaran, Diskusi [Link] AutoEncoder
mengembangkan dan Deep AutoEncoder. ketepatan [1'M : lx (3x50")l otensi-
mengolah data yang Bentuk Tes : Tugas: [Link]/ojs/in
berhubungan dengan Menjawab soal- Menjawab soal- [Link]/CSRID
Deep AutoEncoder. soal pertanyaan soal dari modul
fP'f-rBM:
( l+ l)x(60")
t2 Sub-CPMK-12. Mahasiswa mampu Kriteria: Kuliah EJearning: 12. Convolution s%
Mampu mengolah menjelaskan tentang Kebenaran, Diskusi http:l/elearning.p Neural Network
data serta Convolution Neural ketepatan fl-M : lx (3x50")l otensi-
menginterpretasikan Network. Bentuk Tes : Tugas: [Link]/ojsiin
hasilnya yang Menjawab soal- Menjawab soal- [Link]/CSRID
berhubungan tentang soal pertanyaan soal dari modul
Convolution Neural IP'f+t]N,t:
Network. (l+l)x(50")
l3 Sub-CPMK-13. Mahasiswa mampu Kriteria: Kuliah E-learning: 13. Lanjutan 5a/o
Mampu mengolah menjelaskan tentang Kebenaran, Diskusi [Link] Convolution Neural
data serta Convolution Neural ketepatan i'l'VI : ix (3x50")l otensi- Network
menginterpretasikan Network. Bentuk Tes : Tugas: [Link]/ojs/in
hasilnya yang Menjawab soal- Menjawab soal- [Link]/CSRID
berhubungan tentang soal pertanyaan soal dari modul
Convolution Neural iP1-+BM:
Network. (l+ I )x(50")l
t4 Sub-CPMK-14. Mahasiswa mampu Kriteria : Kuliah E-learning: 14. Gender 50/o
Mampu mengolah menjelaskan tentang Kebenaran, Diskusi [Link] Classification using
data serta Gender ketepatan [TM : 1x (3x50")] otensi- Pre-Trained Network
menginterpretasi Classification using Bentuk Tes : Tugas: [Link]/ojs/in (Transfer Learning)
hasilnya yang Pre-Trained Network Menjawab soal- Menjawab soal- [Link]/CSRID
berhubungan dengan (Transfer Leaming). soal pertanyaan soal dari modul
Gender Classification [PT+BM:
using Pre-Trained (1+1)x(60")l
Network (Transfer
Learning)
 l5 Sub-CPMK- 15. Mahasiswa mampu Kriteria: Kuliah E-learning: 15. Lanjutan Gender 5%
Mampu mengolah menjelaskan tentang Kebenaran, Diskusi httpzllelearning.p Classification using
data serta Gender ketepatan [TM : 1x (3x50")] otensi- Pre-Trained Network
menginterpretasi Classification using Bentuk Tes : Tugas: [Link]/ojs/in (Transfer Leaming)
hasilnya yang Pre-Trained Network Menjawab soal- Menjawab soal- [Link]/CSRID
berhubungan dengan (Transfer Learning). soal pertanyaan soal dari modul
lanjutan Gender [PT+BM:
Classification using (l+1)x(60")l
Pre-Trained Network
(Transfer Learning)
16 Uiian Akhir Semester (UAS) : Melakukan Validasi Hasil Penilaian, Evaliasi, dan Perbaikan Proses Pembelaiaran Berikutnya LSVo

BUKU TEKS :
l. Generative Deep Leaming Author:David Foster, Publisher: O'Reilly Media, 2019, Hardback Adaptive Computation and Machhe Learning
English By (author) Yoshua Bengio
2. Deep Learning, 2017, Hardback Adaptive Computation and Machine Leaming English By (author) Yoshua Bengio, 2017
3. Diktat
 C. RANCAI\GAI\ TUGAS

Nama Matakuliah Deep Learning

Kode Matakuliah AG20r9MT2302
Kemampuan Akhir yang Diharapkan Mampu memahami serta membandingkan
konsep Dasar Deep Leaming dengan
menggu4akan Algoritma Neural Perceptron
Pertemuan ke 2 (Dua) l2
ke I
1. Tujuan Tugas
Agar peserta didik dapat membandingkan, memahami dan mampu menerapkan
Algoritma Neural Perceptron dengan mencari jurnal terkait.

2. Uraian Tugas :

Mencari 2 buah jurnal Internasional dan 2 btah jumal nasional dan mengambil
kesimpulan tentang kelemahan dan kelebihan dari jumal tersebut yang berhubungan
dengan Algoritma Neural Perceptron.

3 Kriteria Penilaian:
Masing-masing jurnal mendapat nilai 25 dengan melampirkan bukti jurnal yang telah
di bahas yang berhubungan dengan Algoritma Neural Perceptron.

Nama Matakuliah Deep Learning

Kode Matakuliah AG2019MT2302
Kemampuan Akhir yang Diharapkan Mampu memahami dan membandingkan
konsep Dasar Deep Leaming dengan
menggunakan Algoritma Multi Layer
Perceptron
Minggu/ Pertemuan ke 3 (Tiga) / 3
Tugqq ke 2
1. TujuanTugas :
Agar peserta didik dapat memahami, menerapkan, dan membandingkan Algoritma
Multi Layer Perceptron dengan mencari jurnal terkait.

2. Uraian Tugas :

Mencari Ibuah jumal Internasional dan 1 buah jurnal nasional dan mengambil
kesimpulan tentang kelemahan dan kelebihan dari jurnal tersebut yang berhubungan
dengan Algoritma Multi Layer Perceptron.
Membuat jurnal yang dapat membandingkan antara Algoritma NN dan MLP

3. Kriteria Penilaian:
Masing-masing jurnal mendapat nilai 50 dengan melampirkan bukti jurnal yang telah
di bahas yang berhubungan dengan Algoritma Multi Layer Perceptron.
 D. RUBRIK PENILAIAN
Dalam bentuk Grade konversi dari Angka

Jenjang/Grade Angka/Skor Deskripsi/Ind ikator Kerj a

E 10-49,99 Merupakan perolehan mahasiswa yang tidak

melaksanakan tugas dan sama sekali tidak memahami
materi.

D 50-59,gg Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dan mengerjakan tugas seadanya, tidak
memiliki kemauan dan tanggungjawab untuk
memahami materi.

C 60-64,99 Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan cukup baik, berusaha memahami
materi namun kurang persisten sehingga baru mampu
menyeleseaikan sebagian dari masalah ltugas dengan
akurasi yang kurang.

c+ 65-67,49 Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan bailq berusaha memahami materi
namun baru mampu menyeleseaikan sebagian masalah
/ tugas dengan akurasi cukup.

B- 67,5-69,gg Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan baik, mampu memahami materi
dan mampu menyelesaikan masalah / tugas dengan
akurasi cukup.

B 70-74,99 Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan baik, mampu memahami materi
dan mampu menyelesaikan masalah / tugas dengan
akurasi bagus.

B+ 75-77,49 Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan baik, mampu memahami materi
dan mampu menyelesaikan masalah / tugas dengan
akurasi bagus.

A- 77,5-7g,gg Merupakan perolehan mahasiswa yang mengikuti

perkuliahan dengan sangat baik, memahami materi
dengan sangat baih memiliki tingkat proaktif dan
kreatifitas tinggi dalam mencari informasi terkait
materi, mampu menyelesaikan masalah / tugas dengan
akurasi sangat baik.

A 80-100 Merupakan perolehan mahasiswa superior, yaitu

mereka yang mengikuti perlruliahan dengan sangat
baik, memahami materi dengan sangat baik bahkan
tertantang untuk memahami lebih jauh, memiliki

t
 tingkat proaktif dan kreatifitas tinggi dalam mencari
informasi terkait materi, mampu menyelesaikan
masalah dengan akurasi sempurna bahkan mampu
mengenali masalah nyatapada masyarakat / industri
dan mampu mengusulkan konsep solusinya.

Rubrik Untuk Penilaian

Presentase Makalah

SKALA
Dimensi/Bent
Sansat Baik Baik Cukup Kurang Sansat Kurans
uk
Skor>:81 (61-80) (41-60) (21-40) <20
Organisasi Terorganisasi Terorganisasi dengan baik Presentasi mempunyai fokus Cukup fokus, namun Tidak ada organisasi
dengan menyajikan dan menyajikan fakta yang dan menyajikan beberapa bukti bukti kurang yangjelas. Fakta tidak
fakta yang didukung meyakinkan untuk yang mendukung kesimpulan mencukupi untuk digunakan untuk
oleh contoh yang mendukung kesimpulan. digunakan dalam mendukung penyataan.
telah dianalisis menarik kesimpulan.
sesuai konsep.
Isi Isi mampu lsi akurat dan lengkap. Para Isi secara umum akurat, tetapi Isinya kurang Isinya tidak akurat atau
menggugah pendengar menambah tidak lengkap. Para pendengar akurat, karena tidak terlalu umum. Pendengar
pendengar untuk wawasan baru tentang topik bisa mempelajari beberapa ada data faktual, tidak belajar apapun atau
mengembangkan tersebut. fakta yang tersirat, tetapi tidak menambah kadang menyesatkan.
pikiran. mereka tidak menambah pemahaman para
wawasan baru tentang topik pendengar.
tersebut.
Gaya Berbicara dengan Pembicara tenang dan Secara umum pembicara Berpatokan pada Pembicara cemas dan
Presentase semangat, menggunakan intonasi yang tenang, tetapi dengan nada catatan, tidak ada tidak nyaman, dan
menularkan tepat, berbicara tanpa yang datar dan cukup sering ide yang membaca berbagai
semangat dan bergantung pada catatan, dan bergantun g pada c atatan, dikembangkan catatan daripada
antusiasme pada berinteraksi secara intensif Kadang-kadang kontak mata diluar catatan, suara berbicara. Pendengar
pendengar dengan pendengar. dengan pendengar diabaikan. monoton. sering diabaikan. Tidak
Pembicara selalu kontak terjadi kontak mata
mata dengan pendengar karena pembicara lebih
banyak melihat ke papan
tulis atau layar.

Rubrik Untuk Penilaian

Matakuliah Deep Learning

GRADE SKOR INDIKATOR KINERJA

Sangat Kurang <= 20 Rancangan yang disajikan tidak teratur dan tidak menyelesaikan masalah.
Kurang 2t-40 Rancangan yang disaiikan teratur namun kurang menyelesaikan masalah
Cukup 4l-60 Rancangan yang disajikan tersistematis, menyelesaikan masalah, namun kurang dapat diimplementasikan.
Baik 61-80 Rancangan yang disaiikan sistematis, menyelesaikan masalah, dapat diimplemetasikan dan kurang inovatif
Sansat Baik >=81 Rancangan yang disaiikan sistematis, menyelesaikan masalah, dapat diimplementasikan dan inovatif