LMS-SPADA INDONESIA LMS-SPADA INDONESIA
Global searching is not enabled.

Kecerdasan Buatan

  1. Home
  2. Courses
  3. ILMU TEKNIK
  4. TEKNIK ELEKTRO DAN INFORMATIKA
  5. Sistem Informasi
  6. MKKF1A1331 - Kecerdasan Buatan_1
Skip to main content

Course Content


Topic outline

  • Kecerdasan Buatan

    Collapse all Expand all

    Dosen Pengampu

      Nama : MUHAMMAD NURTANZIS SUTOYO
    Email: mns.usn21@gmail.com
    Mata Kuliah   :   Kecerdasan Buatan
    Kode   :   MKKF1A1331
    Program Studi   :   S1 Sistem Informasi
    Perguruan Tinggi   :   Universitas Sembilanbelas November Kolaka

    Mata kuliah ini membahas konsep, prinsip, dan teknik dalam membangun sistem yang mampu meniru kecerdasan manusia. Topik mencakup sejarah dan perkembangan AI, representasi pengetahuan, penalaran logis, pencarian solusi masalah, penanganan ketidakpastian, pembelajaran mesin, serta penerapan AI dalam berbagai bidang seperti pengenalan pola, sistem pakar, pemrosesan bahasa alami, dan robotika. Mahasiswa akan mempelajari metode pencarian (uninformed search, informed search), representasi pengetahuan dengan logika proposisional dan logika predikat, penalaran probabilistik, logika fuzzy, serta algoritma pembelajaran mesin dasar seperti decision tree, k-nearest neighbor, dan nave Bayes. Pembelajaran dilakukan melalui kombinasi teori, studi kasus, simulasi, dan implementasi praktis menggunakan bahasa pemrograman atau perangkat lunak pendukung AI.

    Capaian Pembelajaran Mata Kuliah (CPMK)

    1. Memahami konsep dasar dan ruang lingkup kecerdasan buatan
    2. Menganalisis dan memilih metode AI yang sesuai untuk suatu permasalahan
    3. Menerapkan algoritma AI dalam penyelesaian masalah nyata
    4. Mengevaluasi kinerja dan efektivitas solusi AI yang dibangun
    5. Mengintegrasikan AI ke dalam sistem berbasis komputer secara etis dan bertanggung jawab
      Unduh RPS

  • Pertemuan ke 1

    Selamat datang di perkuliahan Mata Kuliah Kecerdasan Buatan (Artificial Intelligence).

    Pada pertemuan pertama ini, kita akan memulai perjalanan seru memahami konsep dasar AI, mulai dari pengertian, sejarah perkembangannya, hingga bagaimana AI berperan besar dalam dunia modern dari sistem rekomendasi di YouTube, mobil tanpa pengemudi, hingga sistem pakar yang membantu pengambilan keputusan.

    Tujuan pertemuan ini adalah agar Anda memahami:

    • Apa itu Kecerdasan Buatan (AI) dan ruang lingkupnya,
    • Perbedaan AI dengan Machine Learning dan Deep Learning,
    • Contoh penerapan AI dalam berbagai bidang.

    Capaian pembelajaran di pertemuan ke 1 ini adalah
    1. Mahasiswa mampu menjelaskan definisi kecerdasan buatan dan perannya dalam teknologi modern
    2. Mahasiswa mampu mendeskripsikan sejarah perkembangan AI dari tahun 1943 hingga saat ini, beserta tokoh-tokoh pentingnya.
    3. Mahasiswa mampu mengklasifikasikan AI berdasarkan kemampuannya (ANI, AGI, ASI) dan memberikan contoh nyata.
    Sumber belajar yang bisa dipelajari yaitu Pengenalan Kecerdasan Buatan

  • Pertemuan ke 2

    Selamat datang kembali di Pertemuan 2 mata kuliah Kecerdasan Buatan.
    Semoga Anda tetap semangat dan antusias melanjutkan perjalanan kita dalam memahami dunia Artificial Intelligence.

    Pada pertemuan kali ini, kita akan membahas topik yang sangat penting, yaitu Representasi Pengetahuan dan Penalaran.
    Topik ini menjadi pondasi utama AI, karena di sinilah kita belajar bagaimana pengetahuan disimpan, diolah, dan digunakan oleh mesin untuk berpikir layaknya manusia.

    Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:
    1. Menjelaskan konsep pengetahuan eksplisit dan implisit dalam konteks sistem kecerdasan buatan
    2. Mengidentifikasi dan membedakan berbagai model representasi pengetahuan seperti semantic network, frame, production rule, dan predicate logic
    3. Menjelaskan dan memberikan contoh mekanisme inferensi logika, termasuk modus ponens dan modus tollens, dalam proses pengambilan keputusan
    4. Menerapkan prinsip representasi pengetahuan dan penalaran logis dalam studi kasus sederhana berbasis AI
    5. Menganalisis kelebihan dan keterbatasan masing-masing model representasi pengetahuan terhadap permasalahan nyata

  • Pertemuan ke 3

    Selamat datang di Pertemuan 3 mata kuliah Kecerdasan Buatan.
    Kita sudah belajar bagaimana pengetahuan direpresentasikan dan digunakan untuk melakukan penalaran. Nah, kali ini kita akan masuk ke salah satu penerapan paling menarik dari AI, yaitu Sistem Pakar (Expert System).

    Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:

    1. Menjelaskan konsep dan karakteristik sistem pakar dalam konteks AI.

    2. Mengidentifikasi komponen utama sistem pakar: basis pengetahuan, mesin inferensi, dan antarmuka pengguna.

    3. Menjelaskan jenis penalaran pada sistem pakar (forward chaining dan backward chaining).

    4. Menganalisis studi kasus penerapan sistem pakar untuk pemecahan masalah di bidang tertentu.

  • Pertemuan ke 4

    Selamat datang di Pertemuan ke-4 mata kuliah Kecerdasan Buatan. Pada pertemuan sebelumnya, kita telah membahas Sistem Pakar sebagai salah satu penerapan AI berbasis pengetahuan. Sekarang, kita akan mempelajari salah satu konsep inti dalam pemecahan masalah AI, yaitu Pencarian dalam Ruang Keadaan (State Space Search).

    Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:

    1. Menjelaskan konsep state, operator, dan goal dalam ruang pencarian.

    2. Membedakan strategi pencarian tanpa informasi (uninformed search) seperti BFS dan DFS.

    3. Menganalisis efisiensi algoritma berdasarkan kompleksitas waktu dan ruang.

    4. Menerapkan algoritma pencarian jalur sederhana pada kasus nyata.

  • Pertemuan ke 5

    Selamat datang di Pertemuan ke-5 mata kuliah Kecerdasan Buatan.
    Pada pertemuan sebelumnya, kita telah memahami bagaimana mesin mencari solusi dalam ruang keadaan menggunakan berbagai algoritma dasar seperti BFS dan DFS.

    Kini kita akan melangkah lebih jauh ke dalam dunia Pencarian Heuristik dan Algoritma Informasi (Heuristic and Informed Search) — konsep penting yang membuat mesin dapat berpikir lebih cerdas dan efisien dalam menemukan solusi.

    Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:

    1. Menjelaskan konsep heuristik dan fungsi evaluasi dalam ruang pencarian.

    2. Membedakan antara algoritma uninformed search dan informed search.

    3. Menerapkan algoritma Best-First Search dan A** untuk menemukan solusi optimal.

    4. Menganalisis efektivitas fungsi heuristik dalam menentukan efisiensi pencarian.

  • Pertemuan ke 6

    Selamat datang di Pertemuan ke-6 mata kuliah Kecerdasan Buatan (Artificial Intelligence).
    Kita sudah mempelajari bagaimana mesin berpikir melalui penelusuran keadaan dan menggunakan heuristik untuk mencari solusi yang efisien.
    Namun, pada dunia nyata, tidak semua informasi yang kita miliki lengkap dan pasti. Di sinilah peran penting Representasi Pengetahuan Tak Lengkap dan Ketidakpastian.

    Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:

    1. Menjelaskan konsep ketidakpastian dan penyebab munculnya dalam sistem AI.

    2. Menjelaskan dasar teori probabilitas dan penerapannya pada penalaran AI.

    3. Menerapkan Teorema Bayes untuk memperbarui tingkat keyakinan terhadap hipotesis berdasarkan bukti baru.

    4. Menganalisis penerapan inferensi probabilistik dalam berbagai bidang seperti medis, NLP, dan sistem cerdas lainnya.

  • Pertemuan 7

    Selamat datang di Pertemuan ke-7 mata kuliah Kecerdasan Buatan (Artificial Intelligence). Pada pertemuan kali ini, kita akan membahas topik yang menarik dan sangat sering digunakan dalam berbagai aplikasi cerdas, yaitu Logika Fuzzy.
    Dalam kehidupan nyata, tidak semua hal bisa dijawab dengan “ya” atau “tidak”, “benar” atau “salah”. Manusia sering berpikir dalam bentuk tingkat kepastian, seperti “agak panas,” “cukup tinggi,” atau “sedikit lambat.” Inilah yang menjadi dasar munculnya logika fuzzy, yaitu cara berpikir yang meniru ketidakpastian dan fleksibilitas berpikir manusia.
    Capaian Pembelajaran Lulusan (CPL)

    CPL-P1 (Pengetahuan):
    Mahasiswa mampu memahami konsep dasar logika fuzzy, termasuk fungsi keanggotaan, operasi fuzzy, serta tahapan inferensi dan defuzzifikasi dalam sistem kecerdasan buatan.

    CPL-P2 (Keterampilan Umum):
    Mahasiswa mampu menganalisis perbedaan antara logika klasik dan logika fuzzy serta menerapkan prinsip logika fuzzy untuk memecahkan masalah yang mengandung ketidakpastian.

    CPL-S (Keterampilan Khusus):
    Mahasiswa mampu merancang model sederhana sistem fuzzy untuk pengambilan keputusan, termasuk menentukan himpunan fuzzy dan fungsi keanggotaan yang sesuai.

    CPL-A (Sikap):
    Mahasiswa menunjukkan sikap ilmiah, terbuka terhadap konsep baru, dan kritis dalam memahami penerapan logika fuzzy sebagai pendekatan cerdas dalam sistem berbasis AI.

  • Pertemuan ke 8

    Selamat datang di Pertemuan 8 mata kuliah Kecerdasan Buatan. Pada pertemuan ini kita akan membahas topik yang sangat penting, yaitu Jaringan Syaraf Tiruan (Artificial Neural Network – ANN). ANN meniru cara kerja otak manusia dalam memproses informasi melalui neuron-neuron buatan yang saling terhubung. Konsep ini menjadi dasar dari berbagai teknologi modern seperti pengenalan wajah, deteksi suara, dan sistem prediksi cerdas.

    Melalui pertemuan ini, diharapkan kalian dapat memahami bagaimana jaringan saraf bekerja, mengenal struktur dasarnya, serta memahami proses training dan learning pada sistem ANN.

    Capaian Pembelajaran Pertemuan (CPL)

    1. Mahasiswa mampu menjelaskan konsep dasar Jaringan Syaraf Tiruan (Artificial Neural Network – ANN) sebagai model komputasi yang meniru cara kerja otak manusia.

    2. Mahasiswa mampu mengidentifikasi komponen utama ANN, seperti neuron buatan, bobot, bias, fungsi aktivasi, dan arsitektur jaringan.

    3. Mahasiswa mampu menganalisis proses pelatihan jaringan (training) dan penyesuaian bobot (learning) menggunakan algoritma dasar seperti backpropagation.

    4. Mahasiswa mampu mengaitkan penerapan ANN dalam berbagai bidang, seperti pengenalan pola, klasifikasi, dan prediksi.

  • Pertemuan ke 9

    Selamat datang di Pertemuan 9 mata kuliah Kecerdasan Buatan (Artificial Intelligence).
    Pada pertemuan ini kita akan membahas Pembelajaran Mesin (Machine Learning) — cabang dari AI yang memungkinkan komputer belajar dari data tanpa harus diprogram secara eksplisit. Kita akan mempelajari konsep dasar supervised dan unsupervised learning, serta mengenal algoritma populer seperti Decision Tree, Naïve Bayes, K-Means, dan Support Vector Machine.
    Harapannya, Anda dapat memahami bagaimana sistem mampu melakukan prediksi dan pengambilan keputusan berbasis data.

    Capaian Pembelajaran

    1. Mahasiswa mampu menjelaskan konsep dasar machine learning serta perbedaannya dengan kecerdasan buatan (AI) konvensional.
    2. Mahasiswa mampu mengidentifikasi dan membedakan jenis-jenis pembelajaran mesin, termasuk supervised learning, unsupervised learning, dan reinforcement learning.
    3. Mahasiswa mampu menganalisis prinsip kerja algoritma dasar pembelajaran mesin seperti Decision Tree, Naïve Bayes, dan K-Means.
    4. Mahasiswa mampu menginterpretasikan hasil prediksi atau klasifikasi sederhana yang dihasilkan oleh model pembelajaran mesin.
    5. Mahasiswa menunjukkan sikap kritis, logis, dan kreatif dalam mengaitkan konsep machine learning dengan penerapan pada kasus nyata.

  • Pertemuan ke 10

    Selamat datang di Pertemuan 10 mata kuliah Kecerdasan Buatan (Artificial Intelligence) dengan topik Pembelajaran Tak Terawasi (Unsupervised Learning).
    Pada pertemuan ini, kita akan mempelajari bagaimana sistem kecerdasan buatan dapat menemukan pola, struktur, atau kelompok data tanpa adanya label atau target output. Pendekatan ini sangat penting dalam analisis data besar, di mana klasifikasi awal belum diketahui.
    Mari bersama-sama memahami konsep, algoritma, dan penerapannya dalam dunia nyata seperti clustering dan dimensionality reduction untuk memperluas wawasan kita tentang cara mesin belajar secara mandiri dari data mentah.

    CPL pada pertemuan ini adalah

    • Mahasiswa mampu menjelaskan konsep dasar pembelajaran tak terawasi (unsupervised learning) dan perbedaannya dengan pembelajaran terawasi.
    • Mahasiswa mampu menerapkan algoritma clustering seperti K-Means dan Hierarchical Clustering pada data sederhana.
    • Mahasiswa mampu menganalisis hasil proses pengelompokan (clustering) dan interpretasi hasilnya dalam konteks aplikasi nyata.
    • Mahasiswa mampu mengidentifikasi manfaat pembelajaran tak terawasi dalam berbagai bidang seperti segmentasi pelanggan, analisis perilaku, dan deteksi anomali.

  • Pertemuan ke 11

    Pada pertemuan ini, kita akan mempelajari salah satu teknik optimasi paling populer dalam Kecerdasan Buatan, yaitu Algoritma Genetika (Genetic Algorithm/GA). Terinspirasi dari mekanisme evolusi biologis dan seleksi alam, GA mampu mencari solusi optimal pada berbagai permasalahan kompleks yang sulit diselesaikan dengan metode konvensional. Melalui konsep kromosom, fitness, seleksi, crossover, dan mutasi, kita akan melihat bagaimana sebuah populasi solusi dapat “berevolusi” secara bertahap menuju hasil terbaik. Pertemuan ini tidak hanya memberikan dasar teoretis, tetapi juga membuka wawasan mengenai penerapan GA dalam optimasi rute, penjadwalan, dan berbagai permasalahan nyata lainnya.
    Setelah mengikuti pertemuan ini, mahasiswa mampu:
    1.Menjelaskan konsep dasar evolusi dan seleksi alam yang menjadi landasan kerja Algoritma Genetika
    2.Mengidentifikasi dan mendeskripsikan struktur kromosom serta fungsi fitness dalam representasi solusi masalah optimasi.
    3.Menganalisis cara kerja operator GA (seleksi, crossover, dan mutasi) serta perannya dalam proses evolusi solusi.
    4.Menerapkan prinsip dasar Algoritma Genetika untuk memecahkan contoh kasus sederhana seperti optimasi rute atau penjadwalan.
    5.Mengevaluasi kualitas solusi GA berdasarkan nilai fitness dan performa evolusi populasi.

  • Pertemuan ke 12

    Pada pertemuan ke-12 ini, kita akan memasuki tahap penutup dari rangkaian materi kecerdasan buatan. Fokus pembahasan diarahkan pada integrasi konsep-konsep yang telah dipelajari serta penerapannya dalam sistem cerdas yang lebih kompleks dan kontekstual.
    CPL pertemuan ini, mahasiswa mampu:
    • Menjelaskan konsep dasar agen, lingkungan, dan karakteristik sistem multi-agen
    • Menguraikan mekanisme komunikasi antar agen, termasuk struktur pesan, bahasa komunikasi (ACL/KQML), dan protokol interaksi
    • Menganalisis bentuk kolaborasi dan kompetisi dalam sistem multi-agen serta peran koordinasi, kooperasi, dan negosiasi.
    • Mengevaluasi penerapan sistem multi-agen pada studi kasus seperti smart farming, pasar simulatif, atau robotik kolaboratif.
    • Mengidentifikasi permasalahan nyata yang dapat diselesaikan menggunakan pendekatan sistem multi-agen.

  • Pertemuan ke 13

    Pada pertemuan ini, kita akan mempelajari perkembangan lanjutan dari jaringan syaraf tiruan (Artificial Neural Network) yang menjadi fondasi utama berbagai teknologi modern seperti pengenalan wajah, analisis teks, kendaraan otonom, dan sistem rekomendasi. Pendekatan yang dikenal sebagai Deep Learning memungkinkan komputer belajar dari data dalam skala besar melalui struktur jaringan yang lebih dalam dan kompleks. Melalui materi ini, mahasiswa akan memahami perbedaan antara ANN dan Deep Learning, mengenal arsitektur penting seperti CNN dan RNN, serta melihat bagaimana model-model tersebut digunakan dalam pengenalan citra, analisis teks, dan prediksi deret waktu. Pertemuan ini dirancang untuk memberikan wawasan konseptual sekaligus membuka pemahaman awal terhadap teknologi kecerdasan buatan tingkat lanjut yang banyak digunakan dalam dunia industri saat ini.
    Pada akhir pertemuan ini, mahasiswa diharapkan mampu:
    • Menjelaskan perbedaan mendasar antara Artificial Neural Network (ANN) dan Deep Learning, termasuk karakteristik arsitektur serta kemampuan representasi fitur.
    • Menganalisis konsep kerja arsitektur Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) secara konseptual, mencakup peran setiap lapisan dan alur pemrosesan data.
    • Mengidentifikasi jenis permasalahan yang sesuai untuk CNN maupun RNN, serta menjelaskan alasan pemilihan arsitektur berdasarkan bentuk dan karakteristik data.
    • Mengintegrasikan pemahaman konseptual Deep Learning ke dalam konteks kecerdasan buatan, sebagai dasar untuk mempelajari implementasi praktis pada pertemuan selanjutnya.

  • Pertemuan ke 14

    Pertemuan 14 mengajak mahasiswa memahami bagaimana teknologi kecerdasan buatan berkembang dan diimplementasikan dalam berbagai sektor kehidupan modern. Pada sesi ini, kita akan mengeksplorasi integrasi AI dengan IoT, Big Data, dan Cloud, penerapannya pada Smart City, Smart Farming, dan Smart Health, serta melihat tren masa depan seperti Generative AI, Large Language Models (LLM), dan isu etika yang menyertainya. Materi ini dirancang untuk memberikan gambaran komprehensif tentang arah perkembangan AI dan bagaimana mahasiswa dapat mempersiapkan diri menghadapi ekosistem digital yang semakin cerdas dan dinamis.
    CPL pada pertemuan ini
    • Mahasiswa mampu memahami konsep integrasi AI dengan IoT, Big Data, dan Cloud, serta menjelaskan penerapan kecerdasan buatan pada berbagai domain seperti Smart City, Smart Farming, dan Smart Health.
    • Mahasiswa mampu menganalisis tren dan perkembangan teknologi AI modern, termasuk Generative AI, Large Language Models (LLM), dan isu etika AI, sebagai dasar pengambilan keputusan teknologi secara bertanggung jawab.
    • Mahasiswa mampu mengidentifikasi peluang pemanfaatan AI dalam konteks sistem cerdas dan merumuskan solusi inovatif berbasis AI dengan memperhatikan aspek teknis dan etis.
    • Mahasiswa menunjukkan sikap kritis, etis, dan bertanggung jawab dalam mengevaluasi dampak sosial serta implikasi penggunaan teknologi AI di masyarakat.

Contact

spada@kemdiktisaintek.go.id

Spada Indonesia

http://spada.kemdiktisaintek.go.id
LMS-SPADA INDONESIA LMS-SPADA INDONESIA

Copyright © 2025 Spada Indonesia. All Rights Reserved.