UNIVERSITAS BUMIGORA
FAKULTAS PROGRAM PASCA SARJANA
PROGRAM STUDI S2 ILMU KOMPUTER

RPS-18-IKKK321111
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
Deep Learning IKKK321111 Artificial Intelligence (AI) T= 3 2 11 May 2026
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Dr. Khasnur Hidjah, M.Cs
Dr. Ir. Bambang Krismono Triwijoyo, M.Kom
Dr. Neny Sulistianingsih, M.Kom
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL02 Mampu merancang dan mengimplementasikan solusi teknologi berbasis AI dan data engineering untuk menyelesaikan permasalahan kompleks di berbagai sektor
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK0210 Mampu mengembangkan arsitektur deep learning untuk klasifikasi dan prediksi data kompleks
CPMK0212 Mampu menerapkan teknik deep learning dalam pemrosesan citra
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.IKKK321111.CPMK0210 .1 Menjelaskan konsep dasar Deep Learning, arsitektur jaringan saraf tiruan, dan proses pembelajaran model.
sub.cpmk.IKKK321111.CPMK0210 .2 Mengimplementasikan Feed Forward Neural Networks dan algoritma Backpropagation untuk menyelesaikan masalah klasifikasi dan regresi.
sub.cpmk.IKKK321111.CPMK0210 .3 Mengembangkan model Convolutional Neural Networks (CNN) untuk klasifikasi dan pengenalan pola pada data citra.
sub.cpmk.IKKK321111.CPMK0210 .4 Mengimplementasikan Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM) untuk pemodelan data sekuensial.
sub.cpmk.IKKK321111.CPMK0210 .5 Mengembangkan model Autoencoder dan Generative Adversarial Networks (GAN) untuk ekstraksi fitur dan augmentasi data.
sub.cpmk.IKKK321111.CPMK0210 .6 Mengevaluasi dan mengoptimalkan performa model Deep Learning menggunakan berbagai metrik dan teknik tuning.
sub.cpmk.IKKK321111.CPMK0212 .1 Merancang solusi Deep Learning end-to-end untuk menyelesaikan permasalahan kompleks berbasis data.
sub.cpmk.IKKK321111.CPMK0212 .2 Mempresentasikan hasil pengembangan dan evaluasi model Deep Learning secara ilmiah dan profesional.
Korelasi CPMK terhadap Sub-CPMK
CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .1
sub.cpmk.IKKK321111.CPMK0210 .2
sub.cpmk.IKKK321111.CPMK0210 .3
sub.cpmk.IKKK321111.CPMK0210 .4
sub.cpmk.IKKK321111.CPMK0210 .5
sub.cpmk.IKKK321111.CPMK0210 .6
CPMK0212 sub.cpmk.IKKK321111.CPMK0212 .1
sub.cpmk.IKKK321111.CPMK0212 .2
Deskripsi Singkat MK Mata kuliah Deep Learning membekali mahasiswa Program Studi Magister Ilmu Komputer dengan pengetahuan dan keterampilan dalam mengembangkan arsitektur Deep Learning untuk klasifikasi dan prediksi data kompleks. Melalui pembelajaran yang mencakup konsep dasar jaringan saraf, Feed Forward Neural Network, Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Autoencoder, dan Generative Adversarial Network (GAN), mahasiswa mampu merancang, mengimplementasikan, mengevaluasi, dan mengoptimalkan model Deep Learning untuk menyelesaikan berbagai permasalahan nyata. Proses pembelajaran dilakukan melalui kuliah, diskusi, praktikum, studi kasus, dan proyek pengembangan model sehingga mahasiswa mampu menghasilkan solusi berbasis kecerdasan buatan yang inovatif, efektif, dan dapat diterapkan pada berbagai sektor.
Bahan Kajian : Materi Pembelajaran 1. Pengantar Deep Learning 2. Fundamental Neural Networks 3. Training dan Optimasi Model Deep Learning 4. Convolutional Neural Networks (CNN) 5. Recurrent Neural Networks (RNN) 6. Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) 7. Autoencoder dan Representation Learning 8. Generative Deep Learning (GAN dan VAE) 9. Transformer dan Attention Mechanism 10. Explainable Artificial Intelligence (XAI) 11. Evaluasi dan Validasi Model Deep Learning 12. Implementasi Deep Learning pada Berbagai Domain 13. Deployment dan MLOps untuk Deep Learning
Pustaka Utama
  • 1. Dive into Deep Learning, Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into Deep Learning. Cambridge University Press.
  • 2. Machine Learning with PyTorch and Scikit-Learn, Raschka, S., Liu, Y., Mirjalili, V., & Dzhulgakov, D. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing.
  • 3. Deep Learning for Vision Systems, Elgendy, M. (2020). Deep Learning for Vision Systems. Manning Publications.
  • 4. Rothman, D. (2024). Transformers for Natural Language Processing and Computer Vision (4th ed.). Packt Publishing
  • 5. Hands-On Large Language Models, Alammar, J., & Grootendorst, M. (2024). Hands-On Large Language Models. O'Reilly Media.
Pendukung
Dosen Pengampu Dr.Khasnur Hidjah, S.Kom, M.Cs
Mata Kuliah Syarat -
Pertemuan Ke Kemampuan akhir tiap tahapan belajar (Sub-CPMK) Penilaian Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; Materi Pembelajaran Bobot Penilaian
Indikator Kriteria & Teknik Luring Daring
1 sub.cpmk.IKKK321111.CPMK0210 .1-Menjelaskan konsep dasar Deep Learning, arsitektur jaringan saraf tiruan, dan proses pembelajaran model. Menjelaskan konsep dasar Deep Learning Kriteria
Partisipasi aktif dalam diskusi
Teknik
 Kuliah,Ceramah Langsung,[C=150 Menit]
 Topik
Pengantar Deep Learning
Sub Topik
-
 5
2 sub.cpmk.IKKK321111.CPMK0210 .1-Menjelaskan konsep dasar Deep Learning, arsitektur jaringan saraf tiruan, dan proses pembelajaran model. Menjelaskan komponen Neural Network Kriteria
Kemampuan mahasiswa dalam merancang, mengembangkan, dan menyajikan solusi atau produk nyata melalui proyek terstruktur
Teknik
- 		Penugasan,Kuis Take Home,[KH=50 Menit]
 Topik
Fundamental Neural Networks
Sub Topik
-
 5
3 sub.cpmk.IKKK321111.CPMK0210 .2-Mengimplementasikan Feed Forward Neural Networks dan algoritma Backpropagation untuk menyelesaikan masalah klasifikasi dan regresi. Implementasi FNN dan Backpropagation Kriteria

Teknik
- 		Kuliah,Proses Belajar,[PB=150 Menit]
 Topik
Training dan Optimasi Model Deep Learning
Sub Topik
-
 5
4 sub.cpmk.IKKK321111.CPMK0210 .2-Mengimplementasikan Feed Forward Neural Networks dan algoritma Backpropagation untuk menyelesaikan masalah klasifikasi dan regresi. Optimasi model dilakukan dengan benar Kriteria
Kemampuan mahasiswa dalam merancang, mengembangkan, dan menyajikan solusi atau produk nyata melalui proyek terstruktur
Teknik
- 		Kuliah,Problem based Learning,[PBL=150 Menit]
 Topik
Optimizer, Loss Function, Regularization
Sub Topik
-
 5
5 sub.cpmk.IKKK321111.CPMK0210 .3-Mengembangkan model Convolutional Neural Networks (CNN) untuk klasifikasi dan pengenalan pola pada data citra. CNN dapat berjalan dan menghasilkan prediksi Kriteria
Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
Teknik
- 		Kuliah,Ceramah Langsung,[C=150 Menit]
 Topik
Convolutional Neural Networks (CNN)
Sub Topik
-
 5
6 sub.cpmk.IKKK321111.CPMK0210 .3-Mengembangkan model Convolutional Neural Networks (CNN) untuk klasifikasi dan pengenalan pola pada data citra. Implementasi transfer learning berhasil Kriteria
Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
Teknik
- 		Pemahaman materi mandiri,Kegiatan Mandiri,[PM=50 Menit]
 Topik
Transfer Learning dan Fine-Tuning
Sub Topik
-
 5
7 sub.cpmk.IKKK321111.CPMK0210 .4-Mengimplementasikan Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM) untuk pemodelan data sekuensial. Implementasi transfer learning berhasil Kriteria
Partisipasi aktif dalam diskusi
Teknik
- 		Kuliah,Ceramah Langsung,[C=150 Menit]
 Topik
Recurrent Neural Networks (RNN)
Sub Topik
-
 5
8 sub.cpmk.IKKK321111.CPMK0210 .1-Menjelaskan konsep dasar Deep Learning, arsitektur jaringan saraf tiruan, dan proses pembelajaran model. sub.cpmk.IKKK321111.CPMK0210 .2-Mengimplementasikan Feed Forward Neural Networks dan algoritma Backpropagation untuk menyelesaikan masalah klasifikasi dan regresi. sub.cpmk.IKKK321111.CPMK0210 .3-Mengembangkan model Convolutional Neural Networks (CNN) untuk klasifikasi dan pengenalan pola pada data citra. sub.cpmk.IKKK321111.CPMK0210 .4-Mengimplementasikan Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM) untuk pemodelan data sekuensial. Penguasaan konsep dan implementasi Kriteria
Ketepatan jawaban ujian sesuai perintah soal
Teknik
- 		Ujian terjadwal,Durasi sesuai DAAK,[D=150 Menit]
 Topik
Evaluasi Materi Minggu 1–7
Sub Topik
-
 15
9 sub.cpmk.IKKK321111.CPMK0210 .4-Mengimplementasikan Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM) untuk pemodelan data sekuensial. Implementasi LSTM berhasil Kriteria
Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
Teknik
- 		Diskusi,Problem based Learning,[PBL=150 Menit]
 Topik
Long Short-Term Memory (LSTM) dan GRU
Sub Topik
-
 5
10 sub.cpmk.IKKK321111.CPMK0210 .5-Mengembangkan model Autoencoder dan Generative Adversarial Networks (GAN) untuk ekstraksi fitur dan augmentasi data. Implementasi LSTM berhasil Kriteria
Partisipasi aktif dalam diskusi
Teknik
- 		Diskusi,Problem based Learning,[PBL=50 Menit]
 Topik
Autoencoder dan Representation Learning
Sub Topik
-
 5
11 sub.cpmk.IKKK321111.CPMK0210 .5-Mengembangkan model Autoencoder dan Generative Adversarial Networks (GAN) untuk ekstraksi fitur dan augmentasi data. GAN mampu menghasilkan data baru Kriteria
Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
Teknik
- 		Diskusi,Problem based Learning,[PBL=50 Menit]
 Topik
Generative Adversarial Network (GAN)
Sub Topik
-
 5
12 sub.cpmk.IKKK321111.CPMK0210 .6-Mengevaluasi dan mengoptimalkan performa model Deep Learning menggunakan berbagai metrik dan teknik tuning. Evaluasi model dilakukan secara benar Kriteria
Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
Teknik
- 		Kuliah,Ceramah Langsung,[C=150 Menit]
 Topik
Evaluasi dan Validasi Model Deep Learning
Sub Topik
-
 5
13 sub.cpmk.IKKK321111.CPMK0210 .6-Mengevaluasi dan mengoptimalkan performa model Deep Learning menggunakan berbagai metrik dan teknik tuning. Hasil interpretasi model dapat dijelaskan Kriteria
Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
Teknik
- 		Kuliah,Proses Belajar,[PB=150 Menit]
 Topik
Explainable AI (XAI)
Sub Topik
-
 5
14 sub.cpmk.IKKK321111.CPMK0212 .1-Merancang solusi Deep Learning end-to-end untuk menyelesaikan permasalahan kompleks berbasis data. Perancangan solusi Deep Kriteria
Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
Teknik
- 		Diskusi,Case Based Learning,[CBL=150 Menit]
 Topik
Transformer dan Attention Mechanism
Sub Topik
-
 5
15 sub.cpmk.IKKK321111.CPMK0212 .2-Mempresentasikan hasil pengembangan dan evaluasi model Deep Learning secara ilmiah dan profesional. Kemampuan komunikasi ilmiah dan teknis Kriteria
Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
Teknik
- 		Kuliah,Ceramah Langsung,[C=150 Menit]
 Topik
Deployment dan Presentasi Proyek Deep Learning
Sub Topik
-
 5
16 sub.cpmk.IKKK321111.CPMK0212 .1-Merancang solusi Deep Learning end-to-end untuk menyelesaikan permasalahan kompleks berbasis data. sub.cpmk.IKKK321111.CPMK0212 .2-Mempresentasikan hasil pengembangan dan evaluasi model Deep Learning secara ilmiah dan profesional. Integrasi konsep, implementasi, evaluasi, dan presentasi Kriteria
Ketepatan jawaban ujian sesuai perintah soal
Teknik
- 		Ujian terjadwal,Project based Learning,[PjBL=150 Menit]
 Ujian terjadwal,Project based Learning,[PjBL=50 Menit]
 Topik
Proyek Pengembangan Solusi Deep Learning
Sub Topik
-
 15

Teknik Penilaian CPMK

CPL MK CPMK Tugas teori (individu) Tes Tulis (UTS) Tes Tulis (UAS) Responsi Partisipasi
CPL02 Deep Learning CPMK0210 Y Y Y Y
CPL02 Deep Learning CPMK0212 Y Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .1 5 Partisipasi aktif dalam diskusi
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .1 - 5 Kemampuan mahasiswa dalam merancang, mengembangkan, dan menyajikan solusi atau produk nyata melalui proyek terstruktur
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .2 - 5
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .2 - 5 Kemampuan mahasiswa dalam merancang, mengembangkan, dan menyajikan solusi atau produk nyata melalui proyek terstruktur
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .3 - 5 Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .3 - 5 Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .4 - 5 Partisipasi aktif dalam diskusi
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .1, sub.cpmk.IKKK321111.CPMK0210 .2, sub.cpmk.IKKK321111.CPMK0210 .3, sub.cpmk.IKKK321111.CPMK0210 .4 - 15 Ketepatan jawaban ujian sesuai perintah soal
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .4 - 5 Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .5 - 5 Partisipasi aktif dalam diskusi
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .5 - 5 Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .6 - 5 Kemampuan mahasiswa dalam menerapkan konsep/teori untuk menganalisis kasus nyata atau simulasi profesional.
CPL02 CPMK0210 sub.cpmk.IKKK321111.CPMK0210 .6 - 5 Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
CPL02 CPMK0212 sub.cpmk.IKKK321111.CPMK0212 .1 - 5 Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
CPL02 CPMK0212 sub.cpmk.IKKK321111.CPMK0212 .2 - 5 Kemampuan mahasiswa memecahkan masalah kompleks secara ilmiah dan kolaboratif.
CPL02 CPMK0212 sub.cpmk.IKKK321111.CPMK0212 .1, sub.cpmk.IKKK321111.CPMK0212 .2 - 15 Ketepatan jawaban ujian sesuai perintah soal
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas teori (individu) Tes Tulis (UTS) Tes Tulis (UAS) Responsi Partisipasi Total
CPL02 Deep Learning CPMK0210 5% 15% 0% 15% 40% 75%
CPL02 Deep Learning CPMK0212 0% 0% 15% 5% 5% 25%
100%