Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Kecerdasan Artifisial

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Konsep Dasar Kecerdasan Artifisial

5528303005

T=3

P=0

ECTS=4.77

2

9 April 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Elly Matul Imah, M. Kom.


Riskyana Dewi Intan Puspitasari, M.Kom


ELLY MATUL IMAH

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-5

Menguasai konsep matematika, statistika, dan ilmu komputer yang berkaitan dengan kecerdasan artifisial, menguasai teori bidang kecerdasan artifisial secara menyeluruh

PLO-6

Mampu mengelola data (mengumpulkan, membersihkan, merekonstruksi, dan mengintegrasikan), merancang dan mengimplementasikan sistem (khususnya terkait Big Data), serta menganalisis dan mengekstraksi makna menggunakan metode kecerdasan artifisial untuk mendukung pengambilan keputusan bisnis dan mengevaluasi performa tindakan yang dihasilkan.

PLO-7

Mampu merancang skenario dan membangun model kecerdasan artifisial, mengevaluasi hasil pemodelan dan mereview proses pemodelan, melakukan deployment model dan memelihara model, melakukan review proyek kecerdasan artifisial dan membuat laporan akhir.

PLO-12

Menguasai teori dan konsep teknologi informasi, dan kecerdasan artifisial baik dari sisi komputasi maupun manajemen informasi untuk menyelesaikan masalah kecerdasan artifisial dengan AI human-centred mindset.

Program Objectives (PO)

PO - 1

Pemahaman Konseptual Kecerdasan Artifisial

PO - 2

Menganalisis dan memodelkan permasalahan menggunakan pendekatan dasar kecerdasan artifisial

PO - 3

Menerapkan dan membandingkan algoritma pencarian heuristik dan optimal dalam pemecahan masalah dan pengambilan keputusan.

PO - 4

Merancang dan menyelesaikan permasalahan berbasis constraint satisfaction pada konteks interpretasi visual, pengenalan objek, dan optimasi melalui melalui pencarian dan reduksi domain.

PO - 5

Memahami dan menerapkan konsep dasar pembelajaran mesin meliputi nearest neighbors, decision trees, genetic algorithms, serta pembelajaran pada ruang data jarang (sparse spaces)

PO - 6

Merancang, mengimplementasikan, dan mengevaluasi model kecerdasan artifisial sederhana untuk menyelesaikan permasalahan nyata secara bertanggung jawab dengan pendekatan human-centred AI.

Matrik PLO-PO
 
POPLO-3PLO-5PLO-6PLO-7PLO-12
PO-1 ✔   
PO-2✔    
PO-3    ✔
PO-4   ✔ 
PO-5  ✔  
PO-6   ✔ 

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔✔
PO-2✔✔
PO-3✔✔
PO-4✔✔
PO-5✔✔✔✔✔
PO-6✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Konsep Dasar Kecerdasan Artifisial membahas prinsip, metode, dan pendekatan fundamental dalam pengembangan sistem kecerdasan artifisial berbasis algoritma dan representasi pengetahuan untuk memodelkan proses berpikir, persepsi, dan tindakan cerdas. Perkuliahan mencakup pengenalan ruang lingkup kecerdasan artifisial, penalaran simbolik berbasis goal trees dan sistem pakar berbasis aturan, serta teknik pencarian (search) untuk pemecahan masalah, termasuk pencarian heuristik, pencarian optimal, dan pengambilan keputusan dalam algoritma minimax dan alpha-beta pruning. Perkuliahan ini juga memberikan wawasan bahwa solusi berbasis ide sederhana namun tepat sering kali lebih efektif daripada pendekatan yang kompleks, serta berkembang dari kajian spekulatif awal hingga sistem modern yang mampu merepresentasikan dan memanipulasi kemampuan kognitif dan linguistik manusia secara terstruktur. Mata kuliah ini juga mengkaji permasalahan berbasis constraint satisfaction pada konteks interpretasi visual dan pengenalan objek, serta konsep dasar pembelajaran mesin meliputi nearest neighbors, decision trees, genetic algorithms, dan pembelajaran pada ruang data jarang (sparse spaces). Setelah menempuh mata kuliah ini mahasiswa diharapkan mampu memahami fondasi konseptual dasar kecerdasan artifisial, menganalisis permasalahan secara komputasional, serta merancang solusi cerdas secara logis, sistematis, dan bertanggung jawab sebagai dasar untuk mata kuliah kecerdasan artifisial lanjutan.

Pustaka

Utama :

  1. Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.
  2. Artificial Intelligence Foundations of Computational Agents, D. Poole and A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd ed. Cambridge Univ. Press, 2017.
  3. Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.

Pendukung :

  1. Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann.
  2. Pearl, J. (1984). Heuristics: Intelligent Search Strategies for Computer Problem Solving. Addison-Wesley.

Dosen Pengampu

Prof. Dr. Lilik Anifah, S.T., M.T.

Dr. Elly Matul Imah, M.Kom.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Mahasiswa mampu menjelaskan definisi, ruang lingkup, sejarah, dan paradigma dasar kecerdasan artifisial, serta membedakan karakteristik kecerdasan artifisial klasik dan modern sebagai fondasi pengembangan sistem cerdas.
  1. Mampu menjelaskan definisi dan tujuan AI dengan tepat.
  2. Mahasiswa mampu menguraikan ruang lingkup dan cabang utama AI.
  3. Menjelaskan perkembangan AI dari perspektif klasik hingga modern
Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50 menit
Materi: Pengenalan dan Ruang Lingkup Kecerdasan Artifisial
Pustaka: Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.		 2%

2

Minggu ke 2

Mahasiswa mampu memodelkan permasalahan ke dalam struktur goal tree dan menjelaskan proses pemecahan masalah berbasis penalaran simbolik secara sistematis.
  1. Mahasiswa mampu mengidentifikasi tujuan utama dan sub-tujuan
  2. Mahasiswa mampu mengimplementasikan penyelesaian masalah dalam model struktur goal tree
  3. Mahasiswa mampu menjelaskan penyelesaian masalah berbasis penalaran simbolik secara sistematis
 Kriteria:
  1. Sangat Baik: Model goal tree logis, lengkap, dan sesuai masalah
  2. Baik: Model benar namun belum optimal
  3. Cukup: Struktur kurang jelas atau tidak lengkap
  4. Kurang: Tidak mampu memodelkan masalah

Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50 menit
Materi: Reasoning: Goal Trees and Problem Solving
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 0%

3

Minggu ke 3

Mahasiswa mampu menjelaskan dan merancang sistem pakar sederhana berbasis aturan (rule-based expert system).
  1. Menjelaskan konsep basis pengetahuan dan mesin inferensi.
  2. Menjelaskan proses pengambilan keputusan sistem
 Kriteria:

Sangat Baik: Aturan tepat, logis, dan konsisten. Baik: Aturan benar namun kurang optimal. Cukup: Aturan masih ambigu. Kurang: Tidak mampu merancang aturan.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Luring
3 x50 menit
Materi: Rule-Based Expert Systems
Pustaka: Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.		 5%

4

Minggu ke 4

Mahasiswa mampu menerapkan dan membandingkan algoritma pencarian heuristik dalam pemecahan masalah, dan menjelaskan prinsip depth-first, hill climbing, dan beam search.

Mahasiswa mampu menyelesaikan kasus yang diberikan dengan menerapkan algoritma pencarian heauristik dan membandingkan kelebihan dan keterbatasan metode.

 Kriteria:

Sangat Baik: Implementasi dan analisis sangat tepat. Baik: Implementasi benar, analisis terbatas. Cukup: Pemahaman masih parsial. Kurang: Tidak memahami algoritma.

 Luring
3 x 50 menit
Materi: Heuristic Search
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 5%

5

Minggu ke 5
  1. Mahasiswa mampu menganalisis dan menerapkan algoritma pencarian optimal (branch and bound dan A*) serta menjelaskan peran fungsi biaya dan heuristik dalam menjamin solusi optimal.
  2. Mahasiswa mampu memodelkan permasalahan permainan dan menerapkan algoritma minimax dan alpha-beta pruning.
  1. Menjelaskan cost function dan heuristik, serta menerapkan algoritma A*, minim, alpha beta pruning pada masalah sederhana
  2. Menunjukkan solusi optimal
  3. Menerapkan algoritma pencarian optimal dan heuristik pada studi kasus dan membandingkan kelebihan dan keterbatasan metode.
Bentuk Penilaian :
Penilaian Portofolio, Penilaian Praktikum		 Luring
3 x 50 menit
Materi: Optimal Search
Pustaka: Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.		 10%

6

Minggu ke 6

Mahasiswa mampu menjelaskan konsep constraint satisfaction dan menerapkannya pada interpretasi gambar garis dengan mempertimbangkan konsistensi geometris dan spasial.
  1. Menjelaskan konsep constraint dan variabel.
  2. Mengidentifikasi konsistensi geometris.
  3. Menjelaskan solusi yang valid.
 Kriteria:

Sangat Baik: Solusi konsisten. Baik: Solusi benar. Cukup: Solusi kurang sistematis. Kurang: Tidak tepat.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Constraints: Line Drawings
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 0%

7

Minggu ke 7

Mahasiswa mampu menyelesaikan permasalahan Constrain Satisfaction Problem (CSP) menggunakan teknik pencarian dan reduksi domain secara efisien pada kasus penjadwalan dan perencanaan.
  1. Identifikasi variabel dan constraint.
  2. Konsistensi solusi
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
3 x 50 menit
Materi: Constraint Satisfaction Problem
Pustaka: Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.		 5%

8

Minggu ke 8

Memahami konsep dasar kecerdasan artifisial muai definisi, pemodelkan dan menganalisis masalah, melakukan penyelesaikan masalah dengan model kecerdasan artifisial berbasis aturan, pencarian heauristik dan optimal. Memahami constrain suticfation problem dan penerapannya.


Bentuk Penilaian :
Tes		 Luring
3 x 50
Materi: Introduction of AI
Pustaka: Artificial Intelligence: A Modern Approach, S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.
Materi: CSP, rule based system
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 15%

9

Minggu ke 9

Mahasiswa mampu menganalisis pendekatan constraint-based reasoning dalam pengenalan objek visual sebagai dasar pengembangan sistem computer vision.
  1. Menjelaskan konsep dasar computer vision berbasis constraint.
  2. Menganalisis studi kasus visual sederhana.
Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
3 x 50 menit
Materi: Constraint based reasoning
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 1%

10

Minggu ke 10

Mahasiswa mampu menjelaskan dan mengimplementasikan metode berbasis kemiripan data pada nearest neighbors untuk klasifikasi dan pencarian pusat data ada klastering sederhana.
  1. Menjelaskan prinsip kerja algoritma supervised dan unsupervised learning.
  2. Menerapkan algoritma pada data sederhana.
  3. Mengevaluasi hasil klasifikasi dan klastering
Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Supervised Learming, Unsepervised learning
Pustaka: Artificial Intelligence Foundations of Computational Agents, D. Poole and A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd ed. Cambridge Univ. Press, 2017.		 2%

11

Minggu ke 11

Mahasiswa mampu membangun dan mengevaluasi model decision tree serta random forest serta menjelaskan pengaruh ketidakpastian dan disorder terhadap proses pembelajaran.
  1. Menjelaskan konsep dection tree dan random forest.
  2. Menerapkan algoritma decision tree dan random forest
 Kriteria:

Sangat Baik: Model DT dan RF tepat dan efektif. Baik: Model benar namun kurang optimal. Cukup: Model masih keliru. Kurang: Tidak memahami algoritma.


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Genetic Algoritm
Pustaka: Artificial Intelligence Foundations of Computational Agents, D. Poole and A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd ed. Cambridge Univ. Press, 2017.		 5%

12

Minggu ke 12

Mahasiswa mampu menjelaskan prinsip dan menerapkan genetic algorithms untuk optimasi dan pencarian solusi pada ruang masalah kompleks.
  1. Menjelaskan konsep seleksi, crossover, dan mutasi.
  2. Menerapkan GA pada kasus optimasi
 Kriteria:

Sangat Baik: Model GA tepat dan efektif. Baik: Model benar namun kurang optimal. Cukup: Model masih keliru. Kurang: Tidak memahami GA


Bentuk Penilaian :
Penilaian Portofolio		 Luring
3 x 50 menit
Materi: Genetic Algorithm
Pustaka: Artificial Intelligence Foundations of Computational Agents, D. Poole and A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd ed. Cambridge Univ. Press, 2017.		 5%

13

Minggu ke 13

Mahasiswa mampu menganalisis tantangan pembelajaran pada ruang data jarang serta menjelaskan keterkaitan AI dengan bahasa dan kognisi manusia.

Luring
3 x 50 menit
Materi: Sparse Spaces and Linguitics
Pustaka: Winston, Patrick Henry. Artificial Intelligence. 3rd ed. Addison-Wesley, 1992. ISBN: 9780201533774.		 0%

14

Minggu ke 14

Mahasiswa mampu merancang, mengimplementasikan, dan mengevaluasi solusi AI sederhana untuk permasalahan nyata dengan pendekatan logis, sistematis, dan human-centred. Khususnya berkaitan dengan SDG's 1, 4, 9, 12.
  1. Perumusan masalah jelas.
  2. Pemilihan metode AI tepat.
  3. Implementasi dan laporan sistematis.
 Kriteria:

Sangat Baik: Solusi tepat, inovatif, dan terdokumentasi baik. Baik: Solusi berjalan dengan dokumentasi cukup. Cukup: Solusi berjalan sebagian. Kurang: Solusi tidak berjalan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk
Daring
3 x 50 menit		 10%

15

Minggu ke 15

Mahasiswa mampu merancang, mengimplementasikan, dan mengevaluasi solusi AI sederhana untuk permasalahan nyata dengan pendekatan logis, sistematis, dan human-centred. Khususnya berkaitan dengan SDG's 1, 4, 9, 12.
  1. Perumusan masalah jelas.
  2. Pemilihan metode AI tepat.
  3. Implementasi dan laporan sistematis.
 Kriteria:

Sangat Baik: Solusi tepat, inovatif, dan terdokumentasi baik. Baik: Solusi berjalan dengan dokumentasi cukup. Cukup: Solusi berjalan sebagian. Kurang: Solusi tidak berjalan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Luring
3 x 50 menit
10%

16

Minggu ke 16

Mahasiswa mampu merancang, mengimplementasikan, dan mengevaluasi solusi AI sederhana untuk permasalahan nyata dengan pendekatan logis, sistematis, dan human-centred. Khususnya berkaitan dengan SDG's 1, 4, 9, 12.
  1. Perumusan masalah jelas.
  2. Pemilihan metode AI tepat.
  3. Implementasi dan laporan sistematis.
 Kriteria:

Sangat Baik: Solusi tepat, inovatif, dan terdokumentasi baik. Baik: Solusi berjalan dengan dokumentasi cukup. Cukup: Solusi berjalan sebagian. Kurang: Solusi tidak berjalan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Luring
3 x 50 menit
30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 5.5%
2. Penilaian Hasil Project / Penilaian Produk 50%
3. Penilaian Portofolio 19.5%
4. Penilaian Praktikum 5%
5. Praktik / Unjuk Kerja 5%
6. Tes 15%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.
  5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
  6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
  7. Bentuk penilaian: tes dan non-tes.
  8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
  9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
  10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
  11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.