Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Pendidikan Teknik Mesin

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

AI dalam Teknologi Otomotif

8320302305

Mata Kuliah Wajib Program Studi

T=2

P=0

ECTS=3.18

7

7 Desember 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Heru Arizal, S.Pd., M.M., M.Pd; Bima Anggana Widhiarta Putra, S.Pd., M.Pd


.......................................


WAHYU DWI KURNIAWAN

Model Pembelajaran

Case Study

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-8

Mampu melakukan penelitian bidang pendidikan dan teknik mesin

PLO-9

Menguasai teori matematika dan dasar teknik mesin

Program Objectives (PO)

PO - 1

Mahasiswa mampu menjelaskan konsep dasar kecerdasan buatan (Artificial Intelligence) dan peranannya dalam pengembangan teknologi otomotif modern.

PO - 2

Mahasiswa mampu menguasai konsep dasar statistika yang digunakan dalam machine learning, serta menerapkannya untuk memahami pola data pada sistem otomotif.

PO - 3

Mahasiswa mampu merancang dan mengimplementasikan model machine learning sederhana menggunakan perangkat lunak spreadsheet untuk menganalisis data otomotif.

PO - 4

Mahasiswa mampu mengembangkan algoritma machine learning berbasis supervised learning untuk sistem predictive engine pada kendaraan, serta melakukan evaluasi kinerja model tersebut.

PO - 5

Mahasiswa mampu menyusun laporan hasil analisis dan eksperimen machine learning di bidang otomotif secara sistematis dan ilmiah.

Matrik PLO-PO
 
POPLO-3PLO-8PLO-9
PO-1✔  
PO-2  ✔
PO-3 ✔ 
PO-4 ✔ 
PO-5 ✔ 

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✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah AI dalam Teknologi Otomotif membahas penerapan kecerdasan buatan (Artificial Intelligence) dalam industri otomotif. Mahasiswa akan mempelajari konsep-konsep dasar AI seperti machine learning, deep learning, dan neural networks serta bagaimana teknologi ini dapat diterapkan dalam pengembangan kendaraan otonom dan sistem otomotif lainnya. Mata kuliah ini juga akan membahas integrasi AI dalam proses desain, produksi, dan maintenance kendaraan untuk meningkatkan efisiensi, keamanan, dan kenyamanan. Tujuan dari mata kuliah ini adalah memberikan pemahaman mendalam tentang potensi AI dalam transformasi industri otomotif serta mempersiapkan mahasiswa untuk berkontribusi dalam pengembangan teknologi otomotif masa depan.

Pustaka

Utama :

  1. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed
  2. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed
  3. Nunney, M. J. (2007). Light and heavy vehicle technology. Routledge.

Pendukung :

  1. Bostrom, N., & Yudkowsky, E. (2014). The Ethics of Artificial Intelligence
  2. National Research Council, Transportation Research Board, Division on Engineering, Physical Sciences, Board on Energy, Environmental Systems, ... & Heavy-Duty Vehicles. (2010). Technologies and approaches to reducing the fuel consumption of medium-and heavy-duty vehicles. National Academies Press.

Dosen Pengampu

Prof. Dr. Soeryanto, M.Pd.

Dr. Rachmad Syarifudin Hidayatullah, S.Pd., M.Pd.

Bima Anggana Widhiarta Putra, S.Pd., M.Pd.

Sudirman Rizki Ariyanto, M.Pd., M.T.

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 memahami pengertian dasar AI dan ruang lingkupnya dalam otomotif
  1. Menjelaskan definisi dan konsep dasar AI
  2. Mengidentifikasi penerapan AI dalam industri otomotif
  3. Menghubungkan perkembangan AI dengan kebutuhan industri otomotif
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Berbasis Masalah.
 Diskusi Online
 Materi: Konsep dasar AI
Pustaka: Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed		 6%

2

Minggu ke 2

Mahasiswa memahami peran data dan data analytics dalam pengembangan teknologi otomotif berbasis AI
  1. Menjelaskan data dan data analytics serta perannya
  2. Mengidentifikasi skill yang dibutuhkan
  3. Memberikan contoh penerapan machine learning dalam konteks bisnis dan otomotif
 Kriteria:

Penilaian Partisipatif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran berbasis masalah.
 Penugasan Proyek Online
 Materi: Konsep dasar AI
Pustaka: Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed		 6%

3

Minggu ke 3

Mahasiswa mampu menjelaskan langkah-langkah metodologi data science dan menghubungkannya dengan pemecahan masalah berbasis AI di bidang otomotif
  1. Menguraikan 10 langkah metodologi data science dari problem hingga feedback
  2. Menganalisis studi kasus untuk memahami penerapan tiap tahap
  3. Mengadaptasi tahapan metodologi ke dalam konteks permasalahan otomotif
 Kriteria:

Penilaian Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Berbasis Masalah.
 Pembuatan Laporan langkah-langkah metodologi data analysis
 Materi: Konsep Algoritma Kecerdasan Buatan, Metode Evaluasi Algoritma, Studi Kasus Sistem Navigasi Otomotif
Pustaka: Handbook Perkuliahan		 6%

4

Minggu ke 4

Mahasiswa memahami konsep machine learning dalam AI otomotif
  1. Menjelaskan konsep supervised, unsupervised, dan reinforcement learning
  2. Mengklasifikasikan jenis-jenis machine learning
  3. Menyebutkan aplikasi ML pada kendaraan
 Kriteria:

sesuai dengan rubrik penilaian


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Berbasis Masalah.
 Diskusi daring tentang evaluasi algoritma kecerdasan buatan dalam sistem navigasi otomotif
 Materi: Pengenalan Algoritma Kecerdasan Buatan, Metode Evaluasi Algoritma, Studi Kasus Sistem Navigasi Otomotif
Pustaka: Handbook Perkuliahan		 6%

5

Minggu ke 5

Mahasiswa memahami dasar-dasar statistik untuk machine learning
  1. Menjelaskan konsep rata-rata, median, modus, standar deviasi
  2. Mengolah data statistik sederhana
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran berbasis masalah
 Pengembangan model prediktif menggunakan dataset yang diberikan
 Materi: Konsep dasar pembelajaran mesin, Penerapan model prediktif dalam keamanan kendaraan, Penerapan model prediktif dalam efisiensi kendaraan
Pustaka: Handbook Perkuliahan		 6%

6

Minggu ke 6

Mahasiswa mampu mengaplikasikan dasar statistik menggunakan Excel
  1. Menginput dan mengelola data di Excel
  2. Menggunakan fungsi statistik (AVERAGE, STDEV, dsb.)
  3. Membuat grafik representasi data kendaraan
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran berbasis masalah
 Pengembangan model prediktif menggunakan dataset kendaraan yang diberikan
 Materi: Konsep dasar pembelajaran mesin, Faktor-faktor keamanan dan efisiensi kendaraan, Pembuatan model prediktif
Pustaka: Handbook Perkuliahan		 5%

7

Minggu ke 7

Mahasiswa mampu membangun model prediksi sederhana menggunakan Excel
  1. Merancang model ML sederhana di Excel
  2. Menggunakan data historis untuk prediksi
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Berbasis Masalah.
 Diskusi daring tentang penerapan analisis data sensor kendaraan dalam meningkatkan performa kendaraan
 Materi: Pengenalan Sensor Kendaraan, Metode Analisis Data Sensor, Strategi Meningkatkan Performa Kendaraan
Pustaka: Handbook Perkuliahan		 5%

8

Minggu ke 8

UTS: Evaluasi Pemahaman Konsep Dasar AI, Statistik, dan Regresi ML
  1. Menganalisis studi kasus penerapan AI otomotif
  2. Menyelesaikan soal hitungan statistik
 Kriteria:

sesuai dengan rubrik penilaian


Bentuk Penilaian :
Tes		 Offline
 Offline
 Materi: Harry, A. (2023). Role of AI in Education. Interdiciplinary Journal & Hummanity (INJURITY), 2(3).
Pustaka: 		7%

9

Minggu ke 9

Mahasiswa memahami dataset otomotif dan library

  1. Menjelaskan pentingnya preprocessing
  2. Membersihkan dan normalisasi data
  3. Menyusun dataset siap olah
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Diskusi, Studi Kasus, Simulasi.
 Diskusi daring tentang kelebihan dan kekurangan pendekatan yang dievaluasi, Membuat portofolio pemilihan pendekatan terbaik
 Materi: Pendekatan dalam pengembangan sistem pengemudi otomatis, Kriteria evaluasi pendekatan, Metode pemilihan pendekatan terbaik
Pustaka: Handbook Perkuliahan		 6%

10

Minggu ke 10

Mahasiswa mampu menggunakan metode supervised learning dasar
  1. Menjelaskan algoritma supervised
  2. Membangun model sederhana menggunakan dataset otomotif
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran berbasis masalah.
 Pengembangan prototipe aplikasi kecerdasan buatan untuk simulasi performa kendaraan
 Materi: Konsep kecerdasan buatan dalam otomotif, Pengembangan prototipe aplikasi untuk simulasi performa kendaraan
Pustaka: Handbook Perkuliahan		 6%

11

Minggu ke 11

Mahasiswa memahami konsep training dan testing data
  1. Menjelaskan pembagian data train/test
  2. Mengimplementasikan pembagian di Excel/Python
  3. Menganalisis akurasi hasil model
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran Berbasis Masalah.
 Penugasan Proyek AI dalam Sistem Otomotif
 Materi: Kebutuhan Pengguna dalam Sistem Otomotif, Kondisi Operasional pada Sistem Otomotif, Integrasi Solusi AI dalam Sistem Otomotif
Pustaka: Handbook Perkuliahan		 8%

12

Minggu ke 12

Mahasiswa mampu menerapkan algoritma prediktif untuk sistem engine
  1. Menjelaskan cara kerja predictive engine
  2. Menghubungkan parameter dengan output
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran aktif melalui diskusi, studi kasus, dan analisis.
Materi: Pengertian etika dalam penggunaan AI, Dampak etis penggunaan AI dalam teknologi otomotif, Strategi mitigasi risiko etis
Pustaka: Handbook Perkuliahan		 8%

13

Minggu ke 13

Mahasiswa melakukan eksperimen sederhana sistem prediktif
  1. Mengumpulkan data dari simulasi atau dataset
  2. Membangun algoritma dengan data tersebut
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Diskusi, Studi Kasus
 melakukan eksperimen sederhana sistem prediktif
 Materi: Etika dalam Penggunaan AI, Dampak AI dalam Industri Otomotif, Strategi Mitigasi Risiko
Pustaka: Handbook Perkuliahan		 5%

14

Minggu ke 14

Mahasiswa menyusun laporan analisis berbasis AI dalam otomotif
  1. Menyusun laporan sistematis dan ilmiah
  2. Menyajikan hasil dan grafik dengan benar
 Kriteria:
  1. Aktifitas Partisipasif
  2. Penilaian Portofolio

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran berbasis masalah.
 Presentasi proyek kolaboratif antara AI dan manusia dalam otomotif
 Materi: Konsep kecerdasan buatan dalam otomotif, Strategi kolaboratif antara AI dan manusia, Studi kasus implementasi AI dalam sistem kendaraan
Pustaka: Handbook Perkuliahan		 5%

15

Minggu ke 15

Mahasiswa menyiapkan presentasi akhir
  1. Menyusun slide presentasi proyek
  2. Melatih penyampaian hasil
  3. Memberikan argumen ilmiah dalam diskusi
 Kriteria:
  1. Aktifitas Partisipasif
  2. Penilaian Hasil Project / Penilaian Produk

Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Berbasis Masalah.
 Diskusi daring tentang implementasi sistem AI dalam kendaraan listrik, Analisis kasus studi tentang penggunaan AI untuk efisiensi energi
 Materi: Konsep AI dalam kendaraan listrik, Strategi optimalisasi konsumsi energi, Teknologi pengurangan emisi dalam kendaraan listrik
Pustaka: Handbook Perkuliahan		 5%

16

Minggu ke 16

Presentasi Proyek Akhir Model Prediktif Otomotif
  1. Menyampaikan hasil proyek dengan struktur logis
  2. Menjawab pertanyaan dengan argumentasi kuat
 Kriteria:

sesuai dengan rubrik penilaian


Bentuk Penilaian :
Penilaian Portofolio, Tes		 Offline
 Offline
 Materi: Harry, A. (2023). Role of AI in Education. Interdiciplinary Journal & Hummanity (INJURITY), 2(3).
Pustaka: 		10%



Rekap Persentase Evaluasi : Case Study

No Evaluasi Persentase
1. Aktifitas Partisipasif 61%
2. Penilaian Portofolio 27%
3. Tes 12%
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.