PENGENALAN
Modul Machine Learning ini disusun sebagai panduan pembelajaran bagi peserta dalam memahami konsep dasar, prinsip kerja, dan penerapan algoritma machine learning. Materi di dalamnya disusun secara sistematis untuk membantu peserta membangun pemahaman konseptual sekaligus kemampuan praktis dalam menganalisis dan mengolah data menggunakan pendekatan pembelajaran mesin.
Perkembangan teknologi digital yang sangat pesat telah menjadikan machine learning sebagai salah satu kompetensi utama yang harus dikuasai oleh peserta di bidang teknologi informasi. Melalui modul ini, peserta diharapkan mampu memahami dasar-dasar machine learning, mengenali berbagai jenis algoritma yang digunakan, serta dapat menerapkannya dalam menyelesaikan permasalahan sederhana berbasis data.
Penyusunan modul ini dirancang secara asynchronous agar peserta dapat belajar secara mandiri, interaktif, dan berorientasi pada pemecahan masalah nyata. Setiap topik dalam modul ini dilengkapi dengan tujuan pembelajaran, peta konsep, materi utama, latihan, serta kuis untuk mengukur tingkat pemahaman peserta.
Harapan kami, modul ini dapat menjadi panduan yang praktis dan bermanfaat bagi peserta dalam proses pembelajaran. Penulis menyadari bahwa modul ini masih memiliki keterbatasan, oleh karena itu saran dan masukan sangat diharapkan demi penyempurnaan di masa mendatang.
Selamat belajar, semoga ilmu yang diperoleh dapat menjadi bekal untuk berinovasi dan memberikan kontribusi positif di bidang teknologi dan masyarakat.
Capaian Pembelajaran
1. Capaian Pengetahuan (Knowledge)
1) Mampu menjelaskan konsep Machine Learning dan Menemukan permasalahan yang dapat diselesaikan oleh Machine Learning
2) Mampu menjelaskan konsep dasar dibalik algoritma dan model yang digunakan, termasuk pemahaman bagaimana model pemrosesan data, belajar dari data training dan membuat prediksi atau Keputusan
3) Mampu mengolah dan menganalisis data secara sistematis menggunakan pendekatan komputasional.
4) Mampu mengimplementasikan algoritma supervised learning untuk memecahkan permasalahan klasifikasi dan regresi berbasis data secara sistematis dan terukur
5) Mampu mengimplementasikan pola dan struktur data menggunakan algoritma unsupervised learning untuk mengelompokkan dan mereduksi data secara efektif.
6) Mampu menjelaskan perbedaan antara supervised dan unsupervised learning, serta menerapkannya dalam kasus nyata yang melibatkan data berlabel dan tidak berlabel.
7) Mampu menjelaskan konsep reinforcement learning dalam pemecahan masalah berbasis agen yang belajar melalui interaksi dan umpan balik dari lingkungan.
2. Capaian Keterampilan (Skills)
1) Menganalisis permasalahan dan menentukan jenis Machine Learning yang sesuai untuk penyelesaiannya
2) Melakukan proses persiapan data sederhana untuk keperluan pelatihan model
3) Mengevaluasi kinerja model melalui metrik evaluasi dasar sesuai jenis pembelajarannya
4) Menginterpretasikan hasil analisis dan memberikan rekomendasi berdasarkan output model
3. Capaian Sikap dan Soft Skill
1) Menunjukkan rasa ingin tahu dan kemampuan berpikir kritis dalam mempelajari teknik Machine Learning
2) Bekerja secara mandiri maupun kolaboratif dalam menyelesaikan aktivitas pembelajaran berbasis proyek
3) Menggunakan literatur ilmiah dan sumber tepercaya untuk mendukung argumentasi dalam diskusi dan tugas
4) Menerapkan etika dalam pengolahan data dan penggunaan teknologi Machine Learning
Total Waktu Penyelesaian
Bagian ini memberikan informasi mengenai estimasi total waktu yang diperlukan untuk menyelesaikan seluruh rangkaian pembelajaran dalam course Machine Learning. Perhitungan waktu disusun berdasarkan durasi membaca materi, menonton video, mengikuti aktivitas interaktif, berdiskusi, serta mengerjakan asesmen yang tersedia pada setiap bab. Estimasi ini disediakan agar pembaca dapat mengatur proses belajar secara mandiri, terencana, dan sesuai dengan kebutuhan masing-masing. Dengan mengetahui total waktu penyelesaian, pembaca dapat merancang jadwal belajar yang efektif dan memastikan seluruh materi dapat dipahami secara menyeluruh.
Topik | Aktivitas | Estimasi Waktu (Jam) | Keterangan |
Pengenalan Machine Learning | Menjelaskan definisi, manfaat, dan penerapan ML | 4 Jam | Pemahaman dasar konsep dan peran ML |
Jenis-jenis Machine Learning | Membedakan supervised, unsupervised, semi-supervised, dan reinforcement learning | 4 Jam | Mengenal empat tipe ML utama |
Persiapan Data | Mempersiapkan data sesuai dengan jenis-jenis machine learning | 4 Jam | Menyelesaikan permasalahan data sebelum modeling |
Supervised Learning (Studi Kasus: Klasifikasi) | Menerapkan Naive Bayes Classifier dan Algortima lain | 6 Jam | Penerapan konsep melalui mini project |
Supervised Learning (Studi Kasus: Klasifikasi) | Menerapkan konsep data berlabel sebagian | 6 Jam | Pemodelan tanpa label untuk identifikasi pola |
Semi-Supervised Learning | Menerapkan definisi, manfaat, dan penerapan ML | 6 Jam | Menggabungkan pembelajaran terbimbing dan tidak terbimbing |
Reinforcement Learning | Menjelaskan konsep reward dan agent-environment | 6 jam |
|
Total wktu seluruh Materi adalah:
36 jam (± 2 SKS setara kuliah mandiri)
Informasi Penilaian
Bagian ini memberikan informasi mengenai kriteria penilaian yang digunakan untuk menginterpretasikan hasil akhir pembelajaran. Setiap rentang nilai mencerminkan tingkat pencapaian kompetensi, mulai dari sangat baik hingga gagal, sehingga peserta dapat memahami posisi dan kualitas hasil belajarnya secara objektif. Dengan mengetahui kriteria ini, peserta diharapkan mampu mengevaluasi progres belajar dan menetapkan strategi pengembangan diri yang lebih efektif.
Komponen Penilaian
Penilaian difokuskan pada dua instrumen utama, yaitu kuis pada setiap bab sebagai evaluasi pemahaman berkelanjutan, serta ujian akhir atau refleksi akhir sebagai penilaian komprehensif terhadap penguasaan konsep, kemampuan implementasi, dan rencana pengembangan lanjutan. Dengan mengetahui bobot dan bentuk penilaian ini, peserta dapat mengatur strategi belajar secara lebih efektif dan mengikuti seluruh rangkaian pembelajaran dengan lebih terarah.
No | Komponen Penilaian | Bentuk Aktivitas / Instrumen | Bobot (%) |
1 | Kuis | Kuis pilihan ganda pada setiap bab (10% untuk 1 bab) | 70% |
2 | Ujian Akhir / Refleksi Akhir | Evaluasi konsep, implementasi, dan refleksi hasil pembelajaran serta rencana pengembangan lanjutan | 30% |
TOTAL NILAI | 100% | ||
Kriteria penilaian
85-100 = A (Sangat Baik)
75-84 = B (Baik)
65-74 = C (Cukup)
55-64 = D (Kurang)
<55 = E (Gagal)
Nilai minimum kelulusan: C (≥ 65)
Note: Peserta dengan nilai < 65 dinyatakan belum lulus dan perlu mengulang mata kuliah/modul.
Persyaratan Program – Modul Machine Learning
1. Direkomendasikan untuk pendidik, peneliti, tenaga kependidikan, profesional, atau individu yang ingin memahami dasar Machine Learning dan penerapannya di berbagai bidang.
2. Tidak diperlukan latar belakang pemrograman atau data science secara mendalam, namun pemahaman dasar teknologi informasi dan logika analitis akan sangat membantu dalam memahami materi dengan lebih cepat.
3. Memiliki perangkat komputer atau laptop (lebih disarankan dibanding ponsel), karena beberapa aktivitas seperti membaca PPT, mengerjakan latihan, dan memahami diagram membutuhkan layar yang lebih nyaman.
4. Memiliki akses internet yang stabil, terutama untuk menonton video pembelajaran, mengakses kuis online, dan mengikuti forum diskusi.
5. Mampu mengelola waktu belajar mandiri, karena modul ini menggunakan pendekatan asynchronous yang memerlukan kedisiplinan dalam mengikuti alur pembelajaran.
6. Siap melakukan eksplorasi dasar dengan tools berbasis Python (opsional), terutama pada bab terkait algoritma, meskipun modul tetap dapat diikuti tanpa praktik pemrograman.
Tim Pengembang Modul
Nama : Debby Alita, M.Cs
Email : [email protected]
Biografi Singkat:
Debby Alita, S.Kom., M.Cs. adalah Tenaga Pendidik Program Studi Informatika Universitas Teknokrat Indonesia yang berfokus pada bidang Machine Learning, Text Mining, dan Internet of Things (IoT). Ia aktif mengembangkan pembelajaran berbasis proyek dan penelitian terapan di bidang teknologi digital. Riwayat pendidikan Ibu Debby Alita adalah S1 Teknik Informatika Universitas Teknokrat Indonesia, S2 Universitas Gadjah Mada dan saat ini sedang menempuh studi S3 di Universita Lampung.
Nama : Dr. Heni Sulistiani, M.Kom
Email : [email protected]
Biografi Singkat:
Dr. Heni Sulistiani, M.Kom adalah Tenaga Pendidik Program Studi Informatika Universitas Teknokrat Indonesia yang berfokus pada bidang Machine Learning, Data Mining, dan Sistem Pendukung Keputusan. Ia aktif mengembangkan pembelajaran berbasis proyek dan penelitian terapan di bidang teknologi digital. Riwayat Pendidikan Ibu Heni Sulistiani adalah S1 Teknik Informatika Universitas Teknokrat Indonesia, S2 Institut Teknologi Surabaya dan S3 Universitas Lampung.
Nama : Nirwana Hendrastuty, M.Cs
Email : [email protected]
Biografi Singkat:
Nirwana Hendrastuty, M.Cs adalah Tenaga Pendidik Program Studi Sistem Informasi Universitas Teknokrat Indonesia yang berfokus pada bidang Machine Learning, Data Mining, dan Visualisasi Data. Ia aktif mengembangkan pembelajaran berbasis proyek dan penelitian terapan di bidang teknologi digital. Riwayat pendidikan Ibu Nirwana Hendrastuty adalah S1 Sistem Informasi Universitas Teknokrat Indonesia dan S2 Universitas Gadjah Mada.
Salam Kompetensi
