Semester 1 · Fondasi
- MCS101 Topics in Programming
- MCS103 Statistics for Computer Science
- MCS104 Data and Information Management
Magister Ilmu Komputer
Webinar dan FGD
Pilih peran Anda untuk melanjutkan.
Peminatan Intelligence System mendalami cara merancang, membangun, dan mengevaluasi model komputasi cerdas berbasis data.
Lihat mata kuliah umum dan bandingkan ketiga peminatan.
Lulusan mampu berperan sebagai peneliti terapan yang merancang, melaksanakan, mengevaluasi, dan mendiseminasikan penelitian di bidang ilmu komputer untuk menghasilkan model, metode, algoritma, publikasi ilmiah, artefak, prototipe, atau inovasi komputasi yang valid, etis, dan bernilai tambah.
Lulusan mampu berperan dalam memodelkan masalah kompleks serta merancang solusi komputasi tingkat lanjut yang kreatif, efektif, efisien, aman, adaptif, dan relevan dengan kebutuhan pengguna, organisasi, industri, pemerintahan, masyarakat, atau kewirausahaan digital.
Lulusan mampu berperan dalam mengembangkan, mengintegrasikan, menguji, dan mengevaluasi sistem berbasis komputasi tingkat lanjut dengan mempertimbangkan aspek data, algoritma, keamanan, privasi, keandalan, dan kinerja sistem.
Lulusan mampu berperan sebagai konsultan, pengambil keputusan, dan pemimpin kolaborasi digital yang mampu mengarahkan pemanfaatan teknologi secara profesional, etis, aman, dan bernilai tambah bagi organisasi, industri, pemerintahan, masyarakat, dan kewirausahaan digital.
Setiap lulusan wajib mencapai ketujuh CPL yang dirumuskan sebagai berikut.
Mampu mensintesis teori, prinsip, dan perkembangan mutakhir ilmu komputer untuk membangun kerangka konseptual atau pendekatan komputasi tingkat lanjut.
Mampu menganalisis dan memformulasikan persoalan komputasi kompleks ke dalam rumusan masalah dan batasan yang jelas dan relevan.
Mampu merancang solusi komputasi tingkat lanjut yang sesuai dengan kebutuhan pemangku kepentingan dan didukung argumentasi desain.
Mampu menghasilkan artefak komputasi yang berfungsi dan teruji berdasarkan kriteria teknis yang relevan.
Mampu menghasilkan luaran penelitian atau inovasi ilmu komputer yang berbasis bukti dan memenuhi standar publikasi ilmiah.
Mampu mengomunikasikan hasil kerja solusi komputasi secara akademik dan profesional serta berkolaborasi dan mengoordinasikan pekerjaan lintas disiplin.
Mampu mengambil keputusan teknologi secara etis dan bertanggung jawab serta mengembangkan kompetensi diri secara mandiri dan berkelanjutan.
Kecerdasan buatan, data mining, deep learning, serta komputasi awan dan perangkat bergerak.
Analitik bisnis, arsitektur enterprise, tata kelola TI, pengelolaan proyek, dan transformasi digital.
Analisis risiko, perlindungan data, keamanan jaringan, dan forensik digital.
| Mata kuliah | Sem. |
|---|
✓ CPL dibebankan dalam RPS · – tidak dibebankan · ? belum dipetakan
CPL yang dibebankan CPL03 dan CPL04
Mampu memformulasikan kebutuhan aplikasi menjadi masalah deep learning yang jelas, mencakup karakteristik data, target keluaran, baseline, metrik evaluasi, skema validasi, preprocessing, dan risiko kegagalan model.
Mampu merancang dan menjustifikasi arsitektur deep learning untuk data tabular, citra, sekuens, teks, atau deret waktu dengan mempertimbangkan trade-off akurasi, kompleksitas, efisiensi, generalisasi, dan risiko kegagalan.
Mampu mengimplementasikan, melatih, memperbaiki, dan mendokumentasikan model deep learning menggunakan pipeline eksperimen yang sistematis dan reproducible.
Mampu mengevaluasi performa, validitas, robustness, error, keterbatasan, dan kegagalan model melalui metrik kuantitatif, baseline, ablation study, error analysis, dan interpretasi hasil.
Menganalisis konsep fundamental deep learning, termasuk neural network, tensor, MLP, fungsi aktivasi, loss, backpropagation, optimisasi, generalisasi, dan overfitting.
Mahasiswa mampu menelaah literatur ilmiah yang relevan untuk merumuskan masalah penerapan deep learning pada satu studi kasus serta menyusun rencana evaluasi yang mencakup model pembanding (baseline), metrik evaluasi, dan skema validasi.
Mahasiswa mampu merancang satu model deep learning dengan memilih arsitektur yang sesuai dengan karakteristik data dan tujuan penerapan, misalnya CNN untuk data visual, RNN untuk data sekuens, atau arsitektur lain yang relevan dengan kasus.
Mahasiswa mampu membangun, melatih, dan memperbaiki jaringan saraf dasar melalui prapemrosesan data, regularisasi, optimisasi, dan penyetelan hiperparameter.
Membangun pipeline eksperimen yang reproducible dan melakukan evaluasi kritis melalui error analysis, ablation study, robustness check, dan pembandingan baseline.
Mahasiswa mampu mempresentasikan dan mempertanggungjawabkan hasil eksperimen deep learning, menjelaskan keterbatasan dan risiko etis yang relevan, serta mengusulkan satu perbaikan berdasarkan bukti.
Acuan RPS MCA301 Kurikulum 2025 di SIAKAD.
CPL yang dibebankan CPL03 dan CPL04
Mampu memformulasikan masalah nyata menjadi masalah AI (agen, search/planning, representasi pengetahuan, reasoning), lengkap dengan asumsi, batasan, dan kriteria keberhasilan.
Mampu merancang dan menjustifikasi pendekatan AI (symbolic, machine learning, deep learning, reinforcement learning, NLP/CV, atau hybrid) berdasarkan karakteristik masalah dan trade-off akurasi, kompleksitas komputasi, interpretabilitas, dan risiko.
Mampu membangun artefak AI yang berfungsi dan teruji (pipeline ML, model neural network/deep learning, agen RL, atau aplikasi NLP/CV) dengan eksperimen yang terdokumentasi dan reproducible.
Mampu menganalisis performa, keterbatasan, keterjelasan (XAI), risiko etis, tata kelola, atau skalabilitas sistem AI melalui evaluasi kuantitatif dan analisis kegagalan
Menganalisis masalah nyata untuk diformulasikan ke dalam kerangka AI serta menjustifikasi pendekatan fundamental (opsi: Intelligent Agent, search/planning atau representasi pengetahuan/logika).
Menganalisis karakteristik masalah dan merancang prosedur evaluasi, serta menjustifikasi rencana pendekatan pemodelan berbasis data (Supervised, Unsupervised, atau Deep Learning).
Mengevaluasi secara analitis kesesuaian konseptual domain AI lanjutan (opsi: Reinforcement Learning, NLP, atau Computer Vision) terhadap karakteristik studi kasus.
Menganalisis keterbatasan AI, aspek keterjelasan (XAI), risiko etis, kepatuhan tata kelola, dan rancangan skalabilitas (Big Data/Distributed AI) berdasarkan literatur.
Membangun, menguji, dan mempresentasikan perbandingan 3 model AI untuk menyelesaikan proyek, serta menyusun laporan teknis yang komprehensif dan merefleksikan arah masa depan AI.
Acuan RPS MCA201 Kurikulum 2025 di SIAKAD.
Pemetaan RPS CPL03 → CPMK2 → Sub-CPMK3 (pertemuan 7–9).
Mahasiswa melanjutkan studi kasus dari proposal dan presentasinya.
Rancang satu model deep learning beserta konfigurasi awal hyperparameter-nya untuk studi kasus Anda. Jelaskan alasan pemilihan arsitektur berdasarkan karakteristik data dan tujuan kasus. Sajikan diagram yang menunjukkan bagaimana model memproses data hingga menghasilkan luaran.
Skor tiap kriteria = poin maksimum × level ÷ 4. Beri level 0 jika tidak ada bukti.
10 poin
10 poin
5 poin
Acuan RPS MCA301 Kurikulum 2025 dan soal UTS MCA301 semester ganjil 2026/2027.
Pemetaan RPS CPL03 → CPMK2 → Sub-CPMK2 (pertemuan 4–7).
Dari 1.000.000 transaksi berlabel, 150 tergolong penipuan. Mahasiswa diminta menjelaskan alasan memilih klasifikasi terawasi sebagai model pembanding, menjelaskan keterbatasan akurasi, dan merancang evaluasi yang memperhitungkan biaya salah deteksi dan kasus penipuan yang lolos.
Skor tiap kriteria = poin maksimum × level ÷ 4. Beri level 0 jika tidak ada bukti.
10 poin
10 poin
Acuan RPS MCA201 Kurikulum 2025 dan soal UTS MCA201 semester ganjil 2026/2027.
Magister Ilmu Komputer Universitas Esa Unggul
Webinar dan FGD Kompetensi Intelligence System dalam Kurikulum Ilmu Komputer
Masukan Anda akan digunakan untuk memperbaiki pembelajaran pada peminatan Intelligence System M.Kom.