Komputasi Cerdas

Tahun Akademik:
Gasal 2020/2021
Kelas-Offr:
A-22AB
Deskripsi:
Beberapa tipe data input, transformasi Fourier dan Wavelet, memahami secara komprehensif metode klasifikasi dengan pembelajaran terawasi dan tidak terawasi, dan metode optimasi dengan algoritma evolutionary, serta reduksi dan transformasi data. Mahasiswa menerapkan metode-metode tersebut untuk studi kasus dalam bentuk tugas proyek, mulai dari data input, pemrosesan dan ekstraksi data, reduksi data, menerapkan optimasi dan klasifikasi dengan pembelajaran terawasi dan tidak terawasi, serta menuangkan hasil pemodelan dalam suatu makalah. Pembelajaran terawasi meliputi multilayer perceptron, RBF, ANFIS, SVM, dan soft SVM. Metode optimasi meliputi algoritma evolutionary seperti Genetic Algorithm (GA), Ant Colony (ACO), Particle Swarm Optimization (PSO), Artificial Bee Colony. Reduksi dan transformasi data meliputi Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), dan Independent Component Analysis (ICA).
Capaian Pembelajaran

• 1. Menjelaskan macam-macam data input, gambaran proses ekstraksi data, vektor fitur, dan klasifier.
• 2. Menjelaskan fungsi transformasi Fourier, Wavelet, dan aplikasinya untuk ekstraksi fitur.
• 3. Menjelaskan macam-macam metode clustering dan aplikasinya.
• 4. Mahasiswa mampu menjelaskan macam-macam metode jaringan syaraf tiruan, multilayer perceptron, RBF, ANFIS, SVM, dan soft SVM.
• 5. Menjelaskan metode clustering dan jaringan saraf tiruan, ANFIS, dan SVM dalam suatu aplikasi dan menganalisa hasil-hasil penelitian yang berkaitan.
• 6. Menjelaskan metode optimasi dengan evolutionary algorithm: Genetic Algorithm (GA), Ant Colony (ACO), Particle Swarm Optimization (PSO), Artificial Bee Colony.
• 7. Mahasiswa mampu menjelaskan Principle Component Analysis (PCA), Linear
• 8. Discriminant Analysis (LDA), perbedaan PCA dan LDA, Independent Component Analysis (ICA), dan aplikasinya.
• 9. Menerapkan kombinasi klasifier dengan metode optimasi atau dengan PCA dan LDA dalam suatu aplikasi dan menganalisa hasil-hasil penelitian yang berkaitan.
• 10. Menerapkan ekstraksi vektor fitur dan klasifikasi serta menganalisa hasil-hasil penelitian yang berkaitan.
• 11. Membuat laporan dan makalah hasil penerapan model klasifikasi.

Daftar Pustaka:

• 1. Sergios Theodoridis, Konstantinos Koutroumbas., 2009, Pattern Recognition, 4th ed., Elsevier Inc.
• 2. R.O. Duda, P.E.Hart, D.G.Stork, 2001, Pattern Classfication, John Wiley & Sons, Inc.
• 3. Amit Konar, 2005, Computational Intelligence, Springer
• 4. C. H. Bishop, Pattern Recognition and Machine Learning, Springer Science, 2006.
• 5. Simon Haykin, , 1998, Neural Networks: A Comprehensive Foundation (2nd Edition), Prentice Hall
• 6. Christian Blum, Daniel Merkle, Swarm, 2008, Intelligence: Introduction and Applications, Springer-Verlag
• 7. Journal: a. Expert Systems with Applications, www.sciencedirect.com; b. IEEE Intelligent Systems Magazine; c. Journal of Biomedical Informatics, Elsevier