RPS MK MetaHeuristik
Rencana Pembelajaran Semester
Mata Kuliah Metaheuristik
Minggu ke-1: Pendahuluan Metaheuristik
Topik: Pengenalan tentang Metaheuristik, permasalahan optimisasi, dan perbedaan dengan algoritma eksak.
Kemampuan Akhir yang Diharapkan: Mahasiswa memahami konsep dasar Metaheuristik dan dapat mengidentifikasi permasalahan yang dapat diselesaikan dengan pendekatan Metaheuristik.
Materi Ajar: Pengenalan tentang Metaheuristik, permasalahan optimisasi, dan perbedaan dengan algoritma eksak.
Metode Pembelajaran: Kuliah, studi kasus, dan diskusi.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan optimisasi.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan pemahaman tentang konsep dasar Metaheuristik.
Bobot Nilai: 10%
Minggu ke-2: Algoritma Genetika
Topik: Konsep dan prinsip kerja Algoritma Genetika dalam optimisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma Genetika dalam menyelesaikan permasalahan optimisasi.
Materi Ajar: Konsep dan prinsip kerja Algoritma Genetika, representasi solusi, seleksi, crossover, dan mutasi.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma Genetika dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-3: Algoritma Simulated Annealing
Topik: Konsep dan prinsip kerja Algoritma Simulated Annealing dalam optimisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma Simulated Annealing dalam menyelesaikan permasalahan optimisasi.
Materi Ajar: Konsep dan prinsip kerja Algoritma Simulated Annealing, pembangkitan solusi acak, fungsi tujuan, dan mekanisme penurunan suhu.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma Simulated Annealing dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-4: Algoritma Particle Swarm Optimization (PSO)
Topik: Konsep dan prinsip kerja Algoritma PSO dalam optimisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma PSO dalam menyelesaikan permasalahan optimisasi.
Materi Ajar: Konsep dan prinsip kerja Algoritma PSO, pembentukan populasi partikel, pembaruan posisi partikel, dan mekanisme pencarian global.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma PSO dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-5: Algoritma Tabu Search
Topik: Konsep dan prinsip kerja Algoritma Tabu Search dalam optimisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma Tabu Search dalam menyelesaikan permasalahan optimisasi.
Materi Ajar: Konsep dan prinsip kerja Algoritma Tabu Search, pencarian dengan mekanisme Tabu, dan strategi memilih solusi terbaik.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma Tabu Search dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-6: Algoritma Ant Colony Optimization (ACO)
Topik: Konsep dan prinsip kerja Algoritma ACO dalam optimisasi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma ACO dalam menyelesaikan permasalahan optimisasi.
Materi Ajar: Konsep dan prinsip kerja Algoritma ACO, model semut, dan mekanisme pembaruan feromon.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman dasar tentang algoritma dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma ACO dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-7: Algoritma Genetika Lanjutan
Topik: Penerapan teknik lanjutan dalam Algoritma Genetika, seperti elitism dan strategi seleksi.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengoptimalkan kinerja Algoritma Genetika dengan menerapkan teknik lanjutan.
Materi Ajar: Elitism dalam Algoritma Genetika, strategi seleksi, dan penerapan teknik lanjutan lainnya.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Algoritma Genetika dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengoptimalkan kinerja Algoritma Genetika dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-8: Algoritma Metaheuristik Lainnya
Topik: Pengenalan tentang berbagai Algoritma Metaheuristik lainnya, seperti Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), dan Simulated Annealing.
Kemampuan Akhir yang Diharapkan: Mahasiswa memahami berbagai jenis Algoritma Metaheuristik dan mampu memilih yang sesuai untuk berbagai permasalahan optimisasi.
Materi Ajar: Pengenalan tentang PSO, ACO, dan Simulated Annealing, karakteristik masing-masing algoritma, dan perbandingan kinerja.
Metode Pembelajaran: Kuliah, studi kasus, dan diskusi.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan pemahaman tentang berbagai Algoritma Metaheuristik.
Bobot Nilai: 10%
Minggu ke-9: Algoritma Multi-Objective Metaheuristik
Topik: Penerapan Algoritma Multi-Objective Metaheuristik dalam menyelesaikan permasalahan optimisasi dengan beberapa kriteria tujuan.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengimplementasikan Algoritma Multi-Objective Metaheuristik dan menerapkan teknik pengambilan keputusan Pareto-optimal.
Materi Ajar: Pengenalan tentang optimisasi multi-objective, Algoritma NSGA-II (Non-dominated Sorting Genetic Algorithm II), dan teknik pengambilan keputusan Pareto-optimal.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan Algoritma Multi-Objective Metaheuristik dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-10: Metaheuristik dalam Penyelesaian Permasalahan Kombinatorial
Topik: Penerapan Metaheuristik dalam menyelesaikan permasalahan kombinatorial, seperti Traveling Salesman Problem (TSP) dan Job Scheduling.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memodelkan dan menyelesaikan permasalahan kombinatorial menggunakan Metaheuristik.
Materi Ajar: Penerapan Metaheuristik dalam TSP, Job Scheduling, dan permasalahan kombinatorial lainnya.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menyelesaikan permasalahan kombinatorial menggunakan Metaheuristik dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-11: Metaheuristik dalam Penyelesaian Permasalahan Kontinu
Topik: Penerapan Metaheuristik dalam menyelesaikan permasalahan optimisasi kontinu, seperti fungsi benchmark.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memodelkan dan menyelesaikan permasalahan kontinu menggunakan Metaheuristik.
Materi Ajar: Penerapan Metaheuristik dalam fungsi benchmark, permasalahan optimisasi kontinu, dan teknik penyelesaian.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menyelesaikan permasalahan kontinu menggunakan Metaheuristik dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-12: Penerapan Metaheuristik dalam Kehidupan Nyata
Topik: Penerapan Metaheuristik dalam berbagai bidang kehidupan nyata, seperti logistik, transportasi, dan manufaktur.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu menganalisis dan mengidentifikasi potensi penerapan Metaheuristik dalam berbagai masalah dunia nyata.
Materi Ajar: Studi kasus dan contoh penerapan Metaheuristik dalam berbagai bidang.
Metode Pembelajaran: Kuliah, studi kasus, dan diskusi.
Waktu: 2 jam kuliah.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik dan penerapannya dalam dunia nyata.
Kriteria Penilaian dan Indikator: Partisipasi aktif dalam diskusi dan kemampuan dalam mengidentifikasi penerapan Metaheuristik dalam masalah dunia nyata.
Bobot Nilai: 10%
Minggu ke-13: Optimalisasi Parameter Metaheuristik
Topik: Strategi untuk mengoptimalkan parameter dalam implementasi Metaheuristik.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu memahami pentingnya optimalisasi parameter dalam Metaheuristik dan menerapkan teknik pengaturan parameter yang efektif.
Materi Ajar: Metode pengaturan parameter dalam Metaheuristik, teknik tuning, dan optimasi parameter.
Metode Pembelajaran: Kuliah, studi kasus, dan praktik pemrograman.
Waktu: 2 jam kuliah + 2 jam praktikum.
Pengalaman Belajar Mahasiswa: Pemahaman lanjutan tentang Metaheuristik dan pemrograman.
Kriteria Penilaian dan Indikator: Keberhasilan dalam mengimplementasikan teknik pengaturan parameter Metaheuristik dan partisipasi aktif dalam praktik pemrograman.
Bobot Nilai: 15%
Minggu ke-14: Proyek Akhir
Topik: Pengerjaan proyek akhir dalam Metaheuristik dengan menggabungkan berbagai konsep dan teknik yang telah dipelajari.
Kemampuan Akhir yang Diharapkan: Mahasiswa mampu mengembangkan solusi optimasi menggunakan Metaheuristik untuk permasalahan yang relevan dan kompleks.
Materi Ajar: Bimbingan dan konsultasi untuk proyek akhir yang telah dipilih oleh masing-masing mahasiswa.
Metode Pembelajaran: Bimbingan dan konsultasi tatap muka antara dosen dan mahasiswa.
Waktu: 4 jam bimbingan dan konsultasi.
Pengalaman Belajar Mahasiswa: Pemahaman mendalam tentang berbagai konsep dan teknik Metaheuristik.
Kriteria Penilaian dan Indikator: Keberhasilan dalam menyelesaikan proyek akhir dan kualitas solusi optimasi yang dikembangkan.
Bobot Nilai: 20%
Kriteria Penilaian dan Bobot Nilai:
Berikut adalah kriteria penilaian dan bobot nilai untuk mata kuliah Metaheuristik:
Catatan:
Bobot nilai dapat disesuaikan sesuai kebijakan dan peraturan akademik di perguruan tinggi masing-masing.
Kriteria penilaian dan bobot nilai ini bertujuan untuk menilai pencapaian kompetensi mahasiswa dalam mata kuliah Metaheuristik. Dengan rencana pembelajaran ini, mahasiswa diharapkan dapat memiliki pemahaman mendalam tentang berbagai Algoritma Metaheuristik dan dapat mengimplementasikan mereka untuk menyelesaikan permasalahan optimisasi. Semoga rencana pembelajaran ini dapat membantu mahasiswa mencapai kesuksesan dalam menguasai bidang Metaheuristik.
