UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA
FAKULTAS MANAJEMEN & BISNIS
PROGRAM STUDI BISNIS DIGITAL PROGRAM SARJANA
RENCANA PEMBELAJARAN SEMESTER
| MATA KULIAH (MK) | KODE | Rumpun MK | BOBOT (sks) | SMT | Tgl Penyusunan |
| AI DAN IOT UNTUK BISNIS | SBD25405T | Dasar Teknologi Informasi | 2 sks | 4 | 25 August 2026 |
| PENGESAHAN | Dosen Pengembang RPS | Koordinator MK | Kaprodi | ||
| Yosef Murya Kusuma Ardhana. ST., M.Kom | Yosef Murya Kusuma Ardhana. ST., M.Kom | Sur Yanti. S.E., M.Sc | |||
Capaian Pembelajaran
| CPL-PRODI yang dibebankan pada MK | |
| BD-01 | Kemampuan menerapkan pengetahuan tentang dasar-dasar bisnis, keuangan, pemasaran, komunikasi, teknologi informasi dan digital, inovasi, analisis data, hukum dan etika, serta strategi bisnis lanjutan untuk memperoleh pemahaman menyeluruh tentang prinsip-prinsip Bisnis Digital. |
| BD-04 | Kemampuan mengelola data yang bersumber dari entitas bisnis dan organisasi, termasuk big data dalam bentuk terdesentralisasi dan terdistribusi, memiliki ketrampilan dalam menggunakan alat analitik dan metrik digital untuk memantau serta menganalisis performa kanal digital dan operasional organisasi, baik swasta maupun lembaga pemerintahan, serta menyusun laporan yang mendukung pengambilan keputusan berbasis data secara efektif. |
| BD-05 | Kemampuan manajerial dalam pengelolaan tim yang efektif, analisis data untuk pengambilan keputusan yang tepat, pengembangan dan pelaksanaan strategi pemasaran digital, manajemen proyek menggunakan metodologi Agile, pemahaman teknologi untuk inovasi produk, adaptasi cepat terhadap perubahan, serta penerapan praktik keberlanjutan dan etika terkait semua aspek operasional bisnis digital, sehingga memastikan keberhasilan dan daya saing perusahaan. |
| BD-06 | Kemampuan menerapkan dan terampil menggunakan alat dan teknologi terkini yang relevan dalam bisnis digital |
| Capaian Pembelajaran Mata Kuliah (CPMK) | |
|
CPMK-1 AI DAN IOT UNTUK BISNIS |
Mahasiswa mampu menjelaskan konsep dasar, arsitektur, dan ekosistem teknologi Artificial Intelligence (AI) serta Internet of Things (IoT) dalam konteks transformasi digital bisnis (C2, BD-01). |
|
CPMK-2 AI DAN IOT UNTUK BISNIS |
Mahasiswa mampu menganalisis data yang dihasilkan oleh perangkat IoT menggunakan teknik machine learning dan analitik prediktif untuk mendukung pengambilan keputusan bisnis yang efektif (C4, BD-04). |
|
CPMK-3 AI DAN IOT UNTUK BISNIS |
Mahasiswa mampu merancang solusi inovatif berbasis integrasi AI dan IoT untuk mengoptimalkan proses operasional serta menciptakan nilai tambah pada produk atau layanan bisnis (C6, BD-02, BD-06). |
|
CPMK-4 AI DAN IOT UNTUK BISNIS |
Mahasiswa mampu mengevaluasi aspek keamanan, privasi, risiko, dan etika dalam implementasi teknologi AI dan IoT pada skala organisasi (C5, BD-05). |
|
CPMK-5 AI DAN IOT UNTUK BISNIS |
Mahasiswa mampu menyusun proposal kelayakan bisnis yang mengintegrasikan solusi AI dan IoT untuk meningkatkan daya saing organisasi secara berkelanjutan (C6, BD-05, BD-06). |
| Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | |
| Sub-CPMK 1.1 | Mahasiswa mampu menguraikan konsep dasar, prinsip kerja, dan komponen utama dalam teknologi Artificial Intelligence (AI) serta Internet of Things (IoT). |
| Sub-CPMK 1.2 | Mahasiswa mampu menganalisis arsitektur sistem AI dan IoT serta interaksi antar komponen dalam ekosistem teknologi digital. |
| Sub-CPMK 1.3 | Mahasiswa mampu menjelaskan peran strategis dan dampak implementasi AI dan IoT dalam mendukung transformasi digital pada berbagai sektor bisnis. |
| Sub-CPMK 2.1 | Mahasiswa mampu melakukan pra-pemrosesan dan pembersihan data sensor IoT untuk memastikan kualitas data yang siap digunakan dalam pemodelan analitik (C3). |
| Sub-CPMK 2.2 | Mahasiswa mampu menerapkan algoritma machine learning yang tepat untuk mengklasifikasikan atau memprediksi pola data IoT (C4). |
| Sub-CPMK 2.3 | Mahasiswa mampu mengevaluasi hasil analitik prediktif dan menginterpretasikannya ke dalam strategi pengambilan keputusan bisnis yang efektif (C5). |
| Sub-CPMK 3.1 | Mahasiswa mampu menganalisis kebutuhan operasional bisnis dan mengidentifikasi peluang integrasi teknologi AI dan IoT untuk meningkatkan efisiensi proses (C4, BD-02). |
| Sub-CPMK 3.2 | Mahasiswa mampu merancang arsitektur sistem terintegrasi antara perangkat IoT sebagai pengumpul data dan algoritma AI sebagai pemroses keputusan untuk menciptakan nilai tambah bisnis (C6, BD-06). |
| Sub-CPMK 3.3 | Mahasiswa mampu mengevaluasi kelayakan dan dampak inovasi solusi berbasis AI dan IoT terhadap keberlanjutan serta daya saing produk atau layanan bisnis (C6, BD-02, BD-06). |
| Sub-CPMK 4.1 | Mahasiswa mampu menganalisis kerentanan keamanan dan risiko privasi data pada arsitektur integrasi sistem AI dan IoT di lingkungan organisasi. |
| Sub-CPMK 4.2 | Mahasiswa mampu menilai kepatuhan implementasi teknologi AI dan IoT terhadap standar etika profesi dan regulasi perlindungan data yang berlaku. |
| Sub-CPMK 4.3 | Mahasiswa mampu merumuskan strategi mitigasi risiko dan kerangka kerja tata kelola keamanan untuk implementasi teknologi AI dan IoT pada skala organisasi. |
| Sub-CPMK 5.1 | Mahasiswa mampu menganalisis kebutuhan strategis organisasi dan mengidentifikasi peluang integrasi teknologi AI dan IoT sebagai solusi inovatif untuk meningkatkan daya saing (C4). |
| Sub-CPMK 5.2 | Mahasiswa mampu merancang arsitektur solusi AI dan IoT yang terintegrasi serta mengevaluasi aspek kelayakan teknis dan operasional dalam konteks bisnis berkelanjutan (C6). |
| Sub-CPMK 5.3 | Mahasiswa mampu menyusun dokumen proposal kelayakan bisnis yang komprehensif, mencakup analisis finansial, mitigasi risiko, dan proyeksi dampak keberlanjutan organisasi (C6). |
Korelasi CPL terhadap CPMK
| CPL\CPMK |
CPMK-1 AI DAN IOT UNTUK BISNIS |
CPMK-2 AI DAN IOT UNTUK BISNIS |
CPMK-3 AI DAN IOT UNTUK BISNIS |
CPMK-4 AI DAN IOT UNTUK BISNIS |
CPMK-5 AI DAN IOT UNTUK BISNIS |
|---|---|---|---|---|---|
| BD-01 | ✓ | ||||
| BD-04 | ✓ | ||||
| BD-05 | ✓ | ✓ | |||
| BD-06 | ✓ |
Korelasi CPMK terhadap Sub-CPMK
| CPMK \ Sub-CPMK | Sub-CPMK | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Sub-CPMK 1.1 | Sub-CPMK 1.2 | Sub-CPMK 1.3 | Sub-CPMK 2.1 | Sub-CPMK 2.2 | Sub-CPMK 2.3 | Sub-CPMK 3.1 | Sub-CPMK 3.2 | Sub-CPMK 3.3 | Sub-CPMK 4.1 | Sub-CPMK 4.2 | Sub-CPMK 4.3 | Sub-CPMK 5.1 | Sub-CPMK 5.2 | Sub-CPMK 5.3 | |
|
CPMK-1 AI DAN IOT UNTUK BISNIS |
✓ | ✓ | ✓ | ||||||||||||
|
CPMK-2 AI DAN IOT UNTUK BISNIS |
✓ | ✓ | ✓ | ||||||||||||
|
CPMK-3 AI DAN IOT UNTUK BISNIS |
✓ | ✓ | ✓ | ||||||||||||
|
CPMK-4 AI DAN IOT UNTUK BISNIS |
✓ | ✓ | ✓ | ||||||||||||
|
CPMK-5 AI DAN IOT UNTUK BISNIS |
✓ | ✓ | ✓ | ||||||||||||
| Deskripsi Singkat MK |
Mata kuliah **AI dan IoT untuk Bisnis** membahas konsep, teknologi, metode, dan penerapan **Artificial Intelligence (AI)** serta **Internet of Things (IoT)** dalam mendukung proses dan strategi bisnis. Mahasiswa mempelajari bagaimana data dari perangkat IoT dapat dikumpulkan, diolah, dianalisis, dan dimanfaatkan dengan teknologi AI untuk menghasilkan informasi, prediksi, otomatisasi, serta pengambilan keputusan bisnis yang lebih efektif. Pembelajaran mencakup konsep dasar AI dan IoT, ekosistem dan arsitektur IoT, sensor dan perangkat terhubung, komunikasi data, cloud computing, pengolahan dan visualisasi data, machine learning, generative AI, predictive analytics, otomatisasi proses bisnis, smart business, serta integrasi AI dan IoT dalam berbagai sektor seperti manufaktur, perdagangan, logistik, keuangan, pertanian, kesehatan, pendidikan, dan layanan. Mahasiswa juga diarahkan untuk memahami aspek keamanan, privasi, etika, risiko, dan tata kelola penggunaan AI dan IoT dalam bisnis. Pada akhir mata kuliah, mahasiswa diharapkan mampu menganalisis kebutuhan bisnis, merancang solusi berbasis AI dan IoT, serta mengevaluasi manfaat dan kelayakan penerapannya untuk meningkatkan efisiensi operasional, pengalaman pelanggan, inovasi produk dan layanan, serta daya saing organisasi. |
||
| Bahan Kajian: Materi Pembelajaran |
1. **Konsep Dasar Artificial Intelligence** * Pengertian dan perkembangan AI * Karakteristik dan kemampuan AI * Machine Learning dan Deep Learning * Generative AI * Peran AI dalam transformasi bisnis 2. **Konsep Dasar Internet of Things** * Pengertian dan karakteristik IoT * Sejarah dan perkembangan IoT * Ekosistem IoT * Perangkat, sensor, actuator, gateway, dan jaringan * Contoh penerapan IoT dalam bisnis 3. **Arsitektur dan Teknologi IoT** * IoT device layer * Network/connectivity layer * Data processing layer * Application/business layer * Edge computing dan cloud computing 4. **Data dalam AI dan IoT** * Akuisisi dan pengumpulan data * Data sensor * Data streaming dan real-time data * Data storage * Data preprocessing dan data quality * Big Data dalam ekosistem AI dan IoT 5. **Machine Learning untuk Bisnis** * Konsep supervised dan unsupervised learning * Classification * Regression * Clustering * Anomaly detection * Evaluasi model AI * Studi kasus prediksi bisnis 6. **Generative AI untuk Bisnis** * Konsep Generative AI * Large Language Model (LLM) * Prompt Engineering * AI untuk pembuatan konten * AI untuk customer service * AI untuk analisis dan pengolahan informasi * AI-assisted decision making 7. **Integrasi AI dan IoT** * Alur data IoT menuju sistem AI * Intelligent IoT * AIoT (Artificial Intelligence of Things) * Analisis data sensor menggunakan AI * Predictive analytics * Predictive maintenance * Intelligent automation 8. **AI dan IoT dalam Proses Bisnis** * Otomatisasi proses bisnis * Monitoring operasional secara real-time * Optimasi sumber daya * Manajemen persediaan * Supply chain intelligence * Business process optimization 9. **AI dan IoT untuk Customer Experience** * Customer behavior analytics * Personalized services * Recommendation system * Chatbot dan virtual assistant * Smart retail * Customer journey berbasis data 10. **Smart Business dan Smart Industry** * Smart factory * Smart warehouse * Smart logistics * Smart agriculture * Smart retail * Smart building * Konsep Industry 4.0 dan Society 5.0 11. **Cloud, Edge, dan Platform IoT** * Konsep cloud computing * Edge computing * Fog computing * IoT platform * API dan integrasi sistem * Dashboard monitoring bisnis 12. **Keamanan dan Privasi AI-IoT** * IoT security * Keamanan perangkat dan jaringan * Authentication dan authorization * Data privacy * Risiko kebocoran data * AI security * Cybersecurity dalam ekosistem AI-IoT 13. **Etika dan Tata Kelola AI-IoT** * Etika penggunaan AI * Bias algoritma * Transparansi dan explainability * Perlindungan data * Responsible AI * Tata kelola teknologi dalam organisasi 14. **Model Bisnis Berbasis AI dan IoT** * Digital business model * Servitization * Data-driven business * Platform business * Subscription-based services * Smart product dan smart service * Value proposition berbasis AI-IoT 15. **Analisis Kelayakan Implementasi AI dan IoT** * Identifikasi permasalahan bisnis * Analisis kebutuhan teknologi * Cost-benefit analysis * Return on Investment (ROI) * Risiko implementasi * Business case AI-IoT * Strategi implementasi dan scaling 16. **Proyek Implementasi AI dan IoT untuk Bisnis** * Identifikasi masalah bisnis * Perancangan solusi AI-IoT * Perancangan arsitektur sistem * Pengumpulan dan analisis data * Prototype atau proof of concept * Pengujian solusi * Analisis manfaat bisnis * Presentasi dan evaluasi proyek |
||
| Pustaka |
Utama: 1. Artificial Intelligence for Business: A Roadmap for Managers. Doug Rose. Wiley, 2020. 2. AI and IoT-Integrated Smart Systems: A Business Perspective. A. K. M. Najmul Islam. Springer, 2022. 3. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.Wirtz, J., et al. (2021). Artificial Intelligence in Marketing: A Review and Research Agenda.Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). “Internet of Things (IoT): A Vision, Architectural Elements, and Future Directions.” Future Generation Computer Systems, 29(7), 1645–1660.Atzori, L., Iera, A., & Morabito, G. (2010). “The Internet of Things: A Survey.” Computer Networks, 54(15), 2787–2805. 4. Internet of Things: Principles and Paradigms. Rajkumar Buyya and Amir Vahid Dastjerdi. Morgan Kaufmann, 2016. Pendukung: 1. The AI-Powered Enterprise: Harness the Power of Artificial Intelligence to Revitalize Your Business. Seth Earley. Fast Company Press, 2020. 2. Bahga, A., & Madisetti, V. (2014). Internet of Things: A Hands-On Approach. VPT.McKinsey Global Institute. The Internet of Things: Mapping the Value Beyond the Hype.Porter, M. E., & Heppelmann, J. E. (2014). “How Smart, Connected Products Are Transforming Competition.” Harvard Business Review. 3. Building the Internet of Things with IoT Platforms. Rajesh Singh and Anita Gehlot. BPB Publications, 2022. 4. Internet of Things (IoT): Concepts and Applications. Qusay F. Hassan. Springer, 2018. 5. Prediction Machines: The Simple Economics of Artificial Intelligence. Ajay Agrawal, Joshua Gans, and Avi Goldfarb. Harvard Business Review Press, 2018. |
||
| Pengampu |
Yosef Murya Kusuma Ardhana,
ST., M.Kom Yosef Murya Kusuma Ardhana, ST., M.Kom Sur Yanti, S.E., M.Sc |
||
| Penilaian | Komponen CPMK | Bentuk Penilaian | Persentase Bobot |
| SBD25405T (CPMK-2) | Kuis (Pemahaman Konsep) | 10.00% | |
| SBD25405T (CPMK-5), SBD25405T (CPMK-3) | UAS (Proposal Kelayakan Bisnis) | 25.00% | |
| SBD25405T (CPMK-4) | UTS (Evaluasi Etika & Keamanan) | 25.00% | |
| SBD25405T (CPMK-1) | Tugas Analisis Data (Case Study) | 20.00% | |
| SBD25405T (CPMK-3) | Tugas Proyek (Perancangan Solusi) | 20.00% | |
| Total | 100% | ||
| Matakuliah Syarat | - | ||
Rencana Pembelajaran Semester
| Mg Ke- |
Sub-CPMK (sbg kemampuan akhir diharapkan) |
Penilaian | Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; | Materi Pembelajaran |
Bobot Penilaian |
||
|---|---|---|---|---|---|---|---|
| Indikator | Kriteria & Bentuk | Luring | Daring | ||||
| (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) |
| 1 |
Sub-CPMK 1.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menguraikan konsep dasar, prinsip kerja, dan komponen utama dalam teknologi Artificial Intelligence (AI) serta Internet of Things (IoT). |
Mahasiswa mampu menjelaskan konsep dasar dan komponen utama AI serta IoT | Kehadiran dan partisipasi | Ceramah interaktif dan diskusi kelas | Video pembelajaran dan modul mandiri | Pengantar AI dan IoT dalam Ekosistem Bisnis Digital | 4.76% |
| 2 |
Sub-CPMK 1.2
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menganalisis arsitektur sistem AI dan IoT serta interaksi antar komponen dalam ekosistem teknologi digital. |
Mahasiswa mampu memetakan arsitektur sistem dan interaksi antar komponen teknologi | Keaktifan diskusi | Studi kasus arsitektur sistem | Forum diskusi daring | Arsitektur Sistem AI dan IoT | 4.76% |
| 3 |
Sub-CPMK 1.3
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menjelaskan peran strategis dan dampak implementasi AI dan IoT dalam mendukung transformasi digital pada berbagai sektor bisnis. |
Mahasiswa mampu menguraikan dampak implementasi AI dan IoT pada sektor bisnis | Kualitas analisis | Presentasi kelompok | Pembelajaran kolaboratif | Transformasi Digital dan Peran Strategis AI-IoT | 4.76% |
| 4 |
Sub-CPMK 2.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu melakukan pra-pemrosesan dan pembersihan data sensor IoT untuk memastikan kualitas data yang siap digunakan dalam pemodelan analitik (C3). |
Mahasiswa mampu melakukan pembersihan dan penyiapan data sensor | Hasil praktikum | Praktikum laboratorium | Tutorial pemrograman Python | Data Engineering: Pra-pemrosesan Data Sensor IoT | 5.71% |
| 5 |
Sub-CPMK 2.2
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menerapkan algoritma machine learning yang tepat untuk mengklasifikasikan atau memprediksi pola data IoT (C4). |
Mahasiswa mampu menerapkan algoritma ML untuk prediksi pola data | Ketepatan model | Praktikum pemodelan data | Simulasi dataset | Machine Learning untuk Analitik Data IoT | 5.71% |
| 6 |
Sub-CPMK 2.3
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu mengevaluasi hasil analitik prediktif dan menginterpretasikannya ke dalam strategi pengambilan keputusan bisnis yang efektif (C5). |
Mahasiswa mampu mengonversi hasil prediktif menjadi rekomendasi bisnis | Kemampuan argumentasi | Analisis kasus bisnis | Diskusi studi kasus | Interpretasi Analitik untuk Pengambilan Keputusan | 5.71% |
| 7 |
Sub-CPMK 3.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menganalisis kebutuhan operasional bisnis dan mengidentifikasi peluang integrasi teknologi AI dan IoT untuk meningkatkan efisiensi proses (C4, BD-02). |
Mahasiswa mampu menganalisis kebutuhan operasional dan peluang integrasi teknologi | Kreativitas usulan | Brainstorming inovasi | Penugasan proyek awal | Identifikasi Peluang Inovasi Bisnis Berbasis AI-IoT | 5.71% |
| 8 |
Sub-CPMK 1.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menguraikan konsep dasar, prinsip kerja, dan komponen utama dalam teknologi Artificial Intelligence (AI) serta Internet of Things (IoT). |
Pemahaman komprehensif materi minggu 1-7 | UTS | Ujian tertulis | Ujian berbasis LMS | Ujian Tengah Semester | 14.29% |
| 9 |
Sub-CPMK 3.2
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu merancang arsitektur sistem terintegrasi antara perangkat IoT sebagai pengumpul data dan algoritma AI sebagai pemroses keputusan untuk menciptakan nilai tambah bisnis (C6, BD-06). |
Mahasiswa mampu merancang sistem terintegrasi IoT-AI | Kualitas desain | Workshop perancangan sistem | Review desain arsitektur | Perancangan Arsitektur Solusi Terintegrasi | 5.71% |
| 10 |
Sub-CPMK 3.3
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu mengevaluasi kelayakan dan dampak inovasi solusi berbasis AI dan IoT terhadap keberlanjutan serta daya saing produk atau layanan bisnis (C6, BD-02, BD-06). |
Mahasiswa mampu menilai keberlanjutan dan daya saing solusi | Kritisitas evaluasi | Diskusi panel | Analisis laporan keberlanjutan | Evaluasi Kelayakan dan Dampak Bisnis | 5.71% |
| 11 |
Sub-CPMK 4.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menganalisis kerentanan keamanan dan risiko privasi data pada arsitektur integrasi sistem AI dan IoT di lingkungan organisasi. |
Mahasiswa mampu menganalisis risiko dan kerentanan sistem | Analisis risiko | Studi kasus keamanan siber | Webinar keamanan data | Keamanan dan Privasi Data dalam Sistem AI-IoT | 5.71% |
| 12 |
Sub-CPMK 4.2
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menilai kepatuhan implementasi teknologi AI dan IoT terhadap standar etika profesi dan regulasi perlindungan data yang berlaku. |
Mahasiswa mampu menilai kepatuhan terhadap regulasi dan etika | Pemahaman regulasi | Debat etika teknologi | Studi literatur regulasi | Etika, Regulasi, dan Tata Kelola AI-IoT | 5.71% |
| 13 |
Sub-CPMK 4.3
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu merumuskan strategi mitigasi risiko dan kerangka kerja tata kelola keamanan untuk implementasi teknologi AI dan IoT pada skala organisasi. |
Mahasiswa mampu merumuskan kerangka kerja tata kelola keamanan | Kualitas framework | Penyusunan framework mitigasi | Diskusi kelompok | Strategi Mitigasi Risiko dan Tata Kelola Organisasi | 5.71% |
| 14 |
Sub-CPMK 5.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menganalisis kebutuhan strategis organisasi dan mengidentifikasi peluang integrasi teknologi AI dan IoT sebagai solusi inovatif untuk meningkatkan daya saing (C4). Sub-CPMK 5.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu merancang arsitektur solusi AI dan IoT yang terintegrasi serta mengevaluasi aspek kelayakan teknis dan operasional dalam konteks bisnis berkelanjutan (C6). Sub-CPMK 5.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menyusun dokumen proposal kelayakan bisnis yang komprehensif, mencakup analisis finansial, mitigasi risiko, dan proyeksi dampak keberlanjutan organisasi (C6). |
Mahasiswa mampu menyusun dokumen proposal bisnis yang komprehensif | Kualitas proposal | Bimbingan proyek | Konsultasi proposal | Penyusunan Proposal Kelayakan Bisnis | 5.71% |
| 15 |
Sub-CPMK 5.3
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menyusun dokumen proposal kelayakan bisnis yang komprehensif, mencakup analisis finansial, mitigasi risiko, dan proyeksi dampak keberlanjutan organisasi (C6). |
Mahasiswa mampu mempresentasikan solusi inovatif secara profesional | Presentasi dan laporan | Presentasi final | Peer review | Review dan Presentasi Proyek Akhir | 4.76% |
| 16 |
Sub-CPMK 1.1
(AI DAN IOT UNTUK BISNIS)
Mahasiswa mampu menguraikan konsep dasar, prinsip kerja, dan komponen utama dalam teknologi Artificial Intelligence (AI) serta Internet of Things (IoT). Sub-CPMK 1.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menganalisis arsitektur sistem AI dan IoT serta interaksi antar komponen dalam ekosistem teknologi digital. Sub-CPMK 1.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menjelaskan peran strategis dan dampak implementasi AI dan IoT dalam mendukung transformasi digital pada berbagai sektor bisnis. Sub-CPMK 2.1 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu melakukan pra-pemrosesan dan pembersihan data sensor IoT untuk memastikan kualitas data yang siap digunakan dalam pemodelan analitik (C3). Sub-CPMK 2.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menerapkan algoritma machine learning yang tepat untuk mengklasifikasikan atau memprediksi pola data IoT (C4). Sub-CPMK 2.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu mengevaluasi hasil analitik prediktif dan menginterpretasikannya ke dalam strategi pengambilan keputusan bisnis yang efektif (C5). Sub-CPMK 3.1 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menganalisis kebutuhan operasional bisnis dan mengidentifikasi peluang integrasi teknologi AI dan IoT untuk meningkatkan efisiensi proses (C4, BD-02). Sub-CPMK 3.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu merancang arsitektur sistem terintegrasi antara perangkat IoT sebagai pengumpul data dan algoritma AI sebagai pemroses keputusan untuk menciptakan nilai tambah bisnis (C6, BD-06). Sub-CPMK 3.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu mengevaluasi kelayakan dan dampak inovasi solusi berbasis AI dan IoT terhadap keberlanjutan serta daya saing produk atau layanan bisnis (C6, BD-02, BD-06). Sub-CPMK 4.1 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menganalisis kerentanan keamanan dan risiko privasi data pada arsitektur integrasi sistem AI dan IoT di lingkungan organisasi. Sub-CPMK 4.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menilai kepatuhan implementasi teknologi AI dan IoT terhadap standar etika profesi dan regulasi perlindungan data yang berlaku. Sub-CPMK 4.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu merumuskan strategi mitigasi risiko dan kerangka kerja tata kelola keamanan untuk implementasi teknologi AI dan IoT pada skala organisasi. Sub-CPMK 5.1 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menganalisis kebutuhan strategis organisasi dan mengidentifikasi peluang integrasi teknologi AI dan IoT sebagai solusi inovatif untuk meningkatkan daya saing (C4). Sub-CPMK 5.2 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu merancang arsitektur solusi AI dan IoT yang terintegrasi serta mengevaluasi aspek kelayakan teknis dan operasional dalam konteks bisnis berkelanjutan (C6). Sub-CPMK 5.3 (AI DAN IOT UNTUK BISNIS) Mahasiswa mampu menyusun dokumen proposal kelayakan bisnis yang komprehensif, mencakup analisis finansial, mitigasi risiko, dan proyeksi dampak keberlanjutan organisasi (C6). |
Penguasaan seluruh materi pembelajaran | UAS | Ujian tertulis | Ujian berbasis LMS | Ujian Akhir Semester | 9.57% |
| Total Bobot | 100% | ||||||
Catatan:
- Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
- CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampilan umum, ketrampilan khusus dan pengetahuan.
- CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
- Sub-CPMK mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran.
- 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.
- Kriteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan.
- Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
- Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, Problem Based Learning, Case Based Learning dan metode lainnya yg setara.
- Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
- Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-CPMK yang besarnya proposional dengan tingkat kesulitan pencapaian sub-CPMK tersebut, dan totalnya 100%.
- Untuk mata kuliah PjBL pertemuan 14 dan 15 dialokasikan untuk presentasi project.
RUBRIK PENILAIAN (MARKING SCORE)
CPMK-2: Mahasiswa mampu menganalisis data yang dihasilkan oleh perangkat IoT menggunakan teknik machine learning dan analitik prediktif untuk mendukung pengambilan keputusan bisnis yang efektif (C4, BD-04).
| Indikator | Sangat Kurang (<20) | Kurang (21-40) | Cukup (41-60) | Baik (61-80) | Sangat Baik (81-100) |
|---|---|---|---|---|---|
| Analisis Data IoT dan Feature Engineering | Tidak mampu melakukan pra-pemrosesan data IoT dan tidak memahami fitur yang relevan. | Melakukan pra-pemrosesan data dengan banyak kesalahan dan pemilihan fitur yang tidak mendukung analisis. | Mampu melakukan pra-pemrosesan data dasar dan memilih fitur yang cukup relevan untuk analisis. | Mampu melakukan pembersihan dan transformasi data IoT dengan baik serta memilih fitur yang signifikan. | Mampu melakukan pembersihan data yang kompleks, ekstraksi fitur yang inovatif, dan menangani noise data IoT secara efektif. |
| Evaluasi dan Validasi Model | Tidak melakukan evaluasi atau validasi terhadap model yang dikembangkan. | Melakukan evaluasi dengan metrik yang tidak sesuai dan tidak ada upaya validasi model. | Mampu melakukan evaluasi dasar dengan metrik standar namun kurang melakukan validasi mendalam. | Mampu melakukan evaluasi dan validasi model dengan metrik yang tepat dan analisis error yang memadai. | Mampu melakukan evaluasi komprehensif, validasi silang (cross-validation), dan analisis performa model secara mendalam. |
| Interpretasi Hasil Analitik Prediktif untuk Keputusan Bisnis | Tidak mampu menghubungkan hasil analitik dengan konteks kebutuhan bisnis. | Menyajikan hasil analitik tanpa interpretasi yang jelas atau relevansi bisnis yang minim. | Mampu menyajikan hasil analitik dan memberikan interpretasi sederhana yang cukup mendukung keputusan bisnis. | Mampu menginterpretasikan hasil analitik dengan jelas dan memberikan rekomendasi bisnis yang logis. | Mampu menyajikan wawasan analitik yang mendalam, strategis, dan memberikan rekomendasi keputusan bisnis yang sangat efektif dan terukur. |
| Pemilihan dan Implementasi Algoritma Machine Learning | Tidak mampu memilih algoritma yang relevan dan gagal mengimplementasikan model pada data IoT. | Memilih algoritma yang kurang tepat dan implementasi model memiliki banyak kesalahan teknis. | Mampu memilih algoritma yang cukup relevan dengan implementasi model yang berjalan namun kurang optimal. | Mampu memilih algoritma yang tepat dan mengimplementasikan model dengan akurasi yang baik. | Mampu memilih algoritma yang sangat relevan, mengoptimalkan parameter model, dan mencapai performa prediksi yang sangat akurat. |