Pembelajaran Mesin (Machine Learning)

Bahan Ajar Berbasis OBE dan Project-Based Learning

Author

Affiliation

Girinoto

Politeknik Siber dan Sandi Negara

Published

March 11, 2026

Selamat Datang! 👋

Ini adalah bahan ajar komprehensif untuk mata kuliah Pembelajaran Mesin (Machine Learning) yang dirancang dengan pendekatan OBE (Outcome-Based Education) dan PBL (Project-Based Learning).

🎓 Tentang Modul Ini

Modul ini mengajarkan production-ready machine learning skills yang relevan dengan industri 2024-2025. Fokus utama:

✅ Modern AI Focus - Transfer learning, LLM, RAG (bukan hanya classical algorithms)

✅ Production Skills - Deployment, MLOps, Docker, cloud computing

✅ Hands-On Learning - 67% praktikum + 12 labs + capstone project

✅ Industry-Relevant - Real-world problems, cybersecurity applications

✅ Ethical AI - Bias, fairness, responsible AI terintegrasi di setiap topik

📚 Struktur Pembelajaran

Modul ini terdiri dari 14 chapters yang dibagi menjadi 4 part:

Part I: Foundations (4 chapters)

Dasar-dasar machine learning dengan classical algorithms dan evaluation

Part II: Deep Learning (4 chapters)

Neural networks dari basic (MLP) hingga advanced (Transformers)

Part III: Modern AI & Production (3 chapters)

LLM, fine-tuning, RAG systems, dan deployment production-ready

Part IV: Synthesis (3 chapters)

Ethics, advanced topics, dan capstone project

🎯 Capaian Pembelajaran (Learning Outcomes)

Setelah menyelesaikan modul ini, Anda mampu:

CPMK	Tingkat	Deskripsi
CPMK-1	Understand	Memahami konsep fundamental ML, DL, LLM
CPMK-2	Apply	Implementasikan pipeline ML end-to-end
CPMK-3	Evaluate	Analisis dan evaluasi model secara kritis
CPMK-4	Create	Desain solusi advanced (transfer learning, LLM, RAG)
CPMK-5	Create	Deploy dan maintain sistem ML production

🧪 Komponen Pembelajaran

Chapters (Teori)

14 chapters dengan penjelasan konsep, contoh praktis, dan studi kasus industri

Labs (Praktikum)

12 hands-on labs untuk skill-building:

Labs 1-4: Classical ML & evaluation
Labs 5-8: Deep learning implementations
Labs 9-11: Modern AI & production
Lab 12: Capstone project integration

Assessment

Weekly Labs (30%) - Hands-on implementation
Participation (5%) - Kehadiran & engagement
UTS (30%) - Teori + praktikum mid-semester
Final Project (20%) - Production-ready ML solution
UAS (15%) - Teori + praktikum akhir semester

🚀 Quick Start

Untuk Mahasiswa

Baru memulai?

Baca Chapter 1: Pengantar ML & Ekosistem
Persiapkan environment (Python, Jupyter)
Lakukan Lab 1: Setup & First ML Model
Follow schedule minggu demi minggu

Tips:

Baca chapter SEBELUM mengikuti lab
Kerjakan practice questions di setiap chapter
Join study group dengan teman sekelas
Jangan takut untuk experiment dan fail!

Untuk Instruktur

Setup course:

Review syllabus dan learning outcomes
Customize content sesuai kebutuhan
Prepare assessment materials
Adapt labs untuk local context

Teaching approach:

Use OBE framework untuk align assessments
Encourage project-based learning
Integrate cybersecurity examples
Foster ethical AI discussions

📖 Cara Membaca Ebook Ini

Online (Recommended)

Interactive web version dengan searchable content
Dark mode untuk late-night study sessions
Copy & paste friendly code examples

PDF

Download full PDF untuk offline reading
Print-friendly professional layout

Local Development

# Preview locally dengan hot reload
quarto preview

📊 Content Highlights

Unique Features

⭐⭐⭐ Chapter 10: RAG & AI Agents (NEW FOCUS)

51% of enterprises use RAG
Production-grade RAG implementation
Real-world use cases

⭐⭐ Chapter 6: Transfer Learning (EXPANDED)

Pre-trained models sebagai production standard
Praktis vs training from scratch
Time & resource efficiency

⭐⭐ Chapter 11: MLOps & Deployment

Docker containerization
REST API dengan FastAPI
Cloud deployment (GCP, AWS)

Cybersecurity Applications

Throughout the course, ML techniques are applied to security problems: - Malware detection (CNN + transfer learning) - Intrusion detection (LSTM + ensemble) - Anomaly detection (unsupervised learning) - Security log analysis (NLP + time series)

🛠️ Requirements

Minimum

Python 3.10+
8GB RAM
Text editor (VS Code, PyCharm)
Internet connection

Tools (All Free)

Jupyter Notebook or Google Colab
Git for version control
GitHub for collaboration

Optional

GPU (use Google Colab free GPU)
Docker for deployment labs

📚 Materi Pendukung

Textbooks (Reference)

Goodfellow et al. - Deep Learning
Chollet - Deep Learning with Python
Huyen - Machine Learning Systems Design

Online Resources

❓ FAQ

Q: Berapa lama saya perlu untuk menyelesaikan? A: 16 minggu (1 semester) dengan 3 jam kelas/minggu + 6-9 jam self-study

Q: Apakah saya perlu GPU? A: Tidak wajib. Google Colab menyediakan free GPU untuk labs.

Q: Bisa saya skip classical ML chapters? A: Tidak disarankan - ini fondasi penting untuk deep learning

Q: Berapa banyak coding yang involved? A: Banyak! 67% waktu adalah praktikum (lab & project)

Q: Apakah ada sertifikat? A: Certificate of completion akan diberikan setelah menyelesaikan semua komponen

🌟 Philosophy

“Production-Ready Skills, Not Just Theory”

Kami percaya bahwa pembelajaran mesin harus lebih dari sekadar teori. Fokus utama kami adalah membekali Anda dengan keterampilan yang dapat langsung diterapkan di dunia nyata dengan prinsi:

Tools sudah didokumentasikan; fokus pada decision-making
Algoritma ada di documentation; fokus pada WHEN menggunakannya
Real-world problems > tutorials
Deploy and maintain > train only
Ethics & responsibility > performance only

📞 Support & Resources

Getting Help

GitHub Issues - Report bugs or ask questions
Office Hours - Instructor consultation
TA Sessions - Lab help
Study Groups - Peer learning

Community

Join discord/slack group untuk networking
Share insights dan learn from peers
Collaborate on projects

🎯 Next Steps

Ready to begin?

➡️ Start with Chapter 1 →

atau jump to specific topic:

📋 Course Information

Detail	Information
Course Name	Pembelajaran Mesin (Machine Learning)
Code	PL-321
Credits	3 SKS (1 lecture + 2 practicum)
Semester	6
Duration	16 weeks
Program	Rekayasa Keamanan Siber, Data Sains
Prerequisite	Python programming, Statistics, Data Science basics
Grading	Labs 30% + UTS 30% + Project 20% + UAS 15% + Participation 5%

🙏 Credits

Development Team: - Lead Author: [Girinoto] - Contributors: [claudia]

Based on: - PTIK Ebook (Pengantar Teknologi Informasi & Komunikasi) - RPS Pembelajaran Mesin V3.0 OBE+PBL - Industry best practices (2024-2025)

License: Creative Commons BY-NC-SA 4.0

Last Updated: November 2025 Version: 1.0-dev Status: 🟡 In Development

Happy Learning! 🚀

Catatan: Ini adalah work-in-progress. Konten baru ditambahkan secara berkala.

--- title: "Pembelajaran Mesin (Machine Learning)" subtitle: "Bahan Ajar Berbasis OBE dan Project-Based Learning" author: - name: "Girinoto" affiliation: "Politeknik Siber dan Sandi Negara" --- # Selamat Datang! 👋 ![](Book Cover.png){width=400px} Ini adalah bahan ajar komprehensif untuk mata kuliah **Pembelajaran Mesin (Machine Learning)** yang dirancang dengan pendekatan **OBE (Outcome-Based Education)** dan **PBL (Project-Based Learning)**. ## 🎓 Tentang Modul Ini Modul ini mengajarkan **production-ready machine learning skills** yang relevan dengan industri 2024-2025. Fokus utama: ✅ **Modern AI Focus** - Transfer learning, LLM, RAG (bukan hanya classical algorithms) ✅ **Production Skills** - Deployment, MLOps, Docker, cloud computing ✅ **Hands-On Learning** - 67% praktikum + 12 labs + capstone project ✅ **Industry-Relevant** - Real-world problems, cybersecurity applications ✅ **Ethical AI** - Bias, fairness, responsible AI terintegrasi di setiap topik ## 📚 Struktur Pembelajaran Modul ini terdiri dari **14 chapters** yang dibagi menjadi 4 part: ### **Part I: Foundations** (4 chapters) Dasar-dasar machine learning dengan classical algorithms dan evaluation ### **Part II: Deep Learning** (4 chapters) Neural networks dari basic (MLP) hingga advanced (Transformers) ### **Part III: Modern AI & Production** (3 chapters) LLM, fine-tuning, RAG systems, dan deployment production-ready ### **Part IV: Synthesis** (3 chapters) Ethics, advanced topics, dan capstone project ## 🎯 Capaian Pembelajaran (Learning Outcomes) Setelah menyelesaikan modul ini, Anda mampu: | CPMK | Tingkat | Deskripsi | |------|---------|-----------| | **CPMK-1** | Understand | Memahami konsep fundamental ML, DL, LLM | | **CPMK-2** | Apply | Implementasikan pipeline ML end-to-end | | **CPMK-3** | Evaluate | Analisis dan evaluasi model secara kritis | | **CPMK-4** | Create | Desain solusi advanced (transfer learning, LLM, RAG) | | **CPMK-5** | Create | Deploy dan maintain sistem ML production | ## 🧪 Komponen Pembelajaran ### Chapters (Teori) 14 chapters dengan penjelasan konsep, contoh praktis, dan studi kasus industri ### Labs (Praktikum) 12 hands-on labs untuk skill-building: - Labs 1-4: Classical ML & evaluation - Labs 5-8: Deep learning implementations - Labs 9-11: Modern AI & production - Lab 12: Capstone project integration ### Assessment - **Weekly Labs** (30%) - Hands-on implementation - **Participation** (5%) - Kehadiran & engagement - **UTS** (30%) - Teori + praktikum mid-semester - **Final Project** (20%) - Production-ready ML solution - **UAS** (15%) - Teori + praktikum akhir semester ## 🚀 Quick Start ### Untuk Mahasiswa **Baru memulai?** 1. Baca Chapter 1: Pengantar ML & Ekosistem 2. Persiapkan environment (Python, Jupyter) 3. Lakukan Lab 1: Setup & First ML Model 4. Follow schedule minggu demi minggu **Tips:** - Baca chapter SEBELUM mengikuti lab - Kerjakan practice questions di setiap chapter - Join study group dengan teman sekelas - Jangan takut untuk experiment dan fail! ### Untuk Instruktur **Setup course:** 1. Review syllabus dan learning outcomes 2. Customize content sesuai kebutuhan 3. Prepare assessment materials 4. Adapt labs untuk local context **Teaching approach:** - Use OBE framework untuk align assessments - Encourage project-based learning - Integrate cybersecurity examples - Foster ethical AI discussions ## 📖 Cara Membaca Ebook Ini ### Online (Recommended) - Interactive web version dengan searchable content - Dark mode untuk late-night study sessions - Copy & paste friendly code examples ### PDF - Download full PDF untuk offline reading - Print-friendly professional layout ### Local Development ```bash # Preview locally dengan hot reload quarto preview ``` ## 📊 Content Highlights ### Unique Features ⭐⭐⭐ **Chapter 10: RAG & AI Agents** (NEW FOCUS) - 51% of enterprises use RAG - Production-grade RAG implementation - Real-world use cases ⭐⭐ **Chapter 6: Transfer Learning** (EXPANDED) - Pre-trained models sebagai production standard - Praktis vs training from scratch - Time & resource efficiency ⭐⭐ **Chapter 11: MLOps & Deployment** - Docker containerization - REST API dengan FastAPI - Cloud deployment (GCP, AWS) ### Cybersecurity Applications Throughout the course, ML techniques are applied to security problems: - Malware detection (CNN + transfer learning) - Intrusion detection (LSTM + ensemble) - Anomaly detection (unsupervised learning) - Security log analysis (NLP + time series) ## 🛠️ Requirements ### Minimum - Python 3.10+ - 8GB RAM - Text editor (VS Code, PyCharm) - Internet connection ### Tools (All Free) - Jupyter Notebook or Google Colab - Git for version control - GitHub for collaboration ### Optional - GPU (use Google Colab free GPU) - Docker for deployment labs ## 📚 Materi Pendukung ### Textbooks (Reference) - Goodfellow et al. - Deep Learning - Chollet - Deep Learning with Python - Huyen - Machine Learning Systems Design ### Online Resources - [Hugging Face Hub](https://huggingface.co) - [Kaggle Datasets](https://kaggle.com) - [Papers with Code](https://paperswithcode.com) ## ❓ FAQ **Q: Berapa lama saya perlu untuk menyelesaikan?** A: 16 minggu (1 semester) dengan 3 jam kelas/minggu + 6-9 jam self-study **Q: Apakah saya perlu GPU?** A: Tidak wajib. Google Colab menyediakan free GPU untuk labs. **Q: Bisa saya skip classical ML chapters?** A: Tidak disarankan - ini fondasi penting untuk deep learning **Q: Berapa banyak coding yang involved?** A: Banyak! 67% waktu adalah praktikum (lab & project) **Q: Apakah ada sertifikat?** A: Certificate of completion akan diberikan setelah menyelesaikan semua komponen ## 🌟 Philosophy ### "Production-Ready Skills, Not Just Theory" Kami percaya bahwa pembelajaran mesin harus lebih dari sekadar teori. Fokus utama kami adalah membekali Anda dengan keterampilan yang dapat langsung diterapkan di dunia nyata dengan prinsi: - Tools sudah didokumentasikan; fokus pada decision-making - Algoritma ada di documentation; fokus pada WHEN menggunakannya - Real-world problems > tutorials - Deploy and maintain > train only - Ethics & responsibility > performance only ## 📞 Support & Resources ### Getting Help - **GitHub Issues** - Report bugs or ask questions - **Office Hours** - Instructor consultation - **TA Sessions** - Lab help - **Study Groups** - Peer learning ### Community - Join discord/slack group untuk networking - Share insights dan learn from peers - Collaborate on projects ## 🎯 Next Steps **Ready to begin?** ➡️ **[Start with Chapter 1 →](chapters/01-pengantar-ml.qmd)** atau jump to specific topic: - [Chapter 1: Pengantar ML](chapters/01-pengantar-ml.qmd) - [Chapter 6: Transfer Learning](chapters/06-cnn-transfer-learning.qmd) ⭐ - [Chapter 10: RAG Systems](chapters/10-rag-agents.qmd) ⭐⭐⭐ - [Lab 1: First ML Model](labs/lab01-environment-setup/index.qmd) --- ## 📋 Course Information | Detail | Information | |--------|-------------| | **Course Name** | Pembelajaran Mesin (Machine Learning) | | **Code** | PL-321 | | **Credits** | 3 SKS (1 lecture + 2 practicum) | | **Semester** | 6 | | **Duration** | 16 weeks | | **Program** | Rekayasa Keamanan Siber, Data Sains | | **Prerequisite** | Python programming, Statistics, Data Science basics | | **Grading** | Labs 30% + UTS 30% + Project 20% + UAS 15% + Participation 5% | ## 🙏 Credits **Development Team:** - Lead Author: [Girinoto] - Contributors: [claudia] **Based on:** - PTIK Ebook (Pengantar Teknologi Informasi & Komunikasi) - RPS Pembelajaran Mesin V3.0 OBE+PBL - Industry best practices (2024-2025) **License:** Creative Commons BY-NC-SA 4.0 --- **Last Updated:** November 2025 **Version:** 1.0-dev **Status:** 🟡 In Development Happy Learning! 🚀 *Catatan: Ini adalah work-in-progress. Konten baru ditambahkan secara berkala.*