RPS - Machine Learning untuk Data Sains

	KEMENTERIAN PENDIDIKAN TINGGI, SAINS, DAN TEKNOLOGI UNIVERSITAS NEGERI PADANG – FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM – PROGRAM STUDI FISIKA (S1)
	RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK)		KODE	Rumpun MK	BOBOT (sks)		SEMESTER	Tgl Penyusunan
Machine Learning untuk Data Sains		FIS.62.0143	-	0	3	5	-
OTORISASI / PENGESAHAN		Dosen Pengembang RPS		Koordinator RMK		Koordinator Prodi
-		-		-		-

Capaian Pembelajaran	CPL-PRODI yang dibebankan pada MK
	CPL-5	Menerapkan metode matematika untuk menjelaskan, mendeskripsikan program studi, menganalisis, dan memecahkan masalah fisika
	CPL-6	Memecahkan masalah sistem fisik standar secara komprehensif menggunakan prinsip dasar fisika, persamaan matematika, alat komputasi/TIK
	CPL-8	Menerapkan ilmunya di bidang fisika pada bidang yang lebih luas/atau masalah interdisipliner dalam kegiatan profesionalnya
	Capaian Pembelajaran Mata Kuliah (CPMK)
	CPMK 1	Mampu menjelaskan prinsip matematis dan fisika algoritma ML utama serta menghubungkannya dengan konsep data sains eksplorasi energi dan pertambangan
	CPMK 2	Mampu merancang pipeline ML industri yang lengkap — dari preprocessing data LAS/SEG-Y, rekayasa fitur fisika, pelatihan model, validasi, hingga interpretasi hasil
	CPMK 3	Mampu menerapkan algoritma ML untuk permasalahan industri nyata: prediksi properti reservoir, klasifikasi fasies seismik, optimasi produksi sumur geotermal, dan estimasi cadangan mineral
	CPMK 4	Mampu merancang arsitektur Physics-Informed Neural Network (PINN) yang mengintegrasikan persamaan fisika reservoir sebagai kendala pelatihan untuk masalah inversi dan prediksi produksi
	CPMK 5	Mampu menginterpretasikan hasil model ML secara fisik menggunakan teknik explainability (SHAP, feature importance) dan mengkomunikasikan temuan kepada tim geoscience industri
	Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
	SUB CPMK	-

Matriks CPL
ke CPMK

	CPL-5	CPL-6	CPL-8	dst	Total
CPMK/Sub CPMK	-	-	-	-	-
CPMK/Sub CPMK	-	-	-	-	-

Deskripsi
Singkat Mata
Kuliah

Mata kuliah ini membekali mahasiswa Fisika UNP dengan kemampuan machine learning yang langsung dapat diterapkan pada permasalahan nyata industri energi dan pertambangan Indonesia. Mahasiswa mempelajari spektrum lengkap algoritma ML — dari regresi dan ensemble hingga deep learning dan Physics-Informed Neural Network (PINN) — dengan setiap algoritma dipasangkan pada dataset industri autentik. Penekanan diberikan pada pemahaman fisika di balik keputusan model, sehingga mahasiswa mampu menjelaskan dan mempertahankan hasil analisis mereka kepada tim geoscience di industri. Topik mencakup klasifikasi fasies dari well log LAS, inversi data MT geotermal, prediksi laju produksi sumur dengan LSTM, dan solusi PDE reservoir menggunakan PINN

Pustaka	Utama:
	-
	Pendukung: (Jika diperlukan) -
Dosen Pengampu	-
Mata kuliah syarat	-

Minggu Ke-	SUB-CPMK (Kemampuan Akhir Yang Diharapkan)	Penilaian		Bentuk Pembelajaran, Metode Pembelajaran, Penugasan Mahasiswa [Estimasi Waktu]		Materi Pembelajaran [Rujukan]	Bobot Penilaian (%)
Minggu Ke-	SUB-CPMK (Kemampuan Akhir Yang Diharapkan)	Indikator	Teknik & Kriteria	Luring (Tatap Muka)	Daring (Online)	Materi Pembelajaran [Rujukan]	Bobot Penilaian (%)
-	-	-	-	-	-	-	0
	UTS
	UAS