|
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 | ||
| Deteksi Anomali dan Mitigasi Bencana berbasis AI | FIS.62.0165 | - | 1 | 2 | 7 | - | |
| OTORISASI / PENGESAHAN | Dosen Pengembang RPS | Koordinator RMK | Koordinator Prodi | ||||
| - | - | - | Dr. Harman Amir S.Si., M.Si. | ||||
| 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-9 | Melaksanakan eksperimen dalam bidang fisika atau bidang lain yang berkaitan dengan fisika, serta dapat mengolah, menganalisis, dan menafsirkan data yang diperoleh | |
| Capaian Pembelajaran Mata Kuliah (CPMK) | ||
| CPMK 1 | Mampu menjelaskan prinsip fisika dan statistik di balik fenomena anomali pada sistem alam (gempa, erupsi) dan sistem industri (kebocoran, ketidakstabilan). | |
| CPMK 2 | Mampu menerapkan metode deteksi anomali statistik dan ML (Isolation Forest, One-Class SVM, Autoencoder) pada data sensor time-series industri dan kebencanaan. | |
| CPMK 3 | Mampu merancang sistem klasifikasi tingkat ancaman (threshold, severity level) berdasarkan kombinasi multi-parameter sensor untuk early warning. | |
| CPMK 4 | Mampu mengevaluasi trade-off antara sensitivitas dan false alarm rate dalam sistem peringatan dini untuk konteks operasional nyata. | |
| CPMK 5 | Mampu merancang prototipe sistem early warning terintegrasi — dari akuisisi sensor, deteksi anomali, hingga notifikasi — untuk konteks kebencanaan atau keselamatan industri. | |
| Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | ||
| SUB CPMK | - | |
| Matriks CPL ke CPMK |
|
| Deskripsi Singkat Mata Kuliah |
Mata kuliah capstone ini mengintegrasikan seluruh kompetensi KBK — pemrosesan sinyal, machine learning, dan analisis spasial — untuk membangun sistem deteksi anomali dan early warning yang relevan bagi mitigasi bencana alam maupun keselamatan operasional industri energi dan pertambangan. Mahasiswa mempelajari teknik deteksi anomali (statistical, ML-based, dan deep learning based) pada dua domain paralel: kebencanaan alam dan keselamatan industri. Mata kuliah ini menunjukkan bahwa algoritma deteksi anomali bersifat universal — algoritma yang sama dapat menyelamatkan nyawa baik dari letusan gunung berapi maupun dari kecelakaan kerja industri. Posisi spesialis early warning/anomaly detection yang memahami fisika sinyal dan ML adalah aset sangat dicari oleh divisi HSE (Health, Safety, Environment) perusahaan energi dan tambang Indonesia. |
| 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 (%) |
||
|---|---|---|---|---|---|---|---|
| Indikator | Teknik & Kriteria | Luring (Tatap Muka) | Daring (Online) | ||||
| - | - | - | - | - | - | - | 0 |
| UTS | |||||||
| UAS | |||||||