Mata kuliah ini bertujuan agar mahasiswa mampu mempelajari konsep dan teori dalam pembangunan kompiler, interpreter, dan translator bahasa pemrograman. Mahasiswa juga akan belajar mengenai empat level bahasa dalam teori otomata. Pada akhir perkuliahan, mahasiswa diharapkan dapat membuat translator sederhana.

Pustaka
1. Ullman, J. and Hopcroft, J. (1979) Introduction to Automata Theory, Languages, and Computation. Addison-Wesley.
2. Ullman, J. Sethi, R. Aho, A. and Lam, M. S. (1986) Compilers: Principles, Techniques, and Tools. Addison Wesley.
3. Grune, D. Bal, Jacobs , H. C. Langendoen, K. (2000) Modern Compiler Design. Wiley.

Perangkat Pendukung : Eclipse Juno, Jlex, JFlex
Mata kuliah ini mengajarkan mahasiswa untuk mengimplementasikan algoritma secara sederhana dalam permasalahan kehidupan sehari - hari dan dipersiapkan untuk mengikuti kompetisi pemrograman agar dapat berkompetisi di masyarakat. Pustaka 1. Steven S. Skiena & Miguel A. Revilla,Programming Challenge, Springer, 2003. 2. Steven Halim, Competitive Programming 3, Lulu, 2013. Perangkat Pendukung : Bahasa Pemrograman C, Bahasa Pemrograman C++, Bahasa Pemrograman Java.
Mata kuliah ini bertujuan untuk membekali mahasiswa dengan kemampuan untuk memodelkan suatu masalah dunia nyata sebagai suatu sistem pakar. Materi yang diberikan meliputi : konsep sistem pakar, representasi pengetahuan, pengembangan sistem pakar, sistem pakar berbasis aturan, pemrograman fungsional, sistem pakar dengan pemrograman fungsional, sistem pakar berbasis fuzzy, sistem pakar dengan ketidakpastian, studi kasus sistem pakar. Pustaka 1. Durkin, J. Expert Systems Design and Development, Prentice Hall, 1994. 2. Giarratano, JC, Riley, G. Expert Systems : Principles and Programming, 2005 3. Peter Jackson, Introduction to Expert Systems, 1999, Addison Wesley 4. Russel dan Norvig, Artificial Intelligence: A Modern Approach (3rd edition), Prentice Hall, 2003 Perangkat Pendukung : CLIPS
Mata kuliah ini mengenalkan berbagai aspek yang berkaitan dengan OLAP (OnLine Analytical Processing), Data Warehouse dan Datamining untuk penemuan pengetahuan yang bermanfaat dalam pengambilan keputusan. Materi yang diajarkan meliputi pemahaman mengenai skema multidimensi, skema Data Warehouse, tahapan - tahapan dalam Datamining sampai dengan teknik - teknik penemuan pengetahuan berdasarkan data - data dalam jumlah besar.

Pustaka
1. Ian H. Witten. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann Publishers
2. Jiawei Han, Micheline Kamber, Jian Pei. Data Mining: Concepts and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann 2011

Perangkat Pendukung : Weka, Java, MS SQL Server, MySQL (XAMPP)
Mata kuliah ini mempelajari perancangan dan pengembangan algoritma dan teknik-teknik yang membuat komputer dapat ”belajar”. Pembelajaran komputer dilakukan berdasarkan pengalaman (experience), observasi analitis, dan cara lainnya, yang akan menghasilkan suatu sistem yang dapat memperbaiki diri (self-improve) secara kontinu. Pembahasan meliputi : konsep pembelajaran pada mesin : kriteria suatu sistem pembelajaran, disain sistem pembelajaran, serta berbagai perspektif dan topik pembelajaran mesin. Paradigma induktif simbolik seperti pembelajaran pohon keputusan, kaidah (rule). Pembelajaran berbasis Instance, Jaringan saraf tiruan, Algoritma Genetik, Pembelajaran berbasis Statistika. Arah pengembangan dan pemanfaatan sistem pembelajaran mesin.

Pustaka
1. Luger, George F., Artificial Intelligence: Structures and Strategies for Complex Problem Solving 6th Ed., Addison Wesley, 2008.
2. Bishop, Christopher M., Pattern Recognition and Machine Learning, Springer, 2007.
3. Mitchell, Thomas, Machine Learning, Mcgraw-Hill Higher Education, 1997.
4. Alpaydin, Ethem, Introduction to Machine Learning, The MIT Press, 2004.
5. Kononenko, Igor, Matjaz Kukar, Machine Learning and Data Mining: Introduction to Principles and Algorithms, Horwood Publishing Limited, 2007.
6. Mitra, Sushmita, Sujay Datta, Theodore Perkins, George Michailidis, Introduction to Machine Learning and Bioinformatics, Chapman & Hall/CRC, 2008.

Perangkat Pendukung : Eclipse Juno, WEKA.
Mata kuliah ini bertujuan agar mahasiswa mampu mempelajari konsep dan teori dari sebuah sistem temu balik informasi beserta implementasinya (mesin pencari). Mahasiswa akan mempelajari teknik-teknik umum dari sistem temu balik informasi seperti penentuan relevansi, pembangunan indeks, kompresi file indeks, dan non-text retrieval.
Dan mahasiswa akan belajar bagaimana mengevaluasi sebuah sistem temu balik informasi.

Pustaka
1. Luger, George F., Artificial Intelligence: Structures and Strategies for Complex Problem Solving 6th Ed., Addison Wesley, 2008.
2. Bishop, Christopher M., Pattern Recognition and Machine Learning, Springer, 2007.
3. Mitchell, Thomas, Machine Learning, Mcgraw-Hill Higher Education, 1997.
4. Alpaydin, Ethem, Introduction to Machine Learning, The MIT Press, 2004.
5. Kononenko, Igor, Matjaz Kukar, Machine Learning and Data Mining: Introduction to Principles and Algorithms, Horwood Publishing Limited, 2007.
6. Mitra, Sushmita, Sujay Datta, Theodore Perkins, George Michailidis, Introduction to Machine Learning and Bioinformatics, Chapman & Hall/CRC, 2008.

Perangkat Pendukung : Eclipse Juno, Lucene.
Mata kuliah ini bertujuan untuk memperkenalkan teknik-teknik dasar pemrosesan bahasa alami, seperti Part of Speech Tagger, Named Entity Recognition, Context Free Grammar, atau Information Extraction. Dalam mata kuliah ini juga, mahasiswa diminta untuk mencoba menggunakan library pemrosesan bahasa alami yang sudah tersedia, contohnya OpenNLP. Pustaka 1. Jurafsky, D., & Martin, J. (2008). Speech and Language Processing, 2nd Edition. New Jersey: Prentice Hall. 2. Russell, Stuart J., Peter Norvig. (2009). Artificial Intelligence: A Modern Approach 3rd ed. Prentice Hall. Perangkat Pendukung : OpenNLP
Write a concise and interesting paragraph here that explains what this course is about