# Bank Pertanyaan Wawancara — Magister Kecerdasan Artifisial (MKA) UGM

> Persiapan wawancara daring (online) untuk seleksi masuk Program Studi **Magister Kecerdasan Artifisial (MKA)**, Departemen Ilmu Komputer dan Elektronika (DIKE), FMIPA, Universitas Gadjah Mada.
> Jawaban lengkap: `wawancara - Answer.md`.

---

## ⚠️ Catatan penting sebelum membaca

**Soal wawancara resmi tidak dipublikasikan.** MKA UGM tidak menerbitkan daftar pertanyaan wawancara. Dokumen ini adalah **bank pertanyaan yang disusun berdasarkan sumber resmi**, yaitu:

1. Tahapan seleksi resmi yang diumumkan program studi (UM UGM → **Tes Substansi Online (TSSBBK) dan Wawancara** → pengumuman).
2. Dokumen yang **wajib** diunggah pendaftar, terutama **Proyeksi Keinginan** (alasan, harapan, rencana topik penelitian, rencana setelah kuliah) dan **draft proposal tesis/essay**.
3. **Capaian Pembelajaran (PLO)** dan **Kurikulum** MKA — pertanyaan substansi hampir pasti mengacu ke sini.
4. Praktik umum wawancara seleksi pascasarjana di Indonesia.

Jadi: gunakan ini sebagai **latihan**, bukan sebagai bocoran. Yang paling menentukan adalah **konsistensi antara dokumen yang Anda unggah dan apa yang Anda ucapkan** saat wawancara.

---

## 1. Informasi Seleksi MKA UGM (fakta resmi)

### Tahapan seleksi

Seleksi MKA UGM dilakukan melalui **UM UGM**, dengan rangkaian:

```text
Pendaftaran online (um.ugm.ac.id)
        ↓
Verifikasi dokumen
        ↓
Tes Substansi Online (TSSBBK)  +  Wawancara     ← dokumen ini
        ↓
Pengumuman hasil
```

**Tes Substansi dan Wawancara dilaksanakan pada hari yang sama**, secara **online**.

### Jadwal terdekat (Semester Genap TA 2026/2027)

*Halaman resmi prodi diperbarui 14 Maret 2026.*

| Batch | Pendaftaran UM UGM | Tes Substansi Online (TSSBBK) dan Wawancara | Pengumuman Hasil |
|---|---|---|---|
| Batch 2 | 29 September – **20 Oktober 2026** | **31 Oktober 2026** | 4 November 2026 |
| Batch 3 | 10 November – 1 Desember 2026 | 12 Desember 2026 | 16 Desember 2026 |
| Batch 4 | 22 Desember 2026 – 12 Januari 2027 | 16 Januari 2027 | 25 Januari 2027 |

> **Perhatikan tanggal!** Bila Anda mengejar Batch 2, pendaftaran ditutup **20 Oktober 2026** dan wawancara **31 Oktober 2026**. Konfirmasi ulang jadwal ke prodi karena jadwal dapat berubah.

### Kontak program studi

- Email: **dep-ike.mipa@ugm.ac.id**
- Telepon: **(0274) 546194**
- WhatsApp: **+62 813 1313 8864** (hari kerja, jam kerja)
- Alamat: Gedung C Lantai 4, Sekip Utara Bulaksumur, Yogyakarta 55281

Prosedur resmi menyarankan **menghubungi program studi tujuan lebih dulu** untuk mengetahui syarat khusus/ tambahan.

---

## 2. Profil Program (bahan wajib Anda hafal)

Pewawancara akan menguji apakah Anda benar-benar tahu program yang Anda lamar. Fakta-fakta berikut sering menjadi bahan pertanyaan.

### Identitas program

| Item | Keterangan |
|---|---|
| Nama | Magister Kecerdasan Artifisial (MKA) |
| Institusi | DIKE, FMIPA, Universitas Gadjah Mada |
| Berdiri | 2022, melalui Keputusan Rektor UGM No. 388/UN1.P/KPT/HUKOR/2022 |
| Gelar lulusan | **M.CS(AI)** — *Master of Computer Science in Artificial Intelligence* |
| Lama studi | 3–4 semester |
| Penanggung Jawab Prodi | **Afiahayati, S.Kom., M.Cs., Ph.D.** |

### Beban studi

- **Reguler (sebelum adendum):** 42 SKS — 26 SKS wajib (termasuk 2 SKS Proposal Tesis, 1 SKS Seminar Tesis, 6 SKS Tesis).
- **Setelah Adendum Kurikulum 2026 (8 Agustus 2026):** beban minimum turun menjadi **36 SKS**. Mata kuliah wajib prodi tetap 18 SKS; mata kuliah pilihan turun dari min 24 SKS → **min 18 SKS**.
- **Jalur by Research:** 42 SKS, dengan porsi penelitian besar (Seminar Hasil Riset Tahap I & II, Laporan Kemajuan Riset, Publikasi 10 SKS, Laporan Tesis).

### Mata kuliah wajib (3 mata kuliah teori)

| Kode | Mata Kuliah | SKS |
|---|---|---|
| MIK226001 | Metodologi Riset Kecerdasan Artifisial | 3 |
| MIK226401 | Prinsip Kecerdasan Artifisial | 3 |
| MIK226402 | Pembelajaran Mesin dan Aplikasinya | 3 |

Ditambah: Proposal Tesis (2 SKS), Seminar Tesis (1 SKS), Tesis (6 SKS).

### Mata kuliah pilihan (contoh yang sering ditanya)

Logika Fuzzy Lanjut · Pengenalan dan Analisis Pola · Sains dan Analisis Data · Sistem Terinspirasi Mahluk Hidup · Kecerdasan Komputasional · Agen Cerdas Enterprise · Computer Vision Lanjut · Sistem Pakar Lanjut · Penalaran Komputer · Sistem Pendukung Keputusan Cerdas · Kapita Selekta · Pemrosesan Bahasa Alami Lanjut · Bioinformatika Cerdas · Inovasi dan Entrepreneur Kecerdasan Artifisial · Kecerdasan Artifisial pada Bisnis · **Pembelajaran Mesin Mendalam Lanjut** · Magang (6 SKS) · Kecerdasan Artifisial dalam Kedokteran.

### Pilihan jalur/minat

- **Program Reguler**
- **Program Berbasis Penelitian (*by Research*)** — wajib melampirkan proposal tesis
- **Program Double Degree**
- **Minat AI-Preneur** (kewirausahaan AI)
- **Minat Applied AI in Business** (AI untuk bisnis)
- **Program Pra-S2**

### Capaian Pembelajaran (PLO) — KKNI Level 8

| Kode | PLO | Inti |
|---|---|---|
| PLO1 | Sikap dan Tata Nilai | Etika, moral, nasionalisme, gotong royong |
| PLO2 | Pengetahuan Dasar dan Teoritis | Konsep, metode, model, algoritma KA |
| PLO3 | Pengetahuan Terapan | ML, pengelolaan pengetahuan, penalaran komputer, pengenalan pola, NLP |
| PLO4 | Keterampilan Penyelesaian Masalah | Merumuskan masalah penelitian, studi literatur, penelitian inovatif |
| PLO5 | Sikap Profesionalisme | Kerja mandiri/kelompok, kepemimpinan, komunikasi, pembelajaran sepanjang hayat |

### Laboratorium riset

| Lab | Fokus |
|---|---|
| **Sistem Cerdas (SC)** | Penalaran komputer, sistem cerdas, sistem berbasis pengetahuan/agen, sistem pakar, ANN, komputasi evolusi/DNA/membran, DSS, NLP, pengenalan pola, computer vision, robotika, bioinformatika, manajemen pengetahuan |
| **Algoritma dan Komputasi (AK)** | Metode formal, algoritma, optimasi, model komputasi (grid/cloud/parallel), sains komputasional, information retrieval, data mining, integrasi data, *eye tracking* (Tobii Pro Spark & Pro Lab) |
| Rekayasa Perangkat Lunak dan Data | RPL, data |
| Sistem Komputer dan Jaringan | SKJ |
| Elektronika dan Instrumentasi | Elins |
| Sistem Tertanam dan Robotika | Embedded & robotics |

### Penelitian terkini (bahan obrolan yang bagus)

- Model AI untuk **identifikasi pohon hutan rakyat** (Karangrejo, Purworejo) — kerja sama dengan Fakultas Kehutanan UGM.
- Peningkatan **produktivitas pertanian** dan digitalisasi pencatatan hasil hutan bukan kayu (Banyumas, Purworejo).
- Kolaborasi riset AI dan **Large Language Models** dengan **Hallym University**, Korea Selatan (April 2026).

### Dosen (sebagian)

Prof. Dra. Sri Hartati · Prof. Drs. Agus Harjoko · Prof. Dr. Azhari SN · Afiahayati · Aina Musdholifah · Dr. Sri Mulyana · Wahyono · Edi Winarko · Dr. Dyah Aruming Tyas · Yunita Sari · Moh Edi Wibowo · Dr. Sigit Priyanta · Dr. Andi Dharmawan · Dr.techn. Aufaclav Zatu Kusuma Frisky · Arif Nurwidyantoro · Muhammad Alfian Amrizal · Dr. Agus Sihabuddin · Dr.techn. Guntur Budi Herwanto

### Biaya

UKT: **Rp 12.000.000 per semester** (cek ulang, dapat berubah).

---

## 3. Format Wawancara (perkiraan)

Berdasarkan pola seleksi pascasarjana daring di UGM:

| Aspek | Perkiraan |
|---|---|
| Media | Zoom / Google Meet (link dikirim panitia) |
| Durasi | 15–30 menit |
| Pewawancara | 2–3 dosen MKA (tim penguji prodi) |
| Bahasa | **Indonesia**; sebagian pertanyaan bisa dalam **Inggris** (uji kemampuan bahasa) |
| Struktur | Perkenalan → substansi → rencana penelitian → motivasi → tanya-jawab balik |
| Durasi tes substansi | Terpisah/berurutan pada hari yang sama |

**Perlengkapan yang disiapkan:**
- Koneksi internet stabil + **cadangan** (hotspot seluler).
- Kamera & mikrofon berfungsi; ruangan tenang, pencahayaan cukup, latar rapi.
- Dokumen cetak: **Proyeksi Keinginan**, **draft proposal/essay**, transkrip, CV.
- Catatan poin kunci (jangan membaca teks utuh).
- Bergabung 5–10 menit lebih awal; nama tampilan = nama lengkap.

---

## 4. Bank Pertanyaan

Bagian A–H. Bagian **D** dan **E** adalah yang paling menentukan.

### A. Pembuka dan Perkenalan

| # | Pertanyaan |
|---|---|
| A1 | Silakan perkenalkan diri Anda secara singkat. |
| A2 | Ceritakan latar belakang pendidikan Anda. |
| A3 | Apa pekerjaan/kesibukan Anda saat ini? |
| A4 | Mengapa Anda memilih bidang Kecerdasan Artifisial? |
| A5 | Apa yang Anda ketahui tentang program Magister Kecerdasan Artifisial UGM? |

### B. Motivasi dan Tujuan

| # | Pertanyaan |
|---|---|
| B1 | Mengapa Anda memilih MKA UGM, bukan program lain? |
| B2 | Apa yang membuat Anda tertarik pada MKA UGM secara spesifik? |
| B3 | Apa tujuan Anda setelah lulus nanti? |
| B4 | Apakah Anda berencana melanjutkan ke S3? |
| B5 | Apa harapan Anda mengikuti program ini? |
| B6 | Menurut Anda, apa kontribusi yang bisa Anda berikan ke program ini? |

### C. Latar Belakang Akademik dan Kesiapan

| # | Pertanyaan |
|---|---|
| C1 | Bagaimana Anda menilai kesiapan akademik Anda untuk kuliah S2? |
| C2 | Mata kuliah apa yang paling Anda kuasai di S1, dan mengapa? |
| C3 | Bagaimana nilai matematika dan statistika Anda? (Fondasi KA sangat matematis.) |
| C4 | Bagaimana kemampuan pemrograman Anda? Bahasa apa yang Anda kuasai? |
| C5 | Bagaimana kemampuan Bahasa Inggris Anda? |
| C6 | Apakah Anda sudah membaca publikasi ilmiah berbahasa Inggris? Sebutkan salah satu. |
| C7 | Ada mata kuliah yang nilainya kurang memuaskan? Jelaskan. |
| C8 | Bagaimana Anda mengatasi kesenjangan (*gap*) antara latar belakang S1 dan bidang KA? |

### D. Rencana Penelitian / Tesis ⭐ (paling sering dan paling dalam)

| # | Pertanyaan |
|---|---|
| D1 | Apa rencana topik penelitian tesis Anda? |
| D2 | Mengapa Anda memilih topik tersebut? Apa permasalahan yang ingin dipecahkan? |
| D3 | Apa kebaruan (*novelty*) dari rencana penelitian Anda? |
| D4 | Metode AI apa yang akan Anda gunakan? Mengapa metode itu? |
| D5 | Data apa yang akan Anda pakai? Bagaimana Anda mendapatkannya? |
| D6 | Bagaimana Anda mengukur keberhasilan penelitian Anda? |
| D7 | Siapa calon dosen pembimbing yang Anda harapkan? Mengapa? |
| D8 | Sudahkah Anda membaca penelitian dosen tersebut? Sebutkan. |
| D9 | Lab riset mana yang sesuai dengan minat Anda? |
| D10 | Bagaimana rencana Anda bila topik tersebut tidak disetujui? |
| D11 | Berapa lama Anda menargetkan menyelesaikan tesis? |
| D12 | Apakah Anda memilih jalur Reguler atau *by Research*? Mengapa? |

### E. Substansi Kecerdasan Artifisial (Tes Substansi) ⭐

**E-1. Dasar dan Teori (PLO2)**

| # | Pertanyaan |
|---|---|
| E1 | Apa yang Anda pahami tentang Kecerdasan Artifisial? |
| E2 | Apa perbedaan AI, *Machine Learning*, dan *Deep Learning*? |
| E3 | Jelaskan perbedaan *supervised*, *unsupervised*, dan *reinforcement learning*, beserta contohnya. |
| E4 | Apa itu *overfitting* dan bagaimana cara mengatasinya? |
| E5 | Apa itu *confusion matrix*? Jelaskan *accuracy*, *precision*, *recall*, dan *F1-score*. |
| E6 | Mengapa data latih, validasi, dan uji harus dipisah? |
| E7 | Apa itu *bias-variance tradeoff*? |

**E-2. Pembelajaran Mesin dan Aplikasinya (PLO3)**

| # | Pertanyaan |
|---|---|
| E8 | Jelaskan cara kerja *decision tree* dan *random forest*. |
| E9 | Apa itu SVM dan apa itu *kernel trick*? |
| E10 | Bagaimana cara kerja *k-nearest neighbors*? Kapan metode ini buruk? |
| E11 | Apa itu *clustering* K-Means? Bagaimana menentukan jumlah klaster? |
| E12 | Apa itu PCA dan untuk apa? |
| E13 | Bagaimana menangani data tidak seimbang (*imbalanced dataset*)? |
| E14 | Apa itu *cross-validation*? |

**E-3. Pembelajaran Mesin Mendalam (Pembelajaran Mesin Mendalam Lanjut)**

| # | Pertanyaan |
|---|---|
| E15 | Jelaskan cara kerja CNN dan mengapa lebih baik daripada MLP untuk citra. |
| E16 | Apa fungsi *pooling layer*? |
| E17 | Bagaimana mengatasi *vanishing gradient* pada jaringan sangat dalam? |
| E18 | Jelaskan cara kerja RNN dan kendalanya. |
| E19 | Apa perbedaan LSTM dan GRU? |
| E20 | Apa itu *autoencoder* dan untuk apa? |
| E21 | Apa itu *transfer learning*? Kapan dipakai? |
| E22 | Apa itu *attention* dan bagaimana Transformer berbeda dari RNN? |
| E23 | Apa itu GAN dan apa kegunaannya? |

**E-4. Bidang lain dalam kurikulum MKA**

| # | Pertanyaan |
|---|---|
| E24 | Apa itu logika fuzzy? Bagaimana berbeda dari logika klasik? |
| E25 | Apa perbedaan *certainty factor* dan logika fuzzy? |
| E26 | Apa itu *forward chaining* dan *backward chaining* pada sistem pakar? |
| E27 | Apa komponen utama sistem pakar? |
| E28 | Apa itu pengenalan pola? Bagaimana tahapannya? |
| E29 | Apa itu NLP? Sebutkan tantangan utamanya. |
| E30 | Bagaimana cara kerja *word embedding* (Word2Vec)? |
| E31 | Apa itu computer vision? Apa perbedaan klasifikasi, deteksi, dan segmentasi? |
| E32 | Apa itu kecerdasan komputasional? Sebutkan contohnya. |
| E33 | Apa itu *reinforcement learning*? Jelaskan *agent*, *state*, *action*, *reward*. |
| E34 | Apa itu bioinformatika cerdas? |
| E35 | Apa itu *knowledge representation*? |

**E-5. Etika, Sosial, dan Isu Terkini**

| # | Pertanyaan |
|---|---|
| E36 | Bagaimana pandangan Anda tentang etika AI, misalnya pada data pribadi? |
| E37 | Apa dampak AI terhadap lapangan kerja di Indonesia? |
| E38 | Apa itu *explainable AI* dan mengapa penting? |
| E39 | Bagaimana pendapat Anda tentang *Large Language Models* seperti ChatGPT? |
| E40 | Bagaimana AI dapat membantu masalah di Indonesia (pertanian, kesehatan, pendidikan)? |

### F. Pengalaman, Portofolio, dan Karya

| # | Pertanyaan |
|---|---|
| F1 | Ceritakan proyek AI/ML yang pernah Anda kerjakan. |
| F2 | Apa peran Anda dalam proyek itu dan apa hasilnya? |
| F3 | Kesulitan terbesar yang Anda hadapi, dan bagaimana Anda mengatasinya? |
| F4 | Apakah Anda punya publikasi, lomba, atau sertifikasi? Ceritakan. |
| F5 | Apakah Anda punya portofolio daring (GitHub, Kaggle, blog)? |
| F6 | Ceritakan pengalaman kerja/magang yang relevan. |
| F7 | Apa hal teknis tersulit yang pernah Anda pelajari sendiri? Bagaimana caranya? |
| F8 | Adakah karya Anda yang paling Anda banggakan? Mengapa? |

### G. Situasional, Komitmen, dan Logistik

| # | Pertanyaan |
|---|---|
| G1 | Bagaimana Anda membagi waktu antara kuliah dan pekerjaan? |
| G2 | Apakah Anda mendapat izin belajar dari instansi? (Bila sudah bekerja.) |
| G3 | Bagaimana rencana pembiayaan kuliah Anda? |
| G4 | Apakah Anda melamar beasiswa? Beasiswa apa? |
| G5 | Sanggupkah Anda mengikuti kuliah pada hari kerja? |
| G6 | Bagaimana Anda menghadapi kelompok yang anggotanya kurang berkontribusi? |
| G7 | Bagaimana Anda bereaksi bila penelitian Anda gagal berulang kali? |
| G8 | Bila diterima di dua tempat, mana yang Anda pilih? |
| G9 | Apakah Anda bersedia ditempatkan di lab tertentu? |
| G10 | Ada hal lain yang ingin Anda sampaikan? |

### H. Pertanyaan yang Sebaiknya Anda Ajukan Balik

Pewawancara hampir selalu membuka sesi tanya-jawab. Siapkan **2–3 pertanyaan**. Ini menunjukkan keseriusan.

| # | Pertanyaan untuk diajukan |
|---|---|
| H1 | Berapa kira-kira jumlah mahasiswa per angkatan dan rasio pembimbing? |
| H2 | Bagaimana mekanisme penentuan dosen pembimbing? |
| H3 | Apakah ada kesempatan terlibat dalam proyek riset atau pengabdian laboratorium? |
| H4 | Bagaimana dukungan prodi untuk publikasi di jurnal/konferensi internasional? |
| H5 | Apakah ada jalur kerja sama atau *double degree* yang bisa diikuti? |
| H6 | Bagaimana prosedur pengajuan cuti atau penyesuaian jadwal bagi mahasiswa yang bekerja? |

**Jangan** menanyakan hal yang sudah jelas tertulis di situs resmi (biaya UKT, jumlah SKS), dan **jangan** bertanya tentang kemudahan lulus.

---

## 5. Tips Persiapan

### Sebelum wawancara

1. **Baca ulang Proyeksi Keinginan Anda sendiri.** Pewawancara membacanya. Semua yang Anda ucapkan harus konsisten dengannya.
2. **Kuasai proposal/essay Anda sampai ke detail.** Ini titik paling sering digali.
3. **Pelajari 2–3 dosen** yang bidangnya sesuai minat Anda — minimal baca judul publikasi terbaru mereka.
4. **Tentukan satu lab** yang paling sesuai dan pahami fokusnya.
5. **Latihan berbicara 2 menit** untuk perkenalan diri, direkam, lalu diperbaiki.
6. **Latihan soal substansi** — kerjakan arsip soal UGM (lihat bagian 6).
7. **Siapkan angka:** IPK, tahun lulus, skor TOEFL/AcEPT/IELTS, skor PAPs/TPA.

### Saat wawancara

1. **Jujur.** Lebih baik berkata "saya belum mendalami itu, tetapi cara saya mempelajarinya adalah…" daripada mengarang.
2. **Jawab ringkas lalu perdalam.** Struktur: **inti jawaban (1 kalimat) → alasan → contoh**.
3. **Jangan membaca teks.** Boleh melihat catatan poin kunci.
4. **Akuilah keterbatasan** dengan sikap positif.
5. **Tunjukkan antusiasme** pada penelitian, bukan hanya pada gelar.
6. **Tatap kamera** (bukan layar) saat berbicara.
7. **Sebutkan hal konkret**: nama metode, nama lab, nama dosen, angka. Hindari kata umum seperti "saya ingin belajar banyak hal".

### Kesalahan yang sering terjadi

| Kesalahan | Perbaikan |
|---|---|
| Tidak tahu isi prodi | Hafal fakta di bagian 2 |
| Topik penelitian kabur ("saya ingin meneliti AI") | Persempit: domain + masalah + metode |
| Tidak tahu siapa dosennya | Sebut 2–3 nama yang relevan |
| Mengaku menguasai semua hal | Sebut kelebihan **dan** kekurangan secara jujur |
| Tidak ada pertanyaan balik | Siapkan 2–3 pertanyaan dari bagian H |
| Tidak konsisten dengan dokumen pendaftaran | Baca ulang dokumen Anda |

---

## 6. Kaitan dengan Arsip Soal UGM (repo ini)

Repositori ini memuat **arsip soal ujian asli UGM** yang sangat relevan untuk **Tes Substansi**. Untuk latihan bagian E, gunakan:

| Mata kuliah ujian | Lokasi di repo | Relevansi |
|---|---|---|
| **Kecerdasan Artifisial** | `tier1-core-ai/Kecerdasan Artifisial/` (33 transkrip) | E1–E3, E26–E27, E35 |
| **Pembelajaran Mesin** | `tier1-core-ai/Pembelajaran Mesin/` | E3–E14 |
| **Deep Learning / Pembelajaran Mesin Mendalam** | `tier1-core-ai/Deep Learning/` | E15–E23 |
| **Pengenalan Pola** | `tier1-core-ai/Pengenalan Pola/` | E28 |
| **Jaringan Syaraf Tiruan** | `tier1-core-ai/Jaringan Syaraf Tiruan/` | E15–E22 |
| **Logika Fuzzy** | `tier1-core-ai/Logika Fuzzy/` | E24 |
| **Sistem Pakar** | `tier1-core-ai/Sistem Pakar/` | E26–E27 |
| **Penglihatan Komputer** | `tier1-core-ai/Penglihatan Komputer dan Analisis Visual/` | E31 |
| **Sistem Temu Kembali Informasi** | `tier1-core-ai/Sistem Temu Kembali Informasi/` | E29–E30 |
| **Probabilitas dan Statistik** | `tier2-math-stats/Probabilitas dan Statistik/` | Fondasi matematis |
| **Aljabar Vektor dan Matriks** | `tier2-math-stats/Aljabar Vektor dan Matriks/` | Fondasi matematis |

**Jawaban model** yang sudah tersedia:
- `tier1-core-ai/Kecerdasan Artifisial/UAS/UAS - Kecerdasan Artifisial - KOM A - 2024 - Answer.md`
- `tier1-core-ai/Kecerdasan Artifisial/UAS/UAS - AI - 2023 KOMB - Answer.md`
- `tier1-core-ai/Kecerdasan Artifisial/UAS/UAS - AI - 2025_1 - Answer.md`
- `tier1-core-ai/Deep Learning/UAS/UAS_Deep Learning_2024 - Answer.md` (+ versi sederhana)

> **Cara pakai yang disarankan:** jangan hanya membaca. **Tutup jawabannya, coba jawab lisan dalam 2 menit**, baru bandingkan. Tes substansi menilai kemampuan menjelaskan, bukan menghafal.

---

## 7. Ringkasan Fakta untuk Dihafal

```text
Program     : Magister Kecerdasan Artifisial (MKA)
Fakultas    : FMIPA UGM, Departemen Ilmu Komputer dan Elektronika (DIKE)
Berdiri     : 2022 (SK Rektor No. 388/UN1.P/KPT/HUKOR/2022)
Gelar       : M.CS(AI)
Lama studi  : 3–4 semester
Beban studi : 42 SKS (Reguler) → min 36 SKS setelah Adendum 2026
Wajib       : Metodologi Riset KA, Prinsip KA, Pembelajaran Mesin dan Aplikasinya
Penelitian  : Proposal Tesis 2 SKS, Seminar Tesis 1 SKS, Tesis 6 SKS
Jalur       : Reguler, by Research, Double Degree, AI-Preneur,
              Applied AI in Business, Pra-S2
PLO         : 5 (sikap, pengetahuan dasar, pengetahuan terapan,
              penyelesaian masalah, profesionalisme) — KKNI Level 8
Lab utama   : Sistem Cerdas (SC), Algoritma dan Komputasi (AK)
Seleksi     : UM UGM → Tes Substansi Online (TSSBBK) + Wawancara
UKT         : Rp 12.000.000 / semester
Kontak      : dep-ike.mipa@ugm.ac.id · (0274) 546194
```

---

*Dokumen persiapan wawancara. Fakta program bersumber dari situs resmi DIKE FMIPA UGM. Daftar pertanyaan adalah bank latihan yang disusun sendiri, bukan soal resmi yang dibocorkan. Jawaban model: `wawancara - Answer.md`.*