RPS MIK 620 Data Mining S. Ganjil 2017

  RENCANA PEMBELAJARAN SEMESTER GANJIL 2017 / 2018 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS ESA UNGGUL Mata Kuliah : Data Mining

SESI KEMAMPUAN AKHIR MATERI PEMBELAJARAN BENTUK PEMBELAJARAN SUMBER PEMBELAJARAN

  2. Prasetyo E. 2014

  3. Yanchang Zhao. 2012. R Menjelaskan atribut data, mengetahui cara mengatasi missing data value atau noisy.

  preprocessing data , melakukan proses cleaning data, mampu menjelaskan konsep data integrasi, transformasi, reduksi, dan diskritisasi Pre processing data

  ● Data cleaning: missing values, noisy data ● Data integration

  ● Data transformation ● Data reduction ● Data discretization

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  1. Menjelaskan pentingnya pentingnya melakukan preprocessing data

  3. Yanchang Zhao. 2012. R

  1. Han J, Kamber M, Jian P. 2012

  2. Melakukan proses cleaning data yang meliputi missing value dan data noise.

  3. Menjelaskan proses integrasi data, transformasi data, reduksi data, dan diskritisasi data

  4 Mahasiswa mampu menjelaskan konsep data warehouse dan OLAP Data warehouse dan

  OLAP

  1. Metoda: diskusi dan latihan

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014 Mahasiswa paham konsep data warehouse dan OLAP

  2. Prasetyo E. 2014

  2. Media: kelas, komputer, LCD, whiteboard, web

  Kode MK : MIK 620 Mata Kuliah Prasyarat : - Bobot MK :

  3. Prasetyo Eko. 2014. Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Ofset

  1 T + 1 P SKS Dosen Pengampu : NOVIANDI

  Kode Dosen : 7553 Alokasi Waktu : 14 Tatap Muka X 50 Menit Teori, 1 X 100 Menit Parktik, Tidak ada online Capaian Pembelajaran :

  1. Mahasiswa mampu menjelaskan konsep data mining dan aplikasi data mining di berbagai bidang, mampu menjelaskan prosedur mining data mulai dari preprocessing sampai menyajikan data yang siap digunakan,

  2. Mahasiswa mampu mengaplikasikan prosedur data mining menggunakan program WEKA dan R 3. Mahasiswa mampu melakukan analisis informasi dan data, serta mampu mngkomunikasikan hasil analisis.

  4. Mahasiswa mampu memberikan petunjuk dalam memilih berbagai alternatif solusi secara mandiri dan kelompok.

  Buku Acuan :

  1. Han Jiawei, Kamber Micheline, Pei Jian. 2012. Data Mining Concepts and Techniques. Elsevier

  2. Prasetyo Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Andi Ofset

  1 Mahasiswa mampu menjelaskan konsep-konsep dasar data mining dan dapat menyebutkan aplikasi data mining dalam berbagai bidang

  1. Metoda: diskusi dan latihan

  Pendahuluan: Kontrak pembelajaran, Pengertian dan konsep dasar data mining

  1. Metoda: ceramah dan diskusi

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014

  3. Yanchang Zhao. 2012. R

  1. Menjelaskan konsep-konsep data mining

  2. Menyebutkan aplikasi data mining yang digunakan di berbagai bidang

  2 Mahasiswa mampu mengeksplorasi data, mengetahui adanya missing data values, dan data noisy serta dapat mengatasinya Eksplorasi data , preprocessing data ( Data Cleaning)

3 Mahasiswa mengetahui

2. Media: kelas,

  komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  Decision tree dan penerapannya

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014

  3. Yanchang Zhao. 2012. R Menjelaskan cara penggunaan decision tree terhadap raw data

  10 Dapat menjelaskan konsep dasar naïve bayes Naive bayes

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  2. Prasetyo E. 2014 Menjelaskan konsep dasar naïve bayes

  2. Prasetyo E. 2014 Menjelaskan konsep algoritma unsupervised learning

  11 Mahasiswa mampu menjelaskan feature selection dan menerapkannya pada data.

  Feature selection dan penerapannya

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014 Menjelaskan feature selection dan menerapkan pada data

  menjelaskan feature extraction dan Feature extraction dan penerapannya

  1. Metoda: diskusi dan latihan

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014 Menjelaskan feature selection dan menerapkan pada data serta menjelaskan perbedaan antara

  9 Mahasiswa mampu menjelaskan konsep dasar decision tree dan menerapakannya pada data

  1. Han J, Kamber M, Jian P. 2012

  5 Dapat menjelaskan konsep dasar cluster dan penerapannya pada data Clustering

  2. Prasetyo E. 2014

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014

  3. Yanchang Zhao. 2012. R Menjelaskan cara meng clusterkan raw data.

  6 Mahasiswa dapat menjelaskan klasifikasi Klasifikasi

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  3. Yanchang Zhao. 2012. R Menjelaskan konsep klasifikasi dan contoh penerapan pada data

  2. Media: kelas, komputer, LCD, whiteboard, web

  7 Mahasiswa dapat menjelaskan Mining Associations rule dan menerapkan pada data

  Association rule dan penerapannya

  1. Metoda: diskusi dan latihan

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Han J, Kamber M, Jian P. 2012

  2. Prasetyo E. 2014

  3. Yanchang Zhao. 2012. R Dapa melakukan prosedur asosiation rule

  8 Mahasiswa dapat menjelaskan konsep unsupervised learning dan menerapkan pada data

  Unsupervised learning dan penerapannya

  1. Metoda: diskusi dan latihan

12 Mahasiswa mampu

  menerapkannya pada data.

  EVALUASI PEMBELAJARAN SESI PROSE- DUR BEN- TUK SEKOR > 77 ( A / A-) SEKOR > 65 (B- / B / B+ ) SEKOR > 60 (C / C+ ) SEKOR > 45 ( D ) SEKOR < 45 ( E ) BOBOT

  Tidak mengetahui pengertian data mining

  Dapat menjelaskan pengertian data mining namun kurang tepat

  Dapat menjelaskan pengertian data mining dengan tepat

  Dapat menjelaskan pengertian data mining secara lengkap dan dapat menyebutkan aplikasi data mining pada berbagai bidang kehidupan

  Dapat menjelaskan pengertian data mining secara lengkap, mengetahui latar belakang diperlukannya data mining, menyebutkan dan menjelaskan aplikasi data mining pada berbagai bidang

  Tes tulisan (UTS)

  test

  1 Post

  Han J, Kamber M, Jian P. 2012 Relevansi tugas dan kecakapan presentasi

  2. Media: kelas, komputer, LCD, whiteboard, web feature selection dengan feature extraction

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Metoda: diskusi dan latihan

  Presentasi dan diskusi tugas kelompok

  14 Mahasiswa mampu memilih dan menerapkan teknik data mining mulai dari persiapan data sampai dengan tugas data mining dalam penyelesaian permasalahan sesuai dengan studi kasus yang ada.

  2. Prasetyo E. 2014 Menjelaskan konsep text mining dan contoh penerapan pada data

  1. Han J, Kamber M, Jian P. 2012

  2. Media: kelas, komputer, LCD, whiteboard, web

  1. Metoda: diskusi dan latihan

  13 Mahasiswa mampu menjelaskan konsep dasar text mining Text mining

  10%

  2 Post

  dengan tepat Dapat menjelaskan pengertian klasifikasi dan

  clustering serta

  dapat menerapkan algoritme tersebut ke dalam data.

  Dapat menjelaskan pengertian dan jenis-jenis klasifikasi dan

  clustering ,

  dapat menjelaskan algoritme- algoritme klasifikasi dan

  clustering

  Dapat menjelaskan pengertian dan jenis-jenis klasifikasi dan

  clustering

  clustering walau

  Tes tulisan dan tugas kelom pok (UTS)

  kurang tepat Tidak dapat menyebutkan pengertian klasifikasi dan

  clustering

  10%

  7 Post

  test

  Tes tulisan Dapat menjelaskan

  Dapat menjelaskan Dapat menjelaskan

  Dapat menjelaskan Tidak mengetahui pengertian

  Dapat menjelaskan algoritme- algoritme klasifikasi dan

  test

  test

  Dapat menjelaskan tahapan-tahapan praproses data, melakukan perhitungan pada beberapa tahapan praproses, menjelaskan pengertian data

  Tes tulisan Dapat menjelaskan pengertian eksplorasi data, menjelaskan tipe- tipe atribut data, dan dapat memvisualisasika n data.

  Dapat menjelaskan pengertian ekslorasi data dan menjelaskan tipe-tipe atribut data

  Dapat menjelaskan pengertian eksplorasi data dengan tepat

  Dapat menjelaskan pengertian eksplorasi data namun kurang tepat

  Tidak mengetahui pengertian eksplorasi data

  5% 3-4 Post

  test

  Tes tulisan (UTS)

  warehouse, dan

  10% 5-6 Post

  menjelaskan operasi-operasi data warehouse

  Dapat menjelaskan tahapan- tahapan praproses data, menjelaskan pengertian data

  warehouse,

  dan operasi- operasi data

  warehouse

  Dapat menjelaskan tahapan-tahapan praposes data dan pengertian data warehouse dengan tepat

  Dapat menyebutkan tahapan-tahapan praproses data dan pengertian data warehouse walau kurang tepat

  Tidak mengetahui tahapan-tahapan praproses data dan pengertian data warehouse

  5% pengertian dan tahapan-tahapan

  association rules

  pengertian

  menjelaskan fungsi feature

  selection dan

  penerapannya dalam data Dapat menjelaskan pengertian

  naive bayes

  dan cara perhitungan

  naive bayes,

  mengetahui pengertian

  feature selection

  Dapat menjelaskan pengertian naive

  bayes atau feature selection

  dengan tepat Dapat menjelaskan pengertian naive

  bayes atau feature selection

  walau kurang tepat Tidak mengetahui pengertian naive

  bayes atau

  feature selection

  perhitungan naive

  10%

  12 Post

  test

  Tes tulisan Dan tugas kelom pok

  ● Dapat menjelaskan pengertian

  feature extraction

  dalam data Dapat menjelaskan pengertian

  feature extraction dan

  penerapannya Dapat menjelaskan pengertian

  feature extraction

  dengan tepat Dapat menjelaskan pengertian future

  extraction walau

  kurang tepat Tidak mengetahui pengertian

  feature extraction

  bayes ,

  bayes,cara

  dan menerapkan algoritme tersebut pada data pengertian dan tahapan- tahapan

  Dapat menjelaskan pengertian

  association rules

  pengertian

  association rules

  dengan tepat pengertian

  association rules

  walau kurang tepat

  association rules

  8-9 Post

  test

  Tugas Kelom pok (UAS)

  Dapat menerapkan algoritme

  unsupervised learning dan

  algoritme decision

  tree dalam data

  unsupervised learing dan decision tree

  Dapat menjelaskan pengertian naive

  dengan tepat, menyebutkan contoh algoritme pada

  unsupervised learing atau decision tree

  Dapat menjelaskan pengertian

  unsupervised learing atau decision tree

  dengan tepat Dapat menjelaskan pengertian

  unsupervised learning atau decision tree

  walau kurang tepat Tidak mengetahui pengertian

  unsupervised learning atau

  pengertian

  decision tree

  15% 10-

  11 Post

  test

  Tugas Kelom pok (UAS)

  10% dan dalam data penerapannya dalam data, menjelaskan perbedaan

  feature selection dan feature extraction

  13- Post Tes ● Dapat Dapat Dapat Dapat Tidak 15% 14 test tulisan menjelaskan menjelaskan menjelaskan menjelaskan mengetahui

  (UAS) pengertian pengertian pengertian text pengertian text pengertian text

  text mining text mining mining dan mining atau mining dan tidak

  dan dan menjelaskan menjelaskan mengetahui penerapannya menerapkan teknik-teknik teknik-teknik teknik-teknik dalam data, teknik data data mining data mining data mining yang dapat mining yang dengan tepat walau kurang sudah diajarkan menerapkan sudah tepat teknik data diajarkan ke mining yang dalam data sudah diajarkan ke dalam data dari mulai persiapan hingga tugas data mining

  Komponen penilaian :

  1. Kehadiran = 10 %

  2. Tugas = 20 %

  3. UTS = 30 %

  4. UAS = 40 % Jakarta, 28 Agustus 2017

  Kepala Program Studi Dosen Pengampu, Manajemen Informasi Kesehatan Dr. Hosizah, SKM., MKM

  Noviandi, S.Kom, M.Kom