Silabus DATAMINING 2015 ardytha
FM-UDINUS-BM-08-04/R0
SILABUS MATAKULIAH
Revisi
Tanggal Berlaku
A.
B.
Identitas
1. Nama Matakuliah
2. Program Studi
3. Fakultas
4. Bobot sks
5. Elemen Kompetensi
6. Jenis Kompetensi
7. Alokasi waktu total
:
:
:
:
:
:
:
:4
: 04 September 2015
Data Mining
Teknik Industri
Teknik
2 SKS
MKB
Keahlian Berkarya
14 X 100 Menit
Unsur-unsur Silabus
Kompetensi
Dasar
Pengantar Data
Mining.
Konsep Machine
Learning :
Supervised dan
Unsupervised
Learning
Indikator
Mahasiswa dapat:
1. memahami
pengertian Data
Mining.
2. memahami
sejarah dan
perkembangan
Data Mining
3. memahami
manfaat dan
implementasi
data mining
1. Mahasiswa
memahami
konsep Machine
Learning
2. Mahasiswa
Pokok Bahasan/Materi
a.
b.
c.
a.
b.
c.
d.
e.
Aktifitas Pembelajaran
Pemahaman umum
tentang Data Mining.
Pengenalan sejarah dan
perkembangan Data
Mining.
Pemahaman manfaat
dan implementasi Data
Mining
1.
Machine Learning
Supervised Learning
Unsupervised Learning
Metode Data Mining
Estimasi
1.
2.
3.
Menjelaskan
pemahaman umum
tentang Data Mining.
Menjelaskan pengenalan
Sejarah dan
perkembangan Data
Mining.
Menjelaskan Manfaat
dan implementasi Data
Mining dalam kehidupan
sehari-hari
Menjelaskan konsep
machine learning yang
digunakan dalam data
mining, supervised
learning dan
Alokasi
Waktu
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
100 menit
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
Metode Data Mining
Macam-macam
algoritma Data
Mining
Konsep dasar
proses data mining.
Standar Proses Data
Mining
menggunakan
CRISP-DM
3.
1.
2.
Konsep Input
Metode Output
Evaluation
3.
Dataset
1.
2.
memahami
metode-metode
Data Mining
Mahasiswa
memahami
perbedaan dari
macam-macam
algoritma Data
Mining
Mahasiswa
memahami
konsep dasar
proses data
mining.
Mahasiswa
memahami
standar proses
data mining
dengan CRISPDM
Mahasiswa
memahami
konsep Input
Metode
Output
Evaluation
Mahasiswa
memahami
pengertian
dataset
Mahasiswa
memahami
jenis-jenis
dataset public
Pokok Bahasan/Materi
Aktifitas Pembelajaran
f.
g.
h.
i.
Prediksi
Klasifikasi
Klastering
Asosiasi
a.
1.
e.
f.
g.
h.
Standar Proses Data
Mining
6 Fase CRISP-DM
Fase Business
Understanding
Fase Data
Understanding
Fase Data Preparation
Fase Modelling
Fase Evaluation
Fase Deployment
a.
b.
c.
d.
e.
Dataset public
Dataset private
Data preparation
Data transformation
Data cleaning
1.
b.
c.
d.
2.
2.
3.
4.
2.
3.
Alokasi
Waktu
Rujukan
Evaluasi
unsupervised learning
Menjelaskan macammacam metode data
mining dan
perbedaannya, estimasi,
prediksi, klasifikasi,
klastering, asosiasi
dikerjakan di rumah.
Menjelaskan mengenai
konsep dasar proses
data mining.
Menjelaskan standar
proses data mining
dengan CRISP-DM
Menjelaskan fase-fase
dalam CRISP-DM
Menjelaskan konsep
Input-metode-outputevaluation
100 menit
Menjelaskan pengertian
dataset
Menjelaskan jenis-jenis
dataset public dan privat
Menjelaskan data
preparation, data
transformation, data
cleaning
100 menit
1,2,3
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
3.
Algoritma Data
Mining
Algoritma Data
Mining klasifikasi
menggunakan Naïve
Bayes Classifier
1.
2.
Algoritma Data
Mining klasifikasi
menggunakan
Decision Tree C45
1.
dataset dan
private dataset
Mahasiswa
memahami data
preparation,
data
transformation,
data cleaning
Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma
klasifikasi naïve
bayes classifier
Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma naïve
bayes classifier
Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma
klasifikasi
Decision Tree
C45
a.
b.
Alokasi
Waktu
Rujukan
Menjelaskan tentang konsep
analisis data untuk klasifikasi
dengan naïve bayes classifier
100 menit
1,2,3
Menjelaskan tentang konsep
analisis data untuk klasifikasi
dengan decision tree c45
100 menit
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Algoritma Data Mining
Naïve bayes classifier
Algoritma Data Mining
klasifikasi decision tree c45
Evaluasi
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
Aktifitas Pembelajaran
Alokasi
Waktu
Rujukan
1,2,3
Evaluasi
2.
Algoritma Data
Mining Estimasi
menggunakan linier
regresi sederhana
dan berganda
Algoritma Data
Mining Clustering
menggunakan KMeans
Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma
Decision Tree
C45
1. Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma linier
regresi
sederhana dan
berganda
2. Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma linier
regresi
1. Mahasiswa
memahami
konsep analisis
data klastering
menggunakan
algoritma k-
Pokok Bahasan/Materi
Algoritma Data Mining
estimasi linier regresi
sederhana dan berganda
Menjelaskan tentang konsep
analisis data untuk estimasi
linier regresi
100 menit
Algoritma Data Mining
klastering menggunakan Kmeans
Menjelaskan tentang konsep
analisis data untuk klastering
menggunakan k-means
100 menit
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
2.
Algoritma Data
Mining Clustering
menggunakan
Aglomerative
Hierarchial
Clustering
1.
2.
Algoritma Data
Mining Asosiasi
menggunakan
Apriori
1.
2.
means
Mahasiswa dapat
memecahkan
persoalan terkait
data klaster
menggunakan
algoritma kmeans
Mahasiswa
memahami
konsep analisis
data klastering
menggunakan
Aglomerative
Hierarchial
Clustering
Mahasiswa dapat
memecahkan
persoalan terkait
klasifikasi dengan
algoritma
Aglomerative
Hierarchial
Clustering
Mahasiswa
memahami
konsep analisis
asosiasi data
menggunakan
Kaidah Asosiasi
Mahasiswa dapat
memecahkan
persoalan terkait
asosiasi data
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Alokasi
Waktu
Algoritma Data Mining
Aglomerative Hierarchial
Clustering
Menjelaskan tentang konsep
data klastering
menggunakan algoritma
Aglomerative Hierarchial
Clustering
100 menit
Algoritma Data Mining
Asosiasi
Algortima Apriori
Menjelaskan tentang konsep
asosiasi data menggunakan
algortima apriori
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Evaluasi Model Data
Mining
Tools Data Mining
Tools Data Mining
Review pertemuan
9 - 14
Responsi
Indikator
dengan
menggunakan
algoritma Apriori
Mahasiswa mampu
memahami berbagai
macam teknik untuk
evaluasi model data
mining
Pokok Bahasan/Materi
a.
b.
c.
Evaluasi Data Mining
Confusion Matrix
RMSE
Mahasiswa mampu
menguasai tools data
mining
(Rapidminer/Weka/M
atlab)
Tools Data Mining Rapid
Miner.
Mahasiswa mampu
menguasai tools data
mining
(Rapidminer/Weka/M
atlab)
Tools Data Mining
Weka/Matlab.
1.
Review pertemuan 9
Mahasiswa
mampu
menguasai
materi dari
pertemuan 9
14.
14.
Aktifitas Pembelajaran
Menjelaskan konsep
evaluasi model data mining
menggunakan confusion
matrix dan rmse
Alokasi
Waktu
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
Menjelaskan konsep
pengolahan data
menggunakan berbagai
algoritma data mining
dengan tools.
100 menit
Menjelaskan konsep
pengolahan data
menggunakan berbagai
algoritma data mining
dengan tools.
100 menit
Latihan soal dan
pembahasan untuk
persiapan Ujian Akhir
Semester (UAS).
100 menit
1,2,3
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
1,2,3
Daftar Referensi
Wajib
1. Ian H Witten : Data Mining (Bagian Pemrograman Fungsional) , Kelompok Keahlian Rekayasa Perangkat Lunak dan Data, 3rd Edition, Morgan Kauffman Publisher.
2. Goronescu : Data Mining
3. Alpaydin : Machine Learning
FM-UDINUS-BM-08-04/R0
Disusun oleh
Dosen Pengampu
Diperiksa oleh
Ketua Program Studi
Disahkan oleh
Dekan
Yuniarsi Rahayu, M.Kom
Dr. Ir. Rudi Tjahyono, M.M.
Dr.Eng. Yuliman Purwanto,M.Eng.
SILABUS MATAKULIAH
Revisi
Tanggal Berlaku
A.
B.
Identitas
1. Nama Matakuliah
2. Program Studi
3. Fakultas
4. Bobot sks
5. Elemen Kompetensi
6. Jenis Kompetensi
7. Alokasi waktu total
:
:
:
:
:
:
:
:4
: 04 September 2015
Data Mining
Teknik Industri
Teknik
2 SKS
MKB
Keahlian Berkarya
14 X 100 Menit
Unsur-unsur Silabus
Kompetensi
Dasar
Pengantar Data
Mining.
Konsep Machine
Learning :
Supervised dan
Unsupervised
Learning
Indikator
Mahasiswa dapat:
1. memahami
pengertian Data
Mining.
2. memahami
sejarah dan
perkembangan
Data Mining
3. memahami
manfaat dan
implementasi
data mining
1. Mahasiswa
memahami
konsep Machine
Learning
2. Mahasiswa
Pokok Bahasan/Materi
a.
b.
c.
a.
b.
c.
d.
e.
Aktifitas Pembelajaran
Pemahaman umum
tentang Data Mining.
Pengenalan sejarah dan
perkembangan Data
Mining.
Pemahaman manfaat
dan implementasi Data
Mining
1.
Machine Learning
Supervised Learning
Unsupervised Learning
Metode Data Mining
Estimasi
1.
2.
3.
Menjelaskan
pemahaman umum
tentang Data Mining.
Menjelaskan pengenalan
Sejarah dan
perkembangan Data
Mining.
Menjelaskan Manfaat
dan implementasi Data
Mining dalam kehidupan
sehari-hari
Menjelaskan konsep
machine learning yang
digunakan dalam data
mining, supervised
learning dan
Alokasi
Waktu
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
100 menit
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
Metode Data Mining
Macam-macam
algoritma Data
Mining
Konsep dasar
proses data mining.
Standar Proses Data
Mining
menggunakan
CRISP-DM
3.
1.
2.
Konsep Input
Metode Output
Evaluation
3.
Dataset
1.
2.
memahami
metode-metode
Data Mining
Mahasiswa
memahami
perbedaan dari
macam-macam
algoritma Data
Mining
Mahasiswa
memahami
konsep dasar
proses data
mining.
Mahasiswa
memahami
standar proses
data mining
dengan CRISPDM
Mahasiswa
memahami
konsep Input
Metode
Output
Evaluation
Mahasiswa
memahami
pengertian
dataset
Mahasiswa
memahami
jenis-jenis
dataset public
Pokok Bahasan/Materi
Aktifitas Pembelajaran
f.
g.
h.
i.
Prediksi
Klasifikasi
Klastering
Asosiasi
a.
1.
e.
f.
g.
h.
Standar Proses Data
Mining
6 Fase CRISP-DM
Fase Business
Understanding
Fase Data
Understanding
Fase Data Preparation
Fase Modelling
Fase Evaluation
Fase Deployment
a.
b.
c.
d.
e.
Dataset public
Dataset private
Data preparation
Data transformation
Data cleaning
1.
b.
c.
d.
2.
2.
3.
4.
2.
3.
Alokasi
Waktu
Rujukan
Evaluasi
unsupervised learning
Menjelaskan macammacam metode data
mining dan
perbedaannya, estimasi,
prediksi, klasifikasi,
klastering, asosiasi
dikerjakan di rumah.
Menjelaskan mengenai
konsep dasar proses
data mining.
Menjelaskan standar
proses data mining
dengan CRISP-DM
Menjelaskan fase-fase
dalam CRISP-DM
Menjelaskan konsep
Input-metode-outputevaluation
100 menit
Menjelaskan pengertian
dataset
Menjelaskan jenis-jenis
dataset public dan privat
Menjelaskan data
preparation, data
transformation, data
cleaning
100 menit
1,2,3
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
3.
Algoritma Data
Mining
Algoritma Data
Mining klasifikasi
menggunakan Naïve
Bayes Classifier
1.
2.
Algoritma Data
Mining klasifikasi
menggunakan
Decision Tree C45
1.
dataset dan
private dataset
Mahasiswa
memahami data
preparation,
data
transformation,
data cleaning
Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma
klasifikasi naïve
bayes classifier
Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma naïve
bayes classifier
Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma
klasifikasi
Decision Tree
C45
a.
b.
Alokasi
Waktu
Rujukan
Menjelaskan tentang konsep
analisis data untuk klasifikasi
dengan naïve bayes classifier
100 menit
1,2,3
Menjelaskan tentang konsep
analisis data untuk klasifikasi
dengan decision tree c45
100 menit
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Algoritma Data Mining
Naïve bayes classifier
Algoritma Data Mining
klasifikasi decision tree c45
Evaluasi
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
Aktifitas Pembelajaran
Alokasi
Waktu
Rujukan
1,2,3
Evaluasi
2.
Algoritma Data
Mining Estimasi
menggunakan linier
regresi sederhana
dan berganda
Algoritma Data
Mining Clustering
menggunakan KMeans
Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma
Decision Tree
C45
1. Mahasiswa
memahami
konsep analisis
data
menggunakan
algoritma linier
regresi
sederhana dan
berganda
2. Mahasiswa
dapat
memecahkan
persoalan
terkait
klasifikasi
dengan
algoritma linier
regresi
1. Mahasiswa
memahami
konsep analisis
data klastering
menggunakan
algoritma k-
Pokok Bahasan/Materi
Algoritma Data Mining
estimasi linier regresi
sederhana dan berganda
Menjelaskan tentang konsep
analisis data untuk estimasi
linier regresi
100 menit
Algoritma Data Mining
klastering menggunakan Kmeans
Menjelaskan tentang konsep
analisis data untuk klastering
menggunakan k-means
100 menit
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Indikator
2.
Algoritma Data
Mining Clustering
menggunakan
Aglomerative
Hierarchial
Clustering
1.
2.
Algoritma Data
Mining Asosiasi
menggunakan
Apriori
1.
2.
means
Mahasiswa dapat
memecahkan
persoalan terkait
data klaster
menggunakan
algoritma kmeans
Mahasiswa
memahami
konsep analisis
data klastering
menggunakan
Aglomerative
Hierarchial
Clustering
Mahasiswa dapat
memecahkan
persoalan terkait
klasifikasi dengan
algoritma
Aglomerative
Hierarchial
Clustering
Mahasiswa
memahami
konsep analisis
asosiasi data
menggunakan
Kaidah Asosiasi
Mahasiswa dapat
memecahkan
persoalan terkait
asosiasi data
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Alokasi
Waktu
Algoritma Data Mining
Aglomerative Hierarchial
Clustering
Menjelaskan tentang konsep
data klastering
menggunakan algoritma
Aglomerative Hierarchial
Clustering
100 menit
Algoritma Data Mining
Asosiasi
Algortima Apriori
Menjelaskan tentang konsep
asosiasi data menggunakan
algortima apriori
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
FM-UDINUS-BM-08-04/R0
Kompetensi
Dasar
Evaluasi Model Data
Mining
Tools Data Mining
Tools Data Mining
Review pertemuan
9 - 14
Responsi
Indikator
dengan
menggunakan
algoritma Apriori
Mahasiswa mampu
memahami berbagai
macam teknik untuk
evaluasi model data
mining
Pokok Bahasan/Materi
a.
b.
c.
Evaluasi Data Mining
Confusion Matrix
RMSE
Mahasiswa mampu
menguasai tools data
mining
(Rapidminer/Weka/M
atlab)
Tools Data Mining Rapid
Miner.
Mahasiswa mampu
menguasai tools data
mining
(Rapidminer/Weka/M
atlab)
Tools Data Mining
Weka/Matlab.
1.
Review pertemuan 9
Mahasiswa
mampu
menguasai
materi dari
pertemuan 9
14.
14.
Aktifitas Pembelajaran
Menjelaskan konsep
evaluasi model data mining
menggunakan confusion
matrix dan rmse
Alokasi
Waktu
100 menit
Rujukan
1,2,3
Evaluasi
a.
b.
c.
Menjelaskan konsep
pengolahan data
menggunakan berbagai
algoritma data mining
dengan tools.
100 menit
Menjelaskan konsep
pengolahan data
menggunakan berbagai
algoritma data mining
dengan tools.
100 menit
Latihan soal dan
pembahasan untuk
persiapan Ujian Akhir
Semester (UAS).
100 menit
1,2,3
a.
b.
c.
1,2,3
a.
b.
c.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
Melakukan tanya jawab
pemahaman mahasiswa
Memberi latihan di kelas.
Memberi tugas kepada
mahasiswa untuk
dikerjakan di rumah.
1,2,3
Daftar Referensi
Wajib
1. Ian H Witten : Data Mining (Bagian Pemrograman Fungsional) , Kelompok Keahlian Rekayasa Perangkat Lunak dan Data, 3rd Edition, Morgan Kauffman Publisher.
2. Goronescu : Data Mining
3. Alpaydin : Machine Learning
FM-UDINUS-BM-08-04/R0
Disusun oleh
Dosen Pengampu
Diperiksa oleh
Ketua Program Studi
Disahkan oleh
Dekan
Yuniarsi Rahayu, M.Kom
Dr. Ir. Rudi Tjahyono, M.M.
Dr.Eng. Yuliman Purwanto,M.Eng.