DIBUAT DATA MINING 463533 Sistem Cerdas 3 SKS VII - 23082016 Otorisasi Pengembang MK Koordinator RMK Ka PRODI
RENCANA PEMBELAJARAN SEMESTER PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK – UNTAG SURABAYA MATA KULIAH KODE RUMPUN MK BOBOT (SKS) SEMESTER DIREVISI DIBUAT
3 SKS
VII 23/08/2016 - DATA MINING 463533 Sistem Cerdas Pengembang MK Koordinator RMK Ka PRODI Otorisasi Menginternalisasi nilai, norma, dan etika akademik.
Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri. Menginternalisasi semangat kemandirian, kejuangan, dan kewirausahaan. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya.
Mampu menunjukkan kinerja mandiri, bermutu, dan terukur.
Capaian Pembelajaran MK
Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya,
(Standar Kompetensi) berdasarkan hasil analisis informasi dan data.
Mampu mendokumentasikan, menyimpan, mengamankan, dan menemukan kembali data untuk menjamin kesahihan dan mencegah plagiasi. Memiliki sikap untuk belajar seumur hidup (life-long learning). Mencari, merunut, menyarikan informasi ilmiah dan non-imiah secara mandiri dan kritis. Beradaptasi terhadap situasi yang dihadapi dan menangani berbagai kegiatan secara simultan pada berbagai kondisi.
Mampu menunjukkan pemahaman dan apresiasi pentingnya negosiasi, etos kerja, kepemimpinan, dan komunikasi yang baik. Menentukan dan menerapkan pendekatan berbagai konsep data mining yang sesuai dengan permasalahan yang dihadapi. Menerapkan penggunaan model, metode, dan mekanisme dari pendekatan data mining. Evaluasi kinerja dari penerapan data mining yang sesuai dengan problem yang dihadapi, termasuk dalam pemilihan model, metode dan mekanismenya.
Deskripsi Bahan Kajian & Pokok Bahasan MK Bahan Kajian
Data Mining
Pokok Bahasan
Pada mata kuliah ini, mahasiswa/i secara umum akan mempelajari teknik data mining yang terkait dengan program studi Teknik Informatika. Beberapa poin pokok bahasan yang akan disajikan dan dibahas secara mendalam dalam mata kuliah ini, antara lain: dasar-dasar pengetahuan tentang data mining, teknik preprocessing data, konsep data
warehouse , pola mining, assosiasi dan korelasi, klasifikasi dan prediksi, analisa kluster, analisa outlier, stream mining, time-series dan deret data, obyek mining, multimedia spasial, teks dan data web, graph mining, analisa jaringan sosial
dan multirelasional data mining, dan aplikasi serta trend dalam data mining.
Pustaka Utama 1.
2. Han, Jiawei and Kamber, Micheline. 2006. Data Mining: Concepts and Techniques (second ed.). San Francisco: Elsevier Inc.
Pendukung 1.
Tan, Pang-Ning et al.2006. Introduction to Data Mining. Boston: Pearson Addison Wesley 2. J. Zaki, Mohammed and Meira Jr., Wagner. 2014. Data Mining and Analysis: Foundations and Algorithm.
New York: Cambridge University Press.
3. Hastie, Trevor et al.2009.The Elements of Statistical Learning: Data Mining, Inference, and Prediction (second ed.). New York: Springer Science and Business Media.
Media Pembelajaran Software Hardware
Operating System: Windows Beamer Latex Microsoft Office Tex Maker & Miktex Matlab atau Python Laptop LCD Proyektor Papan Tulis Alat tulis : Spidol & Penghapus Papan
Team Teaching Elsen Ronando Mata Kuliah Syarat Kalkulus, Statistika dan Probabilitas Mg ke- Capaian Mata Kuliah (Sesuai Tahapan Belajar) Materi Pembelajaran [Pustaka] Aktivitas Pembelajaran [Estimasi Waktu] Penilaian Indikator Bentuk Bobot 1.
Mahasiswa/i mampu memahami dan menjelaskan tentang pengetahuan dasar data mining dan aplikasinya, seperti konsep dan definisi, tipe data, serta pola dan fungsionalitas pendekatan data mining.
Indikator : Definisi dan konsep dasar dari pendekatan data mining.
Jenis-jenis model data yang berkaitan erat dengan pendekatan data mining: relasi basis data, transaksional basis data, basis data lanjut.
- Aplikasinya) [BT+BM: (1+1)x(3x50’)]
Pola dan fungsionalitas dari pendekatan data mining : analisa Kuliah & Diskusi.
Brainstroming [ TM: 3x(3x50’)]
Tugas 1 (kelompok): Menyusun laporan dan mempresentasikannya tentang aplikasi penerapan data mining (Pendekatan data mining yang digunakan
Kesesuaian menjelas- kan bidang aplikasi yang berkaitan dengan konsep data mining.
Ketepatan memahami analisa data mining sesuai bidang aplikasinya Presenta- si, diskusi, dan keaktifan.
Tugas kelom- pok: laporan dan presenta- si.
5/14 % & 5 %
(pola frekuensi tinggi), klasifikasi dan prediksi, analisa kluster, dan analisa outlier dan trend.
Indikator: Konsep dasar data warehouse .
Diskusi dan keaktifan.
yang kaitannya dengan data mining.
warehouse
[TM: 3x(3x50’)] Kesesuai- an pemaha- man data
Kuliah & Diskusi. Brainstroming.
Model data yang diterapkan, seperti data multidimensional.
Mahasiswa/i mampu memahami konsep data warehouse dan menentukan kaitannya dengan data mining.
2. Mahasiswa/i mampu memahami dan menganalisa tahapan proses pencarian data (preprocessing data), yaitu ekstraksi fitur, pembersihan data, reduksi data, integrasi dan transformasi data, diskritisasi data, dan konsep hirarki data.
5/14 % 3.
Diskusi dan keaktifan.
[TM: 3x(3x50’)] Kesesuai- an menjelas- kan dan menganali- sa konsep proses pencarian data (preprocess ing data).
Kuliah & Diskusi. Brainstroming.
Tahapan dan analisa dari proses pencarian data (preprocessing data): ekstraksi fitur, pembersihan data, reduksi data, integrasi dan transformasi data, diskritisasi data dan konsep hirarki data.
Indikator: Konsep dan peran dari tahapan proses pencarian data (preprocessing data).
5/14 %
Arsitektur dan implementasi data warehouse . Kaitan data
warehouse dengan data mining.
Mahasiswa/i mampu memahami, Indikator: 5/14 %
Kuliah & Diskusi. Kesesuai- Diskusi menerapkan, dan menganalisa tentang an pemaha- dan Konsep & road map Brainstroming. konsep pola asosiasi dan korelasi baik tentang pola asosiasi man keaktifan.
[TM: 3x(3x50’)] metode & aturannya. dan korelasi. tentang
Latihan soal dan analisa pola Metode dan aturan diskusi asosiasi pada pola asosiasi penyelesaiannya. dan dan korelasi. [BT+BM: korelasi. Aplikasi pola (1+1)x(3x50’)] asosiasi dan korelasi Ketepatan dalam dalam menerapka menyelesaikan
4. n analisa permasalahan pola . asosiasi dan korelasi dalam beberapa bidang aplikasi.
Mahasiswa/I mampu menjelaskan, Indikator: 5/14 %
Presentasi & Diskusi Kesesuaian Diskusi, menganalisa, dan mengevaluasi secara &
(Kuis I). dalam sikap Teknik proses mendalam artikel maupun riset ilmiah
5 % pencarian data menjelas- presentasi [TM: 3x(3x50’)] yang berkaitan dengan teknik proses
(preprocessing data). kan dan dan pencarian data, data warehouse, dan menganali- keaktifan. Data warehouse. konsep pola asosiasi serta korelasi. sa jurnal
Konsep pola asosiasi atau riset dan korelasi. ilmiah dengan topik bahasan. Sikap dan 5. keaktifan dalam presentasi. Ketepatan ringkasan laporan makalah dengan artikel atau riset ilmiah yang berkaitan.
Mahasiswa/i memahami, menganalisa, Indikator: 2 x (5/14 %)
Kuliah & Diskusi. Kesesuaian Diskusi dan menyelesaikan permasalahan konsep dan
Konsep dasar Brainstroming. 6.& 7. tentang konsep klasifikasi dan prediksi klasifikasi dan klasifikasi keaktifan.
[TM: 3x(3x50’)] serta aplikasinya dalam konsep data prediksi dalam data dan mining. dalam Isu permasalahan Latihan soal dan menyelesai klasifikasi dan diskusi kan prediksi dalam data penyelesaiannya. permasala- mining. [BT+BM: han. (1+1)x(3x50’)]
Teknik seleksi fitur dan seleksi model Ketepatan pengguna- dalam proses an konsep klasifikasi. klasifikasi
Metode klasifikasi dan dalam data mining. prediksi
Konsep evaluasi dalam pengukuran tingkat beberapa akurasi dan bidang kesalahan dari aplikasi.. proses klasifikasi dan prediksi.
ETS (Evaluasi Tengah Semester) 30 %
Mahasiswa/i memahami, menganalisa, Indikator: 5/14 %
Kuliah & Diskusi. Kesesuaian Diskusi dan menyelesaikan permasalahan konsep dan
Konsep dasar kluster Brainstroming. tentang konsep kluster serta aplikasinya dalam data mining. kluster keaktifan.
[TM: 3x(3x50’)] dalam konsep data mining. dalam
Teknik seleksi fitur, Latihan soal dan menyelesai kategorisai tipe data, diskusi 8. kan dan metode dalam penyelesaiannya. kluster. permasala-
[BT+BM: han. (1+1)x(3x50
Konsep validasi ’)] proses kluster. Ketepatan pengguna- an dan Penerapan kluster analisa dari dalam beberapa konsep bidang aplikasi. kluster dalam beberapa bidang aplikasi..
Mahasiswa/i mampu memahami, Indikator: 5/14 %
Kuliah & Diskusi. Kesesuaian Tugas menganalisa, dan menyelesaikan & menyelesai Individu :
Konsep dasar analisa Brainstroming. permasalahan tentang konsep outlier 5 % outlier. kan soal
[TM: 3x(3x50’)] serta aplikasinya dalam konsep data permasala- latihan
Model analisa outlier Latihan soal dan mining. han analisa analisa dalam data mining. diskusi outlier outlier. penyelesaiannya
Teknik deteksi dalam outlier dalam data beserta Tugas 2.
Diskusi bidang data dan mining. [BT+BM: 9. mining. keaktifan. (1+1)x(3x50’)]
Metode validasi Ketepatan dalam analisa mengevalu outlier. asi analisa
Aplikasi berkaitan outlier erat dengan analisa dalam outlier. beberapa bidang aplikasi. Mahasiswa/i mampu memahami, Indikator:
5/14 % Kuliah & Diskusi. Kesesuaian Diskusi menganalisa, dan mengevaluasi tentang pemaha- dan Konsep dan kajian Brainstroming.
10. stream data mining, data time series, dan tentang stream data man dan keaktifan.
[TM: 3x(3x50’)] barisan data. analisa mining: metodologi dan metode. Konsep dan metode time series data mining beserta analisanya.
Metode dan aplikasi dari pola barisan data dalam beberapa aplikasi.
Latihan soal dan diskusi penyelesaiannya. [BT+BM: (1+1)x(3x50’)] tentang stream data mining, data time series, dan barisan data.
Ketepatan evaluasi dalam beberapa aplikasi.
11. Mahasiswa/i mampu memahami dan menganalisa beberapa konsep dari analisa multidimensional dan data kompleks, spasial data mining, multimedia data mining, teks mining, dan web mining (metode dan aplikasi)
Indikator: Konsep, metode, dan aplikasi dari analisa multidimensional dan data kompleks.
Konsep, metode, dan aplikasi spasial data mining. Konsep, metode, dan aplikasi multimedia data mining. Konsep, metode, dan aplikasi dari teks mining. Konsep, metode, dan Kuliah & Diskusi.
Brainstroming.
[TM: 3x(3x50’)] Permasalahan dan diskusi penyelesaiannya. [BT+BM: (1+1)x(3x50’)]
Kesesuai- an konsep dan analisa penyelesai- an masalah Ketepatan penyelesai- an masalah dalam beberapa aplikasi.
Diskusi dan keaktifan.
5/14 % Mahasiswa/i mampu menjelaskan, Indikator: 5/14 %
Presentasi & Diskusi. Kesesuaian Diskusi, menganalisa, dan mengevaluasi isu-isu & isu sikap dan
Konsep stream data Kuis II. permasalahan yang sedang berkembang
5 % mining, time series permasala- keaktifan. [TM: 3x(3x50’)] kaitannya dengan stream data mining, data mining, barisan han yang time series data mining, barisan data, data. dipilih spasial data mining, multimedia data dengan
Konsep spasial data mining, teks mining, dan web mining. konsep mining, multimedia yang data mining, teks
12. diamati. mining, dan web mining.
Ketepatan menjelas- kan dan menganali- sa permasala- han saat ini.
Mahasiswa/i mampu memahami dan Indikator: 5/14 %
Kuliah & Diskusi. Kesesuaian Diskusi menganalisa beberapa konsep dari graf menjelas- dan Konsep graf. Brainstroming. mining, analisa jaringan sosial, dan data kan keaktifan. Konsep, [TM: 3x(3x50’)] mining multirelasi (aplikasi dan keterkaitan karakteristik, dan
Isu Permasalahan dan tantangan saat ini). tantangan dari antara data diskusi mining 13. analisa jaringan penyelesaiannya. dengan sosial. [BT+BM: graf,
Konsep data mining (1+1)x(3x50’)] jaringan multirelasi dan sosial, dan aplikasinya. multirelasi.
14. Mahasiswa/i mampu menganalisa, mengembangkan, dan mengevaluasi ide- ide baru menggunakan pendekatan data mining dalam beberapa bidang aplikasi.
Indikator: Seluruh materi data mining.
Aplikasi data mining dan perkembangannya.
Kuliah & Diskusi. Brainstroming.
[TM: 3x(3x50’)] Isu Permasalahan dan diskusi penyelesaiannya. [BT+BM: (1+1)x(3x50’)]
Kesesuaian menjelas- kan pendekatan data mining dalam beberapa bidang aplikasi.
Diskusi dan keaktifan.
5/14 %
EAS (Evaluasi Akhir Semester) 45 % Total
100 % Catatan : 1 sks = (50’ TM + 50’ BT + 60’BM) /Minggu TM = Tatap Muka (Kuliah) BT = Belajar Terstruktur BM = Belajar Mandiri PS = Praktikum Simulasi (3 jam/Minggu) PL = Praktikum Lab. (3 jam/Minggu) T = Teori (aspek ilmu pengetahuan) P = Praktek (aspek ketrampilan kerja) Menyetujui, Ketua Program Studi Teknik Informatika Geri Kusnanto, S.Kom.,M.M. NPP. 20460.94.0401 Surabaya, …………………………………… Mengetahui, Dosen Pengampu Elsen Ronando, S.Si.,M.Si.,M.Sc. NPP. 20460.16.0708