GBPP SIF 309 Data Warehouse

Garis-garis Besar Program Pembelajaran
(GBPP)
Mata Kuliah

: Data Warehouse

Komak/sks

: 3 SKS

Deskripsi Singkat

: Mata kuliah ini memperkenalkan tentang prinsip-prinsip dasar dalam data warehouse dan penambangan data, peserta akan dibekali
dengan pemahaman teoritis mengenai isu-isu yang dihadapi, syarat-syarat yang diperlukan serta proses yang harus dilalui dalam
penambangan data sehingga dapat menarik kesimpulan berupa informasi berharga dari data-data yang telah diolah.

Standar Kompetensi

: Setelah mengikuti perkuliahan, mahasiswa diharapkan mampu memahami mengenai prinsip-prinsip dasar dalam penambangan data,
selanjutnya mahasiswa mampu menerapkannya pada data-data riil.


Referensi textbook

: [1] Jiawei Han and Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, 2006, Second Edition.
[2] Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan
Kaufmann Publishers.

Kompetensi Dasar

Indikator

1
Mahasiswa dapat
mengetahui dan
memahami konsep dasar
data warehouse dan
penambangan data

2
Mahasiswa dapat
mengetahui dan

memahami konsep dasar
data mining dan mampu
menjelaskan mengapa
diperlukan datamining
dalam kehidupan seharihari.

Mahasiswa mampu

Mahasiswa dapat
mengetahui tahapan yang

melakukan langkah-

Pokok Bahasan dan
Sub Pokok Bahasan
3
Introduction

Metode


Media

Estimasi Waktu

4
Tatap muka dan
tugas mandiri

5
Papan tulis,
kertas kerja,
laptop, LCD
projector

6
Pertemuan 1 (2x50
mnt)
Praktikum
1(1x100mnt)


Data Preprocessing:

Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,
laptop, LCD

Pertemuan 2(2x50
mnt)
Pertemuan 3(2x50

Data summarization,data

Sumber
Kepustakaan
7
[1] ch 1


[1] ch 2

Kompetensi Dasar

Indikator

1
langkah dalam tahapan

2
dilakukan pada preproses,
serta dapat menjelaskan
fungsi dari masing-masing
proses tersebut, syarat
dan kondisi yang
diperlukan serta

preproses penambangan
data


Mahasiswa dapat
memahami konsep dan
arsitektur
datawarehouse serta
mampu melakukan
perancangan berkaitan
dengan manfaatnya
dalam penambangan
data

Mahasiswa dapat
mengetahui bagaimana
memilih metode yang
tepat dalam datamining

Pokok Bahasan dan
Sub Pokok Bahasan
3
cleaning, data integration

and transformation, data
reduction, data
discretization and concept
hierarchy generation

Metode

Media

Estimasi Waktu

5
projector

6
mnt)
Praktikum
2(1x100mnt)
Praktikum
3(1x100mnt)


Mahasiswa mampu
memahami konsep dasar
datawarehouse, mampu
merancang arsitekturnya
dan memahami cara
implementasinya

Datawarehouse and OLAP:

Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,
laptop, LCD
projector

Pertemuan 4(2x50

mnt)
Pertemuan 5(2x50
mnt)
Praktikum 4
(1x100mnt)
Praktikum
5(1x100mnt)

[1] ch 3

Mahasiswa mampu
menjelaskan konsep data
cube dan operasi yang
berlaku, serta mampu
melakukan proses data
generalization

Data Cube and Data
Generalization :


Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,
laptop, LCD
projector

[1] ch 4

Mining Frequent Pattern,
Association, and Correlation

Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,

laptop, LCD
projector

Pertemuan 6(2x50
mnt)
Pertemuan 7(2x50
mnt)
Praktikum
6(1x100mnt)
Praktikum
7(1x100mnt)
Pertemuan 8(2x50
mnt)
Pertemuan 9(2x50
mnt)
Praktikum
8(1x100mnt)
Praktikum
9(1x100mnt)

Mampu menjelaskan
mengenai konsep dasar
metode frequent pattern,
association dan
correlation serta dapat
mengidentifikasi kapan
dan bagaimana sifat data
yang sesuai untuk masing-

Datawarehouse
Introduction,
Multidimensional Data
Model, DW Architecture,
DW implementation

4

Sumber
Kepustakaan
7

[1] ch 5

Kompetensi Dasar
1

Mahasiswa dapat
mengetahui dan
memahami aplikasi dan
tren data mining

Indikator

Pokok Bahasan dan
Sub Pokok Bahasan
3

Metode

Mampu menjelaskan
mengenai konsep dasar
metode classification dan
prediction (regresi) serta
dapat mengetahui
bagaimana metode
tersebut dapat digunakan
untuk prediksi

Classification and
Prediction:

Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,
laptop, LCD
projector

Pertemuan 10(2x50
mnt)
Pertemuan 11(2x50
mnt)
Praktikum
10(1x100mnt)
Praktikum
11(1x100mnt)

[1] ch 6

Mampu menjelaskan
mengenai konsep dasar
metode clustering serta
dapat mengetahui
bagaimana metode
tersebut dapat digunakan
untuk prediksi

Clustering

Tatap muka, tugas
mandiri dan
praktikum lab

Papan tulis,
kertas kerja,
laptop, LCD
projector

Pertemuan 12(2x50
mnt)
Praktikum
12(1x100mnt)

[1] ch 7

Mahasiswa dapat
memecahkan kasus data
mining yang ada pada
dunia bisnis atau industri.

Tren dalam penambangan
data dan studi kasus

Tatap muka dan
Diskusi

Papan tulis,
kertas kerja,
laptop, LCD
projector

Pertemuan 13(2x50
mnt), Praktikum
13(1x100mnt)

2
masing metode

Media
4

Decision Tree Induction,
Bayessian Classification,
Ruled-based classification,
other classification (fuzzy,
genetic algorithm),
prediction (linear and non
linear regression), model
selection (ROC)

Estimasi Waktu
5

6

Sumber
Kepustakaan
7