Anda di halaman 1dari 0

ANALISIS INSTRUKSIONAL

GARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP)


DAN SATUAN ACARA PERKULIAHAN (SAP)
MATA KULIAH : DATA MINING
PRODI : TEKNIK INFORMATIKA
DI
S
U
S
U
N
OLEH
AFIJAL, S.Kom.,M.Kom
NIDN : 0125088401
FAKULTAS ILMU KOMPUTER (FIKOM)
UNIVERSITAS ALMUSLIM
2013
ANALISIS INSTRUKSIONAL
SK : Mahasiswa mampu memahami data mining dalam
aplikasinya pada business intelegensi dalam wadah data
warehouse dan juga diharapkan mampu merencanakan dan
mendesain aplikasi pendukung data mining untuk keperluan
suatu studi kasus tertentu
Menjelaskan Pengertian data mining, proses knowledge data
discovery, arsitektur dan model data mining, fungsi data mining,
teknik data mining, dan aplikasi tren data mining
Memperlihatkan proses
kerja data mining secara
konseptual
Memperlihatkan proses
kerja data mining secara
demo
Menjelaskan tentang proses KDD, perbedaan data mining dan KDD
Menjelaskan tentang fungsi data mining, arsitektur dan model data
mining
Menjelaskan tentang teknik-teknik data mining
Mendemontrasikan cara kerja aplikasi weka dan rapidminer dalam
pengolahan data yang dibutuhkan
GARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP)
Mata Kuliah : Data Mining
Kode Mata Kuliah : -
Bobot (SKS) / Semester : 3 SKS / V (lima)
Standar Kompetensi : Mahasiswa mampu memahami data mining dalam aplikasinya pada business intelegensi dalam wadah data
warehouse dan juga diharapkan mampu merencanakan dan mendesain aplikasi pendukung data mining untuk
keperluan suatu studi kasus tertentu.
Deskripsi Singkat : - Proses knowledge data discovery (KDD), Data Warehouse dan Data Mining
- Arsitektur dan model data mining
- Fungsi-fungsi data mining (fungsi deskripsi, fungsi estimasi dan fungsi prediksi)
- Teknik-teknik data mining
- Dessicion tree, Assiation rule, Clustering (K-Means)
- Aplikasi dan tren dalam data mining (matlab, weka, rapidminer)
Kompetensi Prasyarat : -
Kualifikasi Dosen : S-2 Sistem Informasi
Soft Kill : Komitmen, semangat, kemampuan berkomunikasi, toleransi, kemampuan bekerjasama, kemampuan
memecahkan masalah
Aktifitas Pembelajaran :
Pertemuan
Ke-
Kompetensi Dasar Materi Indikator
Waktu
Sumber Belajar Soft Kill
T P L
I
Memahami proses
Knowledge Data
Discovery (KDD)
Introduction
(pengantar)
Definisi KDD
Data Processing
Data Warehouse
Indexing, searching,
OLAP, reduksi
Langkah langkah
dalam proses KDD
Mahasiswa mampu mendefinisikan
pengertian dari data mining, KDD
dan data warehouse
Mahasiswa dapat menjelaskan
maksud dan tujuan data mining
Mahasiswa dapat menerangkan
konsep data preprocessing, data
warehouse, indexing, searching,
OLAP dan reduksi
Mahasiswa dapat menyebut definisi
data mining, kebutuhan dan ilmu
ilmu yang berkatitan dengan data
mining
II
Memahami perbedaan
antara KDD dan data
mining serta tahapan-
tahapan dalam KDD
yang digunakan,
karakteristik data
warehouse
KDD vs Data Mining
Tahapan-tahapan dalam
KDD
Masalah DBMS saat ini
Karakteristik data
warehouse
Mahasiswa mengenal, mengerti dan
hafal akan perbedaan KDD, data
mining dan data warehouse berikut
istilah-istilah yang digunakan dalam
data mining
Mahasiswa mengerti dan paham akan
tahapan-tahapan dalam KDD dan
permasalahan DBMS saat ini
Mahasiswa dapat menyebutkan dan
menjelaskan jenis serta fungsi dari
KDD, Data Mining dan Data
Warehouse yang digunakan
III
Memahami macam dan
jenis dari arsitektur dan
model data mining
Komponen dari sistem
data mining
Model data mining
Tools Data Mining
Evolusi Database
Teknik-teknik database
Mahasiswa dapat menyebut dan
menerangkan teknik teknik
database, penerapan data mining dan
tools yang digunakan pada data
mining
Mahasiswa dapat menyebutkan dan
menerangkan komponen dari system
data mining dan model data mining
Mahasiswa dapat mengetahui dan
memahami arsitektur dan model data
mining
IV & V
Memahami fungsi-
fungsi dari data mining
Pengertian dan contoh
classification
Pengertian dan contoh
association
Pengertian dan contoh
sequentil/temporal
pattern
Pengertian dan contoh
clustering/segmentation
Mahasiswa dapat menyebut dan
menerangkan pengertian dan contoh
dari classification, association,
sequential/temporal pattern dan
clustering/segmentation
Mahasiswa dapat menjelaskan dan
membedakan fungsi data mining
deskripsi, estimasi dan prediksi
Mahasiswa dapat
Fungsi Deskripsi
Fungsi Estimasi
Fungsi Prediksi
mengimplementasikan fungsi-fungsi
data mining kedalam aplikasi
VI Q U I
S
VII & VIII
Memahami kerja dari
Dessicion Tree,
Assiation Rule dan
Clustering (K-Means)
dalam data mining
Dessicion Tree
Assiation Rule
Clustering (K-Means)
Mahasiswa dapat membedakan dan
menjelaskan kerja dari dessicion tree,
assiation rule dan clustering
Mahasiswa dapat mengubah fakta
yang besar menjadi sebuah pohon
keputusan dengan sistem dessiation
tree dan assiation rule dengan
menggunakan algoritma C4.5
Mahasiswa mampu mengelompokkan
dan mengambarkan prototype dengan
sistem clustering
IX
Memahami teknik-teknik
data mining
Analisis cluster
Induksi (pohon
keputusan dan aturan
induksi)
Jaringan syaraf buatan
(Neural Network)
Online Analytical
Processing (OLAP)
Visualisasi data
Mahasiswa dapat menyebutkan,
menerangkan dan memberikan
contoh dari analisis cluster, induksi,
jaringan syaraf buatan, OLAP dan
visualisasi data
Mahasiswa mampu menjelaskan dan
menyebutkan teknik-teknik data
mining
Mahasiswa mampu menjelaskan
visualisasi data sebaik mungkin
dalam data mining
X
Memahami aplikasi dan
tren data mining
Tools, piranti lunak dan
aplikasi yang digunakan
dalam data mining
Tren data mining: image
mining, web mining dll
Mahasiswa dapat mengetahui dan
memahami aplikasi dan tren data
mining
Mahasiswa dapat menyebutkan dan
menerangkan tools, piranti lunak dan
aplikasi yang digunakan dalam data
mining
Mahasiswa dapat menerangkan tren
data mining saat ini tentang image
mining dan web mining
XI UTS (Ujian Tengah
Semester)
XII & XIII
Memahami tentang
penggunaan data mining
pada dunia bisnis atau
industri
Studi Kasus 1 Mahasiswa dapat memecahkan kasus
data mining yang ada pada dunia
bisnis atau industri
Mahasiswa dapat mengimplementasi
kan aplikasi weka pada dunia bisnis
atau industri
XIV
Memahami tentang
penggunaan data mining
pada dunia pendidikan
Studi Kasus 2 Mahasiswa dapat memecahkan kasus
data mining yang ada pada dunia
pendidikan
Mahasiswa dapat mengimplementasi
kan aplikasi rapidminer pada dunia
pendidikan
XV
Mereview materi selama
1 semester
Membuat kesimpulan akhir
perkuliahan
Mahasiswa mereview bahasan kuliah
menjelang ujian utama, mencakup
semua materi secara garis besar,
mengingat mata kuliah ini ujian utama
XVI F I N A L
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : I (satu)
6. Standar Kompetensi : Mahasiswa mengerti tentang aturan akademik serta
memahami proses Knowledge Data Discovery
(KDD).
7. Kompetensi Dasar : Menjelaskan peraturan akademik dan pentingnya
mempelajari proses Knowledge Data Discovery
(KDD).
8. Soft Kill : Komitmen untuk belajar, semangat, komunikasi,
toleransi.
9. Materi Pokok : Pendahuluan
10. Indikator : Dapat memahami aturan akademik yang berlaku,
mengetahui pokok bahasan yang diajarkan dalam 1
semester, memahami proses Knowledge Data
Discovery (KDD).
11. Outcomes yang diharapkan : Bersikap akademis
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
Latihan pengembangan
13. Aktivitas Pembelajaran :
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Simulasi, perkenalan dan
menawarkan kontrak kuliah selama
satu semester
2. Menjelaskan proses Knowledge
Data Discovery (KDD)
3. Menyampaikan soft kill yang
diharpakan
4. Menguraikan standar kompetensi
setelah selesai mengikuti
perkuliahan selama satu semester
Merespon
Memperhatikan
Tanya jawab
Saling memperkenalkan
diri
Penyajian 1. Menyampaikan aturan akademik,
jadwal perkuliahan, praktikum dan
sistem penilaian
2. Menyampaikan materi pokok untuk
satu semester
3. Menyampaikan sanksi yang
diberikan apabila melanggar
peraturan yang telah dijelaskan
4. Mereview pengetahuan mahasiswa
tentang proses Knowledge Data
Discovery (KDD)
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Menyepakati aturan-
aturan yang telahh
disampaikan
Penutup 1. Mengingatkan kembali mengenai
aturan yang telah disampaikan
2. Meminta mahasiswa komitmen
Mendengarkan
Menerima semua aturan
yang disampaikan
dengan aturan tersebut
3. Memberikan bahan pertemuan
minggu kedua tentang KDD vs Data
Mining dan meminta mahasiswa
membacanya
14. Evaluasi : 1. Sebutkan definisi dari Knowledge Data
Discovery (KDD)
2. Jelaskan proses Knowledge Data Discovery
15. Tugas : Mencari dan mempelajari bahan tentang pertemuan
selanjutnya mengenai KDD vs Data Mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : II (dua)
6. Standar Kompetensi : Mahasiswa dapat memahami proses yang digunakan
dalam Knowledge Data Discovery (KDD) dan data
mining.
7. Kompetensi Dasar : Mengenal, mengerti proses-proses KDD yang
digunakan secara rinci, mengerti maksud dan tujuan
dari proses KDD dan data mining.
8. Soft Kill : Kemampuan berkomunikasi, kemampuan
bekerjasama, kemampuan memecahkan masalah.
9. Materi Pokok : Knowledge Data Discovery vs Data Mining
10. Indikator : Mahasiswa mengenal, mengerti dan hafal akan
proses KDD dan data mining secara rinci.
11. Outcomes yang diharapkan : Memahami proses KDD vs Data Mining
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
Latihan pengembangan
13. Aktivitas Pembelajaran : Diskusi dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan minggu pertama
2. Menjelaskan proses KDD yang
digunakan dalam data mining
3. Menjelaskan perbedaan antara KDD
dan Data Mining
4. Menyampaikan soft kill yang
diharapkan
5. Menguraikan kompetensi dasar
yang diharpkan setelah mengikuti
perkuliahan tentang KDD vs Data
Mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
apa saja yang termasuk kedalam
proses KDD dan istilah data mining
2. Merespon pertanyaan yang
diberikan oleh mahasiswa dengan
cara memberikan kesempatan
kepada mahasiswa lain untuk
menjawab
3. Meminta mahasiswa menjelaskan
proses KDD dan Data Mining
4. Merespon jawaban mahasiswa
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
Mendengarkan
Menyepakati jadwal
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
pertemuan minggu ketiga
diperpustakaan dan media internet
tentang arsitektur dan model data
mining
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan proses dari Knowledge
Data Discovery (KDD)
2. Jelaskan perbedaan antara Knowledge Data
Discovery dan Data Mining
15. Tugas : Mencari tambahan bahan pertemuan 3 tentang
arsitektur dan model data mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : III (Tiga)
6. Standar Kompetensi : Mahasiswa dapat memahami macam dan jenis dari
arsitektur dan model data mining.
7. Kompetensi Dasar : Mahasiswa dapat menyebutkan dan menerangkan
komponen dari system data mining dan model data
mining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Arsitektur dan Model Data Mining
10. Indikator : Mahasiswa mengenal dan mengerti akan arsitektur
serta model dari data mining.
11. Outcomes yang diharapkan : Memahami macam arsitektur dan model data
mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
Latihan pengembangan
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan kedua
2. Menjelaskan tentang arsitektur dan
model data mining
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang arsitektur dan
model data mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
apa saja yang termasuk kedalam
arsitektur data mining
2. Meminta mahasiswa menyebutkan
apa saja yang termasuk kedalam
model data mining
3. Merespon jawaban yang diberikan
oleh mahasiswa
4. Meminta mahasiswa menjelaskan
maksud dan fungsi dari arsitektur
dan model data mining
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
pertemuan minggu ke empat
diperpustakaan dan media internet
tentang fungsi data mining
diberikan
14. Evaluasi : 1. Sebutkan arsitektur dan model data mining
2. Jelaskan fungsi dari arsitektur dan model data
mining
15. Tugas : Mencari dan mempelajari bahan tentang pertemuan
selanjutnya mengenai Fungsi data mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : IV (Empat)
6. Standar Kompetensi : Mahasiswa dapat memahami fungsi data mining.
7. Kompetensi Dasar : Mahasiswa dapat menyebut dan menerangkan
pengertian dan contoh dari classification,
association,
Sequential/temporal pattern dan clustering
/segmentation.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Fungsi Data Mining
10. Indikator : Mahasiswa mengenal dan mengerti akan fungsi-
fungsi data mining.
11. Outcomes yang diharapkan : Memahami fungsi data mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan ketiga
2. Menjelaskan tentang fungsi data
mining
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang fungsi data
mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
pengertian dari classification,
association, Sequential/temporal
pattern dan clustering /segmentation
2. Meminta mahasiswa menyebutkan
contoh dari classification,
association, Sequential/temporal
pattern dan clustering /segmentation
3. Merespon jawaban yang diberikan
oleh mahasiswa
4. Meminta mahasiswa menjelaskan
fungsi dari classification,
association, Sequential/temporal
pattern dan clustering /segmentation
yang digunakan dalam data mining
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
pertemuan minggu ke lima
diperpustakaan dan media internet
tentang fungsi data mining
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari classification,
association, Sequential/temporal pattern dan
clustering /segmentation
2. Sebutkan contoh dari classification, association,
Sequential/temporal pattern dan clustering
/segmentation
15. Tugas : Mencari dan mempelajari bahan tentang pertemuan
selanjutnya mengenai Fungsi data mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : V (Lima)
6. Standar Kompetensi : Mahasiswa dapat memahami fungsi data mining.
7. Kompetensi Dasar : Mahasiswa dapat menjelaskan dan membedakan
fungsi data mining deskripsi, estimasi dan prediksi.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Fungsi Data Mining
10. Indikator : Mahasiswa mengenal dan mengerti akan fungsi-
fungsi data mining.
11. Outcomes yang diharapkan : Memahami fungsi data mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan keempat
2. Menjelaskan tentang fungsi data
mining
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang fungsi data
mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
fungsi data mining tentang fungsi
deskripsi, fungsi estimasi dan fungsi
prediksi
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa menjelaskan
fungsi deskripsi, fungsi estimasi dan
fungsi prediksi
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa untuk
mempelajari kembali pertemuan
kesatu sampai ke lima untuk
persiapan quis
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari fungsi deskripsi,
fungsi estimasi dan fungsi prediksi
2. Sebutkan contoh dari fungsi deskripsi, fungsi
estimasi dan fungsi prediksi
15. Tugas : Mempelajari bahan pertemuan kesatu sampai
kelima untuk persiapan quis
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : VII (Tujuh)
6. Standar Kompetensi : Mahasiswa dapat memahami kerja dari Dessicion
Tree, Assiation Rule dalam data mining.
7. Kompetensi Dasar : Mahasiswa dapat membedakan dan menjelaskan
kerja dari dessicion tree dan assiation rule.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Dessicion Tree dan Assiation Rule
10. Indikator : Mahasiswa mampu mengelompokkan dan
mengambarkan prototype dari dessition tree dan
assiation rules.
11. Outcomes yang diharapkan : Memahami sistem kerja dessicion tree dan
Assiation rule.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview hasil test yang telah
diberikan pada pertemuan keenam
2. Menjelaskan tentang dessicion tree
dan Assiation rule
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang dessicion tree
dan Assiation rule
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
tentang kerja dessicion tree dan
Assiation rule
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa menjelaskan
dessicion tree dan Assiation rule
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
pertemuan minggu ke delapan
diperpustakaan dan media internet
tentang clustering (K-Means)
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari Dessicion Tree dan
Assiation Rule
2. Gambarkan prototype dari Dessicion Tree dan
Assiation Rule
15. Tugas : Mempelajari bahan pertemuan ke delapan tentang
clustering (K-Means)
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : VIII (Delapan)
6. Standar Kompetensi : Mahasiswa dapat memahami kerja dari Clustering
(K-Means).
7. Kompetensi Dasar : Mahasiswa dapat membedakan dan menjelaskan
kerja dari Clustering (K-Means).
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Clustering (K-Means)
10. Indikator : Mahasiswa mampu mengelompokkan dan
mengambarkan prototype dari Clustering (K-
Means).
11. Outcomes yang diharapkan : Memahami sistem kerja Clustering (K-Means).
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan ketujuh
2. Menjelaskan tentang Clustering (K-
Means)
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang Clustering (K-
Means)
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskan
tentang kerja Clustering (K-Means)
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa menjelaskan
Clustering (K-Means)
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
pertemuan minggu ke sembilan
diperpustakaan dan media internet
tentang teknik-teknik data mining
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari Clustering (K-Means)
2. Gambarkan prototype dari K-Means
15. Tugas : Mempelajari bahan pertemuan ke sembilan tentang
teknik-teknik data mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : IX (Sembilan)
6. Standar Kompetensi : Mahasiswa memahami teknik-teknik data mining.
7. Kompetensi Dasar : Mahasiswa dapat menjelaskan teknik-teknik data
mining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Teknik Data Mining
10. Indikator : Mahasiswa mampu menerangkan dan memberikan
contoh dari analisis cluster, induksi, jaringan syaraf
buatan, OLAP dan visualisasi data.
11. Outcomes yang diharapkan : Memahami teknik-teknik yang digunakan dalam
data mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan
kedelapan
2. Menjelaskan tentang teknik-teknik
data mining
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang teknik-teknik
data mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menyebutkan
tentang teknik-teknik data mining
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa menjelaskan
teknik-teknik data mining
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mencari bahan
pertemuan minggu ke sepuluh
diperpustakaan dan media internet
tentang aplikasi dan tren data
mining
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan teknik-teknik data
mining
2. Sebutkan contoh analisis cluster, induksi,
jaringan syaraf buatan, OLAP dan visualisasi
data
15. Tugas : Mempelajari bahan pertemuan ke sepuluh tentang
aplikasi dan tren data mining
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : X (Sepuluh)
6. Standar Kompetensi : Mahasiswa Memahami aplikasi dan tren data
mining
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahami
aplikasi dan tren data mining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama.
9. Materi Pokok : Aplikasi dan Tren Data Mining
10. Indikator : Mahasiswa dapat menerangkan tren data mining
saat ini tentang image mining dan web mining.
11. Outcomes yang diharapkan : Memahami aplikasi dan Tren Data Mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan
kesembilan
2. Menjelaskan tentang aplikasi dan
tren data mining
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang aplikasi dan
tren data mining
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa menyebutkan
tentang aplikasi dan tren data
mining
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa menjelaskan
aplikasi dan tren data mining
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mempelajari
kembali materi pertemuan kesatu
sampai ke sepuluh untuk persiapan
ujian tengah semester
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan aplikasi data mining
2. Sebutkan dan jelaskan tren data mining saat ini
15. Tugas : Mempelajari bahan pertemuan ke satu sampai
sepuluh untuk persiapan ujian tengah semester
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : XII & XIII (dua belas dan tiga belas)
6. Standar Kompetensi : Mahasiswa dapat memecahkan kasus data mining
yang ada pada dunia bisnis atau industri
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahami
implementasi data mining pada dunia bisnis dan
industri.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama, ulet, toleransi.
9. Materi Pokok : Studi Kasus 1
10. Indikator : Mahasiswa dapat menerangkan implementasi data
mining pada dunia bisnis dan industri.
11. Outcomes yang diharapkan : Memahami aplikasi weka.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan, Konsep dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview hasil tes ujian tengah
semester yang telah diberikan pada
pertemuan kesebelas
2. Menjelaskan tentang aplikasi yang
akan digunakan pada studi kasus 1
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang studi kasus
satu dan aplikasi yang digunakan
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa
mempresentasikan studi kasus satu
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa mendemokan
aplikasi weka yang digunakan pada
studi kasus satu
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mempelajari
kembali studi kasus satu beserta
aplikasi weka
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan kendala yang dialami dalam
pengerjaan studi kasus menggunakan aplikasi
weka
2. Sebutkan pengertian dari aplikasi weka
15. Tugas : Mempelajari bahan pertemuan selanjutnya tentang
studi kasus dua
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : XIV (empat belas)
6. Standar Kompetensi : Mahasiswa dapat memecahkan kasus data mining
yang ada pada dunia pendidikan
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahami
implementasi data mining pada pendidikan.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama, ulet, toleransi.
9. Materi Pokok : Studi Kasus 2
10. Indikator : Mahasiswa dapat menerangkan implementasi data
mining pada dunia pendidikan.
11. Outcomes yang diharapkan : Memahami aplikasi rapid miner.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan, Konsep dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview hasil studi kasus satu
pada pertemuan ketiga belas
2. Menjelaskan tentang aplikasi yang
akan digunakan pada studi kasus
dua
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang studi kasus dua
dan aplikasi yang digunakan
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa
mempresentasikan studi kasus dua
2. Merespon jawaban yang diberikan
oleh mahasiswa
3. Meminta mahasiswa mendemokan
aplikasi rapidminer yang
digunakan pada studi kasus dua
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikan
kesimpulan dari pertemuan hari ini
2. Memberikan tugas
3. Meminta mahasiswa mempelajari
kembali studi kasus dua beserta
aplikasi rapidminer
Mendengarkan
Menyepakati jadwal
lanjutan
Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan kendala yang dialami dalam
pengerjaan studi kasus menggunakan aplikasi
rapidminer
2. Sebutkan pengertian dari aplikasi rapidminer
15. Tugas : Merangkum materi perkuliahan selama satu
semester
16. Referensi :
1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.
2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 2006
3. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 2013
4. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
2010
5. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining
2. Kode Mata Kuliah/SKS : - / 3 SKS
3. Waktu Pertemuan : 3 x 50 Menit
4. Jumlah Pertemuan : 16 Kali Tatap Muka
5. Pertemuan Ke- : XVI (enam belas)
6. Standar Kompetensi : Mahasiswa dapat menjelaskan kembali materi
kuliah selama satu semester
7. Kompetensi Dasar : Mahasiswa mereview bahasan kuliah menjelang
ujian utama, mencakup semua materi secara garis
besar, mengingat mata kuliah ini ujian utama.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuan
bekerjasama, ulet, toleransi.
9. Materi Pokok : Membuat kesimpulan akhir perkuliahan
10. Indikator : Mahasiswa dapat menjelaskan kebutuhan data
mining pada suatu perusahaan dan tren data mining
masa kini.
11. Outcomes yang diharapkan : Memahami data mining secara keseluruhan.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan, Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan Mahasiswa
Pendahuluan 1. Mereview hasil studi kasus dua
yang telah diberikan pada
pertemuan kelima belas
2. Menjelaskan tentang perbedaan
aplikasi weka dan rapid miner yang
digunakan
3. Menyampaikan soft kill yang
diharapkan
4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikuti
perkuliahan tentang data mining
beserta aplikasi yang telah
diimplementasikan
Merespon
Memperhatikan
Tanya jawab
Penyajian 1. Meminta mahasiswa untuk
mempelajari materi perkuliahan
selama satu semester
2. Merespon jawaban yang diberikan
oleh mahasiswa
Memperhatikan
Mendengarkan
Mencatat bagian yang
penting
Penutup 1. Meminta mahasiswa mempelajari
kembali semua materi selama satu
semester untuk menghadapi ujian.
2. Memberikan kisi-kisi soal ujian
final
Mendengarkan
Mencatat bagian yang
penting
Tanya jawab
14. Evaluasi : 3. Ujian Akhir (Final)
15. Tugas : -
16. Referensi : -