SATUAN ACARA PERKULIAHAN (SAP)

Matakuliah : Data Mining dan Manajemen Pengetahuan

Kode : (Kosongkan)

Beban : 3 SKS (150 MENIT TATAP MUKA)

Sifat : Pilihan

Program Studi/Fakultas : Teknik Industri/Fakultas Teknik

Sasaran Matakuliah :

 Mahasiswa memahami konsep dan proses pengolahan data mining.

 Mahasiswa mampu menganalisis permasalahan real-world dengan menggunakan model-model data mining.
 Mahasiswa memahami konsep manajemen pengetahuan di dalam suatu organisasi.

Silabus Ringkas :

Pembahasan mata kuliah ini dimulai dengan pengenalan terhadap aktivitas data mining. Pra-persiapan data yang merupakan aktivitas sebelum pengolahan data
dimulai yang meliputi pembersihan data hingga transformasi data agar siap diolah. Mata kuliah ini juga mencakup berbagai model-model pengolahan data mining
seperti Exploratory Data Analysis, Pendekatan Statistik untuk Estimasi dan Prediksi, k-Nearest Neighbor Algorithm, Decision Tress, Neural Networks, Hierarchical
and k-Means Clustering, Kohonen Networks, Association Rules, serta tekni evaluasi terhadap model-model tersebut. Mata kuliah ini dilanjutkan dengan
pemahaman mengenai manajemen pengetahuan yang mencakup pemahaman definisi, siklus KM dan model dari KM, serta teknik penangkapan dan kodifikasinya
untuk kegiatan berbagai pengetahuan.
Mata Kuliah Prasyarat :

- Sistem Basis Data

- Analisis Perancangan Sistem Informasi

Buku acuan :

1. Daniel T. Larose. 2005. Discovering Knowedge in Data: An Introduction to Data Mining. John Wiley & Sons

Strategi PBM : Kuliah, tata muka, pemberian tugas, quiz, diskusi

Media : White Board, OHP, Hand Out, Data Proyektor, Komputer

Minggu Pokok Tujuan Materi Kegiatan Sumber/

Ke Bahasan Instruksional Khusus Dosen Keterangan
(1) (2) (3) (4) (5) (6)
1 Pengenalan terhadap Data - Memahami konsep data mining - Pengertian Data Mining Tatap muka, Diskusi, dan Larose Bab 1
Mining sebagai pengolahan data - Kebutuhan terhadap Latihan
- Mengetahui pentingnya aktivitas Penggalian Data
penggalian data pada suatu big data - Kebutuhan Pengaruh
- Memahami bahwa data mining Manusia untuk Data
merupakan tools yang membutuhkan Mining
peran manusia - Fallacies dari Data
- Mengetahui berbagai fallacies dari Mining
data mining dan permasalahan yang - Permasalahan yang
dapat diatasi dengan data mining dapat diselesaikan
dengan Data Mining
2 Pra-persiapan Data - Memahami pentingnya pra-persiapan - Alasan kebutuhan pra- Tatap muka, Diskusi, dan Larose Bab 2
data sebelum dilakukan pengolahan persiapan data Latihan
lebih lanjut - Pembersihan data
- Mampu membersihkan data dan - Mengatasi
mengatasi missing values Permasalahan hilang

3 Exploratory Data Analysis (EDA)
4 Pendekatan Statistik untuk
Estimasi dan Prediksi
5 k-Nearest Neighbor Algorithm
- Mampu mengidentifikasi kesalahan data
klasifikasi dan outlier yang muncul - Mengidentifikasi
- Mampu mentransformasi dan kesalahan klasifikasi
menormalisasi data agar siap untuk - Mengidentifikasi outlier
diolah lebih lanjut - Transformasi Data
- Normalisasi Data
- Memahami konsep dari model EDA - Pengertian Exploratory Tatap muka, Diskusi, dan Larose Bab 3
sebagai tools data mining Data Analysis Latihan
- Mampu melakukan pengolahan data - Perbedaan EDA dengan
mining dan menyelesaikan suatu analisis data lain
permasalahan dengan menggunakan - Tujuan EDA
model EDA - Peran dari grafik
- Mampu mengaplikasikan metode - Pengkategorian
EDA dalam permasalahan real world Permasalahan
- Asumsi Dasar
- Teknik EDA
- Memahami konsep dari pendekatan - Fungsi data mining Tatap muka, Diskusi, dan Larose Bab 4
statistik sebagai tools data mining dalam menemukan Latihan
- Mengetahui tools statistic yang dapat pengetahuan dalam
digunakan dalam data mining data
- Mampu melakukan pengolahan data - Pendekatan statistic
mining dan menyelesaikan suatu untuk estimasi dan
permasalahan dengan menggunakan prediksi
pendekatan statistic - Metode Univariate:
- Mampu mengaplikasikan metode Mengukur titik tengah
pendekatan statistic dalam dan sebaran
permasalahan real world - Metode Bivariate:
Regresi linier sederhana
- Regresi Berganda
- Menguji asumsi model
- Memahami konsep dari model EDA - Supervised vs Tatap muka, Diskusi, dan Larose Bab 5
sebagai tools data mining Unsupervised Latihan
- Mampu melakukan pengolahan data - Pengaplikasian
mining dan menyelesaikan suatu Klasifikasi
permasalahan dengan menggunakan - Metodologi Supervised
model EDA Modeling
- Mampu mengaplikasikan metode - Overfitting vs
EDA dalam permasalahan real world Underfitting
- Variansi Bias
- K-Nearest Neighbor

6 Decision Tress
7 Neural Networks
8 UTS
9 Hierarchical and k-Means
Clustering
Algorithm
- Memilih Nilai K
- Memahami konsep dari model - Pengertian Decision Tatap muka, Diskusi, dan Larose Bab 6
decision tree sebagai tools data Tree Latihan
mining - Algoritma Classification
- Memahami tipe dan perbedaan And Regression Tree
algoritma CART dan C4.5 dalam (CART)
decision tree - Algoritma C4.5
- Mampu melakukan pengolahan data - Perbandingan Algoritma
mining dan menyelesaikan suatu CART dan C4.5
permasalahan dengan menggunakan
model decision tree
- Mampu mengaplikasikan metode
decision tree dalam permasalahan
real world
- Memahami konsep dari model neural - Mengkodekan input dan Tatap muka, Diskusi, dan Larose Bab 7
networks sebagai tools data mining output Latihan
- Mampu melakukan pengolahan data - Neural Networks untuk
mining dan menyelesaikan suatu estimasi dan prediksi
permasalahan dengan menggunakan - Back Propagation
model neural networks - Metode penurunan
- Mampu mengaplikasikan metode gradient
neural networks untuk estimasi dan - Learning Rate
prediksi dalam permasalahan real - Momentum Term
world
Menilai pemahaman dan keterampilan Membuat Soal dan Menilai
- Memahami konsep dari model - Tugas dari Tatap muka, Diskusi, dan Larose Bab 8
Hierarchical and k-Means Clustering Pengklusteran Latihan
sebagai tools data mining - Hierarchical Clustering
- Mampu melakukan pengolahan data Method
mining dan menyelesaikan suatu - Contoh Hierarchical
permasalahan dengan menggunakan Clustering Method
model Hierarchical and k-Means - Pengaplikasian
Clustering Hierarchical Clustering
- Mampu mengaplikasikan metode Method
 Hierarchical and k-Means Clustering
dalam permasalahan real world
dalam melakukan clustering
10 Kohonen Networks - Memahami konsep dari model
kohonen networks sebagai tools data
mining
- Mampu melakukan pengolahan data
mining dan menyelesaikan suatu
permasalahan dengan menggunakan
model kohonen networks
- Mampu mengaplikasikan metode
kohonen networks dalam
permasalahan real world
11 Association Rules - Memahami konsep dari model
association rules sebagai tools data
mining
- Memahami tipe dan perbedaan
algoritma pada metode association
rule
- Mampu melakukan pengolahan data
mining dan menyelesaikan suatu
permasalahan dengan menggunakan
model association rules
- Mampu mengaplikasikan metode
association rules dalam
permasalahan real world
12 Teknik Evaluasi Model - Memahami pentingnya evaluasi pada
model sebagai tools
- Memahami teknik-teknik evaluasi
model untuk setiap fungsi data mining
- Mampu melakukan analisis kesalahan
dan resiko dari setiap penggunaan
model
- Mampu menerapkan model sesuai
dengan setiap fungsi data mining
- Pengantar Tatap muka, Diskusi, dan Larose Bab 9
- Self-Organizing Maps Latihan
- Kohonen Networks
- Validitas Klustering
- Aplikasi klustering
menggunakan Kohonen
Networks
- Pengantar Tatap muka, Diskusi, dan Larose Bab 10
- Dasar metodologi Latihan
- Merepresentasikan tipe
data
- Metode Association
Rules
- Algoritma Apriori
- Metode Generalized
Rule Induction (GRI)
- Pengaplikasian
Association Rules
- Pengantar Tatap muka, Diskusi, dan Larose Bab 11
- Teknik evaluasi model Latihan
untuk fungsi deskripsi
- Teknik evaluasi model
untuk fungsi prediksi dan
estimasi
- Teknik evaluasi model
untuk fungsi klasifikasi
- Error Rate, False
Positives, and False
Negatives
- Penyesuaian biaya atas
kesalahan klasifikasi
- Analisis biaya atau
 manfaat
- Lift Charts and Gains
Charts
- Menjalin evaluasi model
dengan penyusunan
model
- Menerapkan model yang
sesuai
13 Pengantar Manajemen - Memahami konsep dari manajemen - Pengertian dan definisi Tatap muka, Diskusi, dan Sumber
Pengetahuan pengetahuan secara umum - Bentuk Pengetahuan Latihan
- Mengetahui berbagai bentuk dari - Pendekatan KM
pengetahuan - Bidang-bidang KM
- Memahami berbagai pendekatan dan - Proses konversi
bidang dalam KM pengetahuan
- Memahami proses konversi - Teknologi KM
pengetahuan dan teknologi yang - Organisasi Pembelajar
mendukungnya
14 Siklus KM dan Model KM - Memahami siklus hidup KM pada - Tujuan Siklus KM Tatap muka, Diskusi, dan Sumber
suatu organisasi - Proses KM Latihan
- Mengetahui berbagai tipe-tipe siklus - Tipe-tipe Siklus KM
hidup KM - Perbandingan Siklus KM
- Memahami kunci utama model teoritis - Model KM
Manajemen Pengetahuan yang - Tipe-tipe model KM
digunakan saat ini
- Menghubungkan kerangka kerja KM
dengan konsep KM dan langkah-
langkah utama dalam siklus KM
- Menjelaskan model sistem adaptif
kompleks dari KM yang dapat
mengatur konten yang subyektif dan
dinamis
15 Penangkapan dan kodifikasi - Mengenali konsep dan terminologi - Penangkapan Tatap muka, Diskusi, dan Sumber
pengetahuan serta Berbagi dasar yang berkaitan dengan pengetahuan tacit Latihan
Pengetahun penangkapan dan kodifikasi - Penangkapan
pengetahuan Pengetahuan Tacit pada
- Mengetahui teknik-teknik untuk Level Individu dan
mengekstrak pengetahuan tacit dari Kelompok
seorang pakar - Kodifikasi
- Mengetahui peran dan tanggung pengetahuan explicit
jawab dalam proses penangkapan - Pencarian informasi
 dan kodifikasi pengetahuan - Komunitas praktik
- Mengetahui pendekatan taksonomi - Alur Pengetahuan
untuk mengklasisikasi pengetahuan
yang ditangkap
- Mengetahui komponen kunci
komunitas praktik
- Menyebutkan fase utama dalam
siklus hidup komunitas
- Menjelaskan peran dan tanggung
jawab di dalam komunitas praktik
- Menganalisa alur pengetahuan di
dalam komunitas praktik
- Menjelaskan bagaimana komunitas
dapat terkait dengan memori
organisasi
16 UAS Menilai pemahaman dan keterampilan Membuat Soal dan Menilai

*Catatan: 2 atau lebih minggu perkuliahan dapat ditulis dalam satu baris (disatukan) jika materi yang disampaikan sama