RENCANA PEMBELAJARAN SEMESTER PROGRAM STUDI XXXXXX

UNIVERSITAS SATU NUSA

Mata Kuliah : Data Mining Kode MK

Mata Kuliah Prasyarat : - Bobot MK
Dosen Pengampu : XXXX Kode Dose
Alokasi Waktu : 14 Tatap Muka X 50 Menit Teori, 1 X 100 Menit Parktik
1. Mahasiswa mampu menjelaskan konsep data mining dan aplikasi data mining di berbagai bidang, mampu menjelaskan prosedur mining
data mulai dari preprocessing sampai menyajikan data yang siap digunakan,
Capaian Pembelajaran : 2. Mahasiswa mampu mengaplikasikan prosedur data mining menggunakan program WEKA dan R
3. Mahasiswa mampu melakukan analisis informasi dan data, serta mampu mngkomunikasikan hasil analisis.
4. Mahasiswa mampu memberikan petunjuk dalam memilih berbagai alternatif solusi secara mandiri dan kelompok.
1. Han Jiawei, Kamber Micheline, Pei Jian. 2019. Data Mining Concepts and Techniques. Elsevier
Buku Acuan : 2. Prasetyo Eko. 2018. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Andi Offset
3. Prasetyo Eko. 2020. Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Offset
SESI KEMAMPUAN AKHIR MATERI PEMBELAJARAN BENTUK PEMBELAJARAN

1 Mahasiswa mampu menjelaskan konsep- Pendahuluan: 1. Metoda: ceramah dan diskusi

konsep dasar data mining dan dapat Kontrak pembelajaran, Pengertian dan konsep 2. Media: kelas, komputer, LCD,
menyebutkan aplikasi data mining dalam dasar data mining whiteboard, web
berbagai bidang

2 Mahasiswa mampu mengeksplorasi data, Eksplorasi data , preprocessing data ( Data 1. Metoda: diskusi dan latihan
mengetahui adanya missing data values, Cleaning) 2. Media: kelas, komputer, LCD,
dan data noisy serta dapat mengatasinya whiteboard, web

3 Mahasiswa mengetahui preprocessing
data , melakukan proses cleaning data,
mampu menjelaskan konsep data
integrasi, transformasi, reduksi, dan
diskritisasi
Pre processing data 1. Metoda: diskusi dan latihan
● Data cleaning: missing values, noisy data 2. Media: kelas, komputer, LCD,
● Data integration whiteboard, web
● Data transformation
● Data reduction
● Data discretization

4 Mahasiswa mampu menjelaskan konsep Data warehouse dan OLAP 1. Metoda: diskusi dan latihan
data warehouse dan OLAP 2. Media: kelas, komputer, LCD,
whiteboard, web

5 Dapat menjelaskan konsep dasar cluster Clustering 1. Metoda: diskusi dan latihan
dan penerapannya pada data 2. Media: kelas, komputer, LCD,
whiteboard, web
6 Mahasiswa dapat Klasifikasi 1. Metoda: diskusi dan latihan
menjelaskan klasifikasi 2. Media: kelas, komputer, LCD,
whiteboard, web
7 Mahasiswa dapat menjelaskan Mining Association rule dan penerapannya 1. Metoda: diskusi dan latihan
Associations rule dan menerapkan pada 2. Media: kelas, komputer, LCD,
data whiteboard, web
8 Mahasiswa dapat menjelaskan konsep Unsupervised learning dan penerapannya 1. Metoda: diskusi dan latihan
unsupervised learning dan menerapkan 2. Media: kelas, komputer, LCD,
pada data whiteboard, web
9 Mahasiswa mampu menjelaskan konsep Decision tree dan penerapannya 1. Metoda: diskusi dan latihan
dasar decision tree dan menerapakannya 2. Media: kelas, komputer, LCD,
pada data whiteboard, web
10 Dapat menjelaskan konsep dasar naïve Naive bayes 1. Metoda: diskusi dan latihan
bayes 2. Media: kelas, komputer, LCD,
whiteboard, web
11 Mahasiswa mampu menjelaskan feature Feature selection dan penerapannya 1. Metoda: diskusi dan latihan
selection dan menerapkannya pada data. 2. Media: kelas, komputer, LCD,
whiteboard, web
 12 Mahasiswa mampu menjelaskan feature Feature extraction dan penerapannya 1. Metoda: diskusi dan latihan
extraction dan menerapkannya pada 2. Media: kelas, komputer, LCD,
data. whiteboard, web

13 Mahasiswa mampu menjelaskan Text mining 1. Metoda: diskusi dan latihan

konsep dasar text mining
14 Mahasiswa mampu memilih dan
menerapkan teknik data mining
mulai dari persiapan data sampai
dengan tugas data mining dalam
penyelesaian permasalahan sesuai
dengan studi kasus yang ada.
Presentasi dan diskusi tugas kelompok
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web

EVALUASI PEMBELAJARAN
SESI PROSE- DUR BEN- TUK SEKOR > 77 ( A / A-) SEKOR > 65 (B- / B /
B+ )
1 Post test Tes tulisan Dapat menjelaskan Dapat menjelaskan
(UTS) pengertian data mining pengertian data
secara
lengkap, mengetahui latar mining secara
belakang diperlukannya lengkap dan dapat
data mining, menyebutkan menyebutkan
dan menjelaskan aplikasi aplikasi data mining
data mining pada berbagai pada berbagai bidang
bidang kehidupan kehidupan

2 Post test Tes tulisan Dapat menjelaskan Dapat menjelaskan

pengertian eksplorasi data, pengertian ekslorasi
menjelaskan tipe-tipe data dan
atribut data, dan dapat menjelaskan tipe-tipe
memvisualisasikan data. atribut data

3-4 Post test Tes tulisan Dapat menjelaskan Dapat menjelaskan

(UTS) tahapan-tahapan praproses tahapan-tahapan
data, melakukan praproses data,
perhitungan pada beberapa menjelaskan
tahapan praproses, pengertian data
menjelaskan pengertian warehouse, dan
data warehouse, dan operasi-operasi data
menjelaskan operasi- warehouse
operasi data warehouse
5-6 Post test Tes tulisan Dapat menjelaskan Dapat menjelaskan
dan tugas algoritme-algoritme pengertian dan jenis-
kelomp ok klasifikasi dan clustering jenis klasifikasi dan
(UTS) serta dapat menerapkan clustering , dapat
algoritme tersebut ke menjelaskan
dalam data. algoritme- algoritme

klasifikasi dan
clustering
7 Post test Tes tulisan Dapat menjelaskan Dapat menjelaskan
pengertian dan tahapan- pengertian dan
tahapan association rules tahapan-tahapan
dan menerapkan algoritme association rules
tersebut pada data

8-9 Post test Tugas Dapat menerapkan Dapat menjelaskan

Kelomp ok algoritme unsupervised pengertian
(UAS) learning dan algoritme unsupervised learing
decision tree dalam data dan decision tree
dengan tepat,
menyebutkan contoh
algoritme pada
unsupervised learing
atau decision tree

10-11 Post test Tugas Dapat menjelaskan Dapat menjelaskan

Kelomp ok pengertian naive bayes,cara pengertian naive
(UAS) perhitungan naive bayes , bayes dan cara
menjelaskan fungsi feature perhitungan naive
selection dan penerapannya bayes, mengetahui
dalam data pengertian feature
selection

12 Post test Tes tulisan ● Dapat menjelaskan Dapat menjelaskan

Dan tugas pengertian feature pengertian feature
kelomp ok extraction dalam data dan extraction dan
penerapannya

dalam data, menjelaskan penerapannya dalam

perbedaan feature selection data
dan feature extraction
13-14 Post test Tes tulisan ● Dapat menjelaskan Dapat menjelaskan
(UAS) pengertian text mining dan pengertian text
penerapannya dalam data, mining dan
dapat menerapkan teknik menerapkan teknik
data mining yang sudah data mining yang
diajarkan ke dalam data sudah diajarkan ke
dari mulai persiapan dalam data
hingga tugas data mining

Komponen penilaian :
1. Kehadiran = 10 %
2. Tugas = 20 % 3. UTS = 30 % 4. UAS = 40 %
RAN SEMESTER PROGRAM STUDI XXXXXX FAKULTAS ILMU KOMPUTER
UNIVERSITAS SATU NUSA

Kode MK : HIM 620

Bobot MK : 1 T + 1 P SKS
Kode Dosen : 7553
it Parktik
bidang, mampu menjelaskan prosedur mining
edur data mining menggunakan program WEKA dan R
kan hasil analisis.
a mandiri dan kelompok.
ier
an Aplikasi Menggunakan Matlab. Andi Offset
Andi Offset
BENTUK PEMBELAJARAN INDIKATOR PENILAIAN

1. Metoda: ceramah dan diskusi 1. Menjelaskan konsep-konsep data mining

2. Media: kelas, komputer, LCD, 2. Menyebutkan aplikasi data mining yang digunakan di berbagai bidang
whiteboard, web

1. Metoda: diskusi dan latihan Menjelaskan atribut data, mengetahui cara mengatasi missing data value atau noisy.
2. Media: kelas, komputer, LCD,
whiteboard, web

1. Metoda: diskusi dan latihan 1. Menjelaskan pentingnya pentingnya melakukan preprocessing data
2. Media: kelas, komputer, LCD, 2. Melakukan proses cleaning data yang meliputi missing value dan data noise.
whiteboard, web 3. Menjelaskan proses integrasi data, transformasi data, reduksi data, dan diskritisasi
data

1. Metoda: diskusi dan latihan Mahasiswa paham konsep data warehouse dan OLAP
2. Media: kelas, komputer, LCD,
whiteboard, web

1. Metoda: diskusi dan latihan Menjelaskan cara meng clusterkan raw data.
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan konsep klasifikasi dan contoh penerapan pada data
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Dapa melakukan prosedur asosiation rule
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan konsep algoritma unsupervised learning
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan cara penggunaan decision tree terhadap raw data
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan konsep dasar naïve bayes
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data serta menjelaskan perbedaan
2. Media: kelas, komputer, LCD, antara feature selection dengan feature extraction
whiteboard, web

1. Metoda: diskusi dan latihan Menjelaskan konsep text mining dan contoh penerapan pada data
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Metoda: diskusi dan latihan Relevansi tugas dan kecakapan presentasi
2. Media: kelas, komputer, LCD,
whiteboard, web

SEKOR > 60 (C / C+ ) SEKOR > 45 ( D ) SEKOR < 45 ( E ) BOBOT

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%

pengertian data mining pengertian data mining pengertian data mining
dengan namun
tepat kurang tepat

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 5%

pengertian eksplorasi pengertian eksplorasi pengertian eksplorasi data
data dengan tepat data namun kurang tepat

Dapat menjelaskan Dapat menyebutkan Tidak mengetahui tahapan- 10%

tahapan-tahapan tahapan-tahapan tahapan praproses data dan
praposes data dan praproses data dan pengertian data warehouse
pengertian data pengertian data
warehouse dengan tepat warehouse walau kurang
tepat
Dapat menjelaskan Dapat menjelaskan Tidak dapat menyebutkan 10%
pengertian dan jenis- pengertian klasifikasi dan pengertian klasifikasi dan
jenis klasifikasi dan clustering walau kurang clustering
clustering dengan tepat tepat

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 5%

pengertian association pengertian association pengertian association rules
rules dengan tepat rules walau kurang tepat

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%

pengertian unsupervised pengertian unsupervised pengertian unsupervised
learing atau decision tree learning atau decision tree learning atau pengertian
dengan tepat walau kurang tepat decision tree

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%

pengertian naive bayes pengertian naive bayes pengertian naive bayes atau
atau feature selection atau feature selection pengertian feature selection
dengan tepat walau kurang tepat

Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%

pengertian feature pengertian future pengertian feature
extraction dengan tepat extraction walau kurang extraction
tepat
Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%
pengertian text mining pengertian text mining pengertian text mining dan
dan menjelaskan teknik- atau menjelaskan teknik- tidak mengetahui teknik-
teknik data mining teknik data mining walau teknik data mining yang
dengan tepat kurang tepat sudah diajarkan