2 Mahasiswa mampu Eksplorasi data , preprocessing data ( Data 1. Metoda: diskusi dan latihan Menjelaskan atribut data, mengetahui cara mengatasi missing data value
mengeksplorasi data, mengetahui Cleaning) 2. Media: kelas, komputer, LCD, atau noisy.
adanya missing data values, dan whiteboard, web
data noisy serta dapat
mengatasinya
3 Mahasiswa mengetahui Pre processing data 1. Metoda: diskusi dan latihan 1. Menjelaskan pentingnya pentingnya melakukan preprocessing data
preprocessing data , melakukan ● Data cleaning: missing values, noisy 2. Media: kelas, komputer, LCD, 2. Melakukan proses cleaning data yang meliputi missing value dan data
proses cleaning data, mampu data whiteboard, web noise.
menjelaskan konsep data ● Data integration 3. Menjelaskan proses integrasi data, transformasi data, reduksi data, dan
integrasi, transformasi, reduksi, ● Data transformation diskritisasi data
dan diskritisasi ● Data reduction
● Data discretization
4 Mahasiswa mampu menjelaskan Data warehouse dan OLAP 1. Metoda: diskusi dan latihan Mahasiswa paham konsep data warehouse dan OLAP
konsep data warehouse dan 2. Media: kelas, komputer, LCD,
OLAP whiteboard, web
5 Dapat menjelaskan konsep dasar Clustering 1. Metoda: diskusi dan latihan Menjelaskan cara meng clusterkan raw data.
cluster dan penerapannya pada 2. Media: kelas, komputer, LCD,
data whiteboard, web
6 Mahasiswa dapat Klasifikasi 1. Metoda: diskusi dan latihan Menjelaskan konsep klasifikasi dan contoh penerapan pada data
menjelaskan klasifikasi 2. Media: kelas, komputer, LCD,
whiteboard, web
7 Mahasiswa dapat menjelaskan Association rule dan penerapannya 1. Metoda: diskusi dan latihan Dapa melakukan prosedur asosiation rule
Mining Associations rule dan 2. Media: kelas, komputer, LCD,
menerapkan pada data whiteboard, web
8 Mahasiswa dapat menjelaskan Unsupervised learning dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan konsep algoritma unsupervised learning
konsep unsupervised learning dan 2. Media: kelas, komputer, LCD,
menerapkan pada data whiteboard, web
9 Mahasiswa mampu menjelaskan Decision tree dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan cara penggunaan decision tree terhadap raw data
konsep dasar decision tree dan 2. Media: kelas, komputer, LCD,
menerapakannya pada data whiteboard, web
10 Dapat menjelaskan konsep dasar Naive bayes 1. Metoda: diskusi dan latihan Menjelaskan konsep dasar naïve bayes
naïve bayes 2. Media: kelas, komputer, LCD,
whiteboard, web
11 Mahasiswa mampu menjelaskan Feature selection dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data
feature selection dan 2. Media: kelas, komputer, LCD,
menerapkannya pada data. whiteboard, web
12 Mahasiswa mampu menjelaskan Feature extraction dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data serta
feature extraction dan 2. Media: kelas, komputer, LCD, menjelaskan perbedaan antara feature selection dengan feature extraction
menerapkannya pada data. whiteboard, web
13 Mahasiswa mampu Text mining 1. Metoda: diskusi dan latihan Menjelaskan konsep text mining dan contoh penerapan pada data
menjelaskan konsep dasar 2. Media: kelas, komputer, LCD,
text mining whiteboard, web
14 Mahasiswa mampu memilih Presentasi dan diskusi tugas 1. Metoda: diskusi dan latihan Relevansi tugas dan kecakapan presentasi
dan menerapkan teknik data kelompok 2. Media: kelas, komputer, LCD,
mining mulai dari persiapan whiteboard, web
data sampai dengan tugas
data mining dalam
penyelesaian permasalahan
sesuai dengan studi kasus
yang ada.
EVALUASI PEMBELAJARAN
SESI PROSE- BEN- SEKOR > 77 SEKOR > 65 SEKOR > 60 SEKOR > 45 SEKOR < 45 BOBOT
DUR TUK ( A / A-) (B- / B / B+ ) (C / C+ ) (D) (E)
1 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%
tulisan pengertian data menjelaskan pengertian data pengertian data pengertian data
(UTS) mining secara pengertian data mining dengan mining namun mining
lengkap, mengetahui mining secara tepat kurang tepat
latar belakang lengkap dan
diperlukannya data dapat
mining, menyebutkan menyebutkan
dan menjelaskan aplikasi data
aplikasi data mining mining pada
pada berbagai bidang berbagai bidang
kehidupan kehidupan
2 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 5%
tulisan pengertian eksplorasi menjelaskan pengertian pengertian pengertian eksplorasi
data, menjelaskan pengertian eksplorasi data eksplorasi data data
tipe-tipe atribut data, ekslorasi data dengan tepat namun kurang tepat
dan dapat dan menjelaskan
memvisualisasikan tipe-tipe atribut
data. data
3-4 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menyebutkan Tidak mengetahui 10%
tulisan tahapan-tahapan menjelaskan tahapan-tahapan tahapan-tahapan tahapan-tahapan
(UTS) praproses data, tahapan-tahapan praposes data dan praproses data dan praproses data dan
melakukan praproses data, pengertian data pengertian data pengertian data
perhitungan pada menjelaskan warehouse dengan warehouse walau warehouse
beberapa tahapan pengertian data tepat kurang tepat
praproses, warehouse, dan
menjelaskan operasi-operasi
pengertian data data warehouse
warehouse, dan
menjelaskan operasi-
operasi data
warehouse
5-6 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak dapat 10%
tulisan algoritme-algoritme menjelaskan pengertian dan pengertian menyebutkan
dan klasifikasi dan pengertian dan jenis-jenis klasifikasi dan pengertian klasifikasi
tugas clustering serta dapat jenis-jenis klasifikasi dan clustering walau dan clustering
kelomp menerapkan klasifikasi dan clustering dengan kurang tepat
ok algoritme tersebut ke clustering , dapat tepat
(UTS) dalam data. menjelaskan
algoritme-
algoritme
klasifikasi dan
clustering
7 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 5%
tulisan pengertian dan menjelaskan pengertian pengertian pengertian
tahapan-tahapan pengertian dan association rules association rules association rules
association rules dan tahapan-tahapan dengan tepat walau kurang tepat
menerapkan association rules
algoritme tersebut
pada data
8-9 Post test Tugas Dapat menerapkan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%
Kelomp algoritme menjelaskan pengertian pengertian pengertian
ok unsupervised learning pengertian unsupervised learing unsupervised unsupervised learning
(UAS) dan algoritme unsupervised atau decision tree learning atau atau pengertian
decision tree dalam learing dan dengan tepat decision tree walau decision tree
data decision tree kurang tepat
dengan tepat,
menyebutkan
contoh algoritme
pada
unsupervised
learing atau
decision tree
10-11 Post test Tugas Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%
Kelomp pengertian naive menjelaskan pengertian naive pengertian naive pengertian naive
ok bayes,cara pengertian naive bayes atau feature bayes atau feature bayes atau
(UAS) perhitungan naive bayes dan cara selection dengan selection walau pengertian feature
bayes , menjelaskan perhitungan tepat kurang tepat selection
fungsi feature naive bayes,
selection dan mengetahui
penerapannya dalam pengertian
data feature selection
12 Post test Tes ● Dapat Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%
tulisan menjelaskan menjelaskan pengertian feature pengertian future pengertian feature
Dan pengertian pengertian extraction dengan extraction walau extraction
tugas feature extraction feature tepat kurang tepat
kelomp dalam data dan extraction dan
ok penerapannya
dalam data, penerapannya
menjelaskan dalam data
perbedaan
feature selection
dan feature
extraction
13-14 Post test Tes ● Dapat Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%
tulisan menjelaskan menjelaskan pengertian text pengertian text pengertian text
(UAS) pengertian text pengertian text mining dan mining atau mining dan tidak
mining dan mining dan menjelaskan menjelaskan teknik- mengetahui teknik-
penerapannya menerapkan teknik-teknik data teknik data mining teknik data mining
dalam data, dapat teknik data mining dengan walau kurang tepat yang sudah
menerapkan mining yang tepat
diajarkan
teknik data sudah diajarkan
mining yang ke dalam data
sudah diajarkan
ke dalam data
dari mulai
persiapan hingga
tugas data mining
Komponen penilaian :
1. Kehadiran = 10 %
2. Tugas = 20 %
3. UTS = 30 %
4. UAS = 40 %