RENCANA PEMBELAJARAN SEMESTER
PROGRAM STUDI XXXXXX FAKULTAS ILMU KOMPUTER
Mata Kuliah
Mata Kuliah Prasyarat
Dosen Pengampu
Alokasi Waktu
Capaian Pembelajaran
Buku Acuan
KEMAMPUAN
SESI
AKHIR
1 Mahasiswa mampu menjelaskan
konsep-konsep dasar data mining
dan dapat menyebutkan aplikasi
data mining dalam berbagai
bidang
2 Mahasiswa mampu
mengeksplorasi data, mengetahui
adanya missing data values, dan
data noisy serta dapat
mengatasinya
3 Mahasiswa mengetahui
preprocessing data , melakukan
proses cleaning data, mampu
menjelaskan konsep data
integrasi, transformasi, reduksi,
dan diskritisasi
4 Mahasiswa mampu menjelaskan
konsep data warehouse dan
OLAP
5 Dapat menjelaskan konsep dasar
cluster dan penerapannya pada
data
6 Mahasiswa dapat
UNIVERSITAS SATU NUSA
: Data Mining Kode MK : HIM 620
: - Bobot MK : 1 T + 1 P SKS
: XXXX Kode Dosen : 7553
: 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,
: 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
: 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
MATERI INDIKATOR
BENTUK PEMBELAJARAN
PEMBELAJARAN PENILAIAN
Pendahuluan: 1. Metoda: ceramah dan diskusi 1. Menjelaskan konsep-konsep data mining
Kontrak pembelajaran, Pengertian dan 2. Media: kelas, komputer, LCD, 2. Menyebutkan aplikasi data mining yang digunakan di berbagai bidang
konsep dasar data mining whiteboard, web
Eksplorasi data , preprocessing data ( Data 1. Metoda: diskusi dan latihan Menjelaskan atribut data, mengetahui cara mengatasi missing data value
Cleaning) 2. Media: kelas, komputer, LCD, atau noisy.
whiteboard, web
Pre processing data 1. Metoda: diskusi dan latihan 1. Menjelaskan pentingnya pentingnya melakukan preprocessing data
● Data cleaning: missing values, noisy 2. Media: kelas, komputer, LCD, 2. Melakukan proses cleaning data yang meliputi missing value dan data
data whiteboard, web noise.
● Data integration 3. Menjelaskan proses integrasi data, transformasi data, reduksi data, dan
● Data transformation diskritisasi data
● Data reduction
● Data discretization
Data warehouse dan OLAP 1. Metoda: diskusi dan latihan Mahasiswa paham konsep data warehouse dan OLAP
2. Media: kelas, komputer, LCD,
whiteboard, web
Clustering 1. Metoda: diskusi dan latihan Menjelaskan cara meng clusterkan raw data.
2. Media: kelas, komputer, LCD,
whiteboard, web
Klasifikasi 1. Metoda: diskusi dan latihan Menjelaskan konsep klasifikasi dan contoh penerapan pada data
 menjelaskan klasifikasi
7 Mahasiswa dapat menjelaskan
Mining Associations rule dan
menerapkan pada data
8 Mahasiswa dapat menjelaskan
konsep unsupervised learning dan
menerapkan pada data
9 Mahasiswa mampu menjelaskan
konsep dasar decision tree dan
menerapakannya pada data
10 Dapat menjelaskan konsep dasar
naïve bayes
11 Mahasiswa mampu menjelaskan
feature selection dan
menerapkannya pada data.
12 Mahasiswa mampu menjelaskan
feature extraction dan
menerapkannya pada data.
13 Mahasiswa mampu
menjelaskan 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.
SESI PROSE- BEN-
DUR TUK
1 Post test Tes
tulisan
(UTS)
2. Media: kelas, komputer, LCD,
whiteboard, web
Association rule dan penerapannya 1. Metoda: diskusi dan latihan Dapa melakukan prosedur asosiation rule
2. Media: kelas, komputer, LCD,
whiteboard, web
Unsupervised learning dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan konsep algoritma unsupervised learning
2. Media: kelas, komputer, LCD,
whiteboard, web
Decision tree dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan cara penggunaan decision tree terhadap raw data
2. Media: kelas, komputer, LCD,
whiteboard, web
Naive bayes 1. Metoda: diskusi dan latihan Menjelaskan konsep dasar naïve bayes
2. Media: kelas, komputer, LCD,
whiteboard, web
Feature selection dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data
2. Media: kelas, komputer, LCD,
whiteboard, web
Feature extraction dan penerapannya 1. Metoda: diskusi dan latihan Menjelaskan feature selection dan menerapkan pada data serta
2. Media: kelas, komputer, LCD, menjelaskan perbedaan antara feature selection dengan feature extraction
whiteboard, web
Text mining 1. Metoda: diskusi dan latihan Menjelaskan konsep text mining dan contoh penerapan pada data
2. Media: kelas, komputer, LCD,
whiteboard, web
Presentasi dan diskusi tugas 1. Metoda: diskusi dan latihan Relevansi tugas dan kecakapan presentasi
kelompok 2. Media: kelas, komputer, LCD,
whiteboard, web
EVALUASI PEMBELAJARAN
SEKOR > 77 SEKOR > 65 SEKOR > 60 SEKOR > 45 SEKOR < 45 BOBOT
( A / A-) (B- / B / B+ ) (C / C+ ) (D) (E)
Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%
pengertian data menjelaskan pengertian data pengertian data pengertian data
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 %