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
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 atau
Cleaning) 2. Media: kelas, komputer, LCD, 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

6 Mahasiswa dapat menjelaskan Klasifikasi 1. Metoda: diskusi dan latihan Menjelaskan konsep klasifikasi dan contoh penerapan pada data
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 menjelaskan
feature extraction dan 2. Media: kelas, komputer, LCD, 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 text 2. Media: kelas, komputer, LCD,
mining whiteboard, web

14 Mahasiswa mampu memilih Presentasi dan diskusi tugas kelompok 1. Metoda: diskusi dan latihan Relevansi tugas dan kecakapan presentasi
dan menerapkan teknik data 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 mining menjelaskan pengertian data pengertian data pengertian data mining
(UTS) secara lengkap, pengertian data mining dengan tepat mining namun kurang
mengetahui latar mining secara tepat
belakang lengkap dan dapat
diperlukannya data menyebutkan
mining, menyebutkan aplikasi data
dan menjelaskan mining pada
aplikasi data mining berbagai bidang
pada berbagai bidang kehidupan
kehidupan
2 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 5%
tulisan pengertian eksplorasi menjelaskan pengertian eksplorasi pengertian eksplorasi pengertian eksplorasi
data, menjelaskan pengertian data dengan tepat data namun kurang data
tipe-tipe atribut data, ekslorasi data dan tepat
dan dapat menjelaskan tipe-
memvisualisasikan 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 perhitungan praproses data, pengertian data pengertian data pengertian data
pada beberapa tahapan menjelaskan warehouse dengan warehouse walau warehouse
praproses, menjelaskan pengertian data tepat kurang tepat
pengertian data warehouse, dan
warehouse, dan operasi-operasi
menjelaskan operasi- data warehouse
operasi data warehouse
5-6 Post test Tes Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak dapat 10%
tulisan algoritme-algoritme menjelaskan pengertian dan jenis- pengertian klasifikasi menyebutkan
dan klasifikasi dan pengertian dan jenis klasifikasi dan dan clustering walau pengertian klasifikasi
tugas clustering serta dapat jenis-jenis clustering dengan kurang tepat dan clustering
kelompo menerapkan algoritme klasifikasi dan tepat
k (UTS) tersebut ke dalam data. clustering , dapat
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 association pengertian association
tahapan-tahapan pengertian dan association rules rules walau kurang rules
association rules dan tahapan-tahapan dengan tepat tepat
menerapkan algoritme association rules
tersebut pada data
8-9 Post test Tugas Dapat menerapkan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%
Kelomp algoritme unsupervised menjelaskan pengertian pengertian pengertian
ok learning dan algoritme pengertian unsupervised learing unsupervised learning unsupervised learning
(UAS) decision tree dalam unsupervised atau decision tree atau decision tree atau pengertian
data learing dan dengan tepat walau kurang tepat decision tree
decision tree
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 bayes pengertian naive bayes
ok bayes,cara perhitungan pengertian naive bayes atau feature atau feature selection atau pengertian feature
(UAS) naive bayes , bayes dan cara selection dengan walau kurang tepat selection
menjelaskan fungsi perhitungan naive tepat
feature selection dan bayes,
penerapannya dalam mengetahui
data pengertian feature
selection
12 Post test Tes ● Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 10%
tulisan pengertian feature menjelaskan pengertian feature pengertian future pengertian feature
Dan extraction dalam pengertian feature extraction dengan extraction walau extraction
tugas data dan extraction dan tepat kurang tepat
kelompo penerapannya penerapannya
k dalam data, dalam data
menjelaskan
perbedaan feature
selection dan
 feature extraction
13-14 Post test Tes ● Dapat menjelaskan Dapat Dapat menjelaskan Dapat menjelaskan Tidak mengetahui 15%
tulisan pengertian text menjelaskan pengertian text pengertian text mining pengertian text mining
(UAS) mining dan pengertian text mining dan atau menjelaskan dan tidak mengetahui
penerapannya mining dan menjelaskan teknik- teknik-teknik data teknik-teknik data
dalam data, dapat menerapkan teknik data mining mining walau kurang mining yang sudah
menerapkan teknik teknik data dengan tepat tepat diajarkan
data mining yang mining yang
sudah diajarkan ke sudah diajarkan
dalam data dari ke dalam data
mulai persiapan
hingga tugas data
mining

Komponen penilaian :

1. Kehadiran = 10 %
2. Tugas = 20 %
3. UTS = 30 %
4. UAS = 40 %