Universitas Brawijaya

Fakultas MIPA
Jurusan Statistika/Program Studi Sarjana Sains Data
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH KODE Rumpun MK
MKSD Teori dan Komputasi
Data Mining
Dosen Pengembang RPS Koordinator Rumpun MK

Dr. Eni Sumarminingsih, S.Si., M.M.

Capaian Pembelajaran CPL Prodi

(CP)
Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan
CP1
berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segal

Mampu Menguasai konsep dasar keilmuan dan metode analisis sains data yan
CP2
pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati.

Mampu merancang dan mengumpulkan data dari berbagai sumber baik untuk
CP3
kecil

CP4 Mampu mengorganisasi data

Mampu melakukan preprocessing data antara lain data cleaning, integrasi data
CP5
transformasi data

CP6 Mampu mengeksplorasi dan mendeskripsikan data

Mampu menginterpretasikan, membuat visualisasi dan mempresentasikan has

CP8
pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati.

Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif secara man
CP9 bermutu dan terukur dalam implementasi ilmu pengetahuan dan teknologi yan
humaniora berdasarkan kaidah, tata cara dan etika ilmiah;

Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di b

CP10
berdasarkan hasil analisis informasi dan data;
Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan sup
CP11
terhadap kinerja tim yang dipimpinnya;

Mampu memanfaatkan perangkat lunak untuk menyelesaikan permasalahan d

CP12
Data, khususnya pada bidang komputasi, sosial humaniora, ekonomi, industri

CP MK

M1
Mahasiswa mampu melakukan visualisasi, eksplorasi dan preprocessing data
 Mahasiswa mampu menjelaskan metode-metode data mining dan menggunak
M2
untuk tujuan klasifikasi

mahasiswa mampu menjelaskan metode-metode data mining dan menggunaka

M3
untuk tujuan clusterisasi

mahasiswa mampu menjelaskan metode-metode data mining dan menggunaka

M4
untuk tujuan prediksi
Deskripsi Singkat MK Data mining menjelaskan mengenai visualisasi, eksplorasi, dan preprocessing data serta m
clustering dan prediksi

Materi Pembelajaran/ 1 visualisasi, eksplorasi, dan preprocessing data

Pokok Bahasan 4 Aturan Asosiasi
5 Decision tree dan perkembangannya (ID3, C45, CART)
6 K-nearest neighbor
7 Naïve Bayesian Classification
8 Support Vector Machines (SVM)
9 Analisis Cluster Hierarchal
10 K-means dan K-medoid
11 Support Vector Regression (SVR)
Pustaka Utama:
Han, J., Pei, J. dan Kamber, M. 2011. Data Mining: Concepts and Techniques. Elsevier.
EMC Education Services. 2015. Data Science & Big Data Analytics: Discovering, Analyzin
Presenting Data. Indianapolis: John Wiley & Sons.

Pendukung:
Berry, MJA dan Linoff, G. 1997. Data Mining Techniquies. John Wiley & Sons.
Cichosz, P. 2015. Data mining algorithms: explained using R.
Kassambara, A. 2013. Guide to Create Beautiful Graphics in R. STHDA.
Santosa, B. 2007. Data Mining Terapan dengan Matlab. Yogyakarta: Graha Ilmu.
Wu, X dan Kumar, V. 2009. The Top Ten Algorithms in Data Mining. Boca Raton: CRC Pr
Zhao, Y. dan Cen, Y. 2014. Data Mining application with R. Amsterdam: Academic Press
Media Pembelajaran Perangkat Lunak:
1. R project
2. MS Office
3. MS Excel
1. Dr. Eni Sumarminingsih, S.Si, MM
Team Teaching 2. Dwi Ayu Lusia, S.Si., M.Si.

Mata Kuliah Prasyarat Komputasi Statistika (MAS61132), Pengantar Teori Peluang (MAS62111)
ata Evaluasi
AN SEMESTER
Bobot (sks) Semester Tgl Penyusunan
3 5 2-Feb-21
Koordinator Rumpun MK Ka Prodi

asi semangat kemandirian, kejuangan, kewirausahaan

emik serta nilai Pancasila dalam segala aspek kehidupan.

an dan metode analisis sains data yang dapat diaplikasikan

a, ekonomi, industri dan hayati.

data dari berbagai sumber baik untuk data besar ataupun data

ntara lain data cleaning, integrasi data, reduksi data, dan

psikan data

visualisasi dan mempresentasikan hasil analisis data, khususnya

a, ekonomi, industri dan hayati.

itis, sistematis, dan inovatif secara mandiri, dengan hasil yang

si ilmu pengetahuan dan teknologi yang menerapkan nilai
dan etika ilmiah;

pat dalam menyelesaikan masalah di bidang keahliannya

data;
an jaringan kerja, serta melakukan supervisi dan evaluasi

untuk menyelesaikan permasalahan dalam bidang ilmu Sains

i, sosial humaniora, ekonomi, industri dan hayati.

si, eksplorasi dan preprocessing data

-metode data mining dan menggunakan teknik data mining

-metode data mining dan menggunakan teknik data mining

-metode data mining dan menggunakan teknik data mining

plorasi, dan preprocessing data serta metode klasifikasi,

g data

3, C45, CART)

Concepts and Techniques. Elsevier.

Data Analytics: Discovering, Analyzing, Visualizing and

iquies. John Wiley & Sons.

d using R.
aphics in R. STHDA.
lab. Yogyakarta: Graha Ilmu.
s in Data Mining. Boca Raton: CRC Press.
with R. Amsterdam: Academic Press
Perangkat Keras:
1. Laptop
2. LCD
3. Whiteboard

Peluang (MAS62111)
Minggu ke Sub-CP MK (sebagai kemampuan akhir yang
diharapkan)
(1) (2)
1 Mahasiswa mampu memahami makna data
mining dan metode dalam data mining,
memahami makna dan jenis data serta
variabel, dan mampu melakukan statistika
deskriptif
2 Mahasiswa mampu menentukan dan
membuat visualisasi data menggunakan R,
serta menginterpretasikannya
3 Mahasiswa mampu memahami data
preprocessing serta jenis-jenisnya
4 Kuis 1
5 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi association rule
6 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi pohon keputusan
7 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi KNN
8 UTS
9 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi Bayes sederhana
Indikator
(3)
Kerunutan dan ketepatan
dalam penjelasan data
mining serta metode dan
penggunaanya
ketepatan dalam pemilihan,
pembuatan, dan
interpretasinya
ketepatan dalam penjelasan
data preprocessing dan
ketepatan dalam menjelaskan
jenis-jenisnya
keruntutan dan ketepatan
perhitungan untuk algoritma
association rule, serta
ketepatan sintax association
rule dan interpretasinya
keruntutan dan ketepatan
perhitungan untuk algoritma
pohon keputusan, serta
ketepatan sintax pohon
keputusan dan
keruntutan dan ketepatan
perhitungan untuk algoritma
KNN, serta ketepatan sintax
KNN dan interpretasinya
keruntutan dan ketepatan
perhitungan untuk klasifikasi
bayes sederhana, serta
ketepatan sintax klasifikasi
bayes sederhana dan
interpretasinya
9 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi Bayes sederhana
10 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi Neural Network
11 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klasifikasi SVM
12
13 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klaster hierarchical
14 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisa metode
klaster k-means dan k-medoids
15 Mahasiswa mampu menjelaskan,
menggunakan dan menganalisis metode
prediksi SVR
16
keruntutan dan ketepatan
perhitungan untuk klasifikasi
bayes sederhana, serta
ketepatan sintax klasifikasi
bayes sederhana dan
interpretasinya
keruntutan dan ketepatan
perhitungan untuk algoritma
NN, serta ketepatan sintax
NN dan interpretasinya
keruntutan dan ketepatan
perhitungan untuk algoritma
SVM, serta ketepatan sintax
SVM dan interpretasinya
Kuis 2
keruntutan dan ketepatan
perhitungan untuk algoritma
analisis klaster hirarki, serta
ketepatan sintax analisis
klaster hirarki dan
interpretasinya
keruntutan dan ketepatan
perhitungan untuk algoritma
k-mean dan k-medoids, serta
ketepatan sintax k-means dan
k-medoids serta
interpretasinya
keruntutan dan ketepatan
perhitungan untuk algoritma
SVR, serta ketepatan sintax
SVR dan interpretasinya
UAS
Nilai Ak
 Kriteria & Bentuk Penilaian Metode Pembelajaran [Estimasi Waktu]

(4) (5)
Kriteria: Kemampuan Kuliah dan diskusi [TM: 3*50"], Persiapan
memahami; Bentuk minggu berikutnya [BT + BM:(1+1)* 3*60"]
Penilaian: sikap

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 3*50"], Persiapan

Penilaian: tugas minggu berikutnya [BT + BM:(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 3*50"], Persiapan

Penilaian: tugas kuis [BT + BM:(1+1)* 3*60"]

Kuis [TM: 3*50"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 3*50"], dan

Penilaian: tugas Persiapan minggu berikutnya [BT + BM:
(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 3*50"], dan

Penilaian: tugas Persiapan minggu berikutnya [BT + BM:
(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 3*50"], Persiapan

Penilaian: tugas UTS [BT + BM:(1+1)* 3*60"]

UTS
Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*50"], post test
Penilaian: post test [TM: 1*50"], Persiapan minggu berikutnya
[BT + BM:(1+1)* 3*60"]
Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*50"], post test
Penilaian: post test [TM: 1*50"], Persiapan minggu berikutnya
[BT + BM:(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*2*50"], post test
Penilaian: post test [TM: 2*1*50"], Persiapan kuis [BT + BM:
(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*2*50"], post test
Penilaian: post test [TM: 2*1*50"], Persiapan kuis [BT + BM:
(1+1)* 3*60"]

kuis [TM: 3*50"], Persiapan minggu

berikutnya [BT + BM:(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*50"], post test
Penilaian: post test [TM: 1*50"], Persiapan minggu berikutnya
[BT + BM:(1+1)* 3*60"]

Kriteria: Ketepatan, Bentuk Kuliah dan diskusi [TM: 2*50"], post test
Penilaian: post test [TM: 1*50"], Persiapan minggu berikutnya
[BT + BM:(1+1)* 3*60"]

Kriteria: keruntutan, Kuliah dan diskusi [TM: 2*50"], post test

Ketepatan, Bentuk [TM: 1*50"], Persiapan UAS [BT + BM:
Penilaian: post test (1+1)* 3*60"]

UAS
Nilai Akhir

TM = Tatap Muka
BM = Belajar Mandiri
BT = Belajar Terstruktur
 Materi Pembelajaran [Pustaka]
Bobot Penilaian (%)

(6) (7) Ket

Kontrak Kuliah sikap
Pengantar Data Mining 0.4%
Metode dalam data mining
0.4
Data
Penggolongan data dan variabel
statistika deskriptif
Metode Visualisasi menggunakan R dengan tugas 1%,
struktur data: sikap
Plot satu variabel X (diskrit atau kontinu) 0.4%
Plot dua variabel X dan Y (keduanya diskrit atau
keduanya kontinu) 1.4

Plot dua variabel X dan Y (satu diskrit dan satu

kontinu)
Parameter Grafik
Pengenalan Data Preprocessing tugas 1%,
Data Cleaning sikap
0.4%
Data Integration 1.4
Data Reduction
Data Transformation
Pengantar Data Mining, Statistika deskriptif, Kuis
visualisasi dan data preprocessing 12.5%,
12.9 sikap
0.4%

Pengenalan Association Rule tugas 1%,

Algoritma Apriori sikap
0.4%
Evaluasi dan Candidate Rule 1.4
Aplikasi Association Rule menggunakan R
Validating and testing
Konsep dasar klasifikasi tugas 1%,
Pohon keputusan sikap
1.4 0.4%
ID3, C4.5, CART
Pohon keputusan menggunakan R
Pengenalan KNN tugas 1%,
Jarak sikap
1.4 0.4%
Algoritma KNN
KNN menggunakan R
25
Pengenalan Klasifikasi Bayes Post test
2%, sikap
0.4%
2.4
 Post test
Teorema Bayes 2%, sikap
0.4%
Klasifikasi Bayes Sederhana dan contohnya
2.4

Laplacian correction dan contohnya

Klasifikasi Bayes menggunakan R
Pengantar NN Post test
Arsitektur NN 3%, sikap
3.4 0.4%
Algoritma NN untuk klasifikasi
NN Klasifikasi menggunakan R
Pengantar SVM Post test
Histori dan aplikasi SVM 3%, sikap perlu
0.4% tambahan
Ide SVM
materi NN
Formulasi matematis 3.4
klasifikasi
Metode kernel sebelum
Algoritma SVM untuk Klasifikasi SVM
SVM menggunakan R
Bayes dan SVM Kuis
12.5%,
12.9 sikap
0.4%

Pengenalan Analisis Klaster (kualifikasi dan Post test

gambaran) 2%, sikap
0.4%
Metode Hirarki
Algglomerative vs divisive hierarchical
clustering
2.4
Jarak pada Metode Algoritmik
Pengenalan BIRCH dan Chameleon
probabilistic hierarchical clustering
analisis klaster hierarchical menggunakan R

pengenalan Partitioning methods Post test

k-means 2.4%,
sikap
k-medoids 2.8 optimasi K
0.4%
k-means menggunakan R
k-medoids menggunakan R
Pengenalan SVR Post test
Ide dasar SVR 2%, sikap
0.4%
Formulasi SVR dalam QP standar 2.4
Loss Function
SVR mengginakan R
25
100
 CP1

CP MK Keterangan CP1: Mampu menerapkan dan

menginternalisasi semangat
kemandirian, kejuangan,
kewirausahaan berdasarkan
nilai, norma, dan etika akademik
serta nilai Pancasila dalam
segala aspek kehidupan.

Mahasiswa mampu menjelaskan

metode-metode data mining dan
M1
menggunakan teknik data mining
untuk tujuan klasifikasi

mahasiswa mampu menjelaskan

metode-metode data mining dan
M2
menggunakan teknik data mining
untuk tujuan clusterisasi

mahasiswa mampu menjelaskan

metode-metode data mining dan
M3
menggunakan teknik data mining
untuk tujuan prediksi
 CP2 CP3 CP4

CP 2: Mampu Menguasai konsep

dasar keilmuan dan metode
analisis sains data yang dapat
diaplikasikan pada bidang
komputasi, sosial humaniora,
ekonomi, industri dan hayati.
CP 3: Mampu merancang dan
mengumpulkan data dari CP 4 : Mampu
berbagai sumber baik untuk mengorganisasi
data besar ataupun data kecil data
 CP5
CP 5: Mampu melakukan
preprocessing data antara lain
data cleaning, integrasi data,
reduksi data, dan transformasi
data
CP6 CP7
CP 7: Mampu menganalisis data
dan membuat otomatisasi
analisis data menggunakan
CP 6: Mampu software, khususnya pada
mengeksplorasi dan bidang komputasi, sosial
mendeskripsikan humaniora, ekonomi, industri
data dan hayati.
 CP8
CP 8: Mampu
menginterpretasikan, membuat
visualisasi dan
mempresentasikan hasil analisis
data, khususnya pada bidang
komputasi, sosial humaniora,
ekonomi, industri dan hayati.
CP9 CP10
CP 10: Mampu mengambil
CP 9 : Mampu menerapkan pemikiran logis, keputusan secara tepat
kritis, sistematis, dan inovatif secara mandiri, dalam menyelesaikan
dengan hasil yang bermutu dan terukur dalam masalah di bidang
implementasi ilmu pengetahuan dan teknologi keahliannya berdasarkan
yang menerapkan nilai humaniora berdasarkan hasil analisis informasi dan
kaidah, tata cara dan etika ilmiah; data;
 CP11 CP12

CP 11: Mampu
memelihara dan CP12: Mampu memanfaatkan
mengembangkan perangkat lunak untuk
jaringan kerja, serta menyelesaikan permasalahan dalam
melakukan supervisi bidang ilmu Sains Data, khususnya
dan evaluasi terhadap pada bidang komputasi, sosial
kinerja tim yang humaniora, ekonomi, industri dan
dipimpinnya; hayati.