Kode

Dokumen
Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Sistem Informasi

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl

Penyusunan
Data Mining 5720103080 T=3 P=0 ECTS=4.77 5 17 Juli 2023

OTORISASI Pengembang RPS Koordinator RMK Koordinator Program Studi

....................................... ....................................... I Kadek Dwi Nuryana, S.T.,

M.Kom.

Model Project Based Learning

Pembelajaran
Capaian CPL-PRODI yang dibebankan pada MK
Pembelajaran
(CP) 1. Sikap
CPL 1.A Menjunjung tinggi nilai kemanusiaan dalam menjalankan tugas berdasarkan agama, moral dan etika;
CPL 1.B Berperan sebagai warga negara yang bangga dan cinta tanah air, memiliki nasionalisme serta rasa
tanggungjawab pada negara dan bangsa;
CPL 1.C Menginternalisasi nilai, norma, dan etika akademik;
2. Keterampilan Umum
CPL 2.A Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya,
berdasarkan hasil analisis informasi dan data;
CPL 2.B Menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi
ilmu pengetahuan dan/ atau teknologi sesuai dengan bidang keahliannya dalam kegiatan produktif;
CPL 2.C Mempunyai keahlian meneliti dan mensintesa berbagai problematika dunia nyata dengan aplikasi,
pengembangan dan penciptaan pengetahuan dari proses pembelajaran sebelumnya sesuai dengan metodologi
penelitian;
3. Keterampilan Khusus
CPL 3.A Menguasai konsep dan keahlian dalam bahasa pemrograman komputer;
CPL 3.B Mempunyai kemampuan untuk merancang dan mengimplementasikan sistem pemecahan masalah berbasiskan
komputer;
CPL 3.C Mempunyai keahlian dalam mengevaluasi, mengidentifikasi pengembangan sistem dan melakukan
pemeliharaan sistem;
4. Pengetahuan
CPL 4.A Mampu menerapkan dasar prinsip algoritma dan teori ilmu komputer dalam pemodelan dan perancangan sistem
berbasis komputer sedemikian sehingga menunjukkan pemahaman terhadap keunggulan dan kelemahan yang
terdapat pada rancangan yang ada.
Capaian Pembelajaran Mata Kuliah (CPMK)
1. Mahasiswa mampu memahami konsep umum dari data, konsep dasar dari Data Warehouse serta proses transformasinya,
konsep Data Mining, beberapa teknik data mining dan karakteristiknya dan mampu mengenali beberapa tools dalam data mining .
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
Sub-CPMK1 Mahasiswa mampu memahami konsep data mining dan tahapan umum penggunaannya.
Sub-CPMK2 Mahasiswa mampu menerapkan teknik prapengolahan data.
Sub-CPMK3 Mahasiswa mampu menerapkan teknik representasi data.
Sub-CPMK4 Mahasiswa mampu menerapkan dasar-dasar proses data mining.
Sub-CPMK5 Mahasiswa mampu menerapkan karakterisasi dan perbandingan-perbandingan dalam concept description.
Sub-CPMK6 Mahasiswa mampu menerapkan teknik klasifikasi dalam data mining.
Sub-CPMK7 Mahasiswa mampu menerapkan teknik klasifikasi dalam data mining.
Sub-CPMK8 Ujian Sub-Sumatif / Ujian Tengah Semester
Sub-CPMK9 Mahasiswa mampu menerapkan teknik/metode analisis asosiasi dalam data mining.
Sub-CPMK10 Mahasiswa mampu menerapkan teknik/metode analisis asosiasi dalam data mining.
Sub-CPMK11 Mahasiswa mampu menerapkan teknik clustering dalam data mining.

Sub-CPMK12 Mahasiswa mampu menerapkan teknik clustering dalam data mining.

Sub-CPMK13 Mahasiswa mampu menerapkan cara menangani anomali data dan mendeteksi adanya anomali data.
Sub-CPMK14 Mahasiswa mampu menerapkan proses data mining untuk data yang kompleks.
 Sub-CPMK15 Mahasiswa mampu membuat aplikasi pengembangan data mining sesuai tren yang ada.
Sub-CPMK16 Ujian Sumatif / Ujian Akhir Semester
Deskripsi Matakuliah ini mengkaji tentang perancangan dan pengimplementasian berbagai teknik data mining serta mengenal berbagai
Singkat MK macam kasus dan teknik di kehidupan nyata. Pemahaman akan permasalahan di dunia nyata dan penyelesaiannya menggunakan
berbagai algoritma data mining seperti klasifikasi, klasterisasi dan kaidah asosiasi. Selain itu, pengenalan akan berbagai macam
tool yang ada dalam proses data mining .

Pustaka Utama :

1. Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin. 2018. Introduction to Data Mining, 2nd Edition. Pearson Education, Inc.
2. Han, Jiawei; Kamber, Micheline, and Jian Pei, Morgan Kaufmann. 2011. Data Mining Concepts and Techniques 3rd Edition
. Morgan Kaufmann, Inc.
3. Maimon,Oded; Rocach, Lior. 2010. Data Mining and Knowledge Discovery, Handbook Second Edition . Springer.

Pendukung :

Dosen Wiyli Yustanti, S.Si., M.Kom.

Pengampu Ronggo Alit, M.M., M.T.
Bantuk Pembelajaran,
Penilaian Metode Pembelajaran,
Kemampuan akhir Penugasan Mahasiswa, Materi Bobot
Mg Ke- tiap tahapan belajar [ Estimasi Waktu] Pembelajaran Penilaian
(Sub-CPMK) [ Pustaka ] (%)
Indikator Kriteria & Luring Daring (online)
Bentuk (offline)
(1) (2) (3) (4) (5) (6) (7) (8)
1 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
memahami konsep definisi data Saintifik
data mining dan Model:
tahapan umum mining;
penggunaannya. 2.Menjelaskan Kooperatif
tahapan umum Metode:
Diskusi,
proses data
Presentasi
mining.
3 X 50
2 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
menerapkan teknik definisi data; Saintifik
prapengolahan data. Model:
2.Mengidentifikasi
jenis-jenis data; Kooperatif
3.Menjelaskan Metode:
Diskusi,
kualitas dari data;
Presentasi
4.Menerapkan 3 X 50
proses
prapengolahan
data;
5.Menerapkan
proses
pengukuran data.
3 Mahasiswa mampu 1.Menerapkan ilmu Pendekatan: 0%
menerapkan teknik statistik terhadap Saintifik
representasi data. Model:
data;
2.Menerapkan Kooperatif
visualisasi pada Metode:
Diskusi,
data;
Presentasi
3.Menerapkan 3 X 50
analisis data
multidimensional
dan OLAP.
4 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
menerapkan dasar- primitif-primitif Saintifik
dasar proses data Model:
mining. data mining;
2.Menerapkan Kooperatif
bahasa query Metode:
Diskusi,
dalam data
Presentasi
mining.
3 X 50
5 Mahasiswa mampu 1.Menerapkan Pendekatan: 0%
menerapkan proses Saintifik
karakterisasi dan Model:
perbandingan- generalisasi data;
perbandingan dalam 2.Menerapkan Kooperatif
concept description. karakterisasi Metode:
Diskusi,
secara analitik;
Presentasi
3.Menerapkan 3 X 50
perbandingan
kelas
penambangan
(mining class).
6 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
menerapkan teknik konsep dasar Saintifik
klasifikasi dalam data Model:
mining. klasifikasi;
2.Menerapkan Kooperatif
metode decision Metode:
Diskusi,
tree dan model
Presentasi
overfitting pada
3 X 50
data;
3.Menerapkan
proses evaluasi
kinerja
pengklasifikasi;
4.Menerapkan
metode
pembanding
klasifikasi;
5.Menerapkan
algoritma nearest
neighbor;
6.Menerapkan
algoritma
Bayessian;
7.Menerapkan
perpaduan
beberapa
metode
(ensemble
methods) pada
data mining;
8.Menjelaskan
konsepimbalance
class problem
dan solusinya.
7 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
menerapkan teknik konsep dasar Saintifik
klasifikasi dalam data Model:
mining. klasifikasi;
2.Menerapkan Kooperatif
metode decision Metode:
Diskusi,
tree dan model
Presentasi
overfitting pada
3 X 50
data;
3.Menerapkan
proses evaluasi
kinerja
pengklasifikasi;
4.Menerapkan
metode
pembanding
klasifikasi;
5.Menerapkan
algoritma nearest
neighbor;
6.Menerapkan
algoritma
Bayessian;
7.Menerapkan
perpaduan
beberapa
metode
(ensemble
methods) pada
data mining;
8.Menjelaskan
konsepimbalance
class problem
dan solusinya.
8 Ujian Sub-Sumatif / Ujian Sub-Sumatif / Ujian Tulis 0%
Ujian Tengah Ujian Tengah dan atau
Semester Semester Praktik
3 X 50
9 Mahasiswa mampu 1.Menerapkan Pendekatan: 0%
menerapkan algoritma FP- Saintifik
teknik/metode Model:
analisis asosiasi Growth;
dalam data mining. 2.Menerapkan Kooperatif
teknik evaluasi Metode:
Diskusi,
pola-pola
Presentasi
asosisasi;
3 X 50
3.Menerapkan
frequent itemset
generation;
4.Menerapkanrule
generation;
5.Menerapkan
compact
representation of
frequent itemset;
6.Menerapkan
penanganan
atribut kategoris
dan atribut
kontinu dalam
analisis asosiasi;
7.Menerapkan pola
sekuensial,
subgraph dan
infrequentdalam
data mining.

10 Mahasiswa mampu 1.Menerapkan Pendekatan: 0%

menerapkan algoritma FP- Saintifik
teknik/metode Model:
analisis asosiasi Growth;
dalam data mining. 2.Menerapkan Kooperatif
teknik evaluasi Metode:
Diskusi,
pola-pola
Presentasi
asosisasi;
3 X 50
3.Menerapkan
frequent itemset
generation;
4.Menerapkanrule
generation;
5.Menerapkan
compact
representation of
frequent itemset;
6.Menerapkan
penanganan
atribut kategoris
dan atribut
kontinu dalam
analisis asosiasi;
7.Menerapkan pola
sekuensial,
subgraph dan
infrequentdalam
data mining.
11 Mahasiswa mampu 1.Menjelaskan Definisi dan 0%
menerapkan teknik definisi dan konsep
clustering dalam data dasar
mining. konsep dasar
clustering; clustering,
2.Menjelaskan karakteristik
data, cluster
karakteristik
dan
data,cluster dan
algoritma
algoritma clustering,
clustering; K-Means,
3.Menerapkan Hierarchical
algoritma K- Clustering,
Means; DBSCAN,
4.Menerapkan evaluasi
algoritma clustering,
Hierarchical prototype-
Clustering; based dan
5.Menerapkan density-
algoritma based
DBSCAN; clustering,
6.Menerapkan graph-based
clustering,
proses evaluasi
dan
clustering;
skalabilitas
7.Menerapkan clustering.
teknik prototype- Pendekatan:
based clustering; Saintifik
8.Menerapkan Model:
density-based Kooperatif
clustering; Metode:
9.Menerapkan Diskusi,
teknik graph- Presentasi
based clustering; 3 X 50
10.Menerapkan
teknik skalabilitas
clustering.

12 Mahasiswa mampu 1.Menjelaskan Definisi dan 0%

menerapkan teknik definisi dan konsep
clustering dalam data dasar
mining. konsep dasar
clustering; clustering,
2.Menjelaskan karakteristik
data, cluster
karakteristik
dan
data,cluster dan
algoritma
algoritma clustering,
clustering; K-Means,
3.Menerapkan Hierarchical
algoritma K- Clustering,
Means; DBSCAN,
4.Menerapkan evaluasi
algoritma clustering,
Hierarchical prototype-
Clustering; based dan
5.Menerapkan density-
algoritma based
DBSCAN; clustering,
6.Menerapkan graph-based
clustering,
proses evaluasi
dan
clustering;
skalabilitas
7.Menerapkan clustering.
teknik prototype- Pendekatan:
based clustering; Saintifik
8.Menerapkan Model:
density-based Kooperatif
clustering; Metode:
9.Menerapkan Diskusi,
teknik graph- Presentasi
based clustering; 3 X 50
10.Menerapkan
teknik skalabilitas
clustering.
 13 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%
menerapkan cara definisi anomali Saintifik
menangani anomali Model:
data dan mendeteksi data dan
adanya anomali data. pendekatan Kooperatif
statistik untuk Metode:
Diskusi,
mengatasi
Presentasi
anomali data;
3 X 50
2.Menerapkan
proses
pendeteksian
anomali data
dengan
proximity-based
outlier;
3.Menerapkan
proses
pendeteksian
anomali data
dengan density-
based outlier;
4.Menerapkan
proses
pendeteksian
anomali data
dengan
clustering-based
technique.
14 Mahasiswa mampu 1.Menerapkan Pendekatan: 0%
menerapkan proses proses data Saintifik
data mining untuk Model:
data yang kompleks. mining untuk
database spasial Kooperatif
multimedia Metode:
Diskusi,
berbasis waktu;
Presentasi
2.Menerapkan 3 X 50
proses data
mining untuk
database spasial
multimedia
berbasis teks;
3.Menerapkan
proses data
mining untuk
database spasial
multimedia
berbasis World
Wide Web.

15 Mahasiswa mampu 1.Menjelaskan Pendekatan: 0%

membuat aplikasi proses data Saintifik
pengembangan data Model:
mining sesuai tren mining dalam
yang ada. contoh kasus di Kooperatif
bidang financial, Metode:
Diskusi,
retail industry,
Presentasi
telekomunikasi,
3 X 50
dan biologi.
2.Menerapkan
pembuatan
aplikasi sains
dan produk-
produk, sistem-
sistem, dan
prototipe riset
menggunakan
data mining.
16 Ujian Sumatif / Ujian Ujian Sumatif / Ujian Ujian Tulis 0%
Akhir Semester Akhir Semester dan atau
Praktik
3 X 50

Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
0%

Catatan
1. Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang
merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang
diperoleh melalui proses pembelajaran.

2. CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI)
2. CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI)
yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum,
ketrampilan khusus dan pengetahuan.
3. CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah,
dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
4. Sub-CP Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau
diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap
materi pembelajaran mata kuliah tersebut.
5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur
yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam
penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar
penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
7. Bentuk penilaian: tes dan non-tes.
8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel,
Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning,
Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan
sub-pokok bahasan.
11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-CPMK yang besarnya proposional dengan
tingkat kesulitan pencapaian sub-CPMK tsb., dan totalnya 100%.
12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.