UNIVERSITAS NAHDLATUL ULAMA BLITAR

FAKULTAS ILMU EKSAKTA

PROGRAM STUDI S1 ILMU KOMPUTER
RENCANA PEMBELAJARAN SEMESTER (RPS)
Nama Mata Kuliah Kode Mata Kuliah Bobot (sks) Semester Tanggal Penyusunan
DATA MINING CS20-3604 3 6 12 Februari 2024
Otorisasi Dosen / Koordinator Pengembang RPS Koordinator RMK / Bidang Keahlian Ketua Program Studi

Abd. Charis Fauzan, M.Kom. Abd. Charis Fauzan, M.Kom. Tito Prabowo, M.Kom.
Capaian CPL-PRODI (Capaian Pembelajaran Lulusan Program Studi) Yang Dibebankan Pada Mata Kuliah
Pembelajaran (CP) KODE Deskripsi CPL
CPL
S9 Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri
P7 Menguasai konsep dan prinsip-prinsip penangkapan, pengolahan dan penyimpanan informasi dalam berbagai bentuk format
Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil
KU6
analisis informasi dan data
Mampu mendokumentasikan, menyimpan, mengamankan, dan menemukan kembali data untuk menjamin kesahihan dan
KU10
mencegah plagiasi
Mampu menganalisa, merancang dan membangun perangkat lunak dengan menggunakan prinsip-prinsip proses rekayasa
KK4
perangkat lunak untuk menghasilkan perangkat lunak yang memenuhi kualitas baik secara teknis dan manajerial
Mampu mengumpulkan, mendigitalisasi, dan memproses data menjadi informasi baru yang bermanfaat dengan
KK7
menggunakan pemodelan dan penyimpanan data yang efektif dan efisien
CPMK (Capaian Pembelajaran Mata Kuliah)
Setelah mengikuti mata kuliah data mining, maka mahasiswa diharapkan:
1. Mampu memahami pentingnya pemahaman data, berbagai atribut dan karakteristiknya
2. Mampu memahami teknik prapemrosesan data
3. Mampu memahami teknik data mining, meliputi estimasi, forecasting, klasifikasi, klasterisasi dan asosiasi berserta teknik evaluasinya
SUB-CPMK (Kemampuan Akhir yang direncanakan)
KA1 Mahasiswa mampu memahami pengantar data mining
KA2 Mahasiswa mampu memahami konsep tentang data dalam data mining
KA3 Mahasiswa mampu memahami prapemrosesan data dalam data mining
 KA4 Mahasiswa mampu memahami konsep dan metode klasifikasi dalam data mining
KA5 Mahasiswa mampu memahami metode evaluasi dalam klasifikasi
KA6 Mahasiswa mampu memahami konsep dan metode klasterisasi dalam data mining
KA7 Mahasiswa mampu memahami metode evaluasi dalam klasterisasi
KA8 Mahasiswa mampu memahami konsep dan metode estimasi dalam data mining
KA9 Mahasiswa mampu memahami metode evaluasi dalam estimasi
KA10 Mahasiswa mampu memahami konsep dan metode forecasting dalam data mining
KA11 Mahasiswa mampu memahami metode evaluasi dalam forecasting
KA12 Mahasiswa mampu memahami konsep dan metode asosiasi dalam data mining
KA13 Mahasiswa mampu memahami metode evaluasi dalam asosiasi
KA14 Mahasiswa mampu menerapkan teknik-teknik data mining untuk studi kasus tertentu
Diskripsi Mata Mata kuliah ini berisi pengajaran tentang data, teknik-teknik mengolah data dan teknik penggalian data, sehingga diperoleh pola-pola tertentu yang
Kuliah dapat menjadi informasi yang berguna serta mengimplementasikannya dalam permasalahan pada kondisi riil.
Bahan Kajian / Bahan Kajian
Materi 1. Data mining
Pembelajaran
2. Big data
3. Data warehouse
Materi Pembelajaran
1. Pengantar data mining
2. Konsep data dalam data mining
3. Prapemrosesan data
4. Metode berbasis klasifikasi dan teknik evaluasinya
5. Metode berbasis klasterisasi dan teknik evaluasinya
6. Metode berbasis estimasi dan teknik evaluasinya
7. Metode berbasis forecasting dan teknik evaluasinya
8. Metode berbasis asosiasi dan teknik evaluasinya

Daftar Referensi Utama:

1. Suyanto, D. (2017). Data Mining untuk klasifikasi dan klasterisasi data. Bandung: Informatika Bandung.
2. Prastyo, E. (2014). Data Mining Mengolah data Menjadi Informasi Menggunakan Matlab. Yogyakarta: ANDI.
3. https://romisatriawahono.net/lectures/
Pendukung:
4. Rahayu, A. E., Hikmah, K., Yustia, N., & Fauzan, A. C. (2019). Penerapan K-Means Clustering Untuk Penentuan Klasterisasi Beasiswa
Bidikmisi Mahasiswa. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 1(2), 82-86.
5. Septiani, I. W., Fauzan, A. C., & Huda, M. M. (2022). Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk
Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru. Jurnal Sistem Komputer dan Informatika (JSON), 3(4),
556-566.
6. Fauzan, A. C., & Hikmah, K. (2022). Implementasi Algoritma Naive Bayes Dalam Analisis Polarisasi Opini Masyarakat Terkait Vaksin Covid-
19. Rabit: Jurnal Teknologi Dan Sistem Informasi Univrab, 7(2), 122-128.
 7. Gunawan, G., Fauzan, A. C., & Harliana, H. (2022). Implementasi Algoritma Decision Tree Iterative Dichotomiser 3 (ID3) untuk Prediksi
Keberhasilan Pengobatan Penyakit Kutil Menggunakan Cryotherapy. Jurnal Bumigora Information Technology (BITe), 4(1), 73-82.
8. Agustin, A. P., Fauzan, A. C., & Harliana, H. (2022). Implementasi K-Nearest Neighbor Dengan Jarak Minkowski Untuk Deteksi Dini Covid-
19 Pada Citra CT-Scan Paru-Paru. Jurnal Ilmiah Intech: Information Technology Journal of UMUS, 4(01), 23-30.
9. Prabowo, E., & Fauzan, A. C. (2021). Implementasi Algoritma Naive Bayes Classifier Untuk Penentuan Kelayakan Penerima Beasiswa
Peningkatan Prestasi Akademik (PPA) Bagi Mahasiswa. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 3(2), 165-177.
10. Fahma, H. D., & Fauzan, A. C. (2021). Prediksi Keberlangsungan Studi Mahasiswa Fakultas Ilmu Pendidikan dan Sosial Universitas Nahdlatul
Ulama Blitar Menggunakan Algoritma C4. 5. Journal Automation Computer Information System, 1(2), 110-119.
11. Rahayu, A. E., Fauzan, A. C., & Harliana, H. (2022). Komparasi Jarak Euclidean dan Manhattan Pada Algoritma K-Nearest Neighbor Dalam
Mendeteksi Penyakit Diabetes Mellitus. Jurnal Sistem Komputer dan Informatika (JSON), 4(2), 413-419.
12. Mafula, V. Y., Fauzan, A. C., & Fernando, T. R. (2022). Identifikasi Irama Tilawah al-Quran dengan Gaya Mujawwad Menggunakan Naive
Bayes Classifier. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 4(2), 242-251.
13. Fauzan, A. C., Ramadhan, M. R., Wahyuni, N. A. T., Alifah, R. F. N., Diantoro, A., & Kuo, H. C. (2020). K-Means Clustering for Determining
Quality of Outdoor Temperature Based on BMKG Datasets. Journal of Development Research, 4(1), 12-17.
14. Quinthara, D. R., Fauzan, A. C., & Huda, M. M. (2023). Penerapan Algoritma K-Modes Menggunakan Validasi Davies Bouldin Index Untuk
Klasterisasi Karakter Pada Game Wild Rift. Journal of System and Computer Engineering (JSCE), 4(2), 123-135.
15. Alifah, R. F. N., & Fauzan, A. C. (2023). Implementasi Algoritma K-Means Clustering Berbasis Jarak Manhattan untuk Klasterisasi
Konsentrasi Bidang Mahasiswa. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 5(1), 31-41.
16. Fauzan, A. C., Wibowo, S. S., & Ahmad, M. (2023). Performa Klasifikasi Berbasis Jarak untuk Deteksi Covid-19 Varian Delta dan Omicron
Menggunakan Citra CT-Scan Paru-Paru. Journal of System and Computer Engineering (JSCE), 4(1), 62-81.
17. Suraji, S., Fauzan, A. C., & Harliana, H. (2022). Penerapan Algoritma Decision Tree C5. 0 Untuk Memprediksi Tingkat Kematian Pasien
Penyakit Gagal Jantung. Jurnal Ilmiah Intech: Information Technology Journal of UMUS, 4(02), 216-222.
18. Fauzan, A. C., Wibowo, S. S., & Ahmad, M. (2023). Performa Klasifikasi Berbasis Jarak untuk Deteksi Covid-19 Varian Delta dan Omicron
Menggunakan Citra CT-Scan Paru-Paru. Journal of System and Computer Engineering (JSCE), 4(1), 62-81.
19. Lestari, D., Fauzan, A. C., & Harliana, H. (2022). PENERAPAN ALGORITMA PILLAR UNTUK OPTIMASI PENENTUAN TITIK AWAL
CENTROID PADA ALGORITMA K-MEANS CLUSTERING. JOISIE (Journal Of Information Systems And Informatics Engineering), 6(1),
15-24.
20. Eviana, A., Fauzan, A. C., Harliana, H., & Putra, F. N. (2022). Komparasi Jarak Euclidean dan Jarak Manhattan Untuk Deteksi Covid-19
Melalui Citra CT-Scan Paru-Paru. Komputika: Jurnal Sistem Komputer, 11(2), 121-129.
21. Febiani, N., Fauzan, A. C., & Huda, M. M. (2022). IMPLEMENTASI ALGORITMA DECISION TREE C4. 5 DENGAN IMPROVISASI
MEAN DAN MEDIAN PADA DATASET NUMERIK. Jurnal Tekinkom (Teknik Informasi dan Komputer), 5(1), 105-114.
Media Perangkat lunak: Perangkat keras :
Pembelajaran 1. RapidMiner
2. Jupyter Notebook Komputer / Laptop
3. Google Collabs
Nama Dosen
Abd. Charis Fauzan, M.Kom.
Pengampu
Assessment 1. Keaktifan (10%)
2. Tugas (25%) dengan rincian: kuis (40%), tugas individu (60%)
3. UTS (30%)
 4. UAS (35%)

Mata kuliah
Tidak Ada;
prasyarat (Jika ada)
Tambahan Toleransi keterlambatan adalah 15 menit; Jika dosen terlambat maka mahasiswa berhak memberikan nilai TIDAK BAIK pada kuisioner
pembelajaran.

Indikator Penilaian
Sub-CPMK Bentuk dan
Pertemuan Sub-CPMK Estimasi
(Kemampuan akhir yg Materi Pembelajaran Metode Bobot Referensi
Ke - (Kemampuan akhir yg Waktu Kriteria Indikator
direncanakan) Pembelajaran (%)
direncanakan)
1 Mahasiswa mampu 1.1 mahasiswa mampu 1. Pengantar data mining a) Ceramah a) TM: 3x50’ Deskripsi Mampu - Utama
memahami konsep dasar memahami pengertian 2. Aplikasi data mining b) Tanya b) BM: 3x60’ tepat, rasional memahami 1,2,3
data mining data mining 3. Teknik-teknik data jawab serta konsep dasar
1.2 mahasiswa mampu mining didukung data mining
menguraikan kegunaan 4. Kontrak perkuliahan dengan
dan aplikasi data argumentasi
mining bahasa yang
1.3 mahasiswa mampu baik
memahami teknik-
teknik data mining
1.4 Mahasiswa mampu
memahami tugas-tugas
dan kontrak kuliah data
mining
2 Mahasiswa mampu 1.1 mahasiswa mampu 1. Himpunan data a) Ceramah a) TM: 3x50’ Deskripsi Mampu - Utama
memahami konsep tentang memahami himpunan 2. Jenis atribut data b) Tanya b) PT: 3x60’ tepat, rasional memahami 1,2,3
data dalam data mining data 3. Data private dan jawab c) BM: 3x60’ serta didukung konsep tentang
1.2 mahasiswa mampu public c) Simulasi dengan data dalam data
membedakan jenis-jenis berbasis argumentasi mining
atribut dalam data studi kasus bahasa yang
1.3 mahasiswa mampu baik
mendapatkan data
private maupun public
3 Mahasiswa mampu 1.1 mahasiswa mampu 1. Pembersihan data a) Ceramah a) TM: 3x50’ Deskripsi Mampu - Utama
memahami prapemrosesan memahami 2. Integrasi data b) Tanya b) PT: 3x60’ tepat, rasional memahami 1,2,3
data dalam data mining pembersihan data 3. Reduksi data jawab c) BM: 3x60’ serta didukung prapemrosesan
1.2 mahasiswa mampu 4. Transformasi data c) Simulasi dengan data dalam data
memahami integasi data 5. Visualisasi data berbasis argumentasi mining
1.3 mahasiswa mampu studi kasus bahasa yang
reduksi data baik
1.4 mahasiswa mampu
memahami transformasi
 data
1.5 mahasiswa mampu
menvisualisasi data
4 Mahasiswa mampu 1.1 mahasiswa mampu 1. Konsep dasar a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami konsep dan menjelaskan konsep klasifikasi b) Tanya b) PT: 3x60’ tepat, rasional memahami 1,2,3
metode klasifikasi dalam dasar klasifikasi 2. Algoritma-algoritma jawab c) BM: 3x60’ serta didukung konsep dan
data mining 1.2 mahasiswa mampu klasifikasi c) Simulasi dengan metode Pendukung
6-12, 16-18,
memahami dan berbasis argumentasi klasifikasi dalam
20, 21
mengimplementasikan studi kasus bahasa yang data mining
metode klasifikasi baik
5 Mahasiswa mampu Mahasiswa mampu Metode evaluasi dalam a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami metode memahami dan menerapkan klasifikasi b) Tanya b) PT: 3x60’ tepat, rasional memahami 1,2,3
evaluasi dalam klasifikasi metode evaluasi dalam jawab c) BM: 3x60’ serta didukung metode evaluasi
klasifikasi c) Simulasi dengan dalam klasifikasi Pendukung
6-12, 16-18,
berbasis argumentasi
20, 21
studi kasus bahasa yang
baik
6 Mahasiswa mampu 1.1 mahasiswa mampu 1. Konsep dasar a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami konsep dan memahami konsep klasterisasi b) Tanya b) BM: 3x60’ tepat, rasional memahami 1,2,3
metode klasterisasi dalam dasar klasterisasi 2. Algoritma-algoritma jawab serta didukung konsep dan
data mining 1.2 mahasiswa mampu klasterisasi c) Simulasi dengan metode Pendukung
4,5,13,14,1
memahami dan berbasis argumentasi klasterisasi dalam
9
mengimplementasikan studi kasus bahasa yang data mining
metode klasterisasi baik
7 Mahasiswa mampu Mahasiswa mampu Metode evaluasi dalam a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami metode memahami dan menerapkan klasterisasi b) Tanya b) PT: 3x60’ tepat, rasional memahami 1,2,3
evaluasi dalam klasterisasi metode evaluasi dalam jawab c) BM: 3x60’ serta didukung metode evaluasi
klasterisasi c) Simulasi dengan dalam klasterisasi Pendukung
4,5,13,14,1
berbasis argumentasi perkakas bantu
9
studi kasus bahasa yang tertentu
baik
8 UTS
9 Mahasiswa mampu 1.1 mahasiswa mampu 1. Konsep dasar estimasi a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami konsep dan memahami konsep 2. Algoritma estimasi b) Tanya b) PT: 1x60’ tepat, rasional memahami 3
metode estimasi dalam dasar estimasi jawab c) BM: 3x60’ serta didukung konsep dan
data mining 1.2 mahasiswa mampu c) Diskusi dengan metode estimasi
memahami dan berbasis argumentasi dalam data
mengimplementasikan studi kasus mining
bahasa yang
metode estimasi
baik
10 Mahasiswa mampu mahasiswa mampu Metode evaluasi dalam a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami metode memahami dan menerapkan estimasi b) Tanya b) BM: 3x60’ tepat, rasional memahami 3
evaluasi dalam estimasi metode evaluasi dalam jawab serta didukung metode evaluasi
estimasi c) Diskusi dengan dalam estimasi
berbasis
 studi kasus argumentasi
bahasa yang
baik
11 Mahasiswa mampu 1.1 mahasiswa mampu 1. Konsep dasar a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami konsep dan memahami konsep forecasting b) Tanya b) PT: 1x60’ tepat, rasional memahami 3
metode forecasting dalam dasar forecasting 2. Algoritma forecasting jawab c) BM: 3x60’ serta didukung konsep dan
data mining 1.2 mahasiswa mampu c) Simulasi dengan metode
memahami dan berbasis argumentasi forecasting dalam
mengimplementasikan studi kasus data mining
bahasa yang
metode forecasting
baik
12 Mahasiswa mampu mahasiswa mampu Metode evaluasi dalam a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami metode memahami dan menerapkan forecasting b) Tanya b) PT: 3x60’ tepat, rasional memahami 3
evaluasi dalam metode evaluasi dalam jawab c) BM: 3x60’ serta didukung metode evaluasi
forecasting forecasting c) Simulasi dengan dalam forecasting
berbasis argumentasi
studi kasus
bahasa yang
baik
13 Mahasiswa mampu 1.1 mahasiswa mampu 1. Konsep dasar asosiasi a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami konsep dan memahami konsep dalam data mining b) Tanya b) BM: 3x60’ tepat, rasional memahami 3
metode asosiasi dalam dasar asosiasi 2. Algoritma asosiasi jawab serta didukung konsep dan
data mining 1.2 mahasiswa mampu dalam data mining c) Simulasi dengan metode asosiasi
memahami dan berbasis argumentasi dalam data
mengimplementasikan studi kasus mining
bahasa yang
metode asosiasi
baik
14 Mahasiswa mampu mahasiswa mampu Metode evaluasi dalam a) Ceramah a) TM: 3x50’ Deskripsi Mampu 10 Utama
memahami metode memahami dan menerapkan asosiasi b) Tanya b) BM: 3x60’ tepat, rasional memahami 3
evaluasi dalam asosiasi metode evaluasi dalam jawab serta didukung metode evaluasi
asosiasi c) Simulasi dengan dalam asosiasi
berbasis argumentasi
studi kasus
bahasa yang
baik
15 Mahasiswa mampu Mahasiswa dapat 1. Studi kasus dalam data a) Ceramah a) TM: 3x50’ Deskripsi Mampu - Utama
menerapkan teknik-teknik menerapkan teknik-teknik mining b) Tanya b) PT: 3x60’ tepat, rasional menerapkan 3
data mining untuk studi data mining untuk studi 2. Mendapatkan dataset jawab c) BM: 3x60’ serta didukung teknik-teknik
kasus tertentu kasus tertentu sesuai studi kasus c) Simulasi dengan data mining
3. Memilih teknik data berbasis argumentasi untuk studi kasus
mining yang tepat studi kasus tertentu
bahasa yang
sesuai studi kasus
baik
4. Implementasi studi
kasus sesuai teknik
data mining
16 UAS
Keterangan
TM : Tatap Muka
PT : Penugasan Terstruktur
BM : Belajar Mandiri