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 16 Oktober
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 macam kasus dan
Singkat MK 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
Bantuk Pembelajaran,
Metode Pembelajaran,
Kemampuan akhir Penilaian Penugasan Mahasiswa, Materi Bobot
Mg Ke- tiap tahapan belajar [ Estimasi Waktu] Pembelajaran Penilaian
(Sub-CPMK) [ Pustaka ] (%)
Indikator Kriteria & Bentuk Luring Daring (online)
(offline)
(1) (2) (3) (4) (5) (6) (7) (8)
1 Mahasiswa mampu 1. Menjelaskan Pendekatan: 3%
memahami konsep definisi data Bentuk Penilaian Saintifik
data mining dan : Model:
tahapan umum mining;
penggunaannya. 2. Menjelaskan Aktifitas Kooperatif
tahapan umum Partisipasif Metode:
proses data Diskusi,
mining. Presentasi
3 X 50
2 Mahasiswa mampu 1. Menjelaskan Pendekatan: 4%
menerapkan teknik definisi data; Bentuk Penilaian Saintifik
prapengolahan data. : Model:
2. Mengidentifikasi
jenis-jenis data; Aktifitas Kooperatif
3. Menjelaskan Partisipasif Metode:
kualitas dari data; Diskusi,
4. Menerapkan Presentasi
proses 3 X 50
prapengolahan data;
5. Menerapkan
proses pengukuran
data.

3 Mahasiswa mampu 1. Menerapkan ilmu Pendekatan: 4%

menerapkan teknik statistik terhadap Bentuk Penilaian Saintifik
representasi data. : Model:
data;
2. Menerapkan Aktifitas Kooperatif
visualisasi pada Partisipasif Metode:
data; Diskusi,
3. Menerapkan Presentasi
3 X 50
analisis data
multidimensional
dan OLAP.

4 Mahasiswa mampu 1. Menjelaskan Pendekatan: 4%

menerapkan dasar- primitif- Saintifik
dasar proses data Model:
mining. primitif data
mining; Kooperatif
2. Menerapkan Metode:
bahasa query Diskusi,
dalam data Presentasi
mining. 3 X 50

5 Mahasiswa mampu 1. Menerapkan Pendekatan: 4%

menerapkan proses generalisasi Bentuk Penilaian Saintifik
karakterisasi dan : Model:
perbandingan- data;
perbandingan dalam 2. Menerapkan Aktifitas Kooperatif
concept description. karakterisasi Partisipasif Metode:
secara analitik; Diskusi,
3. Menerapkan Presentasi
3 X 50
perbandingan
kelas
penambangan
(mining class).
6 Mahasiswa mampu 1. Menjelaskan Pendekatan: 4%
menerapkan teknik konsep dasar Bentuk Penilaian Saintifik
klasifikasi dalam data : Model:
mining. klasifikasi;
2. Menerapkan Aktifitas Kooperatif
metode decision Partisipasif Metode:
tree dan model Diskusi,
overfitting pada Presentasi
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: 4%

menerapkan teknik konsep dasar Bentuk Penilaian Saintifik
klasifikasi dalam data : Model:
mining. klasifikasi;
2. Menerapkan Aktifitas Kooperatif
metode decision Partisipasif Metode:
tree dan model Diskusi,
overfitting pada Presentasi
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 25%

Ujian Tengah Semester Ujian Tengah Bentuk Penilaian dan atau
Semester : Praktik
Penilaian Hasil 3 X 50
Project / Penilaian
Produk
9 Mahasiswa mampu 1. Menerapkan Pendekatan: 3%
menerapkan algoritma FP- Bentuk Penilaian Saintifik
teknik/metode : Model:
analisis asosiasi Growth;
dalam data mining. 2. Menerapkan Aktifitas Kooperatif
teknik evaluasi Partisipasif Metode:
pola-pola Diskusi,
asosisasi; Presentasi
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: 4%

menerapkan algoritma FP- Bentuk Penilaian Saintifik
teknik/metode : Model:
analisis asosiasi Growth;
dalam data mining. 2. Menerapkan Aktifitas Kooperatif
teknik evaluasi Partisipasif Metode:
pola-pola Diskusi,
asosisasi; Presentasi
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 4%
menerapkan teknik definisi dan Bentuk Penilaian konsep dasar
clustering dalam data : clustering,
mining. konsep dasar
clustering; Aktifitas karakteristik
2. Menjelaskan Partisipasif data, cluster
karakteristik dan
data,cluster dan algoritma
clustering,
algoritma
K-Means,
clustering;
Hierarchical
3. Menerapkan Clustering,
algoritma K- DBSCAN,
Means; evaluasi
4. Menerapkan clustering,
algoritma prototype-
Hierarchical based dan
Clustering; density-
5. Menerapkan based
algoritma clustering,
DBSCAN; graph-based
6. Menerapkan clustering,
proses evaluasi dan
skalabilitas
clustering;
clustering.
7. Menerapkan
Pendekatan:
teknik prototype- Saintifik
based clustering; Model:
8. Menerapkan Kooperatif
density-based Metode:
clustering; Diskusi,
9. Menerapkan Presentasi
teknik graph- 3 X 50
based clustering;
10. Menerapkan
teknik skalabilitas
clustering.

12 Mahasiswa mampu 1. Menjelaskan Definisi dan 4%

menerapkan teknik definisi dan Bentuk Penilaian konsep dasar
clustering dalam data : clustering,
mining. konsep dasar
clustering; Aktifitas karakteristik
2. Menjelaskan Partisipasif data, cluster
karakteristik dan
data,cluster dan algoritma
clustering,
algoritma
K-Means,
clustering;
Hierarchical
3. Menerapkan Clustering,
algoritma K- DBSCAN,
Means; evaluasi
4. Menerapkan clustering,
algoritma prototype-
Hierarchical based dan
Clustering; density-
5. Menerapkan based
algoritma clustering,
DBSCAN; graph-based
6. Menerapkan clustering,
proses evaluasi dan
skalabilitas
clustering;
clustering.
7. Menerapkan
Pendekatan:
teknik prototype- Saintifik
based clustering; Model:
8. Menerapkan Kooperatif
density-based Metode:
clustering; Diskusi,
9. Menerapkan Presentasi
teknik graph- 3 X 50
based clustering;
10. Menerapkan
teknik skalabilitas
clustering.
 13 Mahasiswa mampu 1. Menjelaskan Pendekatan: 4%
menerapkan cara definisi anomali Bentuk Penilaian Saintifik
menangani anomali data : Model:
dan mendeteksi adanya data dan
anomali data. pendekatan Aktifitas Kooperatif
statistik untuk Partisipasif Metode:
mengatasi Diskusi,
anomali data; Presentasi
2. Menerapkan 3 X 50
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: 4%

menerapkan proses proses data Bentuk Penilaian Saintifik
data mining untuk : Model:
data yang kompleks. mining untuk
database spasial Aktifitas Kooperatif
multimedia Partisipasif Metode:
berbasis waktu; Diskusi,
2. Menerapkan Presentasi
proses data 3 X 50
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: 4%

membuat aplikasi proses data Bentuk Penilaian Saintifik
pengembangan data : Model:
mining sesuai tren yang mining dalam
ada. contoh kasus di Aktifitas Kooperatif
bidang financial, Partisipasif Metode:
retail industry, Diskusi,
telekomunikasi, Presentasi
dan biologi. 3 X 50
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 25%

Akhir Semester Akhir Semester dan atau
Praktik
3 X 50

Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 50%
2. Penilaian Hasil Project / Penilaian Produk 25%
75%

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) 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.