UNIVERSITAS MULIA

FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA

PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

RENCANA PEMBELAJARAN SEMESTER (RPS)

Mata Kuliah: Data Mining Semester VI (Enam) Kode: 132700 Bobot (SKS): 3
Mata Kuliah Prasyarat
Dosen Pengampu Deddy Kurniawan, S.Kom., M.Kom.
CPL Prodi Sikap Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri.
1. Menginterpretasikan dan menyajikan hasil analisis data dalam bentuk dan format yang dimengerti oleh pihak
yang berkepentingan
Pengetahuan
2. Menerapkan, mempelajari, mengadopsi, dan mengkolaborasikan berbagai teori, konsep, dan metode dari
beberapa disiplin ilmu.
Keterampilan
Kecakapan Hidup
Umum
Keterampilan Mampu dalam melakukan praktik kepemimpinan dan kerjasama, komunikasi dan negoisasi, serta berpikir analitis
Khusus dan kritis.
Capaian Pembelajaran
Mahasiswa mampu menganalisis data-data dalam bidang sistem infomasi dengan metode data mining.
Matakuliah
Deskripsi Matakuliah Mata kuliah ini memberikan pemahaman terhadap Konsep sistem pengolahan data data, teknik-teknik mengolah data, teknik
penggalian data, sehingga diperoleh pola-pola tertentu yang dapat menjadi informasi yang berguna dan juga aplikasi dan permasalahan
penerapannya pada kondisi rill.
Refererensi [1] Introduction to Data Mining 2nd Edition, Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin, Pearson Education, Inc, 2015
[2] Data Mining Concepts and Techniques 3rd edition, Han, Jiawei; Kamber, Micheline, and Jian Pei, Morgan Kaufmann, 2011
[3] Data Mining and Knowledge Discovery Handbook Second Edition, Maimon, Oded; Rocach, Lior, Springer, 2010
[4] Suryanto. (2019). Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung.

1
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

Pert. Metode Pengalaman Penilaian Waktu

Sub-CPMK Indikator Bahan Kajian Ref.
ke - Pembelajaran Belajar (mnt)
Jenis Kriteria Bobot
1 Mahasiswa mampu • Ketepatan dalam Materi ke 1 bagian Model Mahasiswa Observasi Mahasiswa mampu 7% 150 [1],
menjelaskan latar menjelaskan latar 1 Blended menyimak menjelaskan Menit [2],
belakang belakang • Latar belakang & learning penjelasan dan dengan tepat [3],
munculnya teknik munculnya teknik Definisi data berbasis nine mengemukakan definisi, konsep [4]
data mining, data mining. mining instruksional pendapatnya dari dasar serta
tahapan-tahapan • Ketepatan dalam • Tahapan-tahapan event dengan definisi data tahapan-tahapan
umum dalam menjelaskan proses data metode mining, tahapan- proses dalam data
konsep dasar data tahapan-tahapan mining ceramah dan tahapan proses mining
mining dalam konsep • Kegunaan data diskusi online. data mining
dasar data mining
mining • Masalah dan
tantangan data
mining
2 Mahasiswa mampu • Ketepatan Materi ke 1 bagian Model Mahasiswa Observasi Mahasiswa mampu 7% 150 [1],
menjelaskan latar menjelasakan 2 Blended menyimak menjelaskan Menit [2],
belakang taxonomy dan • Taxonomy data learning penjelasan dari arsitektur [3],
munculnya teknik arsitektur dari mining berbasis nine taxonomy, pembentuk data [4]
data mining, data mining • Data mining instruksional hubungan data mining dan
tahapan-tahapan • Ketepatan dalam bagian dari event dengan mining dan DSS, framework yang
umum dalam menjelasakan Decision Support metode arsitektur dan ada pada data
konsep dasar data berbagai System (DSS) ceramah dan teknik-teknik dan mining
mining framework data • Arsitektur data diskusi online. framework pada
mining, CRoss mining data mining
Industry Standard • Teknik-teknik
Process for Data data mining
Mining (CRISP-

2
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

DM) dan • Framework data

Knowledge mining, CRISP-
Discovery in DM dan KDD
Database (KDD)

3 Mahasiswa mampu • Ketepatan dalam Materi ke 2 Model Mahasiswa Observasi Mahasiswa mampu 10% [1],
menjelaskan definisi menjelaskan • Definisi data, Blended menyimak menjelaskan definisi [2],
data, atribut, dan definisi data, atribut dan learning penjelasan dan setiap jenis atribut [3],
pengukuran dan atribut dan pengukuran berbasis nine berdiskusi tentang dan [4]
jenis data dan data pengukuran • Jenis-jenis data instruksional definisi data, jenis mengelompokkan
set, kualitas data • Ketepatan dalam • Jenis-jenis data event dengan dan kualitas data, berbagai jenis
dan teknik-tiknik menjelaskan set metode teknik untuk atribut dan mampu
untuk proses jenis data dan • Kualitas Data ceramah dan menganalisa dan melakukan proses
analisa terhadap data set • Teknik-teknik diskusi online. pengukuran data preprocessing pada
data dan • Ketepatan dalam dan proses data awal dalam
prapemrosesan menjelaskan menganalisa data preprocessing data mining dengan
data agar dapat berbagai • Prapemrosesan pada data awal. benar.
menjadi inputan masalah terkait data
yang baik dalam kualitas data
teknik data mining. • Ketepatan dalam
menjelasakan
teknik-teknik
analisa data
• Ketepatan dalam
menjelaskan
teknik-teknik
prapemrosesan
data

3
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

4 Mahasiswa mampu • Ketepatan dalam Materi ke 3-4 Model Mahasiswa Tugas Mahasiswa mampu 7% 150 [1],
menjelaskan menjelasakan • Analisis data Blended menyimak Praktek melakukan Menit [2],
teknik-teknik Analisis data multidimensional learning penjelasan dari explorasi data [3],
merepresentasikan multidimensional & OLAP berbasis nine teknik-teknik dengan [4]
data, dan jenis-jenis dan OLAP. • Pengenalan instruksional dalam menggunakan tools
aplikasi sistem • Ketepatan dalam jenis-jenis event dengan merepresentasika Rapidminer dapat
cerdas data mining. menjelaskan aplikasi sistem metode n data, jenis-jenis menjelaskan hasil
jenis-jenis cerdasa data ceramah dan aplikasi sistem analisis
aplikasi sistem mining diskusi online. cerdas data berdasarkan hasil
cerdasa data mining. visualisasi data
mining dengan tepat.

5 Mahasiswa mampu • Ketepatan dalam Materi ke 5 bagian Model Mahasiswa Observasi Mahasiswa mampu 8% 150 [1],
menjelasakan menjelaskan 1 Blended menyimak menjelaskan Menit [2],
konsep dasar, konsep dasar • Konsep dasar learning penjelasan dari konsep penerapan [3],
algoritma dan teknik klasifikasi klasifikasi berbasis nine konsep dasar dasar dari klasifikasi [4]
perbandingan dengan algoritma • Decision Tree instruksional klasifikasi dengan data mining pada
metode pada teknik Decision Tree (ID3) event dengan algoritma Decision Decision Tree serta
klasifikasi dalam (ID3) • Model Overfitting- metode Tree (ID3), alat alat ukur evaluasi
data mining. • Ketepatan dalam Evaluasi Kinerja ceramah dan ukur evaluasi dan model dan teknik
menjelasakan pengklasifikasi & diskusi online. metode dalam perbandingan
hasil evaluasi Metoda untuk perbandingan model klasifikasi
kinerja membandingkan pengklasifikasian
pengklasifikasi pengklasifikasi dalam data
• Ketepatan dalam mining.
melakukan
perbandingan
metode klasifikasi

4
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

6 Mahasiswa mampu • Ketepatan dalam Materi ke 5 bagian Model Mahasiswa Tugas Mahasiswa mampu 6% 150 [1],
menjelasakan menerapkan 2 Blended menyimak Praktek menjelaskan dan Menit [2],
konsep dasar, algoritma • Algoritma learning penjelasan serta menerapkan [7]
algoritma dan Nerarest Nearest Neighbor berbasis nine contoh penerapan konsep dasar dari
perbandingan Neighbor (NN) (NN) instruksional dari algoritma algoritma Nearest
metode pada teknik event dengan Nearest Neighbor Neighbor (NN)
klasifikasi dalam metode (NN). dengan
data mining. ceramah dan menggunakan tools
diskusi online. Rapidminer
7 Mahasiswa mampu • Ketepatan dalam Materi ke 5 bagian Model Mahasiswa Observasi Mahasiswa mampu 7% 150 [1],
menjelasakan menerapkan 3 Blended menyimak menjelaskan dan Menit [2],
konsep dasar, algoritma Naïve • Naïve Bayes learning penjelasan serta menerapkan [7]
algoritma dan Bayes • Imbalance class berbasis nine contoh penerapan konsep dasar dari
perbandingan • Ketepatan dalam problem instruksional dari algoritma algoritma Naïve
metode pada teknik menejelaskan event dengan Naïve Bayes dan Bayes dengan
klasifikasi dalam Imbalance class metode problem menggunakan tools
data mining. problem Imbalance Class Rapidminer serta
pada teknik mampu
klasifikasi. menjelaskan
problem Imbalance
Class dan
penanganannya
pada teknik
klasifikasi
8 Evaluasi Tengah Semester: Melakukan validasi hasil penilaian, evaluasi dan perbaikan proses pembelajaran berikutnya
9 Mahasiswa mampu • Ketepatan dalam Materi ke 6 bagian Model Mahasiswa Observasi Mahasiswa mampu 8% 150 [1],
menjelaskan menjelaskan 1 Blended menyimak menjelaskan dan Menit [2],
teknik/metoda algoritma FP- • Konsep dasar learning penjelasan dari menerapkan [7]
analisis asosiasi Growth algoritma FP- berbasis nine konsep dasar konsep dasar dari
dalam data mining. Growth instruksional algoritma FP- algoritma FP-
5
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

• Ketepatan dalam • Frequent itemset event dengan Growth dan Growth dengan
menjelasakan generation metode melihat contoh menggunakan tools
Frequent itemset • Rule generation, ceramah dan cara Rapidminer serta
generation compact diskusi online. menerapkannya menjelaskan hasil
• Ketepatan dalam representation of kedalam sebuah representasi
menjelasakan frequent itemset dataset. pengetahuan dari
Rule generation, aturan asosiasi
compact yang dihasilka.
representation of
frequent itemset
10 Mahasiswa mampu • Ketepatan dalam Materi ke 6 bagian Model Mahasiswa Observasi Mahasiswa mampu 6% 150 [1],
menjelaskan menjelaskan 2 Blended menyimak menjelaskan dan Menit [2],
teknik/metoda algoritma Apriori • Konsep dasar learning penjelasan dari menerapkan [7]
analisis asosiasi • Ketepatan dalam algoritma Apriori berbasis nine konsep dasar konsep dasar dari
dalam data mining. menjelaskan cara • Menangani instruksional algoritma Apriori algoritma Apriori
penanganan atribut kategoris event dengan pada teknik dengan
terhadap atribut dan atribut metode evaluasi pola menggunakan tools
kategoris dan kontinu dalam ceramah dan asosiasi, cara Rapidminer, serta
kontinu analisis asosiasi diskusi online. penanganan menangani adanya
atribut kategoris atribut katagoris
dan kontinus. dan kontinu pada
dataset.
11 Mahasiswa mampu • Ketepatan dalam Materi ke 7 bagian Model Mahasiswa Observasi Mahasiswa mampu 8% 150 [1],
menjelaskan teknik menjelaskan 1 Blended menyimak menerapkan Menit [2],
clustering dalam definisi dan • Definisi dan learning penjelasan dari konsep dasar dari [7]
data mining. konsep dasar konsep dasar berbasis nine konsep dasar dan algoritma K-Means
clustering clustering instruksional algoritma menggunakan tools
• Ketepatan dalam • Algoritma event dengan K-Means pada Rapidminer, serta
menjelaskan K-Means metode teknik clustering menjelaskan hasil
algoritma K- dan melihat evaluasi dan

6
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

Means pada • Evaluasi dan ceramah dan contoh cara optimasi pada
teknik clustering optimasi diskusi online. menerapkannya algoritma
• Ketepatan Clustering kedalam sebuah K-Means.
menjelasakan (K-Means) dataset, serta
hasil evaluasi melakukan evalusi
dan melakukan dan optimasi pada
optimasi algoritma
(K-Menas) K-Means.
terhadap kinerja
teknik clustering
12 Mahasiswa mampu • Ketepatan dalam Materi ke 7 bagian Model Mahasiswa Observasi Mahasiswa mampu 6% 150 [1],
menjelaskan teknik menjelaskan 2 Blended menyimak menjelaskan dan Menit [2],
clustering dalam algoritma pada • Algoritma learning penjelasan dari menerapkan [7]
data mining. teknik clustering DBSCAN berbasis nine konsep dasar dan konsep dasar dari
instruksional algoritma algoritma DBSCAN
event dengan DBSCAN pada dengan
metode teknik clustering menggunakan tools
ceramah dan dan melihat Rapidminer
diskusi online. contoh cara
menerapkannya
kedalam sebuah
dataset
13 Mahasiswa mampu • Ketepatan dalam Materi ke 8 Model Mahasiswa Observasi Mahasiswa mampu 6% 150 [1],
menjelaskan menjelaskan • Definisi anomali Blended menyimak mendeteksi Menit [2],
bagaimana anomaly data. data dan learning penjelasan dari keberadaan dengan [7]
menangani anomali • Ketepatan dalam pendekatan berbasis nine definisi anomali teknik deteksi data
data, dan mendeteksi dan statistik untuk instruksional data, dan anomaly dan
mendeteksi adanya mengatasi mengatasi event dengan berbagai teknik mengatasi sebuah
anomali data. anomali data anomali data metode penangan data anomaly dalam
mengunakan ceramah dan terhadap anomaly dalam dataset.
diskusi online.
7
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

berbagai teknik • Deteksi dengan data pada data

penanganan proximity-based mining.
anomali data. outlier, deteksi
density-based
outlier &
clustering-based
technique
14 Mahasiswa mampu • Ketepatan dalam Materi ke 7 bagian Model Mahasiswa Observasi Mahasiswa mampu 6% 150 [1],
menjelaskan teknik menjelasakan 3 Blended menyimak dalam menentukan Menit [2],
klustering dalam faktor dalam • Pemilihan teknik learning penjelasan dari teknik clustering [7]
data mining. memilik teknik clustering berbasis nine Skalabilitas berdasarkan faktor-
clustering • Karakteristik data instruksional clustering dan faktor penting pada
• Ketepatan dalam dan data cluster event dengan karakteristik data teknik clustering
menjelasakan pada teknik metode kluster dan mampu
karakteristik dari clustering ceramah dan pada teknik menjelaskan
data cluster diskusi online. klustering data kriketia dari cluster
mining. dan data cluster.
15 Mahasiswa mampu • Ketepatan dalam Meteri ke 9 Model Mahasiswa Observasi Mahasiswa mampu 8% 150 [1],
menjelasakan menjelasakan • Spatial & Blended menyimak mengenali berbagai Menit [2],
gambaran aplikasi Spatial & Multimedia Data learning penjelasan bentuk penerapan data [7]
data mining dalam Multimedia Data Mining berbasis nine penerapan data mining di berbagai
berbagai bidang Mining • Text & Web instruksional mining pada jenis data dan
• Ketepatan dalam Mining event dengan spatial, bidang-bidang lain
menjelasakan • Penerapan data metode multimedia, text didalam kehidupan
tentang bentuk mining dalam ceramah dan dan web mining nyata.
dan penerapan bidang financial, diskusi online. serta mengenal
text & Web retail industri, bentuk-bentuk
Mining telekomunikasi, penerapan data
• Ketepatan dalam biologi, dan mining di
menjelasakan aplikasi sains berbagai.

8
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

bentuk
penerapan data
mining pada
berbagai bidang
16 Evaluasi Akhir Semester: Melakukan validasi hasil penilaian, evaluasi.

Tugas mahasiswa dan penilaiannya:

1.
2.

Kota Samarinda, 7 Maret 2022

Mengetahui Ketua Program Studi Dosen Penanggung jawab MK

____________________________
Tina Tri Wulansari, S.Kom., M.T.I. Deddy Kurniawan, S. Kom., M. Kom.

9
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

Keterangan Pengisian
No Kolom Judul Kolom Penjelasan Pengisian
1 Capaian Rumusan capaian pembelajaran lulusan program studi yang telah ditetapkan prodi di kurikulum yang sesuai dengan
pembelajaran mata kuliah, bisa CP sikap, CP pengetahuan, CP keterampilan umum atau CP keterampilan khusus yang dibebankan
lulusan pada matakuliah
2 Capaian Rumusan capaian pembelajaran mata kuliah yang ditetapkan dosen bersama yang selaras dengan CP lulusan yang
pembelajaran dirumuskan dalam mata kuliah
mata kuliah
3 Deskripsi mata Rumusan deskripsi mata kuliah yang telah dideskripsikan dalam kurikulum prodi
kuliah
4 Pertemuan ke Menunjukan kapan suatu kegiatan dilaksanakan, yakni mulai minggu ke 1 sampai ke 16 (satu semester)
(bisa 1/2/3/4 mingguan).
5 Sub-CPMK Rumusan kemampuan dibidang kognitif, psikomotorik, dan afektif diusahakan lengkap dan utuh (hard skills & soft skills).
Merupakan tahapan kemampuan yang diharapkan dapat mencapai kompetensi mata kuliah ini diakhir perkuliahan.
6 Indikator Indikator merupakan unsur-unsur yang menunjukkan ketercapaian tahap kemampuan
7 Bahan kajian Bisa diisi pokok bahasan / sub pokok bahasan, atau topik bahasan (dengan asumsi tersedia
(Materi Kuliah) diktat/modul ajar untuk setiap pokok bahasan).
8 Metode Bisa berupa ceramah, diskusi, presentasi tugas, seminar, simulasi, responsi, praktikum, latihan, kuliah lapang, praktek b
pembelajaran engkel, survai lapangan, bermain peran,
atau gabungan berbagai bentuk. Penetapan bentuk pembelajaran didasarkan pada keniscayaan bahwa kemampuan yan
g diharapkan diatas akan tercapai dengan bentuk/ model pembelajaran tersebut.
9 Waktu Takaran waktu yang menyatakan beban belajar dalam satuan sks (satuan kredit semester). Satu

10
 UNIVERSITAS MULIA
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA
PROGRAM STUDI S1-SISTEM INFORMASI

No. Dokumen No. Revisi Hal Tanggal Terbit

1 dari #

sks setara dengan 50 (lima puluh) menit kegiatan belajar per minggu per semester
10 Penilaian Sistem evaluasi yang digunakan, jenis tes, penialaian tugas dan kriteria penilaian akhir
11 Kriteria Berisi indikator yang dapat menunjukan unsur kemampuan yang dinilai (bisa kualitatif misal ketepatan analisis, kerapian
sajian, Kreatifitas ide, kemampuan komunikasi, juga bisa juga yang kuantitatif : banyaknya kutipan acuan/unsur yang dib
ahas, kebenaran hitungan).
12 Bobot Disesuaikan dgn waktu yang digunakan utk membahas / mengerjakan tugas, atau besarnya sumbangan suatu kemampu
an
13 Referensi Referensi yang digunakan dalam proses pembelajaran

11