PERANGKAT PEMBELAJARAN

(Analisis Pembelajaran, RPS, Portofolio Penilaian, Rencana Tugas)

Mata Kuliah Pengantar Sains Data

Kartika Maulida Hindrayani, S.Kom, M.Kom

Program Studi Sains Data, Fakultas Ilmu Komputer

Universitas Pembangunan Nasional Veteran Jawa Timur

I. Capaian Pembelajaran Lulusan Program Studi Sains Data:

No Capaian Pembelajaran Lulusan (CPL) Sumber Acuan

1 CPL01 Mampu menunjukkan sikap menjadi insan yang bertaqwa, bertanggung

jawab, mandiri dan bekerjasama, sesuai dengan nilai-nilai bela negara,
cinta tanah air, serta kepedulian terhadap masyarakat dan lingkungan
2 CPL02 Mampu menganalisis dan mengaplikasikan teknik analisis data dengan
menggunakan perangkat lunak untuk menyelesaikan permasalahan di
bidang analisis data
3 CPL03 Mampu merancang, mengintegrasikan, dan mengimplementasikan
arsitektur manajemen basis data untuk kebutuhan pemrosesan data
berskala besar
4 CPL04 Mampu menguasai konsep big data dan mengembangkan model prediktif
berbasis kecerdasan buatan dalam menyelesaikan permasalahan di
berbagai bidang dan domain keilmuan Perpres No. 8 Tahun 2012
5 CPL05 Mampu merancang, mengembangkan, dan mengimplementasikan sistem tentang KKNI dan
berbasis kecerdasan buatan ke dalam bentuk suatu aplikasi sistem cerdas Permendikbudristek No. 53
6 CPL06 Mampu merancang, membangun, dan mengkombinasikan algoritma dan Tahun 2023 tentang
model statistik dalam melakukan identifikasi pola, pengambilan Penjaminan Mutu Pendidikan
keputusan, dan pembuatan model prediksi berdasarkan data yang Tinggi
diberikan
7 CPL07 Mampu merancang, melaksanakan, mengembangkan ilmu pengetahuan,
dan mendokumentasikan penelitian ilmiah dalam bidang sains data
8 CPL08 Mampu mengkomunikasikan informasi dalam bentuk narasi serta
visualisasi dari hasil temuan dan wawasan data
9 CPL09 Mampu menguasai konsep matematika, statistika, dan dasar ilmu
komputer untuk memperkuat landasan ilmiah keilmuan sains data
10 CPL10 Mampu membangun pemrograman, kerangka kerja pengembangan, dan
penyebaran (deployment) perangkat lunak berbasis kecerdasan buatan
11 CPL11 Mampu memiliki keterampilan interpersonal dan profesional dengan
menerapkan nilai-nilai etika dalam profesi sains data
II. Analisis Pembelajaran

CPMK Mata Kuliah Pengantar Sains Data:

CPL02 => CPMK04 Mahasiswa dapat memahami konsep dasar teknik machine learning, merancang algoritma machine learning, mengembangkan dan
mengkombinasikan model prediktif dalam analisis data, dan mengimplementasikan ke dalam suatu bentuk aplikasi sistem cerdas menggunakan perangkat
lunak, serta melaksanakan penelitian ilmiah dan aplikasi praktis bidang machine learning.
CPL09 => CPMK05 Mahasiswa dapat memahami konsep dasar dalam data mining, merancang dan mengeksplorasi pengetahuan yang berharga dari
dataset, mengaplikasikan proses data mining untuk menggali informasi berharga dari dataset, dan dapat merancang arsitektur manajemen basis data yang
dapat menangani pemrosesan data berskala besar, serta dapat mengkomunikasikan dalam bentuk narasi dan visual.

Evaluasi/ Ujian Akhir Semester (Minggu ke-16)

Sub-CPMK 6: Mahasiswa mampu merancang proyek dengan menerapkan tahapan-tahapan dalam Sains Data yang didokumentasikan
ke dalam bentuk laporan proyek dan mempresentasikannya dengan kinerja mandiri, bermutu, dan terukur [C6,A3,P3]

Sub-CPMK 5: Mahasiswa mampu menjelaskan, membuat, dan menerapkan konsep

text mining dan data visualization dengan tools yang tepat [C3,A3]

Evaluasi/ Ujian Tengah Semester (Minggu ke-8)

Sub-CPMK 3: Mahasiswa mampu menjelaskan dan menerapkan tahapan pada riset Sub-CPMK 4: Mahasiswa mampu menjelaskan, membuat, dan
dan aplikasi seputar sains data dari referensi scientific paper dengan melakukan menerapkan proses-proses sains data dan konsep modelling
kegiatan merangkum dengan tepat [C3, A3, P2] process dalam studi kasus sederhana dengan tepat [C3,A3]

Sub-CPMK 2: Mahasiswa mampu menjelaskan dan menerapkan perkembangan sains

data dan big data dari data tradisional, data terstruktur, basis data NoSQL, basis data Sub-CPMK 1: Mahasiswa mampu menjelaskan tentang
graf, dan ekosistem big data dengan tools yang tepat [C3,A3] konsep keilmuwan bidang Sains Data dan keterkaitan
dengan Big Data dengan tepat[C2,A3]
 III. Rencana Pembelajaran Semester (RPS)

RENCANA PEMBELAJARAN SEMESTER (RPS)

PROGRAM STUDI : SAINS DATA
FAKULTAS : ILMU KOMPUTER
MATA KULIAH KODE MK RUMPUN MK BOBOT (sks) SEMESTER DIREVIS
I
PENGANTAR SAINS SD211105 Data Science Teori = 2 Praktik = 1 I Agustus
DATA 2024
OTORISASI KOORDINATOR MK KOORDINATOR PRODI

Kartika Maulida Hindrayani, S.Kom, M.Kom Dr.Eng. Ir. Dwi Arman Prasetya.,ST., MT., IPU., Asean.
Eng
CAPAIAN CPL PROGDI Yang Dibebankan pada MK
PEMBELAJARAN
(CPL) CPL02 Mampu menganalisis dan mengaplikasikan teknik analisis data dengan menggunakan perangkat lunak untuk
menyelesaikan permasalahan di bidang analisis data
CPL09 Mampu menguasai konsep matematika, statistika, dan dasar ilmu komputer untuk memperkuat landasan ilmiah
keilmuan sains data
Capaian Pembelajaran Mata Kuliah (CPMK)

CPMK04 Mahasiswa dapat memahami konsep dasar teknik machine learning, merancang algoritma machine CPL02
learning, mengembangkan dan mengkombinasikan model prediktif dalam analisis data, dan
mengimplementasikan ke dalam suatu bentuk aplikasi sistem cerdas menggunakan perangkat
lunak, serta melaksanakan penelitian ilmiah dan aplikasi praktis bidang machine learning.
CPMK05 Mahasiswa dapat memahami konsep dasar dalam data mining, merancang dan mengeksplorasi CPL09
pengetahuan yang berharga dari dataset, mengaplikasikan proses data mining untuk menggali
informasi berharga dari dataset, dan dapat merancang arsitektur manajemen basis data yang dapat
menangani pemrosesan data berskala besar, serta dapat mengkomunikasikan dalam bentuk narasi
dan visual.
 Kemampuan Akhir Tiap Tahapan Belajar (Sub-CPMK)

Sub- Mahasiswa mampu menjelaskan konsep keilmuan bidang sains data dan keterkaitan dengan big data dengan
CPMK1 tepat [C2, A2]
Sub- Mahasiswa mampu menjelaskan dan menerapkan perkembangan sains data dan big data dari data tradisional,
CPMK2 data terstruktur, basis data NoSQL, basis data graf, dan ekosistem big data dengan tools yang tepat [C3, A3]
Sub- Mahasiswa mampu menjelaskan dan menerapkan tahapan pada riset dan aplikasi seputar sains data dari
CPMK3 referensi scientific paper dengan melakukan kegiatan merangkum dengan tepat [C3, A3, P2]
Sub- Mahasiswa mampu menjelaskan, membuat, dan menerapkan proses-proses sains data dan konsep modelling
CPMK4 process dalam studi kasus sederhana dengan tepat [C3,A3]
Sub- Mahasiswa mampu menjelaskan, membuat, dan menerapkan konsep text mining dan data visualization dengan
CPMK5 tools yang tepat [C3,A3]
Sub- Mahasiswa mampu merancang proyek dengan menerapkan tahapan-tahapan dalam Sains Data yang
CPMK6 didokumentasikan ke dalam bentuk laporan proyek dan mempresentasikannya dengan kinerja mandiri, bermutu,
dan terukur [C6,A3,P3]
Korelasi CPL terhadap Sub-CPMK

ID CPMK SCPMK01 SCPMK02 SCPMK03 SCPMK04 SCPMK05 SCPMK06 Total Bobot

Per CPMK
CPL02/CPMK04 10 10 10
CPL09/CPMK05 10 10 50
Total Per 10 10 10 10 10 50 100
Penilaian

DESKRIPSI SINGKAT Mata kuliah ini mempelajari konsep dasar keilmuan di bidang sains data, proses-proses dalam sains data dan kaitannya
MK dengan ekosistem big data, teknologi pendukung penyimpanan basis data terstruktur tidak terstruktur, dan semi-struktur,
model algoritma machine learning serta bagaimana peranan sains data mampu menyelesaikan berbagai latar belakang
permasalahan di kehidupan sehari-hari. Materi disampaikan melalui ceramah interaktif, diskusi, latihan, praktikum, serta
permasalahan dunia nyata. Luaran dari mata kuliah ini adalah laporan akhir proyek, ppt, dan penerapan proyek sains data.
BAHAN KAJIAN 1. Pemahaman tentang konsep keilmuan di bidang sains data dan hubungannya dengan big data beserta aplikasinya
MATERI 2. Pemahaman tentang perkembangan sains data dan big data
PEMBELAJARAN 3. Pemahaman tentang riset dan aplikasi seputar sains data
4. Pemahaman tentang proses-proses, modelling process beserta aplikasinya,
5. Pemahaman tentang konsep text mining dan visualisasi data beserta aplikasinya
 6. Pemahaman secara tahapan keseluruhan Sains Data yang meliputi modelling process, menghasilkan laporan akhir,
dan review project.

PUSTAKA Utama
1. Davy Cielen, Arno D.B. Meysman, Mohamed Ali, Introducing Data Science, Manning Publications Co., USA
2. Joel Grus, Data Science from Scratch, O’reilly
Pendukung
1. Field Cady, The Data Science Handbook, John Wiley & Sons, Inc, USA
2. Laura Igual, Santi Segui, Introduction to Data Science: A Python Approach to Concepts, Techniques and
Applications, Springer International Publishing Switzerland
3. Foster Provost, Tom Fawcett, Data Science for Business, O’Reilly
4. Benjamin Bengfort, Jenny Kim, Data Analytics with Hadoop, O’Reilly
DOSEN PENGAMPU 1. Mohammad Idhom, S.P., S.Kom., M.T.
2. Wahyu S. J., S.Kom, M.Kom
3. Kartika Maulida Hindrayani S.Kom, M.Kom
MATA KULIAH -
SYARAT
Bentuk Pembelajaran, Metode
Sub CPMK Pembelajaran, Penugasan
(Capaian Penilaian Bobot
Minggu Mahasiswa Materi Pembelajaran
Pembelajaran [estimasi waktu] Penilaian
Ke- [Pustaka]
Mata Kuliah) (%)
Kriteria
Indikator Luring Daring
dan Teknik
(1) (2) (3) (4) (5) (6) (7) (8)
1 Sub-CPMK1: 1.1 Ketepatan Kriteria:  Kuliah  Kuliah Konsep Sains Data:
Mahasiswa menjelaskan Pedoman  Diskusi [PB: Daring 1. Pendahuluan
mampu tentang definisi Penskoran 1x(2x50”)]  Diskusi 2. Business Understanding
menjelaskan sains data (Marking  Tugas-1: Asinkron 3. Data Mining
konsep keilmuan 1.2 Ketepatan Scheme) Menyusun 4. Data Cleaning
bidang sains data menjelaskan 6
ringkasan dalam E-learning: 5. Data Exploration
dan keterkaitan tentang big data Teknik bentuk tentang: ILMU 6. Feature Engineering
dengan big data 1.3 Ketepatan non-test: a. Definisi sains https://ilmu. 7. Data Visualization
dengan tepat [C2, menjelaskan data upnjatim.ac. 8. Istilah-istilah penting
A2] tentang id/ dalam sains data
 keterkaitan antara  Meringka b. Definisi Big
sains data dan big s materi Data Keterkaitan Sains Data
data kuliah c. Keterkaitan dengan Big Data:
antara sains data 1. Hubungan antara sains
dan Big Data data dan big data
2. Karakteristik Big Data
[PT+KM: (1+1) 3. 3V Big Data
x(2x60’’)] 4. Manfaat dan Penggunaan
Sains Data dan Big Data
5. Proses-proses dalam sains
data
6. Kategori bentuk set data:
structured, unstructured,
natural language,
machine-generated,
graph-based, audio, video,
and images, streaming
[1]
2-3 Sub-CPMK-2: 2.1 Ketepatan Kriteria:  Kuliah  Kuliah 1. Data traditional 6
Mahasiswa menjelaskan Rubrik  Diskusi [PB: Daring 2. Analisis data
mampu tentang holistik 2x(2x50”)]  Diskusi menggunakan Excel
menjelaskan dan
perkembangan  Tugas-2: Asinkron 3. Distributed File Systems
sains data dan Teknik Menggunakan 4. Distributed
menerapkan big data non-test: Programming
fungsi fungsi E-learning:
perkembangan 2.2 Ketepatan  Meringka yang terdapat ILMU Framework
sains data dan big menjelaskan s pada tools Data https://ilmu 5. Data Integration
data dari data mengenai perkemba Analytic Excel .upnjatim.a Framework
tradisional, data perbedaan dan ngan [PT+KM: (2+2) c.id/ 6. Machine Learning
terstruktur, basis tools dimulai sains data x(2x60’’)] Framework
dari data dan big 7. NoSQL Databases
data NoSQL, basis
tradisional data data 8. Scheduling Tools
data graf, dan terstruktur, basis 9. Benchmarking Tools
ekosistem big data data NoSQL, 10. System Deployment
dengan tools yang basis data graf, 11. Service Programming
tepat [C3, A3] dan ekosistem 12. Security
big data
 [1]

4-5 Sub-CPMK-3: 3.1 Ketepatan Kriteria:  Kuliah  Kuliah 1. Sumber-sumber rujukan 6

Mahasiswa identifikasi topik Rubrik  Diskusi [PB: Daring scientific paper yang
mampu yang terkait holistik 2x(2x50”)]  Diskusi berkaitan dengan bidang
menjelaskan dan
sains data  Tugas-3: Asinkron sains data
3.2 Ketepatan Teknik Mencari, 2. Topik dan isu terkini
menerapkan pemahaman non-test: bidang sains data
memahami, dan E-learning:
tahapan pada riset tahapan sains  Meringka meresume terkait 3. Penggalian ide-ide
ILMU
dan aplikasi data dan metode s artikel tahapan pada penelitian bidang sains
yang dapat https://ilmu
seputar sains data riset dan aplikasi data dari scientific paper
digunakan .upnjatim.a 4. Penggunaan
dari referensi sains data
3.3 Ketepatan masing-masing c.id/ metode/pendekatan/tekn
scientific paper
pendapat kelompok ik terkini bidang sains
dengan melakukan
kegiatan
mengenai artikel  [PT+KM: (2+2) data dari scientific paper
yang dipilih x(2x60’’)] 5. Resume dan
merangkum penyampaian bagian-
dengan tepat [C3, bagian dari isi scientific
A3, P2] paper yang berkaitan
dengan sains data

6-7 Sub-CPMK-4: 4.1 Ketepatan Kriteria:  Kuliah  Kuliah Enam tahap dalam proses 6
Mahasiswa menjelaskan Rubrik  Diskusi [PB: Daring sains data
mampu mengenai proses holistik 2x(2x50”)]  Diskusi 1. Tahap 1: Mendefinisikan
menjelaskan,
sains data  Tugas-4: Asinkron tujuan penelitian dan
4.2 Ketepatan Teknik Menyusun Project membuat anggaran (cost)
membuat, dan menjelaskan non-test: projek serta timeline
Charter studi E-learning:
menerapkan mengenai  Meringka kasus kelompok 2. Tahap 2: Memperoleh
ILMU
proses-proses sains s materi data (retrieving data), baik
data dan konsep modelling tahapan [PT+KM: (2+2) https://ilmu data internal maupun
modelling process process sains data x(2x60’’)] .upnjatim.a eksternal
dalam studi kasus dan c.id/ 3. Tahap 3: Mempersiapkan
modellin data (data preparation):
sederhana dengan
g process data cleansing, data
tepat [C3,A3] transformation dan
combining data
4. Tahap 4: Eksplorasi data:
simple graphs, combined
graphs, link and brush,
dan nongraphical
techniques
5. Tahap 5: Memodelkan
data: model and variable
selection, model
execution, model
diagnostic and model
comparison
6. Tahap 6: Menyajikan
temuan dan
mengautomasikan analisis
data

Konsep Modelling Process

1. Dasar definisi machine
learning
2. Peranan machine learning
pada sains data
3. Tahapan dalam modelling
process: feature
engineering and model
selection, training the
model, model validation
and selection, dan testing
the model
 4. Jenis-jenis machine
learning: supervised
learning, unsupervised
learning, semi-supervised
learning
5. Implementasi machine
learning untuk
penyelesaian berbagai
kasus kehidupan sehari-

[1,2]

UJIAN TENGAH SEMESTER = 10%

9-11 Sub-CPMK-5: 5.1 Ketepatan Kriteria:  Kuliah  Kuliah Text Mining 6
Mahasiswa menjelaskan Rubrik  Diskusi [PB: Daring 1. Definisi Text Mining
mampu mengenai Text holistik 2x(2x50”)]  Diskusi 2. Keterkaitan Text Mining 3.
menjelaskan, Mining  Tugas-5: Mencari Asinkron Search vs Discover
membuat, dan 5.2 Ketepatan Teknik penerapan text 4. Data retrieval
menerapkan menjelaskan non-test: mining dan data E-learning: 5. Information retrieval
konsep text mining mengenai data Meringkas visualization ILMU 6. Data Mining
dan data visualization materi text 7. Text Mining
visualization mining dan https://ilmu 8. Tantangan Text Mining
[PT+KM: (2+2)
.upnjatim.a
dengan tools yang data x(2x60’’)] 9. Fakta Unstructured Data
tepat [C3,A3] visualization c.id/ 10.Pentingnya Unstructured
Data
11. Masalah Unstructured
Data
12. Proses dan Spesifik Text
Mining
13. Text Processing
14.Aplikasi Text Mining

Data Visualization
1. Konsep dan kebutuhan
visualisasi data
 2. Visualisasi data dalam
bentuk diagram: bar chart,
line chart, scatter chart,
pie chart
3. Pertimbangan pilihan data
visualization untuk end
user: NVD3, C3.js,
xCharts, Dimple
4. Representasi diagram
kepada stakeholder

[1, 2, 3]
Pembelajaran dengan Metode Project-based Learning
12-15 Sub-CPMK-6: 6.1 Ketepatan Kriteria:  Kuliah  Kuliah 1. Identifikasi topik dan 50
Mahasiswa identifikasi topik Rubrik  Diskusi [PB: Daring permasalahan
mampu merancang permasalahan persepsi 2x(2x50”)]  Diskusi 2. Metodologi yang
proyek dengan
dan metodologi  Tugas-6: Asinkron digunakan dalam
untuk Teknik Membuat laporan, menyelesaikan
menerapkan menyelesaikann non-test: permasalahan
kode script, dan E-learning:
tahapan-tahapan ya  Mempre presentasi untuk 3. Metode Sains Data yang
ILMU
dalam Sains Data 6.2 Ketepatan sentasika penyelesaian digunakan
metode yang https://ilmu 4. Data Visualization yang
yang n permasalahan
digunakan kemajua .upnjatim.a direpresentasikan
didokumentasikan studi kasus
6.3 Ketepatan n project c.id/
ke dalam bentuk
laporan proyek dan
representasi data  [PT+KM: (2+2) [1, 2, 3]
visualization x(2x60’’)].
mempresentasikan
nya dengan kinerja
mandiri, bermutu,
dan terukur
[C6,A3,P3]

UJIAN AKHIR SEMESTER = 10%

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. Kriteria 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. Teknik 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,
Problem Based Learning, dan metode lainnya yang 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 tersebut., dan totalnya 100%.
12. PB=Proses Belajar, PT=Penugasan Terstuktur, KM=Kegiatan Mandiri.

Komponen evaluasi penilaian terdiri dari:

30% Tugas (RTM) dan Aktivitas Partisipatif pada pertemuan tersebut + 10% UTS + 10% UAS + 50% Hasil Project (Project Based Learning).

Format Laporan Project Based Learning

Format Laporan Project -based Learning mengikuti ketentuan format yang telah disiapkan oleh dosen pengampu mata kuliah.

Divalidasi Oleh,

Koordinator Prodi Sains Data,

Dr.Eng. Ir. Dwi Arman Prasetya.,ST., MT., IPU.,

Asean. Eng

NIP. 19801205200501 1 002

 IV. SILABUS MK PENGANTAR SAINS DATA TAHUN 2023/2024

PROGRAM STUDI : SAINS DATA

FAKULTAS : ILMU KOMPUTER
UPN “VETERAN” JAWA TIMUR
MATA KULIAH KODE MK RUMPUN MK BOBOT (sks) SEMESTER
PENGANTAR SAINS SD211105 Data Science Teori = 2 Praktik = 1 I
DATA
DESKRIPSI MATA KULIAH
Mata kuliah ini mempelajari konsep dasar keilmuan di bidang sains data, proses-proses dalam sains data dan kaitannya
dengan ekosistem big data, teknologi pendukung penyimpanan basis data terstruktur tidak terstruktur, dan semi-struktur,
model algoritma machine learning serta bagaimana peranan sains data mampu menyelesaikan berbagai latar belakang
permasalahan di kehidupan sehari-hari. Materi disampaikan melalui ceramah interaktif, diskusi, latihan, praktikum, serta
permasalahan dunia nyata. Luaran dari mata kuliah ini adalah penerapan proyek sains data, ppt, dan laporan akhir proyek.
CPL PRODI YANG DIBEBANKAN PADA MK
CPL A Menghargai keanekaragaman budaya, pandangan, agama, dan kepercayaan, serta pendapat atau temuan
orisinal orang lain
CPL B Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan
CPL C Menguasai konsep pengetahuan mengenai transformasi data menjadi informasi, insight dan knowledge
menggunakan metode statistik, aplikasi probabilitas, machine learning dan konsep teoritis bagian
khusus dalam bidang pengetahuan tersebut secara mendalam, serta mampu memformulasikan
penyelesaian masalah prosedural.
CPL D Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau
implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora
yang sesuai dengan bidang keahliannya.
CPL E Mampu merumuskan pemecahan masalah Data Science secara inovatif dengan memanfaatkan
teknologi sistem cerdas berbasis konsep - konsep yang relevan menggunakan pemodelan yang tepat
CAPAIAN PEMBELAJARAN MATA KULIAH (CPMK)
CPMK 1 Menerima dan menghargai keanekaragaman, pendapat, dan temuan orisinil orang lain
CPMK 2 Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri
CPMK 3 Mampu mengaplikasikan bidang keahliannya dan memanfaatkan ilmu pengetahuan, teknologi,
dan/atau seni dalam ruang lingkup Sains Data dalam penyelesaian masalah serta mampu
beradaptasi terhadap situasi yang dihadapi.
CPMK 4 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks
pengembangan atau implementasi ilmu pengetahuan dan teknologi Sains Data yang
memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya
CPMK 5 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur dalam pengembangan atau
implementasi ilmu pengetahuan dan teknologi Sains Data
SUB CAPAIAN PEMBELAJARAN MATAKULIAH (Sub-CPMK)
1  RTM 1: Mahasiswa meringkas materi kuliah

Sub-CPMK1:
Mahasiswa mampu menjelaskan konsep keilmuan bidang sains data dan keterkaitan dengan big data
dengan tepat
2-3  RTM 2 : Data Analytic menggunakan Microsoft Excel
 Sub-CPMK-2: Mahasiswa mampu menjelaskan dan menerapkan perkembangan sains data dan big
data dari data tradisional, data terstruktur, basis data NoSQL, basis data graf, dan ekosistem big data
dengan tools yang tepat
4-5 Presentasi Kelompok I RTM 3: Membuat Resume Tahapan pada Riset dan Aplikasi Sains Data

Sub-CPMK-3: Mahasiswa mampu menjelaskan dan menerapkan tahapan pada riset dan aplikasi
seputar sains data dari referensi scientific paper dengan melakukan kegiatan merangkum dengan tepat
6-7 Presentasi Kelompok II RTM 4: Menyusun Project Charter

Sub-CPMK-4: Mahasiswa mampu menjelaskan, membuat, dan menerapkan proses-proses sains data
dan konsep modelling process dalam studi kasus sederhana dengan tepat
8 Ujian Tengah Semester
9 - 11 Presentasi Kelompok III RTM 5 : Mencari Penerapan Text Mining dan Data Visualization

Sub-CPMK-5: Mahasiswa mampu menjelaskan, membuat, dan menerapkan konsep text mining dan
data visualization dengan tools yang tepat
12 - 15 Presentasi Kelompok IV RTM 6 : Menyusun Laporan Project Sains Data

Sub-CPMK-6: Mahasiswa mampu merancang proyek dengan menerapkan tahapan-tahapan dalam

Sains Data yang didokumentasikan ke dalam bentuk laporan proyek dan mempresentasikannya dengan
kinerja mandiri, bermutu, dan terukur
16 Ujian Akhir Semester
MATERI PEMBELAJARAN
1. Konsep keilmuan di bidang sains data dan hubungannya dengan big data beserta aplikasinya
2. Perkembangan sains data dan big data
3. Riset dan aplikasi seputar sains data
4. Proses-proses, modelling process beserta aplikasinya,
5. Konsep text mining dan visualisasi data beserta aplikasinya
6. Tahapan keseluruhan Sains Data yang meliputi modelling process, menghasilkan laporan akhir, dan review
project.
PUSTAKA UTAMA
1. Davy Cielen, Arno D.B. Meysman, Mohamed Ali, Introducing Data Science, Manning Publications Co., USA
2. Joel Grus, Data Science from Scratch, O’reilly
PUSTAKA PENDUKUNG
1. Field Cady, The Data Science Handbook, John Wiley & Sons, Inc, USA
2. Laura Igual, Santi Segui, Introduction to Data Science: A Python Approach to Concepts, Techniques and
Applications, Springer International Publishing Switzerland
3. Foster Provost, Tom Fawcett, Data Science for Business, O’Reilly
4. Benjamin Bengfort, Jenny Kim, Data Analytics with Hadoop, O’Reilly
V. KONTRAK KULIAH

PROGRAM STUDI : SAINS DATA

FAKULTAS : ILMU KOMPUTER
UPN “VETERAN” JAWA TIMUR
MATA KULIAH KODE MK RUMPUN MK BOBOT (sks) SEMESTER
PENGANTAR SAINS SD211105 Data Science Teori = 2 Praktik = 1 I
DATA
DESKRIPSI MATA KULIAH
Mata kuliah ini mempelajari konsep dasar keilmuan di bidang sains data, proses-proses dalam sains data dan kaitannya
dengan ekosistem big data, teknologi pendukung penyimpanan basis data terstruktur tidak terstruktur, dan semi-struktur,
model algoritma machine learning serta bagaimana peranan sains data mampu menyelesaikan berbagai latar belakang
permasalahan di kehidupan sehari-hari. Materi disampaikan melalui ceramah interaktif, diskusi, latihan, praktikum, serta
permasalahan dunia nyata. Luaran dari mata kuliah ini adalah penerapan proyek sains data, ppt, dan laporan akhir proyek.
CPL PRODI YANG DIBEBANKAN PADA MK
CPL A Menghargai keanekaragaman budaya, pandangan, agama, dan kepercayaan, serta pendapat atau temuan
orisinal orang lain
CPL B Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan
CPL C Menguasai konsep pengetahuan mengenai transformasi data menjadi informasi, insight dan knowledge
menggunakan metode statistik, aplikasi probabilitas, machine learning dan konsep teoritis bagian
khusus dalam bidang pengetahuan tersebut secara mendalam, serta mampu memformulasikan
penyelesaian masalah prosedural.
CPL D Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau
implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora
yang sesuai dengan bidang keahliannya.
CPL E Mampu merumuskan pemecahan masalah Data Science secara inovatif dengan memanfaatkan
teknologi sistem cerdas berbasis konsep - konsep yang relevan menggunakan pemodelan yang tepat
CAPAIAN PEMBELAJARAN MATA KULIAH (CPMK)
CPMK 1 Menerima dan menghargai keanekaragaman, pendapat, dan temuan orisinil orang lain
CPMK 2 Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri
CPMK 3 Mampu mengaplikasikan bidang keahliannya dan memanfaatkan ilmu pengetahuan, teknologi,
dan/atau seni dalam ruang lingkup Sains Data dalam penyelesaian masalah serta mampu
beradaptasi terhadap situasi yang dihadapi.
CPMK 4 Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks
pengembangan atau implementasi ilmu pengetahuan dan teknologi Sains Data yang
memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya
CPMK 5 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur dalam pengembangan atau
implementasi ilmu pengetahuan dan teknologi Sains Data
SUB CAPAIAN PEMBELAJARAN MATAKULIAH (Sub-CPMK)
1 Mahasiswa mampu menjelaskan konsep keilmuan bidang sains data dan keterkaitan dengan big data
dengan tepat
2 Mahasiswa mampu menjelaskan dan menerapkan perkembangan sains data dan big data dari data
tradisional, data terstruktur, basis data NoSQL, basis data graf, dan ekosistem big data dengan tools
yang tepat
3 Mahasiswa mampu menjelaskan dan menerapkan tahapan pada riset dan aplikasi seputar sains data dari
referensi scientific paper dengan melakukan kegiatan merangkum dengan tepat
4 Mahasiswa mampu menjelaskan, membuat, dan menerapkan proses-proses sains data dan konsep
modelling process dalam studi kasus sederhana dengan tepat
5 Mahasiswa mampu menjelaskan, membuat, dan menerapkan konsep text mining dan data visualization
dengan tools yang tepat
6 Mahasiswa mampu merancang proyek dengan menerapkan tahapan-tahapan dalam Sains Data yang
didokumentasikan ke dalam bentuk laporan proyek dan mempresentasikannya dengan kinerja mandiri,
bermutu, dan terukur
MATERI PEMBELAJARAN
1. Konsep keilmuan di bidang sains data dan hubungannya dengan big data beserta aplikasinya
2. Perkembangan sains data dan big data
3. Riset dan aplikasi seputar sains data
4. Proses-proses, modelling process beserta aplikasinya,
5. Konsep text mining dan visualisasi data beserta aplikasinya
6. Tahapan keseluruhan Sains Data yang meliputi modelling process, menghasilkan laporan akhir, dan review
project.
PUSTAKA UTAMA
1. Davy Cielen, Arno D.B. Meysman, Mohamed Ali, Introducing Data Science, Manning Publications Co., USA
2. Joel Grus, Data Science from Scratch, O’reilly
PUSTAKA PENDUKUNG
1. Field Cady, The Data Science Handbook, John Wiley & Sons, Inc, USA
2. Laura Igual, Santi Segui, Introduction to Data Science: A Python Approach to Concepts, Techniques and
Applications, Springer International Publishing Switzerland
 3. Foster Provost, Tom Fawcett, Data Science for Business, O’Reilly
4. Benjamin Bengfort, Jenny Kim, Data Analytics with Hadoop, O’Reilly
PRASYARAT
- (Tidak ada)
TUGAS
1 Tugas Mandiri 1 : Mahasiswa meringkas materi kuliah
2 Tugas Mandiri 2 :Data Analytic menggunakan Microsoft Excel
3 Tugas Kelompok 3 :Membuat Resume Tahapan pada Riset dan Aplikasi Sains Data
4 Tugas Kelompok 4 : Menyusun Project Charter
5 Tugas Kelompok 5 : Mencari Penerapan Text Mining dan Data Visualization
6 Tugas Kelompok 6 : Menyusun Laporan Project Sains Data
ATURAN DAN ETIKA PERKULIAHAN
1 Hadir tepat waktu, toleransi keterlambatan maksimal 15 menit
2 Pada saat perkuliah daring berlangsung, video diaktifkan minimal pada saat awal, tengah, dan akhir
perkuliahan
3 Apabila berhalangan hadir karena sakit, jaringan bermasalah, atau hal lain yang bisa
dipertanggungjawabkan harus segera menginformasikan kepada pengampu mata kuliah atau melalui
koordinator kelas pada awal jam perkuliahan berlangsung
4 Koordinator kelas ditunjuk berdasarkan kesepakatan bersama
VII. PORTOFOLIO PENILAIAN DAN EVALUASI KETERCAPAIAN CPL MAHASISWA

Minggu CPL CPMK Sub- Indikator Bentuk Soal – Bobot Nilai ((Nilai Ketercapaian
(CLO) CPMK Bobot(%)*) (%) Sub- Mhs (0- Mhs) X CPL pada
(LLO) CPMK 100) *) MK (%)
(Bobot%) )

1 CPL-A CPMK-1 Sub- I-1.1 Tugas-1: 8 8

CPMK 1 RTM
CPL-B CPMK 2 I-1.2

I-1.3
2-3 CPL-A CPMK-1 Sub- I-2.1 Tugas-2: 8 8
CPMK 2 RTM
CPL-B CPMK-2 I-2.2

CPL-C CPMK-3

4-5 CPL-A CPMK-1 Sub- I-3.1 Tugas-3: 8 8

CPMK 3 RTM
CPL-B CPMK-2 I-3.2

CPL-C CPMK-3 I-3.3

6-7 CPL-A CPMK-1 Sub- I-4.1 Tugas-4: 8 8

CPMK 4 RTM
CPL-B CPMK-2 I-4.2

CPL-C CPMK-3

CPL-D CPMK-4
 Minggu CPL CPMK Sub- Indikator Bentuk Soal – Bobot Nilai ((Nilai Ketercapaian
(CLO) CPMK Bobot(%)*) (%) Sub- Mhs (0- Mhs) X CPL pada
(LLO) CPMK 100) *) MK (%)
(Bobot%) )

8 Evaluasi Tengah Semester (ETS) 5 5

9-11 CPL-A CPMK-1 Sub- I-5.1 Tugas-5: 4 8

CPMK 5 RTM
CPL-B CPMK-2 I-5.2

CPL-C CPMK-3

CPL-D CPMK-4

12-15 CPL-A CPMK-1 Sub- I-6.1 Tugas-6: 50 50

CPMK 6 RTM
CPL-B CPMK-2 I-6.2

CPL-C CPMK-3 I-6.3

CPL-D CPMK-4

CPL-E CPMK-5

16 Evaluasi Akhir Semester (EAS) 5 5

Total bobot (%) 100 100

Nilai akhir mahasiswa ((Nilai Mhs) X (Bobot%))

Catatan: CLO = Courses Learning Outcomes, LLC = Lesson Learning Outcomes

VIII. Penilaian Ketercapaian CPL pada MK-Pengantar Sains Data

No CPL pada MK-Pengantar Sains Data Nilai Capaian (0-100) Ketercapaian CPL pd MK
(%)
1. CPL A: Menghargai keanekaragaman budaya, pandangan, agama, dan
kepercayaan, serta pendapat atau temuan orisinal orang lain. [Aspek
Sikap]

2. CPL B: Bekerja sama dan memiliki kepekaan sosial serta kepedulian

terhadap masyarakat dan lingkungan. [Aspek Sikap]

3. CPL C: Menguasai konsep pengetahuan mengenai transformasi data

menjadi informasi, insight dan knowledge menggunakan metode statistik,
aplikasi probabilitas, machine learning dan konsep teoritis bagian khusus
dalam bidang pengetahuan tersebut secara mendalam, serta mampu
memformulasikan penyelesaian masalah prosedural. [Aspek Pengetahuan]

4. CPL D: Mampu menerapkan pemikiran logis, kritis, sistematis, dan

inovatif dalam konteks pengembangan atau implementasi ilmu
pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai
humaniora yang sesuai dengan bidang keahliannya. [Aspek Keterampilan
Umum]

5. CPL E: Mampu merumuskan pemecahan masalah Data Science secara

inovatif dengan memanfaatkan teknologi sistem cerdas berbasis konsep -
konsep yang relevan menggunakan pemodelan yang tepat. [Aspek
Keterampilan Khusus]
IX. Rencana Tugas-1: Meringkas Materi tentang Konsep Pengantar Sains Data

Universitas Pembangunan Nasional Veteran Jawa Timur

Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Bentuk Tugas Meringkas
Judul Tugas Tugas 1: Meringkas materi kuliah
Mahasiswa mampu menjelaskan konsep keilmuan bidang sains data dan keterkaitan
Sub CPMK
dengan big data dengan tepat [C2, A2]
Tugas ini bertujuan agar mahasiswa mampu untuk menyusun ringkasan yang
mencakup tentang:
Deskripsi Tugas a. Definisi Sains Data (30)
b. Definisi Big Data (30)
c. Keterkaitan Sains Data dengan Big Data (40)
Metode Mencari referensi yang berkaitan dengan topik Konsep Sains Data dan
1.
Pengerjaan Tugas Big Data
2. Tugas dikerjakan secara individu
Tugas diupload di e-learning (masing-masing mahasiswa). Tugas
3.
dikumpulkan paling lambat pada H-1 (maksimal 23.59 WIB)
Tugas diketik pada kertas A4, font ukuran 12, Times New Roman, dan
4. spasi 1. Jumlah halaman maksimal 2 halaman. Tuliskan nama
mahasiswa, NPM, dan kelas paralel
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 6%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[1]

Rencana Tugas-2: Data Analytic menggunakan Microsoft Excel

 Universitas Pembangunan Nasional Veteran Jawa Timur
Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Bentuk Tugas Menggunakan fungsi pada Microsoft Excel untuk melakukan analitik data
Judul Tugas Tugas 2: Data Analytic menggunakan Microsoft Excel
Mahasiswa mampu menjelaskan dan menerapkan perkembangan sains data dan big
Sub CPMK data dari data tradisional, data terstruktur, basis data NoSQL, basis data graf, dan
ekosistem big data dengan tools yang tepat [C3, A3]
Tugas ini bertujuan agar mahasiswa mampu untuk membuat, memahami, dan
Deskripsi Tugas menerapkan data tradisional, data terstruktur, basis data NoSQL, basis data graf, dan
ekosistem big data (100)
Metode Mempraktekkan fungsi yang terdapat pada modul, mengeksplor fungsi
Pengerjaan Tugas yang biasa digunakan dalam analitik data, dan memahami penerapan
1.
data terstruktur, basis data NoSQL, basis data graf, dan ekosistem big
data
2. Tugas dikerjakan secara individu
Tugas diupload di e-learning (masing-masing mahasiswa). Tugas
3.
dikumpulkan paling lambat pada H-1 (maksimal 23.59 WIB)
4. Format dokumen penjelasan + Microsoft Excel
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 6%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[1]
Rencana Tugas-3: Membuat Resume Tahapan pada Riset dan Aplikasi Sains Data

Universitas Pembangunan Nasional Veteran Jawa Timur

Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Bentuk Tugas Meringkas artikel
Judul Tugas Tugas 3: Membuat Resume Tahapan pada Riset dan Aplikasi Sains Data
Mahasiswa mampu menjelaskan dan menerapkan tahapan pada riset dan aplikasi
Sub CPMK seputar sains data dari referensi scientific paper dengan melakukan kegiatan
merangkum dengan tepat [C3, A3, P2]
Mencari, memahami, dan meresume terkait tahapan pada riset dan aplikasi sains data
Deskripsi Tugas
masing-masing kelompok (100)
Metode Mencari, memahami dan meresume terkait tahapan pada riset dan
1.
Pengerjaan Tugas aplikasi sains data
2. Tugas dikerjakan secara berkelompok
Tugas diupload di e-learning (kelompok) Tugas dikumpulkan paling
3.
lambat pada H-1 (maksimal 23.59 WIB)
4. Format presentasi.
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 6%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[1]
Rencana Tugas-4: Menyusun Project Charter

Universitas Pembangunan Nasional Veteran Jawa Timur

Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Bentuk Tugas Menyusun Project Charter studi kasus kelompok
Judul Tugas Tugas 4: Menyusun Project Charter
Mahasiswa mampu menjelaskan, membuat, dan menerapkan proses-proses sains data
Sub CPMK dan konsep modelling process dalam studi kasus sederhana dengan tepat [C3,A3]
Tugas ini bertujuan agar mahasiswa mampu menyusun Project Charter studi kasus
kelompok terkait pemahaman mengenai :
Deskripsi Tugas
1. Proses-proses pada sains data
2. Konsep Modelling Process
Metode Menyusun Project Charter yang mencakup proses-proses pada sains data
1.
Pengerjaan Tugas dan konsep Modelling Process
2. Tugas dikerjakan secara individu
Tugas diupload di e-learning (kelompok). Tugas dikumpulkan paling
3.
lambat pada H-1 (maksimal 23.59 WIB)
4. Format dokumen dan presentasi
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 6%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[3]
Rencana Tugas-5: Mencari Penerapan Text Mining dan Data Visualization

Universitas Pembangunan Nasional Veteran Jawa Timur

Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Bentuk Tugas Mencari Penerapan Text Mining dan Data Visualization
Judul Tugas Tugas-5: Mencari Penerapan Text Mining dan Data Visualization
Mahasiswa mampu menjelaskan, membuat, dan menerapkan konsep text mining dan
Sub CPMK data visualization dengan tools yang tepat [C3,A3]
Memahami konsep text mining dan data visualization dan mencari penerapannya
Deskripsi Tugas
pada perusahaan / organisasi
Metode 1. Memahami penerapan konsep text mining dan data visualization
Pengerjaan Tugas 2. Tugas dikerjakan secara individu
Tugas diupload di e-learning (kelompok). Tugas dikumpulkan paling
3.
lambat pada H-1 (maksimal 23.59 WIB)
Format dokumen. Tugas diketik pada kertas A4, font ukuran 12, Times
4. New Roman, dan spasi 1. Jumlah halaman maksimal 2 halaman.
Tuliskan nama mahasiswa, NPM, dan kelas parallel.
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 6%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[3]
Rencana Tugas-6: Menyusun Laporan Project Sains Data

Universitas Pembangunan Nasional Veteran Jawa Timur

Fakultas Ilmu Komputer
Program Studi Sains Data
RENCANA TUGAS MAHASISWA
Mata Kuliah Pengantar Sains Data

Kode SD211105 SKS 3 Semester 1

Dosen Pengampu Kartika Maulida Hindrayani, S.Kom, M.Kom

Menyusun Laporan Project Sains Data terkait proses sains data, konsep modelling
Bentuk Tugas
process, dan visualisasi data
Judul Tugas Tugas-6: Menyusun Laporan Project Sains Data
Mahasiswa mampu merancang proyek dengan menerapkan tahapan-tahapan dalam
Sub CPMK Sains Data yang didokumentasikan ke dalam bentuk laporan proyek dan
mempresentasikannya dengan kinerja mandiri, bermutu, dan terukur [C6,A3,P3]
Mengidentifikasi topik permasalahan dan metodologi, penerapan metode yang
Deskripsi Tugas
digunakan, penjelasan mengenai representasi data visualization
Metode Menyusun laporan dari project yang dikerjakan mulai dari identifikasi
1.
Pengerjaan Tugas permasalahan, metodologi yang digunakan, dan representasi data
2. Tugas dikerjakan secara individu
Tugas diupload di e-learning (kelompok). Tugas dikumpulkan paling
3.
lambat pada H-1 (maksimal 23.59 WIB)
Format dokumen dan jupyter notebook. Tugas diketik pada kertas A4,
font ukuran 12, Times New Roman, dan spasi 1. Jumlah halaman
4.
maksimal 2 halaman. Tuliskan nama mahasiswa, NPM, dan kelas
parallel.
Bentuk dan
Hasil dokumentasi rangkuman dengan sistematika dan format yang telah ditentukan
Format Luaran
Indikator, Kriteria dan Bobot Penelitian
Indikator: Ketepatan dalam menjawab tiap-tiap butir materi pembahasan pada deskripsi tugas
Kriteria: Non-test
Bobot: 50%
Rubrik: Pedoman penskoran
Lain-Lain

Daftar Pustaka:
[3]

XI. Rubrik Penilaian

I. Rubrik Penilaian: Pedoman Penskoran (Tugas 1)

No. Butir Bobot Kriteria Penskoran Nilai
Pertanyaan Soal Akhir
0 5 10 15 20 25 30 35 40

1. Definisi sains 30
data

2. Definisi big data 30

3. Keterkaitan 40
sains data dan
big data

Jumlah skor maksimal 100

= 100
II. Rubrik Penilaian: Holistik (Tugas 2-6)

Grade Skor Kriteria Penilaian

Sangat Kurang <68 Pemilihan metode dan alternatif solusi untuk menyelesaikan
permasalahan kurang tepat dan dokumentasi langkah demi
langkah proses pengerjaan proyek tidak teratur/tidak sistematis

Kurang 68-72 Pemilihan metode dan alternatif solusi untuk menyelesaikan

permasalahan kurang tepat, tetapi dokumentasi langkah demi
langkah proses pengerjaan proyek teratur/sistematis

Cukup 72-76 Pemilihan metode dan alternatif solusi untuk menyelesaikan

permasalahan cukup tepat, tetapi dokumentasi langkah demi
langkah proses pengerjaan proyek tidak teratur/tidak sistematis

Baik 76-79 Pemilihan metode dan alternatif solusi untuk menyelesaikan

permasalahan sudah tepat dan dokumentasi langkah demi
langkah proses pengerjaan proyek teratur/sistematis, tetapi
kurang inovatif

Sangat Baik 80-100 Pemilihan metode dan alternatif solusi untuk menyelesaikan
permasalahan sudah tepat, dokumentasi langkah demi langkah
proses pengerjaan proyek teratur/sistematis, dan inovatif