RENCANA PEMBELAJARAN SEMESTER GANJIL 2017 / 2018
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
UNIVERSITAS ESA UNGGUL
Mata Kuliah : Data Mining Kode MK : MIK 620
Mata Kuliah Prasyarat : - Bobot MK : 1 T + 1 P SKS
Dosen Pengampu : NOVIANDI Kode Dosen : 7553
Alokasi Waktu : 14 Tatap Muka X 50 Menit Teori, 1 X 100 Menit Parktik, Tidak ada online
Capaian Pembelajaran :
1. Mahasiswa mampu menjelaskan konsep data mining dan aplikasi data mining di berbagai bidang, mampu menjelaskan prosedur mining data mulai dari preprocessing sampai menyajikan data yang siap digunakan, 2. Mahasiswa mampu mengaplikasikan prosedur data mining menggunakan program WEKA dan R
3. Mahasiswa mampu melakukan analisis informasi dan data, serta mampu mngkomunikasikan hasil analisis. 4. Mahasiswa mampu memberikan petunjuk dalam memilih berbagai alternatif solusi secara mandiri dan kelompok.
Buku Acuan :
1. Han Jiawei, Kamber Micheline, Pei Jian. 2012. Data MiningConcepts and Techniques. Elsevier 2. Prasetyo Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Andi Ofset
3. Prasetyo Eko. 2014. Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Ofset
SESI KEMAMPUANAKHIR PEMBELAJARANMATERI PEMBELAJARANBENTUK PEMBELAJARANSUMBER INDIKATORPENILAIAN
1 Mahasiswa mampu
menjelaskan konsep-konsep dasar data mining dan dapat menyebutkan aplikasi data mining dalam berbagai bidang
Pendahuluan: Kontrak pembelajaran, Pengertian dan konsep dasar data mining
1. Metoda: ceramah dan diskusi
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
1. Menjelaskan konsep-konsep data mining
2. Menyebutkan aplikasi data mining yang digunakan di berbagai bidang
2 Mahasiswa mampu mengeksplorasi data, mengetahui adanya missing
data values, dan data noisy serta dapat mengatasinya
Eksplorasi data ,
preprocessing data ( Data Cleaning)
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
Menjelaskan atribut data,
mengetahui cara mengatasi missing
data value atau noisy.
3 Mahasiswa mengetahui
preprocessing data , melakukan proses cleaning
data, mampu menjelaskan konsep data integrasi, transformasi, reduksi, dan diskritisasi
Pre processing data ● Data cleaning: missing values, noisy data ● Data integration ● Data
transformation ● Data reduction ● Data
discretization
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
1. Menjelaskan pentingnya pentingnya melakukan preprocessing data
2. Melakukan proses cleaning data yang meliputi missing value dan data noise.
3. Menjelaskan proses integrasi data, transformasi data, reduksi data, dan diskritisasi data
4 Mahasiswa mampu menjelaskan konsep data warehouse dan OLAP
Data warehouse dan
OLAP 1. Metoda: diskusi dan latihan 2. Media: kelas,
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
komputer, LCD,
whiteboard, web
5 Dapat menjelaskan konsep dasar cluster dan
penerapannya pada data
Clustering 1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
Menjelaskan cara meng clusterkan raw data.
6 Mahasiswa dapat
menjelaskan klasifikasi Klasifikasi
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
Menjelaskan konsep klasifikasi dan contoh penerapan pada data
7 Mahasiswa dapat menjelaskan Mining Associations rule dan menerapkan pada data
Association rule dan
penerapannya 1. Metoda: diskusi dan latihan 2. Media: kelas,
komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
Dapa melakukan prosedur asosiation rule
8 Mahasiswa dapat menjelaskan konsep
unsupervised learning dan menerapkan pada data
Unsupervised learning dan penerapannya
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
Menjelaskan konsep algoritma
unsupervised learning
9 Mahasiswa mampu menjelaskan konsep dasar
decision tree dan
menerapakannya pada data
Decision tree dan
penerapannya 1. Metoda: diskusi dan latihan 2. Media: kelas,
komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
3. Yanchang Zhao. 2012. R
Menjelaskan cara penggunaan decision tree terhadap raw data
10 Dapat menjelaskan konsep
dasar naïve bayes Naive bayes 1. Metoda: diskusi dan latihan 2. Media: kelas,
komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
Menjelaskan konsep dasar naïve bayes
11 Mahasiswa mampu menjelaskan feature selection dan
menerapkannya pada data.
Feature selection dan
penerapannya 1. Metoda: diskusi dan latihan 2. Media: kelas,
komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
Menjelaskan feature selection dan menerapkan pada data
12 Mahasiswa mampu menjelaskan feature extraction dan
Feature extraction
dan penerapannya 1. Metoda: diskusi dan latihan
1. Han J, Kamber M, Jian P. 2012 2. Prasetyo E. 2014
menerapkannya pada data. 2. Media: kelas, komputer, LCD,
whiteboard, web
feature selection dengan feature extraction
13 Mahasiswa mampu menjelaskan konsep dasar text mining
Text mining 1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
1. Han J, Kamber M, Jian P. 2012
2. Prasetyo E. 2014 Menjelaskan konsep text mining dan contoh penerapan pada data
14 Mahasiswa mampu memilih dan menerapkan teknik data mining mulai dari persiapan data sampai dengan tugas data mining dalam penyelesaian
permasalahan sesuai dengan studi kasus yang ada.
Presentasi dan diskusi tugas kelompok
1. Metoda: diskusi dan latihan
2. Media: kelas, komputer, LCD,
whiteboard, web
Han J, Kamber M, Jian P. 2012 Relevansi tugas dan kecakapan presentasi