6. CP 17.1 : Jujur amanah dan beretika
7. CP 18.5 : Patuh pada aturan tertulis dan tidak tertulis
8. CP19 : Mempunyai sikap Cerdas, Amanah dan Kreatif sebagai bekal belajar sepanjang hayat
CP10.3 pada mk Data Mining diberi nomor CP10.3D meliputi 12 sub Capaian Pembelajaran, yaitu : CP10.3D1 sd CP10.3D12
B. Untuk mencapai CP di atas diperlukan 9 POKOK BAHASAN sebagai berikut :
1).Pre processing data, 2). Feature selection /Feature extraction, 3).Mining Frequent Patterns, Associations, and Correlations, 4).Unsupervised Learning Method, 5)Supervised Learning Method: Decision tree, 6).Supervised Learning Method: Naïve bayes, 7).Supervised Learning Method: SVM, 8)Prediction model: Support Vector Regression, 9). Credibility:
E aluating hat’s been learned
C. Mata kuliah prasyarat : Analisis Multivariat
D. Deskripsi CP secara umum KKNI Level 6
Kemampuan Deskripsi
Penguasaan pengetahuan 6.1 Dapat menjelaskan konsep data mining dan aplikasinya di berbagai bidang
6.2. Mampu menjelaskan prosedur mining data mulai dari preprocessing sampai menyajikan informasi
Kemampuan kerja 6.3. Mampu mengaplikasikan prosedur data mining menggunakan program utama WEKA
6.4 Mampu Menggunakan IPTEKS pada bidangnya dalam penyelesaian masalah 6.5 Mampu beradaptasi terhadap situasi yang dihadapi
Kemampuan manjerial 6.6 Mampu mengambil keputusan yang tepat berdasarkan analisis informasi dan data, serta mampu
mengkomunikasikan hasil analisis baik secara lisan maupun tertulis
1-2 6.1 6.5 6.9
Dapat menjelaskan konsep-konsep dasar data mining dan aplikasinya
CP10.3D1
1.1 Dapat menjelaskan
konsep-konsep dasar
data mining
1.2 Dapat menyebutkan
aplikasi data mining dalam berbagai bidang
- Kontrak belajar,
pendahuluan
- Konsep dasar
data mining
[1] Bab 1 [1] Bab 2 [2] Bab 1
Ceramah interaktif Diskusi (CID )
Observasi Aktifitas di kelas
Dapat mendeteksi adanya data missing values dan noisy serta dapat mengatasinya CP10.3D1
2.1Dapat menjelaskan pentingnya melakukan preprocessing data 2.2 Dapat melakukan
prosedur data cleaning yang meliputi missing values dan noisy data
Pre processing data
- data cleaning:
missing values,
noisy data
[2] Bab 3 1. CI
2.Diskusi 3.Latihan
Tes & Observasi Aktifitas di kelas
Dapat menjelaskan konsep data integration,
transformation, data reduction dan data discretization. CP10.3D1
3.1 Dapat melakukan prosedur data integration,
transformation, data reduction dan data discretization
Pre processing data
- data integration
and
transformation
- data reduction
- data
discretization
[2] Bab 3 1. CI
2.Diskusi 3.Latihan
9-10 6.1 6.2 6.3
.5 6.9
Dapat menjelaskan konsep feature selection dan feature extraction dan menerapkannya pada data
CP10.3D2
4.1 Dapat membedakan feature selection dan feature exttraction 4.2 Dapat melakukan
prosedur feature selection dan feature extraction
Feature selection /Feature extraction
[1] Bab 7 1. CI
2.Diskusi 3.Latihan
TOA 10%/35%
11-12 6.1
6.2 6.3
Dapat menjelaskan Mining Associations rule dan menerapkan pada data CP10.3D3
5.1 Dapat melakukan prosedur Mining Associations rule
Mining Associations rule
[1] Bab 4 [2] Bab 6
1. CI 2.Diskusi 3.Latihan
TOA 10%/45%
13-14 6.1
6.2 6.3
.6 6.9
Dapat menjelaskan konsep unsupervised learning dan menerapkan pada data riil CP10.3D4
6.1 Dapat melakukan metode hirarki dan K-Means dalam problem riil
6.2 Dapat mengevaluasi hasilcluster
Unsupervised Learning Method:
- Metode hirarki
- K-Means
[1] Bab 6 [2] Bab 10
1. CI 2.Diskusi 3.Latihan
TOA
17-18 6.1 - 6.9
Dapat menjelaskan konsep Decision tree dan
menerapkannya pada data riil
CP10.3D5
7.1 Dapat melakukan prosedur decision tree pada problem data riil 7.2 Dapat menyajikan hasil
analisis menjadi informasi yang menarik
Supervised Learning Method: Decision tree
[1] Bab 6 1. CI
2.Diskusi 3.Latihan
TOA 10%/55%
19-20 6.1
- 6.9
Dapat menjelaskan konsep Naïve bayes dan
menerapkannya pada data riil
CP10.3D6
8.1 Dapat melakukan prosedur Naïve bayes pada problem data riil 8.2 Dapat menyajikan hasil
analisis menjadi informasi yang menarik
Supervised Learning Method: Naïve bayes
[1] Bab 6 [2] Bab 9
1. CI 2.Diskusi 3.Latihan
TOA 10%/65%
21-22 6.1
- 6.9
Dapat menjelaskan konsep SVM dan menerapkannya pada data riil
CP10.3D7
9.1 Dapat melakukan prosedur SVM pada problem data riil 9.2 Dapat menyajikan hasil
analisis menjadi informasi yang menarik
Supervised Learning Method: Support Vector Machine (SVM)
[2] Bab 9 1. CI
2.Diskusi 3.Latihan
23-24 6.1 - 6.9
Dapat menjelaskan konsep SVR dan menerapkannya pada data riil
CP10.3D8
10.1 Dapat melakukan prosedur SVR pada problem data riil 10.2 Dapat menyajikan
hasil analisis menjadi informasi yang menarik
Prediction model: Support Vector Regression (SVR)
[1] Bab 6 1. CI
2.Diskusi 3.Latihan
TOA 5%/80%
25-26 6.1
- 6.9
Dapat menjelaskan ukuran evaluasi dan
menerapkannya pada problem klasifikasi dan regresi
CP10.3D9
11.1 Dapat melakukan prosedur credibility untuk problem klasifikasi 11.2 Dapat melakukan
prosedur credibility untuk problem regresi
Credibility:
E aluating hat’s
been learned
[1] Bab 5 [2] Bab 8
1. CI 2.Diskusi 3.Latihan 4. Presentasi
TOA 10%/90%
27-30 6.2
-
Dapat mengetahui tahapan dalam data mining dan
12.1 Dapat melakukan prosedur mining data
Project semua Presentasi Presentasi
Laporan
problem data riil mentah sampai menyajikan informasi 12.2 Dapat membuat
laporan dan
mempresentasikanny a
31-32 EAS
*1)TT-0-P-L : Tes Tulis,Observasi,Presentasi dan Laporan. 2) AL: Action Learning. Pustaka:
1. Witten, I.H., Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Elsevier, 2005.
2. Han,J., Kamber, M. and J. Pei, Data Mining: Concepts and Techniques. Morgan Kaufmann, 3rded. , 2011
3. Hastie, T., Tibshirani, R., Friedman, J., The Elements of Statistical Learning:
4. Data Mining, Inference, and Prediction, Second Edition, Springer, 2009.
5. Tan, P.-N. , Steinbach, M. and Kumar, V., Introduction to Data Mining, Wiley, 2005
6. Nisbet, R. and Elder, J., Handbook of Statistical Analysis and Data Mining, Elsevier, 2009.
7. Duda, R. O., Hart, P. E., and Stork, D. G., Pattern Classification, 2ed., Wiley, Interscience, 2000