DIBUAT DATA MINING 463533 Sistem Cerdas 3 SKS VII - 23082016 Otorisasi Pengembang MK Koordinator RMK Ka PRODI

(1)

RENCANA PEMBELAJARAN SEMESTER

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

–

UNTAG SURABAYA

MATA KULIAH KODE RUMPUN MK BOBOT (SKS) SEMESTER DIREVISI DIBUAT

DATA MINING 463533 Sistem Cerdas 3 SKS VII - 23/08/2016

Otorisasi

Pengembang MK Koordinator RMK Ka PRODI

Capaian Pembelajaran MK (Standar Kompetensi)

 Menginternalisasi nilai, norma, dan etika akademik.

 Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri.

 Menginternalisasi semangat kemandirian, kejuangan, dan kewirausahaan.

 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.

 Mampu menunjukkan kinerja mandiri, bermutu, dan terukur.

 Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

 Mampu mendokumentasikan, menyimpan, mengamankan, dan menemukan kembali data untuk menjamin kesahihan dan mencegah plagiasi.

 Memiliki sikap untuk belajar seumur hidup (life-long learning).

 Mencari, merunut, menyarikan informasi ilmiah dan non-imiah secara mandiri dan kritis.

(2)

 Mampu menunjukkan pemahaman dan apresiasi pentingnya negosiasi, etos kerja, kepemimpinan, dan komunikasi yang baik.

 Menentukan dan menerapkan pendekatan berbagai konsep data mining yang sesuai dengan permasalahan yang dihadapi.

 Menerapkan penggunaan model, metode, dan mekanisme dari pendekatan data mining.

 Evaluasi kinerja dari penerapan data mining yang sesuai dengan problem yang dihadapi, termasuk dalam pemilihan model, metode dan mekanismenya.

Deskripsi Bahan Kajian & Pokok Bahasan MK

Bahan Kajian

Data Mining

Pokok Bahasan

Pada mata kuliah ini, mahasiswa/i secara umum akan mempelajari teknik data mining yang terkait dengan program studi Teknik Informatika. Beberapa poin pokok bahasan yang akan disajikan dan dibahas secara mendalam dalam mata kuliah ini, antara lain: dasar-dasar pengetahuan tentang data mining, teknik preprocessing data, konsep data

warehouse, pola mining, assosiasi dan korelasi, klasifikasi dan prediksi, analisa kluster, analisa outlier, stream mining, time-series dan deret data, obyek mining, multimedia spasial, teks dan data web, graph mining, analisa jaringan sosial dan multirelasional data mining, dan aplikasi serta trend dalam data mining.

Pustaka

Utama

1. C. Aggarwal, Charu. 2015. Data Mining: The Textbook. New York: Springer International Publishing.

2. Han, Jiawei and Kamber, Micheline. 2006. Data Mining: Concepts and Techniques (second ed.). San Francisco: Elsevier Inc.

Pendukung

1. Tan, Pang-Ning et al.2006. Introduction to Data Mining. Boston: Pearson Addison Wesley

2. J. Zaki, Mohammed and Meira Jr., Wagner. 2014. Data Mining and Analysis: Foundations and Algorithm. New York: Cambridge University Press.

(3)

Media Pembelajaran

Software Hardware

 Operating System: Windows

 Beamer Latex

 Microsoft Office

 Tex Maker & Miktex

 Matlab atau Python

 Laptop

 LCD Proyektor

 Papan Tulis

 Alat tulis : Spidol & Penghapus Papan

Team Teaching Elsen Ronando

Mata Kuliah Syarat Kalkulus, Statistika dan Probabilitas

Mg ke- Capaian Mata Kuliah

(Sesuai Tahapan Belajar)

Materi Pembelajaran [Pustaka]

Aktivitas Pembelajaran [Estimasi Waktu]

Penilaian

Indikator Bentuk Bobot

1.

Mahasiswa/i mampu memahami dan menjelaskan tentang pengetahuan dasar data mining dan aplikasinya, seperti konsep dan definisi, tipe data, serta pola dan fungsionalitas pendekatan data mining.

Indikator :

Definisi dan konsep dasar dari

pendekatan data mining.

Jenis-jenis model data yang berkaitan erat dengan

pendekatan data mining: relasi basis data, transaksional basis data, basis data lanjut.

Pola dan

fungsionalitas dari pendekatan data mining : analisa asosiasi dan korelasi

 Kuliah & Diskusi.

 Brainstroming

[TM: 3x(3x50’)]

 Tugas 1 (kelompok): Menyusun laporan dan mempresentasikannya tentang aplikasi penerapan data mining (Pendekatan data mining yang digunakan + Aplikasinya)

[BT+BM:

(1+1)x(3x50’)]

Kesesuaian menjelas-kan bidang aplikasi yang berkaitan dengan konsep data mining.

Ketepatan memahami analisa data mining sesuai bidang aplikasinya

 Presenta-si, diskusi, dan keaktifan.

(4)

(pola frekuensi tinggi), klasifikasi dan prediksi, analisa kluster, dan analisa outlier dan trend.

2.

Mahasiswa/i mampu memahami dan menganalisa tahapan proses pencarian data (preprocessing data), yaitu ekstraksi fitur, pembersihan data, reduksi data, integrasi dan transformasi data, diskritisasi data, dan konsep hirarki data.

Indikator:

Konsep dan peran dari tahapan proses pencarian data (preprocessing data).

Tahapan dan analisa dari proses pencarian data (preprocessing

data): ekstraksi fitur, pembersihan data, reduksi data, integrasi dan transformasi data, diskritisasi data dan konsep hirarki data.

 Brainstroming.

[TM: 3x(3x50’)]

 Kesesuai-an menjelas-kan dan menganali-sa konsep proses pencarian data

(preprocess ing data).

Diskusi dan keaktifan.

5/14 %

3.

Mahasiswa/i mampu memahami konsep data warehouse dan menentukan

kaitannya dengan data mining.

Indikator:

Konsep dasar data

warehouse.

Model data yang diterapkan, seperti data

multidimensional.

[TM: 3x(3x50’)]

 Kesesuai-an pemaha-man data

warehouse

yang kaitannya dengan data mining.

(5)

Arsitektur dan implementasi data

warehouse.

Kaitan data

warehouse dengan data mining.

4.

Mahasiswa/i mampu memahami, menerapkan, dan menganalisa tentang konsep pola asosiasi dan korelasi baik metode & aturannya.

Indikator:

Konsep & road map tentang pola asosiasi dan korelasi.

Metode dan aturan pada pola asosiasi dan korelasi.

Aplikasi pola

asosiasi dan korelasi dalam

menyelesaikan permasalahan .

[TM: 3x(3x50’)]

 Latihan soal dan diskusi

penyelesaiannya. [BT+BM:

(1+1)x(3x50’)]

 Kesesuai-an pemaha-man tentang analisa pola asosiasi dan korelasi.

Ketepatan dalam menerapka n analisa pola asosiasi dan korelasi dalam beberapa bidang aplikasi.

(6)

5.

Mahasiswa/I mampu menjelaskan, menganalisa, dan mengevaluasi secara mendalam artikel maupun riset ilmiah yang berkaitan dengan teknik proses pencarian data, data warehouse, dan konsep pola asosiasi serta korelasi.

Indikator:

Teknik proses pencarian data (preprocessing data).

Data warehouse.

Konsep pola asosiasi dan korelasi.

 Presentasi & Diskusi (Kuis I).

[TM: 3x(3x50’)]

Kesesuaian dalam menjelas-kan dan menganali-sa jurnal atau riset ilmiah dengan topik bahasan.

 Sikap dan keaktifan dalam presentasi.

Ketepatan ringkasan laporan makalah dengan artikel atau riset ilmiah yang berkaitan.

Diskusi, sikap presentasi dan keaktifan.

5/14 % & 5 %

6.& 7.

Mahasiswa/i memahami, menganalisa, dan menyelesaikan permasalahan tentang konsep klasifikasi dan prediksi serta aplikasinya dalam konsep data mining.

Indikator:

Konsep dasar klasifikasi dan prediksi dalam data mining.

[TM: 3x(3x50’)]

Kesesuaian konsep klasifikasi dan prediksi

(7)

Isu permasalahan klasifikasi dan prediksi dalam data mining.

Teknik seleksi fitur dan seleksi model dalam proses klasifikasi.

Metode klasifikasi dalam data mining.

Konsep evaluasi pengukuran tingkat akurasi dan

kesalahan dari proses klasifikasi dan prediksi.

(1+1)x(3x50’)]

dalam menyelesai kan

permasala-han.

Ketepatan pengguna-an konsep klasifikasi dan prediksi dalam beberapa bidang aplikasi..

ETS (Evaluasi Tengah Semester) 30 %

8.

Mahasiswa/i memahami, menganalisa, dan menyelesaikan permasalahan tentang konsep kluster serta aplikasinya dalam konsep data mining.

Indikator:

Konsep dasar kluster dalam data mining.

Teknik seleksi fitur, kategorisai tipe data, dan metode dalam kluster.

Konsep validasi proses kluster.

[TM: 3x(3x50’)]

(1+1)x(3x50’)]

Kesesuaian konsep kluster dalam menyelesai kan

permasala-han.

Ketepatan

pengguna-Diskusi dan keaktifan.

(8)

Penerapan kluster dalam beberapa bidang aplikasi.

an dan analisa dari konsep kluster dalam beberapa bidang aplikasi..

9.

Mahasiswa/i mampu memahami, menganalisa, dan menyelesaikan permasalahan tentang konsep outlier serta aplikasinya dalam konsep data mining.

Indikator:

Konsep dasar analisa outlier.

Model analisa outlier dalam data mining.

Teknik deteksi outlier dalam data mining.

Metode validasi dalam analisa outlier.

Aplikasi berkaitan erat dengan analisa outlier.

[TM: 3x(3x50’)]

penyelesaiannya beserta Tugas 2. [BT+BM: han analisa outlier dalam bidang data mining.

Ketepatan mengevalu asi analisa outlier dalam beberapa bidang aplikasi.

 Tugas Individu : soal latihan analisa outlier.

5/14 % & 5 %

10.

Mahasiswa/i mampu memahami, menganalisa, dan mengevaluasi tentang stream data mining, data time series, dan barisan data.

Indikator:

Konsep dan kajian tentang stream data

[TM: 3x(3x50’)]

Kesesuaian pemaha-man dan analisa

(9)

mining: metodologi dan metode.

Konsep dan metode time series data mining beserta analisanya.

Metode dan aplikasi dari pola barisan data dalam beberapa aplikasi.

(1+1)x(3x50’)]

tentang stream data mining, data time series, dan barisan data.

Ketepatan evaluasi dalam beberapa aplikasi.

11.

Mahasiswa/i mampu memahami dan menganalisa beberapa konsep dari analisa multidimensional dan data kompleks, spasial data mining, multimedia data mining, teks mining, dan web mining (metode dan aplikasi)

Indikator:

Konsep, metode, dan aplikasi dari analisa multidimensional dan data kompleks.

Konsep, metode, dan aplikasi spasial data mining.

Konsep, metode, dan aplikasi multimedia data mining.

Konsep, metode, dan aplikasi dari teks mining.

Konsep, metode, dan aplikasi web mining.

[TM: 3x(3x50’)]

 Permasalahan dan diskusi

(1+1)x(3x50’)]

 Kesesuai-an konsep dan analisa penyelesai-an masalah

Ketepatan penyelesai-an masalah dalam beberapa aplikasi.

(10)

12.

Mahasiswa/i mampu menjelaskan, menganalisa, dan mengevaluasi isu-isu permasalahan yang sedang berkembang kaitannya dengan stream data mining, time series data mining, barisan data, spasial data mining, multimedia data mining, teks mining, dan web mining.

Indikator:

Konsep stream data mining, time series data mining, barisan data.

Konsep spasial data mining, multimedia data mining, teks mining, dan web mining.

 Presentasi & Diskusi.

 Kuis II.

[TM: 3x(3x50’)]

Kesesuaian isu

permasala-han yang dipilih dengan konsep yang diamati.

Ketepatan menjelas-keaktifan.

5/14 % & 5 %

13.

Mahasiswa/i mampu memahami dan menganalisa beberapa konsep dari graf mining, analisa jaringan sosial, dan data mining multirelasi (aplikasi dan

tantangan saat ini).

Indikator:

Konsep graf.

Konsep,

karakteristik, dan tantangan dari analisa jaringan sosial.

Konsep data mining multirelasi dan aplikasinya.

[TM: 3x(3x50’)]

 Isu Permasalahan dan diskusi

(1+1)x(3x50’)]

Kesesuaian menjelas-kan

keterkaitan antara data mining dengan graf, jaringan sosial, dan multirelasi.

(11)

14.

Mahasiswa/i mampu menganalisa, mengembangkan, dan mengevaluasi ide-ide baru menggunakan pendekatan data mining dalam beberapa bidang aplikasi.

Indikator:

Seluruh materi data mining.

Aplikasi data mining dan

perkembangannya.

[TM: 3x(3x50’)]

 Isu Permasalahan dan diskusi

(1+1)x(3x50’)]

Kesesuaian menjelas-kan

pendekatan data mining dalam beberapa bidang aplikasi.

5/14 %

EAS (Evaluasi Akhir Semester) 45 %

Total 100 %

Catatan :

1 sks = (50’ TM + 50’ BT + 60’BM) /Minggu TM = Tatap Muka (Kuliah)

BT = Belajar Terstruktur

BM = Belajar Mandiri

PS = Praktikum Simulasi (3 jam/Minggu) PL = Praktikum Lab. (3 jam/Minggu)

T = Teori (aspek ilmu pengetahuan) P = Praktek (aspek ketrampilan kerja)

Menyetujui,

Ketua Program Studi Teknik Informatika

Geri Kusnanto, S.Kom.,M.M. NPP. 20460.94.0401

Surabaya, ………

Mengetahui, Dosen Pengampu