Garis-garis Besar Program Pembelajaran
(GBPP)
Mata Kuliah : Data Warehouse Komak/sks : 3 SKS
Deskripsi Singkat : Mata kuliah ini memperkenalkan tentang prinsip-prinsip dasar dalam data warehouse dan penambangan data, peserta akan dibekali dengan pemahaman teoritis mengenai isu-isu yang dihadapi, syarat-syarat yang diperlukan serta proses yang harus dilalui dalam
penambangan data sehingga dapat menarik kesimpulan berupa informasi berharga dari data-data yang telah diolah.
Standar Kompetensi : Setelah mengikuti perkuliahan, mahasiswa diharapkan mampu memahami mengenai prinsip-prinsip dasar dalam penambangan data, selanjutnya mahasiswa mampu menerapkannya pada data-data riil.
Referensi textbook : [1] Jiawei Han and Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, 2006, Second Edition. [2] Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan
Kaufmann Publishers.
Kompetensi Dasar Indikator Pokok Bahasan dan Sub Pokok Bahasan
Metode Media Estimasi Waktu Sumber Kepustakaan
1 2 3 4 5 6 7
Mahasiswa dapat mengetahui dan
memahami konsep dasar data warehouse dan penambangan data
Mahasiswa dapat mengetahui dan
memahami konsep dasar data mining dan mampu menjelaskan mengapa diperlukan datamining dalam kehidupan sehari-hari.
Introduction Tatap muka dan
tugas mandiri
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 1 (2x50 mnt)
Praktikum 1(1x100mnt)
[1] ch 1
Mahasiswa mampu
melakukan
langkah-Mahasiswa dapat
mengetahui tahapan yang
Data Preprocessing:
Data summarization,data
Tatap muka, tugas mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD
Pertemuan 2(2x50 mnt)
Pertemuan 3(2x50
Kompetensi Dasar Indikator Pokok Bahasan dan Sub Pokok Bahasan
Metode Media Estimasi Waktu Sumber Kepustakaan
1 2 3 4 5 6 7
langkah dalam tahapan
preproses penambangan
data
dilakukan pada preproses, serta dapat menjelaskan fungsi dari masing-masing proses tersebut, syarat dan kondisi yang diperlukan serta
cleaning, data integration and transformation, data reduction, data
discretization and concept hierarchy generation
projector mnt)
Praktikum 2(1x100mnt) Praktikum 3(1x100mnt)
Mahasiswa dapat memahami konsep dan arsitektur
datawarehouse serta mampu melakukan perancangan berkaitan dengan manfaatnya dalam penambangan data
Mahasiswa mampu memahami konsep dasar datawarehouse, mampu merancang arsitekturnya dan memahami cara implementasinya
Datawarehouse and OLAP:
Datawarehouse Introduction,
Multidimensional Data Model, DW Architecture, DW implementation
Tatap muka, tugas mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 4(2x50 mnt)
Pertemuan 5(2x50 mnt)
Praktikum 4 (1x100mnt) Praktikum 5(1x100mnt)
[1] ch 3
Mahasiswa mampu menjelaskan konsep data cube dan operasi yang berlaku, serta mampu melakukan proses data generalization
Data Cube and Data Generalization :
Tatap muka, tugas mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 6(2x50 mnt)
Pertemuan 7(2x50 mnt)
Praktikum 6(1x100mnt) Praktikum 7(1x100mnt)
[1] ch 4
Mahasiswa dapat mengetahui bagaimana memilih metode yang tepat dalam datamining
Mampu menjelaskan mengenai konsep dasar metode frequent pattern, association dan
correlation serta dapat mengidentifikasi kapan dan bagaimana sifat data yang sesuai untuk
masing-Mining Frequent Pattern, Association, and Correlation
Tatap muka, tugas mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 8(2x50 mnt)
Pertemuan 9(2x50 mnt)
Praktikum 8(1x100mnt) Praktikum 9(1x100mnt)
Kompetensi Dasar Indikator Pokok Bahasan dan Sub Pokok Bahasan
Metode Media Estimasi Waktu Sumber Kepustakaan
1 2 3 4 5 6 7
masing metode
Mampu menjelaskan mengenai konsep dasar metode classification dan prediction (regresi) serta dapat mengetahui bagaimana metode tersebut dapat digunakan untuk prediksi
Classification and Prediction:
Decision Tree Induction, Bayessian Classification, Ruled-based classification, other classification (fuzzy, genetic algorithm), prediction (linear and non linear regression), model selection (ROC)
Tatap muka, tugas mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 10(2x50 mnt)
Pertemuan 11(2x50 mnt)
Praktikum 10(1x100mnt) Praktikum 11(1x100mnt)
[1] ch 6
Mampu menjelaskan mengenai konsep dasar metode clustering serta dapat mengetahui bagaimana metode tersebut dapat digunakan untuk prediksi
Clustering Tatap muka, tugas
mandiri dan praktikum lab
Papan tulis, kertas kerja, laptop, LCD projector
Pertemuan 12(2x50 mnt)
Praktikum 12(1x100mnt)
[1] ch 7
Mahasiswa dapat mengetahui dan memahami aplikasi dan tren data mining
Mahasiswa dapat memecahkan kasus data mining yang ada pada dunia bisnis atau industri.
Tren dalam penambangan data dan studi kasus
Tatap muka dan Diskusi
Papan tulis, kertas kerja, laptop, LCD projector