DATA MINING

1. ISO 9001:2008 RENCANA PEMBELAJARAN
Nomor Dok FRM/KUL/01/02
Nomor Revisi 02
Tgl Berlaku 1 Oktober 2012
Klausa ISO 7.5.1 & 7.5.5
Disusun Oleh Diperiksa Oleh Disetujui Oleh Tanggal Berlaku
September 2014
A. Haidar Mirza, S.T., M.Kom Syaril Rizal Ratu Igamo, S.T.,
MM. M.Kom
M. Izman Herdiansyah, Ph.D
RENCANA PEMBELAJARAN
Mata kuliah : Data Mining Semester : 7 (Tujuh) Kode Mata Kuliah : …....... SKS : 4 SKS
Program Studi : Informatika (S1)
CAPAIAN PEMBELAJARAN : Mahasiswa mampu memahami konsep data mining.

2. (1)
MINGGU
KE
(2)
KEMAMPUAN AKHIR
YANG DIHARAPAKAN
(3)
BAHAN KAJIAN/
MATERI AJAR
(4)
BENTUK
PEMBELAJARAN
(5)
KRITERIA
PENILAIAN
(6)
BOBOT
NILAI
1-2
Memahami
latarbelakang
munculnya data mining
dan fungsi data mining
dalam database serta
model-model dalam data
mining
Definisi, konsep,
motivasi, fungsionalitas,
dan klasifikasi data mining.
Ceramah dan
Diskusi
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
5%
3-4 Memahami data
warehouse,
implementasinya, dan
hubungan antara data
warehouse dan data
mining
Definisi Data Warehouse,
OLAP Technology, Data
Cube, hubungan Data
Warehouse dan Data
Mining.
Ceramah dan
Diskusi
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
5%
5-6 Memahami pengolahan
yang perlu dilakukan
sebelum data mining
dan mampu
menentukan jenis
pengolahan yang tepat
berbasis kasus.
Motivasi Pra pengolahan
data,
Data cleaning, integrasi
dan transformasi, serta
reduksi data.
Ceramah , Diskusi
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
Hasil latihan
5 %
7-8 Memahami
primitif- primitif
dalam data mining
serta dapat
menerapkannya.
Tugas-tugas dasar Data
Mining, Bahasa Query. Ceramah , Diskusi
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
Hasil latihan
5 %

3. 9 QUIS • QUIS Memberikan QUIS Mengerjakan QUIS 10%
10-12 Mahasiswa dapat
memahami
concept
description serta
karakterisasi dan
perbandingannya.
Concept Description
Ceramah , Diskusi
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
Hasil latihan
5%
13-14 Memahami dan mampu
menerapkan metode-
metode untuk ekstraksi
association rules.
Association Rules
Ceramah , Diskusi
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
Hasil latihan
5%
15-16 UTS • UTS Mengerjakan UTS 20%
17-18 Memahami problem
klasifikasi,
memahami dan
mampu menerapkan
metode klasifikasi .
Klasifikasi: dengan
induksi decision tree,
bayesian,
backpropagation,
berbasis Asosiasi
Ceramah , Diskusi
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
Hasil latihan
5 %
19-20 Memahami dan mampu
menerapkan metode-
metode klasifikasi
data.
Klasifikasi: k-nearest,
berbasis kasus,
algoritma genetika,
pendekatan fuzzy,
Ceramah , Diskusi,
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (3ember
respon)
5%
21-22 Memahami pengukuran
akurasi klasifikasi,
memahami dan
Keakuratan klasifikasi
estimasi, dan perbaikan,
serta prediksi: regresi
Ceramah , Diskusi,
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
5%

4. mampu menerapkan
metode- metode
prediksi data.
linear dan non-linear. komunikasi (4ember
respon)
22-24 Memahami problem
cluster dan mampu
menerapkan metode-
metode untuk
melakukan analisis
cluster.
Analisis Cluster Ceramah , Diskusi,
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (memberi
respon)
5%
25-26 Memahami dan mampu
menerapkan metode-
metode untuk
melakukan
analisis cluster.
Analisis Cluster
Ceramah , Diskusi,
Latihan
Kreatifitas ide,
(member contoh)
kemampuan
komunikasi (4ember
respon)
5%
27-28 UAS • UAS UAS 20%
Referensi :
• Cherkassky, V dan Mulier, F. Learning from Data: Concepts, Theory, and Methods. Wiley Interscience, 1998.
• Dasu, T dan Johnson, T. Exploratory Data Mining and Data Cleaning. John
Wiley & Sons, 2003.
• Dunham, M. Data Mining: Introductory and Advanced Topics Prentice Hall,
2002.
• Han , Jiawei dan Kamber, Micheline. Data Mining: Concepts and Techniques. Morgan
Kaufmann Publishers, 2001.
• Hand, D., Mannila, H., dan Smyth, P. Principles of Data Mining. MIT Press, 2001.
• Hastie, Tibshirani and Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York:
Springer-Verlag, 2001.