Download as PDF, PPTX
RPS Data Mining - Pembelajaran Digital - 2.pdf
- 1. KEMENTRIAN PENDIDIKAN ,KEBUDAYAAN, RISET DAN TEKNOLOGI UNIVERSITAS PALANGKA RAYA FAKULTAS TEKNIK JURUSAN/PROGRAM STUDI TEKNIK INFORMATIKA Kode Dokumen RENCANA PEMBELAJARAN SEMESTER MATA KULIAH MK KODE RUMPUN MK BOBOT ( SKS ) SEMESTER TGL PENYUSUNAN Data Mining 3 Ganjil Otorisasi/Pengesaha n Wakil Dekan Bidang Akademik Dr. Rudi Waluyo, ST., MT NIP Dosen Pengembangan RPS Koordinator Rumpun Mata Kuliah ( Jika Ada ) Nama NIP. Ketua Jurusan/Program Studi Ariesta Lestari., PhD NIP. 198003222005012004 Ariesta Lestari., PhD NIP. 198003222005012004 Capaian Pembelajaran CPL-PRODI yang dibebankan pada Mata Kuliah Kode Deskrpsi Sikap ( S ) S1 S2 Pengetahuan (P) P1 Memiliki kemampuan untuk menerapkan teori matematika, teori ilmu komputer, sains dan teknologi untuk menyelesaikan berbagai permasalahan dengan prinsip-prinsip computing P2 Memiliki kemampuan untuk menerapkan metode computing secara efektif dan efisien P3
- 2. Keterampilan Umum (KU ) KU1 KU2 Memiliki kemampuan untuk mengidentifikasi masalah dan merumuskan solusi komputasional bagi permasalahan dalam Informatika dan komputer. KU3 Dst. Keterampilan Khusus ( KK ) KK1 KK2 Memiliki kemampuan untuk merancang dan membangun aplikasi dengan menerapkan prinsip-prinsip sistem cerdas dan ilmu komputasi untuk menghasilkan produk aplikasi cerdas pada berbagai bidang KK3 Dst. Capaian Pembelajaran Mata Kuliah ( CPMK ) 1. CPMK1 Memahami konsep dasar data mining (P1, KU2) 2. CPMK2 Melakukan tahapan pre-prosesing data sebelum dilakukan analisa (P2, KU2) 3. CPMK3 Melakukan pengolahan data menggunakan metode dalam data mining (P2, KU2) 4. CPMK4 Menjelaskan bagaimana mendeteksi dan menangani anomali data (P2, KU2) 5. CPMK5 Menjelaskan isu-isu terkait etika dalam Data Mining 6. CPMK6 Memilih teknik analisis dalam data mining untuk menyelesaikan permasalahan sesuai dengan studi kasus yang ada (P1, P2, KU2, KK2) Sub Capaian Pembelajaran Mata Kuliah ( Sub – CPMK ) 1. Sub – CPMK1 Mahasiswa/i dapat menjelaskan definisi, sejarah dan pentingnya Data Mining 2. Sub – CMPK2 Mahasiswa dapat menjelaskan jenis data, atribut dan pengumpulan data 3. Sub – CPMK3 Mahasiswa dapat melakukan pembersihan data, transformasi, normalisasi data agar dapat menjadi inputan yang baik dalam teknik data mining 4. Sub – CPMK4 Mahasiswa dapat menerapkan metode statistik deskriptif dan visualisasi data dalam melakukan eksplorasi data 5. Sub – CPMK5 Mahasiswa dapat menerapkan teknik dan metode klasifikasi dalam pengolahan data 6. Sub – CPMK6 Mahasiswa dapat menerapkan teknik dan metode klusterisasi dalam pengolahan data 7. Sub – CPMK7 Mahasiswa dapat menerapkan teknik dan metode assosiasi dalam pengolahan data
- 3. 8. Sub –CPMK8 Mahasiswa dapat menerapkan teknik pengolahan data teks menggunakan text mining 9. Sub – CPMK9 Mahasiswa dapat menerapkan mengenai teknik-teknik deteksi anomali 10. Sub-CPMK10 Mahasiswa dapat menjelaskan mengenai deep learning dalam data mining 11. Sub-CPMK11 Mahasiswa dapat menjelaskan mengenai tantangan data mining dalam era big data Korelasi CPMK terhadap Sub - CPMK Sub – CPMK1 Sub – CMPK2 Sub – CPMK3 Sub – CPMK4 Sub – CPMK5 Sub – CPMK6 Sub – CPMK7 Sub – CPMK8 Sub – CPMK9 CPMK1 √ √ CPMK2 √ CPMK3 √ √ √ CPMK4 √ √ CPMK5 √ Beri tanda (√) untuk memberikan keterangan korelasi CPMK dan Sub – CPMK pada kolom Deskripsi Singkat MK Mata Kuliah Data Mining berisi pengajaran tentang data, teknik-teknik mengolah data, teknik penggalian data, sehingga diperoleh pola-pola tertentu yang dapat menjadi informasi yang berguna dan juga aplikasi dan permasalahan penerapannya pada kondisi riil Bahan Kajian : Materi Pembelajaran 1. … 2. … 3. … 4.
- 4. Pustaka Pustaka Utama 1.Han, Jiawei; Kamber, Micheline; Pei, Jian. Data Mining: Concepts and Techniques. Morgan Kaufmann Publisher.2011 2. Witten, Ian; Eibe, Frank. Data Mining: Practical Machine Learning Tools and Technique. Morgan Kaufmann Publisher. 2005 3. Aggarwal, Charu. Data Mining: The Textbook. Springer 2015 4. Dst. Pustaka Pendukung 1. Suyanto. Data Mining untuk Klasifikasi dan Klasterisasi Data. Penerbit Informatika. 2017 Dosen Pengampu 1. Ariesta Lestari, S.Kom., M.Cs., PhD 2. Nahumi Nugrahaningsih, ST., MT., PhD 3. Dst. Mata Kuliah Syarat RENCANA KEGIATAN PERKULIAHAN Minggu Ke - KEMAMPUAN AKHIR TIAP BELAJAR ( Sub - CPMK ) Penilaian Bentuk Pembelajaran, Metode Pembelajaran, Penugasan Mahasiswa, (Estimasi Waktu ) Materi Pembelajaran (Pustaka) Bobot Penilaian (%) Indikator Kriteria & Teknik Luring (Offline ) Daring (online) (1) (2) (3) (4) (5) (6) (7) (8) 1. • Mahasiswa/i dapat menjelaskan sejarah dan pentingnya Data Mining • Mahasiswa dapat memberikan contoh aplikasi data mining dalam industri • Kemampuan dalam menjelaskan tentang sejarah dan pentingnya data mining • Kemampuan dalam memberikan contoh penerapan data mining dalam industri Asinkronus 1. Kuis pendahuluan 2. Diskusi - Video pengantar mengenai sejarah Data Mining, definisi dasar, serta contoh aplikasi Data Mining - Forum diskusi di LMS mengenai potensi aplikasi Data Mining di masa depan. - Refleksi singkat 1%
- 5. 2. Mahasiswa dapat menjelaskanjenis data, atribut dan pengumpulan data • Kemampuan dalam menjelaskan perbedaan berbagai jenis data. • Kemampuan dalam mengenali atribut data • Kemampuan dalam mengidentifikasi metode pengumpulan data yang efektif Asinkronus Kuis online atau worksheet tentang identifikasi jenis data - Video eksplorasi tentang pengumpulan data didunia nyata. - Tugas kelompok: mengidentifikasi jenis data dan atribut dari dataset publik 1% 3. Mahasiswa dapat melakukan pembersihan data, transformasi, normalisasi data agar dapat menjadi inputan yang baik dalam teknik data mining Kemampuan dalam melakukan pembersihan data, transformasi, normalisasi data Asinkronus Latihan soal/kuis online - Serangkaian video pendek yang menjelaskan konsep dan teknik preprocessing data, termasuk pembersihan data, normalisasi, dan transformasi. - Kuis Online - Tugas kelompok: latihan preprocessing dengan dataset 2% 4. Mahasiswa dapat menerapkan metode statistik deskriptif dan visualisasi data Kemampuan dalam melakukan eksplorasi data menggunakan metode statistic deskriptif dan visualisasi data Asinkronus Latihan soal/kuis online - Serangkaian video atau bahan ajar/PPT yang mengenalkan mahasiswa pada konsep statistik 2%
- 6. dalam melakukan eksplorasi data deskriptifdan visualisasi data - Tugas eksplorasi data 5. Mahasiswa dapat menerapkan teknik dan metode klasifikasi dalam pengolahan data Kemampuan dalam menjelaskan konsep dasar klasifikasi dan membuat model klasifikasi menggunakan algoritma di decision tree Asinkronus Forum diskusi - Video tutorial - Forum diskusi - Latihan praktik Decision Tree 6. Mahasiswa dapat menerapkan teknik dan metode klasifikasi dalam pengolahan data Kemampuan dalam membuat model klasifikasi meggunakan algoritma K-Nearest Neighbors (KNN), Support Vector Machines (SVM) Asinkronus Latihan soal/kuis online - Video tutorial - Forum diskusi - Latihan praktik KNN dan SVM - Kuis Interaktif 2% 7. Mahasiswa dapat menerapkan teknik dan metode klusterisasi dalam pengolahan data Kemampuan dalam membuat model klusterisasi meggunakan K-Means pada berbagai kasus Asinkronus Diskusi - Video tutorial - Forum diskusi - Latihan praktik K- Means 8. Project 1 30% 9. Mahasiswa dapat menerapkan teknik dan metode klusterisasi dalam pengolahan data Kemampuan dalam membuat model klusterisasi meggunakan Hierarchical Clustering dan DBSCAN Asinkronus Kuis Interaktif - Video tutorial - Kuis Interaktif - Latihan praktik Hierarchical Clustering dan DBSCAN 2%
- 7. 10. Mahasiswa dapat menerapkan teknik dan metodeassosiasi dalam pengolahan data Kemampuan dalam membuat model klasifikasi meggunakan metode hirarki Asinkronus Diskusi Latihan soal - Serangkaian video tutorial dan/atau bahan ajar/PPT - Forum diskusi - Latihan praktik metode asosiasi 2% 11. Mahasiswa dapat menerapkan teknik pengolahan data teks menggunakan text mining Kemampuan dalam menerapkan teknik pengolahan data teks Asinkronus Diskusi Latihan soal/kuis online - Serangkaian video tutorial dan/atau bahan ajar/PPT - Forum diskusi - Latihan soal dengan dataset berupa teks 2% 12. Mahasiswa dapat menerapkan mengenai teknik- teknik deteksi anomali Kemampuan dalam menerapkan teknik deteksi anomali Asinkronus Latihan soal/kuis online 2% 13. Mahasiswa dapat menjelaskan mengenai deep learning dalam data mining Kemampuan dalam menjelaskan cara mendeteksi anomaly dalam dataset Asinkronus Latihan soal/kuis online 2% 14. Mahasiswa dapat menjelaskan mengenai tantangan data mining dalam era big data Kemampuan menjelaskan tantangan Data Mining dalam Big Data, teknologi pendukung. Asinkronus Latihan soal/kuis online 15. Mahasiswa dapat menjelaskan mengenai tantangan data mining dalam era big data Kemampuan dalam menjelaskan mengenai privasi, etika, dan isu legal dalam Data Mining. Asinkronus Latihan soal/kuis online
- 8. 16. Project 250% Palangka Raya, Mengetahui Ketua Jurusan / Program Studi Koordinator Mata Kuliah, Ariesta Lestari, S.Kom., M.Cs., PhD Ariesta Lestari, S.Kom., M.Cs., PhD NIP.198003222005012004 NIP 198003222005012004
- 9. Catatan: 1. Capaian PembelajaranLulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap. penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran. 2. CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL- PRODI) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan. 3. CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut. 4. Sub-CP Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut. 5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti. 6. Kriteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kriteria dapat berupa kuantitatif ataupun kualitatif. 7. Teknik penilaian: tes dan non-tes. 8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara. 9. Metode Pembelajaran: Case study, Team Base Project, Small Group Discussion, Role-Play & Simulation, Discovery Leaming. Self- Directed Leaming, Cooperative Learning, Collaborative Learning, Contextual Learning, dan metode lainnya yg setara. 10.Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan. 11.Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-CPMK yang besarnya proposional dengan tingkat kesulitan pencapaian sub-CPMK tsb., dan totalnya 100%.
- 10. Penilaian Komponen Penilaian Meliputi No.Komponen Bobot Nilai ( % ) ( 1 ) ( 2 ) (3) 1. Aktifitas Partisipasif - 2. Hasil Proyek 80* 3. Penugasan Mandiri dan Terstruktur 10* 4. Quis 10* 5. Ujian Tengah Semester - 6. Ujian Akhir Semester - Jumlah 100 Keterangan : *) Pada kolom (3) Bobot nilai (%) disesuaikan dengan presentase pada kolom (8) RPS dan tidak wajib disetiap komponen.