RENCANA PEMBELAJARAN SEMESTER

(RPS)

DATA MINING

TSI 303 (3 SKS)

Semester 3

Pengampu mata kuliah

Meza Silvana, M.T

Jurusan Sistem Informasi

Fakultas Teknologi Informasi
Universitas Andalas
Padang, 2016
A. LATAR BELAKANG

Prodi S1 Sistem Informasi FTI Unand menggunakan kurikulum yang mengacu

pada kurikulum nasional berbasis kompetensi sesuai dengan SK Mendiknas No.
232/U/2000 dan SK Mendiknas No. 045.U/2002. Matakuliah yang ada dikelompokkan
atas satuan semester. Beban total mahasiswa Program Studi S1 Sistem Informasi adalah
144 sks yang terbagi dalam 8 semester. Kompetensi utama dan kurikulum inti prodi ini
diambil dari apa yang telah dirumuskan oleh ACM dan APTIKOM. Sistem Informasi
adalah rumpun ilmu yang mempelajari pemanfaatan komputer (hardware & software)
untuk memecahkan masalah-masalah bisnis dan mendukung tujuan bisnis. Oleh karena
itu Mata Kuliah Data Mining merupakan salah satu bagian materi dasar untuk
menunjang pemanfaatan software secara utuh.
Metode pembelajaran yang dikembangkan dalam mata kuliah Data Mining
dilakukan untuk mendukung capaian pembelajaran adalah dengan menerapkan
pendekatan Student Centered Learning (SCL). Dengan metode dari SCL diharapkan
mampu memotivasi keingintahuan dan semangat belajar mahasiswa ke arah life-
long learning untuk mencapai suatu kompetensi hard skill yang diharapkan tanpa
mengabaikan kompetensi soft skill. Metode perkuliahan yang diberikan pada mata
kuliah ini antara lain berupa :
1. Small Group Disscussion – Membuat rancangan bahan diskusi berupa pemberian
tema atau bahan terkait materi dan penjelasan aturan diskusi.
2. Cooperatif Learning – Menyiapkan suatu masalah atau kasus untuk diselesaikan
oleh mahasiswa secara berkelompok kemudian mendiskusikannya
Kemampuan mahasiswa ini diharapakan dapat digunakan untuk mengetahui pemanfaatan
data mining dalam analisis pengolahan big data yang telah tersimpan dalam database,
pada semua aplikasi di tiap bidang kerja dalam kehidupan nyata. Kompetensi softskill
meliputi intrapersonal skill (kemandirian, berpikir kritis dan analitis) maupun
interpersonal skill (kerja dalam tim dan komunikasi lisan). Disamping itu, penerapan
SCL juga dapat membangun nilai-nilai dasar seperti integritas, disiplin, kerja keras,
santun/etika/memiliki tata nilai dan percaya diri yang semuanya akan membentuk
karakter mahasiswa. Softskill yang akan diberikan adalah:
 1. Kemampuan untuk mengelola kelompok – tercermin dalam keaktifan mengelola
kelompok dan merangkul anggota untuk dapat aktif bertanya atau menjawab
diskusi yang dilaksanakan.
2. Kemampuan untuk mempresentasikan diri – tercermin dalam presentasi tugas
kelompok yang diberikan.
Kemampuan untuk bekerjasama – dapat dilihat dari kesolidan dalam suatu kelompok
untuk berdiskusi.
Berdasarkan hal tersebut diatas maka disediakan Rencana Program Kegiatan
Pembelajaran Semester (RPKPS) mata kuliah Data Mining. Berpedoman pada RPKPS
maka mahasiswa dapat mengetahui dengan jelas metode dan arah pembelajaran serta
manfaat yang akan dicapai oleh mahasiswa.

B. PERENCANAAN PEMBELAJARAN

1. Nama mata kuliah : Data Mining

2. Kode/SKS : TSI 303/3

3. Mata kuliah prasyarat : Probabilitas dan statistika

4. Status mata kuliah : Wajib

5. Deskripsi singkat matakuliah

Mata kuliah ini memberikan pemahaman terhadap Konsep sistem pengolahan data
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.

6. Tujuan pembelajaran

Mampu menganalisa, mempersiapkan data dan mengolah data serta memilih dan
menerapkan algoritma data mining untuk menyelesaikan permasalahan secara
individu dan tim.

7. Capaian pembelajaran (Learning outcomes = LO)

a. Mampu menjelaskan latar belakang data mining serta tahapan-tahapan

umum dalam proses data mining.
 b. Mampu menjelaskan proses penyiapan data.
c. Mampu menjelaskan bagaimana menangani anomali data dan mendeteksi
anomali data.
d. Mampu menjelaskan teknik metoda analisis asosiasi, clustering,
klasisfikasi dalam data mining
e. Memilih dan menerapkan teknik data mining dalam menyelesaikan
permasalahan dengan pemanfaatan aplikasi sistem cerdas dalam data
mining

8. Pokok bahasan

Pokok bahasan mata kuliah ini meliputi.

a. Pengenalan data mining
b. Data dan eksplorasi data
c. Data penyiapan (preprocessing) data
d. Frekuensi pola mining
e. Pengenalan dan aplikasi sistem cerdas dalam data mining
f. Deteksi anomali
g. Asosiasi dan korelasi
h. Clustering
i. Klasisfikasi

9. Penilaian

Kriteria penilaian terdiri atas penilaian hasil dan proses, yaitu:

No. Komponen Penilaian Bobot (%)

1. Penilaian hasil
a. UTS 20
b. UAS 25
c. Tugas dan quiz 15
d. Tugas Besar 20
2. Penilaian proses
1. Kemampuan mengelola diri 10
2. Presentasi 10
Total 100
10. Norma akademik

- Kegiatan pembelajaran sesuai Jadwal Resmi, toleransi keterlambatan 15

menit.
- Selama proses pembelajaran berlangsung HP dimatikan.
- Pengumpulan tugas ditetapkan sesuai jadwal. Bagi yang menyerahkan setelah
pembelajaran selesai diberi nilai 75%, dan bila terlambat 1 hari mendapat
nilai 50%, lebih dari satu hari mendapat nilai 0%.
- Yang berhalangan hadir karena sakit (harus ada keterangan sakit/surat
pemberitahuan sakit dan diberikan paling lambat pada saat ybs masuk
kembali)
- Tugas yang merupakan plagiat, atau pengutipan tanpa aturan penulisan dinilai
nol.
- Kehadiran mahasiswa dalam pembelajaran minimal 75% dari total pertemuan
kuliah yang terlaksana.
- Menggunakan pakaian yang sopan dan bersepatu.
- Kehadiran < 75% dari total pelaksanaan perkuliahan nilai MK = E
- Kecurangan pada saat UTS dan UAS nilai MK = E
- Hal-hal lain yang tidak tercantum di norma akademik ini akan ditetapkan
kemudian hari oleh Dosen ybs Kehadiran mahasiswa dalam pembelajaran
minimal 75% dari total pertemuan kuliah yang terlaksana.

11. Bahan, sumber informasi, dan referensi

a. Introduction to Data Mining 2nd Edition, Tan, Pang-Ning; Steinbach,

Michael; Kumar, Vipin, Pearson Education, Inc, 2015
b. Data Mining Concepts and Techniques 3rd edition, Han, Jiawei; Kamber,
Micheline, and Jian Pei, , Morgan Kaufmann, 2011
c. Data Mining and Knowledge Discovery Handbook Second
Edition,Maimon,Oded; Rocach, Lior, Springer, 2010
d. Related References : Books, Papers, and Journals
 12. Rencana kegiatan pembelajaran mingguan

Minggu Bentuk
Capaian Pembelajaran Pokok Bahasan Kriteria/Indikator Penilaian Bobot Nilai
Ke- Pembelajaran
Mampu menjelaskan latar belakang Pengenalan Data Mining
Ketepatan penjelasan latar
munculnya teknik data mining, serta - Definisi & Latar belakang data Ceramah, diskusi
1 belakang dan tahapan proses data
tahapan-tahapan umum dalam proses mining dan tanya jawab.
mining
data mining - Tahapan-tahapan proses

Mampu menjelaskan definisi data, dan Data

Ketepatan penjelasan jenis dan
proses awal yang dilakukan terhadap - Jenis & Kualitas Data Ceramah, diskusi
2 kualitas data serta tahap
data agar dapat menjadi inputan yang - Preprocessing & Teknik dan tanya jawab.
preprocessing data
baik dalam teknik data mining pengukuran data
Eksplorasi Data
Mampu menjelaskan teknik-teknik - Statistik Data & Visualisasi Data Ceramah, diskusi Ketepatan penjelasan teknik
3
merepresentasikan data - Analisis data multi dimensional & dan tanya jawab. eksplorasi data
OLAP
Mampu mengenali dan mengetahui Ketepatan penjelasan konsep dasar
Pengenalan dan aplikasi sistem Ceramah, diskusi dan aplikasi sistem cerdas dalam
4 pemanfaatan aplikasi sistem cerdas
cerdas dalam data mining dan tanya jawab. data mining
dalam data mining

Klasifikasi
- Konsep dasar klasifikasi
- Decision Tree & Model Overfitting-
Evaluasi Kinerja pengklasifikasi
Ketepatan penjelasan konsep dasar
Mampu menjelaskan teknik klasifikasi - Metoda untuk membandingkan Ceramah, diskusi
5 dan teknik klasifikasi dalam data
dalam data mining pengklasifikasi dan tanya jawab.
mining
- Algoritma nearest
neighnour,Bayesian,ensemble
methods
- imbalance class problem
 Analisis Asosiasi Ketepatan penjelasan konsep dasar
- Algoritma FP- Growth dan teknik analisis asosiasi dalam
- Teknik evaluasi pola-pola asosiasi data mining
- Frequent itemset generation
- Rule generation, compact
Mampu memahami teknik/metoda Ceramah, diskusi
6 representation of frequent itemset
analisis asosiasi dalam data mining dan tanya jawab.
- Menangani atribut kategoris dan
atribut kontinu dalam analisis
asosiasi
- Pola sequential, subgraphdan
infrequent
Ketepatan penjelasan konsep dasar
Dasar-dasar Data Mining, Klasifikasi
Mahasiswa/i dapat menjelaskan lebih dan metoda klasifikasii dalam data
& Analisis Asosiasi
lanjut dasar-dasar data mining dan Ceramah, diskusi mining
7 - Review Dasar-dasar Data Mining
metoda pengklasifikasi yang sudah dan tanya jawab.
- Review Klasifikasi dan Analisis
dipelajari
Asosiasi

UTS Mahasiswa mampu menyelesaikan

- Pengenalan Data Mining soal/kasus dengan baik
Mampu memahami dengan lebih baik
- Data menggunakan pengetahuan yang
8 materi-materi yang disampaiakan dari Ujian tertulis
- Eksplorasi Data telah diberikan oleh dosen
minggu ke-
- Analisis Asosiasi pengampu selama proses belajar
- Klasifikasi mengajar
 Klustering
- Definisi dan konsep dasar clustering
- Algoritma K-Means & Hierarchical
Clustering
- Algoritma DBSCAN
- Evaluasi Clustering Ketepatan penjelasan konsep dasar
Mampu menjelaskan teknik clustering Ceramah, diskusi
9-10 - Karakteristik data, cluster dan dan teknik clustering dalam data
dalam data mining dan tanya jawab.
algoritma clustering mining
- Prototype –based & Density -
Graphbased clustering
- Skalabilitas Clustering
-Penggunaan Ai(ex:Fuzzy logic, K-
means,JST) pada clustering
Anomali data
- Definisi anomali data dan
pendekatan statistik untuk mengatasi
Mampu menjelaskan bagaimana anomali data Ketepatan menangani anomaly
Ceramah, diskusi
11-12 menangani anomali data, dan - Deteksi dengan proximity-based data dan mendeteksi adanya
dan tanya jawab.
mendeteksi adanya anomali data outlier, deteksi density-based outlier anomali data
& clustering-based technique
-Penggunaan Ai(ex:Fuzzy logic, K-
means,JST) pada clustering
Aplikasi dan Trend Data Mining
- Spatial & Multimedia Data Mining
- Text & Web Mining
- Penerapan data mining dalam Presentasi &
Mampu menjelaskan gambaran aplikasi Relevansi tugas, Kecakapan
13-15 bidang financial, retail industri, Diskusi Tugas
data mining dalam berbagai bidang presentasi
telekomunikasi, biologi, dan aplikasi Kelompok
sains
- Produk-produk sistem data mining
dan prototype riset
 Mahasiswa mampu menyelesaikan
Mampu membuktikan kemampuannya UAS soal/kasus dengan baik
dalam mengaplikasikan pemahaman -Clustering Ujian menggunakan pengetahuan yang
16
materi yang sudah diperoleh dari - anomali Data tertulis/Lisan telah diberikan oleh dosen
pertemian ke-9 hingga ke-15 - Aplikasi dan Trend Data Mining pengampu selama proses belajar
mengajar