STIKES FORT DE KOCK BUKITTINGGI Kode

PROGRAM STUDI SARJANA BISNIS DIGITAL Dokumen

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl
Penyusunan
DATA MINING BDK-401 T (2) P (1) 4 Mei 2019

OTORISASI Pengembang RPS Koordinator RMK Ketua PRODI

UNIT PENJAMINAN MUTU Team

Capaian CPL-PRODI
Pembelajaran (CP) P 1. Menunjukkan penguasaan IPTEK, kemampuan riset, dan kemampuanpengembangan diri

S 1. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau
implementasi ilmu pengetahuan dan/atau teknologi yang memperhatikan dan menerapkan nilai humaniora yang
sesuai dengan bidang keahliannya
2. Mampu mengkaji implementasi pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan
KU dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya berdasarkan kaidah, tata cara dan etika
ilmiah dalam rangka menghasilkan solusi, gagasan, atau rancangan dan mengkomunikasikannya secara efektif, melalui
berbagai bentuk media kepada masyarakat akademik
3. Mampu menyusun deskripsi analitik hasil kerja dalam bentuk skripsi atau tugas akhir
4. Mampu menunjukkan kinerja mandiri, bermutu, dan terukur
1. Mampu Clustering Algoritma Hierarki Non Hierarki
KK
2. Mampu memprediksi data,deskripsi data,klasifikasi data, dan asosiasi data
CPMK
 1. Mahasiswa mampu memahami aturan atau kontrak kuliah
2. Mahasiswa diharapkan dapat mengenal dan memahami pengantar datamining dan big data
3. Mahasiswa dapat menjelaskan pengertian, jenis big data, dan proses data mining
4. Mahasiswa dapat mengakses bigdata
5. Mahasiswa mampu melakukan berbagai metode eksplorasi data
6. Mahasiswa dapat Menjelaskan berbagai jenis model data mining dan fungsinya
7. Mahasiswa dapat memberikan kesimpulan terhadap hasil pertanyaan
8. mahasiswa diharapkan mampu melakukan pemodelan clustering
9. Mahasiswa mampu dan memahami pengujian data melalui Software penguji datamining
10. Mahasiswa dapat melakukan pemodelan association rule
11. Mahasiswa mampu membandingkan software datamining dan keakuratan data
12. Mahasiswa dapat melakukan pemodelan association rule
13. Mahasiswa dapat melakukan pemodelan random forest
14. Mahasiswa mampu dan memahami tugas kelompok yang dibuat dengan memahami kinerja serta prosesnya

DiskripsiSingkat MK Mata kuliah ini memberikan materi definisi dan konsep data mining, big data, proses data mining, big data eksplorasi, serta Building
model : cluster, association, decision tree, random forest.
Bahan Kajian / 1. Definisi dan konsep data mining, big data,
Pokok Bahasan 2. pengertian jenis big proses data mining
3. Akses Big data warehouse or a database Spreadsheet.
4. Eksplorasi data Isue pada big data ExploreTest Transform
5. Model data mining Descriptive Analytics Predictive Analytics
6. Clustering Algoritma Hierarki non hierarki
7. Association rule Fungsi Algoritma
8. Decision Tree Fungsi Algoritma Decision Tree untuk klasifikasi Decision Tree untuk regresi
9. Random forest Fungsi Algoritma

Pustaka Utama :
1. Buku : Data Mining
2. Jurnal

Pendukung :
 1. Buku elektronik
Media Pembelajaran Perangkat lunak Perangkat keras
Rapidminer LCD/Proyektor
Slide presentasi Laptop
Browsing internet Pointer
Whiteboard
spidol
Flipchart

Dosen Pengampu 1. Sando Eka Putra, S.Kom., M.Kom.

Matakuliahsyarat Sistem Basisdata 2
Mg Ke- Sub-CPMK Indikator Materi Pembelajaran Metode Pembelajaran Kriteria dan Bentuk Bobot
(Kemampuan akhir tiap [Pustaka] [Estimasi Waktu] Penelian Penilaian
tahapan belajar) (%)

(1) (2) (3) (4) (5) (6) (7)

1 Mahasiswa mampu  Ketepatan menjelaskan Kontrak/aturan kuliah 10. Kuliah & Diskusi Kriteria: 5%
memahami aturan atau Aturan perkuliahan (TM : 3x(3x50”) Ketepatan dan
kontrak kuliah [BT+BM:(1+1)x(2x60”)] penguasaan
Bentuk non-test :
11. Ringkasan
2 Mahasiswa diharapkan  Ketepatan menjelaskan Pengantar 12. Kuliah & Diskusi Kriteria: 5%
dapat mengenal dan pengantar datamining 1.definisi dan konsep (TM : 3x(3x50”) Ketepatan dan
memahami pengantar dan big data data mining, big [BT+BM:(1+1)x(2x60”)] penguasaan
datamining dan big data, Bentuk non-test :
data 13. Ringkasan

3 Mahasiswa dapat  Ketepatan Menjelaskan pengertian 14. Kuliah & Diskusi Kriteria: 5%
menjelaskan menjelaskan jenis big proses data (TM : 3x(3x50”) Ketepatan dan
pengertian, jenis big pengertian, jenis big mining [BT+BM:(1+1)x(2x60”)] penguasaan
data, dan data, dan Bentuk non-test :
 proses data mining proses data mining 15. Ringkasan
4 Mahasiswa dapat  Ketepatan dalam Menjelaskan Akses Big 16. Kuliah & Diskusi Kriteria: 5%
mengakses bigdata mengakses bigdata datawarehouse or a (TM : 3x(3x50”) Ketepatan dan
Database, Spreadsheet. [BT+BM:(1+1)x(2x60”)] penguasaan
Bentuk non-test :
17. Ringkasan
5 Mahasiswa mampu  Ketepatan menjelaskan Eksplorasi data 18. Kuliah & Diskusi Kriteria: 10%
melakukan berbagai berbagai metode 1. Isue pada big data (TM : 3x(3x50”) Ketepatan dan
metode eksplorasi data eksplorasi data 2. Explore [BT+BM:(1+1)x(2x60”)] penguasaan
3. Test Bentuk non-test :
4. Transform 19. Ringkasan

6 Mahasiswa dapat  Ketepatan menjelaskan Model data mining 20. Kuliah & Diskusi Kriteria: 10%
Menjelaskan berbagai berbagai jenis model 1. Descriptive (TM : 3x(3x50”) Ketepatan dan
jenis model data mining data mining dan Analytics [BT+BM:(1+1)x(2x60”)] penguasaan
dan fungsinya fungsinya 2. Predictive Analytics Bentuk non-test :
21. Ringkasan
7 Mahasiswa dapat  Ketepatan menjelaskan Review 22. Kuliah & Diskusi Kriteria: 10%
memberikan kesimpulan (TM : 3x(3x50”) Ketepatan dan
kesimpulan terhadap [BT+BM:(1+1)x(2x60”)] penguasaan
hasil pertanyaan Bentuk non-test :
23. Tulisan makalah
24. Persentasi
8 UTS
9 mahasiswa diharapkan  Ketepatan Model Descriptive 25. Kuliah & Diskusi Kriteria: 5%
mampu melakukan menjelaskan Analytics: clustering (TM : 3x(3x50”) Ketepatan dan
pemodelan clustering melakukan pemodelan 1. Algoritma [BT+BM:(1+1)x(2x60”)] penguasaan
clustering 2. Hierarki Bentuk non-test :
3. non hier 26. Ringkasan
ark

10 Mahasiswa mampu dan  Ketepatan Menjelaskan Software 27. Kuliah & Diskusi Kriteria: 5%
memahami pengujian menjelaskan datamining (TM : 3x(3x50”) Ketepatan dan
 data melalui Software pengujian data melalui [BT+BM:(1+1)x(2x60”)] penguasaan
penguji datamining Software penguji Bentuk non-test :
datamining 28. Ringkasan
11 Mahasiswa dapat  Ketepatan Model 29. Kuliah & Diskusi Kriteria: 5%
melakukan pemodelan menjelaskan Descriptive (TM : 3x(3x50”) Ketepatan dan
association rule pemodelan Analytics [BT+BM:(1+1)x(2x60”)] penguasaan
association rule : association Bentuk non-test :
rule 30. Ringkasan
1. Fungsi
2. Algoritma

12 Mahasiswa mampu  Ketepatan Menjelaskan 31. Kuliah & Diskusi Kriteria: 5%

membandingkan menjelaskan perbandingan software (TM : 3x(3x50”) Ketepatan dan
software datamining membandingkan datamining [BT+BM:(1+1)x(2x60”)] penguasaan
dan keakuratan data software datamining Bentuk non-test :
dan keakuratan data 32. Ringkasan
13 Mahasiswa dapat  Ketepatan Model Descriptive 33. Kuliah & Diskusi Kriteria: 10%
melakukan menjelaskan Analytics: Decision (TM : 3x(3x50”) Ketepatan dan
pemodelan pemodelan Tree [BT+BM:(1+1)x(2x60”)] penguasaan
association rule association rule 1. Fungsi Bentuk non-test :
2. Algoritma 34. Ringkasan
3. Decision Tree untuk
klasifikasi
4. Decision Tree untuk
regresi

14 Mahasiswa dapat  Ketepatan Model Descriptive 35. Kuliah & Diskusi Kriteria: 10%
melakukan pemodelan menjelaskan Analytics: (TM : 3x(3x50”) Ketepatan dan
random forest melakukan pemodelan random [BT+BM:(1+1)x(2x60”)] penguasaan
random forest forest Bentuk non-test :
1. Fungsi 36. Ringkasan
2. Algoritma
15 Mahasiswa mampu dan  Ketepatan memahami review 37. Kuliah & Diskusi Kriteria: 10%
memahami tugas tugas kelompok yang (TM : 3x(3x50”) Ketepatan dan
kelompok yang dibuat dibuat [BT+BM:(1+1)x(2x60”)] penguasaan
dengan memahami Bentuk non-test :
kinerja serta prosesnya 38. Tulisan makalah
39. Persentasi
16 UAS