UNIVERSITAS MULIA

Kode
FAKULTAS ILMU KOMPUTER PSDKU KOTA SAMARINDA, Dokumen
PRODI S1-SISTEM INFORMASI
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl Penyusunan
Data Mining 135300 Ilmu Komputer T=16 P=0 VI 8 Maret 2023
OTORISASI Pengembang RPS Koordinator RMK Ketua PRODI

Deddy Kurniawan, S.Kom., M.Kom. Tina Tri Wulansari, S.Kom., M.T.I.

Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
(CP) CPL1 (P) Menginterpretasikan dan menyajikan hasil analisis data dalam bentuk dan format yang dimengerti oleh pihak yang berkepentingan
CPL2 (KK) Mampu dalam melakukan praktik kepemimpinan dan kerjasama, komunikasi dan negoisasi, serta berpikir analitis dan kritis
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK Mahasiswa mampu menganalisis data, mempersiapkan data dan mengelola data serta memilih dan menerapkan algoritma Data
Mining untuk menyelesaikan permasalahan secara individu atau kerjasama tim
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
Sub-CPMK1 Mahasiswa mampu memahami latar belakang dan definisi data mining
Sub-CPMK2 Mahasiswa mampu memahami jenis-jenis data dan tahapan dalam menangani data
Sub-CPMK3 Mahasiswa mampu memahami tahapan dalam mempersiapkan data
Sub-CPMK4 Mahasiswa mampu memahami teknik klasifikasi dalam data mining
Sub-CPMK5 Mahasiswa mampu memahami teknik klasterisasi dalam data mining
Sub-CPMK6 Mahasiswa mampu memahami teknik analisis asosiasi dalam data mining
Sub-CPMK7 Mahasiswa mampu menentukan dan menerapkan teknik data mining dalam sebuah permasalahan
Korelasi CPL terhadap Sub-CPMK
 Sub-CPMK1 Sub-CPMK2 Sub-CPMK3 Sub-CPMK4 Sub-CPMK5 Sub-CPMK6 Sub-CPMK7
CPL1 V V V V
CPL2 V V V V
Deskripsi Singkat MK 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 • Pengantar Data Mining: Latar belakang munculnya data mining Kegunaan dan teknik pada data mining dan Tantangan dalam data mining,
Pembelajaran • Dasar dan Teknik Analisis Data: Definisi data mining, Perbedaan nilai dan atribut, Karakteristik jenis-jenis atribut, Jenis-jenis dataset, Kualitas data,
Teknik analisa data dan Prapemrosesan data
• Framework data mining: Arsitektur data mining, Framework data mining (CRISP-DM) dan Proses inti pada CRISP-DM (Pre-Processing data)
• Klasifikasi Data Mining: Teknik klasifikasi data mining, Algoritma klasifikasi (k-NN, Decision Tree/ID3, Naive Bayes), Kelebihan & Kekurangan
algoritma klasifikasi, Teknik evaluasi & seleksi model klasifikasi, Confusion matrix (Value accuracy, Value precision, Value recall & Value f-1 score)
• Klasterisasi Data Mining: Teknik klasterisasi data mining, Algoritma klasterisasi (k-Means & DBSCAN), Teknik Normalisasi data metode Z-score, min-
max dan Metode evaluasi Davis Bouldin Index (DBI)
• Aturan Asosiasi Data Mining: Teknik analisis asosiasi, Algoritma aturan asosiasi Apriori dan Metode evaluasi lift ratio
Pustaka Utama :
[1] Introduction to Data Mining 2nd Edition, Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin, Pearson Education, Inc, 2015
[2] Data Mining Concepts and Techniques 3rd edition, Han, Jiawei; Kamber, Micheline, and Jian Pei, Morgan Kaufmann, 2011
Pendukung :
[3] Data Mining and Knowledge Discovery Handbook Second Edition, Maimon, Oded; Rocach, Lior, Springer, 2010
[4] Suryanto. (2019). Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung.
[5] Miranda, S. A., Fahrullah, F., & Kurniawan, D. (2022). Implementasi Association Rule Dalam Menganalisis Data Penjualan Sheshop dengan
Menggunakan Algoritma Apriori. Metik Jurnal, 6(1), 30-36.
[6] Kurniawan, D., Sipayung, M. S., Ismayanti, R., Ibrahim, M. R., Bintan, Y., & Miranda, S. A. (2022). Optimalisasi Strategi Pemenuhan Persediaan
Stok Barang Menggunakan Algoritma Frequent Pattern Growth. METIK JURNAL, 6(2), 104-114.
Dosen Pengampu Deddy Kurniawan, S.Kom., M.Kom.
Matakuliah syarat -
Bantuk Pembelajaran,
Metode Pembelajaran,
Kemampuan akhir tiap Penilaian Bobot
Penugasan Mahasiswa, Materi Pembelajaran
Mg Ke- tahapan belajar Penilaian
[ Estimasi Waktu] [ Pustaka ]
(Sub-CPMK) (%)
Luring (offline) Daring
Indikator Kriteria & Teknik
(online)
(1) (2) (3) (4) (5) (6) (7) (8)
1 Sub-CPMK 1 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Pengantar Data
mampu memahami latar • Memahami latar belakang dan • Pedoman Ceramah & materi: Mining:
belakang dan definisi data definisi data mining Penskoran Tanya jawab https://lentera • Latar belakang
mining • Memahami kegunaan dan teknik Teknik non-test: [PB: 1x(3x50”)] .universitasmu munculnya data
data mining • Quiz lia.ac.id/cours mining
• Memahami masalah dalam data e/view.php?id • Kegunaan dan teknik
mining =2137 pada data mining
[PT+KM: • Tantangan dalam
(1+1)x(3x50”)] data mining
2 Sub-CPMK 2 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Dasar dan Teknik
mampu memahami jenis-jenis • Memahami definisi data dalam • Pedoman Ceramah & materi: Analisis Data:
data dan tahapan dalam data mining Penskoran Tanya jawab https://lentera • Definisi data mining
menangani data • Memahami definisi atribut dan Teknik non-test: [PB: 1x(3x50”)] .universitasmu • Perbedaan nilai dan
nilai dan sifat keduanya • Quiz lia.ac.id/cours atribut
• Memahami jenis-jenis atribut dan e/view.php?id • Karakteristik jenis-
karakteristiknya =2137 jenis atribut
• Memahami jenis-jenis dataset dan [PT+KM: • Jenis-jenis dataset
karakteristiknya (1+1)x(3x50”)] • Kualitas data
• Memahami bentuk penilaiaan • Teknik analisa data
terhadap kualitas data dan • Prapemrosesan data
permasalahan pada dataset
• Memahami jenis-jenis teknik
menganalisa data
• Memahami jenis-jenis proses
prapemrosesan data
3 Sub-CPMK 3 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Framework data
mampu memahami tahapan • Memahami arsitektur data mining • Rubrik Holistik Ceramah & materi: mining:
dalam mempersiapkan data • Memahami kerangka kerja data Teknik test: Tanya jawab https://lentera • Arsitektur data
mining • Review jurnal [PB: 1x(3x50”)] .universitasmu mining
• Memahami proses inti pada lia.ac.id/cours • Framework data
tahapan prapemrosesan data e/view.php?id mining (CRISP-DM)
 =2137 • Proses inti pada
[PT+KM: CRISP-DM (Pre-
(1+1)x(3x50”)] Processing data)
4 Sub-CPMK 4 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasifikasi Data
mampu memahami teknik • Memahami konsep dasar teknik • Rubrik Holistik Ceramah, Tanya materi: Mining:
klasifikasi dalam data mining klasifikasi algoritma k-NN Teknik test: jawab & Demo https://lentera • Teknik klasifikasi
• Memahami teknik perhitungan • Tugas 1 - [PB: 1x(3x50”)] .universitasmu data mining
algoritma k-NN pada teknik membangun lia.ac.id/cours • Algoritma klasifikasi
klasifikasi model k-NN e/view.php?id k-NN
• Memahami kelebihan dan =2137 • Kelebihan dan
kekurangan dari algoritma k-NN [PT+KM: Kekurangan k-NN
(1+1)x(3x50”)]
5 Sub-CPMK 4 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasifikasi Data
mampu memahami teknik • Memahami konsep dasar teknik • Rubrik Holistik Ceramah, Tanya materi: Mining:
klasifikasi dalam data mining klasifikasi algoritma ID3 Teknik test: jawab & Demo https://lentera • Algoritma klasifikasi
• Memahami teknik perhitungan • Tugas 2 - [PB: 1x(3x50”)] .universitasmu ID3
algoritma ID3 pada teknik evaluasi model lia.ac.id/cours • Teknik evaluasi dan
klasifikasi klasifikasi e/view.php?id seleksi model
• Memahami jenis-jenis evaluasi dan =2137 klasifikasi
seleksi dalam membangun model [PT+KM:
klasifikasi (1+1)x(3x50”)]
6 Sub-CPMK 4 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasifikasi Data
mampu memahami teknik • Memahami konsep dasar teknik • Rubrik Holistik Ceramah, Tanya materi: Mining:
klasifikasi dalam data mining klasifikasi algoritma Naive Bayes Teknik test: jawab & Demo https://lentera Algoritma klasifikasi
• Memahami teknik perhitungan • Tugas 3 – Case [PB: 1x(3x50”)] .universitasmu Naive Bayes
algoritma Naive Bayes pada teknik Study lia.ac.id/cours
klasifikasi e/view.php?id
=2137
[PT+KM:
(1+1)x(3x50”)]
7 Sub-CPMK 4 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasifikasi Data
mampu memahami teknik • Rubrik Holistik materi: Mining:
klasifikasi dalam data mining Teknik test: https://lentera
 • Memahami cara mengevaluasi • Tugas 4 - Ceramah & .universitasmu • Tabel confusion
kinerja dari teknik klasifikasi Perbandingan Tanya jawab lia.ac.id/cours matrix
dengan tabel confusion matrix kinerja model [PB: 1x(3x50”)] e/view.php?id • Value accuracy
• Memahami cara menghitung nilai klasifikasi =2137 • Value precision
accuracy dari model klasifikasi [PT+KM: • Value recall
• Memahami cara menghitung nilai (1+1)x(3x50”)] • Value f-1 score
precision dari model klasifikasi
• Memahami cara menghitung nilai
recall dari model klasifikasi
• Memahami cara menghitung nilai
f-1 score dari model klasifikasi
8 Evaluasi Tengah Semester / Ujian Tengan Semester Studi Kasus
9 Sub-CPMK 5 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasterisasi Data
mampu memahami teknik • Memahami konsep dasar dari • Rubrik Holistik Ceramah, Tanya materi: Mining:
klasterisasi dalam data mining Teknik klasterisasi pada algoritma Teknik test: jawab & Demo https://lentera • Teknik klasterisasi
k-Means • Tugas 5 - [PB: 1x(3x50”)] .universitasmu data mining
• Memahami perhitungan dari studi membangun lia.ac.id/cours • Algoritma
kasus klasterisasi model k-Means e/view.php?id klasterisasi k-Means
• Memahami Teknik normalisasi =2137 • Teknik Normalisasi
data dengan metode Z-score [PT+KM: data metode Z-score
(1+1)x(3x50”)]
10 Sub-CPMK 5 Mahasiswa Mahasiswa mampu memahami Keiteria: Kuliah: Support Klasterisasi Data
mampu memahami teknik Teknik normalisasi data dengan • Pedoman Ceramah, Tanya materi: Mining:
klasterisasi dalam data mining metode min-max Penskoran jawab & Demo https://lentera Teknik normalisasi
Teknik test: [PB: 1x(3x50”)] .universitasmu data metode min-max
• Quiz lia.ac.id/cours
e/view.php?id
=2137
[PT+KM:
(1+1)x(3x50”)]
11 Sub-CPMK 5 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Klasterisasi Data
mampu memahami teknik • Pedoman materi: Mining:
klasterisasi dalam data mining Penskoran https://lentera
 • Memahami konsep dasar dari Teknik test: Ceramah, Tanya .universitasmu Algoritma klasterisasi
Teknik klasterisasi pada algoritma • Tugas 6 - Case jawab & Demo lia.ac.id/cours DBSCAN
DBSCAN Study [PB: 1x(3x50”)] e/view.php?id
• Memahami perhitungan dari =2137
studi kasus klasterisasi [PT+KM:
(1+1)x(3x50”)]
12 Sub-CPMK 5 Mahasiswa Mahasiswa mampu memahami Keiteria: Kuliah: Support Klasterisasi Data
mampu memahami teknik Teknik evaluasi kinerja pada teknik • Rubrik Holistik Ceramah & materi: Mining:
klasterisasi dalam data mining klasterisasi dengan metode Davis Teknik test: Tanya jawab https://lentera Metode evaluasi Davis
Bouldin Index (DBI) • Tugas 7 - [PB: 1x(3x50”)] .universitasmu Bouldin Index (DBI)
Perbandingan lia.ac.id/cours
kinerja model e/view.php?id
klasterisasi =2137
[PT+KM:
(1+1)x(3x50”)]
13 Sub-CPMK 6 Mahasiswa Mahasiswa mampu: Keiteria: Kuliah: Support Aturan Asosiasi Data
mampu memahami teknik • Memahami konsep dasar dari • Rubrik Holistik Ceramah, Tanya materi: Mining:
analisis asosiasi dalam data teknik analisis aturan asosiasi pada Teknik test: jawab & Demo https://lentera • Teknik analisis
mining algoritma Apriori • Tugas 8 - [PB: 1x(3x50”)] .universitasmu asosiasi
• Memahami perhitungan dari studi membangun lia.ac.id/cours • Algoritma aturan
kasus aturan asosiasi model k-Means e/view.php?id asosiasi Apriori
=2137
[PT+KM:
(1+1)x(3x50”)]
14 Sub-CPMK 6 Mahasiswa Mahasiswa mampu memahami Keiteria: Kuliah: Support Aturan Asosiasi Data
mampu memahami teknik Teknik evaluasi kinerja pada teknik • Rubrik Holistik Ceramah & materi: Mining:
analisis asosiasi dalam data analisis aturan asosiasi dengan Teknik test: Tanya jawab https://lentera Metode evaluasi lift
mining metode lift ratio. • Tugas 8 - [PB: 1x(3x50”)] .universitasmu ratio
Evaluasi kinerja lia.ac.id/cours
model aturan e/view.php?id
asosiasi =2137
[PT+KM:
(1+1)x(3x50”)]
15 Sub-CPMK 7 ahasiswa mampu Mahasiswa mampu menerapkan Keiteria: Kuliah: Support Project studi kasus -
menentukan dan menerapkan Teknik dan algortima data mining • Rubrik Analitik Ceramah & materi:
teknik data mining dalam terhadap studi kasus yang diberikan Teknik test: Tanya jawab https://lentera
sebuah permasalahan Tugas 9 – Case [PB: 1x(3x50”)] .universitasmu
Study lia.ac.id/cours
e/view.php?id
=2137
[PT+KM:
(1+1)x(3x50”)]
16 Evaluasi Akhir Semester / Ujian Akhir Semester Studi Kasus

1. Capaian Pembelajaran Lulusan 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. Kreteria 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. Kreteria dapat
berupa kuantitatif ataupun kualitatif.
7. Bentuk 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: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning,
Collaborative Learning, Contextual Learning, Project Based 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%.
12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri