PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS / (2/1/0) Dosen : SWP, KF Semester : VII

Transkripsi

1 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan menggunakan metode yang sesuai 3. CP15.1 : Mampu Berkomunikasi secara lisan dan tertulis dalam bahasa Indonesia 4. CP15.3 : Mampu mengelola dan bekerja dalam tim 5. CP15.4 : Bertanggung jawab atas hasil kerja mandiri dan kelompok 6. CP 17.1 : Jujur amanah dan beretika 7. CP 18.5 : Patuh pada aturan tertulis dan tidak tertulis 8. CP19 : Mempunyai sikap Cerdas, Amanah dan Kreatif sebagai bekal belajar sepanjang hayat CP10.3 pada mk diberi nomor CP10.3D meliputi 12 sub Capaian Pembelajaran, yaitu : CP10.3D1 sd CP10.3D12 B. Untuk mencapai CP di atas diperlukan 9 sebagai berikut : 1).Pre processing data, 2). Feature selection /Feature extraction, 3).Mining Frequent Patterns, Associations, and Correlations, 4).Unsupervised Learning Method, 5)Supervised Learning Method: Decision tree, 6).Supervised Learning Method: Naïve bayes, 7).Supervised Learning Method: SVM, 8)Prediction model: Support Vector Regression, 9). Credibility: Evaluating what s been learned C. Mata kuliah prasyarat : Analisis Multivariat D. Deskripsi CP secara umum KKNI Level 6 Kemampuan Deskripsi Penguasaan pengetahuan data mining dan aplikasinya di berbagai bidang. Mampu menjelaskan prosedur mining data mulai dari preprocessing sampai menyajikan informasi Kemampuan kerja. Mampu mengaplikasikan prosedur data mining menggunakan program utama WEKA 6.4 Mampu Menggunakan IPTEKS pada bidangnya dalam penyelesaian masalah 6.5 Mampu beradaptasi terhadap situasi yang dihadapi Kemampuan manjerial 6.6 Mampu mengambil keputusan yang tepat berdasarkan analisis informasi dan data, serta mampu mengkomunikasikan hasil analisis baik secara lisan maupun tertulis 6.7 Mampu memberikan petunjuk dalam memilih berbagai alternatif solusi secara mandiri dan kelompok; 6.8 Bertanggung jawab pada pekerjaan sendiri dan dapat diberi tanggung jawab atas pencapaian hasil kerja organisasi Sikap dan tata nilai Mempunyai Etika Profesi, kerjasama, menghargai orang lain, patuh aturan, cerdas amanah kreatif 7Prosedur Cek soal / Porosedur

2 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 2 dari 6 PERT PEMBELA konsep dasar data mining dan aplikasinya CP10.3D1 Dapat mendeteksi adanya data missing values dan noisy serta dapat mengatasinya CP10.3D1 data integration, transformation, data reduction dan data discretization. CP10.3D1 1.1 Dapat menjelaskan konsepkonsep dasar data mining 1.2 Dapat menyebutkan aplikasi data mining dalam berbagai bidang 2.1Dapat menjelaskan pentingnya melakukan preprocessing data 2.2 Dapat melakukan prosedur data cleaning yang meliputi missing values dan noisy data 3.1 Dapat melakukan prosedur data integration, transformation, data reduction dan data discretization Kontrak belajar, pendahuluan Konsep dasar data mining Pre processing data data cleaning: missing values, noisy data Pre processing data data integration and transformation data reduction data discretization [1] Bab 1 [1] Bab 2 [2] Bab 1 Ceramah interaktif Diskusi (CID ) [2] Bab 3 [2] Bab 3 Observasi Aktifitas di kelas Tes & Observasi Aktifitas di kelas (TOA) 10%/10% 5%/15% TOA 10%/25% 7Prosedur Cek soal / Porosedur

3 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 3 dari 6 PERT PEMBELA feature selection dan feature extraction dan menerapkannya pada data CP10.3D2 Dapat menjelaskan Mining Associations rule dan menerapkan pada data CP10.3D3 4.1 Dapat membedakan feature selection dan feature exttraction 4.2 Dapat melakukan prosedur feature selection dan feature extraction 5.1 Dapat melakukan prosedur Mining Associations rule Feature selection /Feature extraction Mining Associations rule [1] Bab 7 [1] Bab 4 [2] Bab 6 TOA 10%/35% TOA 10%/45% unsupervised learning dan menerapkan pada data riil CP10.3D4 Dapat melakukan metode hirarki dan K Means dalam problem riil Dapat mengevaluasi hasilcluster Unsupervised Learning Method: Metode hirarki KMeans ETS [1] Bab 6 [2] Bab 10 TOA 7Prosedur Cek soal / Porosedur

4 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 4 dari 6 PERT PEMBELA 1718 Decision tree dan menerapkannya pada data riil CP10.3D5 7.1 Dapat melakukan prosedur decision tree pada problem data riil 7.2 Dapat menyajikan hasil analisis menjadi Supervised Learning Method: Decision tree [1] Bab 6 TOA 10%/55% 1920 Naïve bayes dan menerapkannya pada data riil CP10.3D6 8.1 Dapat melakukan prosedur Naïve bayes pada problem data riil 8.2 Dapat menyajikan hasil analisis menjadi Supervised Learning Method: Naïve bayes [1] Bab 6 [2] Bab 9 TOA 10%/65% 2122 SVM dan menerapkannya pada data riil CP10.3D7 9.1 Dapat melakukan prosedur SVM pada problem data riil 9.2 Dapat menyajikan hasil analisis menjadi Supervised Learning Method: Support Vector Machine (SVM) [2] Bab 9 TOA 10%/75% 7Prosedur Cek soal / Porosedur

5 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 5 dari 6 PERT PEMBELA SVR dan menerapkannya pada data riil CP10.3D8 Dapat menjelaskan ukuran evaluasi dan menerapkannya pada problem klasifikasi dan regresi CP10.3D Dapat melakukan prosedur SVR pada problem data riil 10.2 Dapat menyajikan hasil analisis menjadi 11.1 Dapat melakukan prosedur credibility untuk problem klasifikasi 11.2 Dapat melakukan prosedur credibility untuk problem regresi Prediction model: Support Vector Regression (SVR) Credibility: Evaluating what s been learned [1] Bab 6 [1] Bab 5 [2] Bab 8 4. Presentasi TOA 5%/80% TOA 10%/90% 2730 Dapat mengetahui tahapan dalam data mining dan mengaplikasikan pada 12.1 Dapat melakukan prosedur mining data mulai dari data Project semua Presentasi Presentasi Laporan 7Prosedur Cek soal / Porosedur 10%/100%

6 RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 6 dari 6 PERT PEMBELA problem data riil mentah sampai menyajikan informasi 12.2 Dapat membuat laporan dan mempresentasikanny a 3132 EAS *1)TT0PL : Tes Tulis,Observasi,Presentasi dan Laporan. 2) AL: Action Learning. Pustaka: 1. Witten, I.H., : Practical Machine Learning Tools and Techniques, Second Edition, Elsevier, Han,J., Kamber, M. and J. Pei, : Concepts and Techniques. Morgan Kaufmann, 3rded., Hastie, T., Tibshirani, R., Friedman, J., The Elements of Statistical Learning: 4., Inference, and Prediction, Second Edition, Springer, Tan, P.N., Steinbach, M. and Kumar, V., Introduction to, Wiley, Nisbet, R. and Elder, J., Handbook of Statistical Analysis and, Elsevier, Duda, R. O., Hart, P. E., and Stork, D. G., Pattern Classification, 2ed., Wiley, Interscience, Larose, D.T., Methods And Models, John Wiley & Sons, Inc.,, Prosedur Cek soal / Porosedur