RENCANA PEMBELAJARAN SEMESTER (RPS)

Transkripsi

1 RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF53106 DATA MINING PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK 1

2 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan untuk matakuliah sbb: Kode Mata Kuliah : KKKF53106 Nama Mata Kuliah : Data Mining Padang, 2017 Menyetujui Kaprodi S1Teknik Informatika Rini Sovia, S.Kom, M.Kom 2

3 DAFTARISI LEMBAR PENGESAHAN...ii DAFTAR ISI...iii A. PROFIL MATA KULIAH...1 B. RENCANA PEMBELAJARAN SEMESTER (RPS)...2 C. RANCANGAN INTERAKSI DOSEN MAHASISWA...9 D. RANCANGAN TUGAS...12 E. PENILAIAN DENGAN RUBRIK...13 F. PENENTUAN NILAI AKHIR MATAKULIAH

4 A. PROFIL MATA KULIAH IDENTITASMATAKULIAH Nama MataKuliah : Data Mining Kode MataKuliah : kkkf53106 SKS : 3 Jenis : MK Wajib Jam pelaksanaan : Tatap muka dikelas =3x50 menit perminggu Responsi =1x50 menit perminggu Semester/ Tingkat : 5/3 Pre-requisite : Basis Data Relasional, Probabilitas dan Statistika Co-requisite : Data Warehouse, Machine Learnin Bidang Kajian : DESKRIPSI SINGKATMATAKULIAH 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 DAFTAR PUSTAKA 1. Introduction to Data Mining 2nd Edition, Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin, Pearson Education, Inc, Data Mining Concepts and Techniques 3rd edition, Han, Jiawei; Kamber, Micheline, and Jian Pei, Morgan Kaufmann, Data Mining and Knowledge Discovery Handbook Second Edition,Maimon,Oded; Rocach, Lior, Springer, Related References : Books, Papers, and Journals 4

5 B. RENCANA PEMBELAJARAN SEMESTER(RPS) Minggu Kemampuan Akhir yang Diharapkan Bahan Kajian (Materi Ajar) Bentuk Pembelajaran Kriteria/Indikator Penilaian Bobot Nilai 1 memahami sistem perkuliahan, sistem penilaian, dan tata tertib kuliah mengetahui maksud dan tujuan statistika dan probabilitas RPS Kontrak kuliah Pendahuluan Ceramah dan Tanya jawab mahasiswa mencatat semua informasi secara ringkas pada log book 2 mampu menjelaskan latar belakang munculnya teknik data mining serta tahapan-tahapan umum dalam proses data mining Pengenalan data mining : - defenisi dan latar belakang data mining - tahapan-tahapan proses data mining dan penyelesaian soal Mahasiswa merespon aktif materi yang diberikan dengan cara bertanya dan berdiskusi. 3 dapat menjelaskan defenisi data dan proses awal yang dilakukan terhadap data agar dapat menjadi inputan yang baik dalam teknik data mining Data - jenis dan kualitas data - preprocessing dan teknik pengukuran data dan penyelesaian soal Mahasiswa merespon aktif materi yang diberikan dengan cara bertanya Eksplorasi Data 4 dapat menjelaskan teknik-teknik untuk merepresentasikan data - statistic data dan visualisasi data - analisis data multi dimensional dan OLAP dan penyelesaian soal Mahasiswa merespon aktif materi yang diberikan dengan cara bertanya dan berdiskusi. Klasifikasi - konsep dasar klasifikasi 5 7 dapat menjelaskan teknik klasifikasi dalam data mining - decision tree and model overfitting dan Presentasi Relevansitugas, Kecakapan presentasi. - evaluasi kinerja pengklasifikasian 5

6 - metoda untuk membandingkan pengklasifikasian - algoritma nearest neightnour, Bayesian, ensemble method - imbalance class problem 8 Mampu mempresentasikan rencana proyek penelitian data mining secara proposal UTS Mini project Mahasiswa mampu merancang proposal penelitian 30% Analisis Asosiasi - algoritma FP Growth - teknik evaluasi pola-pola asosiasi - frequent itemset generation 9 10 memahami teknik analisis asosiasi dalam data mining - rule generation, compact representasion of frequent itemset dan penyelesaian soal Mahasiswa merespon aktif materi yang diberikan dengan cara bertanya dan berdiskusi. - menangani atribut kategoris dan atribut kontinu dalam analisis asosiasi - pola sequential, subgraph dan infrequent Klustering 11 dan 12 dapat menjelaskan teknik klustering dalam data mining - defenisi dan konsep dasar clustering - algoritma K-Means & Hierarchical clustering dan Persentasi Relevansi tugas, Kecakapan presentasi - algoritma DBSCAN - evaluasi clustering 6

7 - karakteristik data, cluster dan algoritma clustering - prototype-based & Density-based clustering - graph-based clustering - skalabilitas clustering Anomaly data 13 dapat menjelaskan bagaimana menangani anomaly data dan mendeteksi adanya anomaly data - defenisi anomaly data dan pendekatan statistic untuk mengatasi anomaly data - deteksi dengan proximity-based outlier, deteksi density-based outlier, clustering-based technique dan Persentasi Relevansi tugas, Kecakapan presentasi Aplikasi dan trend data mining - spasial dan multimedia data mining - text dan web mining 14 dan 15 dapat menjelaskan gambaran aplikasi data mining dalam berbagai bidang - penerapan data mining dalam bidang finansial, retail industry, telekomunikasi, biologi dan aplikasi sains dan penyelesaian soal Mahasiswa merespon aktif materi yang diberikan dengan cara bertanya dan berdiskusi. - produk-produk sistem data mining dan prototype riset 7

8 16 Mampu mempresentasikan hasil penelitian yang sesuai dengan rencana proposal Materi Pra UAS Kuis Mahasiswa mampu melaporkan hasil penelitian statistika dan probabilitas 20% UAS 30% 8

9 C. RANCANGAN INTERAKSI DOSEN MAHASISWA Kemampuan Akhir yang Diharapkan Mahasiswa mampu mengidentifikasi dan menjelaskan kembali materi yang diberikan Nama Kajian Nama Strategi 1. Pengenalan Data Mining 2. Data 3. Eksplorasi Data 4. Klasifikasi 5. Asosiasi 6. Klustering 7. Anomali Data 8. Aplikasi dan Tren Data Mining Ceramah dan diskusi Minggu Penggunaan Strategi (Metode) 4-7, 9-15 Deskripsi Singkat Strategi (Metode) pembelajaran Dosen mengulas materi sebelumnya, menjelaskan tujuan, hasil pembelajaran, materi, dan kesimpulan, serta mendorong mahasiswa untuk aktif bertanya dan mengemukakan pendapat terkait materi yang disampaikan. RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Pendahuluan : Mengulas materi yang telah diberikan pada pertemuan sebelumnya (untuk pertemuan 2 dst) Menjelaskan tentang tujuan pembelajaran dari kegiatan pembelajaran Mengarahkan mahasiswa untuk melibatkan diri dan aktif dalam kegiatan pembelajaran Membahas materi Aktivitas Mahasiswa Mengungkapkan apa yang telah dipahami dari materi yang telah disampaikan pada pertemuan sebelumnya. Menyimak penjelasan dosen. Menyiapkan diri menerima materi yang akan disampaikan. Menyimak dan mencatat hal-hal penting dari materi yang disampaikan oleh dosen. Bertanya apabila ada materi yang kurang jelas. Diskusi dan Tanya Jawab: Mengajukan sejumlah pertanyaan terkait materi yang telah diberikan Penutup Menjawab pertanyaan yang diberikan. Menyimak kesimpulan. Menyumpulkan Materi 9

10 Kemampuan Akhir yang Diharapkan Nama Kajian Nama Strategi Mahasiswa/i dapat menjelaskan lebih lanjut dasar-dasar data mining dan metoda pengklasifikasi yang sudah dipelajari Dasar-dasar Data Mining, Klasifikasi & Analisis Asosiasi - Review Dasar-dasar Data Mining - Review Klasifikasi dan Analisis Asosiasi Diskusi dan Presentasi Minggu Penggunaan Strategi (Metode) 5-7 Deskripsi Singkat Strategi (Metode) pembelajaran Mahasiswa secara berkelompok mempresentasikan hasil tugas kedua yang telah dikerjakannya, kelompok lain bertugas untuk mengajukan pertanyaan dan memberikan nilai sesuai kriteria penilaian yang telah diberikan RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Aktivitas Mahasiswa - Membuka sesi presentasi - Menyiapkan slide presentasi berdasarkan - Memberikan pengarahan tentang dokumen rencana proyek yang telah disusun tata tertib presentasi - Mempresentasikan rencana proyek - Memberikan penugasan kepada setiap - Mencatat masukan dan koreksi berdasarkan kelompok untuk mengajukan hasil diskusi pertanyaan dan memberikan nilai - Mengajukan pertanyaan dan menilai kepada setiap kelompok yang kelompok lain yang sedang presentasi melakukan presentasi - Menjadi moderator sesi presentasi - Memperbaiki dokumen rencana proyek berdasarkan masukan yang didapat ketika - Membahas hasil presentasi dari setiap diskusi kelompok - Menutup sesi presentasi Kemampuan Akhir yang Diharapkan Mahasiswa/i mampu Memilih dan menerapkan teknik Data Mining dalam menyelesaikan permasalahan sesuai dengan studi kasus yang ada Nama Kajian Nama Strategi Tugas Besar Presentasi 10

11 Minggu Penggunaan Strategi (Metode) Deskripsi Singkat Strategi (Metode) pembelajaran Mahasiswa secara berkelompok mempresentasikan hasil Tugas yang telah dikerjakannya, kelompok lain bertugas untuk mengajukan pertanyaan dan memberikan nilai sesuai kriteria penilaian yang telah diberikan RANCANGAN INTERAKSI DOSEN MAHASISWA Aktivitas Dosen Aktivitas Mahasiswa - Membuka sesi presentasi - Menyiapkan slide presentasi berdasarkan - Memberikan pengarahan tentang tata topik tugas besar yang telah diberikan tertib presentasi - Mempresentasikan hasil tugas - Memberikan penugasan kepada setiap - Mencatat masukan dan koreksi berdasarkan kelompok untuk mengajukan hasil diskusi pertanyaan dan memberikan nilai - Mengajukan pertanyaan dan menilai kepada setiap kelompok yang kelompok lain yang sedang presentasi melakukan presentasi - Memperbaiki hasil tugas besar sesuai - Menjadi moderator sesi presentasi dengan masukan revisi yang diberikan dan - Membahas hasil presentasi dari setiap berdasarkan masukan yang didapat ketika kelompok diskusi - Menutup sesi presentasi D. RANCANGAN TUGAS Kode mata Kuliah Nama Mata Kuliah Kemampuan Akhir yang Diharapkan Minggu/Pertemuanke 15 Tugas ke KKKF53106 Data Mining Setelah mengikuti mata kuliah ini, mahasiswa dapat mengenali dan membedakan tipe data, menggunakan tools data mining untuk tahapan preprocessing, memilih teknik yang tepat untuk pemrosesan data hingga menginterpretasikan/menganalisis hasil luaran yang dihasilkan. Tugas Besar 11

12 1. Tujuan tugas: Mahasiswa/i mampu Memilih dan menerapkan teknik Data Mining mulai dari persiapan data sampai dengan task data mining dalam menyelesaikan permasalahan riil yang disajikan dalam bentuk aplikasi data mining. 2. Uraian Tugas: A. Obyek garapan Mahasiswa mampu mengembangkan aplikasi baik berupa mobile, desktop maupun web dengan menggunakan teknik pemrosesan penggalian data sesuai dengan tujuan yang diharapkan, Penyelesaian aplikasi dapat memilih diantara satu klasifikasi, klastering, asosiasi dan deteksi anomali. b. Yang harus dikerjakan dan batasan-batasan Mahasiswa harus mengerjakan aplikasi data mining dengan kriteria sbb: Aplikasi dapat berbasis Mobile, Web atau Non Web (Desktop). Aplikasi yang dibangun dapat diperuntukan untuk personal, publik maupun organisasi Aplikasi dapat berbasis Mobile, Web atau Non Web (Desktop). c. Metode/ cara pengerjaan, acuan yang digunakan - Problem Solving secara berkelompok 4-5 orang - Milestone Tugas Besar : diawali dengan membuat Proposal (Feasibility Study) Package Software Aplikasi Poster dan CD Laporan Dokumentasi Pameran dan Penjurian Pemenang Contest d. Deskripsi luaran tugas yang dihasilkan/ dikerjakan - Proposal (Feasibility Study) - Package Software Aplikasi - Poster dan Video Profile tentang aplikasi - Laporan Dokumentasi dalam bentuk hardcopy format jurnal 2 kolom CD 3. Kriteria penilaian: Penilaian tugas ini akan didasarkan pada : a. Nilai kegunaan aplikasi dan kesesuaian metodologi 30% b. Kemampuan presentasi 15% c. Kelengkapan Luaran yang harus dihasilkan 30% d. Sistematika Penulisan Dokumentasi 25% E. PERSENTASE KOMPONEN PENILAIAN 1. Kuis :10% 2. Tugas Besar :10% 3. UTS :20% 4. UAS :60% 12

13 F. PENILAIAN DENGAN RUBRIK Jenjang (Grade) Angka (Skor) Deskripsi perilaku (Indikator) A >80 Tugas dikerjakan dengan tepat waktu,aplikasi sudah berjalan dengan baik, laporan dalam bentuk jurnal ditulis dengan baik, luaran tugas besar sudah lengkap, presentasi sangat baik B C D E Tugas dikerjakan dengan tepat waktu,aplikasi sudah berjalan dengan baik, laporan dalam bentuk jurnal ditulis dengan cukup baik, luaran tugas besar sudah lengkap, presentasi baik TabelbenTerlambat/ Tugas dikerjakan dengan tepat, aplikasi sudah berjalan dengan baik, laporan dalam bentuk jurnal ditulis dengan cukup baik, luaran tugas besar sudah lengkap, presentasi cukupar,design form benar, Query salah, relasi salah Tugas tidak dikerjakan dengan tepat, aplikasi tidak berjalan dengan baik (masih ada bug), kelengkapan luaran tugas besar sangat kurang 44 Tidak mengerjakan tugas atau plagiat G. PENENTUAN NILAI AKHIR MATAKULIAH Nilai Angka (NA) Nilai Huruf (NH) NA>80 65<NA 79 55<NA 64 45<NA 54 NA<45 A B C D E 13