Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Data Mining

5510003012

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=6.72

2

16 Januari 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Ir. Ricky Eka Putra, S.Kom., M.Kom.


Dr. Wiyli Yustanti, S.Si., M.Kom.


RICKY EKA PUTRA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Menguasai dan mengaplikasikan teori-teori, konsep, prinsip, dan teknologi terkini dalam bidang Teknik Informatika, termasuk Data Sains, Kecerdasan Artifisial, Jaringan Cerdas, Rekayasa Perangkat Lunak, serta Sistem dan Teknologi Informasi untuk mengembangkan ilmu pengetahuan dan teknologi melalalui riset dan penciptaan karya inovatif.

PLO-7

Menganalisis kebutuhan dan menyelesaikan masalah yang kompleks dalam berbagai bidang Teknik Informatika, menggunakan metode analitis dan pendekatan ilmiah.

Program Objectives (PO)

PO - 1

Mahasiswa mampu memahami konsep, teknik, dan metodologi data mining, serta perannya dalam analisis data besar dan penerapan teknologi terkini

PO - 2

Mahasiswa mampu memproses data menggunakan metode pra-pemrosesan, transformasi, dan eksplorasi data untuk mendukung proses data mining

PO - 3

Mahasiswa mampu menerapkan algoritma data mining (seperti clustering, classification, association rules) untuk mengekstraksi pola dan informasi dari dataset kompleks

PO - 4

Mahasiswa mampu merancang dan mengelola proyek data mining berdasarkan tujuan bisnis dan teknis, termasuk pengembangan roadmap arsitektur bisnis

PO - 5

Mahasiswa mampu mengevaluasi hasil proyek data mining dan menyusun laporan akhir berbasis analisis data untuk mendukung pengambilan keputusan strategis

PO - 6

Mahasiswa mampu menggunakan perangkat lunak data mining untuk mengimplementasikan solusi inovatif dalam berbagai aplikasi bidang informatika

Matrik PLO-PO
 
POPLO-5PLO-7
PO-1✔ 
PO-2✔✔
PO-3✔✔
PO-4 ✔
PO-5 ✔
PO-6✔ 

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔
PO-2✔✔
PO-3✔✔
PO-4✔✔✔
PO-5✔✔✔✔✔
PO-6✔

Deskripsi Singkat Mata Kuliah

Matakuliah Data Mining pada jenjang S2 program studi Informatika bertujuan untuk membekali mahasiswa dengan kemampuan mengekstraksi pola atau informasi yang berguna dari data besar dengan menggunakan teknik dan metode data mining. Mahasiswa akan mempelajari konsep dasar, teknik, dan alat yang digunakan dalam proses data mining serta mampu mengaplikasikannya pada berbagai bidang. Ruang lingkup matakuliah ini meliputi pemrosesan data,machine learning, dan penggunaan perangkat lunak khusus untuk data mining. Selain itu, matakuliah ini dirancang untuk mendukung kesiapan mahasiswa dalam menghadapi uji kompetensi skema Data Warehouse Director, yang mencakup unit-unit kompetensi seperti menentukan objektif bisnis, membuat rencana proyek, melakukan review, menyusun roadmap arsitektur bisnis, hingga membuat laporan akhir proyek data mining.

Pustaka

Utama :

  1. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.
  2. Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.

Pendukung :

  1. Punch, K. F. (2014). Introduction to Social Research: Quantitative and Qualitative Approaches. Sage.

Dosen Pengampu

Dr. Wiyli Yustanti, S.Si., M.Kom.

Ervin Yohannes, S.Kom., M.Kom., M.Sc., Ph.D.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Menjelaskan konsep dasar data mining dan ruang lingkupnya
  1. konsep dasar data mining dipahami dengan baik
  2. teknik-teknik data mining dikuasai dengan baik
  3. metodologi data mining diterapkan dengan baik dalam analisis data besar
 Kriteria:

Kejelasan dan kelengkapan jawaban


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis diskusi dan project
2 x 50		 Pengumpulan dan analisis data mining pada dataset yang diberikan
1 x 50		 Materi: Pendahuluan tentang Data Mining
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

2

Minggu ke 2

Memproses data menggunakan metode pra-pemrosesan dan transformasi
  1. Pemahaman konsep dan langkah-langkah metode pra-pemrosesan data
  2. Kemampuan menerapkan teknik transformasi data
  3. Ketrampilan dalam eksplorasi data untuk menemukan pola atau insight
 Kriteria:

Ketepatan langkah dan kualitas analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Diskusi kelompok dan pembelajaran berbasis proyek
2 x 50		 Penugasan proyek data mining
1 x 50		 Materi: Pra-pemrosesan data, Transformasi data, Eksplorasi data, Alat dan teknik dalam data mining
Pustaka: Handbook Perkuliahan
Materi: Pra-pemrosesan Data
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.
Materi: Teknik Dasar Preprocessing
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.		 5%

3

Minggu ke 3

Menjelaskan metode eksplorasi data untuk mendukung analisis data mining
  1. Pra-pemrosesan data dilakukan dengan benar
  2. Transformasi data menghasilkan data yang siap untuk analisis
  3. Eksplorasi data memberikan wawasan yang berguna
 Kriteria:

Ketepatan aplikasi metode


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek
2 x 50		 Pengumpulan dan analisis data dari dataset yang diberikan
1 x 50		 Materi: Pra-pemrosesan data, Transformasi data, Eksplorasi data
Pustaka: Handbook Perkuliahan
Materi: Eksplorasi Data untuk Analisis
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.		 5%

4

Minggu ke 4

Merancang tujuan teknis proyek data mining
  1. Rancangan proyek data mining sesuai dengan tujuan bisnis
  2. Pengelolaan proyek data mining yang efektif
  3. Pengembangan roadmap arsitektur bisnis yang jelas
 Kriteria:

Kesesuaian dengan kebutuhan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek dan simulasi
2 x 50		 Diskusi asinkron
1 x 50		 Materi: Pengenalan Proyek Data Mining, Tujuan Bisnis dalam Data Mining, Teknis Pengelolaan Proyek Data Mining, Pengembangan Roadmap Arsitektur Bisnis
Pustaka: Handbook Perkuliahan
Materi: Perencanaan Proyek Data Mining
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.		 5%

5

Minggu ke 5

Membuat rencana proyek data mining berdasarkan kebutuhan bisnis
  1. Merancang proyek data mining berdasarkan rencana
  2. Mengelola proyek data mining dengan baik
  3. Mengembangkan roadmap arsitektur bisnis
 Kriteria:
  1. Keterpaduan elemen-elemen dalam rencana
  2. Penilaian

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek dan diskusi kelompok
2 x 50		 Tugas kelompok melalui platform daring
1 x 50		 Materi: Pengembangan roadmap arsitektur bisnis, Rancang proyek data mining, Manajemen proyek data mining
Pustaka: Handbook Perkuliahan
Materi: Perencanaan Proyek Data Mining
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

6

Minggu ke 6

Menerapkan algoritma clustering dan association rules pada dataset
  1. Penerapan algoritma classification
  2. Penerapan algoritma association rules
 Kriteria:
  1. Evaluasi performa hasil clustering
  2. Evaluasi performa hasil association rules

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek dan simulasi
2 x 50		 Pengumpulan dan analisis data dari dataset yang diberikan untuk diterapkan algoritma clustering, Pembuatan laporan hasil analisis dengan algoritma clustering serta diskusi secara daring
1 x 50		 Materi: Clustering, Classification, Association Rules
Pustaka: Handbook Perkuliahan
Materi: Teknik Clustering
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.		 5%

7

Minggu ke 7

Menerapkan algoritma klasifikasi pada dataset

Ketepatan implementasi klasifikasi

 Kriteria:

Akurasi hasil klasifikasi


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek, Simulasi dan Diskusi
2 x 50		 Pengumpulan dan Analisis Data Set Kompleks dan Tugas
1 x 50		 Materi: Clustering Algorithms, Classification Techniques, Association Rules Mining
Pustaka: Handbook Perkuliahan
Materi: Teknik Klasifikasi
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

8

Minggu ke 8

Mampu menjelaskan dengan lebih baik materi-materi dari minggu ke-1 s.d. ke-7
  1. Menerapkan konsep yang telah dipelajari
  2. Mengalisis dan memecahkan masalah
  3. Menjawab soal esai dan studi kasus
 Kriteria:
  1. Kedalaman jawaban
  2. Kejelasan analisis
  3. Ketepatan solusi

Bentuk Penilaian :
Tes		 Menyelesaikan soal ujian Sub-Sumatif
3 x 50
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Punch, K. F. (2014). Introduction to Social Research: Quantitative and Qualitative Approaches. Sage.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: Locke, L. F., Spirduso, W. W., & Silverman, S. J. (2014). Proposals That Work: A Guide for Planning Dissertations and Grant Proposals. Sage.		 15%

9

Minggu ke 9

Mengaplikasikan proses evaluasi model data mining
  1. evaluasi hasil model proyek data mining
  2. penyusunan laporan akhir berbasis analisis data
  3. mendukung pengambilan keputusan strategis
 Kriteria:

Ketepatan evaluasi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek
2 x 50		 Penugasan membuat laporan akhir berbasis analisis data untuk kasus studi yang diberikan
1 x 50		 Materi: Evaluasi hasil proyek data mining, Penyusunan laporan akhir, Analisis data untuk pengambilan keputusan
Pustaka: Handbook Perkuliahan
Materi: Evaluasi Model Data Mining
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

10

Minggu ke 10

Mengintegrasikan teknik data mining ke dalam perangkat lunak
  1. Pemahaman konsep data mining
  2. Kemampuan mengimplementasikan solusi inovatif
  3. Kreativitas dalam penggunaan perangkat lunak data mining
 Kriteria:

Ketepatan implementasi dan analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek dan diskusi
2 x 50		 Pengembangan proyek data mining inovatif
1 x 50		 Materi: Konsep dasar data mining, Teknik-teknik data mining, Implementasi solusi inovatif menggunakan data mining
Pustaka: Handbook Perkuliahan
Materi: Penggunaan Perangkat Lunak Data Mining
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.		 5%

11

Minggu ke 11

Membuat roadmap arsitektur bisnis
  1. Rancangan proyek data mining sesuai dengan tujuan bisnis
  2. Pengelolaan proyek data mining dengan baik
  3. Pengembangan roadmap arsitektur bisnis yang jelas
 Kriteria:

Keterpaduan elemen roadmap


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek dan simulasi
2 x 50		 Tugas kelompok dan diskusi daring
1 x 50		 Materi: Pengertian Proyek Data Mining, Tujuan Bisnis dalam Data Mining, Teknis Pengelolaan Proyek Data Mining, Pengembangan Roadmap Arsitektur Bisnis
Pustaka: Handbook Perkuliahan
Materi: Penyusunan Roadmap Bisnis
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.		 5%

12

Minggu ke 12

Mengevaluasi proyek data mining secara keseluruhan
  1. analisis hasil proyek data mining
  2. kualitas laporan akhir
  3. relevansi analisis dengan pengambilan keputusan
  4. kelengkapan evaluasi
 Kriteria:

Ketepatan analisis


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek
2 x 50		 diskusi daring
1 x 50		 Materi: Evaluasi hasil proyek data mining, Penyusunan laporan akhir, Analisis data untuk pengambilan keputusan
Pustaka: Handbook Perkuliahan
Materi: Evaluasi Akhir Proyek Data Mining
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

13

Minggu ke 13

Menyusun laporan akhir proyek data mining
  1. analisis data mendalam
  2. kualitas dan kelengkapan laporan akhir
  3. rekomendasi keputusan strategis
 Kriteria:

Kejelasan dan kesesuaian isi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek dan simulasi
2 x 50		 Pengumpulan dan analisis data dari proyek data mining yang diberikan serta diskusi daring
1 x 50		 Materi: Evaluasi hasil proyek data mining, Analisis data untuk pengambilan keputusan, Penyusunan laporan akhir berbasis data
Pustaka: Handbook Perkuliahan
Materi: Teknik Penulisan Laporan Akhir
Pustaka: Punch, K. F. (2014). Introduction to Social Research: Quantitative and Qualitative Approaches. Sage.		 5%

14

Minggu ke 14

Menyampaikan hasil proyek data mining secara efektif
  1. analisis hasil proyek data mining
  2. Kejelasan dan kelengkapan presentasi
  3. relevansi data dengan pengambilan keputusan
 Kriteria:

Keterpaduan dan kejelasan penyampaian


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran berbasis proyek dan simulasi
2 x 50		 Penugasan proyek data mining untuk dievaluasi, Penyusunan laporan akhir berbasis analisis data
1 x 50		 Materi: Evaluasi hasil proyek data mining, Penyusunan laporan akhir, Analisis data untuk pengambilan keputusan
Pustaka: Handbook Perkuliahan
Materi: Penyampaian Hasil Proyek Data Mining
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.		 5%

15

Minggu ke 15

Mahasiswa diharapkan mampu mengaplikasikan pengetahuan dan keterampilan dalam evaluasi hasil proyek data mining serta menyusun laporan akhir yang relevan dan mendukung pengambilan keputusan strategis.
  1. analisis hasil proyek data mining
  2. kesesuaian laporan akhir dengan kebutuhan pengambilan keputusan strategis
  3. kualitas presentasi laporan
  4. Kelengkapan refleksi
 Kriteria:

Ketepatan analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek
2 x 50		 diskusi daring
1 x 50		 Materi: Evaluasi hasil proyek data mining, Penyusunan laporan akhir berbasis analisis data, Pengambilan keputusan strategis
Pustaka: Handbook Perkuliahan
Materi: Refleksi Akhir dan Evaluasi
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.		 5%

16

Minggu ke 16

Mampu menjelaskan dengan lebih baik materi-materi dari minggu ke-9 s.d. ke-15

Mengintegrasikan seluruh materi Data Mining yang telah dipelajari dalam mata kuliah

 Kriteria:

Kemampuan menyelesaikan soal terkait semua CPMK


Bentuk Penilaian :
Tes		 Menyelesaikan soal Ujian Sumatif
3 x 50
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Punch, K. F. (2014). Introduction to Social Research: Quantitative and Qualitative Approaches. Sage.
Materi: Materi-materi dari minggu ke-9 s.d. ke-15
Pustaka: Locke, L. F., Spirduso, W. W., & Silverman, S. J. (2014). Proposals That Work: A Guide for Planning Dissertations and Grant Proposals. Sage.		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 6.67%
2. Penilaian Hasil Project / Penilaian Produk 54.17%
3. Penilaian Portofolio 9.17%
4. Tes 30%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO 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-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.