Universitas Negeri Surabaya
Fakultas Ekonomika dan Bisnis
Program Studi S1 Bisnis Digital

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

BIG DATA ANALYTIC

6120903087

Mata Kuliah Pilihan Program Studi

T=3

P=0

ECTS=4.77

7

16 Agustus 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Anita Safitri


Riska Dhenabayu


HUJJATULLAH FAZLURRAHMAN

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-4

Mengembangkan diri secara berkelanjutan dan berkolaborasi.

PLO-5

Mampu menguasai teori bidang bisnis digital secara menyeluruh

PLO-11

Mampu mengaplikasikan teknologi informasi dan komunikasi dalam pengelolaan bisnis dengan tepat

Program Objectives (PO)

PO - 1

Mahasiswa mampu menjelaskan konsep, karakteristik, dan peran Big Data dalam konteks bisnis digital.

PO - 2

Mahasiswa mampu menggunakan tools analitik (Google BigQuery dan Tableau) untuk melakukan pengolahan dan analisis data sederhana.

PO - 3

Mahasiswa mampu menganalisis dan merancang visualisasi data serta dashboard yang komunikatif untuk mendukung pengambilan keputusan bisnis.

PO - 4

Mahasiswa mampu mengevaluasi hasil analisis Big Data dan mengkomunikasikan insight bisnis dengan memperhatikan aspek etis dan privasi data.

Matrik PLO-PO
 
POPLO-3PLO-4PLO-5PLO-11
PO-1✔   
PO-2 ✔  
PO-3  ✔ 
PO-4   ✔

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✔✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Big Data Analytics membahas konsep, teknologi, dan metode analisis data skala besar dalam konteks bisnis digital. Mahasiswa diperkenalkan pada karakteristik big data, ekosistem big data (data lake, NoSQL, Hadoop, Spark), serta teknik analisis deskriptif dan prediktif sederhana. Pembelajaran menekankan pada penerapan praktis melalui penggunaan Google BigQuery untuk pengolahan data dan Tableau Public untuk visualisasi serta penyusunan dashboard analitik. Selain itu, mahasiswa juga mendapat pengenalan penggunaan Google Colab sebagai pengayaan untuk analisis data menggunakan Python. Pada akhir perkuliahan, mahasiswa diharapkan mampu memahami konsep big data, menggunakan tools analitik untuk menghasilkan insight bisnis, serta mengevaluasi hasil analisis big data sebagai dasar dalam pengambilan keputusan yang berbasis data, dengan memperhatikan aspek etika, privasi, dan regulasi data.

Pustaka

Utama :

Pendukung :

Dosen Pengampu

RISKA DHENABAYU

ANITA SAFITRI

Riska Dhenabayu, S.Kom., M.M.

Riska Dhenabayu, S.Kom., M.M.

Anita Safitri, M. Kom.

Anita Safitri, M. Kom.

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

Mahasiswa mampu menjelaskan konsep dasar big data, karakteristik (5V), dan relevansinya dalam bisnis digital.
  1. Mahasiswa mampu menjelaskan definisi big data
  2. Mahasiswa mampu menguraikan 5V big data.
  3. Mahasiswa mampu memberi contoh aplikasi big data di industri digital.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah interaktif, Diskusi
3x50		 Ceramah interaktif, Diskusi
3x50		 4%

2

Minggu ke 2

Mahasiswa mampu memahami ekosistem big data (data lake, Hadoop, Spark, NoSQL)
  1. Mahasiswa mampu mengidentifikasi komponen ekosistem big data.
  2. Mahasiswa mampu menjelaskan peran infrastruktur big data dalam bisnis.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah interaktif, Diskusi
3x50		 Ceramah interaktif, Diskusi
3x50		 4%

3

Minggu ke 3

Mahasiswa mampu menuliskan query sederhana di BigQuery untuk eksplorasi dataset.
  1. Mahasiswa mampu melakukan select, where, dan order by.
  2. Mahasiswa mampu menjelaskan peran infrastruktur big data dalam bisnis.
  3. Mahasiswa mampu menjalankan query pada dataset publik di BigQuery.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Praktik
3x50		 Ceramah interaktif, Diskusi, Praktik
3x50		 4%

4

Minggu ke 4

Mahasiswa mampu menggunakan fungsi agregasi dalam BigQuery
  1. Mahasiswa mampu menyusun query dengan group by dan having.
  2. Mahasiswa mampu menghasilkan ringkasan data.
 Kriteria:

Rubrik holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja, Tes		 Ceramah interaktif, Diskusi, Praktik
3x50		 Ceramah interaktif, Diskusi, Praktik
3x50		 4%

5

Minggu ke 5

Mahasiswa mampu melakukan join antar tabel untuk integrasi data.
  1. Mahasiswa mampu menggunakan inner join dan left join.
  2. Mahasiswa mampu menarik insight dari tabel gabungan.
 Kriteria:

Tes


Bentuk Penilaian :
Tes		 Ceramah interaktif, Diskusi, Praktik
3x50		 Ceramah interaktif, Diskusi, Praktik
3x50		 10%

6

Minggu ke 6

Mahasiswa mampu membuat grafik dasar dari hasil query BigQuery.
  1. Mahasiswa mampu menghubungkan Tableau ke BigQuery.
  2. Mahasiswa mampu membuat bar chart, line chart, dan pie chart sederhana.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Praktik
3x50		 Ceramah interaktif, Diskusi, Praktik
3x50		 4%

7

Minggu ke 7

Mahasiswa mampu membangun dashboard interaktif sederhana.
  1. Mahasiswa mampu menyusun minimal dua grafik dalam satu dashboard.
  2. MMahasiswa mampu menambahkan filter interaktif pada dashboard.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Ceramah interaktif, Diskusi, Praktik
3x50		 Ceramah interaktif, Diskusi, Praktik
3x50		 20%

8

Minggu ke 8

Mahasiswa mampu merefleksikan pembelajaran analisis big data tahap awal
  1. Mahasiswa mampu mengidentifikasi kekuatan dan kelemahan dalam proses analisis data menggunakan BigQuery dan Tableau.
  2. Mahasiswa mampu memberikan umpan balik terhadap hasil analisis dan visualisasi yang dibuat, baik secara individu maupun kelompok.
 Reflective Learning
3x50		 Reflective Learning
3x50		 0%

9

Minggu ke 9

Mahasiswa mampu menganalisis pola penjualan dengan BigQuery & Tableau.
  1. Mahasiswa mampu menyusun query analisis tren penjualan.
  2. Mahasiswa mampu membuat visualisasi tren bulanan.
 Kriteria:

Rubrik Holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Praktik
 Ceramah interaktif, Diskusi, Praktik
 4%

10

Minggu ke 10

Mahasiswa mampu mengidentifikasi perilaku pelanggan dari data transaksi.
  1. Mahasiswa mampu melakukan segmentasi pelanggan berdasarkan data.
  2. Mahasiswa mampu membuat visualisasi profil pelanggan
 Kriteria:

Rubrik holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Praktik
 Ceramah interaktif, Diskusi, Praktik
 4%

11

Minggu ke 11

Mahasiswa mampu menganalisis data teks sederhana.
  1. Mahasiswa mampu melakukan query rata-rata rating per kategori.
  2. Mahasiswa mampu membuat grafik sentimen sederhana.
 Kriteria:

Rubrik holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Praktik
 Ceramah interaktif, Diskusi, Praktik
 4%

12

Minggu ke 12

Mahasiswa mampu menyempurnakan dashboard analitik dan mengintegrasikan berbagai hasil analisis data.
  1. Mahasiswa mampu menambahkan dan mengatur beberapa grafik dalam satu dashboard secara interaktif.
  2. Mahasiswa mampu menggabungkan hasil analisis dari berbagai tabel atau dataset untuk membuat dashboard yang komprehensif.
  3. Mahasiswa mampu memeriksa konsistensi data dan akurasi visualisasi sebelum interpretasi.
 Kriteria:

4


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi, Demo
 Ceramah interaktif, Diskusi, Demo
 10%

13

Minggu ke 13

Mahasiswa mampu menginterpretasikan hasil analisis big data untuk pengambilan keputusan bisnis.
  1. Mahasiswa mampu mengaitkan insight dengan permasalahan bisnis.
  2. Mahasiswa mampu menyusun rekomendasi berbasis data.
 Kriteria:

Rubrik holistik: non-test


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah interaktif, Diskusi, Praktik
 Ceramah interaktif, Diskusi, Praktik
 2%

14

Minggu ke 14

Mahasiswa mampu memahami aspek etika dalam penggunaan big data.
  1. Mahasiswa mampu menjelaskan isu privasi dan keamanan data.
  2. Mahasiswa mampu memberi contoh regulasi data (misalnya GDPR atau UU PDP).
 Kriteria:

Rubrik holistik: non-test


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Ceramah interaktif, Diskusi
 Ceramah interaktif, Diskusi
 2%

15

Minggu ke 15

Mahasiswa mampu menyiapkan proyek akhir berupa analisis data bisnis digital, termasuk persiapan query, visualisasi, dan dashboard sebelum presentasi proyek.
  1. Memeriksa kelengkapan dataset untuk analisis proyek akhir.
  2. Menyusun query dan melakukan analisis data awal di BigQuery.
  3. Mendesain dashboard awal di Tableau untuk menampilkan insight dasar.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja

4%

16

Minggu ke 16

Mahasiswa mampu menyelesaikan proyek akhir berupa analisis big data bisnis digital dan menyajikan dashboard interaktif beserta insight rekomendasi.
  1. Menyajikan hasil analisis dalam bentuk dashboard yang interaktif dan informatif di Tableau.
  2. Menginterpretasikan hasil analisis untuk memberikan rekomendasi keputusan bisnis.
  3. Mempertimbangkan aspek etika, privasi, dan regulasi data dalam penyajian dan interpretasi hasil.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 presentasi proyek
 presentasi proyek
 20%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 10%
2. Penilaian Hasil Project / Penilaian Produk 47%
3. Praktik / Unjuk Kerja 31%
4. Tes 12%
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.