Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Sistem Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Pengumpulan dan Analisis Data Science

5720104168

T=4

P=0

ECTS=6.36

5

7 Juli 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




.......................................


.......................................


I Kadek Dwi Nuryana, S.T., M.Kom.

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-12

Mampu memahami konsep, metode, teknik dan tahapan big data, data mining, dan kecerdasan buatan serta visualisasi data sebagai pengetahuan yang berkaitan dengan teknologi informasi

PLO-15

Mampu memahami, menganalisis, menilai, dan mengevaluasi sistem informasi dalam mengelola data dan informasi bisnis serta merekomendasikan pengambilan keputusan dengan memperhatikan hukum kode etik dalam penggunaan informasi

Program Objectives (PO)

PO - 1

Mahasiswa dapat menerapkan metode dan teknik pengumpulan data dalam konteks nyata untuk mendukung analisis data

PO - 2

Mahasiswa dapat menganalisis dan memecah struktur data yang kompleks untuk memahami pola dan tren yang ada

PO - 3

Mahasiswa dapat mengevaluasi efektivitas teknik data mining yang digunakan dalam studi kasus tertentu

PO - 4

Mahasiswa dapat menciptakan solusi inovatif dengan mengintegrasikan teknik big data dan kecerdasan buatan dalam proyek nyata

PO - 5

Mahasiswa dapat menerapkan konsep visualisasi data untuk meningkatkan pemahaman dan presentasi hasil analisis data

PO - 6

Mahasiswa dapat menganalisis sistem informasi dalam konteks pengelolaan data dan informasi bisnis

PO - 7

Mahasiswa dapat mengevaluasi sistem informasi dengan mempertimbangkan aspek hukum dan etika dalam penggunaan informasi

PO - 8

Mahasiswa dapat menciptakan rekomendasi pengambilan keputusan berdasarkan analisis data yang dilakukan

PO - 9

Mahasiswa dapat menerapkan teknik analisis data untuk mengidentifikasi kebutuhan informasi dalam pengambilan keputusan bisnis

Matrik PLO-PO
 
POPLO-12PLO-15
PO-1✔ 
PO-2✔ 
PO-3✔ 
PO-4✔ 
PO-5✔ 
PO-6 ✔
PO-7 ✔
PO-8 ✔
PO-9 ✔

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✔✔
PO-7✔
PO-8✔
PO-9✔✔

Deskripsi Singkat Mata Kuliah

Matakuliah Pengumpulan Dan Analisis Data Science bertujuan untuk memberikan pemahaman dan keterampilan dalam proses pengumpulan, pengolahan, analisis, dan interpretasi data untuk mendukung pengambilan keputusan dalam konteks ilmu data science. Ruang lingkup mata kuliah mencakup teknik pengumpulan data, teknik analisis data, visualisasi data, serta penerapan algoritma dan metode statistik dalam mengolah data untuk mendapatkan informasi yang bernilai.

Pustaka

Utama :

Pendukung :

Dosen Pengampu

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 diharapkan mampu menerapkan metode dan teknik pengumpulan data secara efektif dalam situasi nyata untuk mendukung analisis data.
  1. Kemampuan memilih metode pengumpulan data yang sesuai
  2. Kemampuan mengimplementasikan teknik pengumpulan data dengan benar
  3. Kemampuan menganalisis kualitas data yang terkumpul
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Diskusi daring tentang penerapan metode pengumpulan data dalam studi kasus tertentu
4 X50		 Materi: Pengertian pengumpulan data, Metode pengumpulan data primer dan sekunder, Teknik pengumpulan data kuantitatif dan kualitatif, Proses validasi data
Pustaka: Handbook Perkuliahan		 4%

2

Minggu ke 2

Mahasiswa diharapkan mampu mengimplementasikan metode dan teknik pengumpulan data secara efektif dalam konteks nyata untuk mendukung analisis data.
  1. Kemampuan mengidentifikasi metode pengumpulan data yang sesuai
  2. Kemampuan mengaplikasikan teknik pengumpulan data dengan benar
  3. Kemampuan menganalisis kevalidan data yang terkumpul
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Penugasan Proyek Online
4 X 50		 Materi: Pengumpulan data primer, Pengumpulan data sekunder, Survei dan wawancara, Observasi dan eksperimen
Pustaka: Handbook Perkuliahan		 4%

3

Minggu ke 3

Mahasiswa diharapkan mampu menguasai kemampuan analisis data yang kompleks, memahami pola dan tren yang ada, serta mampu mengidentifikasi informasi penting dari data yang rumit.
  1. analisis data kompleks
  2. identifikasi pola dan tren
  3. memahami struktur data
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Tes		 Pembelajaran Berbasis Masalah.
4 X 50		 Tugas Analisis Data Kompleks
4 X 50		 Materi: Konsep Analisis Data Kompleks, Metode Pemecahan Struktur Data, Pola dan Tren dalam Data
Pustaka: Handbook Perkuliahan		 4%

4

Minggu ke 4

Mahasiswa diharapkan mampu mengidentifikasi pola dan tren yang tersembunyi dalam data yang kompleks serta mampu menguraikan struktur data tersebut untuk memahami informasi yang terkandung di dalamnya.
  1. Analisis pola data kompleks
  2. Pemecahan struktur data
  3. Pemahaman tren data
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Tes		 Pembelajaran Berbasis Masalah.
4 X 50		 Tugas Analisis Data Kompleks
4 X 50		 Materi: Konsep Analisis Data, Strategi Pemecahan Struktur Data, Teknik Identifikasi Pola dan Tren
Pustaka: Handbook Perkuliahan		 4%

5

Minggu ke 5

Mahasiswa diharapkan mampu mengevaluasi dan mengkritisi teknik data mining yang digunakan dalam suatu studi kasus, serta mampu menyimpulkan keefektifan teknik tersebut dalam menghasilkan informasi yang relevan.
  1. Analisis keefektifan teknik data mining
  2. Kemampuan evaluasi teknik data mining
  3. Kemampuan kritikal terhadap teknik data mining
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pembelajaran berbasis proyek.
4 X 50		 Diskusi daring tentang studi kasus data mining, Analisis kasus data mining secara individu
4 X 50		 Materi: Konsep dasar data mining, Teknik data mining yang umum digunakan, Studi kasus penerapan data mining
Pustaka: Handbook Perkuliahan		 4%

6

Minggu ke 6

Mahasiswa diharapkan mampu mengevaluasi efektivitas teknik data mining yang digunakan dalam studi kasus tertentu.
  1. Analisis efektivitas teknik data mining
  2. Penerapan teknik data mining dalam studi kasus
  3. Kemampuan evaluasi
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran Berbasis Masalah.
4 X 50		 Pengumpulan dan Analisis Data pada Studi Kasus Tertentu
4 X 50		 Materi: Pengantar Data Mining, Teknik Data Mining, Studi Kasus dalam Data Mining, Evaluasi Efektivitas Teknik Data Mining
Pustaka: Handbook Perkuliahan		 4%

7

Minggu ke 7

Mahasiswa diharapkan mampu menciptakan solusi inovatif dengan mengintegrasikan teknik big data dan kecerdasan buatan dalam proyek nyata.
  1. Integrasi teknik big data dan kecerdasan buatan dalam proyek
  2. Kreativitas dalam menciptakan solusi inovatif
  3. Penerapan pengetahuan analisis data dan kecerdasan buatan
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran Berbasis Proyek.
4 X 50		 Pengumpulan dan Analisis Data pada Kasus Studi
4 X 50		 Materi: Pengenalan Teknik Big Data, Pengantar Kecerdasan Buatan, Studi Kasus Proyek Integrasi Big Data dan AI
Pustaka: Handbook Perkuliahan		 4%

8

Minggu ke 8

Mahasiswa mampu mengaplikasikan pengetahuan tentang teknik big data dan kecerdasan buatan untuk menciptakan solusi inovatif dalam proyek nyata.
  1. UTS
  2. Kesesuaian solusi dengan kebutuhan proyek
 Kriteria:

UTS


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 UTS
4 X 50		 UTS
4 X 50		 Materi: UTS
Pustaka: 		20%

9

Minggu ke 9

Mahasiswa diharapkan mampu menciptakan solusi inovatif dengan mengintegrasikan teknik big data dan kecerdasan buatan dalam proyek nyata.
  1. Integrasi teknik big data dan kecerdasan buatan dalam proyek
  2. Kreativitas dalam menciptakan solusi inovatif
  3. Penerapan konsep big data dan kecerdasan buatan
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Pengembangan Proyek Integrasi Big Data dan Kecerdasan Buatan
4 X 50		 Materi: Konsep Big Data, Teknik Kecerdasan Buatan, Integrasi Big Data dan Kecerdasan Buatan dalam Proyek
Pustaka: Handbook Perkuliahan		 4%

10

Minggu ke 10

Mahasiswa diharapkan mampu menguasai konsep visualisasi data dan dapat mengaplikasikannya dalam presentasi hasil analisis data dengan baik.
  1. Kemampuan membuat visualisasi data yang informatif
  2. Kemampuan menjelaskan visualisasi data dengan jelas
  3. Kemampuan menyajikan hasil analisis data secara visual
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Pengumpulan dan analisis data dari dataset yang diberikan, kemudian membuat visualisasi data berdasarkan hasil analisis tersebut.
4 X 50		 Materi: Konsep visualisasi data, Teknik visualisasi data, Penerapan visualisasi data dalam presentasi
Pustaka: Handbook Perkuliahan		 4%

11

Minggu ke 11

Mahasiswa diharapkan mampu menerapkan konsep visualisasi data untuk meningkatkan pemahaman dan presentasi hasil analisis data.
  1. Pemahaman konsep visualisasi data
  2. Kemampuan membuat visualisasi data yang informatif
  3. Kemampuan menyajikan hasil analisis data secara visual
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran aktif melalui diskusi, studi kasus, dan praktik langsung dalam membuat visualisasi data.
4 X 50		 Membuat visualisasi data berdasarkan dataset yang diberikan dan menyajikannya dalam format presentasi online
4 X 50		 Materi: Konsep visualisasi data, Jenis-jenis visualisasi data, Tools untuk visualisasi data, Best practices dalam visualisasi data
Pustaka: Handbook Perkuliahan		 4%

12

Minggu ke 12

Mahasiswa diharapkan mampu menganalisis sistem informasi dalam konteks pengelolaan data dan informasi bisnis dengan baik dan dapat mengaplikasikan pengetahuan tersebut dalam situasi bisnis nyata.
  1. Analisis Sistem Informasi Bisnis
  2. Pengelolaan Data Bisnis
  3. Penerapan Keputusan Bisnis
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran Berbasis Masalah.
4 X 50		 Diskusi Online, Studi Kasus Online
4 X 50		 Materi: Konsep Analisis Sistem Informasi, Pengelolaan Data Bisnis, Keputusan Bisnis
Pustaka: Handbook Perkuliahan		 4%

13

Minggu ke 13

Mahasiswa diharapkan mampu mengevaluasi sistem informasi dengan mempertimbangkan aspek hukum dan etika dalam penggunaan informasi.
  1. Pemahaman tentang aspek hukum dalam sistem informasi
  2. Kemampuan menganalisis dampak etika dalam penggunaan informasi
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Portofolio, Tes		 Diskusi, studi kasus, dan presentasi.
4 X 50		 Diskusi daring tentang studi kasus evaluasi sistem informasi
 Materi: Hukum dan regulasi dalam sistem informasi, Etika dalam penggunaan informasi, Studi kasus evaluasi sistem informasi
Pustaka: Handbook Perkuliahan		 4%

14

Minggu ke 14

Mahasiswa diharapkan mampu menciptakan rekomendasi pengambilan keputusan yang berdasarkan analisis data yang telah dilakukan.
  1. Kemampuan menganalisis data dengan tepat
  2. Kemampuan mengidentifikasi pola dan tren dalam data
  3. Kemampuan menyusun rekomendasi berdasarkan analisis data
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Penugasan proyek berbasis data untuk menciptakan rekomendasi pengambilan keputusan
4 X 50		 Materi: Proses Pengambilan Keputusan, Analisis Data, Rekomendasi Berdasarkan Data
Pustaka: Handbook Perkuliahan		 4%

15

Minggu ke 15

Mahasiswa diharapkan mampu mengidentifikasi kebutuhan informasi dalam pengambilan keputusan bisnis menggunakan teknik analisis data.
  1. Analisis kebutuhan informasi dalam pengambilan keputusan bisnis menggunakan data
  2. Penerapan teknik analisis data dalam konteks pengambilan keputusan bisnis
 Kriteria:

Nilai Kognitif, Nilai Karakter, dan Nilai Psikomotorik


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Pembelajaran berbasis proyek.
4 X 50		 Penugasan Proyek
4 X 50		 Materi: Pengambilan Keputusan Bisnis, Teknik Analisis Data, Kebutuhan Informasi
Pustaka: Handbook Perkuliahan		 4%

16

Minggu ke 16


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 UAS
4 X 50
Materi: UAS
Pustaka: 		20%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 16.66%
2. Penilaian Hasil Project / Penilaian Produk 36.66%
3. Penilaian Portofolio 30.66%
4. Praktik / Unjuk Kerja 2%
5. Tes 10%
95.98%

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.