Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Graf Sains Data

4920203018

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

7

22 Agustus 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Ibnu Febry Kurniawan, S.Kom., M.Sc., Ph.D.


Ibnu Febry Kurniawan, S.Kom., M.Sc., Ph.D.


YULIANI PUJI ASTUTI

Model Pembelajaran

Case Study

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-23

Mampu mengelola data dan informasi dengan pendekatan model data dan sistem basis data yang tepat untuk kebutuhan organisasi dengan memperhatikan aspek keamanan dan integritas data

PLO-25

Mampu mengidentifikasi dan menganalisis kebutuhan-kebutuhan pengguna dan mempertimbangkannya dalam memilih, membuat, mengintegrasi, mengevaluasi, dan mengadministrasi sistem berbasis kompetensi interdisiplin keilmuan sains data.

PLO-26

Menguasai konsep teoritis bidang pengetahuan sains data khusus dalam bidang pengetahuan tersebut secara mendalam, serta mampu memformulasikan penyelesaian masalah prosedural.

PLO-28

Mampu menganalisis persoalan computing yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin.

Program Objectives (PO)

PO - 1

Dapat menjelaskan komponen-komponen inti dalam sebuah graf

PO - 2

Dapat memformulasikan representasi data dalam struktur graf

PO - 3

Dapat mengelola data dalam penyimpanan berstruktur graf

PO - 4

Dapat mereplikasi proses kalkulasi algoritme-algoritme content-based recommendation

PO - 5

Dapat menjelaskan kembali konsep fundamental dalam algoritme-algoritme graph representation learning

PO - 6

Dapat menerapkan algoritme-algoritme graph neural network pada kasus node classification

PO - 7

Dapat melakukan tahapan pra-proses data berstruktur graf untuk keperluan pembelajaran mesin

Matrik PLO-PO
 
POPLO-3PLO-23PLO-25PLO-26PLO-28
PO-1✔    
PO-2  ✔  
PO-3 ✔   
PO-4   ✔ 
PO-5    ✔
PO-6    ✔
PO-7  ✔  

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✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Graf Sains Data berfokus pada fundamental dan terapan Graf dalam keperluan pemodelan data, insight analysis, dan pembelajaran struktur. Mata kuliah ini akan membahas teori dasar graf, pengelolaan dan transformasi data berstruktur graf, serta pembelajaran graf. Topik-topik yang diangkat dalam perkuliahan ini adalah matrix representasi graf, intuisi dibalik dan implementasi similarity distance, graph database, dan graph neural network.

Pustaka

Utama :

  1. A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.
  2. L. Wu, P. Cui, J. Pei, and L. Zhao, Eds., Graph Neural Networks: Foundations, Frontiers, and Applications. Singapore: Springer Nature Singapore, 2022. doi: 10.1007/978-981-16-6054-2.
  3. F. Scarselli, M. Gori, Ah Chung Tsoi, M. Hagenbuchner, and G. Monfardini, “The Graph Neural Network Model,” IEEE Trans. Neural Netw., vol. 20, no. 1, pp. 61–80, 2009, doi: 10.1109/TNN.2008.2005605.

Pendukung :

  1. W. L. Hamilton, Graph Representation Learning.

Dosen Pengampu

IBNU FEBRY KURNIAWAN

Ibnu Febry Kurniawan, S.Kom., M.Sc., Ph.D.

Ibnu Febry Kurniawan, S.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
  1. Dapat menjelaskan kembali representasi-representasi matriks dalam graf
  2. Dapat merekognisi jenis-jenis graf
  3. Dapat menjelaskan keunggulan-keunggulan representasi graf dalam konteks-konteks dunia nyata
  1. Dapat menjelaskan definisi formal matriks kedekatan (adjacency matrix)
  2. Dapat menjelaskan intuisi formal matriks Laplace
  3. Dapat membedakan jenis graf berdasarkan arah relasi antar node
  4. Dapat menjelaskan esensi permutation invariance dalam graph representation learning
 Kriteria:

Non-Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Luring
150 menit
Materi: Graph-structured data and its representation
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.
Materi: GNN applications
Pustaka: L. Wu, P. Cui, J. Pei, and L. Zhao, Eds., Graph Neural Networks: Foundations, Frontiers, and Applications. Singapore: Springer Nature Singapore, 2022. doi: 10.1007/978-981-16-6054-2.		 5%

2

Minggu ke 2
  1. Dapat menjelaskan tahapan pengelolaan data berstruktur graf berorientasi framework CRISP-DM
  2. Dapat mengilustrasikan adopsi framework data umum untuk data berstruktur graf
  1. Dapat menjelaskan tahapan-tahapan mental model CRISP-DM untuk data berstruktur graf
  2. Dapat menyebutkan contoh implementasi tahapan-tahapan mental model dalam kasus-kasus dunia nyata
  3. Dapat merekognisi produk pra-proses algoritma graf untuk sistem cerdas
 Kriteria:

Non-Tes


Bentuk Penilaian :
Aktifitas Partisipasif
Daring
150 menit		 Materi: Graphs for Machine Learning
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 5%

3

Minggu ke 3

Mengenali konsep basis data graf
  1. Dapat mengenali representasi simbol-simbol data dalam basis data graf
  2. Dapat mendemonstrasikan proses query berbahasa Cypher untuk data graf
  3. Dapat mengola data melalui API Cypher dalam Python
 Luring
150 menit
Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 0%

4

Minggu ke 4

Mengenali konsep basis data graf
  1. Dapat mengenali representasi simbol-simbol data dalam basis data graf
  2. Dapat mendemonstrasikan proses query berbahasa Cypher untuk data graf
  3. Dapat mengola data melalui API Cypher dalam Python
 Luring
150 menit
Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 0%

5

Minggu ke 5

Mengenali konsep basis data graf
  1. Dapat mendemonstrasikan proses query berbahasa Cypher untuk data graf
  2. Dapat mengola data melalui API Cypher dalam Python
Daring
150 menit		 Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 0%

6

Minggu ke 6

Mengoperasikan basis data graf
  1. Dapat mendemonstrasikan proses query berbahasa Cypher untuk data graf
  2. Dapat mengola data melalui API Cypher dalam Python
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
150 menit
Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 15%

7

Minggu ke 7
  1. Dapat menjelaskan fundamental algoritme content-based recommendation menggunakan query basis data
  2. Dapat mengimplementasi algoritme content-based recommendation berbasis query
  3. Dapat menganalisis kedekatan konten menggunakan similarity distance
  1. Menjelaskan langkah-langkah dalam algoritme CBR dalam query CYPHER
  2. Mereplikasi langkah-langkah query CYPHER untuk konteks CBR
  3. Menghitung kedekatan konten menggunakan algoritme-algoritme similarity distance
Daring
150 menit		 Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 0%

8

Minggu ke 8
  1. Dapat menjelaskan fundamental algoritme content-based recommendation menggunakan similarity distance
  2. Dapat mengimplementasi algoritme content-based recommendation berbasis similarity distance
  1. Menjelaskan langkah-langkah dalam algoritme CBR dalam query CYPHER
  2. Mereplikasi langkah-langkah query CYPHER untuk konteks CBR
  3. Menghitung kedekatan konten menggunakan algoritme-algoritme similarity distance
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
150 menit
Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.
Materi: CBRS: Approach 2 and 3
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 25%

9

Minggu ke 9
  1. Dapat menjelaskan fundamental algoritme collaborative filtering berjenis memori (memory-based)
  2. Dapat mengimplementasi sistem rekomendasi implisit dengan metadata menggunakan algoritme collaborative filtering
  1. Menjelaskan langkah-langkah dalam algoritme CBR dalam query CYPHER
  2. Mereplikasi langkah-langkah query CYPHER untuk konteks CBR
  3. Menghitung kedekatan konten menggunakan algoritme-algoritme similarity distance
Daring
150 menit		 Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.
Materi: Collaborative Filtering
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 0%

10

Minggu ke 10
  1. Dapat menjelaskan fundamental algoritme collaborative filtering berjenis memori (memory-based)
  2. Dapat mengimplementasi sistem rekomendasi implisit dengan metadata menggunakan algoritme collaborative filtering
  1. Menjelaskan langkah-langkah dalam algoritme CBR dalam query CYPHER
  2. Mereplikasi langkah-langkah query CYPHER untuk konteks CBR
  3. Menghitung kedekatan konten menggunakan algoritme-algoritme similarity distance
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
150 menit
Materi: Graph database Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.
Materi: Collaborative Filtering
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 10%

11

Minggu ke 11
  1. Menjelaskan fundamental graph representation learning
  2. Menjelaskan konsep embedding space dalam pembelajaran mesin
  3. Menjelaskan konsep-konsep dasar dalam Torch Geometric
  1. Menceritakan kembali konsep permutation invariance dalam pembelajaran graf
  2. Mengilustrasikan komputasi graf dalam pembelajaran
  3. Mereplikasi proses penelurusan graf dalam pembelajaran
Daring
150 menit		 Materi: Graph representation learning
Pustaka: L. Wu, P. Cui, J. Pei, and L. Zhao, Eds., Graph Neural Networks: Foundations, Frontiers, and Applications. Singapore: Springer Nature Singapore, 2022. doi: 10.1007/978-981-16-6054-2.		 0%

12

Minggu ke 12
  1. Menjelaskan fundamental graph representation learning
  2. Menjelaskan konsep-konsep dasar dalam Torch Geometric
  1. Mengilustrasikan komputasi graf dalam pembelajaran
  2. Mereplikasi proses penelurusan graf dalam pembelajaran
  3. Mereplikasi proses-proses konvolusi dalam spatial graph
  4. Mereplikasi proses-proses konvolusi dalam spectral graph
  5. Mengenali tipe data dasar Torch Geometric
 Luring
150 menit
Materi: Graph representation learning
Pustaka: L. Wu, P. Cui, J. Pei, and L. Zhao, Eds., Graph Neural Networks: Foundations, Frontiers, and Applications. Singapore: Springer Nature Singapore, 2022. doi: 10.1007/978-981-16-6054-2.
Materi: Neo4J
Pustaka: A. Negro and J. Webber, Graph-powered machine learning. Shelter Island: Manning, 2021.		 5%

13

Minggu ke 13

Menjelaskan konsep dasar node classification dalam pembelajaran graf
  1. Menjelaskan message passing dalam GNN
  2. Mereplikasi perhitungan GNN dalam jejaring message passing
  3. Menjelaskan substansi kerja layers dalam GNN untuk keperluan node classification
 Luring
150 menit
Materi: Message Passing Network
Pustaka: F. Scarselli, M. Gori, Ah Chung Tsoi, M. Hagenbuchner, and G. Monfardini, “The Graph Neural Network Model,” IEEE Trans. Neural Netw., vol. 20, no. 1, pp. 61–80, 2009, doi: 10.1109/TNN.2008.2005605.		 0%

14

Minggu ke 14

Menerapkan konsep node classification dalam pembelajaran graf
  1. Mereplikasi message passing dalam GNN
  2. Mereplikasi perhitungan GNN dalam jejaring message passing
  3. Menerapkan substansi kerja layers dalam GNN untuk keperluan node classification dalam Torch Geometric
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
150 menit
Materi: Message Passing Network
Pustaka: F. Scarselli, M. Gori, Ah Chung Tsoi, M. Hagenbuchner, and G. Monfardini, “The Graph Neural Network Model,” IEEE Trans. Neural Netw., vol. 20, no. 1, pp. 61–80, 2009, doi: 10.1109/TNN.2008.2005605.		 20%

15

Minggu ke 15

Menerapkan konsep node classification dalam pembelajaran graf
  1. Mereplikasi perhitungan GNN dalam jejaring message passing
  2. Menerapkan substansi kerja layers dalam GNN untuk keperluan link prediction dalam Torch Geometric
 Luring
150 menit
Materi: Message Passing Network
Pustaka: F. Scarselli, M. Gori, Ah Chung Tsoi, M. Hagenbuchner, and G. Monfardini, “The Graph Neural Network Model,” IEEE Trans. Neural Netw., vol. 20, no. 1, pp. 61–80, 2009, doi: 10.1109/TNN.2008.2005605.		 0%

16

Minggu ke 16

Menerapkan konsep node classification dalam pembelajaran graf
  1. Mereplikasi perhitungan GNN dalam jejaring message passing
  2. Menerapkan substansi kerja layers dalam GNN untuk keperluan link prediction dalam Torch Geometric
Bentuk Penilaian :
Praktik / Unjuk Kerja		 Luring
150 menit
Materi: Message Passing Network
Pustaka: F. Scarselli, M. Gori, Ah Chung Tsoi, M. Hagenbuchner, and G. Monfardini, “The Graph Neural Network Model,” IEEE Trans. Neural Netw., vol. 20, no. 1, pp. 61–80, 2009, doi: 10.1109/TNN.2008.2005605.		 20%



Rekap Persentase Evaluasi : Case Study

No Evaluasi Persentase
1. Aktifitas Partisipasif 10%
2. Praktik / Unjuk Kerja 90%
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.