Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Sistem Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Analisis Big Data

5720103154

Mata Kuliah Pilihan Program Studi

T=3

P=0

ECTS=4.77

4

20 Februari 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Monica Cinthya, S.T., M.Kom.


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


I KADEK DWI NURYANA

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

Mampu menjelaskan konsep, karakteristik (5V), arsitektur, metode, dan tahapan pengolahan Big Data serta keterkaitannya dengan data mining dan visualisasi data dalam konteks sistem informasi.

PO - 2

Mampu mengimplementasikan teknik pengelolaan dan analisis data skala besar menggunakan tools Big Data untuk menghasilkan informasi yang mendukung kebutuhan bisnis.

PO - 3

Mampu menganalisis dan mengevaluasi hasil pengolahan Big Data guna memberikan rekomendasi pengambilan keputusan

Matrik PLO-PO
 
POPLO-12PLO-15
PO-1✔ 
PO-2 ✔
PO-3 ✔

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

Deskripsi Singkat Mata Kuliah

Mata kuliah Analisis Big Data membahas konsep, karakteristik (5V), arsitektur, dan teknologi pengolahan data berskala besar. Mahasiswa mempelajari pemrosesan data terdistribusi menggunakan framework seperti Hadoop dan Apache Spark, serta penerapannya dalam analitik data untuk mendukung pengambilan keputusan berbasis data pada sistem informasi. Pembelajaran dilakukan melalui teori dan praktik (hands-on) agar mahasiswa mampu memahami, mengelola, dan menganalisis data skala besar secara efektif.

Pustaka

Utama :

  1. Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley
  2. White, T. (2015). Hadoop: The Definitive Guide. O'Reilly Media
  3. Schmidt, A. G. (2016). Streaming Data: Understanding the Real-Time Pipeline. O'Reilly Media.
  4. Loshin, D. (2013). Big Data Analytics: From Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph. Elsevier.
  5. Marz, N., & Warren, J. (2015). Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Manning Publications.

Pendukung :

Dosen Pengampu

Dr. Raden Roro Hapsari Peni Agustin Tjahyaningtijas, S.Si., M.T.

Monica Cinthya, 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
  1. Mahasiswa mampu menjelaskan konsep dasar Big Data dan perbedaannya dengan sistem pengolahan data tradisional.
  2. Mahasiswa mampu mengidentifikasi dan menjelaskan karakteristik Big Data (5V).
  3. Mahasiswa mampu menjelaskan tahapan umum pengolahan Big Data (data acquisition, storage, processing, dan visualization).
  1. Mahasiswa dapat menyebutkan minimal 3 perbedaan antara Big Data dan pengolahan data tradisional.
  2. Mahasiswa mampu mengklasifikasikan contoh kasus ke dalam karakteristik 5V yang sesuai.
  3. Mahasiswa mampu membuat diagram sederhana alur pengolahan Big Data.
 Kriteria:

Partisipasi


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, diskusi partisipatif
3x50		 Diskusi daring
3x50		 Materi: Konsep dasar big data seperti volume, variety, velocity, dan veracity serta karakteristiknya.
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 2%

2

Minggu ke 2

Memahami teori dan framework dari analisis big data

  1. Memahami bagaimana proses koleksi data
  2. Mampu mengklasifikasi jenis jenis data
  3. Mampu memahami sistem kompleks yang dibentuk oleh data (non singular solution)
 Kriteria:

Partisipasi


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah, diskusi partisipatif
3 X 50		 Diskusi daring
3 X 50		 Materi: Konsep dasar big data seperti volume, variety, velocity, dan veracity serta karakteristiknya.
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 3%

3

Minggu ke 3

Memahami teori dan framework dari analisis big data

  1. Memahami bagaimana proses koleksi data
  2. Mampu mengklasifikasi jenis jenis data
  3. Mampu memahami sistem kompleks yang dibentuk oleh data (non singular solution)
 Kriteria:

Partisipasi


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, diskusi partisipatif
3 X 50		 Diskusi daring
3 X 50		 Materi: Konsep dasar big data seperti volume, variety, velocity, dan veracity serta karakteristiknya.
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 3%

4

Minggu ke 4

Memahami pola data dan dapat mengambil pengetahuan dari data
  1. Mampu mempelajari pola data
  2. Mampu mengambil kesimpulan dari suatu data
 Kriteria:

Partisipatif


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Ceramah, Diskusi, Latihan Studi Kasus
3 X 50		 Ceramah, Diskusi, Latihan Studi Kasus
3 X 50		 Materi: Konsep pemrosesan data termasuk batch processing dan stream processing.
Pustaka: Smith, D. M. (2014). Data Processing and Analysis. Wiley.		 5%

5

Minggu ke 5

Mahasiswa mampu mengetahui dan memahami konsep dasar Framework Hadoop
  1. Mampu menjelaskan tahapan dalam siklus hidup analisisi big data dari pengumpulan hingga visualisasi dan interpretasi
  2. Dapat memahami dan menerapkan teknik pemrosesan data batch
 Kriteria:

Partisipatif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Ceramah, Diskusi
3 X 50		 Mendefinisikan Framework Hadoop dalam big data
3 X 50		 Materi: Siklus hidup analisis big data dan teknik pemrosesan data secara batch seperti MapReduce
Pustaka: Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.		 3%

6

Minggu ke 6

Mampu memahami dan menerapkan teknik pengumpulan data secara real-time

Mahasiswa mampu menerapkan teknologi big data untuk pengumpulan data dari berbagai sumber

 Kriteria:

Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Praktek melakukan crawling atau scrapping data
3 X 50		 Praktek melakukan crawling atau scrapping data
3 X 50		 Materi: Data Collection
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 5%

7

Minggu ke 7

Mahasiswa mampu memproses pengumpulan data menggunakan teknik scrapping dari berbagai sumber data

Mampu memahami data yang telah dikumpulkan dengan teknik scrapping

 Kriteria:

Partisipatif


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Praktek data collection
3 X 50		 Praktek data collection
3 X 50		 Materi: Data Collection
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 5%

8

Minggu ke 8

Ujian Tengah Semester
  1. Mampu menjelaskan setiap langkah dalam project UTS
  2. Menerapkan prinsip dan teknologi big data pada studi kasus yang dipilih
  3. Menerapkan minimal 2 dari 5 kriteria big data
 Kriteria:

Partisifatif


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Tes		 Presentasi Project UTS
3 X 50		 Presentasi Progress Tugas Besar
3 X 50		 Materi: UTS
Pustaka: 		25%

9

Minggu ke 9

Mampu memahami dan menjelaskan kosep clustering dan teknik-teknik clustering seperto K-Means dan DBSCAN dalam analsiis big data
  1. Dapat menjelaskan konsep dasar clustering dan perbedaannya dengan supervised learning
  2. Mampu memahami dan menerapkan algoritma K-Means dan DBSCAN untuk clustering data dalam jumlah besar
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Praktik / Unjuk Kerja		 Melakukan praktikum untuk mempelajari teknik clustering
3 X 50		 Melakukan latihan tentang teknik clustering, serta mengerjakan tugas implementasi teknik clustering pada dataset.
3 X 50		 Materi: Konsep clustering dan teknik seperti K-Means, DBSCAN, serta aplikasi dan algoritma lain dalam clustering.
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.		 4%

10

Minggu ke 10

Big Data di Python: Text Analysis, Exploring Socmed Sentiment Analysis and the Weather

Mampu memahami eksplorasi big data menggunakan bahasa python

 Kriteria:

Partisifatif


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, Diskusi
3 X 50		 Ceramah, Diskusi
3 X 50		 Materi: Teknik pengurangan dimensi seperti Principal Component Analysis (PCA) dan t-Distributed Stochastic Neighbor Embedding (t-SNE).
Pustaka: Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.		 3%

11

Minggu ke 11

Mampu memahami dan menjelaskan konsep dasar text analytics dan berbagai tekniknya dalam analiis data teks

Mampu memahami dan menjelaskan konsep text analytics dan pentingnya analisis dalam big data

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Menerapkan teknik text analytics pada data teks
3 X 50		 Melakukan praktikum tentang text analytics
3 X 50		 Materi: Konsep text analytics dan teknik seperti term frequency-inverse document frequency (TF-IDF), dan topic modeling
Pustaka: Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.		 4%

12

Minggu ke 12

Mampu memahami dan menerapkan sentiment analysis pada data teks
  1. Mampu memahami dan menjelaskan konsep sentiment analisis dan metode yang digunakan
  2. Ketepatan mahasiswa dalam menerapkan sentiment analysis untuk mengidentifikasi opini public dari data teks
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melakukan raktikum tentang sentiment analysis
3 X 50		 Melakukan praktikum tentang sentiment analysis
3 X 50		 Materi: Teknik sentiment analysis dan penerapannya dalam menganalisis data teks.
Pustaka: Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool.		 3%

13

Minggu ke 13

Mampu memahami dan menjelaskan konsep dan algorotma supervised learning
  1. Mampu memahami dan menjealskan konsep supervised learning dan perbedaannya dengan usupervised learning
  2. Ketepatan mahassiwa dalam menjelaskan algoritma
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Melakukan diskusi tentang supervised learning dan menganalisis serta mengimplementasikan algoritma supervised learning
3 X 50		 Melakukan diskusi tentang supervised learning
3 X 50		 Materi: Konsep dan algoritma dalam supervised learning seperti regresi linear, decision trees, dan SVM.
Pustaka: Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press.		 2%

14

Minggu ke 14

Mampu memahami osep dan algoritma unsupervised learning

Mampu menjelaskan konsep unsupervised learning dan dapat menjelaskan algoritma clustering dan ssociation rules dalam konteks big data

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Melakukan diskusi tentang unsupervised learning
3 X 50		 Melakukan diskusi tentang unsupervised learning
3 X 50		 Materi: Konsep dan algoritma dalam unsupervised learning seperti clustering dan dimensionality reduction.
Pustaka: Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.		 2%

15

Minggu ke 15

Mampu memahami dan menganalisisi dan memilih algoritma yang sesuai untuk jenis masalah dalam analisis big data
  1. Mampu menganalisis masalah data daan memilih algoritma yang sesuai berdasarkan karasteristik data
  2. Ketepatan mahasiswa dalam mengevaluasi performa algoritma yan dipilih dan memberikan alasan utuk penggunaannya
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Mengerjakan studi kasus untuk menganalisis algoritma yang sesuai dengan masalah big data dan memilih algoritma untuk kasus yang diberikan.
3 X 50		 Mengerjakan studi kasus untuk menganalisis algoritma yang sesuai untuk masalah big data dan memilih algoritma.
3 X 50		 Materi: Analisis dan pemilihan algoritma berdasarkan jenis masalah dalam big data.
Pustaka: Marz, N., & Warren, J. (2015). Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Manning Publications.		 6%

16

Minggu ke 16

Mahasiswa mampu mempresentasikan tugas akhir Big Data

  1. Mampu menjelaskan arsitektur big data berdasarkan studi kasus yang dipilih
  2. Menghasilkan informasi berdasarkan data yang telah dikumpulkan
  3. Menerapkan algoritma machine learning untuk pemrosesan data
 Kriteria:

Partisifatif


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 UAS
3 X 50		 UAS
3 X 50		 Materi: UAS
Pustaka: 		30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 21.83%
2. Penilaian Hasil Project / Penilaian Produk 57.83%
3. Praktik / Unjuk Kerja 15%
4. Tes 10.33%
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.