Lampiran 2.
Contoh RPS
Logo PTPPV Program Studi Teknik Informatika
1. Identitas Mata Kuliah
Nama Mata Kuliah Data Mining
Kode IF428
Semester Ke 4
Tahun Akademik 2021-2022
Bobot sks 3
Sifat Pengambilan Wajib/Pilihan
Prasyarat Tidak ada
Modalitas (cara) Pembelajaran Tatap muka/Daring/Bauran (blended learning)
Dosen Pengampu Dr. Vokasi, MT.
Tanggal Penyusunan Versi 1 : 25 Oktober 2021
Versi 2 :
Otorisasi Ketua Program Studi:
…………………………..
2. Deskripsi Mata Kuliah
Deskripsi singkat
Pada mata kuliah ini mahasiswa belajar tentang pengantar data mining; data
preprocessing dan Extract, Transform, Load (ETL); asosiasi dan data
mining dengan metode asosiasi; klasifikasi dan data mining dengan metode
klasifikasi; prediksi dan data mining dengan metode prediksi; dan
clustering dan data mining dengan metode clustering.
CPL yang dibebankan pada mata kuliah
S3 berkontribusi dalam peningkatan mutu kehidupan bermasyarakat,
berbangsa, bernegara, dan kemajuan peradaban berdasarkan Pancasila;
S9 menunjukkan sikap bertanggung jawab atas pekerjaan di bidang
keahliannya secara mandiri;
P2 menguasai konsep teoritis data mining, dan data preprocessing;
KU2 mampu menunjukkan kinerja bermutu dan terukur;
KK2 mampu menerapkan konsep data mining, dan data preprocessing;
KK3 mampu melakukan data mining di kasus-kasus dunia nyata berbantuan
tools/software data mining.
Bahan Kajian
1. Pengantar data mining
2. Data preprocessing dan Extract, Transform, Load (ETL)
3. Asosiasi dan data mining dengan metode asosiasi
4. Klasifikasi dan data mining dengan metode klasifikasi
5. Prediksi dan data mining dengan metode prediksi
6. Clustering dan data mining dengan metode clustering
Tujuan Pembelajaran
1. Berkontribusi dalam peningkatan mutu kehidupan bermasyarakat,
berbangsa, bernegara, dan kemajuan peradaban berdasarkan
Pancasila
2. Menunjukkan sikap bertanggung jawab atas pekerjaan di bidang
keahliannya secara mandiri
3. Mampu menjelaskan definisi data mining
4. Mampu menyebutkan fungsi data mining
5. Mampu mengidentifikasi penerapan data mining
6. Mampu menjelaskan definisi data preprocessing
7. Mampu melakukan data preprocessing (data cleaning)
8. Mampu melakukan data preprocessing (data integration)
9. Mampu melakukan data preprocessing (data transformation)
10. Mampu melakukan data preprocessing (data reduction)
11. Mampu melakukan Extract, Transform dan Load (ETL) data
12. Mampu menjelaskan definisi asosiasi
13. Mampu menguraikan alur proses salah satu metode asosiasi (algoritma
Apriori)
14. Mampu menerapkan algoritma apriori pada suatu data
15. Mampu menjelaskan definisi klasifikasi
16. Mampu menguraikan alur proses salah satu metode klasifikasi
(algoritma C4.5)
17. Mampu menerapkan algoritma C4.5 pada suatu data
18. Mampu menjelaskan definisi prediksi
19. Mampu menguraikan alur proses salah satu metode prediksi (regresi
linier)
20. Mampu menerapkan metode regresi linier pada suatu data
21. Mampu menjelaskan definisi clustering
22. Mampu menguraikan alur proses salah satu metode clustering untuk
data numerik (algoritma K-Means)
23. Mampu menguraikan alur proses salah satu metode clustering untuk
data kategori (algoritma K-Modes)
24. Mampu menerapkan algoritma K-Means pada suatu data
25. Mampu menerapkan algoritma K-Modes pada suatu data
3. Rincian tiap sesi pertemuan
Minggu Kemampuan Akhir Bahan kajian Modalitas, Bentuk, Estimasi Pengalaman
Ke Yang Direncanakan Strategi, dan Metode Waktu Belajar
(KAD) Pembelajaran Mahasiswa
(1) (2) (3) (4) (5) (6)
1 Mahasiswa mampu: Pengantar data Modalitas: Kuliah: Mendengarkan
Menganalisis mining & Pembelajaran bauran PB: 1x2x50’ ceramah/
terhadap “Driving perannya dalam (Blended Learning) PT: 1x2x60’ nonton video
Question” proyek: Bentuk: Kuliah dan BM: 1x2x60’ Diskusi dengan
menjelaskan definisi Kontrak Kuliah praktik Client
data mining, PBL Tahap 1: Strategi: Praktik: Diskusi dengan
menyebutkan fungsi Memulai Pembelajaran inkuiri 1x1x170’ mahasiswa
data mining, dan Proyek dan Metode:
mengidentifikasi Menjelaskan Pembelajaran
penerapan data “Driving berbasis proyek
mining. Question” Media: Komputer,
Definisi data dan LCD Projector.
mining Sumber belajar:
Fungsi data Materi dari e-
mining learning:[Link]
Penerapan data [Link]
mining
2-4 Mahasiswa mampu Data Modalitas: Kuliah: Mendengarkan
mengumpulkan dan Preprocessing: Pembelajaran bauran PB: 3x1x50’ ceramah/
mengevaluasi PBL Tahap 2: (Blended Learning) PT: 3x1x60’ nonton video
informasi yang Membangun Bentuk: Kuliah dan BM: 3x1x60’ Diskusi
dibutuhkan untuk pengetahuan, praktik Praktik
membangun proyek pemahaman, Strategi: Praktik:
menjelaskan definisi dan Pembelajaran inkuiri 3x2x170’
data preprocessing, keterampilan Metode:
melakukan data untuk Pembelajaran
preprocessing (data menjawab berbasis proyek
cleaning), “Driving Media: Komputer,
melakukan data Question” dan LCD Projector.
preprocessing (data Definisi Sumber belajar:
integration), Data Materi dari e-
melakukan data preprocessing learning:[Link]
preprocessing (data Data Cleaning [Link]
transformation), Data
melakukan data Integration
preprocessing (data Data
reduction) Transformation
melakukan data Data Reduction
Extract, Data Extract,
Transform dan Load Transform, dan
(ETL). Load (ETL).
5-7 Mahasiswa mampu Asosiasi: Modalitas: Kuliah: Mendengarkan
menggunakan PBL Tahap 3. Pembelajaran bauran PB: 3x1x50’ ceramah/
metode/fungsi Membangun (Blended Learning) PT: 3x1x60’ nonton video
menjelaskan definisi dan Bentuk: Kuliah dan BM: 3x1x60’ Diskusi
asosiasi, Merevisi Ide praktik Praktik
menguraikan alur dan Strategi: Praktik:
proses salah satu Produk dan Pembelajaran inkuiri 3x2x170’
metode asosiasi Menjawab Metode:
(algoritma apriori) "Driving Pembelajaran
menerapkan Question" berbasis proyek
algoritma apriori Definisi Media: Komputer,
pada suatu data [C3]. Asosiasi dan LCD Projector.
Algoritma Sumber belajar:
Apriori Materi dari e-
learning:[Link]
[Link]
8-9 Mahasiswa mampu Klasifikasi: Modalitas: Kuliah: Mendengarkan
menjelaskan definisi Definisi Pembelajaran bauran PB: 2x1x50’ ceramah/
klasifikasi, Klasifikasi (Blended Learning) PT: 2x1x60’ nonton video
menguraikan alur Algoritma C4.5 Bentuk: Kuliah dan BM: 2x1x60’ Diskusi
proses salah satu praktik Praktik
metode klasifikasi Strategi: Praktik:
(algoritma C4.5). Pembelajaran inkuiri 2x2x170’
menerapkan Metode:
algoritma C4.5 pada Pembelajaran
suatu data. berbasis proyek
Media: Komputer,
dan LCD Projector.
Sumber belajar:
Materi dari e-
learning:[Link]
[Link]
10-11 Mahasiswa mampu Prediksi: Modalitas: Kuliah: Mendengarkan
menjelaskan definisi Definisi Pembelajaran bauran PB: 2x1x50’ ceramah/
prediksi, Prediksi (Blended Learning) PT: 2x1x60’ nonton video
menguraikan alur Regresi Linier Bentuk: Kuliah dan BM: 2x1x60’ Diskusi
proses salah satu praktik Praktik
metode prediksi Strategi: Praktik:
(regresi linier), dan Pembelajaran inkuiri 2x2x170’
menerapkan metode Metode:
regresi linier pada Pembelajaran
suatu data. berbasis proyek
Media: Komputer,
dan LCD Projector.
Sumber belajar:
Materi dari e-
learning:[Link]
[Link]
12-14 Mahasiswa mampu Clustering: Modalitas: Kuliah: Mendengarkan
menjelaskan definisi Definisi Pembelajaran bauran PB: 3x1x50’ ceramah/
clustering, Clustering (Blended Learning) PT: 3x1x60’ nonton video
menguraikan alur Algoritma K- Bentuk: Kuliah dan BM: 3x1x60’ Diskusi
proses salah satu Means praktik Praktik
metode clustering Algoritma K- Strategi: Praktik:
untuk data numerik Modes Pembelajaran inkuiri 3x2x170’
(algoritma K-Means), Metode:
menerapkan Pembelajaran
algoritma K-Means berbasis proyek
pada suatu data, Media: Komputer,
menguraikan alur dan LCD Projector.
proses salah satu Sumber belajar:
metode clustering Materi dari e-
untuk data kategori learning:[Link]
(algoritma K-Modes) [Link]
menerapkan
algoritma K-Modes
pada suatu data
Keterangan:
PB: Proses Belajar
PT: Penugasan Terstruktur
BM: Belajar Mandiri
4. Indikator Penilaian (KRITERIA, INDIKATOR, BOBOT.)
Kriteria penilaian:
Menunjukkan pengetahuan tentang aspek inti permasalahan dengan mengidentifikasi secara detail apa
yang perlu diketahui untuk menjawabnya dan mempertimbangkan berbagai kemungkinan sudut pandang
terhadap permasalahan
Mengajukan pertanyaan tindak lanjut yang fokus atau memperluas pertanyaan, jika perlu mengajukan
pertanyaan lanjutan untuk mendapatkan pemahaman terhadap keinginan dan kebutuhan audiens atau
pengguna produk
Ketepatan dalam identifikasi data mining untuk pengerjaan proyek
Mengintegrasikan informasi yang relevan dan memadai untuk menjawab “Driving Question”, yang
dikumpulkan dari berbagai sumber dan beragam
Menilai kualitas informasi secara menyeluruh (mempertimbangkan kegunaan, keakuratan, dan
kredibilitas; membedakan fakta vs. opini; mengenali bias)
Ketepatan dalam melakukan data preprocessing dalam proyek PBL yang dikerjakan.
Pendefinisian metode dan pengunaan metode sesuai dengan kasus yang dihadapi
Ketepatan penggunaan asosiasi dalam proyek PBL yang dikerjakan.
Ketepatan penggunaan konsep klasifikasi dalam proyek PBL yang dikerjakan
Ketepatan penggunaan konsep prediksi dalam proyek PBL yang dikerjakan
Ketepatan penggunaan konsep clustering dalam proyek PBL yang dikerjakan
Indikator penilaian:
Critical thinking (learning skills) rubric for PBL
Ketepatan dan kebenaran penjelasan definisi data mining
Ketepatan dan kebenaran penyebutan fungsi data mining
Ketepatan dan kebenaran pengidentifikasian penerapan data mining
Ketepatan dan kebenaran pendefinisian data preprocessing
Ketepatan pengolahan data preprocessing (data cleaning)
Ketepatan pengolahan data preprocessing (data integration)
Ketepatan pengolahan data preprocessing (data transformation)
Ketepatan pengolahan data preprocessing (data reduction)
Ketepatan melakukan Extract, Transform dan Load (ETL) data
Ketepatan penggunaan metode/ fungsi
Ketepatan pendefinisian asosiasi
Ketepatan dan kebenaran dalam penguraian alur proses alah satu metode asosiasi (algoritma apriori)
Ketepatan penerapan apriori pada suatu data
Ketepatan dan kebenaran pendefinisian klasifikasi
Ketepatan dan kebenaranpenguraian alur proses salah (algoritma C4.5)
Ketepatan dan kebenaran penerapan algoritma C4.5 pada suatu data
Ketepatan dan kebenaran pendefinisian prediksi
Ketepatan dan kebenaran penguraian alur proses salah satu metode prediksi (regresi linier)
Ketepatan dan kebenaran penerapan metode regresi linier pada suatu data
Ketepatan dan kebenaran pendefinisian clustering [C2],
Ketepatan penguraian alur proses salah satu metode clustering untuk data numerik (algoritm KMeans)
Ketepatan penerapan algoritma K-Means pada suatu data
Ketepatan penguraian alur proses salah satu metode clustering untuk data kategori (algoritma K-Modes)
Ketepatan penerapan algoritma K-Modes pada suatu data
Bobot penilaian:
Penilai Komponen Penilaian Bobot
Dosen Pengampu Mata kuliah Literacy skills:
(60%) [Link] 3%
[Link] 2%
[Link] 5%
Presentasi 15%
Laporan 15%
Mata kuliah khusus 20%
Manajer Proyek Learning skills:
(40%) a. critical thinking 10%
b. creativity 10%
c. collaboration 5%
d. communication 5%
Life skills:
a. flexibility 2%
b. leadership 2%
c. initiative 2%
d. productivity 2%
e. social skills 2%
5. Sistem Penilaian dan Evaluasi
Metode evaluasi:
1. Tugas Berupa laporan proyek individu dan laporan proyek tim yang dikumpulkan setiap minggu
sesuai jobdesk yang telah ditentukan.
2. Presentasi progress/Quiz mingguan/Benchmark & reflection Secara berkala dilaksanakan
benchmark & reflection yang mengharuskan setiap tim mempresentasikan progress pekerjaan proyek.
Evaluasi dilakkan melalui diskusi dan tanya jawab serta penilaian menggunakan rubrik presentasi.
3. Presentasi laporan perancangan Presentasi dan demonstrasi produk yang dihasilkan melalui
pembelajaran berbasis proyek bisa dijadikan pengganti UTS.
4. Presentasi laporan & produk akhir Presentasi dan demonstrasi produk yang dihasilkan melalui
pembelajaran berbasis proyek bisa dijadikan pengganti UAS.
5. Asesmen tengah semester/UTS mengukur pengetahuan/pemahaman terhadap konsep pertemuan
1-7. Bentuk soal essay.
6. Asesmen akhir semester/UAS mengukur pengetahuan/pemahaman terhadap konsep pertemuan
1-14. Bentuk soal pilihan ganda.
*Catatan: 1 semester = 16 minggu termasuk UTS & UAS (syarat minimal)
Konversi nilai:
Konversi nilai angka menjadi nilai huruf menggunakan kriteria sesuai dengan peraturan akademik yang
berlaku sebagai berikut:
Nilai Angka Nilai Huruf
>85 A
80 - 84 A-
75 - 79 B+
70 - 74 B
65 - 69 B-
60 - 64 C+
55 - 59 C
50 - 54 C-
45 - 49 D+
40 - 44 D
<40 E
6. Referensi
[1]. Han, J., Kamber, M. 2006. Data Mining: Concepts and Techniques, 2nd edition, Morgan Kaufmann: San
Fransisco.
[2]. Ian, H., Witten, Frank, E. 2005. Data Mining: Practical Machine Learning Tools and Techniques, Morgan
Kaufmann: San Fransisco.
7. Informasi Tambahan
Pelaksanaan mata kuliah ini menggunakan metode pembelajaran berbasis proyek dengan proyek yang berkaitan
pembangunan sistem/aplikasi/website di Program Studi Teknik Informatika: