NAMA FAKULTAS: SAINS DAN TEKNOLOGI

NAMA PRODI: TEKNIK INDUSTRI

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH: KODE MATA RUMPUN BOBOT (SKS): SEMESTER: TANGGAL PENYUSUNAN:
KULIAH: MATA KULIAH:
Big Data PIN1436 2 IV 01/05/2020
OTORISASI DOSEN PENGEMBANG RPS: KOORDINATOR RMK: Ka Prodi

Muhammad Rizki, MT., MBA Fitra Lestari Norhiza, Ph.D

NIP. 19870708 201903 1 014 NIP. 19851606 201101 1 016
CAPAIAN CAPAIAN CPL 2 : Mampu mengidentifikasi, memformulasikan dan menganalisis masalah rekayasa kompleks pada
PEMBELAJARAN PEMBELAJARA sistem terintegrasi berdasarkan pendekatan analitik, komputasional atau eksperimental.
N PRODI CPL 8 : Menguasai prinsip dan teknik perancangan sistem terintegrasi dengan pendekatan sistem dan nilai-
nilai keislaman
CAPAIAN 1. Mahasiswa memiliki pengetahuan yang cukup mengenai Big Data dan penerapannya nya
PEMBELAJARA 2. Mampu membuat model deskripsi dan prediksi menggunakan data yang tersedia
N MATA 3. Setelah menyelesaikan mata kuliah ini, mahasiswa diharapkan dapat mengerti konsep Big Data, peranan
KULIAH Big Data untuk memenangkan persaingan pada era industrial 4.0

DESKRIPSI SINGKAT MATA Mata kuliah Big Data mencakup konsep analisis Big Data, termasuk konsep 10 V( Volume, Velocity, Variety,
KULIAH: Variability, Veracity, Validity, Vulnerability, Volatility, Visualization, Value), kemudian terdapat analisis prediktif,
tanpa adanya kendala dari besarnya data yang diolah. Teknologi penyimpanan Big Data berupa Distributed File
Sistem (Sistem File yang terdistribusi)/DFS, dimana setiap file mempunyai cadangan berupa duplikasi file terhadap
dirinya sendiri berupa chunk file, sehingga kehilangan data dapat ditanggulangi. Teknologi DFS tersebut sudah
banyak ditemui pada teknologi Big Data, diantaranya diterapkan pada HDFS (Hadoop Distributed File System) dan
GDFS (Google Distributed File System)
MATERI 1. Pengantar tentang Big Data
PEMBELAJARAN/POKOK 2. Framework Big Data
BAHASAN 3. Data Analytics
4. Manajemen Big Data
5. Data mining
6. Privacy dan security Big Data
PUSTAKA UTAMA
1. . J. Lescovec, A. Rajaraman, and J. Ullman, “Mining of Massive Datasets”. [online]. available: http://
[Link]/
2. H. Cuesta, Practical Data Analysis. Birmingham: Packt Publishing, Ltd, 2013.
3. V. Mayer-Schonberger and K. Cukier, Big Data: A Revolution That Will Transform How We Live, Work.
4. Sudeep Tanwar , Sudhanshu Tyagi and Neeraj Kumar, “Multimedia Big Data Computing for IoT Applications”,
Springer, 2020
PENDUKUN
G

MEDIA PEMBELAJARAN  OS : MS Windows

 MS Office Power Point
 MS Windows Media Player
 Internet Explorer / Firefox
 Notebook PC
 LCD Projector
 White board
TEAM TEACHING 1. Muhammad Rizki, MT., MBA
2.
MATA KULIAH SYARAT
MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
1, 2 Mahasiswa Mampu 1. Mahasiswa mampu Kemampuan Ceramah 1. Pendahuluan 5%
Memahami mengungkapkan fenomena, mahasiswa dalam Diskusi 2. Latar belakang
fenomena, framework, peluang, dan tantangan menjelaskan setiap kemunculan data
framework, peluang Big Data pertanyaan pada yang berlimpah
dan tantangan 2. Mahasiswa mampu Membedakan diskusi (Human,Social and
berhubungan dengan kompleksitas masalah Big Data dan Internet of Things)
Big Data non Big Data 3. Sifat Big Data
4. Kompleksitas Big
Data
5. Framework Big Data
6. Studi kasus e
3 Mahasiswa 1. Mahasiswa mampu melakukan Mahasiswa mampu Ceramah 1. Proses koleksi data 5%
memahami konsep, proses koleksi data untuk mempunyai Diskusi internal dan data
teori, framework Big 2. Mahasiswa mampu menetapkan jawaban tidak crawling dari Internet
Data dalam mengklasifikasikan jenis jenis tunggal, terdapat 2. Pembagian perlakuan
data beberapa jenis terhadap data
3. Mahasiswa memahami terhadap jawaban / solusi / tergantung jenis
sistem kompleks yang dibentuk oleh model sesuai dengan data: High
data (non singular solution) kompleksitas data itu Dimensional Data,
sendiri Network Data, Text
Data (Sentiment
Analysis),
3. Structured vs
UnStructured Data

4,5 Mahasiswa mampu 1. Mahasiswa mampu mengambil Mahasiswa mampu Ceramah 1. Pengenalan 5%
mencari Pattern dan kesimpulan dari data Mencari hubungan Diskusi transformasi data,
Insight dari data 2. Mahasiswa mampu mencari pattern atau pattern antara melihat data dalam
dari data kompleks data dan peristiwa berbagai media dan
3. Mahasiswa memahami konsep aktual yang sedang format (grafik)
graph database terjadi, contoh 2. Penjelasan fenomena
MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
penyebaran penyakit dalam bentuk
dan data data representasi data dan
statistik lainnya grafik
3. Mencari hubungan
antar data random
(korelasi)
4. Melihat prediksi dan
kecenderungan dari
data di masa depan
5. Pengenalan graph
database (vs
database
konvensional)
sebagai platform data
yang mendukung
fenomena data
analytics pada
problem dunia nyata

6 Mahasiswa Mampu 1. Mahasiswa memahami konsep Mahasiswa ceramah Diskusi 1. Pengenalan tentang 5%
Menjelaskan dan algoritma pada Big Data Memahami cara kerja algoritma secara
memahami peran 2. Mahasiswa memahami konsep facebook atau google umum dan algoritma
algoritma dalam kompleksitas pada Big Datadengan dalam mengolah data yang berhubungan
manajemen Big Data demand management dalam skala besar dengan data secara
dan masalah 3. Mahasiswa memahami konsep (Big Data) dari segi khusus
kompleksitas optimasi / trade-off antara algoritma maupun 2. Pengenalan teori
pengaturan serta kecepatan pemrosesan dan kompleksitas sistem kompleksitas
perhitungan Big Data kompleksitas data 3. Pengenalan
optimasi / tradeoff
antara kompleksitas
dan kecepatan
MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
pemrosesan data
4. Pemahaman
exponential growth
dan contoh contoh
dunia nyata
5. Strategi / Cara untuk
mereduksi
kompleksitas data
7,8 Memahami 1. Mahasiswa mampu memahami Mahasiswa mampu Ceramah 1. Konsep Social 5%
fenomena konsep dan metodologi Social Mencari data Social Diskusi Network Analysis
‘Networked Data’, Network Analysis Network melalui 2. Metodologi
contoh 2. Mahasiswa mampu membuat crawling ataupun permodelan Social
implementasi, model, interpretasi metrik dan dataset yang Network berdasarkan
peluang dan visualisasi tersedia, membuat teori graf
tantangan ‘social 3. Mahasiswa mampu model, membuat 3. Metric untuk
network for mengoperasikan software untuk visualisasi, kuantifikasi Social
business’ aktivitas metode Social Network menghitung metrik, Network
Analysis dan 4. Model generator
mengintepretasikan Social Network
hasil yang di peroleh 5. Small World dan
Preferential
Attachment
6. Social Network dalam
percakapan pada
media social
7. Pemakaian software
untuk kuantifikasi
dan visualisasi Social
Network

9 Ujian Tengah Semester (UTS) 25 %

MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
10,11 Mahasiswa 1. Mahasiswa memahami data mining, Mahasiswa mampu Ceramah 1. Pemahaman Simulasi 5%
Memahami konsep konsep pencarian pattern dan melakukan simulasi Diskusi Data sebagai
memodelkan insight dari data Monte Carlo, penjelasan fenomena
fenomena dari data, 2. Mahasiswa mampu melakukan membuat training dunia nyata. Melihat
prediksi dari data simulasi suatu peristiwa dengan dan test data Data lebih dalam dari
dan konsep data data hanya sekedar
mining rumus. Melihat
hubungan kompleks
antar data
2. Pengenalan simulasi
Monte Carlo sebagai
salah satu contoh
metode simulasi
3. Memperkenalkan
konsep Training Data
dan Test Data
4. Pengenalan
metodologi, model
dan algoritma pada
aktivitas Data Mining
5. Pengenalan konsep
Machine Learning

12 Mahasiswa 1. Mahasiswa mampu memahami Mahasiswa mampu Ceramah 1. Tujuan metode 5%

memahami konsep konsep hubungan antar data mencari korelasi dari Diskusi regresi
Data Mining : Regresi 2. Mahasiswa mampu memahami cara data, membuat 2. Regresi linear dan
kerja metode / algoritma regresi model regresi, non-linear
3. Mahasiswa mampu menggunakan melihat jenis jenis 3. Least Square
software data mining data untuk algoritme Regression, Logistic
regres Regression
4. Penggunaan software
MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
R / Weka / Orange
untuk pengolahan
model regresi

13 Mahasiswa 1. Mahasiswa mampu memahami Mahasiswa mampu Ceramah 1. Definisi dan 5%

memahami konsep konsep pengelompokan data membuat model Diskusi perbedaan klasifikasi
Data Mining : berdasarkan konteks yang klasifikasi dan dengan klastering
Klasifikasi dan ditentukan klastering, 2. Algoritma /
Klastering 2. Mahasiswa mampu memahami implementasi kasus Metodologi pada
kesamaan dan perbedaaan klasfifikasi dan klasifikasi : decision
algoritma / metode klasifikasi dan klastering pada tree, dll
klastering persoalan bisnis 3. Algoritma /
3. Mahasiswa mampu Kemampuan dunia nyata Metodologi pada
menggunakan software data mining klastering : k-means,
hirarki, dll
4. Aplikasi klasifikasi
dan klastering (Studi
Kasus bisnis :
segmentasi pasar)
5. Penggunaan software
R / Weka / Orange
untuk pengolahan
model klasifikasi dan
klastering
14 Mahasiswa 1. Mahasiswa memahami konsep co- Mahasiswa mampu Ceramah 1. Definisi dan konsep 5%
memahami konsep occurence data, frequent itemsets, Membuat model Diskusi asosiasi data : co-
Data Mining : sequential pattern asosiasi data occurence data,
Association Rules 2. Mahasiswa dapat membuat model menggunakan data frequent itemsets,
Mining asosiasi data set dari masalah sequential pattern
3. Mahasiswa dapat menggunakan masalah dunia nyata 2. Pengukuran asosiasi
software data mining data menggunakan
MINGGU SUB CP MK (SEBAGAI INDIKATOR KRITERIA DAN METODE MATERI PEMBELAJARAN BOBOT
KE KEMAMPUAN AKHIR BENTUK PENILAIAN PEMBELAJARAN PENILAIAN
YANG DIHARAPKAN)
(1) (2) (3) (4) (5) (6) (7)
support, confidence
dan lift
3. Contoh / studi kasus
bisnis untuk model
asosiasi data
4. Penggunaan software
R / Weka / Orange
untuk pengolahan
model asosiasi data
15 Mahasiswa 1. Mahasiswa mampu Mahasiswa Ceramah 1. Tantangan pada
memahami mengidentifikasi peluang dan memahami Diskusi privacy dan
tantangan dan tantangan Big Data dalam hal tantangan dan security Big Data
Peluang Big Data security dan privacy, komputasi peluang Big Data 2. Tantangan
pada dunia nyata komputasi data
besar, tidak
terstruktur dan
streaming
3. Identifikasi
peluang Big Data
untuk masalah
masalah bisnis
16 Ujian Akhir Semester (UAS) 30 %