UNIVERSITAS TEKNIK DR. A.P.J.

ABDUL KALAM LUCKNOW

SKEMA EVALUASI & SILABUS

UNTUK
B. TECH. TAHUN KETIGA

Rekayasa Komputer dan Teknologi Informasi

Ilmu Komputer dan Teknologi Informasi
Teknologi Informasi
(TI dan CSI)

Pada

Sistem Kredit Berbasis Pilihan

(Berlaku mulai Sesi: 2020-21)

DR. A.P.J. ABDUL KALAM TECHNICAL UNIVERSITY,

UTTAR PRADESH, LUCKNOW

STRUKTUR KURIKULUM [Link] (TEKNOLOGI INFORMASI DAN CSI)

Kurikulum & Skema Evaluasi IT & CSI (semester V & VI) 1
 SEMESTER-V

Sl. Subjek Subjek Periode Skema Evaluasi Akhir Total Credit

Tidak. Semester

Kode L T P CT TA Total PS TE PE

1 KCS501 Manajemen Basis Data 3 1 0 30 20 50 100 150 4

Sistem

2 KIT501 Teknologi Web 3 1 0 30 20 50 100 150 4

3 KCS503 Desain dan Analisis dari 3 1 0 30 20 50 100 150 4

Algoritma

4 Deptt- Pemilihan Departemen-I 3 0 0 30 20 50 100 150 3

Pemilihan-I

5 Deptt.- Elekstif Departemen-II 3 0 0 30 20 50 100 150 3

Pilihan-II

6 KCS551 Manajemen Basis Data 0 0 2 25 25 50 1

Laboratorium Sistem

7 KIT551 Lab Teknologi Web 0 0 2 25 25 50 1

8 KCS553 Desain dan Analisis 0 0 2 25 25 50 1

Laboratorium Algoritma

9 KCS554 Proyek Mini atau Magang 0 0 2 50 50 1

Penilaian*

10 Konstitusi India, Hukum 2 0 0 15 10 25 50

KNC501/ dan Rekayasa /
KNC502 Tradisi, Budaya dan
Masyarakat
11 MOOCs (Esensial untuk
Gelar Hons.

Total 17 3 8 950 22

Mini Proyek atau magang (4 minggu) dilakukan selama liburan musim panas setelah semester IV dan akan dinilai selama
Semester V.

SEMESTER-VI

Sl. Subjek Periode Skema Evaluasi End Total Credit

[Link] Semester

Kode L T P CT TA Total PS TE PE

1 KCS601 Rekayasa Perangkat Lunak 3 1 0 30 20 50 100 150 4

Kurikulum & Skema Evaluasi TI & CSI (Semester V & VI) 2

 2 KIT601 Analisis Data 3 1 0 30 20 50 100 150 4

3 Jaringan Komputer KCS603 3 1 0 30 20 50 100 150 4

4 Departemen- 3 0 0 30 20 50 100 150 3

Pemilihan Departemen-III
Pilihan
III
5 Pemilihan Terbuka-I 3 0 0 30 20 50 100 150 3

6 Laboratorium Rekayasa Perangkat Lunak KCS651 0 0 2 25 25 50 1

7 KIT651 Laboratorium Analisis Data 0 0 2 25 25 50 1

8 Laboratorium Jaringan Komputer KCS653 0 0 2 25 25 50 1

9 Undang-Undang Konstitusi India dan 2 0 0 15 10 25 50

KNC601/ Rekayasa
KNC602 Tradisi dan Budaya India
Masyarakat
10 MOOCs (Esensial untuk Hons.)
Gelar)

Total 0 3 6 900 21

Pemilihan Departemen-I
1. KIT-051 Komputasi Statistik
2. KIT-052 Desain Kompiler
3. KCS-053 Grafik Komputer
4. KCS-054 Desain Sistem Berorientasi Objek

Pemilihan Departemen-II
5. KCS-055 Teknik Pembelajaran Mesin
6. KCS-056 Penerapan Komputasi Lunak
7. KCS-057 Realitas Tertambah & Realitas Virtual
8. KCS-058 Antarmuka Manusia Komputer

Pemilihan Departemen-III
1. KCS-061 Big Data
2. KCS-062 Pemrosesan Citra
3. KIT -061 Desain Arsitektur Blockchain
4. KCS-064 Kompresi Data

Kurikulum & Skema Evaluasi IT & CSI (Semester V & VI) 3

 Data Besar (KCS-061)

Course Outcome ( CO) Tingkat Pengetahuan Bloom (KL)

Di akhir kursus, siswa akan mampu untuk

CO 1 Demonstrasikan pengetahuan tentang konsep Analisis Big Data dan aplikasi di bidang bisnis. K1,K2

CO 2 Demonstrasikan fungsi dan komponen dari Kerangka Kerja Map Reduce dan HDFS. K1,K2

CO 3 Diskusikan konsep Manajemen Data dalam lingkungan NoSQL. K6

CO 4 Explain process of developing Map Reduce based distributed processing applications. K2,K5

CO 5 Jelaskan proses pengembangan aplikasi menggunakan HBASE, Hive, Pig, dll. K2,K5

KURIKULUM RINCI 3-0-0

Unit Topik Diusulkan

Kuliah
Saya Pengantar ke Big Data: Jenis data digital, sejarah inovasi Big Data, pengantar
ke platform Big Data, penggerak untuk Big Data, arsitektur Big Data dan karakteristik, 5 V dari
Big Data, Big Data technology components, Big Data importance and applications, Big Data
fitur–keamanan, kepatuhan, audit dan perlindungan, privasi dan etika Big Data, Big 06
Analisis Data, Tantangan sistem konvensional, analisis data cerdas, sifat data,
proses dan alat analitik, analisis vs pelaporan, alat analitik data modern.

II Hadoop: Sejarah Hadoop, Apache Hadoop, Sistem Berkas Terdistribusi Hadoop

components of Hadoop, data format, analyzing data with Hadoop, scaling out, Hadoop
streaming, pipa Hadoop, Ekosistem Hadoop.
Map Reduce: Kerangka kerja Map Reduce dan dasar-dasarnya, bagaimana Map Reduce bekerja, mengembangkan sebuah08
Aplikasi Map Reduce, uji unit dengan MR unit, data uji dan uji lokal, anatomi dari sebuah Map
Mengurangi menjalankan pekerjaan, kegagalan, penjadwalan pekerjaan, pengacakan dan pengurutan, eksekusi tugas, jenis Map Reduce,
format input, format output, fitur Map Reduce, Map Reduce dunia nyata
III HDFS (Hadoop Distributed File System):Design of HDFS, HDFS concepts, benefits and
tantangan, ukuran file, ukuran blok dan abstraksi blok dalam HDFS, replikasi data, bagaimana cara
HDFS menyimpan, membaca, dan menulis file, antarmuka Java untuk HDFS, antarmuka baris perintah, Hadoop
antarmuka sistem file, aliran data, pengambilan data dengan Flume dan Scoop, arsip Hadoop,
08
Hadoop I/O: kompresi, serialisasi, Avro dan struktur data berbasis file.
Lingkungan: Menyiapkan kluster Hadoop, spesifikasi kluster, pengaturan kluster dan
{"installation":"instalasi","Hadoop configuration":"konfigurasi Hadoop","security in Hadoop":"keamanan di Hadoop","administering Hadoop":"mengelola Hadoop","HDFS":"HDFS"}

pemantauan & pemeliharaan, tolok ukur Hadoop, Hadoop di awan

IV Ekosistem Hadoop dan YARN: Komponen ekosistem Hadoop, penjadwal, adil dan
kapasitas, Fitur Baru Hadoop 2.0 - ketersediaan tinggi NameNode, federasi HDFS, MRv2,
YARN, Menjalankan MRv1 di YARN.
Basis Data NoSQL: Pengenalan ke NoSQL
MongoDB: Pengenalan, tipe data, membuat, memperbarui, dan menghapus dokumen, melakukan kueri,
09
pengantar tentang pengindeksan, koleksi terbatas
Spark: Menginstal spark, aplikasi spark, pekerjaan, tahap dan tugas, Resilient Distributed
Basis data, anatomi dari pelaksanaan pekerjaan Spark, Spark di YARN
SCALA: Pengantar, kelas dan objek, tipe dasar dan operator, kontrol bawaan
struktur, fungsi dan penutupan, pewarisan.

Kurikulum & Skema Evaluasi IT & CSI (Semester V & VI) 4

 V Kerangka Ekosistem Hadoop: Aplikasi pada Big Data menggunakan Pig, Hive, dan HBase
Pig- Introduction to PIG, Execution Modes of Pig, Comparison of Pig with Databases, Grunt, 09
Pisang Latin, Fungsi yang Didefinisikan Pengguna, operator Pemrosesan Data

Hive- Arsitektur dan instalasi Apache Hive, shell Hive, layanan Hive, metastore Hive,
perbandingan dengan basis data tradisional, HiveQL, tabel, kueri data dan yang ditentukan pengguna
fungsi, pengurutan dan agregasi, skrip Map Reduce, penggabungan & subkueri. HBase–Hbase
concepts, clients, example, Hbase vs RDBMS, advanced usage, schema design, advance
indeksasi, Zookeeper–bagaimana ia membantu dalam memantau sebuah klaster, bagaimana cara membangun aplikasi dengan
Penjaga Kebun Binatang.
Strategi Big Data IBM, pengantar kepada Infosphere, BigInsights, dan Big Sheets, pengantar
ke Big SQL.
Buku teks dan Referensi:
1. Michael Minelli, Michelle Chambers, dan Ambiga Dhiraj, "Data Besar, Analitik Besar: Bisnis yang Berkembang
Kecerdasan dan Tren Analitik untuk Bisnis Saat Ini
2. Layanan Editorial DT, Buku Hitam Big-Data, Wiley
3. Dirk deRoos, Chris Eaton, George Lapis, Paul Zikopoulos, Tom Deutsch, "Memahami Analisis Big Data untuk
Kelas Perusahaan Hadoop dan Data Streaming”, McGraw Hill.
4. Thomas Erl, Wajid Khattak, Paul Buhler, “Dasar-Dasar Big Data: Konsep, Penggerak dan Teknik”, Prentice
Lobi.
5. Bart Baesens“Analisis di Dunia Big Data: Panduan Penting untuk Ilmu Data dan Aplikasinya (WILEY
Seri Big Data)
[Link], Vijay Madisetti, “Ilmu & Analitik Data Besar: Pendekatan Praktis”, VPT
7. Anand Rajaraman dan Jeffrey DavidUllman, “Penambangan Dataset Besar”, CUP
8. Tom White, "Hadoop: Panduan Definitif", O'Reilly.
9. Eric Sammer, "Operasi Hadoop", O'Reilly.
[Link] Lam, “Hadoop dalam Tindakan”, Penerbit MANNING
[Link] Vohra, “Ekosistem Hadoop Praktis: Panduan Definitif untuk Kerangka dan Alat Terkait Hadoop”
Apress
12. E. Capriolo, D. Wampler, and J. Rutherglen, "Programming Hive", O'Reilly
13. Lars George, "HBase: Panduan Definitif", O'Reilly.
14. Alan Gates, "Pemrograman Pig", O'Reilly.
15. Michael Berthold, David J. Hand, "Analisis Data Cerdas", Springer
[Link] Franks, "Menjinakkan Gelombang Data Besar: Menemukan Peluang dalam Aliran Data yang Besar dengan Ka advanced
Analitik”, John Wiley & sons
17. Glenn J. Myatt, “Memahami Data”, John Wiley & Sons
[Link] Warden, “Kamus Big Data”, O’Reilly

Kurikulum & Skema Evaluasi IT & CSI (Semester V & VI) 5