0) Dosen : SWP, KF Semester : VII

PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS141319 / (2/1/0) RP-S1-SK-08 Kurikulum 2014, Edisi : September-2014 A. CAPAIAN PEMBELAJARAN :

B.

C. D.

Dosen : SWP, KF No.Revisi : 00

2-RP Semester : VII Hal: 1 dari 6

1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan menggunakan metode yang sesuai 3. CP15.1 : Mampu Berkomunikasi secara lisan dan tertulis dalam bahasa Indonesia 4. CP15.3 : Mampu mengelola dan bekerja dalam tim 5. CP15.4 : Bertanggung jawab atas hasil kerja mandiri dan kelompok 6. CP 17.1 : Jujur amanah dan beretika 7. CP 18.5 : Patuh pada aturan tertulis dan tidak tertulis 8. CP19 : Mempunyai sikap Cerdas, Amanah dan Kreatif sebagai bekal belajar sepanjang hayat CP10.3 pada mk Data Mining diberi nomor CP10.3D meliputi 12 sub Capaian Pembelajaran, yaitu : CP10.3D1 sd CP10.3D12 Untuk mencapai CP di atas diperlukan 9 POKOK BAHASAN sebagai berikut : 1).Pre processing data, 2). Feature selection /Feature extraction, 3).Mining Frequent Patterns, Associations, and Correlations, 4).Unsupervised Learning Method, 5)Supervised Learning Method: Decision tree, 6).Supervised Learning Method: Naïve bayes, 7).Supervised Learning Method: SVM, 8)Prediction model: Support Vector Regression, 9). Credibility: Evaluating what’s been learned Mata kuliah prasyarat : Analisis Multivariat Deskripsi CP secara umum KKNI Level 6 Kemampuan Deskripsi Penguasaan pengetahuan 6.1 Dapat menjelaskan konsep data mining dan aplikasinya di berbagai bidang 6.2. Mampu menjelaskan prosedur mining data mulai dari preprocessing sampai menyajikan informasi Kemampuan kerja 6.3. Mampu mengaplikasikan prosedur data mining menggunakan program utama WEKA 6.4 Mampu Menggunakan IPTEKS pada bidangnya dalam penyelesaian masalah 6.5 Mampu beradaptasi terhadap situasi yang dihadapi Kemampuan manjerial 6.6 Mampu mengambil keputusan yang tepat berdasarkan analisis informasi dan data, serta mampu mengkomunikasikan hasil analisis baik secara lisan maupun tertulis 6.7 Mampu memberikan petunjuk dalam memilih berbagai alternatif solusi secara mandiri dan kelompok; 6.8 Bertanggung jawab pada pekerjaan sendiri dan dapat diberi tanggung jawab atas pencapaian hasil kerja organisasi Sikap dan tata nilai 6.9 Mempunyai Etika Profesi, kerjasama , menghargai orang lain, patuh aturan, cerdas amanah kreatif

Proses pembelajaran di Jurusan Statistika ITS meliputi Perkuliahan, Kerja Praktek dan Tugas Akhir. Ada 13 Dokumen dalam proses perkuliahan, yi : 5 pedoman ( CP, RP, RE, UT &R), 3 buah SOP ( PBS,PCS & PK ) dan 5 Formulir Rekaman ( FT, DN,PA & RN) The learning process in the Department of Statistics ITS include Lecture, Practical Work and Final Project. There are 13 documents in the lecture, ie: 5 guidelines (CP, RP, RE, UT & R), 3 pieces of SOP (PBS, PCS & PK) and 5 Records Form (FT, DN, PA,BAK& RN)

1-CP 1-Capaian Pembelajaran Learning Outcome

2-RP 2-Rencana Pembelajaran Learning Plan

√

3-RE 3-Rencana Evaluasi Evaluation Plan

4-UT 4A-R 4.Uraian Tugas Assignment Description 4A.Rubrik/Rubric

5-PBS 5-Prosedur Membuat Soal Script Test prosedur

6-FT 6A-DN 6.Format Tes/Script Tests Form 6A. Daftar nilai/ List of Grade

7-PCS 8-PA 7-Prosedur Cek soal /Checking Porosedur 8-pemeriksaan asesmen/ Assessment Checking

9-PK, 10-RN 9A-BAK 9.prosedur komplen/Complaint SOP 9A.Berita acara Komlen/Recording of SCC 10. Formulir ralat/Correction Form/ SCC =Score Course omplaint

PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining RP-S1-SK-08

Kode/SKS: SS141319 / (2/1/0) Kurikulum 2014, Edisi : September-2014

2-RP


CAPAIAN PEMBELAJARAN

Semester : VII Hal: 2 dari 6

INDIKATOR KEBERHASILAN

POKOK BAHASAN

SUMBER BELAJAR

METODE PEMBELAJARAN

METODE EVALUASI

KUMULATIF

(3)

(4)

(5)

(6)

(7)

(9)

(1)

6.1 6.5 6.9

Dapat menjelaskan konsepkonsep dasar data mining dan aplikasinya CP10.3D1

10%/10%

3-6

6.1 6.2 6.3 6.5 6.9

Dapat mendeteksi adanya data missing values dan noisy serta dapat mengatasinya CP10.3D1

7-8

6.1 6.2 6.3 6.5 6.9

Dapat menjelaskan konsep data integration, transformation, data reduction dan data discretization. CP10.3D1

1.1 Dapat menjelaskan konsep-konsep dasar data mining 1.2 Dapat menyebutkan aplikasi data mining dalam berbagai bidang 2.1Dapat menjelaskan pentingnya melakukan preprocessing data 2.2 Dapat melakukan prosedur data cleaning yang meliputi missing values dan noisy data 3.1 Dapat melakukan prosedur data integration, transformation, data reduction dan data discretization

PERTKE

NO

DESKRIPSI

(1)

(2)

1-2

BOBOT1/

Kontrak belajar, pendahuluan Konsep dasar data mining

[1] Bab 1 [1] Bab 2 [2] Bab 1

Ceramah interaktif Diskusi (CID )

Observasi Aktifitas di kelas

Pre processing data - data cleaning: missing values, noisy data

[2] Bab 3

1. CI 2.Diskusi 3.Latihan

Tes & Observasi Aktifitas di kelas (TOA)

5%/15%

Pre processing data - data integration and transformation - data reduction - data discretization

[2] Bab 3


TOA

10%/25%

-




√









NO

DESKRIPSI

(1)

(2)

(3)

9-10



PERTKE

6.1 6.2 6.3 6.5 6.9

Dapat menjelaskan konsep feature selection dan feature extraction dan menerapkannya pada data CP10.3D2

11-12

6.1 6.2 6.3

Dapat menjelaskan Mining Associations rule dan menerapkan pada data CP10.3D3

13-14

6.1 6.2 6.3 6.6 6.9

Dapat menjelaskan konsep unsupervised learning dan menerapkan pada data riil CP10.3D4



POKOK BAHASAN

SUMBER BELAJAR

METODE PEMBELAJARAN

METODE EVALUASI

KUMULATIF

(4)

(5)

(6)

(7)

(9)

(1)

BOBOT1/

4.1 Dapat membedakan feature selection dan feature exttraction 4.2 Dapat melakukan prosedur feature selection dan feature extraction 5.1 Dapat melakukan prosedur Mining Associations rule

Feature selection /Feature extraction

[1] Bab 7


TOA

10%/35%

Mining Associations rule

[1] Bab 4 [2] Bab 6


TOA

10%/45%

6.1 Dapat melakukan metode hirarki dan KMeans dalam problem riil 6.2 Dapat mengevaluasi hasilcluster

Unsupervised Learning Method: - Metode hirarki - K-Means

[1] Bab 6 [2] Bab 10


TOA

ETS

15-16




√









NO

DESKRIPSI

(1)

(2)

(3)

17-18

6.1 6.9

Dapat menjelaskan konsep Decision tree dan menerapkannya pada data riil CP10.3D5

19-20

6.1 6.9

Dapat menjelaskan konsep Naïve bayes dan menerapkannya pada data riil CP10.3D6

21-22



PERTKE

6.1 6.9

Dapat menjelaskan konsep SVM dan menerapkannya pada data riil CP10.3D7



POKOK BAHASAN

SUMBER BELAJAR

METODE PEMBELAJARAN

METODE EVALUASI

KUMULATIF

(4)

(5)

(6)

(7)

(9)

(1)

BOBOT1/

7.1 Dapat melakukan prosedur decision tree pada problem data riil 7.2 Dapat menyajikan hasil analisis menjadi informasi yang menarik

Supervised Learning Method: Decision tree

[1] Bab 6


TOA

10%/55%

8.1 Dapat melakukan prosedur Naïve bayes pada problem data riil 8.2 Dapat menyajikan hasil analisis menjadi informasi yang menarik

Supervised Learning Method: Naïve bayes

[1] Bab 6 [2] Bab 9


TOA

10%/65%

9.1 Dapat melakukan prosedur SVM pada problem data riil 9.2 Dapat menyajikan hasil analisis menjadi informasi yang menarik

Supervised Learning Method: Support Vector Machine (SVM)

[2] Bab 9


TOA

10%/75%




√











PERTKE

NO

DESKRIPSI

(1)

(2)

(3)

23-24

6.1 6.9

Dapat menjelaskan konsep SVR dan menerapkannya pada data riil CP10.3D8

25-26

6.1 6.9

Dapat menjelaskan ukuran evaluasi dan menerapkannya pada problem klasifikasi dan regresi CP10.3D9

27-30

6.2 6.9

Dapat mengetahui tahapan dalam data mining dan mengaplikasikan pada



POKOK BAHASAN

SUMBER BELAJAR

METODE PEMBELAJARAN

METODE EVALUASI

KUMULATIF

(4)

(5)

(6)

(7)

(9)

(1)

BOBOT1/

10.1 Dapat melakukan prosedur SVR pada problem data riil 10.2 Dapat menyajikan hasil analisis menjadi informasi yang menarik 11.1 Dapat melakukan prosedur credibility untuk problem klasifikasi 11.2 Dapat melakukan prosedur credibility untuk problem regresi

Prediction model: Support Vector Regression (SVR)

[1] Bab 6


TOA

5%/80%

Credibility: Evaluating what’s been learned

[1] Bab 5 [2] Bab 8

1. CI 2.Diskusi 3.Latihan 4. Presentasi

TOA

10%/90%

12.1 Dapat melakukan prosedur mining data mulai dari data

Project

semua

Presentasi

Presentasi Laporan

10%/100%




√











PERTKE

NO

DESKRIPSI

(1)

(2)

(3) problem data riil



POKOK BAHASAN

SUMBER BELAJAR

METODE PEMBELAJARAN

METODE EVALUASI

KUMULATIF

(4)

(5)

(6)

(7)

(9)

(1)

BOBOT1/

mentah sampai menyajikan informasi 12.2 Dapat membuat laporan dan mempresentasikanny a EAS

31-32

*1)TT-0-P-L : Tes Tulis,Observasi,Presentasi dan Laporan. 2) AL: Action Learning. Pustaka: 1. Witten, I.H., Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Elsevier, 2005. 2. Han,J., Kamber, M. and J. Pei, Data Mining: Concepts and Techniques. Morgan Kaufmann, 3rded. , 2011 3. Hastie, T., Tibshirani, R., Friedman, J., The Elements of Statistical Learning: 4. Data Mining, Inference, and Prediction, Second Edition, Springer, 2009. 5. Tan, P.-N. , Steinbach, M. and Kumar, V., Introduction to Data Mining, Wiley, 2005 6. Nisbet, R. and Elder, J., Handbook of Statistical Analysis and Data Mining, Elsevier, 2009. 7. Duda, R. O., Hart, P. E., and Stork, D. G., Pattern Classification, 2ed., Wiley, Interscience, 2000 8. Larose, D.T., Data Mining Methods And Models, John Wiley & Sons, Inc., , 2006 Proses pembelajaran di Jurusan Statistika ITS meliputi Perkuliahan, Kerja Praktek dan Tugas Akhir. Ada 13 Dokumen dalam proses perkuliahan, yi : 5 pedoman ( CP, RP, RE, UT &R), 3 buah SOP ( PBS,PCS & PK ) dan 5 Formulir Rekaman ( FT, DN,PA & RN) The learning process in the Department of Statistics ITS include Lecture, Practical Work and Final Project. There are 13 documents in the lecture, ie: 5 guidelines (CP, RP, RE, UT & R), 3 pieces of SOP (PBS, PCS & PK) and 5 Records Form (FT, DN, PA,BAK& RN)



√







0) Dosen : SWP, KF Semester : VII

Recommend Documents