FM-UDINUS-BM-08-04/R0
SILABUS MATAKULIAH Revisi Tanggal Berlaku A.
B.
Identitas 1. Nama Matakuliah 2. Program Studi 3. Fakultas 4. Bobot sks 5. Elemen Kompetensi 6. Jenis Kompetensi 7. Alokasi waktu total
: : : : : : :
:: Maret 2015
A11.54606 / Data Mining Teknik Informatika-S1 Ilmu Komputer 3 SKS MKK Sistem Cerdas 14 X 150 Menit
Unsur-unsur Silabus Kompetensi Dasar Pengantar Data Mining.
Konsep Machine Learning : Supervised dan Unsupervised Learning
Indikator Mahasiswa dapat: 1. memahami pengertian Data Mining. 2. memahami sejarah dan perkembangan Data Mining 3. memahami manfaat dan implementasi data mining 1. Mahasiswa memahami konsep Machine Learning
Pokok Bahasan/Materi a. b.
c.
a. b. c. d. e.
Aktifitas Pembelajaran
Pemahaman umum tentang Data Mining. Pengenalan sejarah dan perkembangan Data Mining. Pemahaman manfaat dan implementasi Data Mining
1.
Machine Learning Supervised Learning Unsupervised Learning Metode Data Mining Estimasi
1.
2.
3.
Menjelaskan pemahaman umum tentang Data Mining. Menjelaskan pengenalan Sejarah dan perkembangan Data Mining. Menjelaskan Manfaat dan implementasi Data Mining dalam kehidupan sehari-hari Menjelaskan konsep machine learning yang digunakan dalam data mining, supervised
Alokasi Waktu 150 menit
Rujukan 1,2,3
Evaluasi a. b. c.
150 menit
1,2,3
a. b.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas.
Silabus: Data Mining Hal: 1 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar
Indikator 2.
Metode Data Mining Macam-macam algoritma Data Mining
Konsep dasar proses data mining. Standar Proses Data Mining menggunakan CRISP-DM
3.
1.
2.
Konsep Input – Metode – Output – Evaluation 3.
Dataset
1.
2.
Mahasiswa memahami metode-metode Data Mining Mahasiswa memahami perbedaan dari macam-macam algoritma Data Mining Mahasiswa memahami konsep dasar proses data mining. Mahasiswa memahami standar proses data mining dengan CRISPDM Mahasiswa memahami konsep Input – Metode – Output – Evaluation Mahasiswa memahami pengertian dataset Mahasiswa memahami jenis-jenis
Pokok Bahasan/Materi
Aktifitas Pembelajaran
f. g. h. i.
Prediksi Klasifikasi Klastering Asosiasi
a.
1.
e. f. g. h.
Standar Proses Data Mining 6 Fase CRISP-DM Fase Business Understanding Fase Data Understanding Fase Data Preparation Fase Modelling Fase Evaluation Fase Deployment
a. b. c. d. e.
Dataset public Dataset private Data preparation Data transformation Data cleaning
1.
b. c. d.
2.
2.
3. 4.
2. 3.
Alokasi Waktu
Rujukan
learning dan unsupervised learning Menjelaskan macammacam metode data mining dan perbedaannya, estimasi, prediksi, klasifikasi, klastering, asosiasi
Menjelaskan mengenai konsep dasar proses data mining. Menjelaskan standar proses data mining dengan CRISP-DM Menjelaskan fase-fase dalam CRISP-DM Menjelaskan konsep Input-metode-outputevaluation
150 menit
Menjelaskan pengertian dataset Menjelaskan jenis-jenis dataset public dan privat Menjelaskan data preparation, data
150 menit
1,2,3
Evaluasi c.
Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
a.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
b. c.
1,2,3
a. b. c.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Silabus: Data Mining Hal: 2 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar
Indikator
3.
Algoritma Data Mining Algoritma Data Mining klasifikasi menggunakan Naïve Bayes Classifier
1.
2.
Algoritma Data Mining klasifikasi menggunakan Decision Tree C45
1.
dataset public dataset dan private dataset Mahasiswa memahami data preparation, data transformation, data cleaning Mahasiswa memahami konsep analisis data menggunakan algoritma klasifikasi naïve bayes classifier Mahasiswa dapat memecahkan persoalan terkait klasifikasi dengan algoritma naïve bayes classifier Mahasiswa memahami konsep analisis data menggunakan algoritma klasifikasi
Pokok Bahasan/Materi
Alokasi Waktu
Rujukan
Menjelaskan tentang konsep analisis data untuk klasifikasi dengan naïve bayes classifier
150 menit
1,2,3
Menjelaskan tentang konsep analisis data untuk klasifikasi dengan decision tree c45
150 menit
Aktifitas Pembelajaran
Evaluasi
transformation, data cleaning
a. b.
Algoritma Data Mining Naïve bayes classifier
Algoritma Data Mining klasifikasi decision tree c45
a. b. c.
1,2,3
a. b. c.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Silabus: Data Mining Hal: 3 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar
Indikator
2.
Algoritma Data Mining Estimasi menggunakan linier regresi sederhana dan berganda
1.
2.
Decision Tree C45 Mahasiswa dapat memecahkan persoalan terkait klasifikasi dengan algoritma Decision Tree C45 Mahasiswa memahami konsep analisis data menggunakan algoritma linier regresi sederhana dan berganda Mahasiswa dapat memecahkan persoalan terkait klasifikasi dengan algoritma linier regresi
Pokok Bahasan/Materi
Algoritma Data Mining estimasi linier regresi sederhana dan berganda
Aktifitas Pembelajaran
Menjelaskan tentang konsep analisis data untuk estimasi linier regresi
Alokasi Waktu
Rujukan
150 menit
1,2,3
Evaluasi
a. b. c.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Ujian Tengah Semester
Silabus: Data Mining Hal: 4 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar Algoritma Data Mining Clustering menggunakan KMeans
Algoritma Data Mining Clustering menggunakan Aglomerative Hierarchial Clustering
Algoritma Data Mining Asosiasi menggunakan Apriori
Indikator 1. Mahasiswa memahami konsep analisis data klastering menggunakan algoritma kmeans 2. Mahasiswa dapat memecahkan persoalan terkait data klaster menggunakan algoritma kmeans 1. Mahasiswa memahami konsep analisis data klastering menggunakan Aglomerative Hierarchial Clustering 2. Mahasiswa dapat memecahkan persoalan terkait klasifikasi dengan algoritma Aglomerative Hierarchial Clustering 1. Mahasiswa memahami konsep analisis asosiasi data
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Alokasi Waktu 150 menit
Algoritma Data Mining klastering menggunakan Kmeans
Menjelaskan tentang konsep analisis data untuk klastering menggunakan k-means
Algoritma Data Mining Aglomerative Hierarchial Clustering
Menjelaskan tentang konsep data klastering menggunakan algoritma Aglomerative Hierarchial Clustering
150 menit
Algoritma Data Mining Asosiasi Algortima Apriori
Menjelaskan tentang konsep asosiasi data menggunakan algortima apriori
150 menit
Rujukan 1,2,3
Evaluasi a. b. c.
1,2,3
a. b. c.
1,2,3
a. b.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas.
Silabus: Data Mining Hal: 5 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar
Evaluasi Model Data Mining
Tools Data Mining
Tools Data Mining
Review pertemuan 9 - 14 Responsi
Indikator menggunakan Kaidah Asosiasi 2. Mahasiswa dapat memecahkan persoalan terkait asosiasi data dengan menggunakan algoritma Apriori Mahasiswa mampu memahami berbagai macam teknik untuk evaluasi model data mining
Pokok Bahasan/Materi
a. b. c.
Evaluasi Data Mining Confusion Matrix RMSE
Mahasiswa mampu menguasai tools data mining (Rapidminer/Weka/M atlab)
Tools Data Mining Rapid Miner.
Mahasiswa mampu menguasai tools data mining (Rapidminer/Weka/M atlab)
Tools Data Mining Weka/Matlab.
1.
Review pertemuan 9 – 14.
Mahasiswa mampu menguasai materi dari pertemuan 9 – 14.
Aktifitas Pembelajaran
Menjelaskan konsep evaluasi model data mining menggunakan confusion matrix dan rmse
Alokasi Waktu
150 menit
Rujukan
1,2,3
Evaluasi c.
Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
a.
Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah. Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah. Melakukan tanya jawab pemahaman mahasiswa Memberi latihan di kelas. Memberi tugas kepada mahasiswa untuk dikerjakan di rumah.
b. c.
Menjelaskan konsep pengolahan data menggunakan berbagai algoritma data mining dengan tools.
150 menit
Menjelaskan konsep pengolahan data menggunakan berbagai algoritma data mining dengan tools.
150 menit
Latihan soal dan pembahasan untuk persiapan Ujian Akhir Semester (UAS).
150 menit
1,2,3
a. b. c.
1,2,3
a. b. c.
1,2,3
Silabus: Data Mining Hal: 6 dari 7
FM-UDINUS-BM-08-04/R0
Kompetensi Dasar
Indikator
Pokok Bahasan/Materi
Aktifitas Pembelajaran
Alokasi Waktu
Rujukan
Evaluasi
Ujian Akhir Semester
Daftar Referensi Wajib 1. Ian H Witten : “Data Mining (Bagian Pemrograman Fungsional)”, Kelompok Keahlian Rekayasa Perangkat Lunak dan Data, 3rd Edition, Morgan Kauffman Publisher. 2. Goronescu : “Data Mining” 3. Alpaydin : “Machine Learning”
Disusun oleh :
Diperiksa oleh :
Disahkan oleh :
Dosen Pengampu
Penanggungjawab Keilmuan
Ketua Program Studi
Dekan
Ardytha Luthfiarta,M.Kom
Heru Agus Santoso , Ph. D
Heru Agus Santoso , Ph. D
DR. Drs. Abdul Syukur, MM
Silabus: Data Mining Hal: 7 dari 7