Post on 30-Nov-2015
ANALISIS INSTRUKSIONALGARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP)
DAN SATUAN ACARA PERKULIAHAN (SAP)
MATA KULIAH : DATA MININGPRODI : TEKNIK INFORMATIKA
DI
SUSUN
OLEH
AFIJAL, S.Kom.,M.KomNIDN : 0125088401
FAKULTAS ILMU KOMPUTER (FIKOM)UNIVERSITAS ALMUSLIM
2013
ANALISIS INSTRUKSIONAL
SK : Mahasiswa mampu memahami data mining dalamaplikasinya pada business intelegensi dalam wadah data
warehouse dan juga diharapkan mampu merencanakan danmendesain aplikasi pendukung data mining untuk keperluan
suatu studi kasus tertentu
Menjelaskan Pengertian data mining, proses knowledge datadiscovery, arsitektur dan model data mining, fungsi data mining,
teknik data mining, dan aplikasi tren data mining
Memperlihatkan proseskerja data mining secara
konseptual
Memperlihatkan proseskerja data mining secara
demo
Menjelaskan tentang proses KDD, perbedaan data mining dan KDD
Menjelaskan tentang fungsi data mining, arsitektur dan model datamining
Menjelaskan tentang teknik-teknik data mining
Mendemontrasikan cara kerja aplikasi weka dan rapidminer dalampengolahan data yang dibutuhkan
GARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP)
Mata Kuliah : Data MiningKode Mata Kuliah : -Bobot (SKS) / Semester : 3 SKS / V (lima)Standar Kompetensi : Mahasiswa mampu memahami data mining dalam aplikasinya pada business intelegensi dalam wadah data
warehouse dan juga diharapkan mampu merencanakan dan mendesain aplikasi pendukung data mining untukkeperluan suatu studi kasus tertentu.
Deskripsi Singkat : - Proses knowledge data discovery (KDD), Data Warehouse dan Data Mining- Arsitektur dan model data mining- Fungsi-fungsi data mining (fungsi deskripsi, fungsi estimasi dan fungsi prediksi)- Teknik-teknik data mining- Dessicion tree, Assiation rule, Clustering (K-Means)- Aplikasi dan tren dalam data mining (matlab, weka, rapidminer)
Kompetensi Prasyarat : -Kualifikasi Dosen : S-2 Sistem InformasiSoft Kill : Komitmen, semangat, kemampuan berkomunikasi, toleransi, kemampuan bekerjasama, kemampuan
memecahkan masalah
Aktifitas Pembelajaran :Pertemuan
Ke- Kompetensi Dasar Materi Indikator Waktu Sumber Belajar Soft KillT P L
I
Memahami prosesKnowledge DataDiscovery (KDD)
Introduction(pengantar)
Definisi KDD Data Processing Data Warehouse Indexing, searching,
OLAP, reduksi Langkah – langkah
dalam proses KDD
Mahasiswa mampu mendefinisikanpengertian dari data mining, KDDdan data warehouse
Mahasiswa dapat menjelaskanmaksud dan tujuan data mining
Mahasiswa dapat menerangkankonsep data preprocessing, datawarehouse, indexing, searching,OLAP dan reduksi
Mahasiswa dapat menyebut definisi
data mining, kebutuhan dan ilmuilmu yang berkatitan dengan datamining
II
Memahami perbedaanantara KDD dan datamining serta tahapan-tahapan dalam KDDyang digunakan,karakteristik datawarehouse
KDD vs Data Mining Tahapan-tahapan dalam
KDD Masalah DBMS saat ini Karakteristik data
warehouse
Mahasiswa mengenal, mengerti danhafal akan perbedaan KDD, datamining dan data warehouse berikutistilah-istilah yang digunakan dalamdata mining
Mahasiswa mengerti dan paham akantahapan-tahapan dalam KDD danpermasalahan DBMS saat ini
Mahasiswa dapat menyebutkan danmenjelaskan jenis serta fungsi dariKDD, Data Mining dan DataWarehouse yang digunakan
III
Memahami macam danjenis dari arsitektur danmodel data mining
Komponen dari sistemdata mining
Model data mining Tools Data Mining Evolusi Database Teknik-teknik database
Mahasiswa dapat menyebut danmenerangkan teknik teknikdatabase, penerapan data mining dantools yang digunakan pada datamining
Mahasiswa dapat menyebutkan danmenerangkan komponen dari systemdata mining dan model data mining
Mahasiswa dapat mengetahui danmemahami arsitektur dan model datamining
IV & V
Memahami fungsi-fungsi dari data mining
Pengertian dan contohclassification
Pengertian dan contohassociation
Pengertian dan contohsequentil/temporalpattern
Pengertian dan contohclustering/segmentation
Mahasiswa dapat menyebut danmenerangkan pengertian dan contohdari classification, association,sequential/temporal pattern danclustering/segmentation
Mahasiswa dapat menjelaskan danmembedakan fungsi data miningdeskripsi, estimasi dan prediksi
Mahasiswa dapat
Fungsi Deskripsi Fungsi Estimasi Fungsi Prediksi
mengimplementasikan fungsi-fungsidata mining kedalam aplikasi
VI Q U I S
VII & VIII
Memahami kerja dariDessicion Tree,Assiation Rule danClustering (K-Means)dalam data mining
Dessicion Tree Assiation Rule Clustering (K-Means)
Mahasiswa dapat membedakan danmenjelaskan kerja dari dessicion tree,assiation rule dan clustering
Mahasiswa dapat mengubah faktayang besar menjadi sebuah pohonkeputusan dengan sistem dessiationtree dan assiation rule denganmenggunakan algoritma C4.5
Mahasiswa mampu mengelompokkandan mengambarkan prototype dengansistem clustering
IX
Memahami teknik-teknikdata mining
Analisis cluster Induksi (pohon
keputusan dan aturaninduksi)
Jaringan syaraf buatan(Neural Network)
Online AnalyticalProcessing (OLAP)
Visualisasi data
Mahasiswa dapat menyebutkan,menerangkan dan memberikancontoh dari analisis cluster, induksi,jaringan syaraf buatan, OLAP danvisualisasi data
Mahasiswa mampu menjelaskan danmenyebutkan teknik-teknik datamining
Mahasiswa mampu menjelaskanvisualisasi data sebaik mungkindalam data mining
X
Memahami aplikasi dantren data mining
Tools, piranti lunak danaplikasi yang digunakandalam data mining
Tren data mining: imagemining, web mining dll
Mahasiswa dapat mengetahui danmemahami aplikasi dan tren datamining
Mahasiswa dapat menyebutkan danmenerangkan tools, piranti lunak danaplikasi yang digunakan dalam data
mining Mahasiswa dapat menerangkan tren
data mining saat ini tentang imagemining dan web mining
XI UTS (Ujian Tengah Semester)
XII & XIII
Memahami tentangpenggunaan data miningpada dunia bisnis atauindustri
Studi Kasus 1 Mahasiswa dapat memecahkan kasusdata mining yang ada pada duniabisnis atau industri
Mahasiswa dapat mengimplementasikan aplikasi weka pada dunia bisnisatau industri
XIV
Memahami tentangpenggunaan data miningpada dunia pendidikan
Studi Kasus 2 Mahasiswa dapat memecahkan kasusdata mining yang ada pada duniapendidikan
Mahasiswa dapat mengimplementasikan aplikasi rapidminer pada duniapendidikan
XV
Mereview materi selama1 semester
Membuat kesimpulan akhirperkuliahan
Mahasiswa mereview bahasan kuliahmenjelang ujian utama, mencakupsemua materi secara garis besar,mengingat mata kuliah ini ujian utama
XVI F I N A L
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : I (satu)6. Standar Kompetensi : Mahasiswa mengerti tentang aturan akademik serta
memahami proses Knowledge Data Discovery(KDD).
7. Kompetensi Dasar : Menjelaskan peraturan akademik dan pentingnyamempelajari proses Knowledge Data Discovery(KDD).
8. Soft Kill : Komitmen untuk belajar, semangat, komunikasi,toleransi.
9. Materi Pokok : Pendahuluan10. Indikator : Dapat memahami aturan akademik yang berlaku,
mengetahui pokok bahasan yang diajarkan dalam 1semester, memahami proses Knowledge DataDiscovery (KDD).
11. Outcomes yang diharapkan : Bersikap akademis12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
Latihan pengembangan
13. Aktivitas Pembelajaran :
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Simulasi, perkenalan dan
menawarkan kontrak kuliah selamasatu semester
2. Menjelaskan proses KnowledgeData Discovery (KDD)
3. Menyampaikan soft kill yangdiharpakan
4. Menguraikan standar kompetensisetelah selesai mengikutiperkuliahan selama satu semester
Merespon Memperhatikan Tanya jawab Saling memperkenalkan
diri
Penyajian 1. Menyampaikan aturan akademik,jadwal perkuliahan, praktikum dansistem penilaian
2. Menyampaikan materi pokok untuksatu semester
3. Menyampaikan sanksi yangdiberikan apabila melanggarperaturan yang telah dijelaskan
4. Mereview pengetahuan mahasiswatentang proses Knowledge DataDiscovery (KDD)
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan Menyepakati aturan-
aturan yang telahhdisampaikan
Penutup 1. Mengingatkan kembali mengenaiaturan yang telah disampaikan
2. Meminta mahasiswa komitmen
Mendengarkan Menerima semua aturan
yang disampaikan
dengan aturan tersebut3. Memberikan bahan pertemuan
minggu kedua tentang KDD vs DataMining dan meminta mahasiswamembacanya
14. Evaluasi : 1. Sebutkan definisi dari Knowledge DataDiscovery (KDD)
2. Jelaskan proses Knowledge Data Discovery
15. Tugas : Mencari dan mempelajari bahan tentang pertemuanselanjutnya mengenai KDD vs Data Mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : II (dua)6. Standar Kompetensi : Mahasiswa dapat memahami proses yang digunakan
dalam Knowledge Data Discovery (KDD) dan datamining.
7. Kompetensi Dasar : Mengenal, mengerti proses-proses KDD yangdigunakan secara rinci, mengerti maksud dan tujuandari proses KDD dan data mining.
8. Soft Kill : Kemampuan berkomunikasi, kemampuanbekerjasama, kemampuan memecahkan masalah.
9. Materi Pokok : Knowledge Data Discovery vs Data Mining10. Indikator : Mahasiswa mengenal, mengerti dan hafal akan
proses KDD dan data mining secara rinci.
11. Outcomes yang diharapkan : Memahami proses KDD vs Data Mining12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
Latihan pengembangan
13. Aktivitas Pembelajaran : Diskusi dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan minggu pertama2. Menjelaskan proses KDD yang
digunakan dalam data mining3. Menjelaskan perbedaan antara KDD
dan Data Mining4. Menyampaikan soft kill yang
diharapkan5. Menguraikan kompetensi dasar
yang diharpkan setelah mengikutiperkuliahan tentang KDD vs DataMining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskanapa saja yang termasuk kedalamproses KDD dan istilah data mining
2. Merespon pertanyaan yangdiberikan oleh mahasiswa dengancara memberikan kesempatankepada mahasiswa lain untukmenjawab
3. Meminta mahasiswa menjelaskanproses KDD dan Data Mining
4. Merespon jawaban mahasiswa
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
Mendengarkan Menyepakati jadwal
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
pertemuan minggu ketigadiperpustakaan dan media internettentang arsitektur dan model datamining
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan proses dari KnowledgeData Discovery (KDD)
2. Jelaskan perbedaan antara Knowledge DataDiscovery dan Data Mining
15. Tugas : Mencari tambahan bahan pertemuan 3 tentangarsitektur dan model data mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : III (Tiga)6. Standar Kompetensi : Mahasiswa dapat memahami macam dan jenis dari
arsitektur dan model data mining.
7. Kompetensi Dasar : Mahasiswa dapat menyebutkan dan menerangkankomponen dari system data mining dan model datamining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Arsitektur dan Model Data Mining10. Indikator : Mahasiswa mengenal dan mengerti akan arsitektur
serta model dari data mining.
11. Outcomes yang diharapkan : Memahami macam arsitektur dan model datamining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)Latihan pengembangan
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan kedua2. Menjelaskan tentang arsitektur dan
model data mining3. Menyampaikan soft kill yang
diharapkan4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikutiperkuliahan tentang arsitektur danmodel data mining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskanapa saja yang termasuk kedalamarsitektur data mining
2. Meminta mahasiswa menyebutkanapa saja yang termasuk kedalammodel data mining
3. Merespon jawaban yang diberikanoleh mahasiswa
4. Meminta mahasiswa menjelaskanmaksud dan fungsi dari arsitekturdan model data mining
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
pertemuan minggu ke empatdiperpustakaan dan media internettentang fungsi data mining
diberikan
14. Evaluasi : 1. Sebutkan arsitektur dan model data mining2. Jelaskan fungsi dari arsitektur dan model data
mining
15. Tugas : Mencari dan mempelajari bahan tentang pertemuanselanjutnya mengenai Fungsi data mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : IV (Empat)6. Standar Kompetensi : Mahasiswa dapat memahami fungsi data mining.
7. Kompetensi Dasar : Mahasiswa dapat menyebut dan menerangkanpengertian dan contoh dari classification,association,Sequential/temporal pattern dan clustering/segmentation.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Fungsi Data Mining10. Indikator : Mahasiswa mengenal dan mengerti akan fungsi-
fungsi data mining.
11. Outcomes yang diharapkan : Memahami fungsi data mining.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan ketiga2. Menjelaskan tentang fungsi data
mining3. Menyampaikan soft kill yang
diharapkan4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikutiperkuliahan tentang fungsi datamining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskanpengertian dari classification,association, Sequential/temporalpattern dan clustering /segmentation
2. Meminta mahasiswa menyebutkancontoh dari classification,association, Sequential/temporalpattern dan clustering /segmentation
3. Merespon jawaban yang diberikanoleh mahasiswa
4. Meminta mahasiswa menjelaskanfungsi dari classification,association, Sequential/temporalpattern dan clustering /segmentationyang digunakan dalam data mining
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
pertemuan minggu ke limadiperpustakaan dan media internettentang fungsi data mining
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari classification,association, Sequential/temporal pattern danclustering /segmentation
2. Sebutkan contoh dari classification, association,Sequential/temporal pattern dan clustering/segmentation
15. Tugas : Mencari dan mempelajari bahan tentang pertemuanselanjutnya mengenai Fungsi data mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : V (Lima)6. Standar Kompetensi : Mahasiswa dapat memahami fungsi data mining.
7. Kompetensi Dasar : Mahasiswa dapat menjelaskan dan membedakanfungsi data mining deskripsi, estimasi dan prediksi.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Fungsi Data Mining10. Indikator : Mahasiswa mengenal dan mengerti akan fungsi-
fungsi data mining.
11. Outcomes yang diharapkan : Memahami fungsi data mining.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan keempat2. Menjelaskan tentang fungsi data
mining3. Menyampaikan soft kill yang
diharapkan4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikutiperkuliahan tentang fungsi datamining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskanfungsi data mining tentang fungsideskripsi, fungsi estimasi dan fungsiprediksi
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa menjelaskanfungsi deskripsi, fungsi estimasi danfungsi prediksi
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa untuk
mempelajari kembali pertemuankesatu sampai ke lima untukpersiapan quis
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari fungsi deskripsi,fungsi estimasi dan fungsi prediksi
2. Sebutkan contoh dari fungsi deskripsi, fungsiestimasi dan fungsi prediksi
15. Tugas : Mempelajari bahan pertemuan kesatu sampaikelima untuk persiapan quis
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : VII (Tujuh)6. Standar Kompetensi : Mahasiswa dapat memahami kerja dari Dessicion
Tree, Assiation Rule dalam data mining.
7. Kompetensi Dasar : Mahasiswa dapat membedakan dan menjelaskankerja dari dessicion tree dan assiation rule.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Dessicion Tree dan Assiation Rule10. Indikator : Mahasiswa mampu mengelompokkan dan
mengambarkan prototype dari dessition tree danassiation rules.
11. Outcomes yang diharapkan : Memahami sistem kerja dessicion tree danAssiation rule.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview hasil test yang telah
diberikan pada pertemuan keenam2. Menjelaskan tentang dessicion tree
dan Assiation rule3. Menyampaikan soft kill yang
diharapkan4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikutiperkuliahan tentang dessicion treedan Assiation rule
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskantentang kerja dessicion tree danAssiation rule
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa menjelaskandessicion tree dan Assiation rule
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
pertemuan minggu ke delapandiperpustakaan dan media internettentang clustering (K-Means)
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari Dessicion Tree danAssiation Rule
2. Gambarkan prototype dari Dessicion Tree danAssiation Rule
15. Tugas : Mempelajari bahan pertemuan ke delapan tentangclustering (K-Means)
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : VIII (Delapan)6. Standar Kompetensi : Mahasiswa dapat memahami kerja dari Clustering
(K-Means).
7. Kompetensi Dasar : Mahasiswa dapat membedakan dan menjelaskankerja dari Clustering (K-Means).
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Clustering (K-Means)10. Indikator : Mahasiswa mampu mengelompokkan dan
mengambarkan prototype dari Clustering (K-Means).
11. Outcomes yang diharapkan : Memahami sistem kerja Clustering (K-Means).12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep serta Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuan ketujuh2. Menjelaskan tentang Clustering (K-
Means)3. Menyampaikan soft kill yang
diharapkan4. Menguraikan kompetensi dasar
yang diharapkan setelah mengikutiperkuliahan tentang Clustering (K-Means)
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menjelaskantentang kerja Clustering (K-Means)
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa menjelaskanClustering (K-Means)
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
pertemuan minggu ke sembilandiperpustakaan dan media internettentang teknik-teknik data mining
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan pengertian dari Clustering (K-Means)
2. Gambarkan prototype dari K-Means15. Tugas : Mempelajari bahan pertemuan ke sembilan tentang
teknik-teknik data mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : IX (Sembilan)6. Standar Kompetensi : Mahasiswa memahami teknik-teknik data mining.
7. Kompetensi Dasar : Mahasiswa dapat menjelaskan teknik-teknik datamining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Teknik Data Mining10. Indikator : Mahasiswa mampu menerangkan dan memberikan
contoh dari analisis cluster, induksi, jaringan syarafbuatan, OLAP dan visualisasi data.
11. Outcomes yang diharapkan : Memahami teknik-teknik yang digunakan dalamdata mining.
12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan dan Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuankedelapan
2. Menjelaskan tentang teknik-teknikdata mining
3. Menyampaikan soft kill yangdiharapkan
4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang teknik-teknikdata mining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menyebutkantentang teknik-teknik data mining
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa menjelaskanteknik-teknik data mining
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mencari bahan
pertemuan minggu ke sepuluhdiperpustakaan dan media internettentang aplikasi dan tren datamining
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan teknik-teknik datamining
2. Sebutkan contoh analisis cluster, induksi,jaringan syaraf buatan, OLAP dan visualisasidata
15. Tugas : Mempelajari bahan pertemuan ke sepuluh tentangaplikasi dan tren data mining
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : X (Sepuluh)6. Standar Kompetensi : Mahasiswa Memahami aplikasi dan tren data
mining
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahamiaplikasi dan tren data mining.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama.
9. Materi Pokok : Aplikasi dan Tren Data Mining10. Indikator : Mahasiswa dapat menerangkan tren data mining
saat ini tentang image mining dan web mining.
11. Outcomes yang diharapkan : Memahami aplikasi dan Tren Data Mining.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview tugas yang telah
diberikan pada pertemuankesembilan
2. Menjelaskan tentang aplikasi dantren data mining
3. Menyampaikan soft kill yangdiharapkan
4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang aplikasi dantren data mining
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa menyebutkantentang aplikasi dan tren datamining
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa menjelaskanaplikasi dan tren data mining
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mempelajari
kembali materi pertemuan kesatusampai ke sepuluh untuk persiapanujian tengah semester
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan dan jelaskan aplikasi data mining2. Sebutkan dan jelaskan tren data mining saat ini
15. Tugas : Mempelajari bahan pertemuan ke satu sampaisepuluh untuk persiapan ujian tengah semester
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : XII & XIII (dua belas dan tiga belas)6. Standar Kompetensi : Mahasiswa dapat memecahkan kasus data mining
yang ada pada dunia bisnis atau industri
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahamiimplementasi data mining pada dunia bisnis danindustri.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama, ulet, toleransi.
9. Materi Pokok : Studi Kasus 110. Indikator : Mahasiswa dapat menerangkan implementasi data
mining pada dunia bisnis dan industri.
11. Outcomes yang diharapkan : Memahami aplikasi weka.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan, Konsep dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview hasil tes ujian tengah
semester yang telah diberikan padapertemuan kesebelas
2. Menjelaskan tentang aplikasi yangakan digunakan pada studi kasus 1
3. Menyampaikan soft kill yangdiharapkan
4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang studi kasussatu dan aplikasi yang digunakan
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswamempresentasikan studi kasus satu
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa mendemokanaplikasi weka yang digunakan padastudi kasus satu
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mempelajari
kembali studi kasus satu besertaaplikasi weka
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan kendala yang dialami dalampengerjaan studi kasus menggunakan aplikasiweka
2. Sebutkan pengertian dari aplikasi weka15. Tugas : Mempelajari bahan pertemuan selanjutnya tentang
studi kasus dua
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : XIV (empat belas)6. Standar Kompetensi : Mahasiswa dapat memecahkan kasus data mining
yang ada pada dunia pendidikan
7. Kompetensi Dasar : Mahasiswa dapat mengetahui dan memahamiimplementasi data mining pada pendidikan.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama, ulet, toleransi.
9. Materi Pokok : Studi Kasus 210. Indikator : Mahasiswa dapat menerangkan implementasi data
mining pada dunia pendidikan.
11. Outcomes yang diharapkan : Memahami aplikasi rapid miner.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)
13. Aktivitas Pembelajaran : Ketrampilan, Konsep dan Latihan
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview hasil studi kasus satu
pada pertemuan ketiga belas2. Menjelaskan tentang aplikasi yang
akan digunakan pada studi kasusdua
3. Menyampaikan soft kill yangdiharapkan
4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang studi kasus duadan aplikasi yang digunakan
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswamempresentasikan studi kasus dua
2. Merespon jawaban yang diberikanoleh mahasiswa
3. Meminta mahasiswa mendemokanaplikasi rapidminer yangdigunakan pada studi kasus dua
Memperhatikan Mendengarkan Mencatat bagian yang
penting Merespon pertanyaan
yang diberikan
Penutup 1. Meminta mahasiswa memberikankesimpulan dari pertemuan hari ini
2. Memberikan tugas3. Meminta mahasiswa mempelajari
kembali studi kasus dua besertaaplikasi rapidminer
Mendengarkan Menyepakati jadwal
lanjutan Merespon tugas yang
diberikan
14. Evaluasi : 1. Sebutkan kendala yang dialami dalampengerjaan studi kasus menggunakan aplikasirapidminer
2. Sebutkan pengertian dari aplikasi rapidminer15. Tugas : Merangkum materi perkuliahan selama satu
semester
16. Referensi :1. Data Mining Practical Machine Learning Tools and Techniques Second Edition, Witten
H. Ian and Frank Eibe, 2005.2. Data Mining Concepts and Techniques Second Edition, Han Jiawei and Kamber
Micheline, 20063. www.Sourceforge.net.project.rapidminer Data Mining, OLAP, ETL, BI, 20134. www.gobookee.net.upi-yptk.padang Intelligent Mining Association Rules, Sarjon Defit,
20105. www.upi-yptk.ac.id ejournal, 2013
SATUAN ACARA PERKULIAHAN (SAP)
1. Mata Kuliah : Data Mining2. Kode Mata Kuliah/SKS : - / 3 SKS3. Waktu Pertemuan : 3 x 50 Menit4. Jumlah Pertemuan : 16 Kali Tatap Muka5. Pertemuan Ke- : XVI (enam belas)6. Standar Kompetensi : Mahasiswa dapat menjelaskan kembali materi
kuliah selama satu semester7. Kompetensi Dasar : Mahasiswa mereview bahasan kuliah menjelang
ujian utama, mencakup semua materi secara garisbesar, mengingat mata kuliah ini ujian utama.
8. Soft Kill : Tanggung jawab, kosentrasi, kemampuanbekerjasama, ulet, toleransi.
9. Materi Pokok : Membuat kesimpulan akhir perkuliahan10. Indikator : Mahasiswa dapat menjelaskan kebutuhan data
mining pada suatu perusahaan dan tren data miningmasa kini.
11. Outcomes yang diharapkan : Memahami data mining secara keseluruhan.12. Model Pembelajaran : Pertemuan Kelas (Tatap muka dalam ruangan)13. Aktivitas Pembelajaran : Ketrampilan, Konsep
Tahap Kegiatan Kegiatan Dosen Kegiatan MahasiswaPendahuluan 1. Mereview hasil studi kasus dua
yang telah diberikan padapertemuan kelima belas
2. Menjelaskan tentang perbedaanaplikasi weka dan rapid miner yangdigunakan
3. Menyampaikan soft kill yangdiharapkan
4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang data miningbeserta aplikasi yang telahdiimplementasikan
Merespon Memperhatikan Tanya jawab
Penyajian 1. Meminta mahasiswa untukmempelajari materi perkuliahanselama satu semester
2. Merespon jawaban yang diberikanoleh mahasiswa
Memperhatikan Mendengarkan Mencatat bagian yang
penting
Penutup 1. Meminta mahasiswa mempelajarikembali semua materi selama satusemester untuk menghadapi ujian.
2. Memberikan kisi-kisi soal ujianfinal
Mendengarkan Mencatat bagian yang
penting Tanya jawab
14. Evaluasi : 3. Ujian Akhir (Final)15. Tugas : -16. Referensi : -