UNIVERSITAS KLABAT
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA

RPS-57202-IFKV531
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
Penambangan dan Pergudangan Data/Data Mining and Warehousing IFKV531 Social Issues and Professional Practice T= 3 7 01 Jul 2024
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Argha Orion Silitonga
Argha Orion Silitonga
Semmy Wellem Taju, S.Kom., M.S., PhD
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL05 Memiliki pengetahuan yang memadai terkait cara kerja sistem komputer dan mampu menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu organisasi.
CPL06 Memiliki kompetensi untuk menganalisis persoalan computing yang kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika/ilmu komputer dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin
CPL10 Kemampuan mengimplementasi kebutuhan computing dengan mempertimbangkan berbagai metode/algoritma yang sesuai.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK07 Mampu belajar mandiri dan beradaptasi dengan teknologi baru sepanjang karier profesional.
CPMK10 Mampu menerapkan konsep statistika, probabilitas, dan kalkulus dalam analisis data dan pengambilan keputusan.
CPMK11 Mampu melakukan analisis kebutuhan, risiko, dan evaluasi proyek TI menggunakan metode ilmiah dan pendekatan sistem.
CPMK12 Merancang solusi berbasis penelitian ilmiah (skripsi/tugas akhir) yang relevan dengan industri dan masyarakat.
CPMK20 Mampu menyusun proposal, laporan, dan artikel ilmiah berdasarkan metodologi penelitian yang valid.
CPMK21 Mampu menyajikan hasil penelitian dalam bentuk presentasi ilmiah dan publikasi jurnal/konferensi.
CPMK29 Mampu mengevaluasi kualitas, keamanan, dan skalabilitas solusi TI yang telah diimplementasikan.
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.IFKV531.CPMK07.1 Mampu mengeksplorasi secara mandiri dokumentasi teknologi penambangan data mutakhir (framework, library, atau algoritma baru) di luar materi kelas untuk menyelesaikan studi kasus analisis data yang kompleks.
sub.cpmk.IFKV531.CPMK10.1 Mampu menerapkan konsep statistika deskriptif dan fungsi linear matematika dalam memodelkan estimasi nilai kontinu menggunakan metode Linear Regression.
sub.cpmk.IFKV531.CPMK10.2 Mampu menggunakan teori probabilitas statistika untuk menghitung bobot parameter, mengevaluasi akurasi, dan menentukan batas keputusan dalam algoritma Classification.
sub.cpmk.IFKV531.CPMK11.1 Mampu menganalisis karakteristik data mentah dan menentukan teknik Data Preprocessing (termasuk cleaning dan integration) yang tepat sesuai dengan kebutuhan proyek penambangan data.
sub.cpmk.IFKV531.CPMK11.2 Mampu mengevaluasi risiko performa komputasi algoritma dan mengatasinya dengan menerapkan metode Data Reduction untuk mereduksi dimensi variabel tanpa kehilangan esensi informasi.
sub.cpmk.IFKV531.CPMK12.1 Mampu merancang alur pipeline Data Mining yang komprehensif mulai dari pengumpulan data otomatis via Web Scraping (Scrapy) hingga pemodelan prediktif sebagai solusi atas permasalahan nyata.
sub.cpmk.IFKV531.CPMK20.1 Mampu menyusun metodologi eksperimen Data Mining yang valid dengan mengadopsi kerangka kerja ilmiah berbasis studi kasus.
sub.cpmk.IFKV531.CPMK21.1 Mampu menyajikan dan mengomunikasikan temuan pola tersembunyi atau performa model prediktif secara efektif menggunakan teknik Data Visualization yang interaktif dan informatif.
sub.cpmk.IFKV531.CPMK29.1 Mampu mengevaluasi kualitas dataset eksperimen dan menerapkan teknik Data Smoothing untuk mereduksi noise guna meningkatkan validitas akurasi akhir model.
sub.cpmk.IFKV531.CPMK29.2 Mampu menguji skalabilitas dan keandalan skrip robot penjelajah (spider) pada Scrapy saat mengekstrak data skala besar dari web target secara aman dan efisien.
Korelasi CPMK terhadap Sub-CPMK
CPMK07 sub.cpmk.IFKV531.CPMK07.1
CPMK10 sub.cpmk.IFKV531.CPMK10.1
sub.cpmk.IFKV531.CPMK10.2
CPMK11 sub.cpmk.IFKV531.CPMK11.1
sub.cpmk.IFKV531.CPMK11.2
CPMK12 sub.cpmk.IFKV531.CPMK12.1
CPMK20 sub.cpmk.IFKV531.CPMK20.1
CPMK21 sub.cpmk.IFKV531.CPMK21.1
CPMK29 sub.cpmk.IFKV531.CPMK29.1
sub.cpmk.IFKV531.CPMK29.2
Deskripsi Singkat MK Mata Kuliah ini akan memberikan gambaran tentang aplikasi, metode, tools, dan teknologi mengenai data science dan data mining. Mempelajari algoritma dan paradigma komputasi yang memungkinkan computer menemukan pola dan keteraturan dalam kumpulan data, melakukan prediksi dan forecasting, klasifikasi, clustering, asosiasi, dan secara umum meningkatkan kinerja melalui interaksi dengan data. Saat ini dianggap sebagai elemen kunci dari proses yang lebih umum disebut Knowledge Discovery yang berhubungan dengan penggalian pengetahuan yang berguna dari raw data. Proses penemuan pengetahuan mencakup: data selection, cleaning, coding, menggunakan teknik statistika dan machine learning yang berbeda, serta visualisasi struktur yang dihasilkan.
Bahan Kajian : Materi Pembelajaran 1) Pengenalan & Pra-pemrosesan Data: Data mining adalah proses mencari pola berharga dari data besar, yang diawali dengan membersihkan data (preprocessing), menghilangkan gangguan (smoothing), dan menyederhanakan ukuran data (reduction). 2) Visualisasi Data: Mengubah kumpulan angka yang rumit menjadi grafik atau diagram agar tren dan pola data lebih mudah dipahami oleh manusia secara visual. 3) Analisis Prediktif (Regresi & Klasifikasi): Dua metode utama untuk menebak masa depan; Regresi digunakan untuk memprediksi angka (seperti harga atau nilai), sedangkan Klasifikasi untuk memprediksi kategori (seperti lulus/gagal atau ya/tidak). 4) Studi Kasus E-Learning: Penerapan nyata data mining untuk memprediksi performa belajar siswa berdasarkan keaktifan mereka di platform digital, sehingga guru bisa membantu siswa yang kesulitan sejak dini. 5) Pengumpulan Data (Web Scraping): Langkah awal mendapatkan bahan analisis dari internet secara otomatis menggunakan alat khusus bernama Scrapy.
Pustaka Utama
  • 1. Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques Third Edition, Elsevier, 2012
  • 2. Matthew North, Data Mining for the Masses, 2nd Edition, Creative Commons Attribution, 2012
  • 3. Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Practical Machine Learning Tools and Techniques 3rd Edition, Elsevier, 2011
  • 4. Markus Hofmann and Ralf Klinkenberg, RapidMiner: Data Mining Use Cases and Business Analytics Applications, CRC Press Taylor & Francis Group, 2014
  • 5. Daniel T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, John Wiley & Sons, 2005
Pendukung
  • 6. Oded Maimon and Lior Rokach, Data Mining and Knowledge Discovery Handbook Second Edition, Springer, 2010
  • 7. Warren Liao and Evangelos Triantaphyllou (eds.), Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, World Scientific, 2007
Dosen Pengampu Sandag, Green A., Silitonga, Argha
Mata Kuliah Syarat [IFMI252] Sistem Manajemen Basisdata/ Database Management System
Pertemuan Ke Kemampuan akhir tiap tahapan belajar (Sub-CPMK) Penilaian Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; Materi Pembelajaran Bobot Penilaian
Indikator Kriteria & Teknik Luring Daring
1 sub.cpmk.IFKV531.CPMK07.1-Mampu mengeksplorasi secara mandiri dokumentasi teknologi penambangan data mutakhir (framework, library, atau algoritma baru) di luar materi kelas untuk menyelesaikan studi kasus analisis data yang kompleks. Kriteria
Partisipasi aktif
Teknik
 kehadiran,Ceramah,[CR=150 Menit]
 Topik
Introduction to Data Mining & Era Big Data
Sub Topik
Definisi Data Mining, proses KDD (Knowledge Discovery in Databases), serta tantangan penambangan data di industri modern
 6
2 sub.cpmk.IFKV531.CPMK12.1-Mampu merancang alur pipeline Data Mining yang komprehensif mulai dari pengumpulan data otomatis via Web Scraping (Scrapy) hingga pemodelan prediktif sebagai solusi atas permasalahan nyata. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Data Acquisition: Web Scraping dengan Scrapy
Sub Topik
Pengantar ekstraksi data dari internet, instalasi Scrapy, dan pembuatan komponen Spider untuk mengambil data mentah
 6
3 sub.cpmk.IFKV531.CPMK29.2-Mampu menguji skalabilitas dan keandalan skrip robot penjelajah (spider) pada Scrapy saat mengekstrak data skala besar dari web target secara aman dan efisien. Kriteria
Kemampuan pemecahan masalah
Teknik
 Diskusi,Diskusi Kelompok,[DK=150 Menit]
 Topik
Advanced Web Scraping & Skalabilitas Sistem
Sub Topik
Menangani pagination, crawling multi-halaman, serta menguji ketahanan robot penjelajah saat mengambil data skala besar
 6
4 sub.cpmk.IFKV531.CPMK11.1-Mampu menganalisis karakteristik data mentah dan menentukan teknik Data Preprocessing (termasuk cleaning dan integration) yang tepat sesuai dengan kebutuhan proyek penambangan data. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Data Preprocessing: Cleaning & Integration
Sub Topik
Strategi menangani nilai yang hilang (missing values), mendeteksi data duplikat, dan mengintegrasikan berbagai sumber data hasil scraping
 6
5 sub.cpmk.IFKV531.CPMK29.1-Mampu mengevaluasi kualitas dataset eksperimen dan menerapkan teknik Data Smoothing untuk mereduksi noise guna meningkatkan validitas akurasi akhir model. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Praktikum,Studi Kasus,[SK=150 Menit]
 Topik
Data Preprocessing: Data Smoothing & Noise Filtering
Sub Topik
Mengatasi data yang kotor atau berisik (noisy data) menggunakan metode binning dan teknik deteksi pencilan (outlier).
 6
6 sub.cpmk.IFKV531.CPMK11.2-Mampu mengevaluasi risiko performa komputasi algoritma dan mengatasinya dengan menerapkan metode Data Reduction untuk mereduksi dimensi variabel tanpa kehilangan esensi informasi. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Data Reduction & Feature Selection
Sub Topik
Strategi menyederhanakan dimensi data dan pemilihan fitur (feature selection) untuk mengoptimalkan efisiensi komputasi algoritma.
 6
7 sub.cpmk.IFKV531.CPMK21.1-Mampu menyajikan dan mengomunikasikan temuan pola tersembunyi atau performa model prediktif secara efektif menggunakan teknik Data Visualization yang interaktif dan informatif. Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Data Visualization & Exploratory Data Analysis (EDA)
Sub Topik
Teknik memvisualisasikan data (grafik batang, scatter plot, heatmap) untuk menemukan korelasi awal antar variabel sebelum pemodelan.
 6
8 sub.cpmk.IFKV531.CPMK21.1-Mampu menyajikan dan mengomunikasikan temuan pola tersembunyi atau performa model prediktif secara efektif menggunakan teknik Data Visualization yang interaktif dan informatif. Mahasiswa mempresentasikan kemajuan proyek riset mereka secara lisan dan visual. Fokus penilaian murni pada kualitas teknik dan visualisasi penyajian laporan lisan di depan kelas. Kriteria
Ketepatan metode atau prosedur penyelesaian
Teknik
Evaluasi 		UTS,Presentasi Mahasiswa,[PMA=150 Menit]
 Topik
Mid-Term Evaluation (Mid Project Presentation)
Sub Topik
Presentasi Kemajuan Proyek Paruh Waktu
 11
9 sub.cpmk.IFKV531.CPMK10.1-Mampu menerapkan konsep statistika deskriptif dan fungsi linear matematika dalam memodelkan estimasi nilai kontinu menggunakan metode Linear Regression. Kriteria
Partisipasi aktif
Teknik
 kehadiran,Ceramah,[CR=150 Menit]
 Topik
Predictive Modeling: Linear Regression Foundations
Sub Topik
Konsep dasar regresi linier dan penggunaan fungsi matematika kontinu untuk memodelkan hubungan sebab-akibat antar variabel data.
 6
10 sub.cpmk.IFKV531.CPMK10.1-Mampu menerapkan konsep statistika deskriptif dan fungsi linear matematika dalam memodelkan estimasi nilai kontinu menggunakan metode Linear Regression. Kriteria
Ketepatan analisis dan interpretasi
Teknik
 Diskusi,Diskusi Kelompok,[DK=150 Menit]
 Topik
Regression Evaluation Metrics & Optimization
Sub Topik
Mengukur performa model regresi menggunakan metrik statistik (R2, MSE, RMSE) sebagai dasar penarikan kesimpulan.
 6
11 sub.cpmk.IFKV531.CPMK10.2-Mampu menggunakan teori probabilitas statistika untuk menghitung bobot parameter, mengevaluasi akurasi, dan menentukan batas keputusan dalam algoritma Classification. Kriteria
Partisipasi aktif
Teknik
 kehadiran,Ceramah,[CR=150 Menit]
 Topik
Pattern Analysis: Classification Algorithms
Sub Topik
Konsep dasar klasifikasi data (prediksi label diskret) dan pembagian dataset menggunakan pendekatan teori probabilitas.
 6
12 sub.cpmk.IFKV531.CPMK10.2-Mampu menggunakan teori probabilitas statistika untuk menghitung bobot parameter, mengevaluasi akurasi, dan menentukan batas keputusan dalam algoritma Classification. Kriteria
Ketepatan analisis dan interpretasi
Teknik
 Praktikum,Project Based Learning,[PBL=150 Menit]
 Topik
Classification Evaluation & Model Validation
Sub Topik
Menguji performa klasifikasi menggunakan Confusion Matrix (Akurasi, Presisi, Recall) serta menganalisis tingkat risiko kesalahan prediksi model.
 6
13 sub.cpmk.IFKV531.CPMK20.1-Mampu menyusun metodologi eksperimen Data Mining yang valid dengan mengadopsi kerangka kerja ilmiah berbasis studi kasus. Kriteria
Ketepatan analisis dan interpretasi
Teknik
 Diskusi,Diskusi Kelompok,[DK=300 Menit]
 Topik
Deep Dive Case Study: Student Performance Prediction
Sub Topik
Bedah metodologi eksperimen dari studi kasus nyata (Prediction of Students’ Performance untuk E-Learning) guna memahami struktur penulisan riset yang valid.
 12
14
15 sub.cpmk.IFKV531.CPMK20.1-Mampu menyusun metodologi eksperimen Data Mining yang valid dengan mengadopsi kerangka kerja ilmiah berbasis studi kasus. Pengumpulan Artikel Ilmiah & Solusi Proyek Kriteria
Kesesuaian output dengan spesifikasi yang diminta
Teknik
Evaluasi 		UAS,Project Based Learning,[PBL=150 Menit]
 Topik
End-of-Term Evaluation (Final Project Showcase)
Sub Topik
Evaluasi akhir difokuskan pada produk tertulis berupa draf artikel ilmiah/makalah hasil penelitian eksperimen Data Mining kelompok yang siap dipublikasikan.
 11

Teknik Penilaian CPMK

CPL MK CPMK Kehadiran Tugas Praktek Mid Test (UTS) Latihan Final Test (UAS)
CPL04 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK07 Y
CPL05 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK10 Y Y Y
CPL06 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK11 Y
CPL06 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK12 Y
CPL09 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK20 Y Y
CPL09 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK21 Y Y
CPL12 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK29 Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL04 CPMK07 sub.cpmk.IFKV531.CPMK07.1 6 Partisipasi aktif
CPL06 CPMK12 sub.cpmk.IFKV531.CPMK12.1 6 Kesesuaian output dengan spesifikasi yang diminta
CPL12 CPMK29 sub.cpmk.IFKV531.CPMK29.2 6 Kemampuan pemecahan masalah
CPL06 CPMK11 sub.cpmk.IFKV531.CPMK11.1 6 Kesesuaian output dengan spesifikasi yang diminta
CPL12 CPMK29 sub.cpmk.IFKV531.CPMK29.1 6 Kesesuaian output dengan spesifikasi yang diminta
CPL06 CPMK11 sub.cpmk.IFKV531.CPMK11.2 6 Kesesuaian output dengan spesifikasi yang diminta
CPL09 CPMK21 sub.cpmk.IFKV531.CPMK21.1 6 Kesesuaian output dengan spesifikasi yang diminta
CPL09 CPMK21 sub.cpmk.IFKV531.CPMK21.1 Evaluasi 11 Ketepatan metode atau prosedur penyelesaian
CPL05 CPMK10 sub.cpmk.IFKV531.CPMK10.1 6 Partisipasi aktif
CPL05 CPMK10 sub.cpmk.IFKV531.CPMK10.1 6 Ketepatan analisis dan interpretasi
CPL05 CPMK10 sub.cpmk.IFKV531.CPMK10.2 6 Partisipasi aktif
CPL05 CPMK10 sub.cpmk.IFKV531.CPMK10.2 6 Ketepatan analisis dan interpretasi
CPL09 CPMK20 sub.cpmk.IFKV531.CPMK20.1 12 Ketepatan analisis dan interpretasi
CPL09 CPMK20 sub.cpmk.IFKV531.CPMK20.1 Evaluasi 11 Kesesuaian output dengan spesifikasi yang diminta
Total 100
2. Penilaian CPMK
CPL MK CPMK Kehadiran Tugas Praktek Mid Test (UTS) Latihan Final Test (UAS) Total
CPL04 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK07 6% 0% 0% 0% 0% 0% 6%
CPL05 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK10 12% 6% 6% 0% 0% 0% 24%
CPL06 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK11 0% 0% 12% 0% 0% 0% 12%
CPL06 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK12 0% 6% 0% 0% 0% 0% 6%
CPL09 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK20 0% 0% 0% 0% 12% 11% 23%
CPL09 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK21 0% 0% 6% 11% 0% 0% 17%
CPL12 Penambangan dan Pergudangan Data/Data Mining and Warehousing CPMK29 0% 6% 6% 0% 0% 0% 12%
100%