ai - gbpp - sap mata kuliah data mining

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


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



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






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


diberikan pada pertemuan kedua2. Menjelaskan tentang arsitektur dan

model data mining3. Menyampaikan soft kill yang


yang diharapkan setelah mengikutiperkuliahan tentang arsitektur danmodel data mining


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



yang diberikan





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






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.


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)



diberikan pada pertemuan ketiga2. Menjelaskan tentang fungsi data

mining3. Menyampaikan soft kill yang


yang diharapkan setelah mengikutiperkuliahan tentang fungsi datamining


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


4. Meminta mahasiswa menjelaskanfungsi dari classification,association, Sequential/temporalpattern dan clustering /segmentationyang digunakan dalam data mining



yang diberikan



pertemuan minggu ke limadiperpustakaan dan media internettentang fungsi data mining



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






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.


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)



diberikan pada pertemuan keempat2. Menjelaskan tentang fungsi data

mining3. Menyampaikan soft kill yang


yang diharapkan setelah mengikutiperkuliahan tentang fungsi datamining


Penyajian 1. Meminta mahasiswa menjelaskanfungsi data mining tentang fungsideskripsi, fungsi estimasi dan fungsiprediksi


3. Meminta mahasiswa menjelaskanfungsi deskripsi, fungsi estimasi danfungsi prediksi



yang diberikan


2. Memberikan tugas3. Meminta mahasiswa untuk

mempelajari kembali pertemuankesatu sampai ke lima untukpersiapan quis



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






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.


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)


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


yang diharapkan setelah mengikutiperkuliahan tentang dessicion treedan Assiation rule


Penyajian 1. Meminta mahasiswa menjelaskantentang kerja dessicion tree danAssiation rule


3. Meminta mahasiswa menjelaskandessicion tree dan Assiation rule



yang diberikan



pertemuan minggu ke delapandiperpustakaan dan media internettentang clustering (K-Means)



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)






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).


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)



diberikan pada pertemuan ketujuh2. Menjelaskan tentang Clustering (K-

Means)3. Menyampaikan soft kill yang


yang diharapkan setelah mengikutiperkuliahan tentang Clustering (K-Means)


Penyajian 1. Meminta mahasiswa menjelaskantentang kerja Clustering (K-Means)


3. Meminta mahasiswa menjelaskanClustering (K-Means)



yang diberikan



pertemuan minggu ke sembilandiperpustakaan dan media internettentang teknik-teknik data mining



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






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.


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


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


Penyajian 1. Meminta mahasiswa menyebutkantentang teknik-teknik data mining


3. Meminta mahasiswa menjelaskanteknik-teknik data mining



yang diberikan



pertemuan minggu ke sepuluhdiperpustakaan dan media internettentang aplikasi dan tren datamining



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






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.


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


diberikan pada pertemuankesembilan

2. Menjelaskan tentang aplikasi dantren data mining


4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang aplikasi dantren data mining


Penyajian 1. Meminta mahasiswa menyebutkantentang aplikasi dan tren datamining


3. Meminta mahasiswa menjelaskanaplikasi dan tren data mining



yang diberikan


2. Memberikan tugas3. Meminta mahasiswa mempelajari

kembali materi pertemuan kesatusampai ke sepuluh untuk persiapanujian tengah semester



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






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


4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang studi kasussatu dan aplikasi yang digunakan


Penyajian 1. Meminta mahasiswamempresentasikan studi kasus satu


3. Meminta mahasiswa mendemokanaplikasi weka yang digunakan padastudi kasus satu



yang diberikan



kembali studi kasus satu besertaaplikasi weka



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






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.


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


4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang studi kasus duadan aplikasi yang digunakan


Penyajian 1. Meminta mahasiswamempresentasikan studi kasus dua


3. Meminta mahasiswa mendemokanaplikasi rapidminer yangdigunakan pada studi kasus dua



yang diberikan



kembali studi kasus dua besertaaplikasi rapidminer



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






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.


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


4. Menguraikan kompetensi dasaryang diharapkan setelah mengikutiperkuliahan tentang data miningbeserta aplikasi yang telahdiimplementasikan


Penyajian 1. Meminta mahasiswa untukmempelajari materi perkuliahanselama satu semester



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 : -

ai - gbpp - sap mata kuliah data mining

Documents