SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER Kode

Dokumen
(STMIK)BANJARBARU
PROGRAM STUDI TEKNIK INFORMATIKA

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl Penyusunan
Data Mining IKK-T006 Mata Kuliah Keilmuan dan T=3 P= - 5 1 Februari 2023
Keterampilan
OTORISASI Pengembang RPS Koordinator RMK Ketua PRODI
Andita Suci Pratiwi, S.Kom, M.Sc
Ka. UPM
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
(CP) CPL1 Menguasai konsep dan prinsip-prinsip sistem cerdas meliputi teknik representasi dan penalaran, teknik pencarian,
agent, penggalian data, dan pembelajaran mesin, serta pengembangan aplikasi cerdas pada berbagai bidang, serta
menguasai konsep dan prinsip- prinsip ilmu komputasi meliputi pengelolaan informasi, pengolahan data multimedia,
dan analisis numerik.
CPL2 Menguasai prinsip dan teknik penyelesaian permasalahan dengan menggunakan: kalkulus, matriks, statistika,
aproksimasi, optimasi liner, pemodelan dan simulasi
CPL3 Mampu menyelesaikan persoalan komputasi dan pemodelan matematis melalui pendekatan eksak, stokastik,
probabilistik dan numerik secara efektif dan efisien.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK1 Mampu menjelaskan pengertian tentang konsep-konsep fundamental yang berkaitan dengan penggunaan dan implementasi data
mining.
CPMK2 Mampu menjelaskan konsep dasar Knowledge Discovery on Database (KDD).
CPMK3 Mampu menguasai komponen-komponen dasar data mining
CPMK4 Mampu menguasai model-model data mining
CPMK5 Mampu Membuat Program menggunakan model-model data mining
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
Sub-CPMK1 Mahasiswa akan mampu mengenal konsep-konsep, pengolahan data mining.
 Sub-CPMK2 Mahasiswa akan mampu memahami konsep dasar KDD.
Sub-CPMK3 Mahasiswa akan mampu membuat langkah-langkah pemecahan masalah menggunakan modul dengan tepat
Sub-CPMK4 Mahasiswa akan mampu menyelesaikan algoritma prediktif.
Sub-CPMK5 Mahasiswa akan mampu menyelesaikan algoritma deskriptif.
Sub-CPMK6 Mahasiswa akan mampu mengevaluasi model-model data mining
Sub-CPMK7 Mahasiswa akan mampu memecahkan masalah dengan penggunaan modul.
Sub-CPMK8 Mahasiswa akan mampu menggunakan tools data mining
Sub-CPMK9 Mahasiswa akan mampu mensimulasikan studi kasus dalam bentuk program sesuai dengan output yang diinginkan.
Korelasi CPL terhadap Sub-CPMK
Sub- Sub- Sub- Sub- Sub- Sub- Sub- Sub- Sub-
CPMK1 CPMK2 CPMK3 CPMK4 CPMK5 CPMK6 CPMK7 CPMK8 CPMK9
CPL1 √ √ √ √ √ √ √ √ √
CPL2 √ √ √ √
CPL3 √ √ √ √ √ √ √ √
DeskripsiSingkat MK Melalui mata kuliah ini, mahasiswa akan belajar mengenai konsep-konsep data mining, metode pengolahan data mining, data set, algoritma data
mining, konsep dasar Knowledge Discovery on Database (KDD), tahapan-tahapan dalam KDD, arsitektur dan model-model data mining, serta
mampu mengimplementasikan data mining sesuai dengan kebutuhan pengguna.
Bahan Kajian: Materi Pengantar kuliah, konsep data mining, proses knowledge data discovery (KDD), arsitektur dan model data mining, algoritma prediktif (regresi),
Pembelajaran algoritma prediktif (klasifikasi), algoritma prediktif (estimasi), algoritma deskriptif (klasterisasi), algoritma deskriptif (asosiasi), evaluasi model
data mining, tools data mining, dan project data mining.
Pustaka Utama :
1. Kusrini, Algoritma Data Mining, ANDI, Yogyakarta, 2009
2. Budi Santosa, Data mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta, 2007
3. Fajar Astuti Hermawati, Data Mining, Andi, Surabaya, 2009
4. Suyanto, Data Mining, Untuk Klasifikasi Dan Klasterisasi Data, Informatika, Bandung, 2017
5. Berry,Michael JA, Linoff, Gordon S., Mastering Data Mining: The Art and Science of Customer Relationship Management,John Willey,
Canada, 2000
6. Dennis Aprilla C, Donny Aji Baskoro, Lia Ambarwati, I Wayan Simri Wicaksono, Jakarta, 2013

Pendukung :
1. Chakrabarti, Soumen, Mining the Web: Discovering Knowledge from Hypertext Data, Morgan Kaufman Series, San Fransisco, 2003
2. Dilly, Ruth, Student Notes: Data Mining:An Introduction, Queens
University,Belfast,www.pcc.qub.ac.uk/tec/courses/datamining/stu_notes/dm_book_1.html
Dosen Pengampu Erwin Arry Kusuma, M.Kom
Matakuliahsyarat Tidak ada
Bantuk Pembelajaran,
Kemampuan akhir tiap Metode Pembelajaran, Bobot
Penilaian Materi Pembelajaran
Mg Ke- tahapan belajar Penugasan Mahasiswa, Penilaian
[ Estimasi Waktu] [Pustaka]
(Sub-CPMK) (%)
Indikator Kriteria &Teknik Luring (offline) Daring (online)
(1) (2) (3) (4) (5) (6) (7) (8)
1 1. Mahasiswa mengetahui Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
tentang MK dan RPS Pengetahuan  Pertisipasi (forum penjelasan Modul 1 penjelasan modul 1 pembelajaran
2. Mahasiswa mengetahui tentang MK, diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
tentang Peraturan RPS, Penilaian, kuliah, 3x) Berdiskusi tanya Pembelajaran
Penilaian, Absensi dan Kontrak jawab dengan
Sanksi Perkuliahan, Kriteria: mengisi komentar 3x Pustaka:
3. Mahasiswa mengetahui bahan pustaka pada forum diskusi Webkuliah materi 1
Mampu mengetahui
tentang kontrak
tentang MK, RPS,
perkuliahan
Penilaian, Kontrak Buku:
4. Mahasiswa mengetahui
tentang Bahan Pustaka Perkuliahan, bahan Modul 1
yang digunakan sebagai pustaka
referensi
5. Mahasiswa Mengetahui
kompetensi lulusan
2 1. Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menyebut definisi mendefinisikan  Pertisipasi (forum penjelasan Modul 1 penjelasan Modul 1 pembelajaran
data mining, data mining, diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
kebutuhan dan ilmu- kebutuhan dan kuliah, 3x) Berdiskusi tanya Pembelajaran
ilmu yang berkaitan ilmu-ilmu yang  mengerjakan soal jawab dengan
dengan data mining berkaitan latihan pada mengisi komentar 3x Pustaka:
2. Mahasiswa dapat dengan data webkuliah pada forum diskusi Webkuliah materi 2
menyebut dan mining dan  Membuat
menerangkan teknik teknik-teknik Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
 teknik database, database serta (1x2x60’) (1x2x60’) Modul 1
penerapan data tools yang Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mining dan tools yang digunakan pada mampu web kuliah pada web kuliah
digunakan pada data data mining mendefinisikan data
mining, kebutuhan
mining
dan ilmu-ilmu yang Tugas Mandiri Tugas Mandiri
berkaitan dengan (1x2x60’) (1x2x60’)
data mining dan Mempelajarai materi Mempelajarai materi
teknik-teknik modul 1 dan membuat Modul 1
database serta tools ringkasan
yang digunakan pada
data mining
3 1. Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menyebut definisi Menerangkan  Pertisipasi (forum penjelasan Modul 2 penjelasan modul 2 pembelajaran
KDD definisi dan diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
2. Mahasiswa dapat langkah-langkah kuliah, 3x) Berdiskusi tanya Pembelajaran
menerangkan konsep proses KDD,  mengerjakan soal jawab dengan
data preprocessing, konsep data latihan pada mengisi komentar 3x Pustaka:
datawarehouse preprocessing, webkuliah pada forum diskusi Webkuliah materi 3
3. Mahasiswa dapat data warehouse  Membuat
menerangkan konsep Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
langkah-langkah (1x2x60’) (1x2x60’) Modul 2
dalam proses KDD Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu web kuliah pada web kuliah
Menerangkan
definisi dan langkah-
langkah proses KDD, Tugas Mandiri Tugas Mandiri
konsep data (1x2x60’) (1x2x60’)
preprocessing, data Mempelajarai materi Mempelajarai materi
warehouse modul 2 dan membuat Modul 2
ringkasan
4 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menyebutkan dan menyebutkan  Pertisipasi (forum penjelasan Modul 2 penjelasan Modul 2 pembelajaran
 menerangkan komponen dan diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dari system data mining dan menerangkan kuliah, 3x) Berdiskusi tanya Pembelajaran
model data mining. komponen dari  mengerjakan soal jawab dengan
system data latihan pada mengisi komentar 3x Pustaka:
mining dan webkuliah pada forum diskusi Webkuliah materi 4
model data  Membuat
mining. Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 2
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu web kuliah pada web kuliah
menyebutkan dan
menerangkan
komponen dari Tugas Mandiri Tugas Mandiri
system data mining (1x2x60’) (1x2x60’)
dan model data Mempelajarai materi Mempelajarai materi
mining. modul 2 Modul 2

5 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menjelaskan algoritma data menjelaskan  Pertisipasi (forum penjelasan Modul 2 penjelasan modul 2 pembelajaran
mining prediktif regresi linier algoritma data diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dan regresi linier berganda mining prediktif kuliah, 3x) Berdiskusi tanya Pembelajaran
regresi linier  mengerjakan soal jawab dengan
dan regresi latihan pada mengisi komentar 3x Pustaka:
linier berganda webkuliah pada forum diskusi Webkuliah materi 5
 Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 2
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu menjelaskan web kuliah pada web kuliah
algoritma data
mining prediktif
regresi linier dan Tugas Mandiri Tugas Mandiri
regresi linier (1x2x60’) (1x2x60’)
 berganda Mempelajarai materi Mempelajarai materi
modul 2 dan membuat Modul 2
ringkasan
6 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menjelaskan algoritma data menjelaskan  Pertisipasi (forum penjelasan Modul 2 penjelasan modul 2 pembelajaran
mining prediktif klasifikasi algoritma data diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dengan menggunakan K- mining prediktif kuliah, 3x) Berdiskusi tanya Pembelajaran
Nearest Neighbor klasifikasi  mengerjakan soal jawab dengan
dengan latihan pada mengisi komentar 3x Pustaka:
menggunakan webkuliah pada forum diskusi Webkuliah materi 6
K-Nearest  Membuat
Neighbor Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 2
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu menjelaskan web kuliah pada web kuliah
algoritma data
mining prediktif
klasifikasi dengan Tugas Mandiri Tugas Mandiri
menggunakan K- (1x2x60’) (1x2x60’)
Nearest Neighbor Mempelajarai materi Mempelajarai materi
modul 2 dan membuat Modul 2
ringkasan
7 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menjelaskan algoritma data menjelaskan  Pertisipasi (forum penjelasan Modul 3 penjelasan modul 3 pembelajaran
mining prediktif klasifikasi algoritma data diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dengan menggunakan Naive mining prediktif kuliah, 3x) Berdiskusi tanya Pembelajaran
Bayes klasifikasi  mengerjakan soal jawab dengan
dengan latihan pada mengisi komentar 3x Pustaka:
menggunakan webkuliah pada forum diskusi Webkuliah materi 7
Naive Bayes  Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 3
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
 mampu menjelaskan web kuliah pada web kuliah
algoritma data
mining prediktif
klasifikasi dengan Tugas Mandiri Tugas Mandiri
menggunakan Naive (1x2x60’) (1x2x60’)
Bayes Mempelajarai materi Mempelajarai materi
modul 3 dan membuat Modul 3
ringkasan
8 Evaluasi Tengah Semester / Ujian Tengan Semester
9 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 3. Ebook materi 5%
menjelaskan algoritma data menjelaskan  Pertisipasi (forum penjelasan Modul 3 penjelasan modul 3 pembelajaran
mining deskriptif algoritma data diskusi pada web (1X2X50’) (1X2X50’) 4. Rencana
klasiterisasi, memahami mining kuliah, 3x) Berdiskusi tanya Pembelajaran
konsep dasar analisa klaster deskriptif  mengerjakan soal jawab dengan
klasiterisasi, latihan pada mengisi komentar 3x Pustaka:
memahami webkuliah pada forum diskusi Webkuliah materi 7
konsep dasar  Membuat
analisa klaster Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 3
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu menjelaskan web kuliah pada web kuliah
algoritma data
mining deskriptif
klasiterisasi, Tugas Mandiri Tugas Mandiri
memahami konsep (1x2x60’) (1x2x60’)
dasar analisa klaster Mempelajarai materi Mempelajarai materi
modul 3 dan membuat Modul 3
ringkasan
10 Mahasiswa akan mampu Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menggunakan algoritma menerapkan  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
clustering dengan algoritma diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
menggunakan K-Means clustering kuliah, 3x) Berdiskusi tanya Pembelajaran
dengan  mengerjakan soal jawab dengan
 menggunakan latihan pada mengisi komentar 3x Pustaka:
K-Means webkuliah pada forum diskusi Webkuliah materi 9
 Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 1
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu menerapkan web kuliah pada web kuliah
algoritma clustering
dengan
menggunakan K- Tugas Mandiri Tugas Mandiri
Means (1x2x60’) (1x2x60’)
Mempelajarai materi Mempelajarai materi
modul 4 dan membuat Modul 4
ringkasan
11 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menjelaskan algoritma data menjelaskan  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
mining deskriptif asosiasi algoritma data diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dan, memahami konsep mining kuliah, 3x) Berdiskusi tanya Pembelajaran
dasar asosiasi deskriptif  mengerjakan soal jawab dengan
asosiasi dan, latihan pada mengisi komentar 3x Pustaka:
memahami webkuliah pada forum diskusi Webkuliah materi 10
konsep dasar  Membuat
asosiasi Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
Kriteria: (1x2x60’) (1x2x60’) Modul 1
mampu menjelaskan Mengerjakan kuis pada Mengerjakan kuis
algoritma data web kuliah pada web kuliah
mining deskriptif
asosiasi dan,
memahami konsep Tugas Mandiri Tugas Mandiri
dasar asosiasi (1x2x60’) (1x2x60’)
Mempelajarai materi Mempelajarai materi
modul 4 dan membuat Modul 4
ringkasan
12 Mahasiswa akan mampu Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menggunakan algoritma menggunakan  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
asosiasi dengan algoritma diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
menggunakan metode asosiasi dengan kuliah, 3x) Berdiskusi tanya Pembelajaran
Apriori menggunakan  mengerjakan soal jawab dengan
metode Apriori latihan pada mengisi komentar 3x Pustaka:
webkuliah pada forum diskusi Webkuliah materi 11
 Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 1
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu web kuliah pada web kuliah
menggunakan
algoritma asosiasi
dengan Tugas Mandiri Tugas Mandiri
menggunakan (1x2x60’) (1x2x60’)
metode Apriori Mempelajarai materi Mempelajarai materi
modul 4 Modul 4
13 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
menjelaskan evaluasi model menjelaskan  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
data mining evaluasi model diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
data mining kuliah, 3x) Berdiskusi tanya Pembelajaran
 mengerjakan soal jawab dengan
latihan pada mengisi komentar 3x Pustaka:
webkuliah pada forum diskusi Webkuliah materi 12
 Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 1
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu menjelaskan web kuliah pada web kuliah
evaluasi model data
mining
Tugas Mandiri Tugas Mandiri
 (1x2x60’) (1x2x60’)
Mempelajarai materi Mempelajarai materi
modul 4 dan membuat Modul 4
ringkasan
14 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi 5%
mengimplementasikan serta mengimplement  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
memperaktekkan data asikan serta diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
mining menggunakan tools memperaktekka kuliah, 3x) Berdiskusi tanya Pembelajaran
data mining RapidMiner n data mining  mengerjakan soal jawab dengan
menggunakan latihan pada mengisi komentar 3x Pustaka:
tools data webkuliah pada forum diskusi Webkuliah materi 13
mining  Membuat
RapidMiner Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 1
Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu web kuliah pada web kuliah
mengimplementasik
an serta
memperaktekkan Tugas Mandiri Tugas Mandiri
data mining (1x2x60’) (1x2x60’)
menggunakan tools Mempelajarai materi Mempelajarai materi
data mining modul 4 dan membuat Modul 4
RapidMiner ringkasan
15 Mahasiswa dapat Ketuntasan: Teknik/Bentuk : Kuliah : tatap muka Kuliah: Tatap Maya 1. Ebook materi
mempresentasikan dan mempresentasi  Pertisipasi (forum penjelasan Modul 4 penjelasan modul 4 pembelajaran
mensimulasikan studi kasus kan dan diskusi pada web (1X2X50’) (1X2X50’) 2. Rencana
dalam bentuk projek data mensimulasikan kuliah, 3x) Berdiskusi tanya Pembelajaran
mining studi kasus  mengerjakan soal jawab dengan
dalam bentuk latihan pada mengisi komentar 3x Pustaka:
projek data webkuliah pada forum diskusi Webkuliah materi 14
mining  Membuat
Ringkasan Tugas Terstruktur Tugas Terstruktur Buku:
(1x2x60’) (1x2x60’) Modul 1
 Kriteria: Mengerjakan kuis pada Mengerjakan kuis
mampu web kuliah pada web kuliah
mempresentasikan
dan mensimulasikan
studi kasus dalam Tugas Mandiri Tugas Mandiri
bentuk projek data (1x2x60’) (1x2x60’)
mining Mempelajarai materi Mempelajarai materi
modul 4 dan membuat Modul 4
ringkasan
16 Evaluasi Akhir Semester / Ujian Akhir Semester

1.1 Rubrik Penilaian

Rubrik Penilaian Aktivitas pembelajaran

Sub
Kriteria/ Item
CPMK 1 (kurang) 2 (cukup) 3 (baik) 4 (sangat baik)
Penilaian
1 Mampu mengetahui Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu mengetahui
tentang MK, RPS, mengetahui tentang MK, mengetahui tentang MK, mengetahui tentang tentang MK, RPS, Penilaian,
Penilaian, Kontrak RPS, Penilaian, Kontrak RPS, Penilaian, Kontrak MK, RPS, Penilaian, Kontrak Perkuliahan, bahan
Perkuliahan, bahan Perkuliahan, bahan pustaka Perkuliahan, bahan pustaka Kontrak Perkuliahan, pustaka dengan sangat baik
pustaka bahan pustaka dengan
baik
2 Mampu mendefinisikan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu
data mining, kebutuhan mendefinisikan data mendefinisikan data mendefinisikan data mendefinisikan data mining,
dan ilmu-ilmu yang mining, kebutuhan dan mining, kebutuhan dan mining, kebutuhan kebutuhan dan ilmu-ilmu yang
berkaitan dengan data ilmu-ilmu yang berkaitan ilmu-ilmu yang berkaitan dan ilmu-ilmu yang berkaitan dengan data mining
mining dan teknik-teknik dengan data mining dan dengan data mining dan berkaitan dengan data dan teknik-teknik database serta
database serta tools yang teknik-teknik database teknik-teknik database mining dan teknik- tools yang digunakan pada data
digunakan pada data serta tools yang digunakan serta tools yang digunakan teknik database serta mining dengan sangat baik
mining pada data mining pada data mining tools yang digunakan
 Sub
Kriteria/ Item
CPMK 1 (kurang) 2 (cukup) 3 (baik) 4 (sangat baik)
Penilaian
pada data mining
dengan baik
3 Mampu menerangkan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menerangkan
definisi dan langkah- menerangkan definisi dan menerangkan definisi dan menerangkan definisi definisi dan langkah-langkah
langkah proses KDD, langkah-langkah proses langkah-langkah proses dan langkah-langkah proses KDD, konsep data
konsep data KDD, konsep data KDD, konsep data proses KDD, konsep preprocessing, data warehouse
preprocessing, data preprocessing, data preprocessing, data data preprocessing, dengan sangat baik
warehouse warehouse warehouse data warehouse
dengan baik
4 Mampu menyebutkan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menyebutkan
dan menerangkan menyebutkan dan menyebutkan dan menyebutkan dan dan menerangkan komponen dari
komponen dari system menerangkan komponen menerangkan komponen menerangkan system data mining dan model
data mining dan model dari system data mining dari system data mining komponen dari system data mining dengan sangat baik
data mining. dan model data mining. dan model data mining. data mining dan
model data mining
dengan baik
5 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menjelaskan
algoritma data mining menjelaskan algoritma data menjelaskan algoritma data menjelaskan algoritma algoritma data mining prediktif
prediktif regresi linier dan mining prediktif regresi mining prediktif regresi data mining prediktif regresi linier dan regresi linier
regresi linier berganda linier dan regresi linier linier dan regresi linier regresi linier dan berganda dengan sangat baik
berganda berganda regresi linier berganda
dengan baik
6 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menjelaskan
algoritma data mining menjelaskan algoritma data menjelaskan algoritma data menjelaskan algoritma algoritma data mining prediktif
prediktif klasifikasi mining prediktif klasifikasi mining prediktif klasifikasi data mining prediktif klasifikasi dengan menggunakan
dengan menggunakan K- dengan menggunakan K- dengan menggunakan K- klasifikasi dengan K-Nearest Neighbor dengan
Nearest Neighbor Nearest Neighbor Nearest Neighbor menggunakan K- sangat baik
Nearest Neighbor
dengan baik
 Sub
Kriteria/ Item
CPMK 1 (kurang) 2 (cukup) 3 (baik) 4 (sangat baik)
Penilaian
7 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa Mahasiswa menjelaskan
algoritma data mining menjelaskan algoritma data menjelaskan algoritma data menjelaskan algoritma algoritma data mining prediktif
prediktif klasifikasi mining prediktif klasifikasi mining prediktif klasifikasi data mining prediktif klasifikasi dengan menggunakan
dengan menggunakan dengan menggunakan dengan menggunakan klasifikasi dengan Naive Bayes dengan sangat baik
Naive Bayes Naive Bayes Naive Bayes menggunakan Naive
Bayes dengan baik
8
UTS : Indikator Penilaian sesuai tertera pada soal

9 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menjelaskan
algoritma data mining menjelaskan algoritma data menjelaskan algoritma data
menjelaskan algoritma algoritma data mining deskriptif
deskriptif klasiterisasi, mining deskriptif mining deskriptif data mining deskriptif klasiterisasi, memahami konsep
memahami konsep dasar klasiterisasi, memahami klasiterisasi, memahamiklasiterisasi, dasar analisa klaster dengan
analisa klaster konsep dasar analisa konsep dasar analisa memahami konsep sangat baik
klaster klaster dasar analisa klaster
dengan baik
10 Mampu menerapkan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa Mahasiswa menerapkan
algoritma clustering menerapkan algoritma menerapkan algoritma menerapkan algoritma algoritma clustering dengan
dengan menggunakan K- clustering dengan clustering dengan clustering dengan menggunakan K-Means sangat
Means menggunakan K-Means menggunakan K-Means menggunakan K- baik
Means dengan baik
11 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa Mahasiswa menjelaskan
algoritma data mining menjelaskan algoritma data menjelaskan algoritma data menjelaskan algoritma algoritma data mining deskriptif
deskriptif asosiasi dan, mining deskriptif asosiasi mining deskriptif asosiasi data mining deskriptif asosiasi dan, memahami konsep
memahami konsep dasar dan, memahami konsep dan, memahami konsep asosiasi dan, dasar asosiasi sangat baik
asosiasi dasar asosiasi dasar asosiasi memahami konsep
dasar asosiasi dengan
baik
12 Mampu menggunakan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa menggunakan
 Sub
Kriteria/ Item
CPMK 1 (kurang) 2 (cukup) 3 (baik) 4 (sangat baik)
Penilaian
algoritma asosiasi dengan menggunakan algoritma menggunakan algoritma menggunakan algoritma asosiasi dengan
menggunakan metode asosiasi dengan asosiasi dengan algoritma asosiasi menggunakan metode Apriori
Apriori menggunakan metode menggunakan metode dengan menggunakan sangat baik
Apriori Apriori metode Apriori
dengan baik
13 Mampu menjelaskan Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu menjelaskan
evaluasi model data menjelaskan evaluasi menjelaskan evaluasi menjelaskan evaluasi evaluasi model data mining
mining model data mining model data mining model data mining sangat baik
baik
14 Mampu Mahasiswa kurang mampu Mahasiswa cukup mampu Mahasiswa mampu Mahasiswa mampu
mengimplementasikan mengimplementasikan mengimplementasikan mengimplementasikan mengimplementasikan serta
serta memperaktekkan serta memperaktekkan serta memperaktekkan serta memperaktekkan data mining
data mining data mining menggunakan data mining menggunakan memperaktekkan data menggunakan tools data mining
menggunakan tools data tools data mining tools data mining mining menggunakan RapidMiner sangat baik
mining RapidMiner RapidMiner RapidMiner tools data mining
RapidMiner dengan
baik
15 Mampu Mahasiswa akan mampu Mahasiswa akan mampu Mahasiswa akan Mahasiswa akan mampu
mempresentasikan dan mempresentasikan dan mempresentasikan dan mampu mempresentasikan dan
mensimulasikan studi mensimulasikan studi kasus mensimulasikan studi kasus mempresentasikan mensimulasikan studi kasus
kasus dalam bentuk dalam bentuk projek data dalam bentuk projek data dan mensimulasikan dalam bentuk projek data mining
projek data mining mining mining studi kasus dalam sangat baik
bentuk projek data
mining dengan baik
Disetujui, Tgl : Diperiksa, Tgl : Dibuat, Tgl :
Ketua PROGRAM STUDI Koord. Matakuliah/Bidang Keahlian Dosen ybs

Andita Suci Pratiwi, S.Kom, M.Sc Erwin Arry Kusuma, M.Kom Erwin Arry Kusuma, M.Kom

Periksa : Unit Penjamiman Mutu