UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA

RPS-S1IF-ST153
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
BIG DATA & PREDICTIVE ANALYTICS LANJUT ST153 Kelompok mata kulliah Sistem cerdas P= 2 5 17 Feb 2021
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Arifiyanto Hadinegoro, S.Kom, MT
Theopilus Bayu Sasongko, S.Kom., M.Eng
WINDHA MEGA PD, M. KOM.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPLP06 Mampu menggunakan dan mengoptimalisasi teknik akuisisi data , analisis data, pengolahan data untuk menyelesaikan masalah penelitian atau industri
CPLP10 mampu menjelaskan konsep dan pengetahuan teknik akuisisi data , analisis data, pengolahan data untuk menyelesaikan masalah
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK22 Mahasiswa mampu menerapkan metode pengolahan data;
CPMK40 Mahasiswa mampu menerapkan teknik analisis data
CPMK41 Mahasiswa mampu menerapkan teknik pengolahan data untuk menyelesaikan masalah
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.ST153.CPMK22.1 Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark RDD
sub.cpmk.ST153.CPMK22.2 Mahasiswa dapat menerapkan transformasi data pada PySpark RDD
sub.cpmk.ST153.CPMK40.1 Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark
sub.cpmk.ST153.CPMK40.2 Mahasiswa dapat menyelesaikan langkah setup PySpark dan menggunakannya di Google Colab
sub.cpmk.ST153.CPMK40.3 Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark MLlib
sub.cpmk.ST153.CPMK40.4 Mahasiswa dapat menerapkan training dan prediction menggunakan PySpark MLlib
sub.cpmk.ST153.CPMK41.1 Mahasiswa dapat menerapkan konsep dan cara kerja PySpark Dataframe
sub.cpmk.ST153.CPMK41.2 Mahasiswa dapat menerapkan pengolahan data menggunakan PySpark dan SQL
sub.cpmk.ST153.CPMK41.3 Mahasiswa dapat menerapkan classification menggunakan PySpark MLlib
sub.cpmk.ST153.CPMK41.4 Mahasiswa dapat menerapkan clustering menggunakan PySpark MLlib
sub.cpmk.ST153.CPMK41.5 Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark Dataframe dan PySpark RDD
sub.cpmk.ST153.CPMK41.6 Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark MLlib
sub.cpmk.ST153.CPMK41.7 Mahasiswa dapat menjelaskan dan menerapkan semua yang telah dipelajari terkait PySpark dari mata kuliah ini
sub.cpmk.ST153.CPMK41.8 Mahasiswa dapat menyelesaikan studi kasus terkait PySpark
Korelasi CPMK terhadap Sub-CPMK
CPMK40 sub.cpmk.ST153.CPMK40.1
sub.cpmk.ST153.CPMK40.2
sub.cpmk.ST153.CPMK40.3
sub.cpmk.ST153.CPMK40.4
CPMK41 sub.cpmk.ST153.CPMK41.1
sub.cpmk.ST153.CPMK41.2
sub.cpmk.ST153.CPMK41.3
sub.cpmk.ST153.CPMK41.4
sub.cpmk.ST153.CPMK41.5
sub.cpmk.ST153.CPMK41.6
sub.cpmk.ST153.CPMK41.7
sub.cpmk.ST153.CPMK41.8
CPMK22 sub.cpmk.ST153.CPMK22.1
sub.cpmk.ST153.CPMK22.2
Deskripsi Singkat MK Mata kuliah Big Data & Predictive Analytics Lanjut merupakan kelanjutan dari mata kuliah Big Data & Predictive Analytics yang membahas lebih dalam terkait pengolahan big data menggunakan PySpark. Manipulasi dan transformasi data disampaikan pada mata kuliah ini dengan memanfaatkan bentuk data RDD (Resilient Distributed Dataset), yang mampu mengolah data dalam jumlah dan variasi yang besar secara lebih optimal. Di bagian kedua, eksplorasi terhadap PySpark MLlib dilakukan untuk memberikan pengetahuan juga pengalaman pengolahan dan analisa data. Pekerjaan predictive analytics yang dibahas termasuk forecasting, classification, dan clustering.
Bahan Kajian : Materi Pembelajaran Introduction to PySpark, PySpark Dataframe, Manipulating Data with SQL and PySpark Dataframe, PySpark RDD, PySpark MLlib, Collaborative Filtering, Classification, Clustering.
Pustaka Utama
  • 1. Ref1. Amit Nandi, The Spark for Python Developers, 2015 Ref2.Benjamin Bengfort & Jenny Kim, Interactive Spark using PySpark, 2016 Ref3. Tomasz Drabas & Denny Lee, Learning PySpark, 2017 Ref4. Frank Kane, Frank Kane’s Taming Big Data with Apache Spark and Python, 2017
Pendukung
  • 2. RefP1.Primartha Rifkie, Belajar Machine Learning, Informatika Bandung, 2018 RefP2. Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data, Informatika Bandung, 2019
Dosen Pengampu Anna Baita, M.Kom, Mulia Sulistiyono, M.Kom, Ajie Kusuma Wardhana, S.Kom., M.Eng, Enda Putri Atika, M.Kom, Theopilus Bayu Sasongko, S.Kom, M.Eng
Mata Kuliah Syarat Big Data & Predictive Analytics
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.ST153.CPMK40.1-Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark Kriteria
Rubrik Holistik
Teknik
Diskusi 		Kuliah,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
Pengantar PySpark
Sub Topik
Pengantar PySpark
  • [1] Hal: Ref1
3
2 sub.cpmk.ST153.CPMK40.2-Mahasiswa dapat menyelesaikan langkah setup PySpark dan menggunakannya di Google Colab Mahasiswa dapat menyelesaikan langkah setup PySpark dan menggunakannya di Google Colab Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Setup PySpark pada Google Colab - Operasi Python dan PySpark
Sub Topik
- Setup PySpark pada Google Colab - Operasi Python dan PySpark
  • [1] Hal: Ref1
2
3 sub.cpmk.ST153.CPMK41.1-Mahasiswa dapat menerapkan konsep dan cara kerja PySpark Dataframe Mahasiswa dapat menerapkan konsep dan cara kerja PySpark Dataframe Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- SparkSession - Spark Dataframe
Sub Topik
- SparkSession - Spark Dataframe
  • [1] Hal: Ref1
2
4 sub.cpmk.ST153.CPMK41.2-Mahasiswa dapat menerapkan pengolahan data menggunakan PySpark dan SQL Mahasiswa dapat menerapkan pengolahan data menggunakan PySpark dan SQL Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- SQL in PySpark - PySpark Dataframe manipulation
Sub Topik
- SQL in PySpark - PySpark Dataframe manipulation
  • [1] Hal: Ref1
2
5 sub.cpmk.ST153.CPMK22.1-Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark RDD Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark RDD Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Pengantar PySpark RDD - Abstracting & Parallelization - Partitions
Sub Topik
- Pengantar PySpark RDD - Abstracting & Parallelization - Partitions
  • [1] Hal: Ref1
2
6 sub.cpmk.ST153.CPMK22.2-Mahasiswa dapat menerapkan transformasi data pada PySpark RDD Mahasiswa dapat menerapkan transformasi data pada PySpark RDD Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- RDD Transformation & Action - Map & Collect - ByKey
Sub Topik
- RDD Transformation & Action - Map & Collect - ByKey
  • [1] Hal: Ref1
2
7 sub.cpmk.ST153.CPMK41.5-Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark Dataframe dan PySpark RDD Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark Dataframe dan PySpark RDD Kriteria
Rubrik Holistik
Teknik
Responsi 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Penyelesaian studi kasus yang berkaitan dengan PySpark Dataframe dan PySpark RDD
Sub Topik
- Penyelesaian studi kasus yang berkaitan dengan PySpark Dataframe dan PySpark RDD
  • [1] Hal: Ref1
8
8 sub.cpmk.ST153.CPMK41.5-Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark Dataframe dan PySpark RDD UTS Kriteria

Teknik
UTS 		Topik
UTS
Sub Topik
UTS
 30
9 sub.cpmk.ST153.CPMK40.1-Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark Mahasiswa dapat menjelaskan konsep dan cara kerja PySpark MLlib Kriteria
Rubrik skala Persepsi
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Pengantar MLlib - PySpark ML Libraries - PySpark ML Algorithms
Sub Topik
- Pengantar MLlib - PySpark ML Libraries - PySpark ML Algorithms
  • [1] Hal: Ref1
2
10 sub.cpmk.ST153.CPMK40.4-Mahasiswa dapat menerapkan training dan prediction menggunakan PySpark MLlib Mahasiswa dapat menerapkan training dan prediction menggunakan PySpark MLlib Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Model Training and Predictions - Evaluation MSE/MAE
Sub Topik
- Model Training and Predictions - Evaluation MSE/MAE
  • [1] Hal: Ref1
2
11 sub.cpmk.ST153.CPMK41.3-Mahasiswa dapat menerapkan classification menggunakan PySpark MLlib Mahasiswa dapat menerapkan classification menggunakan PySpark MLlib Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Feature Hashing & LabelPoint - Confusion Matrix Evaluation
Sub Topik
- Feature Hashing & LabelPoint - Confusion Matrix Evaluation
  • [1] Hal: Ref1
2
12 sub.cpmk.ST153.CPMK41.4-Mahasiswa dapat menerapkan clustering menggunakan PySpark MLlib Mahasiswa dapat menerapkan clustering menggunakan PySpark MLlib Kriteria
Rubrik Analitik
Teknik
Diskusi 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- K-means Training - Visualizing Cluster
Sub Topik
- K-means Training - Visualizing Cluster
  • [1] Hal: Ref1
3
13 sub.cpmk.ST153.CPMK41.8-Mahasiswa dapat menyelesaikan studi kasus terkait PySpark Mahasiswa dapat menyelesaikan studi kasus terkait PySpark Kriteria
Rubrik Analitik
Teknik
Presentasi 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Studi kasus terkait PySpark - Capstone Project
Sub Topik
- Studi kasus terkait PySpark - Capstone Project
  • [1] Hal: Ref1
3
14 sub.cpmk.ST153.CPMK41.6-Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark MLlib Mahasiswa dapat menyelesaikan permasalahan yang diberikan ketika responsi terkait PySpark MLlib Kriteria
Rubrik Holistik
Teknik
Presentasi 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Studi kasus terkait PySpark MLib - Capstone Project
Sub Topik
- Studi kasus terkait PySpark MLib - Capstone Project
 3
15 sub.cpmk.ST153.CPMK41.7-Mahasiswa dapat menjelaskan dan menerapkan semua yang telah dipelajari terkait PySpark dari mata kuliah ini Mahasiswa dapat menjelaskan dan menerapkan semua yang telah dipelajari terkait PySpark dari mata kuliah ini Kriteria
Rubrik skala Persepsi
Teknik
Responsi 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=120 Menit]
 Topik
- Review penerapan PySpark - Capstone Project
Sub Topik
- Review penerapan PySpark - Capstone Project
  • [1] Hal: Ref1
8
16 sub.cpmk.ST153.CPMK41.1-Mahasiswa dapat menerapkan konsep dan cara kerja PySpark Dataframe sub.cpmk.ST153.CPMK41.2-Mahasiswa dapat menerapkan pengolahan data menggunakan PySpark dan SQL sub.cpmk.ST153.CPMK41.7-Mahasiswa dapat menjelaskan dan menerapkan semua yang telah dipelajari terkait PySpark dari mata kuliah ini sub.cpmk.ST153.CPMK41.8-Mahasiswa dapat menyelesaikan studi kasus terkait PySpark UAS Kriteria

Teknik
UAS 		Topik
UAS
Sub Topik
UAS
 26

Teknik Penilaian CPMK

CPL MK CPMK Tugas Responsi Tes Tulis (UTS) Presentasi
CPLP06 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK22 Y
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK40 Y
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK41 Y Y Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.1 Diskusi 3 Rubrik Holistik
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.2 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.1 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.2 Laporan praktikum 2 Rubrik Analitik
CPLP06 CPMK22 sub.cpmk.ST153.CPMK22.1 Laporan praktikum 2 Rubrik Analitik
CPLP06 CPMK22 sub.cpmk.ST153.CPMK22.2 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.5 Responsi 8 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.5 UTS 30
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.1 Laporan praktikum 2 Rubrik skala Persepsi
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.4 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.3 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.4 Diskusi 3 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.8 Presentasi 3 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.6 Presentasi 3 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.7 Responsi 8 Rubrik skala Persepsi
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.1, sub.cpmk.ST153.CPMK41.2, sub.cpmk.ST153.CPMK41.7, sub.cpmk.ST153.CPMK41.8 UAS 26
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Responsi Tes Tulis (UTS) Presentasi Total
CPLP06 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK22 4% 0% 0% 0% 0% 4%
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK40 9% 0% 0% 0% 0% 9%
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK41 12% 16% 30% 3% 0% 61%
74%