UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA

RPS-S1IF-ST168
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
BIG DATA DAN DATA MINING ST168 Kelompok mata kulliah Sistem cerdas 2 2 5 02 Oct 2025
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

ANNA BAITA, M. KOM.
Hendri Kurniawan Prakosa, S.Kom., M.Cs.
ELI PUJASTUTI, 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)
CMPK19 Mahasiswa mampu menerapkan teknik akuisisi data;
CPMK21 Mahasiswa mampu menerapkan metode analisis data;
CPMK23 Mahasiswa mampu menerapkan metode evaluasi data;
CPMK39 Mahasiswa menjelaskan konsep teknik akuisisi data
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.ST168.CMPK19.1 Mahasiswa dapat menjelaskan konsep dasar Data Mining
sub.cpmk.ST168.CMPK19.2 Mahasiswa dapat menjelaskan tahapan KDD
sub.cpmk.ST168.CPMK21.1 Mahasiswa dapat menerapkan Association rule mining
sub.cpmk.ST168.CPMK21.2 Mahasiswa dapat menjelaskan supervised learning vs un-supervised learning
sub.cpmk.ST168.CPMK21.3 Mahasiswa dapat menerapkan algoritma-algoritma regresi
sub.cpmk.ST168.CPMK21.4 Mahasiswa dapat menjelaskan algoritma supervised learning - klasifikasi
sub.cpmk.ST168.CPMK21.5 Mahasiswa dapat menjelaskan algoritma klasifikasi dan menghasilkan pemodelan
sub.cpmk.ST168.CPMK21.6 Mahasiswa dapat menjelaskan konsep dasar dan cara kerja algoritma clustering (un-supervised learning)
sub.cpmk.ST168.CPMK23.1 Mahasiswa dapat memvalidasi dan menguji hasil pemodelan klasifikasi
sub.cpmk.ST168.CPMK23.2 Mahasiswa dapat mengevaluasi hasil pemodelan klustering
sub.cpmk.ST168.CPMK39.1 Mahasiswa dapat menerapkan teknik pre-processing
sub.cpmk.ST168.CPMK39.2 Mahasiswa dapat menyelesaikan kasus ( association rule mining / regresi dalam bentuk pengkodean (menggunakan bahasa pemrograman)
sub.cpmk.ST168.CPMK39.3 Mahasiswa dapat menyelesaikan kasus (klasifikasi / klustering dalam bentuk pengkodean (menggunakan bahasa pemrograman)
sub.cpmk.ST168.CPMK39.4 Mahasiswa dapat menerapkan akuisisi data
Korelasi CPMK terhadap Sub-CPMK
CMPK19 sub.cpmk.ST168.CMPK19.1
sub.cpmk.ST168.CMPK19.2
CPMK39 sub.cpmk.ST168.CPMK39.1
sub.cpmk.ST168.CPMK39.2
sub.cpmk.ST168.CPMK39.3
sub.cpmk.ST168.CPMK39.4
CPMK21 sub.cpmk.ST168.CPMK21.1
sub.cpmk.ST168.CPMK21.2
sub.cpmk.ST168.CPMK21.3
sub.cpmk.ST168.CPMK21.4
sub.cpmk.ST168.CPMK21.5
sub.cpmk.ST168.CPMK21.6
CPMK23 sub.cpmk.ST168.CPMK23.1
sub.cpmk.ST168.CPMK23.2
Deskripsi Singkat MK Mata kuliah Data Mining memuat konsep dasar data mining. Mata kuliah ini juga membahas cara melakukan data mining dimulai dari data preprocessing, menganalisis data dengan teknik-teknik analisis seperti: mining frequent pattern, association, correlation, supervised learning (classification & regression) dan un-supervised learning (clustering) analysis. Di bagian akhir dibahas mengenai tren dan aplikasi yang terkait dengan Data Mining.
Bahan Kajian : Materi Pembelajaran Materi yang disampaikan meliputi: Pengetahuan umum Data Mining, kaidah Asosiasi, Konsep dasar Supervised&Un-Supervised Learning, Algoritma Klasifikasi, Algoritma Clustering, Evaluasi model klasifikasi dan evaluasi model clustering
Pustaka Utama
  • 1. J. Han, M. Kamber, J. Pei, Data Mining Concepts and Techniques, Morgan Kaufmann Publishers, 2012
  • 2. Pang-Ning Tan, M. Steinbach, V. Kumar, Introduction to DATA MINING, Pearson Education, Inc., Boston, 2006
  • 3. M. North, Data Mining for the Masses. 2012.
  • 4. Suyanto, Machine Learning, Informatika Bandung, 2018
  • 5. Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data, Informatika Bandung, 2019
Pendukung
  • 6. Primartha Rifkie, Belajar Machine Learning, Informatika Bandung, 2018
  • 7. Coursera, Machine Learning Foundation, Department of Statistic Washington University
Dosen Pengampu Anna Baita, M.Kom, Kusnawi, S.Kom, M. Eng., I Made Artha Agastya, S.T., M.Eng., Ph.D, Hendri Kurniawan Prakosa, S.Kom., M.Cs, Hartatik, S.T., M.Cs., Robert Marco, M.T., Ph.D
Mata Kuliah Syarat -
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.ST168.CMPK19.1-Mahasiswa dapat menjelaskan konsep dasar Data Mining Mahasiswa dapat memberikan contoh aplikasi penerapan Data Mining. Kriteria
Rubrik skala Persepsi
Teknik
KUIS 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"- Pendahuluan Data Mining - Definisi Data Mining - Proses Data Mining - Contoh penerapan Data Mining"
Sub Topik

  • [3] Hal: 10
2
2 sub.cpmk.ST168.CPMK39.4-Mahasiswa dapat menerapkan akuisisi data Mahasiswa dapat menerapkan teknik crawling data/import data Kriteria
Rubrik Holistik
Teknik
TUGAS 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"- Import dataset publik (uci machine learning,kaggle) - Crawling data"
Sub Topik

  • [6] Hal: 110
2
3 sub.cpmk.ST168.CMPK19.2-Mahasiswa dapat menjelaskan tahapan KDD Mahasiswa dapat menjelaskan step by step KDD Kriteria
Rubrik Holistik
Teknik
KUIS 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"- Arsitektur Data Mining - Definisi KDD - Proses pemodelan Data Mining - Arsitektur Data Mining"
Sub Topik

  • [6] Hal: 111
2
4 sub.cpmk.ST168.CMPK19.2-Mahasiswa dapat menjelaskan tahapan KDD Mahasiswa dapat melakukan operasi pada dataset (membaca data, struktur dataframe) Kriteria
Rubrik Holistik
Teknik
Kuis 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=170 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=170 Menit]
 Topik
"Dasar data science : - membaca dataset - struktur dataframe - Operasi pada dataset, iterasi dll"
Sub Topik

  • [3] Hal: 22
2
5 sub.cpmk.ST168.CPMK39.1-Mahasiswa dapat menerapkan teknik pre-processing Mahasiswa dapat menyebutkan dan menjelaskan jenisjenis pre-processing Kriteria
Rubrik Analitik
Teknik
Kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"- Definisi preprocessing - Teknik Preprocessing (Data preparation, data reduction) - Karakteristik Data"
Sub Topik

  • [4] Hal: 112
2
6 sub.cpmk.ST168.CPMK39.1-Mahasiswa dapat menerapkan teknik pre-processing Mahasiswa dapat mengimplemntasikan teknik pre-processing (data cleaning, binning proses, data derau, data pencilan) Kriteria
Rubrik Holistik
Teknik
Laporan Praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=170 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=170 Menit]
 Topik
"- Teknik data cleaning (teknik smoothing) - Data integration"
Sub Topik

  • [6] Hal: 234
2
7 sub.cpmk.ST168.CPMK21.1-Mahasiswa dapat menerapkan Association rule mining Mahasiswa dapat mengimplemntasikan teknik pre-processing (data cleaning, binning proses, data derau, data pencilan) Kriteria
Rubrik Holistik
Teknik
Laporan Praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=99 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Mining Frequent Patterns dan Association - Definisi algoritma asosiasi. - Frequent Pattern - Algoritma Apriori - Contoh penggunaan algoritma apriori
Sub Topik

  • [6] Hal: 278
2
8 sub.cpmk.ST168.CPMK21.1-Mahasiswa dapat menerapkan Association rule mining Mahasiswa dapat mengimplemntasikan teknik Text pre-processing (data cleaning, Stopword removal , case folding, Stemming) Kriteria
Rubrik Holistik
Teknik
TUGAS 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"Data Pre-Processing part 1: - data cleaning - data integration - normalisasi - ..dll"
Sub Topik

  • [3] Hal: 234
2
9 sub.cpmk.ST168.CPMK21.2-Mahasiswa dapat menjelaskan supervised learning vs un-supervised learning Mahasiswa dapat menjelaskan teknik learning : superivised vs un-supervised leaning minimal memberikan 4 contoh Kriteria
Rubrik skala Persepsi
Teknik
Kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Kuis,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=170 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Supervised dan unsupervised learning - definis - cara kerja - contoh penggunaan
Sub Topik

  • [6] Hal: 122
2
10 sub.cpmk.ST168.CPMK21.2-Mahasiswa dapat menjelaskan supervised learning vs un-supervised learning Mahasiswa dapat mengimplementasikan Data Pre-Processing part 2 (feature selection, PCA) Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"Data Pre-Processing part 2: - Feature selection - PCA"
Sub Topik

  • [3] Hal: 222
2
11 sub.cpmk.ST168.CPMK39.2-Mahasiswa dapat menyelesaikan kasus ( association rule mining / regresi dalam bentuk pengkodean (menggunakan bahasa pemrograman) Mahasiswa dapat melakukan perhitungan manual menggunakan algortima regresi linear sederhana minimal score 70 Kriteria
Rubrik Analitik
Teknik
kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Supervised Learning (Regression) - Regresi linear sederhana - Perhitungan prediksi
Sub Topik

 2
12 sub.cpmk.ST168.CPMK39.2-Mahasiswa dapat menyelesaikan kasus ( association rule mining / regresi dalam bentuk pengkodean (menggunakan bahasa pemrograman) Mahasiswa dapat mengimplementasikan 1 kasus sederhana untuk memprediksi harga barang (harga saham, harga barang dll) Kriteria
Rubrik Holistik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Penyelesaian Regresi dalam bahasa pemrograman
Sub Topik

  • [1] Hal: 200
2
13 sub.cpmk.ST168.CPMK21.1-Mahasiswa dapat menerapkan Association rule mining Mahasiswa dapat melakukan perhitungan manual menggunakan algoritma asosiasi, untuk 1 kasus sederhana Kriteria
Rubrik Holistik
Teknik
kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
case studi
Sub Topik

  • [6] Hal: 122
2
14 sub.cpmk.ST168.CPMK39.2-Mahasiswa dapat menyelesaikan kasus ( association rule mining / regresi dalam bentuk pengkodean (menggunakan bahasa pemrograman) Mahasiswa dapat mengimplemntasikan 1 kasus sederhana untuk mencari keterkaitan barang yang satu dengan barang lainnya menggunakan kode program Kriteria
Rubrik Holistik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 E-learning interaktif,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
case studi
Sub Topik

  • [4] Hal: 12
2
15 sub.cpmk.ST168.CPMK39.1-Mahasiswa dapat menerapkan teknik pre-processing sub.cpmk.ST168.CPMK39.2-Mahasiswa dapat menyelesaikan kasus ( association rule mining / regresi dalam bentuk pengkodean (menggunakan bahasa pemrograman) Ketepatan pemilihan jawaban Kriteria
Rubrik Holistik
Teknik
UTS 		Ujian terjadwal,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=75 Menit]
 Ujian terjadwal,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=75 Menit]
 Topik
ujian terjawal
Sub Topik

  • [4] Hal: 122
20
16 sub.cpmk.ST168.CPMK21.4-Mahasiswa dapat menjelaskan algoritma supervised learning - klasifikasi Mahasiswa dapat menjelaskan dan melakukan perhitungan pada algoritma Naïve Bayes melalui contoh kasus Kriteria
Rubrik Analitik
Teknik
kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=240 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=240 Menit]
 Topik
" Algoritma naive bayes - Contoh penggunaan Algorima naive bayes"
Sub Topik

  • [6] Hal: 21
2
17 sub.cpmk.ST168.CPMK21.4-Mahasiswa dapat menjelaskan algoritma supervised learning - klasifikasi Mahasiswa dapat mengimplementasikan algoritma naive bayes dalam bahasa pemrograman Kriteria
Rubrik Holistik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk membuat model klasifikasi naive bayes
Sub Topik

  • [4] Hal: 123
2
18 sub.cpmk.ST168.CPMK21.5-Mahasiswa dapat menjelaskan algoritma klasifikasi dan menghasilkan pemodelan Mahasiswa dapat menjelaskan dan melakukan perhitungan pada konsep pohon keputusan C4.5. Kriteria
Rubrik Analitik
Teknik
kuis 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=99 Menit]
 Topik
"- Algoritma C4.5 - Contoh penggunaan Algorima C4.5"
Sub Topik

  • [4] Hal: 222
2
19 sub.cpmk.ST168.CPMK21.5-Mahasiswa dapat menjelaskan algoritma klasifikasi dan menghasilkan pemodelan Mahasiswa dapat mengimplementasikan algoritma C.45 dalam bahasa pemrograman Kriteria
Rubrik Holistik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk membuat model klasifikasi C.45
Sub Topik

  • [4] Hal: 222
2
20 sub.cpmk.ST168.CPMK23.1-Mahasiswa dapat memvalidasi dan menguji hasil pemodelan klasifikasi Mahasiswa dapat menjelaskan spliting data, testing dan evaluasi model klasifikasi menggunakan ROC, confusion matrix Kriteria
Rubrik skala Persepsi
Teknik
tugas di kelas 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"Evaluasi dan validasi : - Confussion matrik - Hold out - K-fold cross validation - ROC"
Sub Topik

  • [5] Hal: 234
2
21 sub.cpmk.ST168.CPMK23.1-Mahasiswa dapat memvalidasi dan menguji hasil pemodelan klasifikasi Mahasiswa dapat memvisualisasikan (grafik confusion matrix, nilai cacurasi, F1-score, Precision & recall, grafik ROC ) hasil pemodelan klasifikasi menggunakan bahasa pemrograman Kriteria
Rubrik Holistik
Teknik
penugasan 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,Proses Belajar,[PB=100 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk evaluasi model
Sub Topik

  • [4] Hal: 321
2
22 sub.cpmk.ST168.CPMK21.6-Mahasiswa dapat menjelaskan konsep dasar dan cara kerja algoritma clustering (un-supervised learning) Mahasiswa dapat menjelaskan prinsip dasar Clustering Kriteria
Rubrik Analitik
Teknik
penugasan 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,Proses Belajar,[PB=100 Menit]
 Topik
"Clustering : - Cara kerja - K- Centroid - Ecludien distance - Fungsi Objektif Treshold"
Sub Topik

  • [5] Hal: 676
2
23 sub.cpmk.ST168.CPMK21.6-Mahasiswa dapat menjelaskan konsep dasar dan cara kerja algoritma clustering (un-supervised learning) Mahasiswa dapat menyelesaikan case study klasifikasi Kriteria
Rubrik Holistik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,Proses Belajar,[PB=260 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk model clustering
Sub Topik

 2
24 sub.cpmk.ST168.CPMK21.6-Mahasiswa dapat menjelaskan konsep dasar dan cara kerja algoritma clustering (un-supervised learning) Mahasiswa dapat menjelaskan cara kerja dan melakukan perhitungan pada algoritma K-means melalui contoh kasus Kriteria
Rubrik Analitik
Teknik
penugasan 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
case study clustering
Sub Topik

  • [2] Hal: 223
2
25 sub.cpmk.ST168.CPMK21.6-Mahasiswa dapat menjelaskan konsep dasar dan cara kerja algoritma clustering (un-supervised learning) Mahasiswa penyelesaian contoh kasus clustering dalam bahasa pemrograman Kriteria
Rubrik Analitik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk model clustering
Sub Topik

  • [6] Hal: 233
2
26 sub.cpmk.ST168.CPMK23.2-Mahasiswa dapat mengevaluasi hasil pemodelan klustering Mahasiswa dapat menjelaskan hasil evaluasi kluster seperti : tendensi klaster, jumlah kluster, kualitas kluster Kriteria
Rubrik Analitik
Teknik
Ceramah 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
"Evaluasi Clustering : - Davies-Bouldin Index(DBI) - Kohesi - Separasi"
Sub Topik

  • [3] Hal: 333
2
27 sub.cpmk.ST168.CPMK23.2-Mahasiswa dapat mengevaluasi hasil pemodelan klustering Mahasiswa dapat memvisualisasikan (grafik kerapatan cluster) hasil pemodelan cluster menggunakan bahasa pemrograman Kriteria
Rubrik Analitik
Teknik
laporan praktikum 		Praktikum,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
Bahasa Pemrograman beserta library yang diperlukan untuk evaluasi model cluster
Sub Topik

  • [2] Hal: 333
2
28 sub.cpmk.ST168.CPMK39.3-Mahasiswa dapat menyelesaikan kasus (klasifikasi / klustering dalam bentuk pengkodean (menggunakan bahasa pemrograman) Mahasiswa meyelesaikan case studi klasifikasi atau clustering menggunkan perhitungan manual Kriteria
Rubrik Holistik
Teknik
Responsi 		Kuliah,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Penugasan,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=200 Menit]
 Topik
Case Study
Sub Topik

 4
29 sub.cpmk.ST168.CPMK39.3-Mahasiswa dapat menyelesaikan kasus (klasifikasi / klustering dalam bentuk pengkodean (menggunakan bahasa pemrograman) Mahasiswa meyelesaikan case studi klasifikasi atau clustering menggunkan bahasa pemrograman Kriteria
Rubrik Holistik
Teknik
responsi 		Responsi,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
Responsi,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=260 Menit]
 Elearning,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Topik
case study
Sub Topik

 4
30 sub.cpmk.ST168.CPMK23.1-Mahasiswa dapat memvalidasi dan menguji hasil pemodelan klasifikasi sub.cpmk.ST168.CPMK23.2-Mahasiswa dapat mengevaluasi hasil pemodelan klustering ketepatan menjawab soal Kriteria
Rubrik Analitik
Teknik
test tulis UAS 		Ujian terjadwal,ProsesBelajar,[PB : 1 x (2x50")=100 Menit]
 Ujian terjadwal,Proses Belajar,[PB=100 Menit]
 Topik

Sub Topik

 20

Teknik Penilaian CPMK

CPL MK CPMK Kuis Tugas Laporan Praktikum Tes Tulis (UTS) Responsi Tes Tulis ( UAS )
CPLP06 BIG DATA DAN DATA MINING CMPK19 Y
CPLP06 BIG DATA DAN DATA MINING CPMK21 Y Y Y
CPLP06 BIG DATA DAN DATA MINING CPMK23 Y Y Y
CPLP10 BIG DATA DAN DATA MINING CPMK39 Y Y Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPLP06 CMPK19 sub.cpmk.ST168.CMPK19.1 KUIS 2 Rubrik skala Persepsi
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.4 TUGAS 2 Rubrik Holistik
CPLP06 CMPK19 sub.cpmk.ST168.CMPK19.2 KUIS 2 Rubrik Holistik
CPLP06 CMPK19 sub.cpmk.ST168.CMPK19.2 Kuis 2 Rubrik Holistik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.1 Kuis 2 Rubrik Analitik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.1 Laporan Praktikum 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.1 Laporan Praktikum 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.1 TUGAS 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.2 Kuis 2 Rubrik skala Persepsi
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.2 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.2 kuis 2 Rubrik Analitik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.2 laporan praktikum 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.1 kuis 2 Rubrik Holistik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.2 laporan praktikum 2 Rubrik Holistik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.1, sub.cpmk.ST168.CPMK39.2 UTS 20 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.4 kuis 2 Rubrik Analitik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.4 laporan praktikum 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.5 kuis 2 Rubrik Analitik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.5 laporan praktikum 2 Rubrik Holistik
CPLP06 CPMK23 sub.cpmk.ST168.CPMK23.1 tugas di kelas 2 Rubrik skala Persepsi
CPLP06 CPMK23 sub.cpmk.ST168.CPMK23.1 penugasan 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.6 penugasan 2 Rubrik Analitik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.6 laporan praktikum 2 Rubrik Holistik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.6 penugasan 2 Rubrik Analitik
CPLP06 CPMK21 sub.cpmk.ST168.CPMK21.6 laporan praktikum 2 Rubrik Analitik
CPLP06 CPMK23 sub.cpmk.ST168.CPMK23.2 Ceramah 2 Rubrik Analitik
CPLP06 CPMK23 sub.cpmk.ST168.CPMK23.2 laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.3 Responsi 4 Rubrik Holistik
CPLP10 CPMK39 sub.cpmk.ST168.CPMK39.3 responsi 4 Rubrik Holistik
CPLP06 CPMK23 sub.cpmk.ST168.CPMK23.1, sub.cpmk.ST168.CPMK23.2 test tulis UAS 20 Rubrik Analitik
Total 100
2. Penilaian CPMK
CPL MK CPMK Kuis Tugas Laporan Praktikum Tes Tulis (UTS) Responsi Tes Tulis ( UAS ) Total
CPLP06 BIG DATA DAN DATA MINING CMPK19 6% 0% 0% 0% 0% 0% 6%
CPLP06 BIG DATA DAN DATA MINING CPMK21 14% 10% 2% 0% 0% 0% 26%
CPLP06 BIG DATA DAN DATA MINING CPMK23 2% 6% 0% 0% 0% 20% 28%
CPLP10 BIG DATA DAN DATA MINING CPMK39 4% 8% 0% 20% 8% 0% 40%
100%