UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI MANAJEMEN INFORMATIKA

RPS-D3MI-DM128
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
DATA SCIENCE FUNDAMENTAL DM128 Data / Business Analytics 2 0 2 03 Feb 2025
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

LILIS DWI FARIDA
Dina Maulina, S.Kom., M.Kom.
AKHMAD DAHLAN, S.KOM., M.KOM.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL07 Mampu menerapkan metodologi manajemen proyek untuk pengembangan sistem informasi dan penggunaan data yang legal sesuai dengan kebutuhan organisasi.
CPL10 Mampu memahami konsep manajemen proyek untuk pengembangan sistem informasi, perancangan UI/UX, dan penggunaan data yang legal sesuai dengan kebutuhan organisasi beserta keamanannya.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK.07.2 Mampu mengembangkan sistem aplikasi sesuai dengan kebutuhan organisasi
CPMK.10.4 Mampu menguraikan prinsip penggunaan data yang legal sesuai dengan kebutuhan organisasi
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.DM128.CPMK.07.2. Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut
sub.cpmk.DM128.CPMK.10.4. Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika
Korelasi CPMK terhadap Sub-CPMK
CPMK.10.4 sub.cpmk.DM128.CPMK.10.4.
CPMK.07.2 sub.cpmk.DM128.CPMK.07.2.
Deskripsi Singkat MK Pada matakuliah Data science ini ada beberapa gambaran mengenai perkuliahan yang ada diantaranya : • Data science berisi pengajaran tentang data, teknik-teknik mengolah data, teknik penggalian data, sehingga diperoleh pola-pola tertentu yang dapat menjadi informasi yang berguna dan juga aplikasi dan permasalahan penerapannya pada kondisi riil • Mata kuliah ini memberikan materi definisi dan konsep data science, big data, proses data mining, Metode statistik untuk pengolahan big data dan Eksplorasi, serta Building model: clustering, association, classification dan regression. • Mata kuliah ini akan membahas tentang: Pengenalan Pola, Data Mining dan Machine Learning; Teknik Klastering; Analisa Diskriminan; Klasifikasi Berdasarkan Teorema Bayes; Decision Tree; Artifical Neural Network; Regresi linier; Pemilihan Variabel; Aturan Asosiasi
Bahan Kajian : Materi Pembelajaran Pengantar Data Science, Konsep Data Mining, Aplikasi dan penerapan data science di berbagai bidang, Teknik Data Mining, Data Understanding, Pra Pengolahan data, Transformasi data, Algoritma klasifikasi naïve bayes, Algoritma klasifikasi decision tree, Konsep dasar algoritma clustering, Konsep dasar algoritma asosiasi, Algoritma forecasting dan regresi linear, Evaluasi Model
Pustaka Utama
  • 1. A Hands-On Introduction to Data Science 1st edition, Chirag Shah, Cambridge University Press, 2020Predictive Analytics and Data Mining Concepts and Practice with RapidMiner 1st edition, Vijay Kotu and Bala Deshpande, Morgan Kaufmann Publishers, 2015
Pendukung
  • 2. Agastya, I. M. A. (2022) ‘A Covid-19 Positive Case Prediction and People Movement Restriction Classification’, International Journal of Advanced Computer Science and Applications, 13(8), pp. 236–245. doi: 10.14569 /IJACSA.2022.0130828.Agastya, I. M. A., Adji, T. B. and Setiawan, N. A. (2017) ‘Comparison of Distributed K-Means and Distributed Fuzzy C-Means Algorithms for Text Clustering’, Communications in Science and Technology, 2(1), pp. 11–17. doi: 10.21924/cst.2.1.2017.46.Agastya, I. M. A. and Setyanto, A. (2018) ‘Classification of Indonesian Batik Using Deep Learning Techniques and Data Augmentation’, in 2018 3rd International Conference on Information Technology, Information System and Electrical Engineering (ICITISEE). IEEE, pp. 27–31. doi: 10.1109/ICITISEE.2018.8720990.S. Y. Pangestu, Y. Astuti, and L. D. Farida, “Algoritma Support Vector Machine Untuk Klasifikasi Sikap Politik Terhadap Partai Politik Indonesia: Algoritma Support Vector Machine Untuk Klasifikasi Sikap Politik Terhadap Partai Politik Indonesia”, Mantik, vol. 3, no. 1, pp. 236-241, Jun. 2019.M. M. Dewi, L. D. Farida, and M. Nuraminudin, “REGRESI LINIER UNTUK PREDIKSI KONSUMSI DAN PRODUKSI DAGING UNGGAS: STUDI KASUS : PROVINSI JAWA BARAT”, JOISM, vol. 4, no. 2, pp. 81 - 85, Jan. 2023.
Dosen Pengampu LILIS DWI FARIDA
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.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menjelaskan disiplin ilmu data science dan bagian lain yang terkait Kriteria
Ketepatan Menjelaskan
Teknik
Rubrik Analitik Keaktifan 		Kuliah,Ceramah Langsung,[C=100 Menit]
 Kuliah,Ceramah Langsung,[C=100 Menit]
 Topik
Pengantar Data Science
Sub Topik
a. Konsep Data Science b. Kemampuan yang dibutuhkan untuk menjadi data scientis c. Data science vs data mining
  • [1] Hal: 3-36
1
2 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menguraikan konsep data mining dan bagian lain yang terkait Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Rubrik Analitik Keaktifan 		Kuliah,Ceramah Langsung,[C=100 Menit]
 Kuliah,Ceramah Langsung,[C=100 Menit]
 Topik
Konsep Data Mining
Sub Topik
a. Data, informasi, pengetahuan dan kebijakan b. Konsep dasar data mining c. Tantangan data mining
  • [2] Hal: 1-16
1
3 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu mengklasifikasi penerapan data mining dalam menyelesaikan permasalahan pada bidang manajemen informatika Kriteria

Teknik
Rubrik Analitik Tugas 		Kuliah,Kuis Langsung,[KL=100 Menit]
 Kuliah,Proses Belajar,[PB=100 Menit]
 Topik
Aplikasi dan penerapan data mining di berbagai bidang
Sub Topik
a. Penerapan data science dalam bidang financial, retail industri, telekomunikasi, biologi b. Multimedia Data Mining c. Text & Web Mining Ref.3 hlm 234 s.d 245; Ref. 4 hlm 11 s.d. 17
  • [1] Hal: 321-353
2.6
4 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menjabarkan teknik data mining secara teori dan teknis sesuai dengan bidang manajemen informatika Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Rubrik Analitik Diskusi 		Kuliah,Diskusi,[DS=100 Menit]
 Kuliah,Diskusi,[DS=100 Menit]
 Topik
Teknik Data Mining
Sub Topik
a. Knowledge Discovery Data b. Peran utama data mining c. Teknik data mining
  • [2] Hal: 17-36
1
5 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menguraikan tahapan di dalam metodologi sains data Kriteria

Teknik
Rubrik Analitik Keaktifan 		Kuliah,Kegiatan Mandiri,[PM=100 Menit]
 Kuliah,Tugas Langsung,[TL=100 Menit]
 Topik
Data Understanding
Sub Topik
a. Jenis - jenis data b. Mengumpulkan data c. Menelaah data dengan metode statistik
  • [1] Hal: 37 - 47
  • [2] Hal: 37 - 61
0.8
6 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menunjukkan teknik dasar prapengolahan datadataset dalam penyelesaian masalah Kriteria

Teknik
Rubrik Analitik Tugas 		Kuliah,Ceramah Langsung,[C=100 Menit]
 Kuliah,Diskusi,[DS=100 Menit]
 Topik
Prapengolahan data
Sub Topik
a. Data preparation b. Data reduction c. Data cleaning d. Data integration
  • [1] Hal: 47-52
2.6
7 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Mahasiswa mampu menunjukkan teknik dasar prapengolahan datadataset dalam penyelesaian masalah Kriteria
Ketepatan jawaban tugas sesuai perintah soal
Teknik
Rubrik Analitik Kuis 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah,Proses Belajar,[PB=100 Menit]
 Topik
Transformasi data
Sub Topik
a. Normalization b. Smoothing c. Aggregation d. Principal Component Analysis
  • [1] Hal: 51
  • [2] Hal: 349 - 358
12
8 sub.cpmk.DM128.CPMK.10.4.-Mahasiswa mampu menjelaskan konsep dasar data science secara teori dan teknis sesuai dengan bidang manajemen informatika Ketepatan menjawab Kriteria
Ketepatan Jawaban
Teknik
Ujian 		Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Topik
Materi Minggu 1 - 7
Sub Topik

 25
9 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu menjabarkan dan menghitung algoritma klasifikasi naive bayes dan contoh implementasinya sesuai dengan kebutuhan Kriteria

Teknik
Rubrik Analitik Keaktifan 		Kuliah,Tugas Langsung,[TL=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Algoritma klasifikasi naïve bayes
Sub Topik
a. Predicitive data mining b. Konsep dasar klasifikasi c. Tahapan algoritma klasifikasi d. Rumus manual naïve bayes
  • [1] Hal: 266 - 271
  • [2] Hal: 111 - 123
0.8
10 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu menjabarkan dan menerapkan algoritma klasifikasi decision tree dan contoh implementasinya sesuai dengan kebutuhan Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Rubrik Analitik Diskusi 		Kuliah,Diskusi,[DS=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Algoritma klasifikasi decision tree
Sub Topik
a. Cara kerja decission tree b. Arsitektur decission tree c. Rumus dan perhitungan manual decission tree
  • [1] Hal: 252 - 260
  • [2] Hal: 64 - 88
1
11 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu menjelaskan dan menghitung algoritma clustering dan contoh implementasinya sesuai dengan kebutuhan Kriteria

Teknik
Rubrik Analitik Keaktifan 		Kuliah,Proses Belajar,[PB=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Konsep dasar algoritma clustering
Sub Topik
a. Basic concept clustering b. Cara kerja algoritma k-means
  • [1] Hal: 209 - 235
0.8
12 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu mencontohkan dan menghitung algoritma klasifikasi dan clustering beserta contoh implementasinya sesuai dengan kebutuhan Kriteria

Teknik
Rubrik Analitik Tugas 		Kuliah,Diskusi,[DS=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Algoritma Klasifikasi dan Clustering
Sub Topik
Penyelesaian kasus menggunakan algoritma klasifikasi dan clustering
  • [1] Hal: 209 - 236
2.6
13 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu menjelaskan evaluasi model pada penerapan metode ilmu data sesuai dengan permasalahan yang ada Kriteria

Teknik
Rubrik Analitik Keaktifan 		Kuliah,Praktikum,[P=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Evaluasi Model
Sub Topik
a. Error b. Confusion Matrix
  • [2] Hal: 257 - 273
0.8
14 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu melakukan evaluasi model pada penerapan metode ilmu data sesuai dengan permasalahan yang ada Kriteria

Teknik
Rubrik Analitik Keaktifan 		Kuliah,Diskusi,[DS=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Evaluasi Model
Sub Topik
a. Error b. Confusion Matrix
  • [2] Hal: 257 - 274
1
15 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Mahasiswa mampu mengimplementasikan algoritma ilmu data sesuai dengan kebutuhan Kriteria
Ketepatan jawaban sesuai perintah soal
Teknik
Rubrik Analitik Kuis 		Kuliah,Praktikum,[P=100 Menit]
 Kuliah,Studi Kasus,[SK=100 Menit]
 Topik
Studi Kasus
Sub Topik
a. Pengayaan b. Studi kasus
  • [2] Hal: 379 - 417
12
16 sub.cpmk.DM128.CPMK.07.2.-Mahasiswa mampu mengidentifikasi masalah organisasi dan mengimplementasikan metode yang sesuai dengan permasalahan tersebut Ketepatan menjawab Kriteria
Ketepatan Jawaban
Teknik
Ujian 		Ujian terjadwal,Durasi sesuai DAAK,[D=100 Menit]
 Topik
Materi Minggu 8 - 14
Sub Topik

 35

Teknik Penilaian CPMK

CPL MK CPMK Partisipasi Tugas Teori (Individu) Kuis Tes Tulis (UTS) Tes Tulis (UAS)
CPL07 DATA SCIENCE FUNDAMENTAL CPMK.07.2 Y Y Y Y
CPL10 DATA SCIENCE FUNDAMENTAL CPMK.10.4 Y Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Keaktifan 1 Ketepatan Menjelaskan
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Keaktifan 1 Ketepatan jawaban sesuai perintah soal
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Tugas 2.6
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Diskusi 1 Ketepatan jawaban sesuai perintah soal
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Keaktifan 0.8
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Tugas 2.6
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Rubrik Analitik Kuis 12 Ketepatan jawaban tugas sesuai perintah soal
CPL10 CPMK.10.4 sub.cpmk.DM128.CPMK.10.4. Ujian 25 Ketepatan Jawaban
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Keaktifan 0.8
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Diskusi 1 Ketepatan jawaban sesuai perintah soal
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Keaktifan 0.8
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Tugas 2.6
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Keaktifan 0.8
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Keaktifan 1
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Rubrik Analitik Kuis 12 Ketepatan jawaban sesuai perintah soal
CPL07 CPMK.07.2 sub.cpmk.DM128.CPMK.07.2. Ujian 35 Ketepatan Jawaban
Total 100
2. Penilaian CPMK
CPL MK CPMK Partisipasi Tugas Teori (Individu) Kuis Tes Tulis (UTS) Tes Tulis (UAS) Total
CPL07 DATA SCIENCE FUNDAMENTAL CPMK.07.2 4.4% 2.6% 12% 0% 35% 54%
CPL10 DATA SCIENCE FUNDAMENTAL CPMK.10.4 1% 20% 0% 25% 0% 46%
100%