UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI DOKTOR INFORMATIKA

RPS-S3IF-DI002
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
ADVANCED DATA SCIENCE DI002 Special Topics in Informatics T= 4 1 09 Jul 2025
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Prof. Dr. Kusrini, S.Kom., M.Kom.
Prof. Dr. Kusrini, S.Kom., M.Kom.
Prof. Dr. Ema Utami, S.Si., M.Kom.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL03 Mampu menyusun argumen dan solusi keilmuan, teknologi berdasarkan pandangan kritis atas fakta, konsep, prinsip, atau teori yang dapat dipertanggungjawabkan secara ilmiah dan etika akademik, serta mengkomunikasikannya melalui media massa atau langsung kepada masyarakat untuk menyelesaikan permasalahan yang kompleks baik interdisiplin, multidisipliner, maupun transdisiplin untuk menghasilkan inovasi dan pengembangan dalam bidang Ilmu Komputer / Informatika.
CPL05 Mampu berpikir terbuka dan kritis terhadap perkembangan Ilmu Komputer/Informatika, khususnya dalam Data Science dan Digital Transformation Engineering, serta mampu mengidentifikasi dan merumuskan masalah penelitian, menyusun research gap dan peta jalan riset secara inter, multi, atau transdisipliner untuk menghasilkan penelitian orisinal yang berdampak signifikan bagi pengembangan ilmu dan kemaslahatan manusia melalui pendekatan sistematis dan inovatif.
CPL06 Menguasai teori terkini dan filosofi untuk mengembangkan dan memperbarui pengetahuan bidang Data Science serta Digital Transformation Engineering.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK07 Menyusun rumusan masalah secara kritis, analitis, dan inovatif di bidang Data Science dan Digital Transformation Engineering.
CPMK13 Mengkritisi dan mengevaluasi perkembangan mutakhir bidang Data Science dan Digital Transformation Engineering.
CMPK14 Merancang penelitian berbasis tren terbaru di bidang Data Science dan Digital Transformation Engineering.
CMPK16 Menguasai teori terbaru dan filosofi pengembangan keilmuan bidang Data Science dan Digital Transformation Engineering.
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.DI002.CMPK14.1 Merancang penelitian dan sistem berbasis tren terbaru di Data Science.
sub.cpmk.DI002.CMPK14.2 Merancang metode pengujian algoritma dan aplikasi secara inovatif pada penelitian Data Science.
sub.cpmk.DI002.CMPK14.3 Merancang sistematika penulisan laporan dan paper ilmiah berbasis analisis kritis Data Science.
sub.cpmk.DI002.CMPK16.1 Menjelaskan filosofi dan perkembangan keilmuan Data Science serta ruang lingkup penerapannya.
sub.cpmk.DI002.CMPK16.2 Menganalisis perbedaan konseptual antara Data Science dan Artificial Intelligence.
sub.cpmk.DI002.CMPK16.3 Mendeskripsikan teori dan konsep algoritma utama pada Data Science.
sub.cpmk.DI002.CPMK07.1 Mengidentifikasi dan merumuskan masalah akuisisi dan pengujian data secara kritis dan analitis.
sub.cpmk.DI002.CPMK07.2 Mengkritisi proses visualisasi data untuk mendukung analisis Data Science.
sub.cpmk.DI002.CPMK07.3 Merumuskan masalah dan potensi integrasi Semantic Web pada Data Science.
sub.cpmk.DI002.CPMK13.1 Mengevaluasi perkembangan mutakhir dan peluang riset pada Data Science.
Korelasi CPMK terhadap Sub-CPMK
CMPK16 sub.cpmk.DI002.CMPK16.1
sub.cpmk.DI002.CMPK16.2
sub.cpmk.DI002.CMPK16.3
CPMK07 sub.cpmk.DI002.CPMK07.1
sub.cpmk.DI002.CPMK07.2
sub.cpmk.DI002.CPMK07.3
CPMK13 sub.cpmk.DI002.CPMK13.1
CMPK14 sub.cpmk.DI002.CMPK14.1
sub.cpmk.DI002.CMPK14.2
sub.cpmk.DI002.CMPK14.3
Deskripsi Singkat MK Fokus dari matakuliah ini adalah pada proses pencarian pengetahuan dari sekumpulan data, baik data yang terstruktur maupun tidak terstruktur. Pembelajaran meliputi pemahaman tentang data, statistika dan analisis data dengan menggunakan algoritma machine learning. Mahasiswa diajak untuk mengetahui dan mempraktekan cara pengambilan data hingga analisis dan visualisasinya, termasuk menyajikan data dalam format standard dalam semantic web. Mahasiswa juga diajak untuk melihat berbagai penelitian dalam area data science, dan menggali ide untuk membuat karya baru. Selanjutnya mahasiswa dibimbing untuk melakukan perancangan, pengujian dan optimasi. Mahasiswa juga diajak untuk menuliskan dan menceritakan secara oral setiap langkah dalam mengembangkan aplikasi data science. Penilaian dilakukan terhadap penguasaan materi, keaktifan diskusi, kreativitas dalam pengembangan aplikasi serta kemampuan menceritakan apa yang telah dikerjakan.
Bahan Kajian : Materi Pembelajaran BK03 Special Topics in Informatics
Pustaka Utama
  • 1. Larose, D. T. (2005). Discovering knowledge in data: An introduction to data mining. Wiley.
  • 2. Kusrini, & Luthfi, E. T. (2009). Algoritma data mining. Andi Offset.
  • 3. EMC Education Services. (2015). Data science & big data analytics: Discovering, analyzing, visualizing and presenting data. John Wiley & Sons, Inc.
  • 4. Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web. O'Reilly Media.
  • 5. Nelli, F. (2015). Python data analytics. Apress.
  • 6. Allemang, D., & Hendler, J. (2011). Semantic web for the working ontologist: Effective modeling in RDFS and OWL (2nd ed.). Elsevier Inc.
Pendukung
  • 7. Tilley, S., & Rosenblatt, H. (2017). Systems analysis and design (11th ed.). Cengage Learning.
  • 8. Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web. O'Reilly Media.
  • 9. Kashyap, V., Bussler, C., & Moran, M. (2008). The semantic web: Semantics for data and services on the web. Springer-Verlag Berlin Heidelberg.
  • 10. Grinberg, M. (2018). Flask web development: Developing web applications with Python. O'Reilly Media.
  • 11. Kusrini, K., Suputa, S., Setyanto, A., Agastya, I. M. A., Priantoro, H., Chandramouli, K., & Izquierdo, E. (2020). Data augmentation for automated pest classification in Mango farms. Computers and Electronics in Agriculture, 179, 105842.
  • 12. Kusrini, K., Yudianto, M. R. A., & Al Fatta, H. (2022). The effect of Gaussian filter and data preprocessing on the classification of Punakawan puppet images with the convolutional neural network algorithm. International Journal of Electrical and Computer Engineering, 12(4), 3752.
Dosen Pengampu Prof., Dr. Kusrini, M.Kom; Dr.rer.nat. Arli Aditya Parikesit, S.Si., M.Si.
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.DI002.CMPK16.1-Menjelaskan filosofi dan perkembangan keilmuan Data Science serta ruang lingkup penerapannya.
 Kriteria

Teknik
 Topik
Pembahasan RPS & Kontrak Kuliah, Pengantar Data Science
Sub Topik
1. RPS
2. Kontrak kuliah
3. Definisi data science
4. Perkembangan dan ruang lingkup
  • [1] Hal: -
  • [2] Hal: -
  • [3] Hal: -
  • [4] Hal: -
  • [5] Hal: -
0
2 sub.cpmk.DI002.CMPK16.2-Menganalisis perbedaan konseptual antara Data Science dan Artificial Intelligence.
 Kriteria

Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Data Science vs Artificial Intelligence
Sub Topik
1. Definisi
2. Perbedaan
3. Keterkaitan
4. Ruang lingkup
5. Aplikasi
  • [1] Hal: -
  • [2] Hal: -
  • [3] Hal: -
0
3 sub.cpmk.DI002.CMPK16.3-Mendeskripsikan teori dan konsep algoritma utama pada Data Science.
 Kriteria
Keaktifan diskusi
Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Overview Algoritma Data Science
Sub Topik
1. Algoritma klasifikasi
2. Algoritma regresi
3. Algoritma clustering
4. Algoritma asosiasi
  • [1] Hal: -
  • [2] Hal: -
  • [3] Hal: -
10
4 sub.cpmk.DI002.CPMK13.1-Mengevaluasi perkembangan mutakhir dan peluang riset pada Data Science.
 Kedalaman analisis dalam menggunakan teori dan penerapan algoritma Data Science Kriteria
Kelengkapan analisis
Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Teori dan Penerapan Algoritma Data Science
Sub Topik
1. Algoritma Klasifikasi
2. Algoritma Regresi
3. Algoritma Clustering
4. Algoritma Asosiasi
  • [2] Hal: -
  • [3] Hal: -
  • [5] Hal: -
  • [6] Hal: -
20
5
6
7
8 sub.cpmk.DI002.CPMK13.1-Mengevaluasi perkembangan mutakhir dan peluang riset pada Data Science.
 Kriteria
Kedalaman jawaban
Teknik
 Topik
Ujian Tengah Semester
Sub Topik

 20
9 sub.cpmk.DI002.CPMK07.1-Mengidentifikasi dan merumuskan masalah akuisisi dan pengujian data secara kritis dan analitis.
 Kriteria

Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Akuisisi Data & Pengujian Algoritma
Sub Topik
1. Sumber data
2. Teknik akuisisi
3. Data preprocessing
4. Teknik pengujian

  • [5] Hal: -
  • [11] Hal: -
  • [12] Hal: -
0
10 sub.cpmk.DI002.CPMK07.2-Mengkritisi proses visualisasi data untuk mendukung analisis Data Science.
 Kriteria
Kelengkapan analisis
Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Visualisasi Data
Sub Topik
1. Prinsip visualisasi
2. Tools (Matplotlib, Seaborn)
3. Interpretasi hasil
4. Storytelling
  • [3] Hal: -
  • [5] Hal: -
  • [7] Hal: -
10
11 sub.cpmk.DI002.CPMK07.3-Merumuskan masalah dan potensi integrasi Semantic Web pada Data Science.
 Kriteria

Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Semantic Web & Data Science
Sub Topik
1. Definisi semantic web
2. Integrasi dengan data science
3. Contoh kasus
4. Implementasi

  • [6] Hal: -
  • [8] Hal: -
  • [9] Hal: -
  • [10] Hal: -
0
12 sub.cpmk.DI002.CMPK14.1-Merancang penelitian dan sistem berbasis tren terbaru di Data Science.
 Kriteria

Teknik
 Kuliah,Ceramah,[CR=60 Menit]
Kuliah,Diskusi,[DS=120 Menit]
 Topik
Peluang Penelitian & Paper Terkait
Sub Topik
1. Topik riset terbaru
2. Pencarian paper
3. Analisis paper
4. Gap riset

  • [1] Hal: -
  • [7] Hal: -
  • [8] Hal: -
  • [11] Hal: -
  • [12] Hal: -
0
13 sub.cpmk.DI002.CMPK14.3-Merancang sistematika penulisan laporan dan paper ilmiah berbasis analisis kritis Data Science.
 Kriteria
Kedalaman jawaban
Teknik
 Topik
Sistematika Penulisan Laporan & Paper, Analisis dan Pembahasan
Sub Topik
1. Teknik Perancangan Sistem Data Science
2. Teknik Pengujian Algoritma & Aplikasi
3. Struktur laporan
4. Sistematika paper ilmiah
5. Penulisan analisis
6. Pembahasan hasil

  • [1] Hal: -
  • [2] Hal: -
  • [3] Hal: -
  • [5] Hal: -
  • [10] Hal: -
20
14
15
16 sub.cpmk.DI002.CMPK14.2-Merancang metode pengujian algoritma dan aplikasi secara inovatif pada penelitian Data Science.
 Kriteria
Ketepatan isi
Teknik
 Topik
Ujian Akhir Semester (UAS)
Sub Topik

 20

Teknik Penilaian CPMK

CPL MK CPMK Tugas individu Ujian tengah semester Ujian akhir semester
CPL03 ADVANCED DATA SCIENCE CPMK07 Y
CPL05 ADVANCED DATA SCIENCE CPMK13 Y Y
CPL05 ADVANCED DATA SCIENCE CMPK14 Y Y
CPL06 ADVANCED DATA SCIENCE CMPK16 Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL06 CMPK16 sub.cpmk.DI002.CMPK16.1 0
CPL06 CMPK16 sub.cpmk.DI002.CMPK16.2 0
CPL06 CMPK16 sub.cpmk.DI002.CMPK16.3 10 Keaktifan diskusi
CPL05 CPMK13 sub.cpmk.DI002.CPMK13.1 20 Kelengkapan analisis
CPL05 CPMK13 sub.cpmk.DI002.CPMK13.1 20 Kedalaman jawaban
CPL03 CPMK07 sub.cpmk.DI002.CPMK07.1 0
CPL03 CPMK07 sub.cpmk.DI002.CPMK07.2 10 Kelengkapan analisis
CPL03 CPMK07 sub.cpmk.DI002.CPMK07.3 0
CPL05 CMPK14 sub.cpmk.DI002.CMPK14.1 0
CPL05 CMPK14 sub.cpmk.DI002.CMPK14.3 20 Kedalaman jawaban
CPL05 CMPK14 sub.cpmk.DI002.CMPK14.2 20 Ketepatan isi
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas individu Ujian tengah semester Ujian akhir semester Total
CPL03 ADVANCED DATA SCIENCE CPMK07 0% 10% 0% 0% 10%
CPL05 ADVANCED DATA SCIENCE CPMK13 0% 20% 20% 0% 40%
CPL05 ADVANCED DATA SCIENCE CMPK14 0% 20% 0% 20% 40%
CPL06 ADVANCED DATA SCIENCE CMPK16 0% 10% 0% 0% 10%
100%