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 01 Oct 2025
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Arifiyanto Hadinegoro, S.Kom, MT
Theopilus Bayu Sasongko, S.Kom., M.Eng
Eli Pujastuti, M.Kom.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPLP06 Mampu menggunakan dan mengoptimalkan teknik akuisisi data , analisis data, dan pengolahan data untuk menyelesaikan masalah penelitian atau industri.
CPLP10 Mampu menjelaskan konsep dan pengetahuan teknik akuisisi data , analisis data, dan 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 arsitektur pengolahan data terdistribusi menggunakan Apache Spark.
sub.cpmk.ST153.CPMK22.2 Mahasiswa dapat menjelaskan konsep dan cara kerja RDD, transformation, action, partition, dan lazy evaluation pada Apache Spark.
sub.cpmk.ST153.CPMK40.1 Mahasiswa dapat menjelaskan konsep dan tahapan analisis data menggunakan Apache Spark.
sub.cpmk.ST153.CPMK40.2 Mahasiswa dapat menerapkan Spark DataFrame dan Spark SQL untuk melakukan eksplorasi, transformasi, agregasi, dan analisis data.
sub.cpmk.ST153.CPMK40.3 Mahasiswa dapat menjelaskan konsep dan tahapan predictive analytics menggunakan Apache Spark MLlib.
sub.cpmk.ST153.CPMK40.4 Mahasiswa dapat menerapkan feature engineering dan machine learning pipeline menggunakan Apache Spark MLlib.
sub.cpmk.ST153.CPMK41.1 Mahasiswa dapat menjelaskan konsep dan menerapkan pengolahan data batch menggunakan Apache Spark.
sub.cpmk.ST153.CPMK41.2 Mahasiswa dapat menerapkan penyimpanan dan pengelolaan data menggunakan format kolumnar Parquet dalam pipeline Big Data.
sub.cpmk.ST153.CPMK41.3 Mahasiswa dapat menerapkan konsep data pipeline Bronze, Silver, dan Gold untuk pengolahan data secara terstruktur.
sub.cpmk.ST153.CPMK41.4 Mahasiswa dapat menjelaskan konsep event streaming, message broker, topic, partition, producer, consumer, dan consumer group pada Apache Kafka.
sub.cpmk.ST153.CPMK41.5 Mahasiswa dapat menerapkan akuisisi dan pengolahan data streaming menggunakan Apache Kafka dan Apache Spark Structured Streaming.
sub.cpmk.ST153.CPMK41.6 Mahasiswa dapat menerapkan pengolahan data multimodal berupa teks, citra, audio, dan/atau video pada pipeline Big Data.
sub.cpmk.ST153.CPMK41.7 Mahasiswa dapat menerapkan konsep lakehouse dan pengelolaan tabel menggunakan Apache Iceberg untuk mendukung analisis data berskala besar.
sub.cpmk.ST153.CPMK41.8 Mahasiswa dapat menerapkan experiment tracking dan pengelolaan model predictive analytics menggunakan MLflow.
sub.cpmk.ST153.CPMK41.9 Mahasiswa dapat merancang dan menerapkan solusi Big Data Predictive Analytics secara end-to-end berdasarkan studi kasus penelitian atau industri.
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
sub.cpmk.ST153.CPMK41.9
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 penerapan teknik akuisisi, pengolahan, analisis, dan predictive analytics terhadap data berskala besar secara terdistribusi. Mata kuliah ini memanfaatkan Apache Spark dan PySpark pada lingkungan distributed computing untuk mengolah data terstruktur, semi-terstruktur, dan multimodal. Pembahasan mencakup arsitektur dan pemrosesan data pada Spark Cluster, DataFrame dan Spark SQL, RDD sebagai dasar konsep distributed processing, partitioning dan optimasi pemrosesan data, serta pengelolaan data menggunakan format Parquet dan arsitektur data pipeline. Selanjutnya, mahasiswa mempelajari pengolahan data batch dan streaming melalui **Apache Kafka dan Spark Structured Streaming**, serta pengelolaan data pada lingkungan lakehouse menggunakan Apache Iceberg. Pada aspek predictive analytics, mahasiswa menerapkan Apache Spark MLlib untuk feature engineering, training, prediction, dan evaluasi model yang mencakup regression/forecasting, classification, dan clustering. Mata kuliah juga memperkenalkan MLflow untuk experiment tracking dan pengelolaan model. Seluruh materi diintegrasikan melalui studi kasus dan proyek yang menghasilkan solusi Big Data & Predictive Analytics secara end-to-end untuk menyelesaikan permasalahan penelitian atau industri.
Bahan Kajian : Materi Pembelajaran Big Data & Spark, Cluster, DataFrame/SQL, RDD, Optimization, Data Pipeline, Kafka/Streaming, Multimodal, MLlib/Predictive Analytics, Collaborative Filtering/Classification/Clustering, Iceberg, MLflow, End-to-End Big Data System
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 Ref P2. Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data, Informatika Bandung, 2019
Dosen Pengampu Theopilus Bayu Sasongko, S.Kom.,M.Eng, Dr. Andi Sunyoto, S.Kom., M.Kom.,Enda Putri Atika S.Kom., M.Kom.,Hanafi S.Kom., M.Eng., Ph.D.,I Made Artha Agastya S.T., M.Eng., Ph.D.,Mujiyanto S.Kom., M.Kom.
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.CPMK22.1-Mahasiswa dapat menjelaskan konsep dan arsitektur pengolahan data terdistribusi menggunakan Apache Spark.
sub.cpmk.ST153.CPMK22.2-Mahasiswa dapat menjelaskan konsep dan cara kerja RDD, transformation, action, partition, dan lazy evaluation pada Apache Spark.
 Mahasiswa memahami : Big Data characteristics, Volume,Velocity,Variety,Veracity,Value,Data Engineer,Data Analyst,Data Scientist,ML Engineer,Big Data pipeline,Batch vs streaming,Data warehouse,Data lake,Lakehouse Kriteria
Rubrik Holistik
Teknik
Diskusi 		Kuliah,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Big Data Landscape & Data Engineering
Sub Topik
E-commerce menghasilkan data transaksi, clickstream, customer profile, gambar produk, dan event real-time.
  • [1] Hal: 5-10
3
2 sub.cpmk.ST153.CPMK22.1-Mahasiswa dapat menjelaskan konsep dan arsitektur pengolahan data terdistribusi menggunakan Apache Spark.
sub.cpmk.ST153.CPMK22.2-Mahasiswa dapat menjelaskan konsep dan cara kerja RDD, transformation, action, partition, dan lazy evaluation pada Apache Spark.
 Mahasiswa mampu memahami dan membuat Distributed Computing & Spark Architecture Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Distributed Computing & Spark Architecture
Sub Topik
Driver
Master
Worker
Executor
Job
Stage
Task
DAG
Cluster manager
Parallelism
  • [1] Hal: 20-23
2
3 sub.cpmk.ST153.CPMK22.1-Mahasiswa dapat menjelaskan konsep dan arsitektur pengolahan data terdistribusi menggunakan Apache Spark.
sub.cpmk.ST153.CPMK22.2-Mahasiswa dapat menjelaskan konsep dan cara kerja RDD, transformation, action, partition, dan lazy evaluation pada Apache Spark.
 Mahasiswa dapat menerapkan dan mengimplementasikan dengan baik Spark Cluster Operations Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Spark Cluster Operations
Sub Topik
Pembuatan Cluster dan Pencatatan Performa :
execution time
number of tasks
number of stages
CPU utilization
memory
data processed
  • [2] Hal: 15-20
2
4 sub.cpmk.ST153.CPMK41.2-Mahasiswa dapat menerapkan penyimpanan dan pengelolaan data menggunakan format kolumnar Parquet dalam pipeline Big Data.
sub.cpmk.ST153.CPMK41.3-Mahasiswa dapat menerapkan konsep data pipeline Bronze, Silver, dan Gold untuk pengolahan data secara terstruktur.
sub.cpmk.ST153.CPMK41.4-Mahasiswa dapat menjelaskan konsep event streaming, message broker, topic, partition, producer, consumer, dan consumer group pada Apache Kafka.
 Mahasiswa dapat memahami & menerapkan load data & pengolahan data (Data Ingestion) Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Data Ingestion
Sub Topik
schema inference
explicit schema
null
duplicate
malformed data
data type
schema validation
  • [1] Hal: 25-27
2
5 sub.cpmk.ST153.CPMK40.1-Mahasiswa dapat menjelaskan konsep dan tahapan analisis data menggunakan Apache Spark.
sub.cpmk.ST153.CPMK40.2-Mahasiswa dapat menerapkan Spark DataFrame dan Spark SQL untuk melakukan eksplorasi, transformasi, agregasi, dan analisis data.
 Mahasiswa dapat memahami dan mengimpelmentasikan Partition, Shuffle & Performance Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Partition, Shuffle & Performance
Sub Topik
Memahami Perintah SQL
Repartition
Cache
Persist
  • [1] Hal: 30-45
2
6 sub.cpmk.ST153.CPMK41.1-Mahasiswa dapat menjelaskan konsep dan menerapkan pengolahan data batch menggunakan Apache Spark.
sub.cpmk.ST153.CPMK41.2-Mahasiswa dapat menerapkan penyimpanan dan pengelolaan data menggunakan format kolumnar Parquet dalam pipeline Big Data.
sub.cpmk.ST153.CPMK41.3-Mahasiswa dapat menerapkan konsep data pipeline Bronze, Silver, dan Gold untuk pengolahan data secara terstruktur.
 Mahasiswa dapat memahami & menerapkan Data Lake & Data Quality Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Data Lake & Data Quality
Sub Topik
Layered Architecture (Bronze/Silver/Gold) : Bronze, Silver, Gold
Schema-on-Read Flexibility
  • [1] Hal: 60-75
2
7 sub.cpmk.ST153.CPMK40.1-Mahasiswa dapat menjelaskan konsep dan tahapan analisis data menggunakan Apache Spark.
sub.cpmk.ST153.CPMK40.2-Mahasiswa dapat menerapkan Spark DataFrame dan Spark SQL untuk melakukan eksplorasi, transformasi, agregasi, dan analisis data.
 Mahasiswa dapat menyelesaikan permasalahan yang diberikan berkaitan dengan DataFrame & SQL, Spark Cluster Operations, Data Ingestion, Partition, Shuffle & Performance Kriteria
Rubrik Holistik
Teknik
Studi kasus 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Studi Kasus,[SK=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Studi Kasus,[SK=1 Menit]
 Topik
Studi Kasus Implementasi Manajemen Spark di dunia nyata
Sub Topik
DataFrame & SQL, Spark Cluster Operations, Data Ingestion, Partition, Shuffle & Performance
 8
8 sub.cpmk.ST153.CPMK40.1-Mahasiswa dapat menjelaskan konsep dan tahapan analisis data menggunakan Apache Spark.
sub.cpmk.ST153.CPMK40.2-Mahasiswa dapat menerapkan Spark DataFrame dan Spark SQL untuk melakukan eksplorasi, transformasi, agregasi, dan analisis data.
sub.cpmk.ST153.CPMK40.3-Mahasiswa dapat menjelaskan konsep dan tahapan predictive analytics menggunakan Apache Spark MLlib.
 UTS Kriteria
Rubrik Analitik
Teknik
UTS 		Topik
UTS
Sub Topik
Mahasiswa harus:

ingestion
cleaning
schema
Spark DataFrame
SQL
transformation
aggregation
Parquet
partitioning
Spark cluster
performance analysis
dashboard/visualization
 30
9 sub.cpmk.ST153.CPMK41.4-Mahasiswa dapat menjelaskan konsep event streaming, message broker, topic, partition, producer, consumer, dan consumer group pada Apache Kafka.
sub.cpmk.ST153.CPMK41.5-Mahasiswa dapat menerapkan akuisisi dan pengolahan data streaming menggunakan Apache Kafka dan Apache Spark Structured Streaming.
 Mahasiswa dapat menjelaskan dan mengimplementasikan Apache Kafka Kriteria
Rubrik Holistik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Apache Kafka
Sub Topik
topic
partition
offset
producer
consumer
consumer group
  • [2] Hal: 35-50
2
10 sub.cpmk.ST153.CPMK41.5-Mahasiswa dapat menerapkan akuisisi dan pengolahan data streaming menggunakan Apache Kafka dan Apache Spark Structured Streaming.
 Mahasiswa dapat menerapkan Spark Structured Streaming untuk analisis Realtime Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Kafka + Spark Structured Streaming
Sub Topik
Real-time Sales Analytics
Spark Structured Streaming
↓
Transformation
↓
Aggregation
↓
Parquet / Iceberg
  • [2] Hal: 60-70
2
11 sub.cpmk.ST153.CPMK41.5-Mahasiswa dapat menerapkan akuisisi dan pengolahan data streaming menggunakan Apache Kafka dan Apache Spark Structured Streaming.
sub.cpmk.ST153.CPMK41.6-Mahasiswa dapat menerapkan pengolahan data multimodal berupa teks, citra, audio, dan/atau video pada pipeline Big Data.
 Mahasiswa dapat menerapkan Multimodal big data Kriteria
Rubrik Analitik
Teknik
Laporan praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Multimodal Big Data Analytic
Sub Topik
Kafka
↓
Distributed preprocessing
↓
Feature extraction
↓
Metadata
↓
Parquet/Iceberg
  • [2] Hal: 70-95
2
12 sub.cpmk.ST153.CPMK40.3-Mahasiswa dapat menjelaskan konsep dan tahapan predictive analytics menggunakan Apache Spark MLlib.
sub.cpmk.ST153.CPMK40.4-Mahasiswa dapat menerapkan feature engineering dan machine learning pipeline menggunakan Apache Spark MLlib.
 Mahasiswa dapat memahami dan menerapkan Spark MLlib Kriteria
Rubrik Analitik
Teknik
Diskusi dan Laporan Praktikum 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Praktikum,[P=1 Menit]
 Topik
Build scalable ML pipeline dengan MLlib
Sub Topik
Feature Engineering
VectorAssembler
Scaler / Encoder
Model
Prediction
Evaluation
  • [2] Hal: 60-78
3
13 sub.cpmk.ST153.CPMK41.7-Mahasiswa dapat menerapkan konsep lakehouse dan pengelolaan tabel menggunakan Apache Iceberg untuk mendukung analisis data berskala besar.
sub.cpmk.ST153.CPMK41.8-Mahasiswa dapat menerapkan experiment tracking dan pengelolaan model predictive analytics menggunakan MLflow.
 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" )=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Topik
- Studi kasus terkait PySpark
- Capstone Project
Sub Topik
- Studi kasus terkait PySpark
- Capstone Project
  • [2] Hal: 100-300
3
14 sub.cpmk.ST153.CPMK41.6-Mahasiswa dapat menerapkan pengolahan data multimodal berupa teks, citra, audio, dan/atau video pada pipeline Big Data.
 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" )=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Penugasan terstruktur dan Kegiatan Mandiri ,[PT+KM : (1+1 ) x (2 x 60" )=1 Menit]
 Topik
- Studi kasus terkait PySpark MLib
- Capstone Project
Sub Topik
- Studi kasus terkait PySpark MLib
- Capstone Project
 3
15 sub.cpmk.ST153.CPMK41.6-Mahasiswa dapat menerapkan pengolahan data multimodal berupa teks, citra, audio, dan/atau video pada pipeline Big Data.
sub.cpmk.ST153.CPMK41.7-Mahasiswa dapat menerapkan konsep lakehouse dan pengelolaan tabel menggunakan Apache Iceberg untuk mendukung analisis data berskala besar.
sub.cpmk.ST153.CPMK41.8-Mahasiswa dapat menerapkan experiment tracking dan pengelolaan model predictive analytics menggunakan MLflow.
 Mahasiswa dapat menjelaskan dan menerapkan Distributed Predictive Analytics dalam kasus nyata mulai dari pemanfaatan apache kafka, streaming, multimodal, hingga implementasi predictive MLlib. Kriteria
Rubrik Analitik
Teknik
Studi kasus 		Praktikum,Proses Belajar,[PB=100 Menit]
Tugas ,Presentasi,[PS=1 Menit]
 Studi Kasus,Proses Belajar,[PB=100 Menit]
Tugas ,Presentasi,[PS=1 Menit]
 Topik
Pembuatan (Presentasi) Project Akhir Big Data Lanjut
Sub Topik
Capstone Project :
pemanfaatan apache kafka, streaming, multimodal, hingga implementasi predictive MLlib.
 8
16 sub.cpmk.ST153.CPMK41.6-Mahasiswa dapat menerapkan pengolahan data multimodal berupa teks, citra, audio, dan/atau video pada pipeline Big Data.
sub.cpmk.ST153.CPMK41.7-Mahasiswa dapat menerapkan konsep lakehouse dan pengelolaan tabel menggunakan Apache Iceberg untuk mendukung analisis data berskala besar.
sub.cpmk.ST153.CPMK41.8-Mahasiswa dapat menerapkan experiment tracking dan pengelolaan model predictive analytics menggunakan MLflow.
sub.cpmk.ST153.CPMK41.9-Mahasiswa dapat merancang dan menerapkan solusi Big Data Predictive Analytics secara end-to-end berdasarkan studi kasus penelitian atau industri.
 Final Capstone Project Kriteria
Rubrik Analitik
Teknik
Ujian Akhir Semester dengan menilai secara holistik dan analitik 		Topik
Implementasi Big Data Predictive Analytics dengan Spark
Sub Topik
End to End project Big Data Analytics Lanjut
 26

Teknik Penilaian CPMK

CPL MK CPMK Tugas Responsi Tes Tulis (UTS) Presentasi Tes Tulis ( UAS )
CPLP06 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK22 Y
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK40 Y Y 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
CPLP06 CPMK22 sub.cpmk.ST153.CPMK22.1, sub.cpmk.ST153.CPMK22.2 Diskusi 3 Rubrik Holistik
CPLP06 CPMK22 sub.cpmk.ST153.CPMK22.1, sub.cpmk.ST153.CPMK22.2 Laporan praktikum 2 Rubrik Analitik
CPLP06 CPMK22 sub.cpmk.ST153.CPMK22.1, sub.cpmk.ST153.CPMK22.2 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.2, sub.cpmk.ST153.CPMK41.3, sub.cpmk.ST153.CPMK41.4 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.1, sub.cpmk.ST153.CPMK40.2 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.1, sub.cpmk.ST153.CPMK41.2, sub.cpmk.ST153.CPMK41.3 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.1, sub.cpmk.ST153.CPMK40.2 Studi kasus 8 Rubrik Holistik
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.1, sub.cpmk.ST153.CPMK40.2, sub.cpmk.ST153.CPMK40.3 UTS 30 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.4, sub.cpmk.ST153.CPMK41.5 Laporan praktikum 2 Rubrik Holistik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.5 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.5, sub.cpmk.ST153.CPMK41.6 Laporan praktikum 2 Rubrik Analitik
CPLP10 CPMK40 sub.cpmk.ST153.CPMK40.3, sub.cpmk.ST153.CPMK40.4 Diskusi dan Laporan Praktikum 3 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.7, 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.CPMK41.6, sub.cpmk.ST153.CPMK41.7, sub.cpmk.ST153.CPMK41.8 Studi kasus 8 Rubrik Analitik
CPLP10 CPMK41 sub.cpmk.ST153.CPMK41.6, sub.cpmk.ST153.CPMK41.7, sub.cpmk.ST153.CPMK41.8, sub.cpmk.ST153.CPMK41.9 Ujian Akhir Semester dengan menilai secara holistik dan analitik 26 Rubrik Analitik
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Responsi Tes Tulis (UTS) Presentasi Tes Tulis ( UAS ) Total
CPLP06 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK22 7% 0% 0% 0% 0% 7%
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK40 5% 8% 30% 0% 0% 43%
CPLP10 BIG DATA & PREDICTIVE ANALYTICS LANJUT CPMK41 13% 8% 0% 3% 26% 50%
100%