UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI TEKNIK INFORMATIKA

RPS-D3TI-DT207
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
BIG DATA PREDICTIVE DT207 Data and Information Management; Intelligent Systems; Computational Science; Discrete Structures; Information Management T= 2 P= 2 5 25 Sep 2026
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Surya Tri Atmaja Ramadhani, S.Kom., M.Eng.
Barka Satya, M.Kom
Barka Satya, M.Kom
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
23-CPL01 Memiliki pengetahuan yang memadai terkait cara kerja sistem berbasis komputer dan mampu menerapkan algoritma/metode untuk memecahkan masalah pada organisasi.
23-CPL04 Kemampuan mengimplementasi kebutuhan computing dengan menggunakan berbagai metode/algoritma yang sesuai.
23-CPL08 Kemampuan mengimplementasikan sistem cerdas menggunakan algoritma umum untuk memecahkan masalah di dunia industri.
Capaian Pembelajaran Mata Kuliah (CPMK)
CP-MK042 Mampu mengimplementasikan kebutuhan computing dengan sistematis.
CP-MK081 Mampu mengimplementasikan sistem cerdas menggunakan algoritma untuk memecahkan masalah di dunia industri
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.DT207.CP-MK042.1 SCPMK 20704202 Mampu melakukan eksplorasi data, deteksi anomali, serta pembersihan dan transformasi data untuk persiapan analisis.
sub.cpmk.DT207.CP-MK042.2 SCPMK 20701103 Mampu merancang dan menerapkan model regresi linier dan regresi berganda pada dataset numerik.
sub.cpmk.DT207.CP-MK042.3 SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
sub.cpmk.DT207.CP-MK042.4 SCPMK 20704207 Mampu mengevaluasi kinerja model prediksi menggunakan metrik yang sesuai: akurasi, presisi, recall, F1-score, AUC-ROC, MSE, dan R².
sub.cpmk.DT207.CP-MK042.5 SCPMK 20701108 Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif.
sub.cpmk.DT207.CP-MK081.1 SCPMK 20708101 Mampu menjelaskan konsep dasar Big Data dan peran prediksi dalam pengambilan keputusan berbasis data.
sub.cpmk.DT207.CP-MK081.2 SCPMK 20708104 Mampu membangun dan mengevaluasi model klasifikasi Decision Tree dan Random Forest untuk data kategorikal.
sub.cpmk.DT207.CP-MK081.3 SCPMK 20708105 Mampu menerapkan algoritma clustering K-Means dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score.
Korelasi CPMK terhadap Sub-CPMK
CP-MK081 sub.cpmk.DT207.CP-MK081.1
sub.cpmk.DT207.CP-MK081.2
sub.cpmk.DT207.CP-MK081.3
CP-MK042 sub.cpmk.DT207.CP-MK042.1
sub.cpmk.DT207.CP-MK042.2
sub.cpmk.DT207.CP-MK042.3
sub.cpmk.DT207.CP-MK042.4
sub.cpmk.DT207.CP-MK042.5
Deskripsi Singkat MK Mata kuliah Big Data Predictive merupakan mata kuliah wajib pada jenjang D3 Teknik Informatika yang menggabungkan aspek teori dan praktikum untuk mempersiapkan mahasiswa dalam menganalisis data besar dengan tujuan prediksi. Melalui pertemuan yang terstruktur, mahasiswa mempelajari konsep dasar Big Data, eksplorasi dan pembersihan data, serta penerapan algoritma machine learning seperti regresi linier, klasifikasi Decision Tree dan Random Forest, clustering K-Means, evaluasi model, dan penggunaan Apache Spark untuk pemrosesan data skala besar. Setiap sesi dilengkapi praktik langsung menggunakan Python dan library terkait sehingga mahasiswa mampu merancang, melatih, mengevaluasi, dan menyajikan model prediktif secara komprehensif melalui proyek dan studi kasus nyata.
Bahan Kajian : Materi Pembelajaran Konsep Big Data; peran prediksi dalam pengambilan keputusan; Python dan Jupyter Notebook; eksplorasi data; pembersihan data; deteksi anomali; transformasi data; statistik deskriptif; visualisasi data; regresi linier dan regresi berganda; evaluasi regresi; feature selection; klasifikasi Decision Tree dan Random Forest; evaluasi klasifikasi; confusion matrix; ROC-AUC; clustering K-Means; elbow method; silhouette score; PCA; Apache Spark; Spark DataFrame; Spark MLlib; pipeline prediksi; studi kasus prediksi penjualan; presentasi dan laporan analisis prediktif.
Pustaka Utama
  • 1. Buyya, Rajkumar; Calheiros, Rodrigo N.; Dastjerdi, Amir Vahid. Big Data: Principles and Paradigms. Elsevier/Morgan Kaufmann, 2016.
  • 2. Finlay, Steven. Predictive Analytics, Data Mining and Big Data. New York: Palgrave, 2014.
  • 3. Learning Predictive Analytics with Python. Packt Publishing, 2016.
Pendukung
  • 4. Walpole, R.E. Pengantar Statistik, edisi terjemahan.
  • 5. Tita Lestari. Dasar-Dasar Statistika. Bandung: Alfabeta, 2001.
  • 6. Boediono dan Wayan Koster. Teori dan Aplikasi Statistika dan Probabilitas. Bandung: PT Remaja Rosdakarya, 2001.
Dosen Pengampu Surya Tri Atmaja Ramadhani, S.Kom., M.Eng.; Arvin Frobenius, S.Kom., M.Kom.
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.DT207.CP-MK081.1-SCPMK 20708101 Mampu menjelaskan konsep dasar Big Data dan peran prediksi dalam pengambilan keputusan berbasis data.
 SCPMK 20708101: Mampu menjelaskan konsep dasar Big Data dan peran prediksi dalam pengambilan keputusan berbasis data. [CPMK081] Kriteria
Rubrik Analitik
Teknik
Rubrik skala Persepsi / Tugas; Rubrik Analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Pengantar Big Data & Prediksi; Mampu mempraktekkan dan memprediksi big data
Sub Topik
- Konsep Big Data (V’s: Volume, Variety, Velocity, Veracity) / - Peran prediksi dalam bisnis dan teknologi / - Studi kasus aplikasi prediksi (penjualan, kesehatan, logistik / / Ref1.; - Instalasi Python & Jupyter Notebook / - Load dataset contoh (CSV/JSON) / - Tampilkan informasi dasar data (info(), describe()) / / Ref1.
  • [1] Hal: -
1.98
2 sub.cpmk.DT207.CP-MK042.1-SCPMK 20704202 Mampu melakukan eksplorasi data, deteksi anomali, serta pembersihan dan transformasi data untuk persiapan analisis.
 SCPMK 20704202: Mampu melakukan eksplorasi data, deteksi anomali, serta pembersihan dan transformasi data untuk persiapan analisis. [CPMK042] Kriteria
Rubrik Analitik
Teknik
Rubrik Analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu Menjelaskan pengumpulan & Pemrosesan Data; Dapat mempraktikkan terkait pemrosesan data
Sub Topik
- Sumber internal, eksternal, API / - Tahapan preprocessing: handling missing values, duplikat, outlier / - Transformasi skala dan encoding / / Ref1.; - Gunakan Pandas untuk cleaning data (dropna, fillna) / - Deteksi outlier dengan IQR / - Normalisasi data (MinMaxScaler) / / Ref1.
  • [1] Hal: -
1.98
3 sub.cpmk.DT207.CP-MK042.2-SCPMK 20701103 Mampu merancang dan menerapkan model regresi linier dan regresi berganda pada dataset numerik.
 SCPMK 20701103: Mampu merancang dan menerapkan model regresi linier dan regresi berganda pada dataset numerik. [CPMK011] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan proses eksplorasi & Visualisasi Data; Mampu melakukan eksplorasi, pembersihan sederhana, dan visualisasi data sensor IoT untuk memperoleh insight awal sebagai dasar pengambilan keputusan berbasis data.
Sub Topik
- Statistik deskriptif dan distribusi data / - Visualisasi: histogram, boxplot, scatter plot, heatmap korelasi / - Identifikasi pola dan fitur penting / / Ref1.; Buat visualisasi dengan Matplotlib & Seaborn / - Analisis korelasi antar fitur / - Pilih fitur berdasarkan korelasi dan relevansi / / Ref1.
  • [1] Hal: -
1.98
4 sub.cpmk.DT207.CP-MK081.2-SCPMK 20708104 Mampu membangun dan mengevaluasi model klasifikasi Decision Tree dan Random Forest untuk data kategorikal.
 SCPMK 20708104: Mampu membangun dan mengevaluasi model klasifikasi (Decision Tree, Random Forest) untuk data kategorikal. [CPMK081] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan konsep Regresi Linier Sederhana & Berganda; mampu menerapkan regresi linier sederhana dan berganda untuk memodelkan hubungan antar variabel sensor IoT serta melakukan interpretasi hasil prediksi secara kuantitatif.
Sub Topik
- Prinsip regresi linier: hubungan variabel dependen & independen / - Interpretasi koefisien dan R² / - Asumsi model regresi / / Ref1.; - Latih model regresi linier dengan LinearRegression / - Hitung R², MSE, RMSE / - Plot garis regresi vs data aktual / / Ref1.
  • [1] Hal: -
1.98
5 sub.cpmk.DT207.CP-MK081.3-SCPMK 20708105 Mampu menerapkan algoritma clustering K-Means dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score.
 SCPMK 20708105: Mampu menerapkan algoritma clustering (K-Means) dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score. [CPMK081] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan Evaluasi Model Regresi & Feature Selection; Mampu mengevaluasi kinerja model regresi serta memilih fitur (sensor) yang paling berpengaruh pada sistem IoT untuk meningkatkan akurasi dan efisiensi model prediksi.
Sub Topik
- Metrik evaluasi: MAE, MSE, RMSE, R² / - Pengaruh fitur tidak relevan / - Feature selection dengan SelectKBest & correlation threshold / / Ref1.; - Uji model dengan berbagai kombinasi fitur / - Bandingkan performa sebelum & setelah feature selection / - Simpan model terbaik / / Ref1.
  • [1] Hal: -
1.98
6 sub.cpmk.DT207.CP-MK042.3-SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
 SCPMK 20704206: Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark. [CPMK042] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Klasifikasi Dasar: Decision Tree & Random Forest; mampu membangun, mengevaluasi, dan membandingkan model klasifikasi Decision Tree dan Random Forest untuk menyelesaikan permasalahan klasifikasi pada sistem IoT berbasis data sensor.
Sub Topik
- Prinsip klasifikasi biner/multikelas / - Kelebihan dan kekurangan DT & RF / - Overfitting dan cara mitigasi / / Ref1.; - Latih model Decision Tree dan Random Forest / - Gunakan DecisionTreeClassifier, RandomForestClassifier / - Tampilkan tree structure (opsional) / / Ref1.
  • [1] Hal: -
1.98
7 sub.cpmk.DT207.CP-MK081.3-SCPMK 20708105 Mampu menerapkan algoritma clustering K-Means dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score.
 SCPMK 20708105: Mampu menerapkan algoritma clustering (K-Means) dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score. [CPMK081] Kriteria
Rubrik Analitik
Teknik
Rubrik Analitik / Tugas; rubrik analitik / Responsi 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan Evaluasi Model Klasifikasi; mampu mengevaluasi dan menganalisis kinerja model klasifikasi berbasis data sensor IoT menggunakan metrik evaluasi dan visualisasi hasil untuk mendukung pengambilan keputusan sistem.
Sub Topik
- Confusion Matrix, akurasi, presisi, recall, F1-score / - ROC Curve & AUC / - Trade-off antara presisi dan recall / / Ref1.; - Hitung semua metrik evaluasi / - Plot ROC curve dan hitung AUC / - Diskusi interpretasi hasil berdasarkan konteks kasus / / Ref1.
  • [1] Hal: -
8.57
8 sub.cpmk.DT207.CP-MK081.1-SCPMK 20708101 Mampu menjelaskan konsep dasar Big Data dan peran prediksi dalam pengambilan keputusan berbasis data.
sub.cpmk.DT207.CP-MK081.2-SCPMK 20708104 Mampu membangun dan mengevaluasi model klasifikasi Decision Tree dan Random Forest untuk data kategorikal.
sub.cpmk.DT207.CP-MK081.3-SCPMK 20708105 Mampu menerapkan algoritma clustering K-Means dan menentukan jumlah cluster optimal menggunakan metode elbow dan silhouette score.
 UTS Kriteria
Ketepatan capaian pembelajaran
Teknik
Tes tulis / ujian terjadwal 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
UTS
Sub Topik
Ujian Tengah Semester untuk materi Big Data, eksplorasi data, regresi, klasifikasi, clustering, dan evaluasi model.
  • [1] Hal: -
0
9 sub.cpmk.DT207.CP-MK042.3-SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
 SCPMK 20704206: Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark. [CPMK042] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan konsep Clustering dengan K-Means; mampu menerapkan metode clustering K-Means untuk mengelompokkan data sensor IoT tanpa label guna menemukan pola dan karakteristik lingkungan sebagai dasar pengambilan keputusan sistem.
Sub Topik
Prinsip clustering tanpa label / - Algoritma K-Means: centroid, iterasi, konvergensi / - Pentingnya standarisasi data / / Ref1.; - Terapkan K-Means dengan KMeans / - Lakukan scaling data terlebih dahulu / - Gunakan elbow method untuk tentukan k optimal / / Ref1.
  • [1] Hal: -
1.98
10 sub.cpmk.DT207.CP-MK042.3-SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
 SCPMK 20704206: Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark. [CPMK042] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan konsep Evaluasi Clustering & PCA; mampu mengevaluasi kualitas hasil clustering serta menerapkan PCA untuk mereduksi dimensi data sensor IoT guna meningkatkan interpretabilitas dan efisiensi analisis data.
Sub Topik
- Silhouette Score untuk evaluasi clustering / - Dimensi reduction dengan PCA / - Manfaat PCA untuk efisiensi dan visualisasi / / Ref1.; - Hitung silhouette score untuk berbagai nilai k / - Terapkan PCA untuk reduksi dimensi / - Bandingkan performa model sebelum dan sesudah PCA / / Ref1.
  • [1] Hal: -
1.98
11 sub.cpmk.DT207.CP-MK042.3-SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
 SCPMK 20704206: Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark. [CPMK042] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Mampu menjelaskan konsep penggunaan Apache Spark; mampu memahami konsep dasar Apache Spark serta mengimplementasikan pengolahan data IoT skala besar secara terdistribusi menggunakan Spark untuk meningkatkan efisiensi analisis data.
Sub Topik
- Apa itu Apache Spark? Perbedaan dengan Pandas / - Spark DataFrame & RDD / - Instalasi lokal dan mode eksekusi / / Ref1.; - Instal PySpark (via pip/spark-submit) / - Baca file CSV sebagai Spark DataFrame / - Jalankan operasi dasar: filter, select, groupby / / Ref1.
  • [1] Hal: -
1.98
12 sub.cpmk.DT207.CP-MK042.5-SCPMK 20701108 Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif.
 SCPMK 20701108: Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif. [CPMK011] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Pemrosesan Data Besar dengan Spark; mampu melakukan pemrosesan data IoT berskala besar menggunakan Apache Spark melalui operasi transformasi, agregasi, dan analisis data secara terdistribusi untuk mendukung sistem analitik berbasis Big Data.
Sub Topik
- Operasi agregasi, join, dan transformasi data di Spark / - Optimasi performa dengan caching / - Integrasi dengan library MLlib / / Ref1.; - Baca dataset besar (contoh: 100K+ baris) / - Lakukan grouping & aggregasi di Spark / - Caching dataframe untuk efisiensi / / Ref1.
  • [1] Hal: -
1.98
13 sub.cpmk.DT207.CP-MK042.5-SCPMK 20701108 Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif.
 SCPMK 20701108: Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif. [CPMK011] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Tugas 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Model Prediksi di Spark (MLlib); mampu membangun, melatih, dan mengevaluasi model prediksi berbasis data IoT berskala besar menggunakan Apache Spark MLlib secara terdistribusi.
Sub Topik
- Menggunakan MLlib untuk regresi & klasifikasi / - Pipeline: VectorAssembler, StandardScaler, model training / - Evaluasi model di Spark / / Ref1.; - Bangun pipeline regresi atau klasifikasi di Spark / - Gunakan LinearRegression atau RandomForestClassifier dari MLlib / - Evaluasi dengan RegressionEvaluator / MulticlassClassificationEvaluator / / Ref1.
  • [1] Hal: -
2.14
14 sub.cpmk.DT207.CP-MK042.4-SCPMK 20704207 Mampu mengevaluasi kinerja model prediksi menggunakan metrik yang sesuai: akurasi, presisi, recall, F1-score, AUC-ROC, MSE, dan R².
 SCPMK 20704207: Mampu mengevaluasi kinerja model prediksi menggunakan metrik yang sesuai (akurasi, presisi, recall, F1-score, AUC-ROC, MSE, R²). [CPMK042] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Studi Kasus: Prediksi Penjualan Produk; mampu membangun model prediksi penjualan produk berdasarkan data historis menggunakan pendekatan analitik dan machine learning untuk mendukung pengambilan keputusan bisnis.
Sub Topik
- Kasus nyata: prediksi penjualan bulanan / - Langkah end-to-end: data → preprocessing → modeling → evaluation → visualisasi / / Ref1.; - Kerjakan proyek kelompok: / a. Muat data penjualan / b. Bersihkan dan eksplorasi / c. Pilih model terbaik (regresi/klasifikasi) / d. Evaluasi dan visualisasi hasil / / Ref1.
  • [1] Hal: -
1.98
15 sub.cpmk.DT207.CP-MK042.5-SCPMK 20701108 Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif.
 SCPMK 20701108: Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif. [CPMK011] Kriteria
Rubrik Analitik
Teknik
rubrik analitik / Presentasi; rubrik analitik / Responsi 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
Presentasi & Refleksi Akhir /; mampu mempresentasikan hasil proyek analisis/prediksi data secara sistematis serta melakukan refleksi kritis terhadap proses, hasil, dan capaian pembelajaran yang telah diperoleh selama perkuliahan.
Sub Topik
- Reviu materi semester / - Presentasi hasil studi kasus oleh kelompok / - Refleksi pembelajaran dan tantangan / / Ref1.; - Presentasi hasil proyek (10 menit/kelompok) / - Umpan balik antar kelompok / - Penyusunan laporan akhir (dokumen singkat: 2–3 halaman / / Ref1.
  • [1] Hal: -
17.5
16 sub.cpmk.DT207.CP-MK042.1-SCPMK 20704202 Mampu melakukan eksplorasi data, deteksi anomali, serta pembersihan dan transformasi data untuk persiapan analisis.
sub.cpmk.DT207.CP-MK042.3-SCPMK 20704206 Mampu menggunakan Apache Spark untuk memproses data besar secara paralel dan menjalankan model machine learning sederhana di lingkungan Spark.
sub.cpmk.DT207.CP-MK042.4-SCPMK 20704207 Mampu mengevaluasi kinerja model prediksi menggunakan metrik yang sesuai: akurasi, presisi, recall, F1-score, AUC-ROC, MSE, dan R².
sub.cpmk.DT207.CP-MK042.5-SCPMK 20701108 Mampu menyusun laporan analisis prediktif yang mencakup seluruh tahapan proses dan interpretasi hasil secara komprehensif.
 UAS Kriteria
Ketepatan capaian pembelajaran
Teknik
Tes tulis / ujian terjadwal 		Kuliah,Ceramah, diskusi, studi kasus, dan praktikum,[=1 x (2 x 50 menit) Menit]
 Elearning,Materi dan penugasan melalui Waskita/e-learning,[=PT+KM: (1+1) x (2 x 60 menit) Menit]
 Topik
UAS
Sub Topik
Ujian Akhir Semester mencakup pemrosesan data besar, Spark, MLlib, studi kasus prediksi, evaluasi, dan laporan analisis prediktif.
  • [1] Hal: -
50.01

Teknik Penilaian CPMK

CPL MK CPMK Tugas Praktikum Responsi Tes Tulis (UTS) Tugas Teori (Individu) Unjuk Kerja (Presentasi) Tes Tulis (UAS)
23-CPL04 BIG DATA PREDICTIVE CP-MK042 Y Y Y Y
23-CPL08 BIG DATA PREDICTIVE CP-MK081 Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
23-CPL08 CP-MK081 sub.cpmk.DT207.CP-MK081.1 Rubrik skala Persepsi / Tugas; Rubrik Analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.1 Rubrik Analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.2 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL08 CP-MK081 sub.cpmk.DT207.CP-MK081.2 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL08 CP-MK081 sub.cpmk.DT207.CP-MK081.3 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.3 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL08 CP-MK081 sub.cpmk.DT207.CP-MK081.3 Rubrik Analitik / Tugas; rubrik analitik / Responsi 8.57 Rubrik Analitik
23-CPL08 CP-MK081 sub.cpmk.DT207.CP-MK081.1, sub.cpmk.DT207.CP-MK081.2, sub.cpmk.DT207.CP-MK081.3 Tes tulis / ujian terjadwal 0 Ketepatan capaian pembelajaran
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.3 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.3 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.3 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.5 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.5 rubrik analitik / Tugas; rubrik analitik / Tugas 2.14 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.4 rubrik analitik / Tugas; rubrik analitik / Laporan praktikum 1.98 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.5 rubrik analitik / Presentasi; rubrik analitik / Responsi 17.5 Rubrik Analitik
23-CPL04 CP-MK042 sub.cpmk.DT207.CP-MK042.1, sub.cpmk.DT207.CP-MK042.3, sub.cpmk.DT207.CP-MK042.4, sub.cpmk.DT207.CP-MK042.5 Tes tulis / ujian terjadwal 50.01 Ketepatan capaian pembelajaran
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Praktikum Responsi Tes Tulis (UTS) Tugas Teori (Individu) Unjuk Kerja (Presentasi) Tes Tulis (UAS) Total
23-CPL04 BIG DATA PREDICTIVE CP-MK042 15.84% 0% 0% 2.14% 17.5% 50.01% 85.49%
23-CPL08 BIG DATA PREDICTIVE CP-MK081 5.94% 8.57% 0% 0% 0% 0% 14.51%
100%