Student Information System
RPS: Session, Learning Material, Reference, Assessment/Rubric
Info
Search Subject
Subject Name :
Landscape
Kode Matakuliah
Nama Matakuliah
sks
Creator
Reviewer
Action
Kurikulum Teknik Informatika 2019/2020
IKD309
Keamanan Data
3.00
2615 Is Mardianto, M.Kom.
Belum di tentukan
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKS333
Proyek Data Sains
3.00
2641 Binti Solihah, S.T., M.Kom.
2554 Anung Barlianto Ariwibowo, M.Kom.
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKG308
Visualisasi Data
3.00
3022 Dian Pratiwi, S.T., M.T.I.
2441 Ratna Shofiati, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Informatika 2023/2024
IKD6406
Data Warehouse dan Data Lake
4.00
3022 Dian Pratiwi, S.T., M.T.I.
2128 Dr. Dedy Sugiarto
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
IKL6207
Struktur Data dan Algoritma
2.00
2554 Anung Barlianto Ariwibowo, M.Kom.
2553 Syandra Sari, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
IKD6312
Manajemen Data dan Informasi
3.00
2553 Syandra Sari, S.Kom., M.Kom.
2554 Anung Barlianto Ariwibowo, M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
ISD6301
Datawarehouse
3.00
2612 Dr. Ir. Teddy Siswanto, M.Si.
3088 Agus Salim, S.T., M.T.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
ISA6303
Analitik Data
3.00
2128 Dr. Dedy Sugiarto
2553 Syandra Sari, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
ISA6304
Analitik Data Lanjut
3.00
2128 Dr. Dedy Sugiarto
2553 Syandra Sari, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Informatika 2023/2024
IKD6314
Pemrosesan Data
3.00
3022 Dian Pratiwi, S.T., M.T.I.
2128 Dr. Dedy Sugiarto
RPS
|
Assessment Map
Kurikulum Magister Geologi 2023/2024
MGL8205
Aplikasi Pengolahan Data Spasial
2.00
1663 Dr. Ir. Afiat Anugrahadi, M.S.
Belum di tentukan
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
IKD6313
Manajemen Data dan Informasi Lanjut
3.00
0630007CD Shabrina Teruri, S.Kom., M.T.
2553 Syandra Sari, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2019/2020
IKD416
Datawarehouse
4.00
2612 Dr. Ir. Teddy Siswanto, M.Si.
Belum di tentukan
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKL441
Struktur Data dan Algoritma
4.00
2641 Binti Solihah, S.T., M.Kom.
Belum di tentukan
RPS
|
Assessment Map
Kurikulum Informatika 2023/2024
IKL6441
Struktur Data dan Algoritma
4.00
2435 Abdul Rochman, M.Kom.
2554 Anung Barlianto Ariwibowo, M.Kom.
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKD312
Manajemen Data dan Informasi
3.00
2641 Binti Solihah, S.T., M.Kom.
Belum di tentukan
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKS335
Big Data
3.00
2641 Binti Solihah, S.T., M.Kom.
2554 Anung Barlianto Ariwibowo, M.Kom.
RPS
|
Assessment Map
Kurikulum Informatika 2023/2024
IKD6312
Manajemen Data dan Informasi
3.00
2641 Binti Solihah, S.T., M.Kom.
2553 Syandra Sari, S.Kom., M.Kom.
RPS
|
Assessment Map
Kurikulum Informatika 2023/2024
IKS6335
Big Data
3.00
1683 Ir. Agung Sediyono, M.T., Ph.D.
2615 Is Mardianto, M.Kom.
RPS
|
Assessment Map
Kurikulum Teknik Informatika 2019/2020
IKH315
Penambangan Data
3.00
2641 Binti Solihah, S.T., M.Kom.
2641 Binti Solihah, S.T., M.Kom.
RPS
|
Assessment Map
Kurikulum Sistem Informasi 2023/2024
IKS6335
Big Data
3.00
2128 Dr. Dedy Sugiarto
Belum di tentukan
RPS
|
Assessment Map
RPS Detail
Matakuliah
Course Profile
History
Kode Matakuliah
IKH315
Nama Matakuliah
Penambangan Data
sks
3.00
Semester Name
Subject Code
Subject Name
Group Name
Group Code
Portfolio
Evidence
Review History
RPS Review History
No
Review
Review By
Review Date
Capaian Pembelajaran (CP) terkait
Capaian Pembelajaran (CP)
SIKAP
3
Dapat menunjukkan etika dan moral masyarakat: Satria, Setia, Sportif. (S.c)
Ability to show the ethics and morals of society: Satria, Setia dan Sportif (S.c)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu memahami konsep penambangan data dan mempersiapkan data untuk dilakukan proses penambangan data
Students are able to understand the concept of data mining and prepare data for the data mining process
(2,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu menjelaskan konsep penambangan data dan perlunya data preprocessing
Students are able to explain the concept of data mining and the need for data preprocessing
(2,2)
2
Mahasiswa mampu melakukan data preprocessing
Students are able to do data preprocessing
(3,3)
KETRAMPILAN UMUM
1
Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
(3,3)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu menerapkan metode decision tree untuk klasifikasi bertipe data numeric dan data kategoric
Students are able to apply the decision tree method for classification of numeric and categorical data types.
(2,2)
2
Menerapkan metode knn untuk kasus klasifikasi
Applying the knn method to classification cases
(1,2)
3
Mahasiswa menerapkan metode naïve bayes untuk kasus klasifikasi
Students apply the naïve Bayes method to classification cases.
(1,2)
4
Mahasiswa mampu melakukan proses klasifikasi dengan metode jaringan syaraf tiruan
Students are able to carry out the classification process using artificial neural network methods.
(1,2)
5
Mahasiswa melakukan melakukan klasifikasi dengan metode support vector machine
Students carry out classification using the support vector machine method.
(1,2)
2
Kemampuan mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi yang memenuhi kebutuhan-kebutuhan komputasi pada sebuah disiplin program (KU.b)
Ability to design, implement and evaluate computation-based solutions that meet the computational requirements of a program discipline (KU.b)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menerapkan teknik analisisi asosiasi dalam penambangan data
Students are able to apply association analysis techniques in data mining
(2,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu melakukan mining association rule dengan metode apriori
Students are able to perform mining association rules using the apriori method.
(2,2)
3
Kemampuan berkomunikasi baik lisan maupun tertulis dalam berbagai konteks profesional (KU.c)
Ability to communicate both orally and in writing in various professional contexts (KU.c)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menerapkan teknik penambangan data secara berkelompok, serta mempresentasikannya
Students are able to apply data mining techniques in groups and present them
(3,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu mempresentasikan tugas studi kasus secara berkulompok
Students are able to present case study assignments in groups.
(3,2)
4
Memahami tanggung jawab profesional dan dapat melakukan penilaian berdasar informasi dalam praktek computing berdasar pada prinsip-prinsip legal dan etika (KU.d)
Understand professional responsibilities and be able to make informed judgments in computing practice based on legal and ethical principles (KU.d)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menerapkan teknik deteksi anomali pada data
Students are able to apply anomaly detection techniques to data
(3,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu mendeteksi adanya anomaly dalam data
Students are able to detect anomalies in data
(2,2)
KETRAMPILAN KHUSUS
2
Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
Able to implement data engineering in the field of data science (KK.b)
No
Detail
Course Learning Outcomes
Action
1
Show/Hide
Mahasiswa mampu menerapkan teknik klasterisasi dalam penambangan data
Students are able to apply clustering techniques in data mining
(3,2)
No
Session Learning Outcomes - Description (Cognitive Level,Knowledge Level)
Action
1
Mahasiswa mampu melakukan pengelompokkan menggunakan metode hirarki
Students are able to group using the hierarchical method
(4,2)
2
Mahasiswa mampu melakukan pengelompokkan menggunakan metode k-means
Students are able to perform grouping using the k-means method
(4,2)
3
Mahasiswa mampu mengevaluasi hasil cluster
Students are able to evaluate cluster results
(5,2)
RPS per Session
Sesi Ke
KAD
Bahan Kajian
Metoda Pembelajaran
Waktu Belajar (Menit)
Pengalaman Belajar Mahasiswa
Referensi
Kriteria Penilaian (Indikator)
1
Konsep penambangan data - Contoh penerapan - Persiapan data Praktikum 1 : Pengenalan R dan Python untuk penambangan data, import data dan eksplorasi data
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Tengah Semester - 10.00 %
CAPAIAN PEMBELAJARAN
: Dapat menunjukkan etika dan moral masyarakat: Satria, Setia, Sportif. (S.c)
Ability to show the ethics and morals of society: Satria, Setia dan Sportif (S.c)
CPMK
: Mahasiswa mampu memahami konsep penambangan data dan mempersiapkan data untuk dilakukan proses penambangan data
Students are able to understand the concept of data mining and prepare data for the data mining process
KAD
: Mahasiswa mampu menjelaskan konsep penambangan data dan perlunya data preprocessing
Students are able to explain the concept of data mining and the need for data preprocessing
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
1. Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Ujian Tengah Semester 5.00 %
PI Description
PI Assessment Methods
2. Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Praktikum 2.00 %
Ujian Tengah Semester 5.00 %
2
Data : tipe data, kualitas data, pre-processing data (data cleaning, missing value, outlier, data reduction) Praktikum 2 Mempersiapkan data (data preprocessing) menggunakan R dan python
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Dapat menunjukkan etika dan moral masyarakat: Satria, Setia, Sportif. (S.c)
Ability to show the ethics and morals of society: Satria, Setia dan Sportif (S.c)
CPMK
: Mahasiswa mampu memahami konsep penambangan data dan mempersiapkan data untuk dilakukan proses penambangan data
Students are able to understand the concept of data mining and prepare data for the data mining process
KAD
: Mahasiswa mampu melakukan data preprocessing
Students are able to do data preprocessing
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Praktikum 2.00 %
3
Klasifikasi : decision tree, konsep entropy dan gain Praktikum 3 klasifikasi algoritma C45
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Tengah Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
CPMK
: Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
KAD
: Mahasiswa mampu menerapkan metode decision tree untuk klasifikasi bertipe data numeric dan data kategoric
Students are able to apply the decision tree method for classification of numeric and categorical data types.
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Tengah Semester 5.00 %
4
- Klasifikasi : nearest-neighbor - Praktikum 4 praktikum k-nn
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Tengah Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
CPMK
: Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
KAD
: Menerapkan metode knn untuk kasus klasifikasi
Applying the knn method to classification cases
(1,1)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Tengah Semester 5.00 %
5
- Klasifikasi : Naïve bayes - Praktikum 5 naïve bayes
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Tengah Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
CPMK
: Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
KAD
: Mahasiswa menerapkan metode naïve bayes untuk kasus klasifikasi
Students apply the naïve Bayes method to classification cases.
(1,1)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Tengah Semester 5.00 %
6
- Klasifikasi : jaringan syaraf tiruan perceptron dan back propagation - Praktikum 6 praktikum jst
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Tengah Semester - 5.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
CPMK
: Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
KAD
: Mahasiswa mampu melakukan proses klasifikasi dengan metode jaringan syaraf tiruan
Students are able to carry out the classification process using artificial neural network methods.
(1,1)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Kriteria penilaian : Rubrik deskriptif.
Assessment criteria: Descriptive rubric.
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Tengah Semester 5.00 %
7
- Klasifikasi : Support Vector Machine - Praktikum 7 svm
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan menganalisis persoalan komputasi yang kompleks serta menerapkan prinsip-prinsip computing dan disiplin ilmu relevan lainnya untuk mengidentifikasi solusi, dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin (KU.a)
Ability to analyze complex computational problems and apply the principles of computing and other relevant disciplines to identify solutions, taking into account the insights of the development of transdisciplinary science (KU.a)
CPMK
: Mahasiswa mampu menerapkan teknik klasifikasi dalam penambangan data
Students are able to apply classification techniques in data mining
KAD
: Mahasiswa melakukan melakukan klasifikasi dengan metode support vector machine
Students carry out classification using the support vector machine method.
(1,1)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
8
- Association rule : apriori - Praktikum 8 association rule
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 6.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi yang memenuhi kebutuhan-kebutuhan komputasi pada sebuah disiplin program (KU.b)
Ability to design, implement and evaluate computation-based solutions that meet the computational requirements of a program discipline (KU.b)
CPMK
: Mahasiswa mampu menerapkan teknik analisisi asosiasi dalam penambangan data
Students are able to apply association analysis techniques in data mining
KAD
: Mahasiswa mampu melakukan mining association rule dengan metode apriori
Students are able to perform mining association rules using the apriori method.
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Akhir Semester 6.00 %
9
- Analisis Cluster : konsep dasar dan algoritma hirarki cluster - Praktikum 9 hierarchical cluster
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 6.00 %
CAPAIAN PEMBELAJARAN
: Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
Able to implement data engineering in the field of data science (KK.b)
CPMK
: Mahasiswa mampu menerapkan teknik klasterisasi dalam penambangan data
Students are able to apply clustering techniques in data mining
KAD
: Mahasiswa mampu melakukan pengelompokkan menggunakan metode hirarki
Students are able to group using the hierarchical method
(4,4)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Akhir Semester 6.00 %
10
- Analisis Cluster : konsep dasar dan algoritma k-means - Praktikum 10 k-means cluster
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 6.00 %
CAPAIAN PEMBELAJARAN
: Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
Able to implement data engineering in the field of data science (KK.b)
CPMK
: Mahasiswa mampu menerapkan teknik klasterisasi dalam penambangan data
Students are able to apply clustering techniques in data mining
KAD
: Mahasiswa mampu melakukan pengelompokkan menggunakan metode k-means
Students are able to perform grouping using the k-means method
(4,4)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Akhir Semester 6.00 %
11
- Analisis cluster : evaluasi, Dunn Index, Silhouette Index, Connectivity Index - Praktikum 11 evaluasi hasil cluster
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 6.00 %
CAPAIAN PEMBELAJARAN
: Mampu mengimplementasikan rekayasa data pada bidang data science (KK.b)
Able to implement data engineering in the field of data science (KK.b)
CPMK
: Mahasiswa mampu menerapkan teknik klasterisasi dalam penambangan data
Students are able to apply clustering techniques in data mining
KAD
: Mahasiswa mampu mengevaluasi hasil cluster
Students are able to evaluate cluster results
(5,5)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Akhir Semester 6.00 %
12
- Anomaly detection - Praktikum 12 anomaly detection
Cooperation
Pemecahan Masalah
150.00
- Memanfaatkan berbagai sumber belajar. - Memberi dan menerima umpan balik melalui diskusi dan tanya jawab. - Melakukan praktikum berdasarkan langkah-langkah pada modul praktikum.
Partisipasi - 1.00 %
Praktikum - 2.00 %
Ujian Akhir Semester - 6.00 %
CAPAIAN PEMBELAJARAN
: Memahami tanggung jawab profesional dan dapat melakukan penilaian berdasar informasi dalam praktek computing berdasar pada prinsip-prinsip legal dan etika (KU.d)
Understand professional responsibilities and be able to make informed judgments in computing practice based on legal and ethical principles (KU.d)
CPMK
: Mahasiswa mampu menerapkan teknik deteksi anomali pada data
Students are able to apply anomaly detection techniques to data
KAD
: Mahasiswa mampu mendeteksi adanya anomaly dalam data
Students are able to detect anomalies in data
(2,2)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
Ketepatan waktu dalam menyelesaikan
Punctuality in completing
Partisipasi 1.00 %
Praktikum 2.00 %
Ujian Akhir Semester 6.00 %
13
- Presentasi studi kasus klasifikasi
Pemecahan Masalah
150.00
- Mempresentasikan hasil praktikum berdasarkan contoh kasuh yang dipilih
Partisipasi - 2.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan berkomunikasi baik lisan maupun tertulis dalam berbagai konteks profesional (KU.c)
Ability to communicate both orally and in writing in various professional contexts (KU.c)
CPMK
: Mahasiswa mampu menerapkan teknik penambangan data secara berkelompok, serta mempresentasikannya
Students are able to apply data mining techniques in groups and present them
KAD
: Mahasiswa mampu mempresentasikan tugas studi kasus secara berkulompok
Students are able to present case study assignments in groups.
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
kehadiran
presence
Partisipasi 2.00 %
14
- Presentasi studi kasus association rule dan clustering
Pemecahan Masalah
150.00
- Mempresentasikan hasil praktikum
Partisipasi - 2.00 %
CAPAIAN PEMBELAJARAN
: Kemampuan berkomunikasi baik lisan maupun tertulis dalam berbagai konteks profesional (KU.c)
Ability to communicate both orally and in writing in various professional contexts (KU.c)
CPMK
: Mahasiswa mampu menerapkan teknik penambangan data secara berkelompok, serta mempresentasikannya
Students are able to apply data mining techniques in groups and present them
KAD
: Mahasiswa mampu mempresentasikan tugas studi kasus secara berkulompok
Students are able to present case study assignments in groups.
(3,3)
Daftar Kriteria Penilaian (Indikator)
PI Description
PI Assessment Methods
kehadiran
presence
Partisipasi 2.00 %
Assessment Component
Assessment Detail
No
Component Name
Weightage
1
Partisipasi
16
2
Praktikum
24
3
Ujian Akhir Semester
30
4
Ujian Tengah Semester
30
Total
100
Daftar Referensi