universitas gunadarma program studi teknik informatika...
TRANSCRIPT
UNIVERSITAS GUNADARMA PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
RENCANA PEMBELAJARAN SEMESTER (RPS)
Nama Mata Kuliah Kode Mata Kuliah Bobot (sks) Semester Tgl Penyusunan
Konsep Data Mining AK045210 2 8 Agustus 2020
Otorisasi Nama Koordinator Pengembang RPS Koordinator Bidang Keahlian (Jika Ada) Ketua Program Studi
Prof. Dr.-Ing. Adang Suhendra, S.Kom., M.Sc.
Capaian Pembelajaran (CP) CPL-PRODI (Capaian Pembelajaran Lulusan Program Studi) Yang Dibebankan Pada Mata Kuliah
CPPS 9
CPPS 14
Kemampuan menunjukkan kinerja mandiri, bermutu, dan terukur dengan memahami konsep sistem cerdas
yang mencakup kecerdasan buatan, machine learning, fuzzy logic, deep learning dan data analyst
Kemampuan mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data
CPMK (Capaian Pembelajaran Mata Kuliah)
CPMK 9.2 Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data analyst
CPMK 14.2 Kemampuan mengambil keputusan berdasarkan hasil analisis informasi dan data.
Deskripsi Singkat MK Mata Kuliah ini membahas tentang teori dasar data mining yang disertai komponen dataset untuk menghasilkan kualitas data yang baik dan pemanfaatannya dalam machine learning dengan menggunakan algoritma-algoritma tertentu. Pada perkuliahan materi ini mahasiswa akan mencoba menerapkan algoritma machine learning melalui contoh kasus
Bahan Kajian / Materi Pembelajaran 1. Memahami latar belakang , pengertian, dan kegunaan data mining 2. Memahami komponen-komponen, karakteristik umum, dan jenis-jenis dataset
3. Memahami aspek-aspek yng mempengaruhi kualitas data 4. Memahami pengukuran similaritas dan disimilaritas 5. Memahami machine Learning dan berbagai aspeknya 6. Memahami pengertian klasifikasi dan beberapa metode klasifikasi 7. Memahami pengertian analisa cluster, jenis-jenis clustering dan jenis-jenis cluster 8. Memahami metode K-means clustering 9. Memahami metode Hierarchical clustering
Daftar Referensi Utama :
1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019 2. Grus, J., Data Science from Scratch, O’Reilly Media, California, 2015 3. Layton, Learn Data Mining with Python, Pact Publishing, 2015. Tersedia open source pada:
pzs.dstu.dp.ua/DataMining/bibl/practical/Learning Data Mining with Python.pdf
https://github.com/PacktPublishing/Learning-Data-Mining-with-Python
4. Leek, J., The Elements of Data Analytic Style, Leanpub, 2015.
Media Pembelajaran Perangkat Lunak Perangkat Keras
Ms Power Point, Ms Excel Komputer, Laptop, Proyektor
Nama Dosen Pengampu Dr. Lilis Ratnasari
Mata Kuliah Prasyarat (Jika Ada) -
Mata Kuliah: Konsep Data Mining ( AK045210) / 2 SKS
CAPAIAN PEMBELAJARAN MATA KULIAH KONSEP DATA MINING : 1. Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data analyst
2. Kemampuan mengambil keputusan berdasarkan hasil analisis informasi dan data.
Minggu Ke-
Sub-CPMK (Kemampuan
akhir yang diharapkan)
Bahan Kajian (Materi Pembelajaran)
Bentuk & Metode
Pembelajaran
Waktu Belajar (Menit)
Penilaian
Referensi Indikator Kriteria Bobot
1 Mahasiswa mengetahui tujuan mempelajari Konsep Dasar Bahasa Pascal, Jenis-Jenis Data Sederhana dan Input / Output Data pada Pascal.
- Konsep Dasar
Bahasa Pascal
- Standart Type Data
(i). Standard type
Data
• Integer
• Boolean
• Real
• Char
(ii). User Define Type
Data
• Enumerated
• Subrange
- Konstanta, Variabel,
Ekspresi dan
Operator
- Statemen Read dan
Readln
- Statemen Write dan
Writeln
- Bentuk :
Kuliah
- Metode :
Ceramah,
Problem
Based
Learning,
Project
Based
Learning,
Praktik
Laboratori
um, Self-
Learning
(V-Class),
Diskusi
Kelompok
- Tugas 1
(Tugas 2,
dst :
menyesua
2 x 50 Menit
- Mahasiswa mampu menjelaskan secara singkat sejarah dirancangnya bahasa pemrograman pascal dan mengerti tentang konsep dasar dalam membuat program,dengan bahasa pemrograman pascal.
- Mahasiswa mampu menyebutkan jenis-jenis data sederhana.
- Mahasiswa mampu menjelaskan pengertian integer, real, boolean dan char.
- Mahasiswa mampu membuat contoh deklarasi dari tipe data integer, real character dan
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10 % [1], [2], [3]
[CPPS 9 CPMK 9.2]: Mahasiswa mampu memahami konsep dan pemanfaatan data mining, disertai karakteristik dan kualitas data yang harus dipenuhi untuk menghasilkan data yang baik (mg ke-1,2, 3)
EVALUASI AKHIR SEMESTER (mg ke-16)
[CPPS 9 CPMK 9.2]: Mahasiswa mampu menjelaskan tentang similaritas dan dissimilaritas dataset (mg ke-4,5)
[CPPS 11 CPMK 24]: Mahasiswa mampu menjelaskan fase-fase perancangan basis data (mg ke 3, 4)
[CPPS 9 CPMK 9.2]: Mahasiswa mampu menjelaskan tentang machine learning (mg ke-6)
[CPPS 11 CPMK 24]: Mahasiswa mampu merancang basis data sesuai dengan fase-fasenya (mg ke 5,6)
[CPPS 9 CPMK 9.2]: Mahasiswa dapat mengerti dan memahami jenis klasifikasi data dan metodenya (mg ke-7,8,9,10)
[CPPS 4 CPMK 7]: Mahasiswa mampu menjelaskan pengontrolan terhadap basis data (mg ke 7,8)
EVALUASI TENGAH SEMESTER (mg ke-11)
[CPPS 14 CPMK 14.2]: Mahasiswa dapat mengerti dan memahami pengertian analisa untuk jenis clustering (mg ke-12)
[CPPS 8 CPMK 16]: Mahasiswa mampu menguasai konsep dan prinsip normalisasi, serta perancangan basis data (mg ke 9,10)
[CPPS 9 CPMK 9.2]: Mahasiswa mampu menjelaskan metode hierarchical clustering (mg ke-14,15) (mg ke 14,15)
[CPPS 11 CPMK 24]: Mahasiswa mampu menjelaskan perkembangan basis data (mg ke 14,15)
[CPPS 9 CPMK 9.2]: Mahasiswa mampu menjelaskan metode k-means clustering (mg ke-13 )
[CPPS 4 CPMK 8]: Mahasiswa mampu mengidentifikasi teknik keamanan basis data (mg ke 12,13 )
Minggu Ke-
Sub-CPMK (Kemampuan
akhir yang diharapkan)
Bahan Kajian (Materi Pembelajaran)
Bentuk & Metode
Pembelajaran
Waktu Belajar (Menit)
Penilaian
Referensi
Indikator Kriteria Bobot
1 Mahasiswa memahami latar belakang , pengertian, dan kegunaan data mining
1. Pertumbuhan data secara
masif
2. Kelemahan traditional
data analysis, tidak dapat
mengakomodir:
a. Skalabilitas
b. Dimensi tinggi
c. Data kompleks dan
heterogen
d. Data ownership dan
3. distribution
4. Data mining sebagai
jawaban atas kelemahan
traditional data analysis
5. Kegunaan data mining
secara umum:
a. Predictive task
b. Descriptive tasks
- Bentuk : Kuliah
- Metode :
Ceramah,
Problem Based
Learning,
Self-Learning
(V-Class),
Diskusi
Kelompok
- Tugas 1
2 x 50 Menit
• Mahasiswa ,ampu
menjelaskan pertumbuhan
data yang sangat massif
• Mahasiwa mampu
menjelaskan kelemahan
traditional data analysis
• Mahasiswa mampu
menjelaskan latar
belakang berkembangnya
ilmu data mining
• Mahasiswa mampu
menjelaskan kegunaan
data mining
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
5 % [1]
2 Mahasiswa emahami komponenkomponen, karakteristik umum, dan jenis-jenis
1. Pengertian Dataset
2. Komponen dataset
Atribut
Value/Measurement
- Bentuk : Kuliah
- Metode : Ceramah, Problem Based Learning,
2 x 50 Menit
• Mahasiswa mampu
menjelaskan pengertian
dataset
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
5 % [1]
Dataset 3. Karakteristik umum
dataset
Dimensionality
Sparsity
Resolution
4. Jenis-jenis dataset
Transaction/market
-based data
Data matrix
Sparse data matrix
Graph-based data
Ordered data
Project Based Learning,
Self-Learning (V-Class), Diskusi Kelompok
- Tugas 1
• Mahasiswa mampu
menjelaskan komponen-
komponen dataset
• Mahasiswa mampu
menjelaskan karakteristik
umum dataset
• Mahasiswa mampu
menjelaskan jenis-jenis
dataset
3 Mahasiswa memahami aspek-aspek Yang mempengaruhi kualitas data
1. Mengapa kualitas data
perlu diperhatikan
2. Isu-isu tentang
pengukuran dan
pengambilan data
• Error pada
pengukuran dan
• pengambilan data
• Noise dan artifacts
• Presisi, bias, dan
akurasi
• Outlier
• Missing values
• Inconsistent values
- Bentuk :
Kuliah
- Metode :
Ceramah,Pr
oblem Based
Learning,
Self-
Learning (V-
Class),
Diskusi
Kelompok
- Tugas 1
2 x 50 Menit
• Mahasiswa mampu
mejelaskan aspek-apek
kualitas data
• Mahasiswa mampu
mengungkap isu-isu dalam
pengukuran kualitas data
•
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10 % [1]
• Duplicate data
4-5 Mahasiswa memahami pengukuran similaritas dan disimilaritas
1. Similaritas dan
dissimilaritas antara dua
atribut sederhana
2. Dissimilaritas antar objek
data (record)
• Pengukuran jarak
(euclidean,
• hamming, minkowski)
• Sifat-sifat formula
jarak
3. Similaritas antar objek
data
4. Beberapa pengukuran
5. proksimitas
• Untuk data biner
-Simple matching
coefficient
- Jaccard coefficient
• Koefisien korelasi
6. Memilih pengukuran
proksimitas yang tepat
- Bentuk :
Kuliah
- Metode :
Ceramah, Problem Based Learning,
Project Based Learning,
Praktik Laboratorium, Self-Learning (V-Class), Diskusi Kelompok
- Tugas 2
2 x 50 Menit
• Mahasiswa mampu
menjelaskan pengertian
similaritas dan
dissimilaritas antara dua
atribut sederhana
• Mahasiswa mampu
mengungkap disimilaritas
antar objek data
• Mahasiswa mampu
mengungkap similaritas
antar objek data
• Mahasiswa mampu
mengukur proksimitas
antar data
• Mahasiswa mampu
memilih pengukuran
proksimitas yang tepat
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10 % [1]
6 Mahasiswa memahami Machine Learning dan berbagai aspeknya
1. Pemodelan matematis
2. Pengertian Machine
Learning
3. Overfitting dan
underfitting
4. Correctedness
- Bentuk : Kuliah
- Metode :
Ceramah,
Problem Based
Learning,
2 x 50 Menit
• Mahasiswa mampu
menjelaskan pengertian
pemodelan matematis
• Mahasiswa mampu
menjelaskan pengertian
machine learning
Partisipasi Mahasiswa, Presentasi
mahasiswa, Review Jurnal
10 % [2]
5. Pertukaran (trade off) bias
dan variansi
6. Supervised vs
unsupervised learning
Project Based
Learning,
Self-Learning (V-
Class), Diskusi
Kelompok
- Tugas 1
• Mahasiswa mampu
menjelaskanpengertian
supervised dan
unsupervised learning
• Mahasiswa mampu
menjelaskan pengertian
overfitting dan
underfitting
• Mahasiswa mampu
menjelaskan pengertian
correctedness
• Mahasiswa mampu
menjelaskan konsep trade
off antara bias dan variansi
7-10 Memahami pengertian klasifikasi dan beberapa metode klasifikasi
1. Pengertian klasifikasi
2. Evaluasi model klasifikasi:
cross validation
3. Beberapa metode
klasifikasi (classifier)
• Decision tree
• Nearest-neighbor
• Bayesian
• Artificial Neural
Network
• Support Vector
Machine
• Logistic Regression
- Metode :
Ceramah,
Problem Based
Learning,
Project Based
Learning,
Self-Learning
(V-Class),
Diskusi
Kelompok
- Tugas 3
2x50 menit
• Mahasiswa mampu
menjelaskan pengertian
klasifikasi
• Mahasiswa mampu
mengaplikasikan algoritma
klasifikasi berdasar
metode:
o Decision tree
o Nearest-neighbor
o Bayesian
o Artificial Neural
o Network
o Support Vector
o Machine
Partisipasi Mahasiswa, Presentasi
mahasiswa, Review Jurnal
30% [1]
o o Logistic Regression
11 UJIAN TENGAH SEMESTER
12 Mahasiswa memahami pengertian Analisa Cluster, jenis-jenis clustering dan jenisjenis cluster
1. Pengertian
2. Jenis-jenis clustering
• Hirarkikal vs
Partisional
• Eksklusif vs
overlapping vs fuzzy
• Lengkap vs parsial
3. Jenis-jenis cluster
• Well separated
• Prototype-based
• Graph-based
• o Density-based
- Bentuk : Kuliah - Metode :
Ceramah, Problem Based Learning,
Self-Learning (V-Class), Diskusi Kelompok
- Tugas 4
3 x 50 Menit
• Mahasiswa mampu
• Menjelaskan pengertian
analisa cluster
• Mampu menjelaskan jenis-
jenis clustering
• Mampu menjelaskan jenis-
jenis cluster
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10% [1]
13 Memahami metode K-means clustering
1. Pengertian k-Means
2. Algoritma k-Means dasar
3. Beberapa metode
penentuan centroid
4. Variasi fungsi proksimitas
sebuah titik ke centroid
5. Keunggulan dan
kelemahan kmeans
clustering
- Bentuk :Kuliah - Metode :
Ceramah, ProblemBased Learning, Self-Learning
(V- Class),
Diskusi
Kelompok
- Tugas 5
2x50 menit
• Mahasiswa mampu
Menjelaskan pengertian
kmeans
• Mahasiswa mampu
Menjelaskan algoritma k-
Means dasar
• Mahasiswa mampu
Menerapkan beberapa
metode penentuan
centroid
• Mahasiswa mampu
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10% [1]
Menjelaskan variasi fungsi
proksimitas sebuah titik ke
centroid
• Mahasiswa mampu
menjelaskan
keunggulan dan
kelemahan kmeans
clustering
14-15 Memahami metode Hierarchical clustering
1. Pengertian
2. Algoritma hierarchical
clustering
3. dasar
4. Proksimitas antar cluster
• Metode ward
• Metode centroid
5. Keunggulan dan
kelemahan hierarchical
clustering
- Bentuk :
Kuliah
- Metode :
Ceramah,
Problem
Based
Learning,
Self-Learning
(V-Class),
Diskusi
Kelompok
- Tugas 5
2 x 50 Menit
• Mahasiswa mampu
Menjelaskan pengertian
Hierarchical clustering
• Mahasiswa mampu
• Menjelaskan algoritma
• Hierarchical clustering
dasar
• Mahasiswa mampu
Menjelaskan pengertian
proksimitas antar
cluster dengan:
o Metode Ward
o Metode centroid
• Mahasiswa mampu
Menjelaskan keunggulan
dan kelemahan
Hierarchical clustering
Partisipasi Mahasiswa, Presentasi mahasiswa, Review Jurnal
10% [1]
16 UJIAN AKHIR SEMESTER
FORMAT RANCANGAN TUGAS 1
Nama Mata Kuliah : Konsep Data Mining SKS : 2 Program Studi : Teknik informatika Pertemuan ke : 1-3, dan 6 Fakultas : Teknologi Industri A. TUJUAN TUGAS :
Menjelaskan konsep dasar data mining dan aspek-aspek kualitas dataset B. URAIAN TUGAS :
a. Obyek Garapan Data Mining, Aspek kualitas data, Machine Learning
b. Metode atau Cara pengerjaan ▪ Carilah referensi mengenai konsep Data Mining dan Kualitas data
1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019 Korth, H.; 2. Grus, J., Data Science from Scratch, O’Reilly Media, California, 2015
▪ Rangkumlah referensi tersebut, dengan mencakup aspek 1. Konsep dasar data mining
• Perkembangan pengolahan data
• Kelemahan model analisis data konvensional
• Data mining dan pemanfaatannya 2. Aspek kualitas data
• Pengertian dataset
• Karakteristik dataset
• Jenis-jenis dataset 3. Aspek kualitas data
• Alasan pentingnya kualitas data
• Isu-isu yang berkembang dalam pengukuran kualitas data 4. Machine learning
• Pemodelan matematis
• Definisi Machine Learning
• Overfitting dan Underfitting
• Supervised dan Unsupervised Data ▪ Rangkuman dibuat dalam paper dan disiapkan dalam ppt berkisar 10 – 15 halaman. Isi ppt hanya berisikan contoh/penggambaran dari teori
yang dirangkum. ▪ Presentasikan hasil rangkuman tersebut di depan kelas.
c. Deskripsi Luaran tugas yang dihasilkan : Isi paper berkisar antara 15 – 20 halaman dengan spasi 1.5, font Times new roman, ukuran
C. KRITERIA PENILAIAN (10%) Kelengkapan isi rangkuman Kebenaran isi rangkuman Daya tarik komunikasi/prensentasi
GRADING SCHEME COMPETENCE
KRITERIA 1 : Kelengkapan isi rangkuman
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Kelengkapan konsep Lengkap dan terpadu Lengkap Masih kurang bebe rapa aspek yang be lum terungkap
Hanya menunjukkan sebagian konsep saja
Tidak ada konsep 1
KRITERIA 2 : Kebenaran isi rangkuman
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Kebenaran konsep Diungkapkan dengan tepat, terdapat aspek penting, analisis dan membantu memahami konsep
Diungkap dengan tepat tetapi deskriptif
Sebagian besar konsep sudah terungkap, namun masih ada yang terlewatkan
Kurang dapat mengungkapkan aspek penting, melebihi halaman, tidak ada proses merangkum hanya mencontoh
Tidak ada konsep yang disajikan
2
KRITERIA 3 : Daya tarik komunikasi/presentasi KRITERIA 3a : Komunikasi tertulis
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Bahasa Paper Bahasa menggugah pembaca untuk mencari tahu konsep lebih dalam
Bahasa menambah informasi pembaca
Bahasa deskriptif, tidak terlalu menambah pengetahuan
Informasi dan data yang disampaikan tidak menarik dan membingungkan
Tidak ada hasil 2
Kerapian Paper Paper dibuat dengan sangat menarik dan menggugah semangat membaca
Paper cukup menarik, walau tidak terlalu mengundang
Dijilid biasa Dijilid namun kurang rapi Tidak ada hasil 1
KRITERIA 3b : Komunikasi lisan
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Isi Memberi inspirasi pendengar untuk mencari lebih dalam
Menambah wawasan Pembaca masih harus menambah lagi informasi dari beberapa sumber
Informasi yang disampaikan tidak menambah wawasan bagi pendengarnya
Informasi yang disampaikan menyesatkan atau salah
2
Organisasi Sangat runtut dan integratif sehingga pendengar dapat mengkompilasi isi dengan baik
Cukup runtut dan memberi data pendukung fakta yang disampaikan
Tidak didukung data, namun menyampaikan informasi yang benar
Informasi yang disampaikan tidak ada dasarnya
Tidak mau presentasi 1
Gaya Presentasi Menggugah semangat pendengar
Membuat pendengar paham, hanya sesekali saja memandang catatan
Lebih banyak membaca catatan
Selalu membaca catatan (tergantung pada catatan)
Tidak berbunyi 1
FORMAT RANCANGAN TUGAS 2
Nama Mata Kuliah : Konsep Data Mining SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 4-5 Fakultas : Teknologi Industri B. TUJUAN TUGAS :
Menjelaskan Similaritas dan Dissimilaritas Data B. URAIAN TUGAS :
a. Obyek Garapan Studi kasus mengetahui similaritas dan dissimilaritas data
b. Metode atau Cara pengerjaan ▪ Carilah referensi mengenai studi kasus untuk simmilaritas dan dissimilaritas data melalui materi :
1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019 Korth, H. ▪ Rangkumlah referensi tersebut, dengan mencakup aspek
1. Studi kasus untuk mengetahui apakah dataset similar atau dissimilar ▪ Studi kasus dibuat dengan ketepatan pemilihan alat bantu perancangan ▪ Rangkuman dibuat dalam paper yang membahas contoh kasus. ▪ Studi kasus dikumpulkan dengan menggunakan kertas ukuran A4 dengan spasi : 1.5, font : times new roman, ukuran : 12, dijilid dengan cover
yang berisikan : judul kasus, npm dan nama mahasiswa. C. KRITERIA PENILAIAN (15%)
Ketepatan pemilihan teknik Kesesuaian aturan tata tulis Ketepatan waktu
FORMAT RANCANGAN TUGAS 3
Nama Mata Kuliah : Konsep Data Mining SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 7-10 Fakultas : Teknologi Industri A. TUJUAN TUGAS :
Menjelaskan algoritma klasifikasi dan metodenya B. URAIAN TUGAS :
a. Obyek Garapan Algoritma dan metode klasifikasi
b. Metode atau Cara pengerjaan
▪ Carilah referensi mengenai proses perancangan basis data melalui fase-fase perancangannya di 1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019.
▪ Rangkumlah referensi tersebut, dengan mencakup aspek 1. Pengertian Algoritma Klasifikasi 2. Evaluasi Model Klasifikasi 3. Metode Klasifikasi
• Decision Tree
• Nearest Neighbour
• Bayesian
• Artificial Neural Network
• Support Vector Machine
• Logistic Regresion ▪ Rangkuman dibuat dalam paper dan disiapkan dalam ppt minimal 10 halaman ▪ Presentasikan hasil rangkuman tersebut di depan kelas
c. Deskripsi Luaran tugas yang dihasilkan : Isi paper berkisar antara 15 – 20 halaman dengan spasi 1.5, font Times new roman, ukuran 12
C. KRITERIA PENILAIAN (10%) Kelengkapan isi rangkuman Kebenaran isi rangkuman Daya tarik komunikasi/prensentasi
FORMAT RANCANGAN TUGAS 4
Nama Mata Kuliah : Konsep Data Mining SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 12 Fakultas : Teknologi Indusri A. TUJUAN TUGAS :
Menjelaskan analisa data dengan Clustering B. URAIAN TUGAS :
a. Obyek Garapan Studi kasus dengan clustering
b. Metode atau Cara pengerjaan ▪ Carilah referensi mengenai Transaksi, Keamanan basis data, konkurensi, recovery dan audit basis data di
1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019 ▪ Rangkumlah referensi tersebut, dengan mencakup aspek :
o Studi kasus untuk mengetahui analisa data secara Clustering ▪ Studi kasus dibuat dalam paper yang menjelaskan langkah-langkah menganalisa data ▪ Rangkuman dibuat dalam paper dan disiapkan dalam ppt minimal 12 halaman. ▪ Presentasikan hasil rangkuman tersebut di depan kelas
c. Deskripsi Luaran tugas yang dihasilkan : Isi paper berkisar antara 15 – 20 halaman, dibuat dengan spasi : 1.5, font : times new roman dan ukuran 12.
C. KRITERIA PENILAIAN (10%)
Kelengkapan isi rangkuman Kebenaran isi rangkuman Daya tarik komunikasi/prensentasi
FORMAT RANCANGAN TUGAS 5
Nama Mata Kuliah : Konsep Data Mining SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 13-15 Fakultas : Teknologi Industri A. TUJUAN TUGAS : Menjelaskan Metode-metode Clustering B. URAIAN TUGAS :
a. Obyek Garapan K-means clustering, Hierarchical Clustering b. Metode atau Cara pengerjaan
▪ Carilah referensi mengenai Transaksi, Keamanan basis data, konkurensi dan recovery di 1. Tan, Steinbach, Karpatne & Kumar, Introduction to Data Mining, 2nd Edition, Pearson, 2019
▪ Rangkumlah referensi tersebut, dengan mencakup aspek 1. Metode K-means Clustering :
• Pengertian
• Algoritma K-means dasar
• Penentuan centrod
• Proximity
• Kelemahan dan keunggulang K-means 2. Hierarchical Clustering
• Pengertian
• Proximity antar cluster
• Keunggulan dan kelemahan Hierarchical Cluster ▪ Rangkuman dibuat dalam paper dan disiapkan dalam ppt minimal 10 halaman. ▪ Presentasikan hasil rangkuman tersebut di depan kelas
d. Deskripsi Luaran tugas yang dihasilkan : Isi paper berkisar antara 15 – 20 halaman, dibuat dengan spasi : 1.5, font : times new roman dan ukuran 12.
C. KRITERIA PENILAIAN (10%)
Ketepatan Analisis Kesesuaian aturan tata tulis Ketepatan waktu Origininalitas
GRADING SCHEME COMPETENCE
KRITERIA 1 : Ketepatan analisis
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Ketersediaan konsep yang diacu
Lengkap dan integratif dengan jumlah referensi di atas 10 jurnal
Lengkap, dengan jumlah referensi di atas 10 jurnal
Cukup lengkap, jurnal yang diacu antara 5-10 buah
Kurang lengkap, jurnal yang diacu kurang dari 5 buah
Jurnal yang diacu kurang dari 2 dan tidak ada rangkuman
2
Ketajaman analisis Rangkuman yang dibuat da pat menunjukkan faktor yang mempengaruhi peru bahan perilaku dengan tepat dan lengkap
Rangkuman yang di buat dapat diguna kan untuk menarik kesimpulan tentang faktor yang berpe ngaruh
Rangkuman yang di buat mampu menun jukkan secara des kriptif faktor yang mempengaruhi pro ses perubahan peri laku
Rangkuman tidak menggambarkan dengan jelas faktor yang mempengaruhi perubahan perilaku
Tidak ada rangkuman
3
KRITERIA 2 : Kesesuaian aturan tata tulis
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Berusaha mencapai yang terbaik
Selalu ingin menjadi yang terbaik, mengumpulkan tugas dengan mutu yang jauh lebih baik dari yang disyaratkan dosen
Berusaha meme- nuhi semua persya- ratan tugas yang diberikan oleh dosen
Mengumpulkan tugas sesuai standard kualitas penulisan
Kurang perduli dengan kualitas saat mengumpulkan tugas
Malas mengumpulkan tugas
1
KRITERIA 3 : Ketepatan waktu
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Berusaha mengumpulkan tepat waktu
Tugas dikumpulkan tepat waktu dan mutu penulisan di atas standard yang diberikan.
Tugas dikumpulkan tepat waktu dan memenuhi standard penulisan yang diberikan.
Tugas dikumpulkan tepat waktu dan kurang memenuhi standard penulisan yang diberikan.
Tugas dikumpulkan tepat waktu tetapi tidak memenuhi standard penulisan yang diberikan.
Tidak mengumpulkan tugas
1
KRITERIA 4 : Originalitas
DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR
Berpikir orisinil Hasil kerja yang ditunjukkan belum pernah ditemui
Hasil kerja yang ditunjukkan berbeda dengan kebanyakan siswa
Hasil kerja yang ditunjukkan hanya dapat disamakan dengan 30% siswa lain
Hasil kerjanya dapat disamakan dengan 75% siswa lain atau mengadopsi karya lain
Tidak dapat menunjukkan hasil kerja
3