LMS-SPADA INDONESIA LMS-SPADA INDONESIA
Global searching is not enabled.

Penambangan Data

  1. Home
  2. Courses
  3. ILMU TEKNIK
  4. TEKNIK ELEKTRO DAN INFORMATIKA
  5. Ilmu Komputer
  6. KP368-DK-S101231-050023
Skip to main content

Weekly outline

  • Pengantar Perkuliahan (Penambangan Data - DK)

    Collapse all Expand all

    Assalamu'alaikum wr wb. Salam Budi Luhur!

    Selamat datang di matakuliah Penambangan Data (KP368) Kelompok DK. Sebelum memulai perkuliahan, mari kita awali dengan hal baik, kita sempatkan sejenak untuk berdoa kepada Tuhan YME agar kita semua dibukakan kelapangan pikiran dan hati untuk menerima setiap ilmu dan pengetahuan.

    Mata kuliah ini merupakan mata kuliah yang menerapkan pembelajaran kolaboratif antara Universitas Budi Luhur, Jakarta dengan Universitas Tribuana Kalabahi. Berikut ini dosen pengampu dari MK ini:

    NoNamaInstansiFoto / Kontak / Identitas
    1 Dr. Achmad Solichin, S.Kom., M.T.I. Universitas Budi Luhur
     
    2 Erna J. Malaikosa, S.Kom., M.Kom Universitas Tribuana Kalabahi avatar



    Deskripsi Matakuliah

    Mata kuliah yang membahas tentang penambangan data. Fokus bahasan adalah tentang pengenalan penambangan data, proses penambangan data, evaluasi dan validasi pada penambangan data, metode dan algoritma, serta jenis penelitian penambangan data. Mahasiswa yang telah mengikuti mata kuliah ini diharapkan dapat memahami materi dan melakukan penelitian pada tema penambangan data dan machine learning dengan baik dan berkualitas.

    Capaian Pembelajaran Matakuliah

    1. Mahasiswa memahami konsep, algoritma, dan tool penambangan data
    2. Mahasiswa memahami seluruh proses penambangan data
    3. Mahasiswa mampu melakukan eksperimen berdasarkan proses penambangan data dan menggunakan tool penambangan data
    4. Mahasiswa memahami arah terbaru penelitian penambangan data
    5. Mahasiswa mampu melakukan penelitian pada topik penambangan data

    Referensi / Rujukan Matakuliah

    1. Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques Third Edition, Elsevier, 2012. Unduh Ebook.
    2. Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Practical Machine Learning Tools and Techniques 3rd Edition, Elsevier, 2011
    3. Markus Hofmann and Ralf Klinkenberg, RapidMiner: Data Mining Use Cases and Business Analytics Applications, CRC Press Taylor & Francis Group, 2014
    4. Daniel T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, John Wiley & Sons, 2005
    5. Ethem Alpaydin, Introduction to Machine Learning, 3rd ed., MIT Press, 2014
    6. Florin Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, 2011
    7. Oded Maimon and Lior Rokach, Data Mining and Knowledge Discovery Handbook Second Edition, Springer, 2010
    8. Warren Liao and Evangelos Triantaphyllou (eds.), Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, World Scientific, 2007
    9. Florin Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, 2011

    Rencana Pembelajaran Semester (RPS) atau Silabus Matakuliah

    PertTanggalMateriBentukDosen Pengampu
    1 27 Sept 2023 Pengantar Penambangan Data Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    Erna J. Malaikosa, S.Kom., M.Kom
    2 4 Okt 2023 Proses penambangan data Bauran Erna J. Malaikosa, S.Kom., M.Kom
    3 11 Okt 2023 Penerapan Proses penambangan data dengan Rapidminer Bauran Erna J. Malaikosa, S.Kom., M.Kom
    4 18 Okt 2023 Data Preprocessing - bagian 1 Bauran Erna J. Malaikosa, S.Kom., M.Kom
    5 25 Okt 2023 Data Preprocessing - bagian 2 Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    6 1 Nov 2023 Klasifikasi dengan Decision Tree Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    7 8 Nov 2023 Klasifikasi dengan Naive Bayes Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    8 15 Nov 2023 Ujian Tengah Semester Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    Erna J. Malaikosa, S.Kom., M.Kom
    9 22 Nov 2023 Klasifikasi dengan k-NN Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
    10 29 Nov 2023 Komparasi Algoritma Klasifikasi Bauran Erna J. Malaikosa, S.Kom., M.Kom
    11 6 Des 2023 Association Rule Bauran Erna J. Malaikosa, S.Kom., M.Kom
    12 13 Des 2023 Clustering Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
     13 20 Des 2023 Praktikum Clustering Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
     14 27 Des 2023 Forecasting/estimasi Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
     15 3 Jan 2024 Text Mining Bauran Dr. Achmad Solichin, S.Kom., M.T.I.
     16 10 Jan Ujian Akhir Semester Bauran* Dr. Achmad Solichin, S.Kom., M.T.I.
    Erna J. Malaikosa, S.Kom., M.Kom



    Komponen Penilaian Mata Kuliah

    1. Tugas dan Kebudiluhuran (30%), diambil dari penilaian aktivitas daring (elearning), tugas dan kehadiran.
    2. UTS (30%) dan 
    3. UAS (40%)

    Penilaian Khusus (Jalur Publikasi)

    Selain berdasarkan UTS dan UAS, Anda dapat memilih penilaian khusus jalur publikasi sebagai alternatif untuk mendapatkan nilai UTS dan UAS secara maksimal. Ketentuannya sebagai berikut:

    1. Jumlah penulis mahasiswa maksimal 2 (dua) orang mahasiswa, dengan menyertakan nama dosen.
    2. Substansi paper harus terkait dengan materi kuliah
    3. Proses publikasi harus atas ijin dan pembimbingan dari dosen.
    4. Bukti penerimaan (Letter of Acceptance) dan/atau paper terpublikasi diunggah di akhir perkuliahan

    NoRentang NilaiPersyaratan Minimal
    1 85-100 Publikasi pada jurnal nasional terakreditasi SINTA, seminar nasional, seminar internasional, atau jurnal internasional terindeks. 
    3 75-84 Publikasi pada jurnal nasional ber-ISSN, atau seminar lokal 



    Perangkat Lunak Pendukung Matakuliah

    Berikut ini perangkat lunak (software) khusus yang perlu dipersiapkan untuk mata kuliah ini:

    1. Rapidminer. Unduh versi edukasi dari https://rapidminer.com/get-started-educational/ (wajib)
    2. Weka. Unduh di https://sourceforge.net/projects/weka/ (pilihan)
    3. Orange (pilihan)
    4. R (pilihan)
    5. Python / Google Colabs / Jupyter Notebook (pilihan)



  • #1. Pengantar Penambangan Data (27 September 2023)

  • #2. Proses Penambangan Data (4 Oktober 2023)

  • #3. Penerapan Proses Penambangan Data dengan Rapidminer (11 Oktober 2023)

  • #4. Pemahaman Data (Data Understanding) (18 Oktober 2023)

  • #5. Data Preprocessing (25 Oktober 2023)

  • #6. Klasifikasi Decision Tree (1 November 2023)

  • #7. Klasifikasi Naive Bayes (8 November 2023)

  • #8. Ujian Tengah Semester (15 November 2023)

    • Informasi terkait pelaksanaan Ujian Tengah Semester (UTS) matakuliah Penambangan Data Kelp AF:

      1. UTS akan dilaksanakan pada hari Selasa, 22 November 2022 mulai jam 13.30 WIB
      2. UTS dibagi menjadi 2 (dua) bagian: UTS bagian 1 berupa soal Pilihan Ganda (teori), dan UTS bagian 2 berupa soal studi kasus (praktik)
      3. UTS bagian 1 harus dikerjakan selama jam kuliah (jam 13.30 - 15.00 WIB), dengan waktu pengerjaan yang dibatasi (60 menit untuk 25 soal).
      4. UTS bagian 2 berupa tugas / assignment, dengan jangka waktu pengerjaan yang lebih lama (perhatikan batas pengumpulan)

    • Quiz icon
      8.1 Ujian Tengah Semester (UTS) Bagian 1 Quiz
      View Receive a grade

      Ketentuan pengerjaan UTS Bagian 1:

      1. Soal berupa pilihan ganda, dengan jumlah soal = 25 soal.
      2. UTS dapat dikerjakan sesuai jam kuliah (13.30-15.00 WIB) dengan durasi pengerjaan = 60 menit.
      3. UTS dilaksanakan secara serentak di kelas (offline)
      4. Kesempatan mengerjakan 1 kali.
      5. Tidak ada perpanjangan waktu / tambahan kesempatan karena alasan kelalaian (lupa, tidak lihat jadwal, ketiduran dll)

    • Assignment icon
      8.2 Ujian Tengah Semester (UTS) Bagian 2 Assignment
      View Make a submission

      Ketentuan Tugas UTS Bagian 2:

      1. Tugas dikerjakan individu.
      2. Batas pengumpulan tugas = hari Kamis, 24 November 2022 jam 23.00 WIB
      3. Dilarang keras melakukan tindakan kecurangan dalam bentuk apapun.

  • #9. Klasifikasi K-NN (22 November 2023)

    • Tujuan Pembelajaran: Mahasiswa dapat memahami konsep pembelajaran (learning), khususnya menggunakan metode K-Nearest Neighbor (KNN)


    • File icon
      9.1 Materi PPT: Algoritma Supervised Learning: K-NN (v2021) File
      View

      Silahkan unduh dan pelajari materi pertemuan di atas.

    • URL icon
      9.2 Video Penjelasan: Algoritma Klasifikasi dengan K-NN URL
      View

      Silahkan pelajari video penjelasan algoritma klasifikasi (supervised learning) KNN di atas ya

    • URL icon
      9.3 ViCon - Pendalaman Materi dan Diskusi via Google Meet URL
      View

      Untuk yang mengikuti perkuliahan daring, silahkan klik link di atas untuk join gmeet. Sesi ViCon dilaksanakan pada jam 13.30 WIB - selesai

    • Quiz icon
      9.6 Quiz Perbaikan UTS Bagian 1
      View Receive a grade

      Ketentuan Quiz Perbaikan UTS Bagian 1:

      1. Nilai dari quiz perbaikan ini dapat digunakan sebagai sarana perbaikan nilai UTS bagian 1 yang telah dilaksanakan minggu lalu. Usahakan untuk mendapatkan nilai yang lebih baik dari sebelumnya.
      2. Bentuk soal = Pilihan Ganda - Jawaban Tunggal
      3. Jumlah soal = 25 soal
      4. Waktu pembukaan quiz perbaikan adalah Selasa, 29 November 2022 jam 15.00 - 23.00 WIB, dengan waktu pengerjaan quiz adalah 60 menit. Jangan sampai salah memahaminya! Tidak ada toleransi / perpanjangan waktu atas alasan apapun.
      5. Cakupan materi: Materi pertemuan 1-7. Sebaiknya Anda mempelajari kembali materi-materi yang sudah disampaikan di setiap pertemuan.
      6. Bagi Anda yang nilai UTS bagian 1 < 60, maka nilai quiz ini dapat memperbaiki nilai UTS bagian 1 dengan nilai maksimal 60. Ilustrasi 1: Jika Anda memperoleh nilai UTS Bagian 1 = 40, lalu nilai quiz perbaikan = 80, maka nilai UTS Bagian 1 akan diupgrade menjadi 60. Ilustrasi 2: Jika nilai UTS Bagian 1 = 40, dan nilai quiz perbaikan = 55, maka nilai UTS Bagian 1 dinaikkan menjadi 55.
      7. Bagi Anda yang nilai UTS bagian 1 >= 60, maka nilai quiz ini dapat menambah nilai UTS Bagian 1 tersebut dengan poin tambahan maksimal 10% dari nilai yang Anda peroleh pada Quiz Perbaikan.

    • URL icon
      9.7 Rekaman Kuliah Pertemuan 9 URL
      View

      Silakan akses rekaman kuliah pertemuan 9

    • Survey icon
      9.8 Umpan Balik Kuliah Pertemuan 9 Survey

  • #11. Unsupervised Learning: Algoritma Klasterisasi K-Means(6 Desember 2023)

Contact

spada@kemdiktisaintek.go.id

Spada Indonesia

http://spada.kemdiktisaintek.go.id
LMS-SPADA INDONESIA LMS-SPADA INDONESIA

Copyright © 2025 Spada Indonesia. All Rights Reserved.