Penambangan Data

Kode Mata Kuliah : BBK2LAB3
SKS : 3 SKS
Semester : 4

Penambangan data merupakan mata kuliah wajib di Prodi S1 Sistem Informasi. Mata kuliah ini merupakan mata kuliah yang berasal dari multidisiplin, khususnya bidang infokom dan statistika. Mata kuliah data mining mempelajari tentang teknik-teknik dalam menemukan pola hingga informasi yang tersembunyi dari big data dengan menggunakan metode/ algoritma yang tepat. Melalui mata kuliah ini, mahasiswa diarahkan untuk bisa mengekstrak informasi atau knowledge yang bermanfaat dari satu set data berukuran besar menggunakan algoritma yang digunakan dalam data mining, seperti clustering, classification, association, dan regression.

Program Learning Outcomes (PLO) / CPL Prodi
PLO 1	[PLO01] Mampu menganalisis permasalahan infokom yang komplek, mendefinisikan, dan memodelkan kebutuhan dalam konteks enterprise atau masyarakat dengan menerapkan ilmu dan pengetahuan dalam bidang komputasi, teknologi informasi dan komunikasi, dan disiplin lain yang relevan
PLO 2	[PLO02] Mampu merancang, mengembangkan, mengimplementasikan, dan mengevaluasi solusi berbasis sistem informasi untuk memenuhi kebutuhan organisasi menuju data-driven organization.
PLO 8	[PLO08] Mampu menggunakan metode, teknik, keahlian, atau perangkat terkini yang diperlukan untuk menghasilkan solusi di bidang sistem informasi, baik dilam konteks praktikum ataupun kasus nyata Course Learning Outcomese (CLO) PLO yang di dukung
Course Learning Outcome (CLO)		PLO yang didukung
CLO 1	[PLO01-CLO05] Mampu memodelkan kebutuhan infokom dalam konteks enterprise atau masyarakat	CLO 1
CLO 2	[PLO01-CLO07] Mampu menerapkan pengetahuan statistika fundamental dalam lingkup ilmu sistem informasi	CLO 1
CLO 3	[PLO02-CLO02] Mampu mengembangkan solusi berbasis sistem informasi menggunakan metodologi pengembangan yang tepat.	PLO 2
CLO 4	[PLO08-CLO01] Mampu menggunakan metode dan perangkat lunak terkini untuk menghasilkan solusi di bidang data dalam konteks kasus nyata	PLO 8

Materi Pembelajaran
1	Materi pembelajaran mencakup definisi data mining, ruang lingkupnya, perkembangan sejarah, serta penerapannya dalam kasus nyata.
2	Pembahasan meliputi jenis data dan skala pengukuran, teknik sampling, analisis statistik dasar, serta metode visualisasi data.
3	Fokus pada jenis metodologi data mining (seperti KDD dan CRISP-DM), pemahaman bisnis (business understanding), pemahaman data (data understanding), dan tahapan preprocessing data.
4	Materi mencakup pemodelan data (modeling), evaluasi model (evaluation), dan proses deployment dalam proyek data mining.
5	Praktikum pertama tentang persiapan data (data preparation) menggunakan dataset riil.
6	Penerapan metode statistik untuk pemodelan data mining, termasuk analisis regresi logistik dan algoritma K-Means Clustering.
7	Pembahasan teknik klasifikasi menggunakan Naïve Bayes Classifier dan aplikasinya dalam analisis data.
8	Ujian Tengah Semester (UTS) untuk menguji pemahaman materi sebelumnya.
9	Praktikum kedua tentang pemodelan data (data modeling) dengan studi kasus nyata.
10	Pengerjaan tugas besar (project) terkait analisis data dan interpretasi hasil.
11	Kelanjutan tugas besar dengan pendalaman analisis dan penyempurnaan solusi.
12	Praktikum ketiga yang menggabungkan pemodelan data dan deployment solusi berbasis data mining.
13	Penyelesaian tugas besar dengan fokus pada pemodelan data yang sesuai kebutuhan informasi.
14	Implementasi Python dan library-nya untuk analisis data lanjutan dalam konteks kasus nyata.
15	Pengembangan dashboard sederhana untuk visualisasi hasil pemodelan data.
16	Finalisasi dan presentasi tugas besar sebagai capaian akhir pembelajaran.