universitas gunadarma program studi teknik informatika...

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


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


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

•


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


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


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


pemodelan matematis

• Mahasiswa mampu


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


overfitting dan

underfitting

• Mahasiswa mampu


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


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


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


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


Hierarchical clustering

• Mahasiswa mampu

• Menjelaskan algoritma

• Hierarchical clustering

dasar

• Mahasiswa mampu


proksimitas antar

cluster dengan:

o Metode Ward

o Metode centroid

• Mahasiswa mampu

Menjelaskan keunggulan

dan kelemahan

Hierarchical clustering


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


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


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


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


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


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


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


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


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


Berusaha mencapai yang terbaik

Selalu ingin menjadi yang terbaik, mengumpulkan tugas dengan mutu yang jauh lebih baik dari yang disyaratkan dosen

Berusaha memenuhi 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


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


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

universitas gunadarma program studi teknik informatika...

Documents