Universitas Negeri Surabaya
Fakultas Vokasi
Program Studi D4 Manajemen Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

PRAK. ANALISIS BIG DATA

5730101226

Mata Kuliah Wajib Program Studi

T=0

P=1

ECTS=1.59

7

23 Desember 2024

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dodik Arwin Dermawan, S.ST., S.T., M.T.


Dodik Arwin Dermawan, S.ST., S.T., M.T.


Dodik Arwin Dermawan, S.ST., S.T., M.T.

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-4

Mengembangkan diri secara berkelanjutan dan berkolaborasi.

PLO-5

Bertakwa kepada Tuhan Yang Maha Esa dan mampu menunjukkan sikap religius serta menjunjung tinggi nilai kemanusiaan dalam menjalankan tugas berdasarkan agama, moral dan etika diwujudkan dengan menghargai keanekaragaman budaya, pandangan, agama, dan kepercayaan, serta pendapat atau temuan orisinal orang lain.

PLO-6

Mampu melakukan kerjasama dengan pembimbing, kolega, sejawat sebagai warga negara yang memiliki rasa nasionalisme, sportivitas serta menghargai keanekaragaman budaya, pandangan, agama dan kepercayaan.

PLO-7

Dapat mengkaji dan memanfaatkan ilmu pengetahuan dan teknologi dalam memberikan solusi serta bertanggung jawab terhadap hasil kerja kelompok maupun mandiri yang bermutu dan terukur dengan sifat dan konteks yang sesuai dengan bidang keahlian terapannya.

PLO-8

Mampu menerapkan pemikiran logis, kritis dan inovatif dalam melakukan pekerjaan dalam bidang teknologi informasi dengan menunjukkan kinerja yang bermutu dan terukur serta memanfaatkannya untuk menganalisa, mendokumentasikan dan menyusun deskripsi saintifik hasil kajian dalam bentuk laporan yang terjamin kesahihannya.

PLO-9

Menguasai pengetahuan dan teknik berkomunikasi secara lisan dan tulisan menggunakan bahasa indonesia dan inggris.

PLO-10

Mampu memilih sumberdaya dan memanfaatkan perangkat atau teknologi modern untuk merancang dan mewujudkan bidang rekayasa perangkat lunak sesuai dengan kebutuhan fungsional dan non fungsional secara spesifik dengan pertimbangan yang tepat terhadap masalah kultural, sosial, dan lingkungan dengan mengacu kepada metode dan standar industri.

PLO-11

Mampu menerapkan matematika dan prinsip rekayasa dalam mengidentifikasi, memformulasikan, melakukan penelusuran referensi atau standar, menganalisis dan menyelesaikan masalah bidang rekayasa perangkat lunak menggunakan perangkat analisa pada bidang teknologi informasi

PLO-12

Mampu meningkatkan kinerja atau mutu suatu proses dalam perangkat lunak melalui pengujian, pengukuran obyek kerja, analisis dan interpretasi data sesuai prosedur dan standar.

PLO-13

Menguasai konsep matematika terapan, pengetahuan dasar TIK (Algoritma, Pemrograman, Basis Data), sains dan prinsip rekayasa yang diperlukan untuk analisis dan perancangan sistem, proses, produk atau komponen pada rekayasa perangkat lunak

PLO-14

Menguasai konsep, prinsip dan teknik analisis serta pengetahuan kode dan standar yang berlaku pada bidang teknologi rekayasa secara teoritis dan mampu menggunakannya pada tataran praktikal serta memanfaatkannya untuk wirausaha.

PLO-15

Memiliki pengetahuan mengenai perkembangan teknologi terbaru dan terkini di bidang rekayasa perangkat serta prinsip dan isu terkini terkait faktor ekonomi, kesehatan dan keselamatan kerja (K3), sosial, ekologi secara umum.

Program Objectives (PO)

PO - 1

Memahami Konsep Big Data dan Infrastruktur Pendukungnya

PO - 2

Menerapkan Teknik Pengolahan dan Transformasi Data

PO - 3

Menganalisis Data Besar Menggunakan Alat dan Algoritma Modern

PO - 4

Menginterpretasikan dan Memvisualisasikan Hasil Analisis Data

PO - 5

Bekerja Secara Kolaboratif dalam Proyek Big Data

Matrik PLO-PO
 
POPLO-3PLO-4PLO-5PLO-6PLO-7PLO-8PLO-9PLO-10PLO-11PLO-12PLO-13PLO-14PLO-15
PO-1✔✔           
PO-2✔✔✔✔         
PO-3   ✔✔✔✔      
PO-4     ✔✔✔✔    
PO-5        ✔✔✔✔✔

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔✔✔✔
PO-2✔✔✔✔
PO-3✔✔
PO-4✔✔
PO-5✔✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Analisis Big Data mencakup konsep analisis Big Data, termasuk Volume, Velocity, dan Variety (3V), kemudian terdapat analisis prediktif, tanpa adanya kendala dari besarnya data yang diolah. Adanya kemajuan teknologi dalam hal penyimpanan, pengolahan, dan analisis Big Data meliputi (a) penurunan secara cepat terhadap biaya penyimpanan data dalam beberapa tahun terakhir; (b) fleksibilitas dan efektivitas biaya pada pusat data dan komputasi awan untuk perhitungan elastisitas dan penyimpanan; dan (c) pengembangan kerangka kerja baru seperti Hadoop Ecosystem, yang memungkinkan pengguna untuk mengambil manfaat dari sistem komputasi terdistribusi menyimpan sejumlah data yang besar melalui pemrosesan paralel. Sehingga kemajuan teknologi ini telah menciptakan beberapa perbedaan antara analisis tradisional dengan analisis tingkat lanjut pada Big Data.

Pustaka

Utama :

  1. Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.
  2. Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.
  3. Judith S. Hurwitz, et. al. 2013. Big Data For Dummies, John Wiley & Sons, Inc., Hoboken, New Jersey.

Pendukung :

Dosen Pengampu

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Mahasiswa memahami konsep dasar big data analytic
  1. Menjelaskan pengertian big data
  2. Menjelaskan manfaat dalam análisis big data
  3. Menjelaskan tujuan análisis big data
 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: big data
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

2

Minggu ke 2

Mahasiswa memahami konsep dasar Data Analytics Lifecycle

Memahami konsep dasar Data Analytics Lifecycle

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: Data Analytics Lifecycle
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

3

Minggu ke 3

Mahasiswa memahami konsep dasar metode analitik

Memahami konsep dasar metode analitik

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: metode analitik
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

4

Minggu ke 4

Mahasiswa memahami konsep dasar metode analitik

Memahami konsep dasar metode analitik

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: metode analitik
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

5

Minggu ke 5

Mahasiswa memahami konsep dasar Cluster Analysis

Memahami konsep dasar Cluster Analysis

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Project based learning
3 X 50
Materi: Cluster Analysis
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

6

Minggu ke 6

Mahasiswa memahami konsep dasar Cluster Analysis

Memahami konsep dasar Cluster Analysis

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Project based learning
3 X 50
Materi: Cluster Analysis
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

7

Minggu ke 7

Mahasiswa memahami konsep dasar Associations Rules

Memahami konsep dasar Associations Rules

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: Associations Rules
Pustaka: Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.		 5%

8

Minggu ke 8

Memahami Big Data

 Kriteria:

Memahami Big Data


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 uts
3 X 50		 yts
 Materi: uts
Pustaka: Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.		 15%

9

Minggu ke 9

Mahasiswa memahami konsep dasar Big Data Tools

Memahami konsep dasar Big Data Tools

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: Big Data Tools
Pustaka: Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.		 5%

10

Minggu ke 10

Mahasiswa mampu melakukan Setup Big DataTools

Melakukan Setup Big DataTools

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: Big Data Tools
Pustaka: Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.		 5%

11

Minggu ke 11

Mahasiswa mampu memahami dan melakukan Data Ingestion

Memahami dan melakukan Data Ingestion

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: Data Ingestion
Pustaka: Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015.		 5%

12

Minggu ke 12

Mahasiswa mampu memahami konsep dasar data store big data

Memahami konsep dasar data store big data

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Pembelajaran kolaboratif
3 X 50
Materi: konsep dasar data store big data
Pustaka: Judith S. Hurwitz, et. al. 2013. Big Data For Dummies, John Wiley & Sons, Inc., Hoboken, New Jersey.		 5%

13

Minggu ke 13

Mahasiswa mampu menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

Menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Project based learning
3 X 50
Materi: penerapan big data
Pustaka: Judith S. Hurwitz, et. al. 2013. Big Data For Dummies, John Wiley & Sons, Inc., Hoboken, New Jersey.		 5%

14

Minggu ke 14

Mahasiswa mampu menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

Menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Project based learning
3 X 50
Materi: big data analytic
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

15

Minggu ke 15

Mahasiswa mampu menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

Menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 Project based learning
3 X 50
Materi: big data analytic
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 5%

16

Minggu ke 16

Mahasiswa mampu menerapkan keilmuan Big Data pada suatu kasus

Menerapkan keilmuan big data analytic dalam suatu penyelesaian kasus

 Kriteria:

Rubrik Holistik


Bentuk Penilaian :
Penilaian Praktikum		 UAS
3 X 50
Materi: Mahasiswa mampu menerapkan keilmuan Big Data pada suatu kasus
Pustaka: Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release Date: 07 Jul 2015. Imprint: Elsevier.		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 27.5%
2. Penilaian Praktikum 72.5%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.
  5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
  6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
  7. Bentuk penilaian: tes dan non-tes.
  8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
  9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
  10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
  11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.