Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Data Warehouse dan Komputasi Terdistribusi

4920203064

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

4

31 Januari 2024

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Harmon Prayogi, M.Sc.


Dr. Elly Matul Imah, M.Kom.


Yuliani Puji Astuti, S.Si., M.Si.

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-10

Mampu menggunakan teknologi dalam bidang sains data

PLO-12

Mampu merancang dan mengembangkan algoritma untuk berbagai keperluan seperti analisis big data, kecerdasan artifisial, basis data, penambangan data, statistika inferensial, desain dan analisis algoritma, dan data warehouse.

PLO-18

Menguasai konsep teknologi informasi baik dari sisi komputasi maupun manajemen data untuk menyelesaikan masalah sains data

Program Objectives (PO)

Matrik PLO-PO
 
POPLO-10PLO-12PLO-18

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

Deskripsi Singkat Mata Kuliah

Data Warehouse dan Komputasi Terdistribusi merupakan mata kuliah yang membahas tentang bagaimana proses perencanaan, pengumpulan, dan pentranformasian data untuk mendukung pengambilan keputusan berdasarkan data (data-driven decision making). Selain itu mata kuliah ini membahas tentang komputasi paralel dan penerapannya pada data warehouse. Melalui mata kuliah ini diharapkan mahasiswa memiliki kemampuan merancang arsitektur data untuk penyelesaian permasalahan yang mendukung dan berkaitan dengan strategi bisnis.

Pustaka

Utama :

  1. Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.

Pendukung :

  1. Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.
  2. Beaulieu, A., 2020. Learning SQL: Generate, manipulate, and retrieve data. O'Reilly Media.
  3. Taniar, D., Leung, C.H., Rahayu, W. and Goel, S., 2008. High-performance parallel database processing and grid databases. John Wiley & Sons.
  4. Bani, F.C.D. and Girsang, A.S., 2018. Implementation of database massively parallel processing system to build scalability on process data warehouse. Procedia Computer Science, 135, pp.68-79.
  5. Datta, A., VanderMeer, D., Ramamritham, K. and Moon, B., 1998. Applying parallel processing techniques in data warehousing and OLAP.
  6. Wolohan, J., 2020. Mastering Large Datasets with Python: Parallelize and Distribute Your Python Code. Simon and Schuster.
  7. Scott, D., Gamov, V. and Klein, D., 2022. Kafka in Action. Simon and Schuster.
  8. Kumar, M. and Singh, C., 2017. Building Data Streaming Applications with Apache Kafka. Packt Publishing Ltd.

Dosen Pengampu

Ibnu Febry Kurniawan, S.Kom., M.Sc.

Harmon Prayogi, M.Sc.

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 mampu memahami konsep-konsep dasar data warehouse.
  1. Memahami garis besar data warehouse dan sejarahnya.
  2. Menelaah hubungan dan perbedaan antara data warehouse, business intelligence, dan decision-support system.
  3. Mengetahui posisi data warehouse di dalam business intelligence dan decision-support system.
  4. Memahami siklus pengembangan dan monitoring data warehouse.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 1 dan 2
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.
Materi: Chapter 1
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 2%

2

Minggu ke 2

Mahasiswa mampu memahami konsep dasar basis data.
  1. Menjelaskan basis data relational dan non-relational.
  2. Mendesain dan membuat basis data sederhana.
  3. Menguasai sintaksis pada bahasa kueri.
  4. Memahami desain basis data conceptual, logical, dan physical.
  5. Menelaah contoh basis data The Northwind.
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 1
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.
Materi: Chapter 2-5
Pustaka: Beaulieu, A., 2020. Learning SQL: Generate, manipulate, and retrieve data. O'Reilly Media.		 3%

3

Minggu ke 3

Mahasiswa mampu memahami karakteristik dan struktur data warehouse.
  1. Memahami karakteristik - karakteristik data warehouse.
  2. Memahami struktur data warehouse dan struktur datanya.
  3. Menelaah proses pembuatan data warehouse.
  4. Memahami konsep granularity pada data warehouse.
  5. Mengidentifikasi permasalahan pada data warehouse seperti purging dan kesalahan data.
  6. Memahami proses partisi data di dalam data warehouse.
  7. Memahami konsep data homogeneity dan heterogeneity.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 2
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.		 3%

4

Minggu ke 4

Mahasiswa mampu memahami jenis -jenis arsitektur data warehouse.
  1. Memahami jenis - jenis arsitektur data warehouse.
  2. Memahami perbedaan antara technical architecture dan systems architecture.
  3. Menelaah perbedaan antara top-down dan bottom-up design.
  4. Menjelaskan operasi-operasi data yang meliputi spesifikasi data, pemampatan data, penempetan data, periodisitas data, perpindahan data masuk dan keluar warehouse, dan integrasi data.
  5. Memahami konsep data model dan process model.
  6. Menelaah perbedaan normalization dan denormalization.
  7. Menjelaskan konsep Metadata dan fungsinya.
  8. Memahami kompleksitas transformasi dan integrasi data.
  9. Mejelaskan akses data secara direct dan indirect di dalam data warehouse.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 4
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.		 3%

5

Minggu ke 5

Mahasiswa mengenal beberapa konsep teknologi yang digunakan di dalam data warehouse.
  1. Menguasai manajerial jumlah data yang besar dan berasal dari berbagai media.
  2. Menguasai indeksasi dan monitoring data.
  3. Memahami teknologi interfaces pada data warehouse.
  4. Memahami proses penyimpanan paralel dan manajemen data.
  5. Mengenal beberapa fitur teknologi seperti efficient loading data, efficient index utilization, compaction of data, compound keys, variable -length data, lock management, index -only processing, fast restore, transaction integrity, high -speed buffering, row - or page -level locking, referential integrity, VIEWs of data, dan partial block loading.
  6. Mengenal tipe-tipe DBMS dan perbedaannya.
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 4
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.		 3%

6

Minggu ke 6

Mahasiswa mampu menerapkan konsep multidimensional modeling, hypercube, konseptual modeling, dan logical data.
  1. Memahami multidimensional modeling di dalam data warehouse.
  2. Memahami karakteristik dan komponen multidimensional modeling.
  3. Mengkaji perbedaan antara analytical processing (OLAP) dan Online transaction processing (OLTP).
  4. Memahami konsep data cube / hypercube
  5. Memahami konseptual modeling di dalam data warehouse.
  6. Memahami definisi dan elemen-elemen konseptual modeling.
  7. Mengenal hirarki pada konseptual modeling.
  8. Memahami logical modeling di dalam data warehouse.
  9. Memahami aspek - aspek pada logical modeling seperti relational data, time dimension, logical representation of hierarchies, dan slowly changing dimensions.
  10. Memahami struktur snowflake.
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 13
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.
Materi: Chapter 3-5
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 3%

7

Minggu ke 7

Mahasiswa mampu mengimplementasikan siklus pengembangan projek dan analisis data di dalam data warehouse.
  1. Melakukan perencanaan projek data warehouse.
  2. Mendesain arsitektur dan desain data.
  3. Mendokumentasikan projek dalam sebuah requirement document.
  4. Melakukan analisis data menggunakan Multidimensional Expressions (MDX).
  5. Melakukan analisis data menggunakan analysis expressions (DAX).
  6. Memahami konsep key performance indicators (KPI).
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 6
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 3%

8

Minggu ke 8

Ujian Tengah Semester
  1. Menerapkan siklus pengembangan projek data warehouse.
  2. Menganalisis data dan mengambil kesimpulan dari data di dalam warehouse.
  3. Menyusun dokumen requirement projek.
Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut: Mahasiswa mempresentasikan hasil akhir projek yang telah dipresentasikan pada pertemuan sebelumnya.
3x50
Materi: Chapter 1-3
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.		 15%

9

Minggu ke 9

Mahasiswa mampu memahami konsep dasar data warehouse terdistribusi.
  1. Menjelaskan tipe-tipe data warehouse terdistribusi.
  2. Memahami proses pengembangan data warehouse terdistribusi.
  3. Menelaah kasus-kasus pengembangan data warehouse yang dilakukan oleh beberapa group baik pada level yang sama maupun level yang berbeda.
  4. Memahami pengembangan data warehouse terdistribusi pada banyak platforms.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 6
Pustaka: Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.		 2%

10

Minggu ke 10

Mahasiswa mampu memahami konsep dasar komputasi paralel.
  1. Memahami jenis-jenis komputasi paralel
  2. Menelaah manfaat menggunakan komputasi paralel.
  3. Memahami klasifikasi paralelisme pada Taksonomi Flynn.
  4. Menerapkan komputasi paralel untuk kasus -kasus sederhana.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 1-6
Pustaka: Wolohan, J., 2020. Mastering Large Datasets with Python: Parallelize and Distribute Your Python Code. Simon and Schuster.		 2%

11

Minggu ke 11

Mahasiswa mampu menerapkan komputasi paralel pada data warehouse.
  1. Memahami jenis - jenis paralelisme di dalam proses kueri.
  2. Memahami arsitektur basis data paralel.
  3. Memahami konsep komputasi paralel pada data warehouse.
  4. Menerapkan komputasi paralel pada projek data warehouse.
  5. Membandingkan peforma projek data warehouse dengan dan tanpa implementasi komputasi paralel.
Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 1-9
Pustaka: Taniar, D., Leung, C.H., Rahayu, W. and Goel, S., 2008. High-performance parallel database processing and grid databases. John Wiley & Sons.
Materi: Artikel Ilmiah
Pustaka: Bani, F.C.D. and Girsang, A.S., 2018. Implementation of database massively parallel processing system to build scalability on process data warehouse. Procedia Computer Science, 135, pp.68-79.
Materi: Artikel Ilmiah
Pustaka: Datta, A., VanderMeer, D., Ramamritham, K. and Moon, B., 1998. Applying parallel processing techniques in data warehousing and OLAP.		 3%

12

Minggu ke 12

Mahasiswa mampu menerapkan waktu nyata data warehouse untuk aplikasi data streaming.
  1. Memahami konsep waktu nyata (real-time) data warehouse.
  2. Menelaah pentingnya waktu nyata data warehouse.
  3. Memahami konsep data streaming dengan Apache Kafka.
  4. Memahami dan mengaplikasikan penggunaan Producers dan Consumers.
  5. Membuat extract, transform, load (ETL) data streaming.
Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 1-5
Pustaka: Scott, D., Gamov, V. and Klein, D., 2022. Kafka in Action. Simon and Schuster.
Materi: Chapter 2, 3, 4, dan 8
Pustaka: Kumar, M. and Singh, C., 2017. Building Data Streaming Applications with Apache Kafka. Packt Publishing Ltd.		 5%

13

Minggu ke 13

Mahasiswa mampu membuat dasboard yang memvisualisasikan data di dalam warehouse.
  1. Memahami elemen - elemen dashboard.
  2. Memahami tipe -tipe dashboard.
  3. Memahami konsep reporting di dalam data warehouse.
  4. Menelaah pentingnya dashboard di dalam proses data warehousing.
  5. Memvisualisasikan data yang berasal dari warehouse.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 6
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 3%

14

Minggu ke 14

Merancang sistem data warehouse untuk menyelesaikan permasalahan-permasalahan lingkup industri.
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan kemajuan projek secara lisan dan tertulis.
  2. Mahasiswa menerapkan konsep-konsep data warehouse pada projek.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
10%

15

Minggu ke 15

Merancang sistem data warehouse untuk menyelesaikan permasalahan-permasalahan lingkup industri.
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan kemajuan projek secara lisan dan tertulis.
  2. Mahasiswa menerapkan konsep-konsep data warehouse pada projek.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
10%

16

Minggu ke 16

Ujian Akhir Semester
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan projek secara lisan dan tertulis.
  2. Mahasiswa menerapkan konsep-konsepdata warehouse pada projek.
Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 27%
2. Penilaian Hasil Project / Penilaian Produk 33%
3. Praktik / Unjuk Kerja 40%
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.